Name: applications of eeg neuroimaging data: event-related potentials, spectral power, and multiscale entropy
Uploaded: 2013-06-27T12:00:00
Duration: 11 min 15 s
Description: Watch this Scientific Journal Video about Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy at JoVE.com

1. Adquisición EEG <ol><li> Explicar los procedimientos experimentales para el participante y obtener el consentimiento informado. </li><li> Aplicar desplegables electrodos. Limpie el área de la cara donde se ubicarán los electrodos desplegables usando un algodón con alcohol. </li><li> Coloque la tapa del electrodo en la cabeza del participante. Mida la circunferencia de la cabeza del participante y seleccione el tamaño del casquillo apropiado. Siguiendo el sistema 10-20 reconocido internacionalmente para la colocación de electrodos, medir la distancia desde nasión inion a lo largo de la línea media y se divide en un 10%. Con ese número, a la altura de nasión y marca. Alinear el electrodo cap posición Fp con esta marca y tire de la tapa hacia atrás. Asegúrese de que el centro de la tapa está en línea con la nariz. Mida nasión de Cz, y confirmar que esta distancia es la mitad de la distancia de nasión a inion. Apriete el barbijo. </li><li> Lugar de GEL jeringa contundente puntos en los soportes de electrodos. Para crear una columna de gel conductor, comience en contacto conel cuero cabelludo, y luego apretar y tirar hacia atrás. Tenga en cuenta que la aplicación de un exceso de gel puede reducir las señales de los electrodos vecinos. </li><li> Fijar electrodos activos en los soportes de electrodos. </li><li> Coloque el sujeto en frente del monitor a una distancia apropiada para el experimento. Pídale al participante que permanecer inmóvil, haciendo hincapié en la importancia de reducir al mínimo los movimientos oculares y parpadeos para una grabación limpia. </li><li> Examine las conexiones del electrodo y la calidad de señal EEG en el equipo de adquisición. Verifique que todos los desplazamientos de los electrodos son bajos (&lt;40 mV) y estable. Si hay un problema con un electrodo particular, tener que volver a aplicar gel de electrodo y para ajustar impedancias en ese sitio. </li><li> Guarde el archivo y comenzar el experimento. </li></ol> 2. Análisis de EEG <ol><li> Después de la experimentación, pero antes de extraer la estadística particular de interés, preprocesar los datos de EEG continuos para eliminar los artefactos utilizando procedimientos estándar de filtrar unarechazo de artefactos ª. Cortar el EEG continua en épocas correspondientes a cada uno de eventos discretos, tales como la presentación de fotografía. En cada época, incluir una ventana de 100 ms antes del estímulo como una línea de base. </li><li> Análisis de potenciales relacionados con eventos (ERP) captura la actividad cerebral síncrono que está enganchada en fase a la aparición del evento. Promedio entre los ensayos para separar las respuestas evocadas en el &quot;ruido&quot; (es decir, fuera de la fase cerrada) la actividad de fondo. La variabilidad entre los ensayos y entre los sujetos presenta un gran desafío para el método de análisis de ERP. Para lograr una buena relación señal-a-ruido del protocolo experimental debe incluir muchos eventos discretos con inicios definibles. Tiempo de bloqueo de la respuesta del cerebro a la aparición de un evento saliente y luego promediando sobre muchos eventos como ayuda a reducir algunos de este ruido, sin embargo, la sincronía temporal creado por este procedimiento se disuelve típicamente dentro de 1 seg. Identificar ERP amplitudes y latencias pico de componentes para cada subproyecto (por directrices más detalladas sobre el análisis ERP, ver Picton et al., 2000). </li><li> Utilizando el análisis de Fourier, transformar la señal del EEG del dominio del tiempo al dominio de la frecuencia y descomponer la señal en sus ondas sinusoidales compuestas de diferentes frecuencias 6. </li><li> Multiscale entropía (MSE) es una teoría métrica información que estima que la variabilidad de las señales neuroelectical lo largo del tiempo ya través de múltiples escalas de tiempo. Para proporcionar una representación conceptual del análisis MSE, considera dos formas de onda simuladas, una forma de onda periódica y una más estocástico. Valores de la entropía de la muestra son cerca de cero por la forma de onda periódica y ~ 2.5 para la forma de onda más variable. Un aumento en la entropía de la muestra corresponde a un aumento de la complejidad de la señal, la cual, de acuerdo a la teoría de la información, puede ser interpretado como un aumento en la cantidad de capacidad de procesamiento de la información del sistema subyacente 7,16. Recuerde que la capacidad de un cerebro no es fija sino que cambia depending en el contexto neuronal 2, es decir, las regiones del cerebro que pasan a ser funcionalmente conectado en un punto particular en el tiempo. </li><li> Para calcular MSE, utilizar el algoritmo disponible en <a href="http://www.physionet.org/physiotools/mse/">www.physionet.org/physiotools/mse/</a> , que calcula MSE en dos pasos. </li><li> En primer lugar, el algoritmo progresivamente descendentes muestras de la serie de tiempo EEG por ensayo y por condición. Abajo muestra de la serie de tiempo original para generar series temporales múltiples para distintas escalas de tiempo. Series de tiempo 1 es la serie de tiempo original. Para crear la serie temporal de plazos posteriores, dividir la serie de tiempo original en que no se solapan ventanas de la escala de tiempo y longitud promedio de los puntos de datos dentro de cada ventana. Abajo de muestreo es similar al filtrado de paso bajo, dividiendo la frecuencia de muestreo de la escala de tiempo se aproximará a la frecuencia en la que la señal se filtra paso bajo para ese determinado plazo de tiempo. La aplicación de MSE a la parrango de frecuencia particular (por ejemplo, alfa: 9 Hz a 12 Hz) se puede interpretar como la representación de la composición de los ritmos dentro de ese rango, así como la interacción entre esas frecuencias. </li><li> En segundo lugar, el algoritmo calcula la entropía muestral para cada serie temporal de grano grueso 14. Entropía Muestra estima la complejidad de una serie de tiempo. En un análisis no lineal del EEG, se supone que una serie de tiempo individual representa la manifestación de un modelo dinámico no lineal multidimensional subyacente (ver Stam, 2005 para una revisión). En este ejemplo, m (la longitud del patrón) se establece en dos, lo que significa que la variabilidad de la amplitud de cada patrón de series de tiempo se representa en el espacio bidimensional frente tridimensional teniendo en cuenta el patrón de secuencia de dos contra tres consecutivos puntos de datos, respectivamente. Parámetro r (el criterio de similitud), refleja el rango de amplitud (denotado por la altura de las bandas de colores) dentro de la cual puntos de datos de unvolver consideran &quot;compatibles&quot;. Para una serie de tiempo EEG típico, con más de 100 puntos de datos, establezca el parámetro m igual a 2 y el parámetro r igual a un valor entre 0,5 y 1 (ver Richman y Moorman, 2000, para un procedimiento detallado sobre cómo seleccionar parámetros de referencia a Lake et al., 2002). Para calcular la entropía de la muestra para esta serie de tiempo simulado, comenzar con el primer patrón de secuencia de dos componentes, rojo-naranja. En primer lugar, cuente el número de veces que el patrón de secuencia rojo-naranja se produce en la serie temporal, hay 10 partidos de esta secuencia de dos componentes. En segundo lugar, contar el número de veces primer patrón de secuencia de tres componentes, rojo-naranja-amarillo, se produce en las series de tiempo, hay 5 resultados para esta secuencia de tres componentes. Continuar con las mismas operaciones para la siguiente secuencia de dos componentes (amarillo-naranja) y la secuencia de tres componentes próxima (naranja-amarillo-verde) de la serie temporal. El número de partidos de dos componentes (5) y los partidos de tres componentes (3) para estos secuencialces se añaden a los valores anteriores (un total de partidos de dos componentes = 15; total de partidos de tres componentes = 8). Repita el procedimiento para todos los demás partidos en la secuencia de la serie de tiempo (hasta N - m) para determinar la relación total de partidos de dos componentes a partidos de tres componentes. La entropía de la muestra es el logaritmo natural de esta relación. Para cada tema, se calcula la estimación MSE canal específico como la media a través de medidas de entropía ensayos individuales para cada escala de tiempo. </li></ol>

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

No hay conflictos de interés declarado.

El objetivo del presente artículo es proporcionar una descripción conceptual y metodológico de la entropía multiescala (MSE) que se aplica a los datos de neuroimagen EEG. EEG es una poderosa técnica de neuroimagen no invasiva que mide la actividad de la red neuronal con la alta resolución temporal. La señal del EEG refleja la actividad de post-sináptica de las poblaciones de células piramidales en la corteza, cuyas respuestas colectiva son modificados por diversas conexiones reentrantes excitatorios e inhibitorios. En consecuencia, hay múltiples formas de analizar los datos de EEG y cada método extrae un aspecto único de los datos. Hemos discutido dos métodos comunes de análisis: el potencial de análisis relacionados con el evento (ERP) y el análisis espectral de potencia. Análisis ERP captura la actividad neuronal sincrónica en la señal del EEG que está enganchada en fase a la aparición de un evento discreto. ERPs reflejan específica perceptual, motor, o las operaciones cognitivas, lo que hace esta estadística ideal para examinar las especificacionesetapas de procesamiento ific. Análisis de potencia espectral cuantifica la contribución relativa de una frecuencia particular a la señal del EEG. Varios circuitos de retroalimentación excitatorios e inhibitorios interactúan para arrastrar la actividad de poblaciones neuronales a una determinada frecuencia de 1,3. Se cree que tal sincronía entre regiones cerebrales diferentes para promover la unión de la información a través de redes neuronales generalizadas. Hay una rica literatura que apoya la relación entre el poder dentro de un rango de frecuencia en particular y un estado emocional o cognitiva específica de la función 3. Al analizar EEG también es importante tener en cuenta que las redes neuronales son sistemas complejos con dinámica no lineal. Esta complejidad se refleja en la señal del EEG como oscilaciones irregulares que no son la consecuencia de ruido de fondo sin sentido. Al igual que la actividad oscilatoria síncrona, las interacciones entre los diversos bucles reentrantes excitatorios e inhibitorios causan la gripe transitoriactuations en la señal del cerebro a través del tiempo 6. Tales transitorios se cree que reflejan las transiciones o bifurcaciones entre microestados de red que se pueden utilizar para estimar los grados de libertad o la complejidad de la red subyacente; una mayor variabilidad en el patrón de amplitud de la señal con el tiempo es indicativo de un sistema más complejo 5. Críticamente, ERP o los análisis espectrales de potencia no son sensibles a dicha actividad irregular, mientras que MSE es. Por otra parte, un índice de complejidad de la red no se puede obtener simplemente contando el número de regiones del cerebro activas como tal método es ciego a las interacciones recurrentes transitorios y dinámica entre las regiones del cerebro. Métodos complementarios para el análisis de neuroimagen se combinan para crear una imagen completa de la actividad neural subyacente. La interpretación de los resultados de las aplicaciones más tradicionales de los datos de neuroimagen, como ERP y la potencia espectral, se complementan con medidas de complejidad como MSE; MSE proporciona una manera de capturar la secuencia de cambios en los patrones espacio-temporales de la actividad cerebral a través de múltiples escalas de tiempo que contribuye a una operación cognitiva específica. La aplicación de MSE a los conjuntos de datos nuevos y existentes pueden proporcionar una mayor comprensión de cómo la cognición surge de la dinámica de redes neuronales.

Los recientes avances en neuroimagen han aumentado dramáticamente nuestra comprensión de la función cerebral. Sin embargo, muchas de las aplicaciones de los datos de neuroimagen tienden a reforzar la visión del cerebro en estados estáticos en lugar de hacer hincapié en las operaciones cognitivas que se desarrollan en tiempo real. En consecuencia, se sabe poco acerca de la estructura del espacio-tiempo de las redes cerebrales y cómo la secuencia de cambios en los patrones espacio-temporales a través de múltiples escalas de tiempo contribuye a una operación cognitiva específica. El presente artículo describe la entropía multiescala (MSE) 5, una nueva herramienta analítica para los datos de neuroimagen que examina la complejidad del patrón espacio-temporal que subyace a las operaciones cognitivas específicas, proporcionando información acerca de cómo diferentes generadores neuronales en el cerebro funcional de la red se comunican a través de múltiples escalas de tiempo. Derivado de la teoría de la información, una rama de las matemáticas aplicadas 7,16, MSE era originalLY diseñado para examinar la complejidad de electrocardiogramas 4. En teoría, MSE podría ser utilizado para analizar la complejidad de cualquier serie de tiempo, el requisito principal es que la serie de tiempo de la señal de datos contiene por lo menos 50 puntos de tiempo continuo. Sin embargo, la dependencia de escala de tiempo y la sensibilidad a la dinámica lineales y no lineales en los datos pueden hacer MSE particularmente informativa de la dinámica de la red neural. Aquí, nos centramos en la aplicación del MSE de electroencefalograma (EEG), los datos de neuroimagen 9,12. EEG es una técnica de neuroimagen no invasiva mediante el cual los electrodos que se colocan en el cuero cabelludo captan las respuestas postsinápticas de las poblaciones de neuronas en la corteza cerebral 1. Con una alta resolución temporal, EEG cumple con creces el tiempo de duración serie necesaria de MSE sin alterar el protocolo de adquisición típica. Para enfatizar la utilidad de la aplicación de MSE a los datos de EEG, comparamos este nuevo método con los enfoques más tradicionales including eventos relacionados con la energía potencial y espectral. Cuando se utilizan conjuntamente, estos métodos complementarios de análisis proporcionan una descripción más completa de los datos que pueden conducir a una mayor comprensión de las operaciones de red neural, que dan lugar a la cognición.

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

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

Al considerar los datos de neuroimagen humanos, la apreciación de la variabilidad de la señal representa una innovación fundamental en la forma en que pensamos acerca de la señal del cerebro. Por lo general, los investigadores representan la respuesta del cerebro como la media entre los ensayos experimentales repetidas y el desprecio de las fluctuaciones de la señal en el tiempo como &quot;ruido&quot;. Sin embargo, cada vez es más claro que la variabilidad de la señal del cerebro transmite información funcional significativa sobre la dinámica de redes neuronales. En este artículo se describe el nuevo método de entropía multiescala (MSE) para cuantificar la variabilidad de la señal del cerebro. MSE puede ser particularmente informativa de la dinámica de la red neural, ya que muestra la dependencia de escala de tiempo y la sensibilidad a la dinámica lineales y no lineales en los datos.

Las figuras 1A y 2A representan la señal del EEG en respuesta a la presentación de una imagen de la cara. Promediando a través como ensayos produce una forma de onda ERP que consiste en una serie de desviaciones positivas y negativas llamado componentes ERP. Figura 1B ilustra una forma de onda promedio de un solo sujeto y la Figura 6A ilustra una forma de onda promedio de los grandes por un grupo de sujetos. Hay una rica literatura que relaciona cada componente ERP a una específica perceptual, motor, o el funcionamiento cognitivo. Por ejemplo, la N170 es una desviación negativa que picos a aproximadamente 170 mseg después de la inicio del estímulo y está implicada en el procesamiento de la cara 8,15. La Figura 2B ilustra la descomposición de la misma señal del EEG en las bandas de frecuencia de los componentes. Los resultados de análisis espectral de potencia revelan el contenido de frecuencia de la señal (Figura 2C), mediante el cualun aumento de la potencia a una frecuencia particular, refleja un incremento en la presencia de ese ritmo dentro de la señal del EEG. Al igual que la potencia espectral, MSE es sensible a la complejidad de los componentes oscilatorios que contribuyen a la señal. Sin embargo, a diferencia de potencia espectral, MSE es también sensible a las interacciones entre los componentes de frecuencia (es decir, no lineal dinámica 18). La complejidad de una señal de EEG se representa como una función de la entropía de la muestra (Figura 5) a través de múltiples escalas de tiempo (Figura 4). Como se ilustra en la Figura 3, la entropía de la muestra es baja para las señales regulares y aumenta con el grado de aleatoriedad de la señal. A diferencia de las medidas de entropía tradicionales que aumentan con el grado de aleatoriedad, multiescala entropía es capaz de diferenciar señales complejas a partir de ruido blanco teniendo en cuenta la entropía a través de múltiples escalas de tiempo. Por ejemplo, Costa et al., 2005 comparó multiescala valores de entropía fo no correlacionada (blanco) ruido en función de correlación (rosa) ruido. Mientras que la entropía de la muestra fue mayor para el ruido blanco de ruido rosa en fina escala de tiempo, se observó lo contrario en escalas de tiempo más gruesos 5-20. En otras palabras, cuando se considera la entropía a través de múltiples escalas de tiempo, la verdadera complejidad de las señales se representa con mayor precisión de lo que sería si sólo una única escala de tiempo se consideró. Dependiendo de la dinámica temporal de un contraste específico, efectos de condición se pueden expresar: 1) de la misma manera en todas las escalas de tiempo, 2) en algunas escalas de tiempo, pero no otros, o 3) como efectos de cruce por lo que el contraste es diferente a bien frente gruesa escalas de tiempo. La figura 6 muestra las diferencias de condición en ERP (Figura 6A), la energía espectral (Figura 6B), MSE (Figura 6C) contrastar las presentaciones iniciales frente a la repetición de fotografías de la cara 9. En este ejemplo, todas las medidas convergentes para revelarel mismo efecto, sin embargo, la disminución observada en la entropía de ejemplo que acompaña la cara repetición es importante, ya que limita la interpretación de los resultados. Una disminución en la complejidad sugiere que la red funcional subyacente es más simple y menos capaz de procesar información. La figura 7 muestra los resultados estadísticos del análisis multivariado de mínimos cuadrados parciales 11 aplicadas a ERP, el poder espectral y MSE. El experimento manipuló el conocimiento asociado con diferentes caras (Heisz et al., 2012). El contraste (gráfico de barras) muestra que el ERP amplitud distinguir caras nuevas de caras conocidas, pero no entre las caras conocidas que variaban en la cantidad de exposición previa. Potencia espectral distinguido enfrenta según la familiaridad adquirida, pero no distingue con precisión entre las caras de media y baja familiaridad. MSE era más sensible a las diferencias de condición en que muestra los valores de la entropía crecienteed con el aumento de la familiaridad cara. Las parcelas de captura de imagen de la distribución espacio-temporal del efecto de condiciones en todos los electrodos y el tiempo / frecuencia / escala de tiempo. Este ejemplo demuestra una situación en la que el análisis de EEG por MSE produce información única que no se obtuvo usando los métodos tradicionales de ERP o espectral de potencia. Esta divergencia de MSE sugiere que las condiciones difieren con respecto a los aspectos no lineales de la dinámica de la red, posiblemente que implica las interacciones entre los diversos componentes de frecuencia. <img alt="Figura 1" src="/files/ftp_upload/50131/50131fig1.jpg" /> Figura 1. A) Las respuestas del EEG de un único sujeto como una función de la desviación de amplitud de línea de base para cada ensayo frente al tiempo desde el inicio del ensayo. Cada ensayo consistió en la presentación de una fotografía de una imagen de la cara. Deflexiones amplitud positiva se representan en larojo, deflexiones de amplitud negativos se representan en azul. Todos los ensayos muestran una desviación positiva de alrededor de 100 ms y 250 ms, lo que indica de enganche de fase de actividad. Relacionados con el evento B) promedio en todos los ensayos descritos en la Figura 1A produce una forma de onda ERP promediada con distintas desviaciones positivas y negativas llamadas los componentes relacionados con el evento y el nombre de acuerdo con una nomenclatura estándar. Por ejemplo, P1 es el primer componente de signo positivo, y N170 es un componente negativo que los picos en aproximadamente 170 mseg después de la inicio del estímulo. <img alt="La figura 2" src="/files/ftp_upload/50131/50131fig2.jpg" /> Figura 2. A) La respuesta EEG de un solo tema para un ensayo trazado amplitud de tiempo (en los puntos de datos, la velocidad de muestreo de 512 Hz). B) La respuesta del EEG de la Figura 2A filtrada paso banda para aislar las bandas de frecuencias delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) y gamma (&gt; 30 Hz). C) densidad de potencia espectral de la respuesta EEG representa en la figura 2A representa composición de frecuencia de la señal como una función de la potencia por frecuencia. Un aumento de la potencia espectral en una frecuencia particular refleja un aumento en el número de neuronas sincrónicamente activos encauzadas dentro de dicha banda de frecuencias particular. <a href="http://www.jove.com/files/ftp_upload/50131/50131fig2large.jpg" target="_blank">Haz clic aquí para ver más grande la figura</a> . <img alt="Figura 3" src="/files/ftp_upload/50131/50131fig3.jpg" /> Figura 3 a) dos formas de onda simuladas:.. Una forma de onda regular o predecible representado en púrpura, y una forma de onda más estocástico se muestra en negro B) valores de entropía de ejemplo de las dos formas de onda simuladas para los primeros tres escalas de tiempo. Muestra entropy es baja para las señales altamente predecibles que las señales más estocásticos. <a href="http://www.jove.com/files/ftp_upload/50131/50131fig3large.jpg" target="_blank">Haz clic aquí para ver más grande la figura</a> . <img alt="Figura 4" src="/files/ftp_upload/50131/50131fig4.jpg" /> La Figura 4. Abajo, el muestreo de la serie de tiempo original genera múltiples series de tiempo para distintas escalas de tiempo. Timescale 1 es la serie de tiempo original. La serie de tiempo de escala de tiempo 2 se crea dividiendo la serie de tiempo original en que no se superponen las ventanas de longitud 2 y media de puntos de los datos dentro de cada ventana. Para generar la serie temporal de plazos posteriores, dividir la serie de tiempo original en que no se solapan ventanas de la escala de tiempo y longitud promedio de los puntos de datos dentro de cada ventana. <img alt="La figura 5" src="/files/ftp_upload/50131/50131fig5.jpg" /> Figura 5. Una forma de onda simulada en cada rectángulo representa un único punto de datos de la serie temporal de la entropía. Muestra estima la variabilidad de una serie temporal. En este ejemplo, m (la longitud del patrón) se establece en dos, lo que significa que la varianza de la amplitud de cada patrón de series de tiempo se representa en el espacio bidimensional frente tridimensional teniendo en cuenta el patrón de secuencia de dos contra tres consecutivos puntos de datos, respectivamente; r (el criterio de similitud), refleja el rango de amplitud (denotado por la altura de las bandas de colores) dentro de la cual se consideran los puntos de datos a &quot;coincidir&quot;. Para calcular la entropía de la muestra para esta serie de tiempo simulado, comenzar con el primer patrón de secuencia de dos componentes, rojo-naranja. En primer lugar, cuente el número de veces que el patrón de secuencia rojo-naranja se produce en la serie temporal, hay 10 partidos de esta secuencia de dos componentes. En segundo lugar, contar el número de veces primera patrón de secuencia de tres componentes, rojo-naranja-gritoay, ocurre en las series de tiempo, hay 5 resultados para esta secuencia de tres componentes. Continúe de esta manera para la siguiente secuencia de dos componentes (de color naranja-amarillo) y la secuencia de tres componentes (naranja-amarillo-verde). El número de partidos de dos componentes (5) y los partidos de tres componentes (3) de estas secuencias se añaden a los valores anteriores (un total de dos componentes partidos = 15; total de partidos de tres componentes = 8). Repita el procedimiento para todos los demás partidos en la secuencia de la serie de tiempo (hasta N - m) para determinar la relación total de partidos de dos componentes a partidos de tres componentes. La entropía de la muestra es el logaritmo natural de esta relación. Para cada tema, se calcula la estimación MSE canal específico como la media a través de medidas de entropía ensayos individuales para cada escala de tiempo. <img alt="La figura 6" src="/files/ftp_upload/50131/50131fig6.jpg" /> Figura 6. Diferencias de condiciones en los ERP (A), la energía espectral (B),MSE (C) contrastar las presentaciones iniciales o repetida de fotografías faciales. <a href="http://www.jove.com/files/ftp_upload/50131/50131fig6large.jpg" target="_blank">Haz clic aquí para ver más grande la figura</a> . <img alt="La figura 7" src="/files/ftp_upload/50131/50131fig7.jpg" /> Figura 7. Contrastando la respuesta EEG a las caras aprendidas a través de medidas de ERP, potencia espectral y multiescala entropía. Los gráficos de barras que representan el contraste entre las condiciones según lo determinado por análisis de mínimos cuadrados parciales 11. La parcela imagen pone de relieve la distribución espacio-temporal en la que el contraste era más estable que determine bootstrapping. Los valores representan las puntuaciones z ~ y los valores negativos denotan significación para el efecto inverso condición. <a href="http://www.jove.com/files/ftp_upload/50131/50131fig7large.jpg" target="_blank">Haz clic aquí para ver más grande la figura</a> .

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

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

Investigadores neuroimagen suelen considerar la respuesta del cerebro como la actividad media entre los ensayos experimentales repetidas y el desprecio de variabilidad de la señal en el tiempo como &quot;ruido&quot;. Sin embargo, se está convirtiendo en claro que hay señal en la que el ruido. Este artículo describe el nuevo método de multiescala entropía para la cuantificación de variabilidad de la señal del cerebro en el dominio del tiempo.

Aplicaciones de EEG datos de neuroimagen: Potenciales relacionados con eventos, Energía espectral y Multiscale Entropy

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

Research

JoVE Journal

Neuroscience

High Density Event-related Potential  Data Acquisition in Cognitive Neuroscience

Relacionados con eventos de alta densidad de adquisición de datos posibles en Neurociencia Cognitiva

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

Investigación

Neurociencias

Basics of Multivariate Analysis in Neuroimaging Data

Fundamentos del análisis multivariante de los datos de neuroimagen

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

High Sensitivity 5-hydroxymethylcytosine Detection in Balb/C Brain Tissue

Alta sensibilidad de detección de 5 hidroximetilcitosina en el tejido cerebral Balb / C

DNA hydroxymethylation is a long known modification of DNA, but has recently become a focus in epigenetic research.   Mammalian DNA is enzymatically ...

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

La extracción de potenciales evocados visuales de datos EEG registradas durante guiada por resonancia magnética funcional Estimulación Magnética Transcraneal

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

Somatosensory Event-related Potentials from Orofacial Skin Stretch Stimulation

Potenciales evocados somatosensoriales de piel Stretch Estimulación Orofacial

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

Non-restraining EEG Radiotelemetry: Epidural and Deep Intracerebral Stereotaxic EEG Electrode Placement

No restricción EEG radiotelemetría: epidural y Deep intracerebral estereotáxica colocación de electrodos EEG

Implantable EEG radiotelemetry is of central relevance in the neurological characterization of transgenic mouse models of neuropsychiatric and ...

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

Cuantificación de la dinámica infrarroja de la potencia espectral y la frecuencia cardíaca en ratones dormidos

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

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

Cómo encontrar efectos de estímulo procesamiento en eventos relacionados con cerebro potenciales de cerca otros cuando Hyperscanning socios

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

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

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

Campo de neuroimaging métodos funcionales cerca espectroscopia infrarroja (NIRS) neuroimagen para estudiar el desarrollo Global del niño: zonas rurales de África subsahariana

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

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

Análisis de actividad de los nervios y conectividad mediante datos EEG intracraneal con Software SPM

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