JoVE Journal > Behavior
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
português

Automatically Generated
Behavior

Uma nova abordagem experimental e analítico ao Neural Decodificação de Intenções Multimodal Durante Interação Social no Livremente-comportando bebês humanos

Published: October 04, 2015
doi:
10.3791/53406
, , , , ,
1Laboratory for Noninvasive Brain-Machine Interface Systems, Department of Electrical and Computer Engineering,University of Houston, 2Department of Biomedical Engineering,University of Houston, 3Department of Biology and Biochemistry,University of Houston

Summary

This protocol presents a novel methodology for the neural decoding of intent from freely-behaving infants during unscripted social interaction with an actor. Neural activity is acquired using non-invasive high-density active scalp electroencephalography (EEG). Kinematic data is collected with inertial measurement units and supplemented with synchronized video recording.

Abstract

Understanding typical and atypical development remains one of the fundamental questions in developmental human neuroscience. Traditionally, experimental paradigms and analysis tools have been limited to constrained laboratory tasks and contexts due to technical limitations imposed by the available set of measuring and analysis techniques and the age of the subjects. These limitations severely limit the study of developmental neural dynamics and associated neural networks engaged in cognition, perception and action in infants performing “in action and in context”. This protocol presents a novel approach to study infants and young children as they freely organize their own behavior, and its consequences in a complex, partly unpredictable and highly dynamic environment. The proposed methodology integrates synchronized high-density active scalp electroencephalography (EEG), inertial measurement units (IMUs), video recording and behavioral analysis to capture brain activity and movement non-invasively in freely-behaving infants. This setup allows for the study of neural network dynamics in the developing brain, in action and context, as these networks are recruited during goal-oriented, exploration and social interaction tasks.

Introduction

Uma das capacidades humanas fundamentais é a capacidade de aprender e implementar ações (produção acção) estrategicamente a serviço de metas e recompensas, a capacidade de apreender as metas dos parceiros sociais (compreensão ação), a fim de produzir respostas sociais adequadas, ea capacidade aprender com os outros através da observação e imitação 1. A base neural destas capacidades cognitivas-motor foram atribuídas, pelo menos em parte, para o chamado sistema de neurônios-espelho; um sistema que é pensado para ser activado quando se vê alguém realizando uma ação e quando se executa a ação. No entanto, a potencial ligação entre o sistema de neurônios-espelho e compreensão ação ainda não é bem compreendido 1. Estudar o surgimento e desenvolvimento deste sistema de neurônios-espelho em bebês humanos tem sido dificultada pela a) as limitações técnicas de aquisição de atividade cerebral de dados multi-modal correlacionados com intenção e dados de movimento de grão fino, B) as restrições impostas pelos protocolos experimentais que são (por exemplo, a interação social com um agente retratado em uma fita de vídeo, a necessidade de manutenção de uma postura ainda para minimizar os artefatos durante Electroencefalografia (EEG) não naturais, etc.), e c) a barreiras em linguagem / comunicação ao testar lactentes jovens / crianças que limitam consideravelmente as capacidades do pesquisador para dar instruções e validar comportamentos.

Para uma melhor compreensão da dinâmica neural variável e comportamentais em comportamento natural, desenvolvemos uma abordagem experimental e analítico romance que permite o estudo resolvida no tempo dos substratos neurais dos comportamentos orientados a objetivos e sociais emergentes em crianças pequenas. Especificamente, implantou uma base EEG imagem cerebral móvel (MOBI) abordagem 2 a atividade cerebral registro e circulação de crianças livremente comportando durante a interação com um experimentador. Unidades de medição inercial (Imus) foram usadas para monItor cinemática sujeitos e experimentador de.

Tecnologia EEG e sensores inerciais foram usadas para estudar os padrões neurais e ativações associadas à imitação ação dos lactentes e comportamentos orientados a objetivos em uma interação espontânea com um experimentador / ator. Ações como reach-alcance, alcançar-oferta, observar, descanso e explorar são todos parte dos processos cognitivo-motoras envolvidas na imitação. Além disso, usamos estimativa fonte para localizar os geradores de potenciais eléctricos dentro do cérebro durante as tarefas comportamentais, assim estudar a dinâmica espaço-temporais de correntes neuronais em todo o cérebro. Da mesma forma, implementar algoritmos de aprendizado de máquina para avaliar e medir a previsibilidade dessas ações comportamentais através da identificação de padrões espaço-temporais de ação relevante na atividade neural no sensor (EEG) e / ou espaços de origem. Integrando ERD tradicional / ERS, fonte e análise de decodificação fornecer uma developmen mais abrangentetal descrição da base neural de tais comportamentos.

Esta configuração permitiu-nos para explorar as vantagens da abordagem Mobi 2,3 e estudar as interações sociais entre a criança eo experimentador como eles naturalmente ocorrem sem restrições.

O protocolo, a partir do momento em que o sujeito chega a vez que ele / ela sai, leva cerca de 1 hora para ser concluído. O tempo de configuração e localização eletrodo aquisição IMU / EEG varia 15-25 min dependendo de fatores tais como o comprimento do cabelo e da cooperação do assunto. A inicialização e configuração do equipamento acrescenta-se a 10 min, e a sessão de teste dura aproximadamente 15 minutos. A remoção do Imus e tampa EEG, incluindo a limpeza da cabeça da criança a partir do gel hipoalergênico, leva 5-10 min.

Protocol

O protocolo a seguir foi analisado e aprovado pelo Comitê de Ética da Universidade de Houston. Pais ou responsáveis ​​todos os assuntos infantis 'recebeu, leu e assinou um termo de consentimento antes da participação. Os pais receberam estacionamento gratuito e um cartão de $ 20 como compensação por sua participação no estudo enquanto as crianças escolheu um brinquedo apropriado para a idade. Os temas infantis recrutados cumpridos os seguintes critérios: 1) Idade entre 6 e 24 meses. 2) infantil era saudável, teve um crescimento e desenvolvimento normais, e não tinham histórico de natal edições, abalos, convulsões, derrames cerebrais, ou dificuldades de aprendizagem. Exemplos de algumas deficiências comuns de desenvolvimento que excluiriam uma criança de testes são a falha prosperar, desnutrição e uso de álcool ou drogas pela mãe durante a gravidez. Um diagrama de fluxo simplificado para a gravação simultânea de atividade neural multimodal via couro cabeludo e EEGImus em lactentes se comportando livremente é apresentado na Figura 1. 1. Consentimento Livre e Esclarecido Mostrar os pais a sala experimental e explicar brevemente o objectivo da experiência com eles. 2. Scalp EEG Preparação Nota: O sistema de EEG utilizada (Tabela 1) consiste de um sistema de eléctrodo activo com eléctrodos removíveis. Os níveis de impedância são indicados nos eléctrodos que utilizam LEDs. Meça a circunferência da cabeça da criança em cm. Coloque uma fita de medição em torno da parte mais larga da cabeça, passando-o sobre as sobrancelhas e em torno da proeminência occipital na parte de trás da cabeça. Nota: A medição da circunferência da cabeça é necessária para selecionar uma tampa EEG de tamanho adequado. Não há tamanhos especiais para a população infantil descrito na Tabela 1. Coloque os eléctrodos em uma tampa de EEG de tamanho apropriado (Tabela 1), conforme especificado pelo10-20 sistema internacional. A tampa garante a colocação correta dos eletrodos no couro cabeludo. Nota: É preferível ter a tampa pronto pelo tempo que o lactente chega ao local de estudo. Informações sobre o tamanho da cabeça pode ser obtido dos pais antes do tempo, ou aproximadas utilizando tabelas disponíveis on-line [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]. Se a medição da cabeça não corresponde a aproximação do pesquisador, uma nova tampa deve estar preparado. Se vários bonés e eletrodos estão disponíveis, várias tampas podem ser configurados com antecedência para minimizar o tempo de preparação. Explique o processo de gelificação para o pai. Mostre-lhes a agulha e seringa sem corte usado para aplicar gel para cada eletrodo e deixá-los sentir a agulha em sua pele. Use um eletrodo EEG e couro cabeludo tampa demo para passar por cima do processo de gelificação. Medir a distância entre o násio ao ínion ao longo do plano sagital médio da superfície do couro cabeludo. Prossiga para caber o scalp tampa de trás da criança. Alinhe o eletrodo Cz com o vértice da cabeça. Avance para alinhar o centro e os eléctrodos FP1 e FP2 na testa em aproximadamente 10% da distância entre o násio e o ínion. Alinhe a tampa do couro cabeludo de forma simétrica ao longo do plano sagital médio da cabeça. Certifique-se de meados da década de eletrodos [AFZ, Fz, FCZ, CZ, CPZ, Pz, Poz, Oz] estão alinhadas com a nasion e inion. Quando terminar, fixar a tampa por cintas abaixo do queixo. Nota: Distrair o bebê enquanto ele / ela está sendo equipado com a tampa EEG. Um vídeo idade apropriada é comumente usado para distrair as crianças durante a instalação. Ligue os de referência, chão, e eletrodos de registro para a caixa de controle. Ligue os indicadores de impedância da caixa de controle. Começando com o solo e os eléctrodos de referência, usar uma pequena seringa para injectar gel de electrólito para o espaço entre o couro cabeludo e o eléctrodo até a impedância de cada medidas de eléctrodos inferiores a 60 kQ. Este é indicated por uma luz amarela ou verde nos eletrodos. Mais detalhes sobre a preparação do eletrodo EEG estão disponíveis em quatro. Nota: Durante o processo de gelificação, a criança pode mover seu / sua cabeça por várias razões (curiosidade, medo, atenção desviada). Portanto, é recomendável que o segundo experimentador ou pai continua a distrair a criança. Use as seringas de trás da cabeça do bebê para evitar o risco de acertar o rosto do bebê com a agulha devido ao movimento inesperado do assunto. Ligue os amplificadores para o PC host através de uma porta USB usando uma fibra óptica ao conversor USB. Nota: A Figura 2A mostra o bebê configuração assunto com a tampa EEG ea colocação IMU. Observe que os cabos de força e caixa de controle são mantidos, proporcionando mobilidade livre de carga para o assunto. Figura 2B mostra uma vista topográfico dos locais de eletrodos do EEG cap seguintes o sistema de rotulagem 10-20. 3. Preparação Imus Abra o software IMU. Clique em "Novo" na interface gráfica. Em seguida, clique em "Configurar" na caixa de diálogo para configurar Imus. Defina a frequência de amostragem de 128 Hz. Fixe a Imus na cabeça, peito e punhos esquerdo e direito da criança. Nota: Consulte a Figura 2A. Em paralelo, caber os pulsos do experimento com Imus. Certifique-se de Imus estão garantidos bem ao corpo para minimizar os erros de medição inercial. Usando tiras, coloque o Imus pulso no lado dorsal dos pulsos. Coloque a IMU peito na superfície ventral perto do centro da caixa utilizando um arnês. Fixe a IMU cabeça para as tiras de queixo da tampa do couro cabeludo para que seja perto do lado esquerdo do queixo. Posicione o Imus para que eles enfrentam para fora, com a luz LED orientada para cima. Nota: O Imus cada pesar cerca de 22 g, e seu pequeno tamanho e peso leve não são susceptíveis de impedir movement. Um experimentador adicional pode ser necessária para distrair a criança por razões descritas na etapa 2.8. 4. Captura de vídeo e sincronização dos dados Streams Ponto de câmara de vídeo (18), de modo que o lactente (12), o actor (14), e o accionador de LED (13) estão todos claramente visíveis. Veja a Figura 4. Nota: As gravações de vídeo são usados ​​para permitir anotação visual e segmentação de comportamentos desencadeados pelo experimentador, bem como a confirmação do início e no final da sessão de gravação. Ligue o invólucro entrada de disparo / saída (7) para o EEG (5) e IMUS (4). Veja a Figura 3. Nota: A caixa de entrada personalizado / saída (7), mostrado na Figura 3, foi projetado para alinhar todos os fluxos de dados gravados (EEG, Imus, e vídeo) e, assim, usar os marcadores de eventos a partir de uma gravação (como vídeo) ou facilitar a análise de outra gravação (como EEG ou aceleração). Isto é conseguido usando umbotão de pressão momentânea único que, quando pressionado, irá enviar um baixo ativo (+ V para Terra) impulso de disparo de EEG (através de uma porta paralela DB-25), IMU (através de um mini-DIN-6 conector) e vídeo (por iluminando um díodo emissor de luz (LED), posicionado na visão da câmara de vídeo) gravações simultaneamente. Um chip inversor 7404 IC lógica foi utilizada para transformar o Estado-baixo (Terra) a um alto-estado (+ V) pulso, fornecendo o potencial de tensão necessária para alimentar o LED. Tenha um experimentador em estreita proximidade com o botão disparador eo computador de coleta de dados. O experimentador é encarregado de conduzir o gatilho, o monitoramento da qualidade dos dados durante todo o experimento, e salvar os dados. 5. Preparação do Ambiente de Teste Veja a Figura 4. 6. Recolha de Dados Anote os valores de impedância iniciais dos eletrodos de EEG usando o software de controle, selecionando o "ImpedanceVerifique "guia, clique no botão de rádio" Impedance On "(aguarde cerca de 5 segundos para valores de impedância do eletrodo para estabilizar), e clicando no botão de rádio" Salvar impedância "para salvar impedâncias. Veja a Figura 5. Filtros não são aplicadas durante a coleta de dados de EEG. No programa gravador EEG, clique em "Monitor" em seguida, "Play" para iniciar a recodificação de dados de EEG. Veja a Figura 6. No software IMU, clique em "Stream" e depois em "Record" na caixa de diálogo para iniciar a gravação de dados da IMU. Veja a Figura 7. Aplicar três gatilhos (III) para sinalizar o início da experiência, utilizando o botão de pressão no compartimento de entrada / saída (7). Deixe o resto infantil para 1 min durante a gravação. Isto proporciona dados de linha de base inicial. Execute experiência e permitir que o sujeito infantil faça pausas quando necessário. Cada ensaio experimento consiste em uma tarefa de tomada de turnos onde os shows atoruma ação para a criança usando um objeto (geralmente, mas nem sempre, um brinquedo), passa para a criança em um esforço para iniciar uma resposta imitação, e, finalmente, recupera o objeto de volta da criança. Nota: Esta troca é geralmente repetido por 4-5 ensaios ou até que a criança não mostra mais interesse no objeto. Dado o ambiente da sessão, anotar todos os horários de cada comportamento após a coleta de dados usando a gravação de vídeo. Anote os valores de impedância finais dos eletrodos de EEG. Veja o passo 6.1. Digitalizar as coordenadas espaciais 3D dos eletrodos de EEG usando o scanner 3D eletrodo EEG e software eo software correspondente. Inicie o software de digitalização 3D. Vá em "Arquivo" e selecione "novo espaço de trabalho". Carregar o arquivo posição do eletrodo no primeiro guia da área de trabalho e fornecer as informações necessárias na guia de armazenamento. Na barra de ferramentas de análise, clique em "estrelat digitalização ". Use o scanner 3D, a cerca de 30 cm da cabeça do bebê, para procurar os locais de eletrodo, seguindo as mudanças nos padrões de luz sobre a tampa. Uma vez que a varredura estiver completa, o software irá automaticamente salvar os resultados. Nota: Na parte de trás da cabeça, os cabos podem bloquear os LEDs nos eléctrodos devido ao pequeno tamanho da cabeça do bebê. O software permite que o usuário remover alguns eletrodos da verificação sem comprometer os resultados. Remova os eletrodos occipitais da verificação, se necessário. 7. Segmentação Comportamental Inspecione a gravação de vídeo da sessão de experiência e marcar o tempo quando o gatilho pisca (ou seja, quando o experimento começa e termina), e quando qualquer um dos comportamentos mencionados anteriormente no passo 6,6 início e fim. 8. fonte de imagem Nota: Fonte de imagem pode identificar com precisão os geradores dePotenciais EEG dentro do cérebro e, geralmente, consiste em solucionar a frente e com o problema inverso 5. Aquisição de dados de alta resolução T1 ponderada Imagem por Ressonância Magnética (MRI) de bancos de dados de domínio público, tais como a base de dados de MRI desenvolvimento neurológico que contém modelos médios de ressonância magnética em função da idade (em meses) para os dois primeiros anos de vida 6,7. Nota: Este estudo utiliza modelos de cabeça para a frente apenas a idade apropriada de lactentes e, portanto, informações sexo não é levado em consideração quando da escolha do modelo MRI). Adquirir volumes de origem para modelos de elementos de contorno (MEC) que incluem compartimentos pressão (ou seja, matéria cinzenta, substância branca, couro cabeludo, crânio interna ou externa), como volumes de ressonância magnética do banco de dados neurodesenvolvimento MRI 8. Pré-processo o volume BEM MRI para obter um modelo de cabeça realista, extraindo a superfície do cérebro e da cabeça compartimentos em Curry 7, ou pacote semelhante software de imagens do cérebro. Importar o T1 ponderada MRI. Identificar manualmente os três pontos fiduciais, tais como pontos de direita / esquerda pré-auriculares e nasion dentro do software de imagens do cérebro, ou pacote similar. Co-registro EEG e MRI espaço para obter a transformação geométrica rígida entre o espaço do MRI e espaço do sujeito ajustando os pontos fiduciais indicados na ressonância magnética e os fiducials obtidas com scanner 3D em passos 6.9-6.11 usando o software de imagens do cérebro ou pacote similar. Resolver o modelo para a frente. Nota: O problema para a frente envolve a definição de um modelo de cabeça que representa a geometria da cabeça e das propriedades de condutividade eléctrica do volume de 9,10 cabeça. Resolver o problema inverso Nota: O problema inverso tenta inferir a localização, força e um curso de tempo de uma fonte no cérebro a partir dos sinais de EEG do couro cabeludo através de técnicas de processamento de sinal 11. Segmento contínuoOs dados de EEG em ensaios em todo o início de tarefas (por exemplo., Imitação, segmentos de observação) com segmentos início pré e pós-tarefa de comprimento 2 seg. Identificar os canais com alta impedância como "maus" e outros canais de ensaios de artefatos em cada tentativa. Pré-processar os dados de EEG para a rejeição artefato usando ICA e reconstruir os canais ruins com a média da vizinha canais free-artefato. 12,13,14. Use o modelo para a frente como uma entrada para um algoritmo de otimização automatizado que pesquisa sobre o cérebro inteiro para identificar os melhores locais de origem possíveis. Visualmente analisar as fontes estimadas e pegar as soluções que mais correspondem à sua expectativa com base em conhecimento prévio da natureza do experimento e interpretá-los com cuidado. Nota: Este passo é o mais tendenciosa um, devido à natureza do mal colocado o problema inverso, isto é, diferentes configurações das fontes pode resultar em o mesmo potencial de superfície. Portanto, Pode ser útil para executar uma verificação de sanidade para verificar se um determinado modelo de cabeça e método inverso funciona bem. Execute uma verificação de sanidade, localizando um conhecido dipolo simulado. Ou seja, para o lugar modelo de cabeça dado um dipolo com configuração conhecida, e resolver o problema para a frente para obter tensões simulados para este dipolo. Resolver o problema inverso com essas tensões sobre o mesmo modelo de cabeça, para ter certeza que retorna os dipolos simulados. Nota: Estas checagens devem retornar os dipolos inicialmente colocados a um alto grau de precisão.

Representative Results

Figura 8 exibe EEG amostra de dados e aceleração do Imus para uma janela de tempo de 16 seg gravado durante a interação entre o sujeito eo experimentador. Dados EEG foi re-classificada em 100 Hz e, em seguida, passa-banda filtrada [1-40 Hz] usando uma terceira ordem, a segunda fase zero filtro Butterworth. Canais com valores de alta impedância (Z> 60 kW), e canais periféricos, foram descartados 12,15. O IMUS gravado nove sinais a 128 Hz: fluxo magnético, velocidade angular, e aceleração linear nos três eixos cartesianos. Aqui nós mostramos a magnitude do (GC) com compensação de aceleração da gravidade. O efeito de aceleração devido à gravidade foi compensada pela aplicação de um filtro de Kalman para prever a orientação IMU em um quadro global de 16. Os dados foram segmentados por inspeção visual das gravações de vídeo (passo 7.1). Linhas sólidas verticais indicam o início de um comportamento de interesse, como linhas verticais pontilhadas representam o término do evento. <pclass = "jove_content"> Influência de artefatos de movimento está presente nos dados de EEG mostrados na figura 8 em torno de 709s. A abordagem sem restrições à recolha de dados neste protocolo experimental torna os dados de EEG suscetíveis a piscar de olhos, movimentos oculares, movimento e artefatos eletromiográficas. Os dados foram pré-processados ​​usando uma fase zero Butterworth filtro passa-banda de 3 rd fim de restringir-lo para o delta-band (1-4Hz), e padronizado pela subtração da média e dividindo pelo desvio padrão. Artefatos de alta amplitude foram removidos automaticamente usando o método 17 Remoção de Artefatos Subspace (ASR). Além disso, os canais periféricos são excluídos da análise dos dados em um esforço para minimizar a contaminação mioeléctrico artefato. Frontalis e contrações do músculo temporal se fundir com sinal EEG mais proeminente em locais periféricos: contração frontalis mostra-se em locais anteriores e contração temporal mostra-se em frontal lateral e temporlocalizações al 15. Para inspecionar a natureza dos dados coletados com este protocolo, histogramas de dados de EEG foram plotados na Figura 9. Na Figura 9A, descreve a distribuição dos dados do sinal padronizado de três eletrodos espacialmente representativos. Os dados de EEG mostra uma distribuição multimodal para os comportamentos analisados. Na Figura 9B os valores de curtose são apresentados como gráficos de barras, para facilitar a inspecção visual dos dados. A classificação foi realizada por extração defasagens com base no tempo de cada canal EEG, reduzindo dimensionalidade, preservando a dispersão local de cada classe (análise discriminante de Fisher Local (LFDA)) 18, e formação / testando um modelo de conjunto reduzido de recursos (Mistura Gaussian Modelos (MGM)) 19. Amostras de treinamento / teste foram amostradas aleatoriamente ao longo de 20 iterações (ou seja, de validação cruzada) para evitar qualquer over-fitting.Training/testing~~V tamanho da amostra varia dado o número de canais rejeitados (isto é, impedância maior que 60 kHz), duração da sessão experimental, e número de ensaios e comportamentos expressos. No entanto, o número de treinamento e teste amostras utilizadas para cada classe (comportamento) correspondem a 50% da classe menos povoada. Como um exemplo, o tamanho do conjunto de teste de cada classe é N = 1.069 amostras para os dados infantis mostrado na Figura 10. Todos os passos de pré-processamento e classificação foram calculadas sob o ambiente de programação MATLAB. Figura 11 ilustra todo o processo para EEG estimativa fonte realizada neste estudo em uma maneira passo-a-passo. Mais detalhes sobre cada etapa também é resumida na secção 8. A Figura 12 mostra os resultados de evento relacionado (de) sincronização (ERD / ERS) no ritmo mu (09/05 Hz) e as fontes de dipolo durante o "Reach-oferta1; tarefa. ERS e ERD foi calculada como a percentagem de aumento ou diminuição de energia em uma banda de frequência que ocorre durante o evento (alcançar e oferta tarefa) intervalo em relação ao intervalo de referência (um segmento tomado antes do evento). Esta figura também mostra aceleração magnitude compensação de gravidade obtidas durante a tarefa de ambos os punhos da criança e do ator. Para uma análise de dipolo os sinais de EEG foram decompostos usando análise de componentes independentes (ICA) para eliminar o ruído de fundo. A estimativa de origem foi realizada em ritmo mu após ICA pré-processamento através de um algoritmo MUSIC fixo 5. Como esperado, as fontes foram localizados sobre a área motora primária direita, enquanto o assunto estava usando a mão esquerda para apreender o objeto. Nome do Produto Companhia Quantidade BrainAmp Amplificador Produtos cerebrais, Gmbh 2 <tr> actiCAP EEG cap- 64 eletrodos * Produtos cerebrais, Gmbh 10 actiCAP Control Box Produtos cerebrais, Gmbh 1 Software Cérebro Visão Recorder Produtos cerebrais, Gmbh 1 software actiCAP Control Box Produtos cerebrais, Gmbh 1 CapTrak Produtos cerebrais, Gmbh 1 Software CapTrak Produtos cerebrais, Gmbh 1 Monitor de movimento Opal APDM, Inc 6 Docking station Opal APDM, Inc 6 Opal ponto de acesso wireless APDM, Inc 1 Software Motion Estúdio APDM, Inc 1 Caixa de gatilho personalizadas 1 Câmera de vídeo HC-W850M, Panasonic Co. 1 * As tampas de EEG vêm nos seguintes tamanhos perímetro cefálico para crianças: 42, 44, 46, 48, 50 cm. Para este protocolo, é recomendado um estoque de 2 cápsulas de cada tamanho. Tabela 1 Equipamentos. Figura 1. Os fluxogramas. (A) Diagrama da configuração da experiência. (B) Diagrama da sessão de coleta de dados. Por favor clique aqui para ver uma versão maior desta figura. Figura 2. Assunto setup e pronto para a coleta de dados. (A) Visão frontal de sujeito vestindo a tampa EEG, e quatro Imus. (B) representação topográfica da tampa EEG de 64 canais usando o sistema de posicionamento do eletrodo 10-20 padrão. Por favor clique aqui para ver uma versão maior desta figura. Figura 3. equipamento de recolha de dados e sala de testes. (A) de configuração de equipamentos de coleta de dados: caixa de controle EEG (1), cap EEG (2), o gatilho (3), receptor de dados IMU sem fio (4), amplificadores EEG (5), caixa de brinquedos (6), botão de pressão gatilho (7), laptops de aquisição de dados (8), Imus docking station (9). (B) Close-up da tampa EEG, eletrodos ativos e caixa de controle. (C) Close-up de Imus e receptor sem fio, Trigge r de botão de pressão, amplificadores EEG e laptops de coleta de dados. Por favor clique aqui para ver uma versão maior desta figura. Figura 4. Representação esquemática da configuração experimental. Titular caixa de controle EEG (10). Guardião do sujeito senta-se na cadeira (11), experimentador senta-se na cadeira (14) e a pessoa monitorização dos dados senta-se na cadeira (17). O resto da configuração experimental é mostrado:. Tabletop Interaction (12), o gatilho (13), caixa de brinquedos (15), mesa de aquisição de dados (16), o posicionamento da câmera de vídeo (18) Clique aqui para ver uma versão maior desta figura. "Src =" / files / ftp_upload / 53406 / 53406fig5.jpg "/> Figura 5. Captura de tela do software de controle de EEG. As setas apontam para ícones de tecla no software descritos no passo 6.1 e 6.8. Por favor clique aqui para ver uma versão maior desta figura. Figura 6. Screenshot do software de gravação de EEG. As setas apontam para ícones de tecla no software descrito no passo 6.2 e 6.3. A seção dos dados brutos live-streaming é mostrado. Por favor clique aqui para ver uma versão maior desta figura. pg "/> Figura 7. Screenshot do software Imus. As caixas vermelhas destacar os ícones principais do software descrito no passo 6.4. (A) A janela principal de comando. (B) a janela de configuração. Janela (C) Gravação. Por favor clique aqui para ver uma versão maior desta figura. Figura 8. Os dados da amostra de uma sessão experimental representativa. Dados (A) EEG e aceleração são mostrados, tanto band-pass filtrada [1-40Hz]. Eletrodos de EEG com baixa impedância (Z <60 kW) ao longo da sessão são exibidos. Linhas verticais sólidas indicar início comportamento (B) Ainda enquadrar representações da criança envolvida em comportamentos analisados:. Observar, Reach-aperto, Reach-oferta, imitaçÃte, Explorar, Rest. Por favor clique aqui para ver uma versão maior desta figura. Figura 9. exemplos de histogramas de amplitude do EEG durante seis comportamentos identificados. A) Os dados apresentados correspondem aos dados brutos de três eletrodos (CP2, FC5, POZ) registrados em uma sessão com um lactente de 20 meses. Os histogramas são dimensionadas para o maior número de ocorrências ea curtose de cada histograma é mostrado à direita de cada parcela. Observe a distribuição multimodal para a maioria dos comportamentos. B) Kurtosis de dados de exemplo para cada comportamento. Por favor clique aqui para ver uma versão maior desta figura. <p class="jove_content" fo:keep-together.within-pidade = "always"> Figura 10. EEG prevê ações comportamentais em crianças se comportando livremente 12. A matriz de confusão da amostra para a precisão da classificação para um lactente de 20 meses é mostrado. A precisão global de decodificação é exibido no canto inferior direito. Por favor clique aqui para ver uma versão maior desta figura. Figura 11. Fonte de Localização. Passos necessários para uma localização fonte dipolo infantil usando uma ressonância magnética anatômica e um conjunto de dados de EEG funcionais. Por favor clique aqui para ver uma versão maior desta figure. Figura 12. Reach-oferta perfil análise de tarefas. A) Snapshots de uma criança de executar a B "Reach-Oferta" tarefa.) Média Global de Alimentação de Campo de EEG em Mu banda (5-9 Hz), as trajetórias de movimento do membro do lactente eo ator; o grande evento relacionado média espectral perturbação de todos os canais. c) Fontes de dipolo localizados para dois eventos de "início Movimento" e "Movimento de conclusão". Por favor clique aqui para ver uma versão maior desta figura.

Discussion

O protocolo descrito apresenta uma metodologia para coletar dados de crianças livremente comportando enquanto eles estão interagindo com um experimentador em tempo real. Ela emprega tecnologia de imagem cerebral móvel (couro cabeludo EEG) para capturar a atividade neural durante a gravação simultaneamente dados cinemáticos com Imus em locais estratégicos do corpo. A sessão de experiência também é gravado por uma câmera de vídeo. Os três sistemas de gravação de dados são sincronizados através de um sistema de gatilho personalizado.

O EEG e sistema IMU está amarrado ao sujeito como ele / ela está se movendo livremente durante a sessão experimento. Os IMUS precisa para ser amarrado de forma segura para ser capaz de capturar cinemática com precisão. Para garantir a mobilidade irrestrita completo do assunto, o equipamento tem que ser como minimamente invasiva possível; assim, o uso do suporte para suportar cabos de força do EEG e caixa de controle do EEG. O experimentador, em seguida, interage com o lactente durante aproximadamente 15 minutos. O infant vai provocar um repertório idade-dependente de comportamentos durante a interação. Estes incluem repouso, chegar-alcance, alcançar-oferta, explorar, observar e imitar. No entanto, algumas crianças estarão dispostos a cooperar na sessão devido a fadiga, falta de conforto, ou stress. Certifique-se de marcar o experimento quando a criança é mais dinâmica e activa para evitar a ocorrência de respostas negativas dele / dela.

A natureza da experiência apresenta riscos para a qualidade dos dados registados durante toda a sessão. Portanto, é crucial para testar todas as conexões e dados de qualidade antes de iniciar a sessão de gravação, e para monitorá-las continuamente durante a sessão. Se o sistema de EEG dados não está gravando dados de qualidade, pare o software e desligue todas as conexões. Antes de reiniciar o software ou ligar o equipamento de volta para o laptop, retire todas as possíveis fontes de ruído (ou seja, fontes de alimentação) a partir da proximidade do hardware de gravação. O EEHardware G inclui amplificadores de sinal que pode pegar o ruído ambiente se colocado perto de fontes de ruído elétrico. Para o receptor IMU, certifique-se de que não haja interferência na linha de visão entre o receptor eo experimento e infantil.

Esta configuração experimental fornece dados de resolução neurais temporais elevados por medição da actividade eléctrica na superfície do couro cabeludo. Estudos recentes têm demonstrado a viabilidade de utilizar esses sinais, juntamente com cinemática de corpo inteiro, para identificar informações classificável para movimentos expressivos 20, e movimentos funcionais 21,22, o que sugere que esta abordagem recolha de dados proposta poderia levar a uma melhor compreensão da neural base de imitação em lactentes.

Contribuições recentes que caracterizam poderosos algoritmos de aprendizado de máquina aplicadas a dinâmica cerebral 13,20,21 está construindo um conjunto de ferramentas para estudar crescente potencial de superfície em si mais naturalIm press ão. Esta instalação proposto prevê um espectro de possibilidades para questões de investigação a abordar 2,22. Particularmente, ele pode ser aplicado a investigação incidiu sobre a) a compreensão da base neural do desenvolvimento cognitivo-motor de lactentes com base em uma grande população de indivíduos; b) a compreensão da base neural da intenção do bebê em 'acção e contexto ", que deverá ser preditiva da ação comportamental de entrada; c) quantificar padrões neurais comuns e exclusivos para caracterizar a individualidade ea variabilidade no cérebro em desenvolvimento; e d) estudar a emergência de processos de imitação e aprendizagem. Essas metas envolvem a implantação de algoritmos de aprendizado de máquina que pode lidar com dados estatisticamente ricos tanto em potenciais originou-cérebro informativos e movimentos musculares ou artefatos 12,20,23.

Este estudo tenta estimar as fontes corticais e os potenciais de campo elétrico usando os dados de EEG infantis. Devido aas dificuldades técnicas, tais como a falta de conhecimento em valores de condutividade cabeça infantis e espessura cortical da matéria, a modelagem exata do modelo de cabeça é uma tarefa difícil. Mais estudos são necessários para estimativas de condutividade tecido regionais não-invasivos em recém-nascidos 24. Segmentação superfície cortical de dados de MRI infantis apresenta um desafio adicional devido ao mau contraste encontrado em imagens do cérebro humano em desenvolvimento 25. Pesquisas futuras são necessárias para enfrentar essas dificuldades e estimar vários correlatos neurofisiológicos de desenvolvimento e comportamento infantil.

Finalmente, o protocolo e métodos experimental proposto poderia ser implantado no estudo das pessoas com deficiências de desenvolvimento, tais como crianças com transtorno do espectro do autismo provável (ASD). Numa tal aplicação, seria desejável incluir um grupo de controlo e avaliações de desenvolvimento adequados para caracterizar os dois grupos (de controlo e ASD). Para o exameple, um grupo de estudo pode consistir de todos de alto risco (por ASD) irmãos infantis avaliada com o Cronograma Autism Diagnostic Observation 26, 27 gravidade dos sintomas e as escalas de Mullen Early Learning 28 para caracterizar a habilidade cognitiva geral. Se disponíveis, ponderada em difusão exames de ressonância magnética também seria altamente desejável 29.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabalho foi apoiado por Eunice Kennedy Institutos Nacionais de Saúde Infantil e Desenvolvimento Humano (NICHD) Award # P01 HD064653-01. O conteúdo é da exclusiva responsabilidade dos autores e não representam necessariamente as opiniões oficiais do NICHD ou o National Institutes of Health.

Materials

BrainAmp Amplifier Brain Products, Gmbh
actiCAP EEG cap- 64 electrodes* Brain Products, Gmbh
actiCAP Control Box Brain Products, Gmbh
Brain Vision Recorder software v1.20.0601 Brain Products, Gmbh
actiCAP Control Box software v1.2.5.2 Brain Products, Gmbh
CapTrak Brain Products, Gmbh
CapTrak software v1.0.0 Brain Products, Gmbh
Opal movement monitor APDM, Inc
Opal docking station APDM, Inc
Opal wireless access point APDM, Inc
Motion Studio software v1.0.0.201503302222 APDM, Inc
Trigger box Custom
Video camera HC-W850M, Panasonic Co.
*The EEG caps come in the following head circumference sizes for infants: 42, 44, 46, 48, 50cm. For this protocol, a stock of 2 caps of each size is recommended. 
DOWNLOAD MATERIALS LIST

References

  1. Woodward, A. L., Gerson, S. A. Mirroring and the development of action understanding. Phil. Trans. R. Soc. B. 369 (1644), (2014).
  2. Makeig, S., Gramann, K., Jung, T. -. P., Sejnowski, T. J., Poizner, H. Linking brain, mind and behavior. Int J Psychophysiol. 73 (2), 95-100 (2009).
  3. Gramann, K., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Rev. Neurosci. 22 (6), 593-608 (2011).
  4. GmbH Brain Products. . actiCAP Operating Instructions. , (2013).
  5. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5 (25), (2008).
  6. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Dev Psychobiol. 54 (1), 77-91 (2012).
  7. Richards, J. E. Neurodevelopmental MRI Database. , (2010).
  8. Fuchs, M., Wagner, M., Kastner, J. Boundary element method volume conductor models for EEG source reconstruction. Clin. Neurophysiol. 112, 1400-1407 (2001).
  9. Song, J., et al. Anatomically Accurate Infant Head Models for EEG Source Localization. J Phys Conf Ser. 434 (1), (2013).
  10. Roche‐Labarbe, N., et al. High‐resolution electroencephalography and source localization in neonates. Hum Brain Mapp. 29 (2), 167-176 (2008).
  11. Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
  12. Hernandez, Z. R., Cruz-Garza, J., Tse, T., Contreras-Vidal, J. L.Decoding of intentional actions from scalp electroencephalography (EEG) in freely-behaving infants. Conf Proc IEEE Eng Med Biol Soc. , 2115-2118 (2014).
  13. Bulea, T. C., Prasad, S., Kilicarslan, A., Contreras-Vidal, J. L. Sitting and Standing Intention Can be Decoded from Scalp EEG Recorded Prior to Movement Execution. Front Hum Neurosci. , 8 (2014).
  14. Cuevas, K., Cannon, E. N., Yoo, K., Fox, N. A. The infant EEG mu rhythm: methodological considerations and best practices. Developmental Review. 34 (1), 26-43 (2014).
  15. Goncharova, I. I., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. EMG contamination of EEG: spectral and topographical characteristics. Clin. Neurophysiol. 114 (9), 1580-1593 (2003).
  16. Marins, J. L., Yun, X., Bachmann, E. R., McGhee, R. B., Zyda, M. J. An extended Kalman filter for quaternion-based orientation estimation using MARG sensors. Proc. IEEE/RSJ Int. Conf. Intelligent Robots and Systems. 4, 2003-2011 (2001).
  17. Mullen, T., et al. Real-time modeling and 3D visualization of source dynamics and connectivity using wearable EEG. Conf Proc IEEE Eng Med Biol Soc. , 2184-2197 (2013).
  18. Sugiyama, M. Dimensionality reduction of multimodal labeled data by local fisher discriminant analysis. J. Mach. Learn. Res. 8, 1027-1061 (2007).
  19. Li, W., Prasad, S., Fowler, J. E., Bruce, L. M. Locality-preserving dimensionality reduction and classification for hyperspectral image analysis. IEEE Trans. Geosci. Remote Sensing. 50, 1185-1198 (2012).
  20. Cruz-Garza, J. G., Hernandez, Z. R., Nepaul, S., Bradley, K. K., Contreras-Vidal, J. L. Neural decoding of expressive human movement from scalp electroencephalography (EEG). Front Hum Neurosci. 8 (188), (2014).
  21. Kilicarslan, A., Prasad, S., Grossman, R. G., Contreras-Vidal, J. L. High accuracy decoding of user intentions using EEG to control a lower-body exoskeleton. Conf Proc IEEE Eng Med Biol Soc. , 5606-5609 (1109).
  22. Gramann, K., Jung, T. -. P., Ferris, D. P., Lin, C. -. T., Makeig, S. Toward a new cognitive neuroscience: modeling natural brain dynamics. Front Hum Neurosci. 8 (444), (2014).
  23. Bulea, T. C., Kilicarslan, A., Ozdemir, R., Paloski, W. H., Contreras-Vidal, J. L. Simultaneous scalp electroencephalography (EEG), electromyography (EMG), and whole-body segmental inertial recording for multi-modal neural decoding. J Vis Exp. 26 (77), (2013).
  24. Odabaee, M., et al. Neonatal EEG at scalp is focal and implies high skull conductivity in realistic neonatal head models. NeuroImage. 96, 73-80 (2014).
  25. Knickmeyer, R. C., et al. A structural MRI study of human brain development from birth to 2 years. J Neurosci. 28, 12176-12182 (2008).
  26. Lord, C., Rutter, M., DiLavore, P. C., Risi, S. . Autism Diagnostic Observation Schedule. , (2000).
  27. Gotham, K., Pickles, A., Lord, C. Standardizing ADO S scores for a measure of severity in autism spectrum disorders. J Autism Dev Disord. 39, 693-705 (2009).
  28. Mullen, E. M. . Mullen Scales of Early Learning. , (1995).
  29. Wolff, J. J., Gu, H., Gerig, G., et al. IBIS Network. Differences in white matter fiber tract development present from 6 to 24 months in infants with autism. Am J Psychiatry. 169 (6), 589-600 (2012).

Tags

Neural DecodingSocial InteractionInfant DevelopmentMultimodal NeuroimagingEEGIMUFreely-behavingGoal-oriented BehaviorExplorationCognitionPerceptionAction

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Cruz-Garza, J. G., Hernandez, Z. R., Tse, T., Caducoy, E., Abibullaev, B., Contreras-Vidal, J. L. A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants. J. Vis. Exp. (104), e53406, doi:10.3791/53406 (2015).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image