Кортикальная Источник Анализ высокой плотности ЭЭГ Recordings у детей

Резюме

В последние годы наблюдается растущий интерес к оценке корковых источники головы измеренные электрическую активность для когнитивных экспериментов нейронауки. В данной статье описывается высокой плотности ЭЭГ приобретается и как записи обрабатываются для оценки корковой источника у детей в возрасте от 2-х лет в Лондонской лаборатории для новорожденных.

Аннотация

ЭЭГ традиционно описывается как метод нейровизуализации с высоким временным и низкого пространственного разрешения. Последние достижения в области моделирования биофизических и обработки сигналов позволяют использовать информацию от других методов визуализации, таких как структурной МРТ, которые обеспечивают высокое пространственное разрешение, чтобы преодолеть это ограничение ^1. Это особенно полезно для исследований, требующих высокого разрешения в височной, а также пространственной области. Кроме того, в связи с легкого применения и низкой стоимости ЭЭГ, ЭЭГ часто методом выбора при работе с населением, таких как маленьких детей, которые не переносят функциональной МРТ сканирует хорошо. Тем не менее, в целях расследования, которые нервные субстраты участвуют, анатомической информации от структурного МРТ по-прежнему необходима. Большинство пакетов ЭЭГ анализ работать со стандартными моделями головных, которые основаны на взрослого анатомии. Точность этих моделей при использовании для детей ограничено ^2, так как соmposition и пространственная конфигурация головы тканей изменения резко за развитие ^3.

В настоящей работе, мы предоставляем обзор нашей недавней работы в использовании моделей на основе отдельных структурных сканирования МРТ или возрастных моделей конкретных головы реконструировать корковых генераторы высокой плотности ЭЭГ. В данной статье описывается ЭЭГ приобретаются, обработаны и проанализированы с детской популяции на Лондонской лаборатории для новорожденных, в том числе лабораторной установки, дизайн задач, ЭЭГ предварительной обработки, переработки МРТ, и уровень канала ЭЭГ и анализа исходного.

Введение

Президент США Барак Обама назвал человеческий мозг, как следующий рубеж научного открытия с большое значение для здоровья и экономики ³ (http://www.whitehouse.gov/share/brain-initiative). Однако, как и любой другой области в естественных науках, неврологии зависит от достижений в области методологий и методов анализа для прогресса. Два часто используемых неинвазивные инструменты в исследованиях о функции мозга у человека являются магнитно-резонансная томография (МРТ) и электроэнцефалография (ЭЭГ). Это инструмент использовать разные физические свойства и обеспечивают различные взглянуть на функции мозга с уникальными преимуществами и недостатками. МРТ использует магнитные свойства молекул воды внутри магнитных полей для получения изображений живых тканей. Предметом должен быть помещен в магнитное поле, с высокой прочностью на поле. Движение участника ограничено в течение этого процедур и участник должен терпеть шум, вызванный резким изменениям магнитногополе. В дополнение к структурным изображений, МРТ также обеспечивает возможность измерения изменения в оксигенации крови для исследования функции мозга (МРТ). Таким образом, МРТ предлагает относительно высокое пространственное разрешение до 0,5 мм ^3, современными больших полях сканеров и оптимизированными параметрами ^4. В противоположность этому, временное разрешение МРТ ограничивается медленной кинетике смелый ответ, который лишь косвенно отражает высокий временную динамику нейронной активности ^5,6.

С другой стороны, ЭЭГ измеряет изменения в электрической активности, вызванные активности нейронов через электродов, расположенных на коже головы. Последние достижения в области технологии ЭЭГ позволяют быстро и легко применение датчиков для краткосрочной или долгосрочной перспективе и стационарные, а также амбулаторных записей. Поскольку ЭЭГ является менее ограничительным, это также методом выбора для определенных групп населения участников, не допускающей окружающей среды МРТ хорошо, как детская и некоторыегериатрических и психиатрических населения. Свойства ЭЭГ показывают обратную картину для тех, МРТ: временное разрешение очень высока с точностью до миллисекунды, но пространственное разрешение ограничено. Электрические токи проходят через различные ткани между их генератора и электродов ЭЭГ на поверхности кожи головы. Это приводит к смешиванию и пространственной размытию активности источника, известного как эффект объем проводимости. Таким образом, активность, измеренная с помощью электродов на поверхности кожи головы отражает активность из различных источников, которые могут быть далеким от положения электрода на головном ^1,7.

Большая работа в последние годы была посвящена слиянию МРТ и ЭЭГ для того, чтобы воспользоваться их сильные стороны. Одна линия работы посвящена одновременного получения ЭЭГ и МРТ в функциональных исследований. Другой подход заключается в использовании пространственную информацию, предоставленную структурной МРТ с учетом объемного Conduction эффект через биофизического моделирования. Использование структурной информации для восстановления источника записей ЭЭГ особенно полезно для исследований, связанных с педиатрической популяции. Исследование развития функции мозга занимает центральное место в понимании того, как сложные когнитивные навыки строятся на простых предшественников ^8.

Эти исследования помогают выделить изменения в нервных субстратов и свойств реагирования, которые коррелируют с изменениями в поведенческих характеристик. Тем не менее, исследование функции мозга и познания в процессе разработки также создает определенные проблемы. В частности, возможность для функциональных исследований МРТ ограничена маленьких детей и младенцев либо имеют, что спит или седативные для получения данных МРТ без артефактов движения и негативного воздействия на участника благополучия. Кроме того, ЭЭГ воспринимается как менее рискованный и инвазивные родителями, что делает набор участников исследования легче. Тherefore, ЭЭГ является методом выбора для многих исследований функции мозга у детей раннего возраста. Методологические достижения в системах ЭЭГ позволяет применение высокой плотности электродных массивов с 128 или более каналов в течение нескольких минут. Простота применения и комфорт при ношении достаточно, чтобы даже позволить запись ЭЭГ в самых молодых младенцев. Тем не менее, часто исследователи заинтересованы не только в временной динамики ответов на конкретные раздражители, но также хотел бы сравнить нервные субстраты, которые опосредуют ответов.

Преобладающая предположение уровня канала ERP сравнительного анализа различных возрастных групп в том, что одни и те же нейронные субстраты ответить, но что сроки или амплитуда ответ варьируется по возрастов ^9. Похожие головы топография часто используется в качестве индикатора аналогичной базовой нейронной активности. Тем не менее, много различных конфигураций источник может привести к аналогичным кожи головы топологий ^10. Применяя оценку исходного, это Uncertainty может быть снижена и количественно. Независимость наблюдений имеет решающее значение для сетевых счетах функции мозга: если источники смешиваются, корреляции будут смещены в сторону более высокой локальной связности. Реконструкция Источник может быть применен, чтобы уменьшить это смещение ^11. Кроме того, различия в сроках и фазы могут быть использованы для анализа подключения, но эти математические модели требуют предположения, которые трудно оценить в не модельных данных ^12. Таким образом, оценка источником предоставляет дополнительную информацию для уровня канала ЭЭГ и ERP анализа, основанного на знаниях о анатомии и биофизических свойств ткани.

Различные алгоритмы были разработаны, чтобы найти решения обратной задачи. Эти алгоритмы можно в целом разделить на две категории: параметрические и не параметрические ^13. Параметрические модели предполагают один или несколько диполи, которые могут отличаться в месте, ориентации и силы. Напротив, не являющиеся параметрических моделей содерпа большое количество диполей с фиксированного места и ориентации. В этих моделях, скальп электрическая активность объясняется как сочетание активаций в основной диполей ^10,13,14. Номера параметрический, распределенные модели источник может быть основана на знаниях о анатомии и проводимости в различных средах. Элемент Граница модели включают значения проводимости для основных тканей головы с различными снарядами для мозга, спинно спинномозговой жидкости, и черепа. Это основано на предположении, что проводимость в основном постоянным в пределах каждого отсека, но отмечены изменения происходят на границе различных отсеков. Конечные элементные модели основаны на дальнейшей сегментации MR сканирования в серого и белого вещества, так что значения проводимости могут быть назначены каждого воксела ^15.

С практической точки зрения, не являющихся параметрических моделей особенно полезны для восстановления источника в сложных когнитивных задач, в которых число областей, участвующих можетне знают, ^10. Краевые элементные модели наиболее широко используются в современной литературе, вероятно, потому, что более точные модели конечных элементов представляют сравнительно высокие вычислительные мощности. Кроме того, существует значительная среди индивидуальная изменчивость в серого и белого вещества, так что FEMS должны основываться на индивидуальных сканирования МРТ.

Номера параметрические модели требуют второй шаг для согласования головы измеренное деятельность предсказаниям прямом модели. Опять же, разные подходы с различными преимуществами и недостатками были обсуждены в литературе (см. Мишель и др.. 2004 для обзора). Наиболее широко используемые алгоритмы основаны на минимальной оценки нормы (МНК), который соответствует головы измеренной активности в текущем распределении в прямом модели с самой низкой общей интенсивности ^16. МНП смещена в сторону слабых и поверхностных источников. Глубина взвешенные алгоритмы МНК попытаться уменьшить уклон поверхности путем введения взвешиваниематрицы на основе математических предположениях ^10. Широко используется LORETA подход также основан на взвешенном МНК, но дополнительно минимизирует лапласиане источников, что приводит к более плавного решений ^17,18. LORETA было установлено, работают лучше для одиноких источников в имитационных исследованиях ^19,20. Тем не менее, LORETA может привести к более сглаживании решений. Глубина взвешенный МНК является предпочтительным, когда источники неизвестны или несколько источников, вероятно, будут присутствовать ^{13, 16.} Сравнивая результаты различных алгоритмов для оценки влияния различных модельных предположений рекомендуется.

Таким образом, реконструкция источника с помощью методов моделирования не был ограничен для детей до недавнего времени. Это потому, что большая часть программного обеспечения анализ ЭЭГ опирается на модели головы на основе взрослой анатомии, который существенно ограничивает достоверность исходных растворов в детей ^2,8. Дешевый доступ к вычислительной мощности и обеспеченияудобное программное обеспечение для восстановления источника позволяют преодолеть эти ограничения. Применяя оценку источника на ЭЭГ обеспечивает два важных преимущества по сравнению с анализом на основе наблюдений только канального уровня: улучшение пространственного разрешения и независимости наблюдений.

Оценка Источник не может быть информативным в некоторых случаях: хороший охват головы требуется различать источники. Системы высокой плотности с 128 или более электродов рекомендуется ^10,15; редкой охват будет выступать в качестве пространственного фильтра, ведущей к более широкому активации источника распространения или ложных отрицательных результатов ^10. Кроме того, реконструкция источник на основе способа, описанного в этой статье только Сообщалось о корковых генераторов. Таким образом, меньше подходит для проверки гипотез о подкорковых субстратов или коры подкорковых взаимодействий. Наконец, анализ источником должна быть основана на подробных предварительных гипотез о корковых субстратов,принимая существующую литературу от других методов визуализации во внимание. Пространственные методы фильтрации может также использоваться, чтобы улучшить пространственное разрешение сигнала ЭЭГ путем уменьшения пространственное перемешивание на уровне головы. Альтернативные методы, чтобы уменьшить влияние эффектов объем проводимости без головы моделирования используются, например, оператор Лапласа фильтрации ²¹ или Текущий анализ ²² Источник Плотность. Однако эти методы не обеспечивают больше информации о нейронных генераторов как эффекты объем проводимости не ограничивается только датчиков в непосредственной пространственной близости ^1.

В следующих разделах, в статье описывается, как эксперименты по исследованию мозга и когнитивные функции у детей от 2-х лет разработаны в Лондонской лаборатории для новорожденных. Далее, сбора данных ЭЭГ с высокой плотностью системах низкого импеданса с детьми обсуждается. Тогда, предварительная обработка ЭЭГ и анализ на уровне канала представлена. Lastlу, статья посвящена обработке структурных данных МРТ для реконструкции корковой источника и анализа сигналов уровня входного сигнала.

протокол

1. Проектирование ЭЭГ и события, связанные потенциальные эксперименты для детей

Примечание: Простой эксперимент был разработан для целей настоящей статьи, которые могут быть использованы для расследования лицом, обработка у маленьких детей. В следующем разделе будет описан эксперимент и объяснить, как это осуществить с помощью MATLAB R2012b и Psychtoolbox V3.0.11 ^23,24. Снимки, сделанные из множества NimStim эмоционального выражение лица ²⁵ были использованы для этого примера. Этот набор стимулом доступен для исследовательских целей по запросу ( http://www.macbrain.org/resources.htm ).

1. Перенесите RGB фотографии в серое, чтобы уменьшить различия между стимулами. См. Таблицу 1 Примечание:. Эти команды требуют Image Processing Toolbox ( http://www.mathworks.co.uk/products/image/ ). Бесплатные альтернативы можно найти твозь файловой бирже ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
2. Использовать экспериментальную программное обеспечение управления для реализации эксперимент с точным временем для предъявления стимула триггеров, используя серию команд (см. таблицу 1 в качестве примера).

2. Сбор данных

1. Убедитесь, что ребенок комфортно с окружающей средой тестирования. Разрешить младшие дети сидеть на коленях у своего опекуна или на сиденье удобной ребенка. Пусть ребенок видеть и чувствовать в сети датчика перед его применением к голове ребенка. Если есть дополнительная сеть, уже родитель также попробовать один на, или разместить один на куклу или чучело плюшевого.
2. Измерьте максимальную окружность головы, чтобы выбрать правильный чистый размер для ребенка. Используйте измеряя ленту и удерживайте его в Насьон. Затем измерьте вокруг головы вокруг максимальной длины окружности (~ 1см выше затылочного бугра). Примечание: вести учет измеряемой окружности головы и сеть датчика, используемого для последующего анализа ^26. Это помогает, если глава родители также измеряется сделать детей более комфортно с ситуацией.
3. Определить вершину головы на пересечении середине расстояния между Насьон и затылочного бугра и левой и правой расположенный вокруг предсердия точки. Отметить эту точку с посудной пера для того, чтобы вершина канала расположен правильно при применении в сети.
4. Применить сеть датчика и убедитесь, что ключевые каналы совмещены с анатомических ориентиров (Насьон, ИНИОН, вершинных и влево / вправо mastoids). Примечание: Для получения более точных результатов, положение каналов на голове может быть цифровой, приобретенный с помощью специального цифровизации оборудования. Исследователи, желающие приобрести положение датчика следует обратиться к соответствующим аппаратных и программных инструкций. Кроме того, электродные карты, которые предполагают стандартный размещение электродов наряду анатомической ланdmarks могут быть использованы. Эти карты могут быть искажен с возрастом соответствующие модели головы, как описано в разделе анализа.
5. Убедитесь, что каналы имеют хороший контакт с кожей головы, поместив датчики индивидуально; мягко крутить каждый датчик из стороны в сторону, чтобы переместить волосы из пути.
6. Измерьте усиления канала и канала сопротивления. Нажмите кнопку "Пуск", чтобы начать запись в программное обеспечение для записи NetStation ЭЭГ и начать усиление и измерения полного сопротивления. Если измерение не запускается автоматически, используйте "Калибровка усилитель" и кнопку "Мера Чистые сопротивлений".
7. Проверьте программное обеспечение для записи каналов, сопротивление которых выше, чем 50 кОм, которые появятся красный. Применение дополнительного раствора электролита с помощью пипетки в нижний канал импедансов. Проверьте дисплей ЭЭГ для каналов, которые показывают высокие частоты деятельность, несмотря на низкий импеданс или заметно меньшей активностью, чем окружающие каналов (плоская линия каналов). Эти каналы могут ВГАэ плохой контакт с кожей головы и требуют корректировки.
8. Для того чтобы сохранить детей комфортно во время подготовки ЭЭГ, позволить ребенку слушать музыку, смотреть возрастной соответствующий мультфильм или отвлечь их внимание с помощью другого экспериментатора, например, дует мыльные пузыри для малышей.

3. Анализ

1. Предварительная обработка
   1. Цифровая фильтрация данных с фильтра высоких частот с отсечения на 0,1 Гц, чтобы удалить канал дрейфует ²⁷ (табл. 1).
   2. Для ERP анализа, применить фильтр нижних частот с отсечения на 30 Гц ²⁷ (табл. 1).
   3. Эпоху непрерывных данных в соответствии с кодами запуска установленных во время записи. Для большинства экспериментов, использовать базовую 200 мс предшествующих начала стимула и интервал после стимула 600 мс для покрытия временной интервал интерес (табл. 1).
   4. Удалить эпохи, которые содержат движения или мигания артефакты: знак сhannels с пика до пика амплитуды выше, чем 150 мВ - настроить этот порог в зависимости от участников группы и качества данных. Для согласованности, использовать тот же порог для всех участников одного из исследований. Если канал находится выше этого порога в более чем 30% от эпох, удалите канал (деятельность канала может быть интерполированное от окружающих каналов, если они содержат приемлемые данные). Если более 20% из каналов помечаются как плохо в эпоху, удалите эпоху. Если более 20% каналов отвергаются алгоритма или менее 50% от эпох сохраняются, рассмотреть возможность отмены набора данных из дальнейшего анализа (табл. 1).
      Примечание: Процентные пороги для эпохи и отказа канала приблизительные цифры, которые удаляют достаточное количество шума в нашем опыте. Количество артефакта в записи, вероятно, будет отличаться использованием другого участника группы, экспериментальные парадигмы или системы ЭЭГ. Экспериментаторы можете отрегулировать процентпороги и проверить, если они удовлетворены с отказом артефактов. Кроме того, экспериментаторы могут отклонить испытания, которые содержат артефакт путем визуального осмотра.
   5. Re ссылкой на средней ссылкой путем вычитания среднего активность по каналам от каждого канала (табл. 1). Примечание: вершина электрод обычно используется в качестве опорного записи в NetStation.
2. Артефакт Коррекция Использование Независимый компонентный анализ
   1. Импорт данных в более быстрого инструментов ²⁸ и запустить автоматическую артефакт алгоритм отказа на данные (табл. 1).
   2. Используйте графический интерфейс пользователя (GUI) для БЫСТРЕЕ; , чтобы открыть графический интерфейс, тип FASTER_GUI в командную строку.
   3. Отмените выбор параметров фильтрации в меню фильтрации, так как данные уже были отфильтрованы перед epoching.
   4. Укажите количество каналов: 126 каналов ЭЭГ с 2 electrooculagram (EOG) каналов.
   5. Введитемаркеры, используемые для epoching данные как строки в массив ячеек. Для представленной случае введите: {'лицо', 'ГКДР'} для лица и яичницей условиях лица.
   6. Выберите каналы для независимого анализа (МКА) компонента. Обычно выбрать все записи каналов, вкл. внешние не являющиеся каналы ЭЭГ.
   7. Укажите входной и выходной папки в правой панели GUI.
   8. Выберите нужный файл канала для записи. Примечание: файлы Channel для большинства системы ЭЭГ может либо быть загружены с производителем или может быть загружен с сайта EEGLAB.
   9. Нажмите RUN, чтобы начать быструю обработку. В зависимости от длины записи и количества файлов, эта обработка может занять несколько часов.
   10. Осмотрите записи, независимые карты компонентов и ERPs после обработки.
3. Уровень канала Анализ связанные с событиями потенциалы данных
   1. Объединить несколько каналов в виртуальный Channel с лучшим отношением сигнал-шум (табл. 1). Примечание: выбор каналов должны быть основаны на предыдущих докладах в литературе или априорных гипотез. Выбор каналов, которые показывают наивысшую амплитуду в пределах данного временного окна не рекомендуется ^29.
   2. Получить такие меры, как пиковой амплитуды, средняя амплитуда и пиковую латентность для характеристики сигнала и выполнять статистические тесты (табл. 1).
4. Создание Element Граница Модели (МГЭ)
   1. Сегмент анатомическая МРТ с FreeSurfer. Примечание: Для получения более точных результатов, основывать модель граничных элементов на отдельных сканов МРТ для каждого участника. Если это не представляется возможным, следует использовать средние шаблоны МРТ, которые соответствуют возрасту участников, насколько это возможно. Обратите внимание, что BEMS не может быть использован для детей в возрасте до 24 месяцев. Краевые элементные модели предполагается, что каждая оболочка (мозг, череп, кожа) состоит из замкнутой оболочки. Тем не менее, в уOung дети родничков в черепе не закрыты, что нарушает замкнутой оболочки предположение.
      1. Для того чтобы установить программное обеспечение FreeSurfer сначала следует загрузить его с веб-сайта FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ). Далее, создана среда оболочки включают FreeSurfer; . для Bashrc, включают следующие команды в файле Bashrc.:
         1. Экспорт FREESURFER_HOME = / Применения / FreeSurfer /
         2. Источник $ FREESURFER_HOME / FreeSurferEnv.sh
            Примечание: Эти команды предполагают, что папка FreeSurfer находится в папке Приложения в системе Unix. Есть более подробную информацию о том, как настроить FreeSurfer с альтернативными работе в командной строке, например CSH / Tcsh, или операционных систем на веб-сайте FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Далее, определить предмет дирекТори, т.е. папку, что выход будет записываться с помощью следующей команды:
         1. экспорт SUBJECTS_DIR = / ... / BEMS /
            Примечание: Результаты можно записать в любую папку на системе.
      3. Далее, изменить рабочий каталог в папку, содержащую файл МРТ для граничных элементов модели, используя следующую команду:
         1. кд / Пользователи / joebathelt / Neurodevelopmental_MRI_database / Дети / Мозг /
            Примечание: Любая папка в системе могут быть указаны с использованием синтаксис команды кд. Это является примером первичной структуры файла исследователи.
      4. Наконец, начать реконструкцию с помощью следующих команд:
         1. Recon-все-я -subjid
         2. Recon-все-все-subjid
            Примечание: должен быть заменен с именем файла желаемых сканирования МРТ в текущем каталоге. можно представитькружевной с любым именем. FreeSurfer создаст папку с таким именем в каталоге темы. В зависимости от используемой системы, последние команды может потребоваться некоторое время, чтобы бежать.
   2. Проверьте сегментацию FreeSurfer за неправильную сегментации, например. перекрывающиеся сферы, анатомически вряд отсеков и т.д.. путем импорта сегментов в BrainStorm и использовать дисплей инструменты в графическом интерфейсе:
      1. В BrainStorm, выберите анатомии панель. Импорт сегментированный МРТ щелкнув правой кнопкой мыши на объекте и выбрав "Импорт Анатомия Folder". Убедитесь папку с выходом FreeSurfer выбран. Осмотрите сегментацию визуально, щелкнув правой кнопкой и выбрав "Дисплей". Примечание: В качестве альтернативы команды FreeSurfer могут быть использованы. Подробное описание можно найти на веб-сайте FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. Если интересующей области анализа на основе анатомического выделения земельных участков желательно, FreeSurfer функции mris_ca_label , mri_annotation2label и mri_mergelabels могут быть использованы. Обратитесь к документации по FreeSurfer и страницах интерактивной справки для получения более подробной информации.
5. Оцените Источник активность в BrainStorm
   1. Начните BrainStorm, набрав "мозговой штурм" в окне командной строки.
   2. Создать новый протокол, выбрав новый протокол в меню Файл.
   3. Добавить новую SubjЭСТ с протоколом, выбрав новый предмет в меню Файл.
   4. Импорт данных ЭЭГ для участника щелкнув правой кнопкой мыши по этому вопросу и выбрав "Импорт MEG / ЭЭГ".
   5. Импортировать файл канала щелкнув правой кнопкой мыши и выбрав "Файл Импорт канала". Примечание: Файл канала необходимо привести в соответствие с МРТ для реконструкции источников. BrainStorm использует систему 4 анатомических ориентиров, что пользователю необходимо отметить в МРТ. Пожалуйста, обратитесь к Brainstorm учебники для получения дополнительной информации ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). Стандартное положение, как это определено в файле канала для определенной системы ЭЭГ или, в идеале, позиции головы, которые были оцифрованы до записи ЭЭГ могут быть использованы.
   6. Убедитесь, что BEM и каналы совпадают, как ожидается: Щелкните правой кнопкой мыши на файле канала для субъекта и перейдите к "МРТ регистрация" и "; Проверить ". Примечание: Если сферы в модели накладываются друг на друга или, если каналы находятся в МГЭ, реконструкция источник будет выдавать неправильные результаты. Отрегулируйте выравнивание с помощью параметра "Изменить" в меню "МРТ сегментации".
   7. Рассчитайте шума ковариационной матрицы от базовой линии каждой эпохи щелкнув правой кнопкой на участника и выбрав "Noise ковариационную матрицу" и "Рассчитать от записи". Примечание: Авторы BrainStorm инструментов рекомендуется использовать диагональную шума ковариационной матрицы для коротких записей (~ меньше, чем в базе каналов) и полный один для более длинных записей. Пожалуйста, обратитесь к обучающей BrainStorm Источник оценивания для получения дополнительной информации: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
   8. Рассчитать модели источника, щелкнув правой кнопкой по этому вопросу и выбрать "вычислэ источником модель ".
   9. Вычислить обратную решения с использованием глубины взвешенное минимальной нормы оценивание щелкнув правой кнопкой мыши на объекте и выбрав "Compute Источник" и "Минимальная оценка нормы». Примечание: Другие варианты (DSPM, sLORETA) имеются. Каждый вариант имеет свои преимущества и недостатки. Алгоритм должен быть выбран на основании априорных соображений и предыдущих докладах в литературе. Кроме того, некоторые алгоритмы лучше в решении фокусное активации в определенных районах, тогда как другие являются более подходящими для активации широко распространенной. МНК был использован для этого исследования, основанного на предыдущих докладах в литературе ^16. Для согласованности, тот же алгоритм для решения обратной следует использовать для всех участников одного из исследований. Исследователи также можете сравнить, как устойчивые выводы являются с применением различных алгоритмов решения обратной.
   10. Повторите Раздел 3 для всех участников исследования. Примечание: В любом использовать граphical интерфейс дозирования или скрипты повторяют этапы обработки для участников. См. документацию BrainStorm инструкции ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
   11. Средний деятельность источник над испытаний на участников, перетаскивая записи к процессу меню и выберите пункт "Средний" и "В силу условия (при условии среднего)".
   12. Контраст состояние выбрав "Процессы 2" и перетащить каждое условие в одном окне. Затем выберите "Тест" и "Т-теста Стьюдента" или "т-тест Стьюдента (в паре)" в зависимости от конструкции. Чтобы выполнять несколько сравнений, установить амплитуду и пороги регион на дисплее полученной статистической карте в меню "Stat". Примечание: В качестве альтернативы, карты активации могут быть экспортированы в SPM ( http://www.fil.ion.ucl.ac.uk / SPM /) для более углубленного статистического анализа ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
   13. Рассчитайте ответ событий, связанных с для интересующей нас области. Для выделения земельных участков на основе трансформирования, загрузите выделения земельных участков FreeSurfer щелкнув правой кнопкой мыши на поверхности коры в меню анатомии и выберите "Импорт меток". Перейдите соответствующий файл и загрузить его. Теперь выберите ROI в "Scout" панели меню функциональной данных.
   14. Получите событий, связанных с деятельностью ROI путем перетаскивания файлов в окно Процесс 1 и выберите "Извлечь Scout Time Series" в меню Sources. Примечание: Несколько трансформирования могут быть выбраны одновременно и ROI временные ряды могут быть экспортированы для дальнейшего черчения и анализа щелкнув правой кнопкой мыши на время скаутскогоДанные серии и выбрав "Экспорт в Matlab".

Результаты

Проектирование ERP эксперименты для младенцев и детей часто бросает вызов, из-за их ограниченных возможностей терпеть длинные повторяющиеся опыты ^30. Эта проблема еще более усугубляется, когда экспериментатор планирует подать заявку реконструкции источника, потому что точной рек...

Обсуждение

Настоящая статья описывает регистрацию и анализ высокой плотности ЭЭГ на реконструкцию корковых генераторов с использованием моделей граничных элементов на основе возраста соответствующие средние шаблоны МРТ и глубина взвешенная минимальная оценка нормой в стандартном ERP парадигм...

Материалы

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
References
Delorme, A., & Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21.
Sylvain, B., John, C., Dimitrios, P., & Richard, M. (2011). Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 2011, 1–13.
Fischl, B., Van Der Kouwe, A., Destrieux, C., Halgren, E., Ségonne, F., Salat, D. H., et al. (2004). Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22.
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. (2010). OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45. doi:10.1186/1475-925X-9-45
Brainard, D. H. (1997). The psychophysics toolbox. Spatial vision.