Name: microstate and omega complexity analyses of the resting-state electroencephalography
Uploaded: 2018-06-15T12:30:00.000+00:00
Duration: 6 min 40 s
Description: Watch this Scientific Journal Video about Microstate and Omega Complexity Analyses of the Resting-state Electroencephalography at JoVE.com

Bu ulusal doğal Bilim Vakfı Çin tarafından (31671141) desteklenir.

Bu iletişim kuralı yerel etik kurul tarafından kabul edildi. Tüm katılımcılar ve velileri bu deneme için bir onam formu imzaladı.
1. konular
<ol><li>Sadece, Yaş aralıkları 14 22 yıl 15 sağlıklı erkek ergen, konular (yani ± standart sapma: 18.3 ± 2.8 yıl). Not: microstate ve omega karmaşıklık çözümlemek için geçerli protokol sağlıklı konular için geliştirilmiştir, ancak bu gruba yalnızca sınırlı değildir.</li>
</ol>2. EEG veri kaydı
<ol><li>Konular nerede EEG veri kaydedildi bir sessiz, ısı kontrollü oda rahat bir sandalyede oturmak için sor. Bu protokol için ANT EEG sistemi kullanarak 20-Kanal EEG veri toplamak.</li>
	<li>Kap konularda başının üstüne koy.<ol>
<li>Bu çalışmada, orta boy ile en ergen ya da erkek konular için uygun bir kap kullanın. Çocuklar, lütfen her konu baş çevresi ölçmek ve uygun boyutta cap belirlemek.</li>
		<li>Elektrot Cz yaklaşık % 50'sini Trinitron ile nasion arasındaki uzaklık ve sol ve sağ arası işitsel girintiler arasındaki uzaklığı % 50'si yerleştirin. Referans elektrotlar sırasıyla sol ve sağ mastoid kemiğe yer. Diğer kafa derisi elektrotlar standart konumlarda Uluslararası göre 10-20 sistemi yer. Not: Bir elektrot sistemi ve EEG ile 20 Kanal amplifikatör EEG microstate analiz ve omega karmaşıklık analizi için yeterli.</li>
	</ol>
</li>
	<li>Tüm elektrotlar elektrotlar aracılığıyla künt bir iğne ekleyerek iletken jel ile doldurun. Empedans düşürmek için iletken jel kullanın. Bütün elektrot impedances 10 kiloohms (kΩ) daha düşük tutmak.<ol>
<li>Bu dönemde, bazı eğlence ilgililer sağlar (örneğin, bir kısa film göster). Kuru bir elektrot veya serum fizyolojik bir elektrot kullandıysanız, iletken jel enjekte etme adımı atlayın.</li>
	</ol>
</li>
	<li>Konular süren 5 dk. dijital ortama ve EEG kaydetmek için kullandığı sayısallaştırma yazılım sinyal kayıt sırasında kapalı gözlerle dinlenmek için talimat. En az 250 örnekleri/s. kullanım çevrimiçi bir filtre 0,1 geniş ve 80 Hz örnekleme hızını kullanın. Not: çoğu ticari kullanılabilir elektrot-amplifikatör sistemleri EEG sinyal gürültü oranı sinyal artırabilirsiniz, bir aktif elektrot sistemi kullanıyor olsa da bu sistem herhangi bir elektrikli cihazlara yakın EEG kayıt sırasında koymayın.</li>
</ol>3. EEG veri ön işleme
Not: EEG veri çeşitli açık kaynak veya ticari yazılım kullanarak Önişlenmiş. Aşağıdaki talimatları EEGLAB için özeldir. Bu sadece bir EEG veri önişlem için birçok kullanılabilir seçenekler dışarı biridir.
<ol><li>EEG yazılım (örneğin, EEGLAB) ham EEG veri alma (dosya | Verilerini alma | EEGLAB işlevleri ve eklentileri kullanarak). Not: ham EEG adet çeşitli elektrot-amplifikatör sistemlerden kaydı EGI, karınca, gibi EEGLAB tarafından tanınan beyin vizyon kaydedici ve Neuroscan.</li>
	<li>EEG yazılımına Kanal konumu dosya yüklemek (Düzenle | Kanal konumları). EEG veri ve programın ismi EEGLAB için ithal edilmiş olsa da, bir kanal konum dosyası Bu elektrotlar mekansal konumlarını elde etmek için EEG yazılım alın.</li>
	<li>Referans elektrotlar kaldırmak (Düzenle | Verileri seçmek | Veri kanalı aralıktaki seçin). "Select aralığındaki veriler kanal" açılan iletişim kutusunun seçeneği, yalnızca kayıt elektrotları seçin ve böylece referans elektrotlar kaldırılabilmesi için referans elektrotlar seçmeyin. Bu iki elektrot sırasıyla sol ve sağ mastoid kemiğe yerleştirilir beri adet referans elektrotlar kaydı 'true' beyin sinyal, değil.</li>
	<li>Bant 0.5 ve 80 Hz arasında pass filtre EEG veri (Araçlar | Verilere filtre | Temel köknar filtre [yeni, varsayılan]). Açılan iletişim kutusunda "alt frekans geçiş bandı (Hz) kenarına" için 5 seçin ve 80 "yüksek frekans geçiş bandı (Hz) kenarına" için seçin. Sonra "Tamam" düğmesini tıklatın.</li>
	<li>49 ve 51 Hz arasında bir çentik filtre ile güç hat gürültüsü kaldırmak (Araçlar | Verilere filtre | Temel köknar filtre [yeni, varsayılan]). Açılan diyalog kutusunda, 49 için "alt kenarına frekans geçiş bandı (Hz)", seçin ve "yüksek frekans geçiş bandı (Hz) kenarına" için 51 seçin ve "Çentik filtre veri geçişi bant yerine" seçeneğini seçin. Sonra "Tamam" düğmesini tıklatın.</li>
	<li>Göz hareketleri, elektromiyografi (EMG) veya kör kaynak ayırma (BSS) algoritması15kullanarak diğer fizyolojik olmayan yapıları tarafından kontamine veri bölümleri düzeltin. Göz hareketleri için tıkırtı üstünde alet | AAR 1,3 kullanarak yapı kaldırma | EOG kaldırma | BSS kullanarak; EMG için Araçlar | AAR 1,3 kullanarak yapı kaldırma | BSS kullanarak EMG kaldırma.</li>
	<li>Dönemini, dönem uzunluğu 2 ile önceden işlenmiş sürekli EEG veri kesimi s. Bunu yapmak için yazmak 'EEG eeg_regepochs = (EEG, 'yineleme', 2, 'sınırlar', [0 2], 'rmbase', NaN); pop_saveset(EEG)', o zaman klavyenin Enter tuşuna basın. Bir pencere kesimli EEG veri kaydetme sağlayan çıkacaktır.</li>
	<li>EEG yazılım kesimli EEG veri alma (dosya | «««Yük) varolan bir veri kümesi.</li>
	<li>EEG dönemini aşan ± 80 µV herhangi bir elektrot, genlik değerlerle reddetmek (Araçlar | Veri dönemini reddetmek | «««Reddetmek) veri [tüm yöntemleri].</li>
	<li>Önişlenmiş EEG verileri kaydetmek (dosya | Geçerli veri kümesi olarak) kaydedin.</li>
</ol>4. EEG Microstate Analizi
Not: Bir tabandan tavana yordam ve bir yukarı-alt yordamı içeren microstate sınıf analiz16için klasik K Ortalamalar kümeleme algoritması değiştirilmiş bir sürümü kullanılır. Aşağıdan yukarıya yordamda, grup düzeyi microstate sınıfları kayma korelasyon bir küme ölçüt olarak kullanılarak tanımlanır. Sonra yukarı-alt yordam, her gruptaki her konunun her topografik harita EEG microstate sınıf maksimum kayma korelasyon ile atanır. Dinlenme-devlet EEG microstate analiz için topografik haritalar polarite sık gözardı edilir. EEG microstate sınıf Analizi yapılabilir çeşitli açık kaynak bilgisayar yazılımı, CARTOOL, sLORETA, aynı derecede kullanarak EMMA ve MapWin. Aşağıdaki talimatları için Lihtenştayn EEGLAB eklenti özgüdür. Bu EEGLAB eklenti https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins karşıdan yüklenemedi.
<ol><li>Her konu için Önişlenmiş EEG verileri yüklemek (dosya | Yük) veri kümesi mevcut, dönüştürme başvuru kanalları ortak ortalama referans için (Araçlar | Yeniden başvuru) ve bant geçiren 2 ve 20 Hz arasında EEG verilere filtre uygulama (Araçlar | Verilere filtre | Temel köknar filtre [yeni, varsayılan]).</li>
	<li>Dört microstate haritalar her konuda tanımlamak (Araçlar | Lihtenştayn | «««tanımlamak) microstate haritalar. Açılan diyalog kutusunda, 3 dk sayısı"sınıflar" seçin, 6 Max sayısı"sınıflar" Seç, "yeniden başlatılma sayısını" için 50 seçin, "Kullanmak için haritalar sayısı" seçin ve "Sadece GFP zirve" ve "Polarizasyon" seçeneklerini seçin. Sonra "Tamam" düğmesini tıklatın.</li>
	<li>Sonra kendi microstate tanımlayan haritalar her konunun EEG verileri kaydetmek (dosya | Geçerli veri kümesi olarak) kaydedin.</li>
	<li>Hemen son adımda kaydettiğiniz tüm konuların EEG veri alma (dosya | «««Yük) varolan bir veri kümesi.</li>
	<li>Grup düzeyi microstate haritalar tanımlamak (Araçlar | Lihtenştayn | Ortalama microstate eşler arasında veri kümeleri). Açılan diyalog kutusunda "Seç ortalama için ayarlar" seçeneği tüm konuların veri kümelerini seçin. Seçenek "Demek adını", grup düzeyi microstate haritalar için bir ad verin. "GrandMean" varsayılan adıdır. Sonra "Tamam" düğmesini tıklatın. Bu "grup düzeyi microstate haritalar saklayan GrandMean", adlı yeni bir veri kümesi oluşturur.</li>
	<li>El ile dört grup düzeyi microstate haritalar klasik sıralarına göre sıralama (Arsa | «««Edit) microstate haritalar. "Daha fazla" ve menüden seçin ve sonra gösterildiği haritalar sayısı olur dört. "Adam sıralama" seçin. Açılan diyalog kutusunda dört grup düzeyi microstate haritalar yeni sırasını girin. O zaman tıkırtı "Kapatmak".</li>
	<li>Dört microstate haritalar her konunun sıralama (Araçlar | Lihtenştayn | «««Sıralama) bireysel microstate haritalar göre demek.</li>
	<li>Her konunun microstate parametrelerini kaydedin (Araçlar | Lihtenştayn | Lihtenştayn [Ortalama şablon Haritalar] veri kümesinde, ölçmek) hangi sırayla iki açılır diyalog kutusu çağıracaktır.<ol>
<li>İlk diyalog kutusunda tüm konuların veri kümelerini seçin. İkinci iletişim kutusunda seçin "4 sınıfları" seçeneği "Sınıfların numarası" için "Uydurma GFP tepeler üzerinde sadece" seçenekleri seçin ve "Kaldır potansiyel Lihtenştayn kesildi", "etiket" pencere (ms) yumuşatma için 30 seçin ve "Sigara pürüzsüzlük için 1'i seçin ceza". Sonra "Tamam" ı tıklatın. Microstate parametreleri depolayan bir csv dosyası bilgisayarda kaydedilir.</li>
	</ol>
</li>
</ol>5. omega karmaşıklık Analizi
<ol><li>Her dönem EEG verileri kaydetmek ve her konu ASCII veya txt biçimi kullanarak özelleştirilmiş komut dosyası. Adım 5.1 için özelleştirilmiş komut dosyası örneği ek materyalleri bulunamadı. Not: Eğer küresel omega karmaşıklık hesaplanır, tüm kafa derisi elektrotları EEG veri ASCII veya txt biçiminde vermek için ihtiyaç vardır. Bölgesel omega karmaşıklık hesaplanır, sadece o kafa derisi bölgede elektrot EEG veri verin. Örneğin, ön omega karmaşıklık hesaplamak için sadece EEG elektrot anterior bölgesi (yani, Fp1, Fp2, F7, F3, Fz, F4 ve F8); verileri posterior omega karmaşıklık hesaplamak amacıyla elektrot (yani, T5, T6, P3, P4, Pz, O1 ve O2) posterior bölgede sadece EEG veri verin.</li>
	<li>SLORETA yazılım17 kullanarak tüm ayrık Frekanslar omega karmaşıklığı hesaplamak (yardımcı programlar | Çaplı connectivity). Bu yazılım http://www.uzh.ch/keyinst/loreta.htm kullanılabilir.</li>
	<li>Özelleştirilmiş komut dosyası26kullanarak her frekans bandı omega karmaşıklığı hesaplamak. Bizim durumumuzda, delta olan aşağıdaki sekiz frekans bantlarında omega karmaşıklığı her frekans aralığında ortalama değeri olarak hesaplamak (0,5-3.5 Hz), teta (4-7.5 Hz), alfa1 (8-10 Hz), alpha2 (10,5-13,5 Hz), beta1 (14-18 Hz), beta2 (18,5-30 Hz), gamma1 () 30.5-48 Hz) ve gamma2 (52-80 Hz)4. Adım 5,3 için özelleştirilmiş komut dosyası örneği ek materyalleri bulunamadı.</li>
</ol>

<ol>
	<li>Khanna, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Microstates+in+resting-state+EEG:+current+status+and+future+directions.">Microstates in resting-state EEG: current status and future directions.</a> Neurosci Biobehav Rev. 49, 105-113 (2015).</li><li>Chen, J. L., Ros, T., Gruzelier, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dynamic+changes+of+ICA-derived+EEG+functional+connectivity+in+the+resting+state.">Dynamic changes of ICA-derived EEG functional connectivity in the resting state.</a> Hum Brain Mapp. 34 (4), 852-868 (2013).</li><li>Imperatori, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Aberrant+EEG+functional+connectivity+and+EEG+power+spectra+in+resting+state+post-traumatic+stress+disorder:+a+sLORETA+study.">Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study.</a> Biol Psychol. 102, 10-17 (2014).</li><li>Gao, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Altered+Resting-State+EEG+Microstate+Parameters+and+Enhanced+Spatial+Complexity+in+Male+Adolescent+Patients+with+Mild+Spastic+Diplegia.">Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia.</a> Brain Topogr. 30 (2), 233-244 (2017).</li><li>Seitzman, B. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cognitive+manipulation+of+brain+electric+microstates.">Cognitive manipulation of brain electric microstates.</a> Neuroimage. 146, 533-543 (2017).</li><li>Lehmann, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG-defined+functional+microstates+as+basic+building+blocks+of+mental+processes.">EEG-defined functional microstates as basic building blocks of mental processes.</a> Clin Neurophysiol. 122 (6), 1073-1074 (2011).</li><li>Koenig, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Millisecond+by+millisecond,+year+by+year:+normative+EEG+microstates+and+developmental+stages.">Millisecond by millisecond, year by year: normative EEG microstates and developmental stages.</a> Neuroimage. 16 (1), 41-48 (2002).</li><li>Britz, J., Van De Ville, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=BOLD+correlates+of+EEG+topography+reveal+rapid+resting-state+network+dynamics.">BOLD correlates of EEG topography reveal rapid resting-state network dynamics.</a> Neuroimage. 52 (4), 1162-1170 (2010).</li><li>Musso, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spontaneous+brain+activity+and+EEG+microstates.+A+novel+EEG/fMRI+analysis+approach+to+explore+resting-state+networks.">Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks.</a> Neuroimage. 52 (4), 1149-1161 (2010).</li><li>Strelets, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Chronic+schizophrenics+with+positive+symptomatology+have+shortened+EEG+microstate+durations.">Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations.</a> Clin Neurophysiol. 114 (11), 2043-2051 (2003).</li><li>Kikuchi, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG+microstate+analysis+in+drug-naive+patients+with+panic+disorder.">EEG microstate analysis in drug-naive patients with panic disorder.</a> PLoS One. 6 (7), e22912 (2011).</li><li>Santarnecchi, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG+Microstate+Correlates+of+Fluid+Intelligence+and+Response+to+Cognitive+Training.">EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training.</a> Brain Topogr. , (2017).</li><li>Schlegel, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG+microstates+during+resting+represent+personality+differences.">EEG microstates during resting represent personality differences.</a> Brain Topogr. 25 (1), 20-26 (2012).</li><li>Wackermann, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Beyond+mapping:+estimating+complexity+of+multichannel+EEG+recordings.">Beyond mapping: estimating complexity of multichannel EEG recordings.</a> Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).</li><li>Jung, T. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Removing+electroencephalographic+artifacts+by+blind+source+separation.">Removing electroencephalographic artifacts by blind source separation.</a> Psychophysiology. 37 (2), 163-178 (2000).</li><li>Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Segmentation+of+brain+electrical+activity+into+microstates:+model+estimation+and+validation.">Segmentation of brain electrical activity into microstates: model estimation and validation.</a> IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).</li><li>Pascual-Marqui, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Standardized+low-resolution+brain+electromagnetic+tomography+(sLORETA):+technical+details.">Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details.</a> Methods Find Exp Clin Pharmacol. 24, 5-12 (2002).</li><li>Hu, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+primary+somatosensory+cortex+contributes+to+the+latest+part+of+the+cortical+response+elicited+by+nociceptive+somatosensory+stimuli+in+humans.">The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans.</a> Neuroimage. 84, 383-393 (2014).</li><li>Murray, M. M., Brunet, D., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Topographic+ERP+analyses:+a+step-by-step+tutorial+review.">Topographic ERP analyses: a step-by-step tutorial review.</a> Brain Topogr. 20 (4), 249-264 (2008).</li><li>Van de Ville, D., Britz, J., Michel, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG+microstate+sequences+in+healthy+humans+at+rest+reveal+scale-free+dynamics.">EEG microstate sequences in healthy humans at rest reveal scale-free dynamics.</a> Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).</li><li>Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Identification+of+emotion+associated+brain+functional+network+with+phase+locking+value.">Identification of emotion associated brain functional network with phase locking value.</a> Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).</li><li>Wen, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Resting-state+EEG+coupling+analysis+of+amnestic+mild+cognitive+impairment+with+type+2+diabetes+mellitus+by+using+permutation+conditional+mutual+information.">Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information.</a> Clin Neurophysiol. 127 (1), 335-348 (2016).</li><li>Rosales, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+efficient+implementation+of+the+synchronization+likelihood+algorithm+for+functional+connectivity.">An efficient implementation of the synchronization likelihood algorithm for functional connectivity.</a> Neuroinformatics. 13 (2), 245-258 (2015).</li><li>Jia, H., Peng, W., Hu, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+novel+approach+to+identify+time-frequency+oscillatory+features+in+electrocortical+signals.">A novel approach to identify time-frequency oscillatory features in electrocortical signals.</a> J Neurosci Methods. 253, 18-27 (2015).</li><li>Wackermann, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Global+characterization+of+brain+electrical+activity+by+means+of+the+&#937;+complexity+production+rate.">Global characterization of brain electrical activity by means of the &#937; complexity production rate.</a> Brain Topogr. 18, 135 (2005).</li><li>Wackermann, J., Putz, P., Ga&#223;ler, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Unfolding+EEG+spatial+complexity+as+a+function+of+frequency.">Unfolding EEG spatial complexity as a function of frequency.</a> Brain Topogr. 16 (2), 124 (2003).</li></ol>

Yazarlar ifşa gerek yok.

Bu makalede, EEG analitik yöntemleri (yani, microstate analiz ve omega karmaşıklık Analizi), iki tür insan beyni uzaysal karmaşıklığını ve temporal karmaşıklığı sırasıyla ölçme, ayrıntılı olarak tarif edildi. Birkaç kritik adım içinde belirtilmelidir Protokolü vardır. İlk olarak, EEG veri microstate ve omega karmaşıklık hesaplama önce temizlenmesi gerekir. İkinci olarak, EEG veri hesaplama microstate ve omega karmaşıklık önce ortalama başvuru karşı remontaged. Üçüncü olarak, s...

Elektroansefalografi (EEG) beri bu noninvaziv, düşük mal oldu ve çok yüksek zamansal çözünürlük1olan klinik tanı ve bilimsel araştırma, hem de insan beyin elektriksel aktivitesinin kaydetmek için yaygın olarak kullanılmış. Devlet dinlenme içinde EEG sinyallerini incelemek için araştırmacılar birçok EEG teknikleri (örneğin, güç spektrum analizi, fonksiyonel bağlantı analizi)2,3geliştirdik. Bunlar microstate analiz ve omega karmaşıklık Analizi iyi kayma ve temporal bilgi EEG sinyallerini4doğasında faydalanmak.
Önceki araştırmalar ne kadar zaman içinde göz kapalı EEG sinyallerinin topografik dağıtım değişir veya göz-açık devlet dinlenme, anlık haritalar dizi manzara, kesintili değişiklikleri göstermek bu göstermiştir Yani, dönemleri, istikrar alternatif bazı yarı kararlı EEG Topografyaları5arasında kısa geçiş dönemleri ile. Lihtenştayn 80 ile 120 ms1arasında son yarı kararlı EEG Topografyaları Bu bölüm olarak tanımlanır. Farklı elektrik potansiyel manzara farklı sinirsel kaynaklar tarafından oluşturulan gerekir bu Lihtenştayn okunmasının temel taşları hak kazanabilirsiniz ve "düşünce ve duygu atomlarının"6kabul edilebilir. Modern desen sınıflandırma algoritmaları kullanarak, dört EEG microstate sınıfları dinlenme sürekli olarak, A sınıfı, B sınıfı, C sınıfı ve D sınıfı7etiketli gözlenmiştir. Ayrıca, araştırmacılar EEG veri dinlenme bu dört microstate sınıflar birçok dinlenme-devlet fMRI (fonksiyonel manyetik rezonans görüntüleme) çalışmalar8',9 gözlenen iyi bilinen fonksiyonel sistemleri ile yakından ilişkili olduğunu ortaya koydu . Böylece, microstate analiz dinlenme ağları (RSNs) insan beyninin çalışma için yeni bir yaklaşım sağladı. Ayrıca, ortalama süresi ve dört microstate haritalar topografik şeklinde her microstate sınıfın oluşum sıklığını önemli ölçüde bazı beyin bozuklukları4,10,11tarafından etkilenmiştir, ve sıvı istihbarat12 ve kişilik13ile ilişkilidir.
Diğer yönü olarak, çok kanallı EEG geleneksel fonksiyonel bağlantı sadece böylece küresel fonksiyonel bağlantı kafa derisi veya belirli bir beyin bölgesi içinde değerlendirmek başarısız oldu iki kafa derisi elektrot arasındaki işlevsel bağlantıları tarif olabilir. Wackermann (1996)14 tarafından önerilen ve asıl bileşen analizi (PCA) ve Shannon entropi, birleştiren bir yaklaşımla hesaplanan omega karmaşıklığı arasındaki geniş bant genel eşitleme dağınık şekilde ölçmek için kullanılan Dağıtılmış beyin bölgeleri. Her frekans bandı omega karmaşıklığını değerlendirmek için Fourier dönüşümü yaygın bir ilk adım25yapılmıştır.
Lihtenştayn ve omega karmaşıklık iki yakından bağlantılı kavram, yani, temporal karmaşıklığı ve kayma karmaşıklık4yansıtacak şekilde kullanılabilir. İnsan beyninin belirli zihinsel işlemlerde microstate sınıfları temsil ettiğinden, nöronal salınımlarını zamansal yapısını yansıtabilir. Alt süresi ve daha yüksek oluşum hızı / sn yüksek temporal karmaşıklığı belirtmeniz gerekir. Omega karmaşıklık olumlu ilgili beyinde sinirsel bağımsız kaynaklar sayı ile böylece sık kayma karmaşıklık4bir göstergesi olarak kabul edilir.
Geçerli makalenin EEG microstate analiz ve omega karmaşıklık Analizi ayrıntılı protokolünü açıklar. EEG microstate ve omega karmaşıklık çözümlemeleri beyin aktivitesi zamansal ve mekansal karmaşıklığı sırasıyla ölçmek için fırsat sunar.

<table><tbody><tr><td>ANT 20 channels EEG/ERP system</td><td>ASA-Lab, ANT B.V., Netherlands</td><td></td><td>company web address:&lt;br/&gt; http://www.ant-neuro.com/</td></tr><tr><td>EEGLAB plugin for Microstates</td><td>Thomas Koenig</td><td></td><td>https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins</td></tr><tr><td>sLORETA</td><td>Roberto D. Pascual-Marqui</td><td></td><td>http://www.uzh.ch/keyinst/loreta.htm</td></tr><tr><td>MATLAB 2010a</td><td>The MathWorks Inc.</td><td></td><td>company web address:&lt;br/&gt; http://www.mathworks.com/</td></tr><tr><td>eeglab</td><td>Swartz Center for Computational Neuroscience, University of California, San Diego</td><td></td><td>https://sccn.ucsd.edu/eeglab/index.php</td></tr></tbody></table>

microstate and omega complexity analyses of the resting-state electroencephalography

Microstate ve omega karmaşıklığı EEG veri zamansal ve mekansal karmaşıklığı gösterebilir ve bazı beyin bozukluklarında sinirsel mekanizmalar araştırmak için yaygın olarak kullanılmış iki başvuru içermeyen elektroansefalografi (EEG) önlemler vardır. Bu makalenin amacı EEG microstate ve omega karmaşıklık çözümlemeleri adım adım temel Protokolü tarif etmektir. Bu iki önlemler büyük avantajı onlar geleneksel spektrum analizi için doğal başvuru bağımlı sorunu ortadan kaldırmak olduğunu. Buna ek olarak, microstate analiz dinlenme-devlet EEG zaman yüksek çözünürlüğe iyi kullanır ve dört elde edilen microstate sınıflar sırasıyla ilgili dinlenme-devlet ağlar maç olabilir. Omega karmaşıklık bariz avantajı tek bir kanal sinyal karmaşıklığı odaklanan geleneksel karmaşıklık önlemler ile karşılaştırıldığında olan uzamsal karmaşıklığı bütün beyin ya da belirli beyin bölgeleri, karakterize. Bu iki EEG ölçümleri zamansal ve mekansal etki alanından beyin karmaşıklık sırasıyla araştırmak için birbirlerini tamamlayıcı.

EEG microstate
Grand normalleştirilmiş microstate haritalar Şekil 1' de gösterilen demek. Elektrik potansiyel manzara burada tanımlanan dört bu microstate sınıfların çok önceki çalışmalar4' te bulunanlara benzer.
Ortalama ve standart sapma (SD) sağlıklı deneklerin microstate parametrelerinin Ta...

Watch this Scientific Journal Video about Microstate and Omega Complexity Analyses of the Resting-state Electroencephalography at JoVE.com

Microstate and Omega Complexity Analyses of the Resting-state Electroencephalography

İki başvuru içermeyen EEG önlemlerdir protokol temel elektroansefalografi (EEG) microstate Analizi ve omega karmaşıklık analizi, bu makalede ve sinirsel mekanizmalar beyin bozukluklarının keşfetmek için son derece değerli.

Microstate ve dinlenme-devlet elektroansefalografi Omega karmaşıklık analizleri

Microstate and omega complexity are two reference-free electroencephalography (EEG) measures that can represent the temporal and spatial complexities of ...

microstate-omega-complexity-analyses-resting-state

Research

JoVE Journal

Neuroscience

10.1K Görüntüleme.  Peking University People's Hospital. İki başvuru içermeyen EEG önlemlerdir protokol temel elektroansefalografi (EEG) microstate Analizi ve omega karmaşıklık analizi, bu makalede ve sinirsel mekanizmalar beyin bozukluklarının keşfetmek için son derece değerli.

Video: Microstate and Omega Complexity Analyses of the Resting-state Electroencephalography

Utilizing Electroencephalography Measurements for Comparison of Task-Specific Neural Efficiencies: Spatial Intelligence Tasks

Spatial intelligence is often linked to success in engineering education and engineering professions. The use of electroencephalography enables comparative calculation of individuals&#39; neural efficiency as they perform successive tasks requiring spatial ability to derive solutions. Neural efficiency here is defined as having less beta activation, and therefore expending fewer neural resources, to perform a task in comparison to other groups or other tasks. For inter-task comparisons of tasks with similar durations, these measurements may enable a comparison of task type difficulty. For intra-participant and inter-participant comparisons, these measurements provide potential insight into the participant&#39;s level of spatial ability and different engineering problem solving tasks. Performance on the selected tasks can be analyzed and correlated with beta activities. This work presents a detailed research protocol studying the neural efficiency of students engaged in the solving of typical spatial ability and Statics problems. Students completed problems specific to the Mental Cutting Test (MCT), Purdue Spatial Visualization test of Rotations (PSVT:R), and Statics. While engaged in solving these problems, participants&#39; brain waves were measured with EEG allowing data to be collected regarding alpha and beta brain wave activation and use. The work looks to correlate functional performance on pure spatial tasks with spatially intensive engineering tasks to identify the pathways to successful performance in engineering and the resulting improvements in engineering education that may follow.

This manuscript describes an approach to measure neural activity of humans while solving spatially focused engineering problems. The electroencephalogram methodology helps interpret beta brain wave measurements in terms of neural efficiency, with the aim of ultimately enabling comparisons of task performance both between problem types and between participants.

Görev Özgü Sinir Efficiencies Karşılaştırma için Elektroensefalografi Ölçümler kullanmak: Mekansal Zeka Görevleri

Spatial intelligence is often linked to success in engineering education and engineering professions. The use of electroencephalography enables ...

Davranış

Automatic Detection of Highly Organized Theta Oscillations in the Murine EEG

Theta activity is generated in the septohippocampal system and can be recorded using deep intrahippocampal electrodes and implantable electroencephalography (EEG) radiotelemetry or tether system approaches. Pharmacologically, hippocampal theta is heterogeneous (see dualistic theory) and can be differentiated into type I and type II theta. These individual EEG subtypes are related to specific cognitive and behavioral states, such as arousal, exploration, learning and memory, higher integrative functions, etc. In neurodegenerative diseases such as Alzheimer&#39;s, structural and functional alterations of the septohippocampal system can result in impaired theta activity/oscillations. A standard quantitative analysis of the hippocampal EEG includes a Fast-Fourier-Transformation (FFT)-based frequency analysis. However, this procedure does not provide details about theta activity in general and highly-organized theta oscillations in particular. In order to obtain detailed information on highly-organized theta oscillations in the hippocampus, we have developed a new analytical approach. This approach allows for time- and cost-effective quantification of the duration of highly-organized theta oscillations and their frequency characteristics.

Theta activity in the hippocampus is related to specific cognitive and behavioral stages. Here, we describe an analytical method to detect highly-organized theta oscillations within the hippocampus using a time-frequency (i.e., wavelet analysis)-based approach.

Fare EEG yüksek Organize Teta Titreşim Otomatik Algılama

Theta activity is generated in the septohippocampal system and can be recorded using deep intrahippocampal electrodes and implantable ...

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

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain signal. Typically, researchers represent the brain's response as the mean across repeated experimental trials and disregard signal fluctuations over time as "noise". However, it is becoming clear that brain signal variability conveys meaningful functional information about neural network dynamics. This article describes the novel method of multiscale entropy (MSE) for quantifying brain signal variability. MSE may be particularly informative of neural network dynamics because it shows timescale dependence and sensitivity to linear and nonlinear dynamics in the data.

Neuroimaging researchers typically consider the brain's response as the mean activity across repeated experimental trials and disregard signal variability over time as "noise". However, it is becoming clear that there is signal in that noise. This article describes the novel method of multiscale entropy for quantifying brain signal variability in the time domain.

Olay İlişkili Potansiyeller, Spektral Güç ve Çok Ölçekli Entropi: EEG beyin görüntüleme Veri Uygulamaları

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

Nörobilim

Brain State-dependent Brain Stimulation with Real-time Electroencephalography-Triggered Transcranial Magnetic Stimulation

The effect of a stimulus to the brain depends not only on the parameters of the stimulus but also on the dynamics of brain activity at the time of the stimulation. The combination of electroencephalography (EEG) and transcranial magnetic stimulation (TMS) in a real-time brain state-dependent stimulation system allows the study of relations of dynamics of brain activity, cortical excitability, and plasticity induction. Here, we demonstrate a newly developed method to synchronize the timing of brain stimulation with the phase of ongoing EEG oscillations using a real-time data analysis system. This real-time EEG-triggered TMS of the human motor cortex, when TMS is synchronized with the surface EEG negative peak of the sensorimotor &#181;-alpha (8-14 Hz) rhythm, has shown differential corticospinal excitability and plasticity effects. The utilization of this method suggests that real-time information about the instantaneous brain state can be used for efficacious plasticity induction. Additionally, this approach enables personalized EEG-synchronized brain stimulation which may lead to the development of more effective therapeutic brain stimulation protocols.

This paper describes real-time electroencephalography-triggered transcranial magnetic stimulation to study and modulate human brain networks.

Gerçek Zamanlı Elektroensefalografi ile Beyin Durumuna Bağımlı Beyin Stimülasyonu-Tetiklenen Transkraniyal Manyetik Stimülasyon

The effect of a stimulus to the brain depends not only on the parameters of the stimulus but also on the dynamics of brain activity at the time of the ...

High-density Electroencephalographic Acquisition in a Rodent Model Using Low-cost and Open-source Resources

Advanced electroencephalographic analysis techniques requiring high spatial resolution, including electrical source imaging and measures of network connectivity, are applicable to an expanding variety of questions in neuroscience. Performing these kinds of analyses in a rodent model requires higher electrode density than traditional screw electrodes can accomplish. While higher-density electroencephalographic montages for rodents exist, they are of limited availability to most researchers, are not robust enough for repeated experiments over an extended period of time, or are limited to use in anesthetized rodents.1-3 A proposed low-cost method for constructing a durable, high-count, transcranial electrode array, consisting of bilaterally implantable headpieces is investigated as a means to perform advanced electroencephalogram analyses in mice or rats.

Procedures for headpiece fabrication and surgical implantation necessary to produce high signal to noise, low-impedance electroencephalographic and electromyographic signals are presented. While the methodology is useful in both rats and mice, this manuscript focuses on the more challenging implementation for the smaller mouse skull. Freely moving mice are only tethered to cables via a common adapter during recording. One version of this electrode system that includes 26 electroencephalographic channels and 4 electromyographic channels is described below.

Instructions for the low-cost construction and surgical implantation of a chronic transcranial high-density electroencephalographic montage into mice are provided. Signal recording, extraction, and processing techniques are also described.

Bir Kemirgen Modelinde Yüksek yoğunluklu Elektroensefalografik Toplama Düşük maliyetli ve Açık kaynak Kaynakları Kullanma

Advanced electroencephalographic analysis techniques requiring high spatial resolution, including electrical source imaging and measures of network ...

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

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

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

Uyku Faresinde Spektral Gücün ve İnsanın Yavaş yavaş Dinamiklerinin Nicelleştirilmesi

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

Network Analysis of Foramen Ovale Electrode Recordings in Drug-resistant Temporal Lobe Epilepsy Patients

Approximately 30% of epilepsy patients are refractory to antiepileptic drugs. In these cases, surgery is the only alternative to eliminate/control seizures. However, a significant minority of patients continues to exhibit post-operative seizures, even in those cases in which the suspected source of seizures has been correctly localized and resected. The protocol presented here combines a clinical procedure routinely employed during the pre-operative evaluation of temporal lobe epilepsy (TLE) patients with a novel technique for network analysis. The method allows for the evaluation of the temporal evolution of mesial network parameters. The bilateral insertion of foramen ovale electrodes (FOE) into the ambient cistern simultaneously records electrocortical activity at several mesial areas in the temporal lobe. Furthermore, network methodology applied to the recorded time series tracks the temporal evolution of the mesial networks both interictally and during the seizures. In this way, the presented protocol offers a unique way to visualize and quantify measures that considers the relationships between several mesial areas instead of a single area.

This protocol describes a procedure to track the evolution of mesial network measures in temporal lobe epilepsy (TLE) patients. It is based on the combination of intracranial recordings with a novel numerical technique for data analysis. Specifically, we present a protocol for network analyses of foramen ovale recordings.

İlaca dirençli Temporal Lob Epilepsi Hastalarında Foramen Ovale Elektrot Kayıtları Ağ Analizi

Approximately 30% of epilepsy patients are refractory to antiepileptic drugs. In these cases, surgery is the only alternative to eliminate/control ...

Tıp

Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy

Crucial to the success of epilepsy surgery is the availability of a robust biomarker that identifies the Epileptogenic Zone (EZ). High Frequency Oscillations (HFOs) have emerged as potential presurgical biomarkers for the identification of the EZ in addition to Interictal Epileptiform Discharges (IEDs) and ictal activity. Although they are promising to localize the EZ, they are not yet suited for the diagnosis or monitoring of epilepsy in clinical practice. Primary barriers remain: the lack of a formal and global definition for HFOs; the consequent heterogeneity of methodological approaches used for their study; and the practical difficulties to detect and localize them noninvasively from scalp recordings. Here, we present a methodology for the recording, detection, and localization of interictal HFOs from pediatric patients with refractory epilepsy. We report representative data of HFOs detected noninvasively from interictal scalp EEG and MEG from two children undergoing surgery.
The underlying generators of HFOs were localized by solving the inverse problem and their localization was compared to the Seizure Onset Zone (SOZ) as this was defined by the epileptologists. For both patients, Interictal Epileptogenic Discharges (IEDs) and HFOs were localized with source imaging at concordant locations. For one patient, intracranial EEG (iEEG) data were also available. For this patient, we found that the HFOs localization was concordant between noninvasive and invasive methods. The comparison of iEEG with the results from scalp recordings served to validate these findings. To our best knowledge, this is the first study that presents the source localization of scalp HFOs from simultaneous EEG and MEG recordings comparing the results with invasive recordings. These findings suggest that HFOs can be reliably detected and localized noninvasively with scalp EEG and MEG. We conclude that the noninvasive localization of interictal HFOs could significantly improve the presurgical evaluation for pediatric patients with epilepsy.

High Frequency Oscillations (HFOs) have emerged as presurgical biomarkers for the identification of the epileptogenic zone in pediatric patients with medically refractory epilepsy. A methodology for the noninvasive recording, detection, and localization of HFOs with simultaneous scalp electroencephalography (EEG) and magnetoencephalography (MEG) is presented.

Pediatrik Epilepsi biyolojik belirteç olarak Eşzamanlı Manyetoensefalografi ve elektroensefalografi ile Tespit Edilen interiktal Yüksek Frekans Salınımlılığı

Crucial to the success of epilepsy surgery is the availability of a robust biomarker that identifies the Epileptogenic Zone (EZ). High Frequency ...

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

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

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

Sinirsel aktivite ve bağlanırlığı İntrakraniyal EEG veri SPM yazılım programıyla analiz

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

Electroencephalography Network Indices as Biomarkers of Upper Limb Impairment in Chronic Stroke

Alteration of electroencephalography (EEG) signals during task-specific movement of the impaired limb has been reported as a potential biomarker for the severity of motor impairment and for the prediction of motor recovery in individuals with stroke. When implementing EEG experiments, detailed paradigms and well-organized experiment protocols are required to obtain robust and interpretable results. In this protocol, we illustrate a task-specific paradigm with upper limb movement and methods and techniques needed for the acquisition and analysis of EEG data. The paradigm consists of 1 min of rest followed by 10 trials comprising alternating 5 s and 3 s of resting and task (hand extension)-states, respectively, over 4 sessions. EEG signals were acquired using 32 Ag/AgCl scalp electrodes at a sampling rate of 1,000 Hz. Event-related spectral perturbation analysis associated with limb movement and functional network analyses at the global level in the low-beta (12-20 Hz) frequency band were performed. Representative results showed an alteration of the functional network of low-beta EEG frequency bands during movement of the impaired upper limb, and the altered functional network was associated with the degree of motor impairment in chronic stroke patients. The results demonstrate the feasibility of the experimental paradigm in EEG measurements during upper limb movement in individuals with stroke. Further research using this paradigm is needed to determine the potential value of EEG signals as biomarkers of motor impairment and recovery.

The experimental protocol demonstrates the paradigm for acquiring and analyzing electroencephalography (EEG) signals during upper limb movement in individuals with stroke. The alteration of the functional network of low-beta EEG frequency bands was observed during the movement of the impaired upper limb and was associated with the degree of motor impairment.

Kronik İnmede Üst Ekstremite Bozukluğunun Biyobelirteçleri Olarak Elektroensefalografi Ağ İndeksleri

Alteration of electroencephalography (EEG) signals during task-specific movement of the impaired limb has been reported as a potential biomarker for the ...