1. EEG Acquisition <ol><li> Erklären Sie die experimentellen Verfahren zu dem Teilnehmer und Einwilligung nach Aufklärung. </li><li> Bewerben Drop-Down-Elektroden. Saubere Anlage auf dem Gesicht, wo Dropdown-Elektroden angeordnet mit einem Alkoholtupfer werden. </li><li> Zeigen Elektrode Kappe auf der Kopfgröße des Teilnehmers. Messen Teilnehmers Kopfumfang und wählen Sie die entsprechende Größe der Kappe. Nach dem international anerkannten 10-20 Systems für die Platzierung der Elektroden, messen Sie den Abstand von nasion zu inion entlang der Mittellinie und dividieren um 10%. Mit dieser Zahl messen von nasion und Marke. Richten Sie die Elektrodenkappe Position FP mit diesem Zeichen und ziehen Sie die Kappe zurück. Stellen Sie sicher, dass die Mitte der Kappe im Einklang mit der Nase ist. Messen nasion zu Cz, und bestätigen, dass dieser Abstand die Hälfte des Abstandes von nasion zu inion ist. Ziehen Sie den Kinnriemen. </li><li> Platz stumpf-Punkt-Spritze in den Elektrodenhalter Gel-Füllung. Um ein leitfähiges Gel Spalte erstellen, in Kontakt beginnen mitdie Kopfhaut, dann drücken und nach hinten ziehen. Beachten Sie, dass die Anwendung von zu viel Gel kann die Signale von benachbarten Elektroden überbrücken. </li><li> Fix aktiven Elektroden in die Elektrode Inhaber. </li><li> Positionieren Sie das Motiv vor dem Monitor auf die entsprechende Distanz für das Experiment. Fragen Sie die Teilnehmer, noch bleiben, betont die Bedeutung der Minimierung Augenbewegungen und blinkt für eine saubere Aufnahme. </li><li> Untersuchen Sie die Elektrode Verbindungen und EEG-Signal-Qualität auf den Erwerb Computer. Stellen Sie sicher, dass alle Offsets Elektrode gering (&lt;40 mV) und stabil sind. Wenn ein Problem mit einem bestimmten Elektrode, nehmen diese Elektrode und erneut Gel Impedanzen an diesem Standort anzupassen. </li><li> Speichern Sie die Datei und starten Sie den Versuch. </li></ol> 2. EEG-Analyse <ol><li> Nach Experimentieren, aber vor dem Extrahieren der bestimmte Statistik von Interesse, Vorverarbeitung der kontinuierlichen EEG-Daten, um Artefakte unter Verwendung von Standardverfahren der Filterung ein entfernennd Artefaktunterdrückung. Schneiden Sie die kontinuierliche EEG in Epochen, die der jeweiligen diskreten Ereignis, wie die Präsentation von Fotografie. In jeder Epoche, mit einer 100 ms vor Stimulus Fenster als Grundlinie. </li><li> Termin-Potenziale (ERP) Analyse erfasst synchrone Hirnaktivität, die zu Beginn der Veranstaltung phase-locked ist. Durchschnittlich über Studien, die hervorgerufenen Reaktionen aus der &quot;lauten&quot; (dh Nicht-Phase-locked) Hintergrund-Aktivität zu trennen. Die Variabilität in den Studien-und zwischen-Themen stellt eine große Herausforderung für die ERP Analysemethode. Um ein gutes Signal-zu-Rausch-Verhältnis zu erreichen die experimentelle Protokoll sollte enthalten viele diskrete Ereignisse mit definierbaren Onsets. Zeit Verriegelung der Reaktion des Gehirns auf den Beginn einer markanten Ereignis und dann Mittelung über viele Ereignisse wie hilft, etwas von diesem Lärm zu reduzieren, aber die zeitliche Synchronität mit diesem Verfahren erstellt der Regel löst sich innerhalb von 1 Sekunde. Identifizieren ERP Komponente Spitzenamplituden und Latenzen für jeden TeilfondsProjekt (für weitere ausführliche Leitlinien für ERP Analyse siehe Picton et al., 2000). </li><li> Verwendung von Fourier-Analyse, Transformation des EEG-Signals aus dem Zeitbereich in den Frequenzbereich und zersetzen sich das Signal in seiner zusammengesetzten Sinuswellen unterschiedlicher Frequenzen 6. </li><li> Multiscale Entropie (MSE) ist ein Informations-theoretischen Metrik, die die Variabilität der neuroelectical Signale über die Zeit und über mehrere Zeitskalen schätzt. Um eine konzeptionelle Darstellung des MSE Analyse, betrachten zwei simulierten Wellenformen, eine regelmäßige Wellenform und eine stochastische. Beispiel Entropiewerte sind nahe Null für die regelmäßige Wellenform und ~ 2,5 für die weitere variable Wellenform. Eine Erhöhung der Probe Entropie entspricht einer Steigerung der Signalintensität Komplexität, die nach Angaben der Theorie, wie eine Erhöhung der Menge an Informationen Verarbeitungskapazität des zugrunde liegenden Systems 7,16 interpretiert werden kann. Denken Sie daran, dass die Kapazität des Gehirns ist nicht festgelegt, sondern ändert dependen auf der neuronalen Kontext 2, dh Hirnregionen, die funktionell an einem bestimmten Zeitpunkt verbunden werden geschehen. </li><li> Um MSE berechnen, verwenden Sie den Algorithmus an <a href="http://www.physionet.org/physiotools/mse/">www.physionet.org/physiotools/mse/</a> , die MSE berechnet in zwei Schritten. </li><li> Erstens, der Algorithmus schrittweise nach unten tastet das EEG Zeitreihen pro Versuch und pro Bedingung. Abwärts-Probe die ursprüngliche Zeitreihe zu erzeugen mehrere Zeitreihen unterschiedlicher Zeitskalen. Zeitreihe 1 ist die ursprüngliche Zeitreihe. Um die Zeitreihe der nachfolgenden Fristen zu erstellen, teilen Sie die ursprüngliche Zeitreihe in nicht überlappenden Fenstern der Zeitskala Länge und durchschnittlich die Datenpunkte innerhalb jedes Fensters. Downsampling ist ähnlich Tiefpassfilterung; Teilen der Abtastfrequenz von der Zeitskala wird ungefähr die Frequenz, bei der das Signal Tiefpass für diesen bestimmten Zeitrahmen gefiltert. Die Anwendung von MSE zu einer parsondere Frequenzbereich (z. B. alpha: 9 Hz bis 12 Hz) kann als die die Zusammensetzung von Rhythmen innerhalb dieses Bereichs als auch die Interaktion zwischen diesen Frequenzen interpretiert werden. </li><li> Zweitens, berechnet der Algorithmus die Probe Entropie für jeden grobkörnigen Zeitreihen 14. Probe Entropie schätzt die Komplexität einer Zeitreihe. In einer nicht-linearen Analyse der EEG, geht man davon aus, dass ein einzelner Zeitreihen die Manifestation einer zugrundeliegenden mehrdimensionalen nichtlinearen dynamischen Modells (siehe Stam 2005 für eine Übersicht) darstellt. In diesem Beispiel ist m (das Muster Länge) auf zwei, was bedeutet, dass die Variabilität der Amplitude Muster jeder Zeitreihe in zweidimensionalen gegenüber dreidimensionalen Raum wird unter Berücksichtigung der Sequenz Muster von zwei gegen drei aufeinander folgenden dargestellt werden Zahnriemenräder Datenpunkte sind. Parameter r (das Ähnlichkeitskriterium) spiegelt den Amplitudenbereich (durch die Höhe der Farbstreifen), innerhalb der Datenpunkte einals &quot;match&quot; wieder. Für eine typische EEG Zeitreihen mit mehr als 100 Datenpunkte, setzen Sie den Parameter m gleich 2 ist und die Parameter r gleich einem Wert zwischen 0,5 und 1 (siehe Richman und Moorman, 2000, für eine detaillierte Vorgehensweise zur Auswahl von Parametern finden Sie in See et al., 2002). Zum Beispiel Entropie dieser simulierten Zeitreihe zu berechnen, wobei die erste Zwei-Komponenten-Musters, rot-orange zu beginnen. Erstens zählen die Anzahl, wie oft die rot-orange-Sequenz Muster tritt in der Zeitreihe, es gibt 10 Spiele für dieses Zweikomponenten-Sequenz. Zweitens, die Anzahl der Male ersten Drei-Komponenten-Sequenz Muster, rot-orange-gelb, tritt in der Zeitreihe, es gibt 5 Spiele für dieses Drei-Komponenten-Sequenz. Fahren Sie mit den gleichen Operationen für die nächste Zwei-Komponenten-Sequenz (orange-gelb) und dem nächsten Drei-Komponenten-Sequenz (orange-gelb-grün) der Zeitreihe. Die Zahl der Zwei-Komponenten-Spiele (5) und Drei-Komponenten-Spiele (3) für diese sequences werden zu den vorherigen Werten (; insgesamt drei-Komponenten-Spiele = 8 insgesamt Zweikomponenten-Spiele = 15) aufgenommen. Wiederholen Sie dies für alle anderen Spiele in Folge der Zeitreihe (bis N - m), um das gesamte Verhältnis von Zwei-Komponenten-Spiele zu Drei-Komponenten-Spiele bestimmen. Probe Entropie ist der natürliche Logarithmus dieses Verhältnisses. Für jedes Thema, berechnen Sie den Kanal spezifische MSE Schätzung als Mittelwert über einzigen Versuch Entropie Maßnahmen für jeden Zeitplan. </li></ol>

<ol>
	<li>Bressler, S. L., Arbib, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Event-related+potentials.">Event-related potentials.</a> The Handbook of Brain Theory and Neural Networks. , 412-415 (2002).</li><li>Bressler, S. L., McIntosh, A. R., Jirsa, V. K., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+role+of+neural+context+in+large-scale+neurocognitive+network+operations.">The role of neural context in large-scale neurocognitive network operations.</a> Springer Handbook on Brain Connectivity. , 403-419 (2007).</li><li>Buzsaki, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Rhythms of the brain. , (2006).</li><li>Costa, M., Goldberger, A., Peng, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multiscale+entropy+analysis+of+biological+signals.">Multiscale entropy analysis of biological signals.</a> Phys. Rev. E. 712, 1-18 (2005).</li><li>Deco, G., Jirsa, V., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Emerging+concepts+for+the+dynamical+organization+of+resting-state+activity+in+the+brain.">Emerging concepts for the dynamical organization of resting-state activity in the brain.</a> Nat. Rev. Neurosci. 12, 43-56 (2011).</li><li>Friston, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+labile+brain.+I.+Neuronal+transients+and+nonlinear+coupling.">The labile brain. I. Neuronal transients and nonlinear coupling.</a> Philos. Trans. R. Soc. Lond. B. Biol. Sci. 355, 215-236 (2001).</li><li>Gatlin, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Information Theory and the Living System. , (1972).</li><li>Heisz, J. J., Shedden, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Semantic+learning+modifies+perceptual+face+processing.">Semantic learning modifies perceptual face processing.</a> Journal of Cognitive Neuroscience. 21, 1127-1134 (2009).</li><li>Heisz, J. J., Shedden, J. M., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Relating+brain+signal+variability+to+knowledge+representation.">Relating brain signal variability to knowledge representation.</a> NeuroImage. 63, 1384-13 (2012).</li><li>Lake, D. E., Richman, J. S., Griffin, P., Moorman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sample+entropy+analysis+of+neonatal+heart+rate+variability.">Sample entropy analysis of neonatal heart rate variability.</a> Am. J. Physiol. Regul. Integr. Comp. Physiol. 283, R789-R797 (2002).</li><li>Lobaugh, N. J., West, R., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatiotemporal+analysis+of+experimental+differences+in+event-related+potential+data+with+partial+least+squares.">Spatiotemporal analysis of experimental differences in event-related potential data with partial least squares.</a> Psychophysio. 38, 517-530 (2001).</li><li>McIntosh, A. R., Kovacevic, N., Itier, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Increased+brain+signal+variability+accompanies+behavioral+variability+in+development.">Increased brain signal variability accompanies behavioral variability in development.</a> PLoS Computational Biology. 4, 7 (2008).</li><li>Picton, T. W., Bentin, S., Berg, P., Donchin, E., Hillyard, S. A., Johnson, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Guidelines+for+using+human+event-related+potentials+to+study+cognition:+Recording+standards+and+publication+criteria.">Guidelines for using human event-related potentials to study cognition: Recording standards and publication criteria.</a> Psychophysiology. 37, 127-152 (2000).</li><li>Richman, J. S., Moorman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Physiological+time+series+analysis+using+approximate+entropy+and+sample+entropy.">Physiological time series analysis using approximate entropy and sample entropy.</a> Am. J. Physiol. Heart Circ Physiol. 278, H2039-H2049 (2000).</li><li>Rossion, B., Jacques, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Does+physical+interstimulus+variance+account+for+early+electrophysiological+face+sensitivity+responses+in+the+human+brain?+Ten+lessons+on+the+N170.">Does physical interstimulus variance account for early electrophysiological face sensitivity responses in the human brain? Ten lessons on the N170.</a> NeuroImage. 39, 1959-1979 (2008).</li><li>Shannon, C. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Mathematical+Theory+of+Communication.">A Mathematical Theory of Communication.</a> The Bell System Technical Journal. 27, 379-423 (1948).</li><li>Stam, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nonlinear+dynamical+analysis+of+EEG+and+MEG:+review+of+an+emerging+field.">Nonlinear dynamical analysis of EEG and MEG: review of an emerging field.</a> Clinical Neurophysiology. 116, 2266-2301 (2005).</li><li>Vakorin, V. A., McIntosh, A. R., Rabinovich, M. I., Friston, K. J., Varona, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mapping+the+multi-scale+information+content+of+complex+brain+signals.">Mapping the multi-scale information content of complex brain signals.</a> Principles of Brain Dynamics: Global State Interactions. , (2012).</li></ol>

Keine Interessenskonflikte erklärt.

Das Ziel des vorliegenden Artikels war es, eine konzeptionelle und methodische Beschreibung multiscale Entropie (MSE) liefern, wie es zu EEG Neuroimaging Daten gilt. EEG ist ein leistungsfähiges nicht-invasive bildgebende Verfahren, das neuronale Netzwerk-Aktivität misst mit hoher zeitlicher Auflösung. Die EEG-Signal spiegelt post-synaptische Aktivität von Populationen von Pyramidenzellen in der Hirnrinde, dessen kollektive Antworten werden von verschiedenen erregenden und hemmenden Wiedereintrittsverbindungen modifiziert. Dementsprechend gibt es mehrere Möglichkeiten, um Daten zu analysieren und EEG jede Methode extrahiert einen einzigartigen Aspekt der Daten. Wir diskutierten zwei gängige Methoden zur Analyse von Ereignis-korrelierte Potential (ERP) Analyse und spektrale Analyse. ERP-Analyse erfasst die synchrone neuronale Aktivität in dem EEG-Signal, das den Beginn einer diskreten Ereignissystem phasenstarr ist. ERPs reflektieren spezifischen Wahrnehmungs-, Motor-oder kognitiven Operationen, so dass diese Statistik ideal für die Prüfung specific Verarbeitungsstufen. Spektrale Analyse quantifiziert den relativen Beitrag einer bestimmten Frequenz auf die EEG-Signals. Verschiedene erregenden und hemmenden Rückkopplungsschleifen interagieren mitzureißen die Aktivität von neuronalen Populationen bei einer bestimmten Frequenz 1,3. Solche Synchronität zwischen verschiedenen Hirnregionen wird angenommen, dass die Bindung von Informationen über weit verbreitete neuronale Netze zu fördern. Es gibt eine reiche Literatur unterstützen die Verbindung zwischen der Leistung in einem bestimmten Frequenzbereich und eine spezifische emotionale oder kognitive Zustand der Funktion 3. Bei der Analyse von EEG ist es auch wichtig zu bedenken, dass neuronale Netze komplexer Systeme mit nichtlinearer Dynamik. Solche Komplexität der EEG-Signaldaten als unregelmäßige Schwingungen, die nicht die Folge bedeutungslos Hintergrundrauschen reflektiert. Wie synchronen Oszillationen verursachen die Wechselwirkungen zwischen verschiedenen erregenden und hemmenden reentrant Schleifen vorübergehende grippeartigectuations im Gehirn über die Zeit 6. Solche Übergänge sind vermutlich Übergänge oder Gabelungen zwischen Netzwerk microstates, die verwendet werden, um die Freiheitsgrade oder die Komplexität der zugrunde liegenden Netzwerk-schätzen kann reflektieren; größere Variabilität in der Amplitude Muster des Signals über die Zeit ist ein Hinweis auf ein komplexeres System 5. Kritisch sind ERP oder spektrale Leistungsdichte Analysen nicht sensibel auf solche unregelmäßige Aktivität, während MSE ist. Darüber hinaus kann ein Index Komplexität des Netzwerks nicht einfach durch Abzählen der Anzahl von aktiven Hirnregionen wie ein solches Verfahren ist blind für die transiente und dynamische wiederkehrenden Wechselwirkungen zwischen Hirnregionen erhalten werden. Komplementäre Methoden für Neuroimaging Analyse zu kombinieren, um ein vollständiges Bild der zugrunde liegenden neuronalen Aktivität zu erstellen. Die Interpretation der Ergebnisse von traditionellen Anwendungen der bildgebenden Daten, wie zB ERP-und spektrale Leistungsdichte, sind durch Maßnahmen der Komplexität wie MS erweitertE; MSE bietet eine Möglichkeit, die Reihenfolge der Änderungen in den räumlich-zeitlichen Muster der Hirnaktivität über mehrere Zeitskalen, die zu einem bestimmten kognitiven Betrieb trägt zu erfassen. Anwenden von MSE zu neuen und bestehenden Datensätzen können tieferen Einblick in die Erkenntnis ergibt sich aus neuronalen Netzwerk-Dynamik bieten.

Jüngste Fortschritte in der Bildgebung haben sich unser Verständnis der Funktion des Gehirns ergänzt. Allerdings neigen viele der Anwendungen von Neuroimaging-Daten, um die Ansicht des Gehirns in statischen Zustände anstatt Betonung kognitiven Operationen, wie sie in Echtzeit entfalten verstärken. Somit ist über die Raum-Zeit-Struktur Gehirnnetzwerken und wie die Sequenz von Änderungen der raum-zeitlichen Muster über mehrere Zeiträume trägt zu einer spezifischen kognitiven Betrieb bekannt. Der vorliegende Artikel beschreibt multiscale Entropie (MSE) 5, ein neues analytisches Werkzeug für Neuroimaging Daten, die die Komplexität der zugrunde liegenden spezifischen raumzeitlichen Muster Kognition Operationen durch die Bereitstellung von Informationen darüber, wie verschiedene neuronale Generatoren in einem funktionalen Netzwerk Gehirn kommunizieren über mehrere Zeitskalen untersucht. Abgeleitet aus der Informationstheorie, eine angewandte Zweig der Mathematik 7,16 war MSE originally, die Komplexität der Elektrokardiogramme 4 zu untersuchen. Theoretisch könnte MSE verwendet, um die Komplexität von jedem Zeitreihen analysiert werden, die primäre Voraussetzung ist, dass das Signal Zeitreihe mindestens 50 Datenpunkte zeitkontinuierliche enthält. Jedoch kann die Zeitskala Abhängigkeit und Empfindlichkeit auf lineare und nichtlineare Dynamik in den Daten vornehmen MSE besonders informativ von neuronalen Netzwerk-Dynamik. Hier konzentrieren wir uns auf die Anwendung von MSE zu Elektroenzephalogramm (EEG) Neuroimaging Daten 9,12 konzentrieren. EEG ist eine nichtinvasive bildgebende Technik, bei der Elektroden, die auf der Kopfhaut platziert werden, erfassen die postsynaptischen Reaktionen von Populationen von Neuronen im Neocortex 1. Mit hoher zeitlicher Auflösung, EEG erfüllt problemlos die Zeitreihe Länge der erforderlichen MSE ohne die typischen Erwerb Protokoll. Um den Nutzen der Anwendung von MSE zu EEG-Daten betonen, vergleichen wir diese neuartige Methode mit mehr traditionellen Ansätzen inkl.uding event-related Potenzial und spektrale Leistungsdichte. Wenn sie zusammen verwendet, bieten diese komplementären Methoden der Analyse eine vollständige Beschreibung der Daten, die weitere Einblicke in neuronale Netzwerk-Operationen, die Anlass zu Erkenntnis führen kann.

<table border="1">
<tbody>
 <tr>
 <td>Name of Reagent/Material</td>
 <td>Company</td>
 <td>Catalogue Number</td>
 <td>Comments</td>
 </tr>
 <tr>
 <td>EEG </td>
 <td>BioSemi</td>
 <td></td>
 <td></td>
 </tr>
 </tbody>
</table>

applications of eeg neuroimaging data: event-related potentials, spectral power, and multiscale entropy

Bei der Betrachtung der menschlichen Neuroimaging Daten, bedeutet eine Aufwertung des Signals Variabilität eine grundlegende Innovation in der Art, wie wir denken über Gehirn-Signal. Typischerweise stellen die Wissenschaftler die Antwort des Gehirns als Mittelwert über wiederholte experimentelle Studien und Missachtung Signal Schwankungen im Laufe der Zeit als &quot;Rauschen&quot;. Es wird jedoch immer deutlicher, dass Gehirn-Signal Variabilität sinnvolle funktionelle Informationen über neuronale Netzwerk-Dynamik vermittelt. Dieser Artikel beschreibt die neue Methode von multiscale Entropie (MSE) zur Quantifizierung Gehirn Signal Variabilität. MSE kann besonders informativ von neuronalen Netzwerk-Dynamik, weil es Zeitskala Abhängigkeit und Sensibilität für lineare und nichtlineare Dynamik in den Daten zeigt.

1A und 2A stellen die EEG-Signal in Reaktion auf die Präsentation eines Gesichtsbildes. Mittelung über wie Studien erzeugt eine Wellenform, die ERP aus einer Reihe von positiven und negativen Ausschläge genannt ERP Komponenten besteht. Abbildung 1B zeigt eine gemittelte Wellenform für ein einziges Thema und 6A zeigt eine große durchschnittliche Wellenform für eine Gruppe von Fächern. Es gibt eine reiche Literatur, die jedes ERP Komponente bezieht sich auf eine bestimmte Wahrnehmung, motorische oder kognitive Betrieb. Zum Beispiel ist das N170 eine negative Auslenkung Peaks bei etwa 170 msec nach dem Beginn des Stimulus und in Gesichterverarbeitung 8,15 beteiligt ist. 2B veranschaulicht die Zersetzung desselben EEG-Signal in Komponente Frequenzbänder. Die Ergebnisse zeigen spektrale Analyse der Frequenz des Signals (Fig. 2C), wobeieine Erhöhung der Leistung bei einer bestimmten Frequenz entspricht einem Anstieg in Gegenwart dieser Rhythmus innerhalb des EEG-Signals. Wie spektralen Leistungsdichte ist MSE empfindlich auf die Komplexität der Schwingungskomponenten zum Signal beiträgt. Doch anders als spektrale Leistungsdichte ist MSE auch empfindlich auf die Wechselwirkungen zwischen Frequenzkomponenten (dh nichtlineare Dynamik 18). Die Komplexität eines EEG-Signals als Funktion der Entropie Probe (5) über mehrere Zeitrahmen (4) dargestellt. Wie in Abbildung 3 dargestellt ist, ist Probe Entropie niedrig für regelmäßige Signale und steigt mit dem Grad der Zufälligkeit Signal. Im Gegensatz zu herkömmlichen Entropie Maßnahmen, die Erhöhung mit dem Grad der Zufälligkeit ist multiscale Entropie der Lage, komplexe Signale von weißem Rauschen zu unterscheiden, indem man Entropie über mehrere Zeitskalen. Zum Beispiel, Costa et al., 2005, multiscale Entropiewerte f im Vergleichoder unkorreliert (weiß) gegen Lärm korrelierten (pink) Lärm. Während Probe Entropie größer war als bei weißem Rauschen als rosa Rauschen in feinen Zeitskala, wurde das Gegenteil bei gröberen Zeitskalen 5-20 beobachtet. In anderen Worten, wenn die Entropie in mehreren Zeitskalen galt, war der wahre Komplexität der Signale genauer dargestellt als wäre, wenn nur ein einziger Zeitskala betrachtet. Abhängig von der zeitlichen Dynamik eines Kontrastmittel Zustand kann Effekte ausdrücken: 1) auf die gleiche Weise in allen Zeitskalen, 2) an einigen Zeitskalen nicht aber andere, oder 3) als Weiche Auswirkungen, wobei der Kontrast verschieden feine gegenüber gröberen Zeitskalen. Abbildung 6 zeigt Zustand Unterschiede in ERP (6A), spektrale Leistungsdichte (6B), MSE (6C) Gegenüberstellung der anfänglichen gegenüber wiederholen Präsentationen von Fotografien Gesicht 9. In diesem Beispiel sind alle Maßnahmen gebündelt zu offenbarendie gleiche Wirkung, jedoch ist die beobachtete Abnahme der Probe, die Entropie Gesicht Wiederholung begleitet wichtig, da sie die Interpretation der Ergebnisse einschränkt. Eine Verringerung der Komplexität nahe, dass die zugrunde liegenden funktionellen Netzwerk einfacher und die Verarbeitung von Informationen weniger. Abbildung 7 zeigt statistische Ergebnisse der multivariaten Analyse der partiellen kleinsten Quadrate 11 angewendet, um ERP, spektrale Leistungsdichte und MSE. Das Experiment manipuliert die Vertrautheit mit verschiedenen Gesichtern (Heisz et al., 2012) verbunden. Der Kontrast (Balkendiagramm) zeigt, dass ERP Amplitude unterschieden neue Gesichter von bekannten Gesichtern, aber nicht zu den bekannten Gesichtern, die in Höhe der früheren Exposition variiert. Spektrale unterschieden Gesichter nach erworbenen Kenntnisse aber nicht genau zwischen den Flächen mit mittlerem und niedrigem Vertrautheit zu unterscheiden. MSE war am empfindlichsten auf den Zustand Unterschiede in dieser Probe Entropiewerte zunehmended mit zunehmender Vertrautheit Gesicht. Die Bild Grundstücke erfassen die raumzeitliche Verteilung der Zustand Effekt über alle Elektroden und Zeit / Frequenz / Zeitskala. Dieses Beispiel zeigt eine Situation, in der die Analyse des EEG durch MSE erzeugt einzigartige Informationen, die nicht erhalten wurde, wurde mit herkömmlichen Methoden der ERP oder spektralen Leistungsdichte. Diese Abweichung von MSE legt nahe, dass die Bedingungen in Bezug auf nichtlineare Aspekte der Netzwerk-Dynamik unterscheidet und gegebenenfalls durch die Wechselwirkungen zwischen den verschiedenen Frequenzkomponenten. <img alt="Abbildung 1" src="/files/ftp_upload/50131/50131fig1.jpg" /> Abbildung 1. A) Die EEG Antworten von einem einzigen Thema als Funktion der Amplitude Auslenkung von der Grundlinie für jeden Versuch gegen die Zeit aufgetragen vom Beginn der Studie. Jeder Versuch bestand aus der Präsentation eines Fotos von einem Gesicht. Positive Amplitude Ausschläge sind in dargestelltred; negative Amplitude Ausschläge sind in blau dargestellt. Alle Studien zeigen eine positive Auslenkung um 100 ms und 250 ms, was event-related Phase-Locked-Aktivität. B) Mittelung über alle Studien in 1A dargestellt produziert einen gemittelten ERP Wellenform mit deutlichen positiven und negativen Ausschläge als Event-Komponenten und benannt nach einem einheitlichen Nomenklatur. Zum Beispiel ist die erste P1 positiv gehenden Komponente und N170 ist eine negative Komponente, die Peaks bei etwa 170 msec nach dem Beginn des Stimulus. <img alt="Abbildung 2" src="/files/ftp_upload/50131/50131fig2.jpg" /> Abbildung 2. A) Die EEG-Reaktion eines einzigen Thema für einen einzigen Versuch Plotten Amplitude durch die Zeit (in Datenpunkte, Abtastrate 512 Hz). B) Die EEG-Antwort von 2A bandpassgefilterte zu Frequenzbänder Delta isolieren(0-4 Hz), Theta (5-8 Hz), alpha (9-12 Hz), Beta (13-30 Hz) und gamma (&gt; 30 Hz). C) Spektrale Leistungsdichte des EEG Reaktion in Abbildung dargestellten 2A Frequenz darstellt, Zusammensetzung des Signals als eine Funktion der Leistung nach Frequenz. Eine Erhöhung der spektralen Energie mit einer bestimmten Frequenz entspricht einem Anstieg in der Anzahl von aktiven Neuronen synchron innerhalb des jeweiligen Frequenzbandes mitgerissen. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig2large.jpg" target="_blank">Hier eine größere Abbildung anzuzeigen</a> . <img alt="Abbildung 3" src="/files/ftp_upload/50131/50131fig3.jpg" /> Abbildung 3 A) Zwei simulierte Wellenformen:.. Ein regelmäßiger oder vorhersehbar Wellenform in lila dargestellt, und eine stochastische Wellenform in schwarz dargestellt B) Probe Entropiewerte der beiden simulierten Wellenformen für die ersten drei Zeitskalen. Beispiel entropy ist in hohem Maße vorhersehbar Signale als weitere stochastische Signale gering. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig3large.jpg" target="_blank">Klicken Sie hier, um eine größere Abbildung anzuzeigen</a> . <img alt="Fig. 4" src="/files/ftp_upload/50131/50131fig4.jpg" /> Abbildung 4. Downsampling die ursprüngliche Zeitreihe erzeugt mehrere Zeitreihen unterschiedlicher Zeitskalen. Zeitskala 1 ist die ursprüngliche Zeitreihe. Die Zeitreihe der Zeitskala 2 wird berechnet, indem die ursprüngliche Zeitreihe in erstellt nicht überlappenden Fenstern der Länge 2 und die durchschnittliche Datenpunkte innerhalb jedes Fensters. Um die Zeitreihe der nachfolgenden Fristen zu erzeugen, teilen Sie die ursprüngliche Zeitreihe in nicht überlappenden Fenstern der Zeitskala Länge und durchschnittlich die Datenpunkte innerhalb jedes Fensters. <img alt="Abbildung 5" src="/files/ftp_upload/50131/50131fig5.jpg" /> Abbildung 5. Eine simulierte Wellenform, wo jedes Rechteck stellt einen einzelnen Datenpunkt in der Zeitreihe. Probe Entropie schätzt die Variabilität einer Zeitreihe. In diesem Beispiel ist m (das Muster Länge) auf zwei, was bedeutet, dass die Varianz der Amplitude Muster jeder Zeitreihe in zweidimensionalen gegenüber dreidimensionalen Raum wird unter Berücksichtigung der Sequenz Muster von zwei gegen drei aufeinander folgenden dargestellt werden Zahnriemenräder Datenpunkte sind; r (die Ähnlichkeit Kriterium), spiegelt die Amplituden (bezeichnet durch die Höhe der farbigen Bändern), in dem Datenpunkte als &quot;match&quot; werden. Zum Beispiel Entropie dieser simulierten Zeitreihe zu berechnen, wobei die erste Zwei-Komponenten-Musters, rot-orange zu beginnen. Erstens zählen die Anzahl, wie oft die rot-orange-Sequenz Muster tritt in der Zeitreihe, es gibt 10 Spiele für dieses Zweikomponenten-Sequenz. Zweitens, die Anzahl der Male ersten Drei-Komponenten-Sequenz Muster, rot-orange-Schreiow, tritt in der Zeitreihe, es gibt 5 Spiele für dieses Drei-Komponenten-Sequenz. Fahren Sie auf diese Weise für die nächsten zwei-Komponenten-Sequenz (orange-gelb) und Drei-Komponenten-Sequenz (orange-gelb-grün). Die Zahl der Zwei-Komponenten-Spiele (5) und Drei-Komponenten-Spiele (3) für diese Sequenzen sind zu den vorherigen Werten (; insgesamt drei-Komponenten-Spiele = 8 insgesamt Zweikomponenten-Spiele = 15) aufgenommen. Wiederholen Sie dies für alle anderen Spiele in Folge der Zeitreihe (bis N - m), um das gesamte Verhältnis von Zwei-Komponenten-Spiele zu Drei-Komponenten-Spiele bestimmen. Probe Entropie ist der natürliche Logarithmus dieses Verhältnisses. Für jedes Thema, berechnen Sie den Kanal spezifische MSE Schätzung als Mittelwert über einzigen Versuch Entropie Maßnahmen für jeden Zeitplan. <img alt="Abbildung 6" src="/files/ftp_upload/50131/50131fig6.jpg" /> 6. Zustand Unterschiede in ERP (A), spektrale Leistung (B),MSE (C) Gegenüberstellung der ersten gegenüber der mehrfachen Präsentationen von Gesichts-Fotografien. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig6large.jpg" target="_blank">Klicke hier, um eine größere Abbildung anzuzeigen</a> . <img alt="Abbildung 7" src="/files/ftp_upload/50131/50131fig7.jpg" /> Abbildung 7. Gegenüberstellung der EEG Reaktion auf gelernt Gesichter über Maßnahmen von ERP, spektrale Leistungsdichte und multiscale Entropie. Die Balkendiagramme zeigen die Kontrast zwischen Bedingungen, die von Partial Least Squares-Analyse 11 bestimmt. Das Bild Grundstück unterstreicht die räumlich-zeitliche Verteilung, bei der dieser Kontrast war sehr stabil, wie durch Bootstrapping ermittelt. Die Werte stellen ~ z Partituren und negative Werte bedeuten Bedeutung für die inverse Bedingung Wirkung. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig7large.jpg" target="_blank">Klicken Sie hier, um eine größere Abbildung anzuzeigen</a> .

Watch this Scientific Journal Video about Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy at JoVE.com

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Neuroimaging Forscher gewöhnlich auch der Reaktion des Gehirns als die mittlere Aktivität über wiederholte experimentelle Studien und Missachtung Signal Variabilität im Laufe der Zeit als &quot;Rauschen&quot;. Allerdings ist es immer klar, dass es in diesem Signal Lärm. Dieser Artikel beschreibt die neue Methode von multiscale Entropie zur Quantifizierung Gehirn Signal Variabilität im Zeitbereich.

Anwendungen von EEG Neuroimaging Daten: Ereignis-korrelierte Potenziale, Spectral Power und Multiscale Entropy

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain ...

applications-eeg-neuroimaging-data-event-related-potentials-spectral

Research

Education

JoVE Core

JoVE Journal

Electrical Engineering

Neuroscience

Unit 1

Fourier Series

SCIENTISTS IN ACTION

33.5K Aufrufe.  Baycrest. Neuroimaging Forscher gewöhnlich auch der Reaktion des Gehirns als die mittlere Aktivität über wiederholte experimentelle Studien und Missachtung Signal Variabilität im Laufe der Zeit als "Rauschen". Allerdings ist es immer klar, dass es in diesem Signal Lärm. Dieser Artikel beschreibt die neue Methode von multiscale Entropie zur Quantifizierung Gehirn Signal Variabilität im Zeitbereich.

Serie: Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

High Density Event-related Potential  Data Acquisition in Cognitive Neuroscience

Functional magnetic resonance imaging (fMRI) is currently the standard method of evaluating brain function in the field of Cognitive Neuroscience, in part because fMRI data acquisition and analysis techniques are readily available. Because fMRI has excellent spatial resolution but poor temporal resolution, this method can only be used to identify the spatial location of brain activity associated with a given cognitive process (and reveals virtually nothing about the time course of brain activity). By contrast, event-related potential (ERP) recording, a method that is used much less frequently than fMRI, has excellent temporal resolution and thus can track rapid temporal modulations in neural activity. Unfortunately, ERPs are under utilized in Cognitive Neuroscience because data acquisition techniques are not readily available and low density ERP recording has poor spatial resolution. In an effort to foster the increased use of ERPs in Cognitive Neuroscience, the present article details key techniques involved in high density ERP data acquisition. Critically, high density ERPs offer the promise of excellent temporal resolution and good spatial resolution (or excellent spatial resolution if coupled with fMRI), which is necessary to capture the spatial-temporal dynamics of human brain function.

Event-related potential (ERP) recording is under utilized in Cognitive Neuroscience because data acquisition techniques are not readily available and this method often has poor spatial resolution. To foster the increased use of ERPs in Cognitive Neuroscience, the present article details key techniques involved in high density ERP data acquisition.

High Density Event-Related Potential Data Acquisition in Cognitive Neuroscience

Functional magnetic resonance imaging (fMRI) is currently the standard method of evaluating brain function in the field of Cognitive Neuroscience, in part ...

Forschung

Neurowissenschaften

Basics of Multivariate Analysis in Neuroimaging Data

Multivariate analysis techniques for neuroimaging data have recently received increasing attention as they have many attractive features that cannot be easily realized by the more commonly used univariate, voxel-wise, techniques1,5,6,7,8,9. Multivariate approaches evaluate correlation/covariance of activation across brain regions, rather than proceeding on a voxel-by-voxel basis. Thus, their results can be more easily interpreted as a signature of neural networks. Univariate approaches, on the other hand, cannot directly address interregional correlation in the brain. Multivariate approaches can also result in greater statistical power when compared with univariate techniques, which are forced to employ very stringent corrections for voxel-wise multiple comparisons. Further, multivariate techniques also lend themselves much better to prospective application of results from the analysis of one dataset to entirely new datasets. Multivariate techniques are thus well placed to provide information about mean differences and correlations with behavior, similarly to univariate approaches, with potentially greater statistical power and better reproducibility checks. In contrast to these advantages is the high barrier of entry to the use of multivariate approaches, preventing more widespread application in the community. To the neuroscientist becoming familiar with multivariate analysis techniques, an initial survey of the field might present a bewildering variety of approaches that, although algorithmically similar, are presented with different emphases, typically by people with mathematics backgrounds. We believe that multivariate analysis techniques have sufficient potential to warrant better dissemination. Researchers should be able to employ them in an informed and accessible manner. The current article is an attempt at a didactic introduction of multivariate techniques for the novice. A conceptual introduction is followed with a very simple application to a diagnostic data set from the Alzheimer s Disease Neuroimaging Initiative (ADNI), clearly demonstrating the superior performance of the multivariate approach.

The current article describes the basics of multivariate analysis and contrasts it to the more commonly used voxel-wise univariate analysis. Both types of analysis are applied to a clinical-neuroscience data set. Supplementary split-half simulations show better replication of the multivariate results in independent data sets.

Grundlagen der multivariaten Analyse in Neuroimaging-Daten

Multivariate analysis techniques for neuroimaging data have recently received increasing attention as they have many attractive features that cannot be ...

Extracting Visual Evoked Potentials from EEG Data Recorded During fMRI-guided Transcranial Magnetic Stimulation

Transcranial Magnetic Stimulation (TMS) is an effective method for establishing a causal link between a cortical area and cognitive/neurophysiological effects. Specifically, by creating a transient interference with the normal activity of a target region and measuring changes in an electrophysiological signal, we can establish a causal link between the stimulated brain area or network and the electrophysiological signal that we record. If target brain areas are functionally defined with prior fMRI scan, TMS could be used to link the fMRI activations with evoked potentials recorded. However, conducting such experiments presents significant technical challenges given the high amplitude artifacts introduced into the EEG signal by the magnetic pulse, and the difficulty to successfully target areas that were functionally defined by fMRI. Here we describe a methodology for combining these three common tools: TMS, EEG, and fMRI. We explain how to guide the stimulator&#39;s coil to the desired target area using anatomical or functional MRI data, how to record EEG during concurrent TMS, how to design an ERP study suitable for EEG-TMS combination and how to extract reliable ERP from the recorded data. We will provide representative results from a previously published study, in which fMRI-guided TMS was used concurrently with EEG to show that the face-selective N1 and the body-selective N1 component of the ERP are associated with distinct neural networks in extrastriate cortex. This method allows us to combine the high spatial resolution of fMRI with the high temporal resolution of TMS and EEG and therefore obtain a comprehensive understanding of the neural basis of various cognitive processes.

This paper describes a method for collecting and analyzing electroencephalography (EEG) data during concurrent transcranial magnetic stimulation (TMS) guided by activations revealed with functional magnetic resonance imaging (fMRI). A method for TMS artifact removal and extraction of event related potentials is described as well as considerations in paradigm design and experimental setup.

Extrahieren von visuell evozierten Potentiale von EEG-Daten aufzeichnen Während fMRI-geführte Transkranielle Magnetstimulation

Transcranial Magnetic Stimulation (TMS) is an effective method for establishing a causal link between a cortical area and cognitive/neurophysiological ...

Somatosensory Event-related Potentials from Orofacial Skin Stretch Stimulation

Cortical processing associated with orofacial somatosensory function in speech has received limited experimental attention due to the difficulty of providing precise and controlled stimulation. This article introduces a technique for recording somatosensory event-related potentials (ERP) that uses a novel mechanical stimulation method involving skin deformation using a robotic device. Controlled deformation of the facial skin is used to modulate kinesthetic inputs through excitation of cutaneous mechanoreceptors. By combining somatosensory stimulation with electroencephalographic recording, somatosensory evoked responses can be successfully measured at the level of the cortex. Somatosensory stimulation can be combined with the stimulation of other sensory modalities to assess multisensory interactions. For speech, orofacial stimulation is combined with speech sound stimulation to assess the contribution of multi-sensory processing including the effects of timing differences. The ability to precisely control orofacial somatosensory stimulation during speech perception and speech production with ERP recording is an important tool that provides new insight into the neural organization and neural representations for speech.

This paper introduces a method for obtaining somatosensory event-related potentials following orofacial skin stretch stimulation. The current method can be used to evaluate the contribution of somatosensory afferents to both speech production and speech perception.

Somatosensorischen Ereignis-korrelierte Potenziale von Orofaziale Haut Stretch Stimulation

Cortical processing associated with orofacial somatosensory function in speech has received limited experimental attention due to the difficulty of ...

Simultaneous Recording of Electroretinography and Visual Evoked Potentials in Anesthetized Rats

The electroretinogram (ERG) and visual evoked potential (VEP) are commonly used to assess the integrity of the visual pathway. The ERG measures the electrical responses of the retina to light stimulation, while the VEP measures the corresponding functional integrity of the visual pathways from the retina to the primary visual cortex following the same light event. The ERG waveform can be broken down into components that reflect responses from different retinal neuronal and glial cell classes. The early components of the VEP waveform represent the integrity of the optic nerve and higher cortical centers. These recordings can be conducted in isolation or together, depending on the application. The methodology described in this paper allows simultaneous assessment of retinal and cortical visual evoked electrophysiology from both eyes and both hemispheres. This is a useful way to more comprehensively assess retinal function and the upstream effects that changes in retinal function can have on visual evoked cortical function.

This protocol describes simultaneous measurement of electroretinogram and visual evoked potentials in anesthetized rats.

Gleichzeitige Aufnahme von Elektroretinographie und visuell evozierten Potentialen in narkotisierten Ratten

The electroretinogram (ERG) and visual evoked potential (VEP) are commonly used to assess the integrity of the visual pathway. The ERG measures the ...

Quantifying Infra-slow Dynamics of Spectral Power and Heart Rate in Sleeping Mice

Three vigilance states dominate mammalian life: wakefulness, non-rapid eye movement (non-REM) sleep, and REM sleep. As more neural correlates of behavior are identified in freely moving animals, this three-fold subdivision becomes too simplistic. During wakefulness, ensembles of global and local cortical activities, together with peripheral parameters such as pupillary diameter and sympathovagal balance, define various degrees of arousal. It remains unclear the extent to which sleep also forms a continuum of brain states-within which the degree of resilience to sensory stimuli and arousability, and perhaps other sleep functions, vary gradually-and how peripheral physiological states co-vary. Research advancing the methods to monitor multiple parameters during sleep, as well as attributing to constellations of these functional attributes, is central to refining our understanding of sleep as a multifunctional process during which many beneficial effects must be executed. Identifying novel parameters characterizing sleep states will open opportunities for novel diagnostic avenues in sleep disorders.
We present a procedure to describe dynamic variations of mouse non-REM sleep states via the combined monitoring and analysis of electroencephalogram (EEG)/electrocorticogram (ECoG), electromyogram (EMG), and electrocardiogram (ECG) signals using standard polysomnographic recording techniques. Using this approach, we found that mouse non-REM sleep is organized into cycles of coordinated neural and cardiac oscillations that generate successive 25-s intervals of high and low fragility to external stimuli. Therefore, central and autonomic nervous systems are coordinated to form behaviorally distinct sleep states during consolidated non-REM sleep. We present surgical manipulations for polysomnographic (i.e., EEG/EMG combined with ECG) monitoring to track these cycles in the freely sleeping mouse, the analysis to quantify their dynamics, and the acoustic stimulation protocols to assess their role in the likelihood of waking up. Our approach has already been extended to human sleep and promises to unravel common organizing principles of non-REM sleep states in mammals.

Here, we present experimental and analytical procedures to describe the temporal dynamics of the neural and cardiac variables of non-REM sleep in mice, which modulate sleep responsiveness to acoustic stimuli.

Quantifizierung der infra-langsamen Dynamik der spektralen Kraft und der Herzfrequenz bei schlafenden Mäusen

Three vigilance states dominate mammalian life: wakefulness, non-rapid eye movement (non-REM) sleep, and REM sleep. As more neural correlates of behavior ...

How to Find Effects of Stimulus Processing on Event Related Brain Potentials of Close Others when Hyperscanning Partners

The partners of each pair must be able to pass the McGill Friendship Questionnaire without communicating. Each partner is then seated in front of a screen in one of two adjacent rooms. These rooms are separated by a glass window through which participants communicate to maintain feelings of togetherness while being fitted with the EEG cap. After checking for adequate EEG signals, the glass is covered by a curtain to prevent visual communication. Then, partners must be silent but are instructed to try to feel in the presence of their partner during the entire experiment. Just before it starts, participants are told that each of them will be presented with one image at a time and that these images will occur at the same time for both of them on their own screen. They are also instructed that, for each trial, the simultaneous images will always be different. However, unbeknownst to them, trials are randomized: only half of them are consistent with this instruction and actually include two different images. These trials form the DSC, that is, the different-stimuli condition. The other half of the trials are inconsistent with the instruction. They include two identical images and form the ISC (identical-stimuli condition). After the experiment, participants are sorted into two groups: those who reported that they felt in the presence of their partner during the majority of the trials and those who reported they did not. The impact of the stimulus processing of the partner is found by subtracting the mean voltages of the ERPs of the ISC (inconsistent with the instructions) from the ERPs of the DSC (consistent with the instructions) in at least two time windows (TWs): firstly, in the 75 to 150 ms TW, where the absolute values of these subtractions are greater, especially at right frontal sites, in those who felt in the presence of their partner than in those who did not; secondly, in the LPP time window (i.e., from 650 to 950 ms post onset), where ERPs are significantly less positive in the DSC than in the ISC in those in whom the raw results of the early (75-150ms) subtractions are negative.

This protocol describes key steps involved in assessing the sensitivity of the brain of one person to the stimulus processing of a close other by selecting pairs of partners, recording their electroencephalogram (EEG) simultaneously and computing their event-related brain potentials (ERPs).

Wie Sie finden Effekte des Stimulus Verarbeitung auf Veranstaltung Verwandte Gehirn Potenziale der enge anderen wenn Hyperscanning Partner

The partners of each pair must be able to pass the McGill Friendship Questionnaire without communicating. Each partner is then seated in front of a screen ...

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy (NIRS) Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in remote locations. This paper shows the development of field functional Near Infrared Spectroscopy (fNIRS) imaging to the study of child language, reading, and cognitive development in a rural village setting of C&#244;te d&#39;Ivoire. Innovation in methods and the development of culturally appropriate neuroimaging protocols allow&#160;a first-time look into the brain&#39;s development and children&#39;s learning outcomes in understudied environments. This paper demonstrates protocols for transporting and setting up a mobile laboratory, discusses considerations for field versus laboratory neuroimaging, and presents a guide for developing neuroimaging consent procedures and building meaningful long-term collaborations with local government and science partners. Portable neuroimaging methods can be used to study complex child development contexts, including the impact of significant poverty and adversity on brain development. The protocol presented here has been developed for use in C&#244;te d&#39;Ivoire, the world&#39;s primary source of cocoa, and where reports of child labor in the cocoa sector are common. Yet, little is known about the impact of child labor on brain development and learning. Field neuroimaging methods have the potential to yield new insights into such urgent issues, and the development of children globally.

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy NIRS Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Portable neuroimaging approaches (functional Near Infrared Spectroscopy) provide advances to the study of the brain in previously inaccessible regions; here, rural C&#244;te d&#39;Ivoire. Innovation in methods and development of culturally-appropriate neuroimaging protocols permits novel study of the brain&#39;s development and children&#39;s learning outcomes in environments with significant poverty and adversity.

Neuroimaging Feldmethoden mit funktionalen in der Nähe von Infrarot-Spektroskopie (NIRS) Neuroimaging, globale Kindesentwicklung zu studieren: ländliche Subsahara-Afrika

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in ...

Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software

Measuring neural activity and connectivity associated with cognitive functions at high spatial and temporal resolutions is an important goal in cognitive neuroscience. Intracranial electroencephalography (EEG) can directly record electrical neural activity and has the unique potential to accomplish this goal. Traditionally, averaging analysis has been applied to analyze intracranial EEG data; however, several new techniques are available for depicting neural activity and intra- and inter-regional connectivity. Here, we introduce two analytical protocols we recently applied to analyze intracranial EEG data using the Statistical Parametric Mapping (SPM) software: time-frequency SPM analysis for neural activity and dynamic causal modeling of induced responses for intra- and inter-regional connectivity. We report our analysis of intracranial EEG data during the observation of faces as representative results. The results revealed that the inferior occipital gyrus (IOG) showed gamma-band activity at very early stages (110 ms) in response to faces, and both the IOG and amygdala showed rapid intra- and inter-regional connectivity using various types of oscillations. These analytical protocols have the potential to identify the neural mechanisms underlying cognitive functions with high spatial and temporal profiles.

We present two analytical protocols that can be used to analyze intracranial electroencephalography data using the Statistical Parametric Mapping (SPM) software: time-frequency statistical parametric mapping analysis for neural activity, and dynamic causal modeling of induced responses for intra- and inter-regional connectivity.

Analyse der neuronalen Aktivität und Konnektivität mit intrakraniellen EEG-Daten mit SPM-Software

Measuring neural activity and connectivity associated with cognitive functions at high spatial and temporal resolutions is an important goal in cognitive ...

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI)

Most methods for conducting meta-analysis of voxel-based neuroimaging studies do not assess whether effects are not null, but whether there is a convergence of peaks of statistical significance, and reduce the assessment of the evidence to a binary classification exclusively based on p-values (i.e., voxels can only be &ldquo;statistically significant&rdquo; or &ldquo;non-statistically significant&rdquo;). Here, we detail how to conduct a meta-analysis using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI), a novel method that uses a standard permutation test to assess whether effects are not null. We also show how to grade the strength of the evidence according to a set of criteria that considers a range of statistical significance levels (from more liberal to more conservative), the amount of data or the detection of potential biases (e.g., small-study effect and excess of significance). To exemplify the procedure, we detail the conduction of a meta-analysis of voxel-based morphometry studies in obsessive-compulsive disorder, and we provide all the data already extracted from the manuscripts to allow the reader to replicate the meta-analysis easily. SDM-PSI can also be used for meta-analyses of functional magnetic resonance imaging, diffusion tensor imaging, position emission tomography and surface-based morphometry studies.

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images SDM-PSI

We detail how to conduct a meta-analysis of voxel-based neuroimaging studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI).