Cortical Fonte Análise de alta densidade EEG Recordings em Crianças

Resumo

Nos últimos anos, tem havido um crescente interesse em estimar as fontes corticais de couro cabeludo medidos atividade elétrica para experimentos de neurociência cognitiva. Este artigo descreve como EEG de alta densidade é adquirido e como gravações são processados ​​para a estimativa fonte cortical em crianças a partir da idade de 2 anos no bebê Lab Londres.

Resumo

EEG é tradicionalmente descrito como uma técnica de neuroimagem com alta resolução espacial e temporal baixa. Os recentes avanços em modelagem biofísica e processamento de sinais permitem explorar a informação de outras modalidades de imagem, como ressonância magnética estrutural que oferece alta resolução espacial para superar essa restrição ^1. Isto é especialmente útil para as investigações que exigem alta resolução no temporal, bem como domínio espacial. Além disso, devido à fácil aplicação e baixo custo de EEG, EEG é muitas vezes o método de escolha quando se trabalha com populações, como as crianças, que não toleram a ressonância magnética funcional varre bem. No entanto, a fim de investigar os substratos neurais estão envolvidas, a informação anatómica de MRI estrutural é ainda necessária. A maioria dos pacotes de análise de EEG trabalhar com modelos de cabeça padrão que são baseados na anatomia de um adulto. A precisão destes modelos quando usados ​​para as crianças é limitada ^2, porque o composition e configuração espacial da cabeça tecidos muda drasticamente ao longo do desenvolvimento ^3.

No presente artigo, oferecemos uma visão geral do nosso trabalho recente na utilização de modelos de cabeça com base em exames de ressonância magnética estrutural individuais ou modelos de cabeça específicos de idade para reconstruir os geradores corticais de alta densidade EEG. Este artigo descreve como EEG são adquiridos, processados ​​e analisados ​​com populações pediátricas no bebê Lab Londres, incluindo a instalação do laboratório, design tarefa, EEG pré-processamento, processamento de ressonância magnética, e nível de canal EEG e análise da fonte.

Introdução

O presidente Barack Obama descreveu o cérebro humano como a próxima fronteira da descoberta científica, com grande importância para a saúde e economia ³ (http://www.whitehouse.gov/share/brain-initiative). No entanto, como qualquer outro campo das ciências naturais, a neurociência depende de avanços nas metodologias e técnicas de análise para o progresso. Dois comumente usadas ferramentas não invasivas em estudos sobre o funcionamento do cérebro em humanos são a ressonância magnética (MRI) e eletroencefalografia (EEG). Estes ferramenta explorar diferentes propriedades físicas e fornecer diferentes perspectivas sobre o funcionamento do cérebro com suas vantagens e desvantagens. MRI utiliza as propriedades magnéticas das moléculas de água dentro de campos magnéticos para obtenção de imagens de tecidos vivos. O sujeito tem de ser colocado em um íman com elevada força de campo. O movimento do participante é restrito durante estes procedimentos eo participante tem de tolerar o ruído causado por mudanças rápidas no magnéticocampo. Além de imagens estruturais, ressonância magnética, também oferece a possibilidade de medir as mudanças na oxigenação do sangue para investigar o funcionamento do cérebro (fMRI). Em resumo, a RM oferece relativamente alta resolução espacial de até 0,5 mm ³ com modernos campos de alta scanners e parâmetros otimizados ^4. Em contraste, a resolução temporal de fMRI é limitado à cinética lenta da resposta BOLD, que apenas indiretamente reflete a dinâmica temporal elevadas de ^5,6 neural atividade.

Por outro lado, EEG mede mudanças na atividade elétrica causados ​​pela atividade dos neurônios através de eletrodos colocados sobre o couro cabeludo. Os recentes avanços na tecnologia EEG permitir a aplicação rápida e fácil dos sensores de curto prazo ou a longo prazo e estacionário, bem como gravações ambulatoriais. Porque EEG é menos restritiva, ele também é o método de escolha para certas populações de participantes que não toleram o ambiente MRI assim como pediátrica e certopopulações geriátricas e psiquiátricos. As propriedades de EEG mostram um padrão inverso aos de ressonância magnética: a resolução temporal é muito alta, com uma precisão de milissegundos, mas a resolução espacial é limitada. As correntes eléctricas passar através de tecidos diferentes entre o gerador e os eléctrodos de EEG na superfície do couro cabeludo. Isto conduz a uma mistura e manchas espacial da actividade fonte conhecida como o efeito de condução do volume. Portanto, a actividade medida pelos eléctrodos sobre a superfície do couro cabeludo reflecte a actividade de várias fontes que possam ser distante para a posição do eléctrodo sobre a ^1,7 cabeça.

Muito trabalho nos últimos anos tem se dedicado à fusão de ressonância magnética e EEG, a fim de tirar proveito de seus pontos fortes. Uma linha de trabalho é dedicado à aquisição simultânea de EEG e RM em estudos funcionais. Outra abordagem é a utilização da informação espacial fornecida por MRI estrutural para ter em conta o volume conduction efeito através de modelagem biofísica. O uso de informações estruturais para a reconstrução fonte de EEG é particularmente útil para estudos envolvendo a população pediátrica. A investigação do desenvolvimento da função cerebral é fundamental para compreender como as habilidades cognitivas complexas são construídas em cima de precursores simples ^8.

Estas investigações ajudam a destacar as mudanças nos substratos neurais e propriedades de resposta que se correlacionam com mudanças no desempenho comportamental. No entanto, a investigação do funcionamento do cérebro e cognição durante o desenvolvimento também coloca desafios específicos. Particularmente, a oportunidade para exames de ressonância magnética funcional é limitado como as crianças e adolescentes ou têm de estar dormindo ou sedado para obter dados de ressonância magnética sem artefatos de movimento e impacto negativo no bem-estar dos participantes. Além disso, EEG é percebida como menos arriscado e invasivo pelos pais, o que faz o recrutamento dos participantes da pesquisa mais fácil. Therefore, EEG é o método de escolha para muitas investigações sobre o funcionamento do cérebro em crianças pequenas. Avanços metodológicos em sistemas de EEG permitir a aplicação de matrizes de eletrodos de alta densidade com 128 ou mais canais em poucos minutos. Facilidade de aplicação e conforto de utilização é suficiente para até mesmo permitir a gravação de EEG nas crianças mais novas. No entanto, muitas vezes os pesquisadores não estão interessados ​​apenas na dinâmica temporal de respostas a estímulos particulares, mas também gostaria de comparar os substratos neurais que medeiam as respostas.

A suposição prevalecente na análise ERP nível de canal comparando diferentes grupos de idade é que os mesmos substratos neurais responder, mas que o tempo ou amplitude de resposta varia entre as idades de ^9. Similar couro cabeludo topografia é frequentemente utilizado como um indicador de atividade neural subjacente similar. No entanto, muitas configurações de fontes diferentes pode levar a topografias semelhantes couro cabeludo ^10. Ao aplicar a estimativa fonte, esta uncertainty pode ser reduzida e quantificado. A independência das observações é fundamental para contas de rede da função cerebral: se as fontes são misturadas, as correlações será inclinado para maior conectividade local. Fonte reconstrução podem ser aplicadas para reduzir esta polarização ^11. Alternativamente, as diferenças de tempo e de fase pode ser usado para análise de conectividade, mas esses modelos matemáticos exigem suposições que são difíceis de avaliar, em dados não simulados ^12. Em resumo, a estimativa fonte fornece informações adicionais para EEG nível de canal e análise de ERP com base no conhecimento sobre a anatomia e propriedades biofísicas de tecido.

Diferentes algoritmos foram desenvolvidos para encontrar soluções para o problema inverso. Esses algoritmos podem repartir-se em duas categorias: paramétricos e não paramétricos ^13. Modelos paramétricos assumir um ou vários dipolos que podem variar em localização, orientação e força. Em contraste, não modelos paramétricos containd grande número de dipolos com localização fixa e orientação. Nestes modelos, a actividade eléctrica do couro cabeludo é explicada como uma combinação de activações nos dipolos fixos ^10,13,14. Não paramétrica, modelos de origem podem ser distribuídos com base no conhecimento sobre a anatomia e condutividade em diferentes meios de comunicação. Boundary Elemento Modelos incorporam valores de condutividade para os principais tecidos da cabeça com diferentes conchas para o cérebro, líquor e crânio. Esta baseia-se no pressuposto de que a condutividade é mais constante no interior de cada compartimento, mas que as alterações marcadas ocorrer no limite de diferentes compartimentos. Modelos de elementos finitos são baseados em uma nova segmentação de exames de RM em substância cinzenta e branca, de modo que os valores de condutividade pode ser atribuído a cada voxel ^15.

Em termos práticos, os modelos não paramétricos são particularmente úteis para a reconstrução de origem em tarefas cognitivas complexas, em que o número de áreas envolvidas podenão ser conhecido ^10. Modelos de elementos de contorno são mais amplamente utilizado na literatura atual, provavelmente porque os mais precisos Modelos de Elementos Finitos representam demandas computacionais comparativamente altos. Além disso, há considerável entre variabilidade individual na substância cinzenta e branca para que FEMS deve ser baseada em exames de ressonância magnética individuais.

Modelos não paramétricos requerem uma segunda etapa para combinar a atividade medido couro cabeludo com as previsões do modelo para a frente. Mais uma vez, diferentes abordagens, com diferentes vantagens e desvantagens têm sido discutidas na literatura (ver Michel et al. 2.004 para uma visão geral). Os algoritmos mais utilizados são baseados na estimativa norma mínima (MNE), que coincide com a actividade medida couro cabeludo para uma distribuição de corrente no modelo para a frente com a menor intensidade total ^16. MNE está inclinado para fontes fracas e superficiais. Profundidade algoritmos MNE ponderada tentar reduzir o viés de superfície através da introdução de ponderaçãomatrizes baseadas em suposições matemáticas ^10. O LORETA abordagem amplamente utilizada baseia-se também ponderada EMN, mas além disso minimiza o Laplaciano das fontes, o que leva a soluções suaves ^17,18. LORETA foi encontrado para realizar o melhor para fontes individuais em estudos de simulação ^19,20. No entanto, LORETA pode levar a um excesso de alisamento de soluções. Profundidade ponderada ENM é preferível quando as fontes são desconhecidas ou múltiplas fontes são susceptíveis de estar presentes ^{13, 16.} Comparando-se os resultados de diferentes algoritmos para avaliar a influência de diferentes suposições do modelo é recomendado.

Em resumo, a reconstrução fonte através de métodos de modelagem tem sido limitado para crianças até recentemente. Isto porque a maioria software de análise de EEG se baseia em modelos de cabeça com base na anatomia adulto que limita substancialmente a precisão das soluções de código em crianças ^2,8. O acesso barato para poder computacional e da prestação desoftware de fácil utilização para a reconstrução fonte torná-lo possível para superar essas limitações. Aplicando estimativa de origem para o EEG oferece duas vantagens importantes sobre a análise com base em observações de nível de canal sozinho: melhor resolução espacial e independência das observações.

Fonte estimativa não pode ser informativo, em alguns casos: uma boa cobertura da cabeça é necessário para distinguir as fontes. Sistemas de alta densidade com 128 ou mais eletrodos são recomendados ^10,15; uma cobertura esparsa irá funcionar como um filtro espacial levando a mais ampla fonte de propagação de ativação ou resultados falsos negativos ^10. Além disso, foi relatado somente reconstrução fonte com base no método descrito no artigo de geradores corticais. Portanto, é menos adequado para testes de hipóteses sobre substratos subcorticais ou interações subcorticais corticais. Por último, a análise da fonte deve ser baseada em hipóteses prévias detalhadas sobre os substratos corticais,levando a literatura existente de outras modalidades de imagem em conta. Podem também ser utilizadas técnicas de filtragem espacial para melhorar a resolução espacial do sinal de EEG, reduzindo mistura espacial sobre o nível do couro cabeludo. Métodos alternativos para reduzir a influência dos efeitos da condução de volume sem modelagem cabeça são usados, por exemplo, filtragem Laplacian ²¹ ou atual análise Fonte Densidade ^22. No entanto, esses métodos não fornecem mais informações sobre geradores neurais como os efeitos da condução de volume não estão restritas apenas aos sensores de proximidade espacial ^1.

Nas seções seguintes, o artigo descreve como experimentos para a investigação do cérebro e função cognitiva em crianças de 2 anos de idade são projetadas para o bebê Lab Londres. Em seguida, é discutida a aquisição de dados de EEG com alta densidade de sistemas de baixa impedância com crianças. Então, EEG pré-processamento e análise sobre o nível do canal é apresentado. Lastly, o artigo centra-se no tratamento de dados de ressonância magnética estrutural para a reconstrução fonte cortical e análise de sinais de nível de fonte.

Access restricted. Please log in or start a trial to view this content.

Protocolo

Experimentos potenciais 1. Projetando EEG e Eventos relacionados para crianças

Nota: Um experimento simples foi projetado para os fins deste artigo, que pode ser usado para investigar o processamento rosto em crianças pequenas. A seção a seguir irá descrever a experiência e explicar como implementá-lo usando MATLAB R2012b e Psychtoolbox V3.0.11 ^23,24. As fotos tiradas a partir do conjunto de NimStim emocional expressão facial ²⁵ foram utilizados para este exemplo. Este conjunto de estímulos está disponível para fins de pesquisa, mediante pedido ( http://www.macbrain.org/resources.htm ).

1. Transfira as fotos RGB para escala de cinza para reduzir diferenças entre estímulos. Ver Tabela 1 Nota:. Estes comandos requerem o Processamento de Imagem Caixa de ferramentas ( http://www.mathworks.co.uk/products/image/ ). Alternativas livres podem ser encontrados through o File Exchange ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
2. Use um software de controle experimental para implementar o experimento com timing preciso para gatilhos apresentação do estímulo, utilizando uma série de comandos (ver Tabela 1 para um exemplo).

2. Aquisição de Dados

1. Certifique-se de que a criança está confortável com o ambiente de teste. Permita que as crianças mais jovens a se sentar no colo de seu cuidador ou no assento de uma criança confortável. Deixe a criança ver e sentir a rede de sensores antes de aplicá-lo para a cabeça da criança. Se houver uma rede extra, ter o pai também tentar uma sobre, ou colocar um em uma boneca ou ursinho de pelúcia.
2. Meça a circunferência máxima cabeça para escolher o tamanho correto net para a criança. Use uma fita métrica e segurá-la para o nasion. Em seguida, meça em torno da cabeça em torno da circunferência máxima (~ 1cm acima do ínion). Nota: manter um registro do perímetro cefálico medida ea rede de sensores utilizados para análise posterior ^26. Ela ajuda se a cabeça dos pais também é medida para tornar as crianças mais confortáveis ​​com a situação.
3. Identificar o vértice da cabeça no cruzamento da distância média entre nasion e ínion e ponto periauricular esquerda e direita. Marque este ponto com uma caneta china para garantir que o canal vértice está posicionada corretamente ao aplicar a net.
4. Aplique a rede de sensores e certifique-se que os canais principais estão alinhados com os pontos anatômicos (Násio, ínion, vértice e mastoide esquerda / direita). Nota: Para os resultados mais precisos, a posição dos canais na cabeça pode ser adquirido digitalmente usando um equipamento especial de digitalização. Os pesquisadores que pretendam adquirir a posição do sensor deve consultar os manuais de hardware e software apropriados. Alternativamente, os mapas de eletrodos que assumem colocação padrão de eletrodos junto lan anatômicadmarks pode ser usado. Estes mapas podem ser deformado a idade modelos de cabeça apropriadas conforme descrito na seção de análise.
5. Certifique-se de que os canais têm um bom contato com o couro cabeludo através do posicionamento dos sensores individualmente; gire suavemente cada sensor de lado a lado para mover o cabelo para fora do caminho.
6. Medir os ganhos de canal e impedância do canal. Clique em "Iniciar" para iniciar a gravação no software de gravação de Netstation EEG e começar a ganhar e medição da impedância. Se a medição não começar automaticamente, use o "Amplificador Calibrar" e no botão "Medir Impedâncias líquidas".
7. Verifique o software de gravação para os canais com impedâncias maiores de 50 kW que aparecerão vermelho. Aplicar a solução de electrólito adicional, com uma pipeta, para diminuir as impedâncias de canal. Verifique o visor EEG para os canais que mostram atividade de alta frequência, apesar de baixa impedância ou visivelmente menos atividade do que os canais que cercam (canais de linha fixa). Estes canais podem have contato solto com o couro cabeludo e necessitar de ajuste.
8. A fim de manter as crianças confortável durante a preparação EEG, permitir que a criança ouvir música, assistir a um desenho animado idade apropriada ou distraí-los usando outro experimentador, por exemplo, soprando bolhas de sabão para crianças.

3. Análise

1. Pré-processamento
   1. Filtrar digitalmente os dados com um filtro passa alta com um corte de 0,1 Hz para remover canal drifts ²⁷ (Tabela 1).
   2. Para a análise de ERP, aplicar um filtro passa-baixa com um corte em 30 Hz ²⁷ (Tabela 1).
   3. Epoch os dados contínuos de acordo com os códigos de disparo estabelecidas durante a gravação. Para a maioria das experiências, utilizam uma linha de base de 200 ms antes do início do estímulo e um intervalo pós-estímulo de 600 ms para cobrir o intervalo de tempo de interesse (Tabela 1).
   4. Remover épocas que contêm movimentos ou piscar artefatos: marca channels com um pico a pico de amplitude superior a 150 mV - ajustar esse limiar em função do grupo participante e qualidade dos dados. Para consistência, utilize o mesmo limite para todos os participantes em um estudo. Se um canal for superior a este limite, em mais de 30% das épocas, remover o canal (a actividade de canal pode ser interpolado a partir de canais adjacentes, se estes contêm dados aceitáveis). Se mais do que 20% dos canais são marcadas como mau numa época, remover a época. Se mais do que 20% de canais, são rejeitadas pelo algoritmo ou menos do que 50% de épocas são retidos, considere a remoção do conjunto de dados de análises posteriores (Tabela 1).
      Nota: Os limites percentuais para época e rejeição de canais são figuras aproximadas que removem uma quantidade suficiente de barulho em nossa experiência. A quantidade do produto manufacturado, na gravação é provável que seja diferente usando outros grupos participantes, paradigmas experimentais ou sistemas de EEG. Os experimentadores pode querer ajustar a porcentagemlimiares e verificar se eles estão satisfeitos com a rejeição de artefato. Alternativamente, os experimentadores podem rejeitar ensaios que contêm artefato através de inspeção visual.
   5. Re referência a referência média, subtraindo a atividade média em todos os canais de cada canal (Tabela 1). Nota: O eletrodo vértice é normalmente usado como referência de gravação em Netstation.
2. Correção Artefato Utilizando Análise de Componentes Independentes
   1. Importe os dados para a caixa de ferramentas FASTER ²⁸ e executar o algoritmo automático artefato rejeição dos dados (Tabela 1).
   2. Use a interface gráfica do usuário (GUI) para o mais rápido; para abrir a interface gráfica, tipo FASTER_GUI na linha de comando.
   3. Desmarque as opções de filtragem no menu de filtragem que os dados já foi filtrado antes do epoching.
   4. Especifique o número de canais: 126 canais de EEG com 2 electrooculagram canais (EOG).
   5. Digite omarcadores utilizados para epoching os dados como seqüências em um conjunto de células. Para o caso apresentado digite: {'cara', 'scra'} para o rosto e condições rosto mexidos.
   6. Selecione os canais para a análise de componentes independentes (ICA). Normalmente selecionar todos os canais de gravação, incl. canais não EEG externos.
   7. Especificar a entrada e pasta de saída no painel direito da GUI.
   8. Selecione o arquivo de canal apropriado para as gravações. Nota: Os arquivos de canal para a maioria sistema de EEG pode ser descarregado a partir do fabricante ou pode ser baixado do site da EEGLAB.
   9. Clique em Executar para iniciar o processamento mais rápido. Dependendo do comprimento das gravações e o número de ficheiros, esta transformação pode levar várias horas.
   10. Inspecione visualmente as gravações, mapas de componentes independentes e ERPs após o processamento.
3. Channel Level Análise de Dados Potenciais relacionados a eventos
   1. Combine vários canais para formar um c virtuaishannel com melhor relação sinal-ruído (Tabela 1). Nota: A selecção de canais deve ser baseada em relatórios anteriores na literatura ou uma hipótese a priori. Seleção de canais que mostram a maior amplitude dentro de uma determinada janela de tempo não é aconselhável ^29.
   2. Obter medidas como pico de amplitude, média latência e amplitude do pico para caracterizar a forma de onda e realizar testes estatísticos (Tabela 1).
4. Criar Boundary Elemento Modelos (BEM)
   1. Segmento da MRI anatômica digitalizar com FreeSurfer. Nota: Para os resultados mais precisos, a base do modelo de elementos de contorno em exames de ressonância magnética individuais para cada participante. Se isso não for possível, os modelos médios de ressonância magnética que correspondem a idade dos participantes, tanto quanto possível deve ser usado. Por favor, note que o MEC não pode ser usado para crianças menores de 24 meses. Modelos de elementos de contorno assumir que cada concha (cérebro, crânio, pele) é composta de uma concha fechada. No entanto, em ycrianças oung fontanelas do crânio não estão fechadas, o que viola a suposição de concha fechada.
      1. Para instalar o software FreeSurfer, primeiro baixá-lo do site da FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ). Em seguida, configurar o ambiente de shell incluem FreeSurfer; . para bashrc, incluem os seguintes comandos no arquivo bashrc.:
         1. Exportação FREESURFER_HOME = / Applications / FreeSurfer /
         2. Fonte $ FREESURFER_HOME / FreeSurferEnv.sh
            Nota: Esses comandos pressupõe que a pasta FreeSurfer está na pasta Applications em um sistema Unix. Há mais detalhes sobre como configurar FreeSurfer com ambientes shell alternativos, por exemplo, csh / tcsh, ou sistemas operacionais no site da FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Em seguida, defina a direção Assuntohistória, ou seja, a pasta que a saída vai ser escrito para usar o seguinte comando:
         1. exportação SUBJECTS_DIR = / ... / MEC /
            Nota: Os resultados podem ser escritos em qualquer pasta do sistema.
      3. Em seguida, altere o diretório de trabalho para a pasta que contém o arquivo de ressonância magnética para o Elemento Modelo Boundary usando o seguinte comando:
         1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Infantil / Cérebro /
            Nota: Qualquer pasta no sistema podem ser especificados usando a sintaxe do comando cd. Este é um exemplo da estrutura do arquivo pesquisadores primário.
      4. Finalmente, iniciar a reconstrução utilizando os seguintes comandos:
         1. recons-tudo-i- subjid
         2. recons-todo-todo-subjid
            Nota: precisa ser substituído com o nome do arquivo dos exames de ressonância magnética desejados no diretório atual. pode ser repatado com qualquer nome. FreeSurfer irá criar uma pasta com esse nome no diretório do tema. Dependendo do sistema usado, os últimos comandos podem levar algum tempo para ser executado.
   2. Verifique a segmentação FreeSurfer para a segmentação incorreta, por exemplo. esferas sobrepostas, anatomicamente improváveis ​​compartimentos etc. importando os segmentos em BrainStorm e usar as ferramentas de exibição na GUI:
      1. Em BrainStorm, selecione o painel de anatomia. Importe o MRI segmentada com o botão direito sobre o assunto e selecionar "Importar Anatomy Folder". Verifique se a pasta com a saída FreeSurfer é selecionado. Inspecione a segmentação visualmente clicando e selecionando "Display" certo. Observação: Como alternativa, os comandos de FreeSurfer pode ser usado. Uma descrição detalhada pode ser encontrada no site da FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedRECONSTRUÇÃO. Se a região de análise de juros com base na divisão em parcelas anatômica é desejado, o FreeSurfer funções mris_ca_label , mri_annotation2label e mri_mergelabels podem ser usados. Consulte as publicações FreeSurfer e páginas de ajuda on-line para obter informações mais detalhadas.
5. Estime a Atividade Fonte em BrainStorm
   1. Comece BrainStorm digitando "brainstorming" na janela de comando.
   2. Criar um novo protocolo selecionando Novo Protocolo a partir do menu Arquivo.
   3. Adicionar um novo subject ao protocolo selecionando Novo Assunto a partir do menu Arquivo.
   4. Importar dados de EEG para o participante, clicando com o botão direito sobre o assunto e selecionar "Importar MEG / EEG".
   5. Importar um arquivo de canal com o botão direito e escolha "Importar arquivo de canal". Nota: O arquivo de canal precisa ser alinhado à ressonância magnética para a reconstrução fonte. BrainStorm usa um sistema de 4 pontos de referência anatômicos que o usuário precisa para marcar na ressonância magnética. Por favor, consulte os tutoriais brainstorm para mais informações ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). A posição normal, tal como definido por um ficheiro de canal para um determinado sistema de EEG ou, idealmente, as posições da cabeça que foram digitalizados antes do registo do EEG pode ser usado.
   6. Verifique se o MEC e os canais de alinhar como esperado: clique com o botão direito no arquivo de canal para o assunto e navegue para "Registro de ressonância magnética" e ", Check ". Nota: Se as esferas dentro do modelo se sobrepõem ou se os canais estão dentro do MEC, a reconstrução fonte produzirá resultados incorretos. Ajuste o alinhamento usando a opção "Editar" no menu "segmentação MRI".
   7. Calcule a matriz de covariância do ruído da linha de base de cada época com o botão direito sobre o participante e escolha "Noise Covariance Matrix" e "Calcular de Gravação". Nota: Os autores da caixa de ferramentas BrainStorm recomendamos o uso de uma matriz diagonal ruído covariância para gravações curtas (~ menos momentos do que canais) e uma completa para gravações mais longas. Por favor, consulte o tutorial BrainStorm Fonte Estimativa para mais informações: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
   8. Calcule o modelo de origem com o botão direito sobre o assunto e selecionar "Compute modelo de fonte ".
   9. Calcule a solução inversa usando profundidade ponderada mínima Norm Estimativa com o botão direito sobre o assunto e selecionando "Compute Fonte" e "estimativa mínima norma". Nota: Outras opções (DSPM, sLORETA) estão disponíveis. Cada opção tem diferentes vantagens e desvantagens. O algoritmo deve ser selecionado com base em considerações a priori e relatórios prévios da literatura. Além disso, alguns algoritmos são melhores na resolução de ativação focal em certas áreas, enquanto que outros são mais adequados para a ativação generalizada. MNE foi utilizado para este estudo com base em relatórios anteriores da literatura ^16. Por razões de consistência, o mesmo algoritmo de solução inversa deve ser utilizado para todos os participantes de um estudo. Os pesquisadores também pode querer comparar como resultados robustos são para a aplicação de diferentes algoritmos de solução inversa.
   10. Repita Seção 3 para todos os participantes do estudo. Nota: Use o grainterface de lotes geográficas ou os scripts para repetir as etapas de processamento para os participantes. Consulte a documentação para obter instruções BrainStorm ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
   11. Atividade fonte média nos ensaios por participantes, arrastando as gravações para o Menu de Processos e selecionando "Média" e "por condição (média assunto)".
   12. Contraste a condição escolhendo os "Processos 2" e arrastando cada condição em uma janela. Em seguida, selecione "Test" e "t de Student" ou "teste t de Student (pareado)", dependendo do projeto. Para realizar comparações múltiplas, amplitude e limites de área definida na exibição do mapa estatístico resultando no menu "Dados". Nota: Como alternativa, os mapas de ativação podem ser exportados para SPM ( http://www.fil.ion.ucl.ac.uk / spm /) para análise estatística mais aprofundada ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
   13. Calcule a resposta relacionados a eventos para uma região de interesse. Para ROIs divisão em parcelas com base, coloque o FreeSurfer divisão em parcelas com o botão direito sobre a superfície do córtex no menu de anatomia e selecione "Importar" rótulos. Navegue o arquivo correspondente e carregá-lo. Agora, selecione um ROI no "escuteiro" painel do menu de dados funcional.
   14. Obter a atividade evento relacionado ROI, arrastando os arquivos para a janela do Processo 1 e selecione "Extrair Escoteiro Time Series" no menu Fontes. Nota: Vários ROIs podem ser selecionados ao mesmo tempo e as séries temporais ROI podem ser exportados para mais de plotagem e análise clicando com o botão direito sobre o tempo olheirodados da série e selecionar "Exportar para Matlab".

Access restricted. Please log in or start a trial to view this content.

Resultados

Projetando experimentos de ERP para lactentes e crianças é muitas vezes um desafio, devido à sua limitada capacidade de tolerar longas experiências repetitivas ^30. Este problema se agrava ainda mais quando o experimentador pretende aplicar reconstrução de origem, porque a reconstrução fonte precisa exigirá uma alta relação sinal-ruído ^1. Figura 1 mostra um protocolo experimental para a investigação de mecanismos de processamento da face que podem ser usados ​​com ...

Access restricted. Please log in or start a trial to view this content.

Discussão

O presente artigo descreve a gravação e análise de alta densidade EEG para a reconstrução de geradores corticais usando modelos de elementos de contorno com base na idade média de ressonância magnética modelos apropriados e profundidade ponderada estimativa mínima norma em um paradigma ERP padrão adequado para crianças. Neste paradigma, imagens de rostos e rostos mexidos são apresentados. Diferentes autores usaram este paradigma para investigar o desenvolvimento de mecanismos de processamento de rosto sobre ...

Access restricted. Please log in or start a trial to view this content.

Materiais

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).