İnsan Bebekler Serbestçe-davrandığını Sosyal Etkileşim sırasında Niyet Multimodal Sinir Coded Yeni Bir Deneysel ve Analitik Bir Yaklaşım
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
Temel insan yeteneklerinin biri stratejik hedefleri ve ödüller hizmetinde öğrenmek ve eylemleri (eylem üretimini) dağıtmak için yeteneği, uygun sosyal tepkiler üretmek için sosyal ortaklar (eylem anlayışı) hedeflerini yakalamak yeteneği ve becerisi gözlem ve taklit yoluyla 1 başkalarından öğrenmek için. Bu bilişsel-motor yetenekleri nöral baz olarak adlandırılan ayna nöron sistemi, en azından kısmen, atfedilmiştir; kimse bir eylemi gerçekleştirmeden birisi görüntülendiğinde ve bir eylem gerçekleştirdiğinde düşünülen bir sistem meşgul olmak için. Ancak, ayna nöron sistemi ve aksiyon anlayışı arasındaki potansiyel bağlantı henüz iyi 1 anlaşılamamıştır. İnsan bebeklerde bu ayna nöron sisteminin ortaya çıkışı ve gelişimini incelemek niyet ve ince taneli hareket verilerine korelasyon beyin aktivitesinin multi-modal veri toplama teknik sınırlamalar) bir engel olmuşturB) doğal olmayan (örneğin, bir video kaset tasvir bir madde ile sosyal etkileşim, elektroensefalografi sırasında eserler en aza indirmek için bir hareketsiz duruş korumak için ihtiyacı (EEG) kayıtları, vb) deneysel protokolleri dayattığı kısıtlamaları ve c) iletişim / dil engelleri genç bebekleri / büyük talimatlar vermesi ve davranışları doğrulamak için araştırmacının yeteneklerini sınırlamaz bebekler test ederken.
Değişen nöral ve doğal davranış davranış dinamiklerinin daha iyi anlaşılması için, küçük çocuklarda hedef odaklı ve sosyal davranışlar ortaya çıkan nöral substratların zamana bağımlı çalışma sağlar bir roman deneysel ve analitik bir yaklaşım geliştirdi. Özellikle, biz bir deneyci ile etkileşim sırasında özgürce davranıyor bebeklerin rekor beyin aktivitesi ve harekete EEG tabanlı mobil beyin görüntüleme (Mobi) yaklaşımını 2 konuşlandırdı. Ataletsel ölçü birimleri (lerle) mon kullanıldı© iniz konu ve deneyci en kinematiği.
EEG teknolojisi ve atalet sensörleri deneyci / aktör ile bir doğaçlama etkileşim bebeklerin eylem taklit ve hedef odaklı davranışlara bağlı sinir desen ve aktivasyonları incelemek için kullanılmıştır. Böyle uzanma-kavramak gibi eylemler,-teklif ulaşmak dinlenme gözlemlemek ve keşfetmek taklit rol oynayan bilişsel-motor süreçlerinin bir parçasıdır. Ayrıca, böylece beynin boyunca nöronal akımların Spatiotemporal dinamiklerini inceleyerek, davranışsal görevleri sırasında beynin içinde, elektrik potansiyellerinin jeneratörleri lokalize kaynak tahmini kullanın. Aynı şekilde biz değerlendirmek ve sensör (EEG) ve / veya kaynak mekanlarda nöral aktivitede aksiyon ilgili uzay-zamansal desenleri belirleyerek bu davranış eylemlerin öngörülebilirliği ölçmek için makine öğrenme algoritmaları dağıtın. Entegre geleneksel ERD / ERS, kaynak ve kod çözme analizi daha kapsamlı bir developmen sağlamakBu tür davranışların nöral temelleri tal açıklaması.
Bu kurulum bize Mobi yaklaşımının 2,3 avantajlarını istismar ve bebek ve onlar doğal bir kısıtlama olmaksızın ortaya gibi deneyci arasındaki sosyal etkileşimleri çalışmak için izin verdi.
Protokol, zaman konu / o bırakır, tamamlanması yaklaşık 1 saat sürer zaman geldi. Saç uzunluğu ve konunun işbirliği gibi faktörlere bağlı olarak 25 dk – IMU / EEG kurulum süresi ve elektrot konumu elde etme 15 arasında değişmektedir. Ekipmanın başlatma ve yapılandırma 10 dakika kadar ekler ve test seans yaklaşık 15 dakika sürer. Hipoalerjenik jelden bebeğin kafasını temizlemeyi içeren Imus ve EEG kap, çıkarılması, 5-10 dakika sürer.
Protocol
Representative Results
Discussion
Açıklanan protokol gerçek zamanlı olarak bir deneyci ile etkileşim ise özgürce davranıyor bebeklerin veri toplamak için bir metodoloji sunar. Aynı anda stratejik vücut yerlerde Imus ile kinematik verilerin kayıt sırasında nöral aktiviteyi yakalamak için mobil beyin görüntüleme teknolojisi (kafa derisi EEG) kullanır. Deney oturumu da bir video kamera ile kaydedilmiştir. Üç veri kayıt sistemleri, özel bir tetik sistemi kullanılarak senkronize edilir.
O / o özgürce deneme oturumu sırasında hareket olarak EEG ve IMU sistemi konuya bağlanıyor. Doğru kinematik yakalamak mümkün lerle güvenli sarılı gerekir. Konunun tam kısıtlamasız hareketlilik sağlamak için ekipman mümkün olduğunca minimal müdahaleci olmak zorundadır; Böylece sahibinin kullanımı EEG en elektrot kablolarını ve EEG kontrol kutusu desteklemek. Deneyci, daha sonra yaklaşık 15 dakika boyunca bebek ile etkileşime girer. Infant etkileşim sırasında davranışların yaşa bağlı repertuarı ortaya çıkarır. Bunlar gözlemlemek, araştırmak, dinlenme, ulaşmak-kavramak, ulaşmak-teklifi içerir ve taklit. Ancak, bazı bebeklerde nedeniyle yorgunluk, konfor, ya da stres eksikliği oturumda işbirliği isteksiz olacaktır. Çocuk ona / ondan olumsuz yanıtların oluşumunu önlemek için en dinamik ve aktif olduğunda deney planlamak için emin olun.
Deney doğa oturumu boyunca kaydedilen verilerin kalitesine riskleri sunar. Bu nedenle, kayıt oturumu başlamadan önce tüm bağlantıların ve veri kalitesini test etmek ve oturum sırasında sürekli onları izlemek için çok önemlidir. Veri EEG sistemi kaliteli veri kayıt değilse, yazılımı ve tüm bağlantıları çıkarın. Yazılım yeniden başlatılmasını veya dizüstü geri ekipman bağlamadan önce, kayıt donanım yakınlık tüm olası gürültü kaynaklarını (örneğin, güç kaynakları) çıkarın. EEG donanım elektriksel gürültü kaynaklarına yakın yerleştirilir eğer çevresel gürültü alabilirsiniz sinyal amplifikatörleri içermektedir. IMU alıcı için, alıcı ve deney ve bebek arasındaki görüş doğrultusunda hiçbir girişim olduğundan emin olun.
Bu deney düzeneği kafa derisi yüzeyinde elektriksel aktiviteyi ölçerek yüksek zamansal çözünürlüklü sinir verileri sağlar. Son çalışmalar, bu önerilen veri toplama yaklaşımı nöral daha iyi anlaşılmasına yol açabileceğini düşündüren, etkileyici hareketler 20 sınıflandırılamaz bilgileri tanımlamak için, tüm vücut kinematik ile birlikte bu sinyalleri, kullanan yapılabilirliğini ve fonksiyonel hareketleri 21,22 göstermiştir bebeklerde taklit temeli.
Beyin dinamikleri 13,20,21 uygulanan güçlü makine-öğrenme algoritmaları içeren son katkıları daha doğal se yüzey potansiyelleri incelemek için büyüyen bir araç inşa ediyoruzhazrl. Bu önerilen kurulum araştırma soruları için olasılıklar spektrumu 2,22 ele alınması sağlar. Özellikle, bu konularda geniş bir nüfusa dayalı bebeklerin bilişsel-motor gelişim nöral temelini anlamak) bir odaklanmış araştırmalara uygulanabilir; b) Gelen davranışsal eylemin tahmini olmalı 'eylem ve bağlam', bebeğin niyet nöral temelini anlamak; c) gelişmekte olan beyinde bireysellik ve değişkenliği karakterize yaygın ve benzersiz sinir desenleri miktarının; ve d) taklit ve öğrenme süreçlerinin ortaya çıkması okuyan. Bu hedefler bilgilendirici beyin kaynaklı potansiyel ve hareket veya kas eserler 12,20,23 hem istatistiksel veriler zengin başa çıkabilirim makine öğrenme algoritmaları dağıtımını gerektirir.
Bu çalışma bebek EEG verilerini kullanarak kortikal kaynakları ve elektrik alan potansiyelleri tahmin etmeye çalışır. NedeniyleBöyle bebek kafa iletkenlik değerleri ve kortikal madde kalınlığında bilgi eksikliği gibi teknik zorluklar, baş modeli doğru modellenmesi zor bir iştir. Daha ileri çalışmalar bebeklerde 24 noninvaziv bölgesel doku iletkenlik tahminleri için gereklidir. Bebek MRG verilerinin Kortikal yüzey segmentasyon nedeniyle gelişen insan beyninin 25 görüntüleri bulunan yoksul kontrast ek bir meydan okuma sunuyor. Gelecekteki araştırmalar bu zorlukları ele almak için gerekli ve bebek gelişimi ve davranış çeşitli nörofizyolojik karşılıklarını tahmin edilmektedir.
Son olarak, önerilen deneysel protokol ve yöntemleri, muhtemel otizm spektrum bozukluğu (ASD) bebeklerde olarak gelişimsel engelli olanların çalışmasında konuşlanmış olabilir. Böyle bir uygulamada, bu iki grup (kontrol ve ASD) karakterize etmek için bir kontrol grubu ve uygun bir gelişim değerlendirmeler dahil etmek arzu edilir. Sınavaple, bir çalışma grubu Otizm Tanı Gözlem Çizelge 26 ile değerlendirilen bebek kardeşler (ASD için) tüm yüksek riskli oluşur olabilir, semptom şiddeti 27 ve Erken Öğrenme 28 Mullen Ölçekleri genel bilişsel yetenek karakterize etmek. Mevcuttur, difüzyon ağırlıklı MR incelemeleri de 29 çok arzu olurdu.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Bu çalışma Çocuk Sağlığı ve İnsan Gelişimi (NICHD) Ödül # P01 HD064653-01 Eunice Kennedy Shriver Ulusal Sağlık Enstitüleri tarafından desteklenmiştir. Içeriği sadece yazarların sorumluluğundadır ve mutlaka NICHD veya Ulusal Sağlık Enstitüleri resmi görüşlerini temsil etmemektedir.
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. | |||||
References
- Woodward, A. L., Gerson, S. A. Mirroring and the development of action understanding. Phil. Trans. R. Soc. B. 369 (1644), (2014).
- 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).
- Gramann, K., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Rev. Neurosci. 22 (6), 593-608 (2011).
- GmbH Brain Products. . actiCAP Operating Instructions. , (2013).
- Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5 (25), (2008).
- 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).
- Richards, J. E. Neurodevelopmental MRI Database. , (2010).
- Fuchs, M., Wagner, M., Kastner, J. Boundary element method volume conductor models for EEG source reconstruction. Clin. Neurophysiol. 112, 1400-1407 (2001).
- Song, J., et al. Anatomically Accurate Infant Head Models for EEG Source Localization. J Phys Conf Ser. 434 (1), (2013).
- Roche‐Labarbe, N., et al. High‐resolution electroencephalography and source localization in neonates. Hum Brain Mapp. 29 (2), 167-176 (2008).
- Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Sugiyama, M. Dimensionality reduction of multimodal labeled data by local fisher discriminant analysis. J. Mach. Learn. Res. 8, 1027-1061 (2007).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Knickmeyer, R. C., et al. A structural MRI study of human brain development from birth to 2 years. J Neurosci. 28, 12176-12182 (2008).
- Lord, C., Rutter, M., DiLavore, P. C., Risi, S. . Autism Diagnostic Observation Schedule. , (2000).
- 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).
- Mullen, E. M. . Mullen Scales of Early Learning. , (1995).
- 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).
