Cortical Análisis Fuente de Alta Densidad EEG Grabaciones en niños

Resumen

En los últimos años, ha habido un creciente interés en la estimación de las fuentes corticales de cuero cabelludo medidos actividad eléctrica para los experimentos de neurociencia cognitiva. En este artículo se describe cómo se adquiere EEG de alta densidad y cómo se procesan las grabaciones para la estimación de fuente cortical en los niños desde la edad de 2 años en el bebé Lab Londres.

Resumen

EEG se describe tradicionalmente como una técnica de neuroimagen de alta resolución espacial y temporal bajo. Los recientes avances en el modelado biofísico y procesamiento de señales hacen que sea posible la explotación de la información de otras técnicas de imagen como la resonancia magnética estructural que proporcionan una alta resolución espacial para superar esta restricción ^1. Esto es especialmente útil para las investigaciones que requieren alta resolución en lo temporal, así como el dominio espacial. Además, debido a la fácil aplicación y bajo costo de los registros de EEG, EEG suele ser el método de elección cuando se trabaja con poblaciones, como los niños pequeños, que no toleran IRM funcional analiza también. Sin embargo, con el fin de investigar lo que los sustratos neurales implicados, información anatómica de resonancia magnética estructural sigue siendo necesario. La mayoría de los paquetes de análisis de EEG trabajan con los modelos estándar de cabeza que se basan en la anatomía de adultos. La precisión de estos modelos cuando se utiliza para los niños está limitada ^2, debido a que el composition y la configuración espacial de la cabeza tissues cambios dramáticamente en desarrollo ^3.

En el presente trabajo, se proporciona un resumen de nuestro trabajo reciente en la utilización de modelos de cabeza sobre la base de imágenes por resonancia magnética estructural individuales o modelos de cabeza específicos de edad para reconstruir los generadores corticales de alta densidad de EEG. En este artículo se describe cómo se adquieren los registros de EEG, procesados ​​y analizados con la población pediátrica en el bebé Lab Londres, incluyendo la configuración de laboratorio, diseño de tareas, EEG preprocesamiento, procesamiento de resonancia magnética, y el nivel del canal EEG y análisis de origen.

Introducción

El presidente Barack Obama describió el cerebro humano como la próxima frontera de los descubrimientos científicos con una alta importancia para la salud y la economía de ³ (http://www.whitehouse.gov/share/brain-initiative). Sin embargo, como cualquier otro campo de las ciencias naturales, las ciencias neurológicas depende de los avances en las metodologías y técnicas de análisis para el progreso. Dos herramientas no invasivas de uso común en los estudios sobre la función cerebral en los seres humanos son la resonancia magnética (RM) y la electroencefalografía (EEG). Estos herramienta explotar diferentes propiedades físicas y proporcionar diferentes ideas sobre la función cerebral con ventajas y desventajas. MRI utiliza las propiedades magnéticas de las moléculas de agua dentro de los campos magnéticos para obtener imágenes de los tejidos vivos. El sujeto tiene que ser colocado en un imán con alta intensidad de campo. El movimiento de la participante está restringido durante estos procedimientos y el participante tiene que tolerar el ruido causado por los rápidos cambios en el campo magnéticocampo. Además de las imágenes estructurales, resonancia magnética también ofrece la posibilidad de medir los cambios en la oxigenación de la sangre para investigar la función cerebral (fMRI). En resumen, la RM ofrece relativamente alta resolución espacial de hasta 0,5 mm ³ con modernos altos campos escáneres y parámetros optimizados ^4. En contraste, la resolución temporal de resonancia magnética funcional se limita a la lenta cinética de la respuesta BOLD, que refleja sólo indirectamente la dinámica temporal altos de actividad neural ^5,6.

Por otro lado, el EEG mide los cambios en la actividad eléctrica causada por la actividad de las neuronas a través de electrodos colocados en el cuero cabelludo. Los recientes avances en la tecnología EEG permiten el uso rápido y fácil de los sensores de corto plazo o largo plazo y fijos, así como grabaciones ambulatorios. Debido a que el EEG es menos restrictiva, que también es el método de elección para ciertas poblaciones de los participantes que no toleran el medio ambiente así como la RM pediátrica y ciertageriatría y psiquiatría. Las propiedades de EEG muestran un patrón inverso a los de resonancia magnética: la resolución temporal es muy alta con una precisión de milisegundos, pero la resolución espacial es limitada. Las corrientes eléctricas pasan a través de diferentes tejidos entre su generador y los electrodos de EEG en la superficie del cuero cabelludo. Esto conduce a un mezclado y manchas espacial de actividad de la fuente conocida como el efecto de volumen de la conducción. Por lo tanto, la actividad medida por los electrodos en la superficie del cuero cabelludo refleja la actividad de múltiples fuentes que podrían ser distante a la posición del electrodo en la cabeza de ^1,7.

Gran parte del trabajo en los últimos años se ha dedicado a la fusión de la RM y EEG con el fin de aprovechar sus respectivos puntos fuertes. Una línea de trabajo se dedica a la adquisición simultánea de EEG y la RM en los estudios funcionales. Otro enfoque es usar la información espacial proporcionada por resonancia magnética estructural para tener en cuenta el volumen Conduction efecto a través del modelado biofísico. El uso de la información estructural para la reconstrucción fuente de registros de EEG es particularmente útil para estudios con una población pediátrica. La investigación sobre el desarrollo de la función cerebral es fundamental para la comprensión de cómo las habilidades cognitivas complejas se construyen en la parte superior de precursores simples ^8.

Estas investigaciones ayudan a poner de relieve los cambios en los sustratos neurales y propiedades de respuesta que se correlacionan con los cambios en el rendimiento de comportamiento. Sin embargo, la investigación de la función cerebral y la cognición durante el desarrollo también plantea retos específicos. En particular, la oportunidad para que los estudios de resonancia magnética funcional se limita como los niños pequeños y bebés, o bien tienen que estar dormido o sedado para obtener datos de MRI y sin artefactos de movimiento y el impacto negativo sobre el bienestar de los participantes. Además, el EEG se percibe como menos riesgoso e invasivo por los padres, lo que hace el reclutamiento de participantes en la investigación más fácil. Tor lo tanto, EEG es el método de elección para muchas investigaciones sobre la función del cerebro en los niños pequeños. Avances metodológicos en los sistemas de EEG permiten la aplicación de matrices de electrodos de alta densidad con 128 o más canales en cuestión de minutos. Facilidad de aplicación y la comodidad de uso son suficientes para permitir el registro EEG incluso en los niños más pequeños. Sin embargo, a menudo los investigadores no sólo están interesados ​​en la dinámica temporal de las respuestas a estímulos particulares, pero también le gustaría comparar los sustratos neurales que median las respuestas.

Una suposición que prevalece en el análisis de ERP de nivel de canal comparando diferentes grupos de edad es que los mismos sustratos neurales responden, pero que el momento o la amplitud de la respuesta varía entre las edades de ^9. Similar cuero cabelludo topografía se utiliza a menudo como un indicador de la actividad neuronal subyacente similar. Sin embargo, muchas diferentes configuraciones de origen pueden conducir a las topografías cuero cabelludo similares ^10. Mediante la aplicación de la estimación de la fuente, esta UNCErtainty se puede reducir y cuantificados. La independencia de las observaciones es crítico para las cuentas de la red de la función cerebral: si se mezclan las fuentes, las correlaciones estarán sesgados hacia una mayor conectividad local. Fuente de reconstrucción se puede aplicar para reducir este sesgo ^11. Alternativamente, las diferencias en tiempo y fase se pueden utilizar para el análisis de la conectividad, pero estos modelos matemáticos requieren supuestos que son difíciles de evaluar en datos no simulados ^12. En resumen, la estimación de fuente proporciona información adicional a nivel de los canales EEG y análisis ERP basado en el conocimiento sobre la anatomía y propiedades biofísicas de los tejidos.

Diferentes algoritmos se han ideado para encontrar soluciones al problema inverso. Estos algoritmos se dividen en dos categorías: paramétricas y no paramétricas ^13. Modelos paramétricos asumen una o múltiples dipolos que pueden variar en localización, orientación y fuerza. Por el contrario, no modelos paramétricos containa gran número de dipolos con la ubicación y orientación fija. En estos modelos, la actividad eléctrica del cuero cabelludo se explica como una combinación de activaciones en los dipolos fijos ^10,13,14. No paramétrica, modelos de fuentes distribuidas se pueden basar en el conocimiento sobre la anatomía y la conductividad en diferentes medios de comunicación. Modelos de Elementos de Contorno incorporan valores de conductividad de los principales tejidos de la cabeza con diferentes conchas para el cerebro, el líquido cefalorraquídeo y el cráneo. Esto se basa en la suposición de que la conductividad es principalmente constante dentro de cada compartimento, pero que los cambios marcados se produce en el límite de los diferentes compartimentos. Modelos de elementos finitos se basan en una mayor segmentación de los exámenes de IRM en la materia gris y el blanco de manera que los valores de conductividad se pueden asignar a cada voxel ^15.

En términos prácticos, los modelos no paramétricos son particularmente útiles para la reconstrucción de fuentes en las tareas cognitivas complejas, en las que el número de áreas involucradas puedenno ser conocido ^10. Modelos de elementos de contorno son más utilizados en la literatura actual, probablemente porque los más precisos modelos de elementos finitos representan comparativamente altas demandas computacionales. Además, existe una considerable variabilidad individual entre en la materia gris y el blanco de manera que los FEM debe basarse en imágenes por resonancia magnética individuales.

Modelos no paramétricos requieren un segundo paso para hacer coincidir la actividad medida el cuero cabelludo hasta las predicciones del modelo a seguir. Una vez más, los diferentes enfoques con diferentes ventajas y desventajas se han discutido en la literatura (véase Michel et al. 2004 para una visión general). Los algoritmos más utilizados se basan en la estimación de norma mínima (MNE), que coincide con la actividad medida cuero cabelludo para una distribución de corriente en el modelo hacia adelante con la intensidad total más bajo ^16. MNE está sesgada hacia las fuentes débiles y superficiales. Algoritmos EMN ponderados Profundidad tratan de reducir la desviación de superficies mediante la introducción de ponderaciónmatrices basadas en supuestos matemáticos ^10. El enfoque LORETA ampliamente utilizado se basa también en ponderada EMN, pero, además, reduce al mínimo el laplaciano de fuentes, que conduce a soluciones más suaves ^17,18. LORETA se ha encontrado que el mejor rendimiento para fuentes individuales en estudios de simulación ^19,20. Sin embargo, LORETA puede conducir a un exceso de suavizado de soluciones. Profundidad ponderada EMN es preferible cuando las fuentes son desconocidos o múltiples fuentes son propensos a estar presente ^{13, 16.} Se recomienda Comparando los resultados de diferentes algoritmos para evaluar la influencia de diferentes supuestos del modelo.

En resumen, la reconstrucción de fuentes a través de métodos de modelado se ha limitado a los niños hasta hace poco. Esto se debe a que la mayoría del software de análisis de EEG se basa en modelos de cabeza en base a la anatomía adulta que limita sustancialmente la precisión de las soluciones de código en los niños ^2,8. El acceso barato a la potencia de cálculo y la prestación desoftware fácil de usar para la reconstrucción de la fuente que sea posible superar estas limitaciones. La aplicación de la estimación de origen a la EEG proporciona dos ventajas importantes sobre el análisis sobre la base de observaciones del nivel del canal solas: una mejor resolución y la independencia de las observaciones espaciales.

Fuente de estimación puede no ser informativo en algunos casos: se requiere una buena cobertura de la cabeza para distinguir fuentes. Los sistemas de alta densidad con 128 o más electrodos se recomiendan ^10,15; una cobertura más escasa actuará como un filtro espacial que conduce a activación de la fuente propagación más amplia o resultados negativos falsos ^10. Además, sólo se ha informado de reconstrucción fuente basado en el método descrito en este artículo para generadores corticales. Por lo tanto, es menos adecuado para probar hipótesis acerca de sustratos subcorticales o interacciones subcorticales corticales. Por último, el análisis de origen debe basarse en hipótesis previas detalladas sobre los sustratos corticales,teniendo la literatura existente de otras modalidades de imágenes en cuenta. Técnicas de filtrado espacial también se pueden utilizar para mejorar la resolución espacial de la señal de EEG mediante la reducción de la mezcla espacial en el nivel del cuero cabelludo. Se utilizan métodos alternativos para reducir la influencia de los efectos del volumen de la conducción sin modelado de la cabeza, por ejemplo, el filtrado de Laplaciano ²¹ o análisis de la densidad Fuente de corriente ^22. Sin embargo, estos métodos no proporcionan más información acerca de los generadores neuronales como efectos volumen de la conducción son no sólo restringidos a los sensores en estrecha proximidad espacial ^1.

En las siguientes secciones, el artículo describe cómo los experimentos para la investigación de la función cerebral y cognitivo en los niños de 2 años de edad están diseñados en el bebé Lab Londres. A continuación, se analiza la adquisición de datos de EEG con los sistemas de baja impedancia de alta densidad con niños. A continuación, se presenta EEG preprocesamiento y análisis sobre el nivel del canal. Ultimoly, el artículo se centra en el tratamiento de los datos de resonancia magnética estructural para la reconstrucción fuente cortical y el análisis de las señales de nivel de fuente.

Protocolo

Experimentos potenciales 1. Diseñar EEG y eventos relacionados para los niños

Nota: Un simple experimento fue diseñado para los fines de este artículo que se puede utilizar para investigar cara de procesamiento en los niños pequeños. La siguiente sección describe el experimento y explicar cómo implementarlo utilizando MATLAB R2012b y Psychtoolbox V3.0.11 ^23,24. Las imágenes tomadas desde el conjunto NimStim de la expresión facial emocional ²⁵ fueron utilizados para este ejemplo. Este conjunto de estímulo está disponible para fines de investigación a petición ( http://www.macbrain.org/resources.htm ).

1. Transfiera las fotografías RGB a escala de grises para reducir las diferencias entre los estímulos. Ver Tabla 1 Nota:. Estos comandos requieren la Imagen Processing Toolbox ( http://www.mathworks.co.uk/products/image/ ). Alternativas libres se pueden encontrar tediante el intercambio de archivos ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
2. Utilice el software de control experimental para poner en práctica el experimento con el tiempo exacto para disparadores de presentación de estímulos mediante una serie de comandos (consulte la Tabla 1 para un ejemplo).

2. Adquisición de Datos

1. Asegúrese de que el niño se sienta cómodo con el entorno de prueba. Permita que los niños más pequeños para sentarse en el regazo de su cuidador o en el asiento de un niño cómodo. Deje que el niño lo vea y sienta la red de sensores antes de aplicarlo a la cabeza del niño. Si hay una red adicional, haga que el padre también probar uno encima ni coloque uno en una muñeca o un peluche de peluche.
2. Mida la circunferencia máxima cabeza para seleccionar el tamaño neto correcto para el niño. Utilice una cinta de medición y manténgalo a la nasión. A continuación, mida alrededor de la cabeza alrededor de la circunferencia máxima (~ 1cm por encima del inión). Nota: mantener un registro de la circunferencia de la cabeza medida y la red de sensores utilizados para el análisis posterior ^26. Sirve de ayuda si la cabeza los padres también se mide para hacer que los niños más cómodo con la situación.
3. Identificar el vértice de la cabeza en la intersección de la distancia media entre nasión y inión y punto periauricular izquierda y derecha. Marque este punto con una pluma de China para asegurar que el canal de vértice se coloca correctamente cuando la aplicación de la red.
4. Aplique la red de sensores y asegúrese de que los canales principales están alineados con los puntos de referencia anatómicos (nasion, INION, vértices y mastoides izquierda / derecha). Nota: Para obtener resultados más precisos, la posición de los canales en la cabeza puede ser adquirido digitalmente con un equipo especial de la digitalización. Los investigadores que deseen adquirir la posición del sensor deben consultar en los manuales de hardware y software apropiados. Alternativamente, mapas de electrodos que asumen la colocación estándar de electrodos a lo largo anatómico LANdmarks se pueden utilizar. Estos mapas pueden ser ajustadas para envejecer modelos de cabeza adecuados como se describe en la sección de análisis.
5. Asegúrese de que los canales tienen un buen contacto con el cuero cabelludo por el posicionamiento de los sensores de forma individual; gire suavemente cada sensor de lado a lado para mover el pelo de la manera.
6. Medir ganancias de canal y las impedancias de canal. Haga clic en "Inicio" para iniciar la grabación en el software de grabación NetStation EEG y empezar la ganancia y la medición de la impedancia. Si la medición no se inicia automáticamente, utilice el "Amplificador Calibrar" y el botón "Medir Impedancias netos".
7. Compruebe el software de grabación para los canales con impedancias superiores a 50 kW que aparecerán en rojo. Aplicar la solución de electrolito adicional con una pipeta para bajar impedancias de canal. Compruebe la pantalla para los canales de EEG que muestran la actividad de alta frecuencia a pesar de baja impedancia o notablemente menos actividad que los canales que rodean (canales de línea plana). Estos canales pueden have contacto flojo con el cuero cabelludo y requerir un ajuste.
8. Con el fin de mantener a los niños cómodos durante la preparación EEG, permite al niño escuchar música, ver un dibujo apropiado para su edad o distraerlos utilizando otro experimentador, por ejemplo, soplando burbujas de jabón para los niños.

3. Análisis

1. Preprocesamiento
   1. Filtrar digitalmente los datos con un filtro de paso alto con un punto de corte a 0,1 Hz para eliminar el canal se desplaza ²⁷ (Tabla 1).
   2. Para el análisis de ERP, aplicar un filtro de paso bajo con un punto de corte a 30 Hz ²⁷ (Tabla 1).
   3. Época los datos continuos de acuerdo con los códigos de disparo establecidas durante la grabación. Para la mayoría de experimentos, utilizar una línea de base de 200 mseg antes de inicio del estímulo y un intervalo post estímulo de 600 mseg para cubrir el intervalo de tiempo de interés (Tabla 1).
   4. Retire épocas que contienen movimiento o parpadeo artefactos: marca channels con un pico a pico de amplitud superior a 150 mV - ajustar este umbral en función del grupo de participantes y la calidad de los datos. Para mantener la coherencia, utilice el mismo umbral para todos los participantes en un estudio. Si un canal está por encima de este umbral en más de 30% de las épocas, quitar el canal (la actividad del canal puede ser interpolada a partir de canales circundantes, si éstos contienen datos aceptables). Si más de 20% de los canales están marcados como no válidos en una época, eliminar la época. Si más de 20% de los canales son rechazados por el algoritmo o menos de 50% de épocas se conservan, considerar la eliminación del conjunto de datos del análisis adicional (Tabla 1).
      Nota: Los umbrales de porcentaje para la época y el rechazo de canal son cifras aproximadas que eliminan una cantidad suficiente de ruido en nuestra experiencia. La cantidad de artefacto en la grabación es probable que sea diferente el uso de otros grupos de participantes, paradigmas experimentales o sistemas de EEG. Los experimentadores pueden querer ajustar el porcentajeumbrales y comprobar si están satisfechos con el rechazo de artefactos. Alternativamente, los experimentadores pueden rechazar los ensayos que contienen artefacto mediante una inspección visual.
   5. Re referencia a la media de referencia restando la actividad Medio en todos los canales de cada canal (Tabla 1). Nota: El electrodo de vértice se utiliza típicamente como la referencia de grabación en NetStation.
2. Corrección de artefactos Usando Análisis de Componentes Independientes
   1. Importe los datos en la caja de herramientas más rápido ²⁸ y ejecutar el artefacto algoritmo de rechazo automático de los datos (Tabla 1).
   2. Utilice la interfaz gráfica de usuario (GUI) para más rápido; para abrir la interfaz gráfica de usuario, el tipo FASTER_GUI en la línea de comandos.
   3. Anule la selección de las opciones de filtrado en el menú de filtrado ya que los datos que ya se ha filtrado antes de la epoching.
   4. Especifique el número de canales: 126 canales de EEG con 2 electrooculagram (EOG) canales.
   5. Introduzca elmarcadores utilizados para epoching los datos como cadenas en una matriz de células. Para el caso que se presenta entre: {'cara', 'scra'} para la cara y las condiciones de cara revueltos.
   6. Seleccione los canales para el análisis de componentes independientes (ICA). Típicamente seleccionar todos los canales de registro, incl. canales de EEG no externos.
   7. Especificar la entrada y la carpeta de salida en el panel derecho de la interfaz gráfica de usuario.
   8. Seleccione el archivo de canal adecuado para las grabaciones. Nota: Los archivos de canal durante la mayor parte del sistema EEG se pueden descargar desde el fabricante, o se pueden descargar de la página web EEGLAB.
   9. Haga clic en Ejecutar para iniciar el procesamiento más rápido. Dependiendo de la duración de las grabaciones y el número de archivos, este tratamiento puede durar varias horas.
   10. Inspeccione visualmente las grabaciones, mapas independientes de componentes y sistemas ERP después del procesamiento.
3. Channel Level Análisis de Datos Potenciales relacionados con eventos
   1. Combine varios canales para formar un virtual cHannel con una mejor relación señal a ruido (Tabla 1). Nota: La selección de canales se debe basar en los informes anteriores en la literatura o hipótesis a priori. Selección de canales que muestran la mayor amplitud dentro de una ventana de tiempo determinado no se recomienda ^29.
   2. Obtener medidas como pico de amplitud, la media de latencia y amplitud pico para caracterizar la forma de onda y realizar pruebas estadísticas (Tabla 1).
4. Crear Modelos de Elementos de Contorno (BEM)
   1. Segmento de la resonancia magnética anatómica escanear con FreeSurfer. Nota: Para obtener los resultados más precisos, la base del modelo de los elementos de contorno a la resonancia magnética individuales para cada participante. Si esto no es posible, se deben utilizar las plantillas medias de resonancia magnética que coinciden con la edad de los participantes en la mayor medida posible. Por favor, tenga en cuenta que los BEM no se puede utilizar para los niños menores de 24 meses. Modelos de elementos de contorno suponen que cada shell (cerebro, el cráneo, la piel) se compone de una capa cerrada. Sin embargo, en yniños óvenes las fontanelas en el cráneo no están cerradas, lo que viola el supuesto de capa cerrada.
      1. Con el fin de instalar el software FreeSurfer, primero descargarlo de la página web FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ). A continuación, configurar el entorno de shell que incluye un FreeSurfer; . para bashrc, incluir los siguientes comandos en el archivo bashrc.:
         1. Exportación FREESURFER_HOME = / Aplicaciones / freesurfer /
         2. Fuente $ FREESURFER_HOME / FreeSurferEnv.sh
            Nota: Estos comandos asumen que la carpeta FreeSurfer está en la carpeta Aplicaciones, en un sistema Unix. Hay más detalles sobre cómo configurar FreeSurfer con entornos alternativos de shell, por ejemplo, csh / tcsh, o sistemas operativos en el sitio web FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. A continuación, defina el Asunto direcciónhistoria, es decir, la carpeta que la salida se escribirá con el siguiente comando:
         1. exportación SUBJECTS_DIR = / ... / BEM /
            Nota: Los resultados se pueden escribir en cualquier carpeta del sistema.
      3. A continuación, cambie el directorio de trabajo a la carpeta que contiene el archivo de la RM para el Modelo de Elementos de Límites con el siguiente comando:
         1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Los niños / cerebro /
            Nota: Cualquier carpeta en el sistema puede ser especificado usando la sintaxis del comando cd. Este es un ejemplo de la estructura de archivos investigadores primaria.
      4. Por último, iniciar la reconstrucción utilizando los siguientes comandos:
         1. recon-all-i- subjid
         2. recon-todo-todo-subjid
            Nota: necesita ser reemplazado con el nombre del archivo de las imágenes por resonancia magnética deseados en el directorio actual. puede ser repmezclada con cualquier nombre. FreeSurfer creará una carpeta con este nombre en el directorio de temas. Dependiendo del sistema utilizado, los últimos comandos pueden requerir algún tiempo para funcionar.
   2. Compruebe la segmentación FreeSurfer para la segmentación incorrecta, por ejemplo. esferas superpuestas, anatómicamente improbables compartimientos etc. mediante la importación de los segmentos en BrainStorm y utilizar las herramientas de visualización en la interfaz gráfica de usuario:
      1. En BrainStorm, seleccione el panel de la anatomía. Importe el MRI segmentada haciendo clic derecho sobre el tema y seleccionando "Importar Anatomía carpeta". Asegúrese de que la carpeta con la salida FreeSurfer se selecciona. Inspeccione visualmente la segmentación haciendo clic derecho y seleccionando la opción "Display". Nota: Como alternativa, los comandos FreeSurfer pueden ser utilizados. Una descripción detallada se puede encontrar en el sitio web FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedRECONSTRUCCIÓN. Si se desea región de análisis de interés sobre la base de parcelación anatómica, la FreeSurfer funciones mris_ca_label , mri_annotation2label y mri_mergelabels se pueden utilizar. Consulte las publicaciones FreeSurfer y páginas de ayuda en línea para obtener información más detallada.
5. Estimar la actividad de origen en BrainStorm
   1. Comience BrainStorm escribiendo "lluvia de ideas" en la ventana de comandos.
   2. Crear un nuevo protocolo seleccionando Nuevo Protocolo en el menú Archivo.
   3. Añadir un nuevo subject al protocolo seleccionando Nuevo Tema en el menú Archivo.
   4. Importar datos de EEG para el participante con un clic derecho sobre el tema y seleccionando "Importar MEG / EEG".
   5. Importar un archivo de canal haciendo clic derecho y seleccionando "Archivo de canal Importar". Nota: El archivo de canal debe estar en consonancia con la RM para la reconstrucción de fuentes. BrainStorm utiliza un sistema de 4 puntos de referencia anatómicos que el usuario tiene que marcar en la resonancia magnética. Por favor, consulte los tutoriales BrainStorm para más información ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). La posición estándar tal como se define por un archivo de canal para un sistema de EEG determinado o, idealmente, las posiciones de la cabeza que fueron digitalizados antes de la grabación de EEG se pueden utilizar.
   6. Compruebe que el BEM y los canales se alinean como se esperaba: Haga clic derecho sobre el archivo de canal para el tema y vaya a "registro MRI" y ", Hora ". Nota: Si las esferas dentro del modelo se superponen o si los canales están dentro del BEM, la reconstrucción de fuentes producirán resultados incorrectos. Ajuste la alineación con la opción "Editar" en el menú de "segmentación de IRM".
   7. Calcular la matriz de covarianza de ruido de la línea de base de cada época haciendo clic derecho sobre el participante y la elección de "Noise Covarianza Matrix" y "Cálculo de la grabación". Nota: Los autores de la caja de herramientas BrainStorm recomiendan el uso de una matriz diagonal ruido covarianza para grabaciones cortas (~ menos puntos de tiempo que los canales) y uno completo para grabaciones más largas. Por favor, consulte el tutorial BrainStorm Fuente Estimación para más información: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
   8. Calcular el modelo de origen haciendo clic derecho sobre el objeto y seleccionando "Computmodelo de código e ".
   9. Calcular la solución inversa usando profundidad ponderada mínima Norma Estimación haciendo clic derecho sobre el objeto y seleccionando "Compute Fuente" y "estimación norma mínima". Nota: Otras opciones (dSpm, sLORETA) están disponibles. Cada opción tiene diferentes ventajas y desventajas. El algoritmo debe seleccionarse con base en consideraciones a priori y los informes previos en la literatura. Además, algunos algoritmos son mejores en la resolución de la activación focal en determinadas zonas, mientras que otros son más adecuados para la activación de amplia difusión. MNE se utilizó para este estudio basado en informes previos en la literatura ^16. Por razones de coherencia, el mismo algoritmo para la solución inversa se debe utilizar para todos los participantes en un estudio. Los investigadores también pueden desear comparar cómo conclusiones sólidas son para la aplicación de diferentes algoritmos de solución inversa.
   10. Repita la Sección 3 para todos los participantes en el estudio. Nota: Ninguno de utilizar la grainterfaz de procesamiento por lotes ficas o está para repetir los pasos de procesamiento para los participantes. Consulte la documentación para obtener instrucciones BrainStorm ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
   11. Actividad de la fuente promedio durante los ensayos por los participantes arrastrando las grabaciones al menú Proceso y seleccionando la opción "Normal" y "Por condición (media subject)".
   12. Contrasta la condición mediante la selección de los "Procesos de 2" y arrastrando cada condición en una sola ventana. A continuación, seleccione "Test" y "t de Student" o "la prueba t de Student (emparejado)", dependiendo del diseño. Para realizar comparaciones múltiples, amplitud establecido y los umbrales de la zona en la pantalla del mapa estadístico que resulta en el menú "Estadísticas". Nota: Como alternativa, los mapas de activación se pueden exportar a SPM ( http://www.fil.ion.ucl.ac.uk / spm /) para más análisis estadístico en profundidad ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
   13. Calcular la respuesta relativa al evento para una región de interés. Para ROIs parcellation basado, cargue la parcelación FreeSurfer haciendo clic derecho sobre la superficie de la corteza en el menú de la anatomía y seleccione "etiquetas de importación". Navegar por el archivo correspondiente y cargarla. Ahora, seleccione un retorno de la inversión en el panel "Explorador" del menú de datos funcionales.
   14. Obtenga el retorno de la inversión relacionada con la actividad de eventos arrastrando los archivos a la ventana de proceso 1 y seleccione "Extraer Scouts Series de Tiempo" en el menú Fuentes. Nota: Varias regiones de interés se puede seleccionar de forma simultánea y las series de tiempo ROI puede ser exportada para su posterior trazado y análisis haciendo clic derecho en el momento del exploradordatos de series y seleccionando la opción "Exportar a Matlab".

Resultados

El diseño de experimentos de potenciales evocados para lactantes y niños a menudo es un reto, debido a su limitada capacidad de tolerar los experimentos repetitivos largos ^30. Este problema se agrava aún más cuando el experimentador planea aplicar reconstrucción de fuentes, porque la reconstrucción fuente precisa requerirá una elevada relación señal-ruido ^1. Figura 1 muestra un protocolo experimental para la investigación de los mecanismos de procesamiento de la cara que ...

Discusión

El presente artículo describe el registro y análisis de alta densidad de EEG para la reconstrucción de los generadores corticales utilizando modelos de elementos de frontera por razones de edad plantillas MRI medios apropiados y profundidad ponderada estimación mínima norma en un paradigma ERP estándar adecuado para los niños. En este paradigma, se presentan imágenes de rostros y rostros revueltos. Diferentes autores utilizaron este paradigma para investigar el desarrollo de mecanismos de procesamiento de la car...

Materiales

Name	Company	Catalog Number	Comments
High-density EEG sensor net (128 or 256 channels)	HydroCel Geodesic Sensor Net 128	Electrical Geodesic Inc., Oregon, US
EEG high impendance amplifier	NetAmps 200	Electrical Geodesic Inc., Oregon, US
Data Acquisition Computer	PowerMac G4	Apple Inc, California, US
Stimulus Presentation Computer	Optiplex 745	Dell Computers Inc., Texas, US
Stimulus Presentation Software	MATLAB R2012b with PsychToolBox	Brainard et al. 1997
EEG recording software	NetStation 4.5.1	Electrical Geodesic Inc., Oregon, US
EEG analysis software	MATLAB R2012b	The Mathworks Inc.
	EEGLAB	Delorme et al. 2004
	BrainStorm	Sylvain et al. 2001
MRI processing software	FreeSurfer	Fischl et al. 2004
	OpenMEEG	Gramfort et. al. 2010
Delorme, A., & Makeig, S. EEGLAB: an open source toolbox for analysis of single trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21, (2004).
Sylvain, B., John, C., Dimitrios, P., & Richard, M. Brainstorm: A User Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 1–13, (2011).
Fischl, B. et al. Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22, (2004).
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45, (2010).
Brainard, D. H. The psychophysics toolbox. Spatial vision, (1997).