Tiedot

Menetelmä/yksikkö aktiivisuuden mittaamiseksi tietyllä taajuusalueella EEG: lle

Menetelmä/yksikkö aktiivisuuden mittaamiseksi tietyllä taajuusalueella EEG: lle


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Tämä saattaa olla enemmän signaalinkäsittelykysymys, mutta haluan mitata ja verrata toimintaa eri taajuuskaistoilla kullekin anturille. Valitettavasti kaikki tarkastellut paperit viittaavat yksinkertaisesti "alfa -toimintaan" määrittelemättä, miten tämä laskettiin.

Onko olemassa jokin vakiomenetelmä tai "paras käytäntö" toiminnan tason mittaamiseksi? Onko se yksinkertaisesti kaistan keskimääräinen energia (signaalin absoluuttisen neliön summa?)

Kaikki apu tähän olisi tervetullutta.


Tietojesi analysointi riippuu hieman siitä, miten aika-taajuuden hajotus tehtiin.

Jos käytät nopeaa Fourier -muunnosta, leikkaat todennäköisesti kiinnostavan ajallisen ikkunan pois ennen analyysiä ja tehoarvio on yksi arvo (per kohde ja/tai ehto) tämän ajanjakson aikana. Esimerkiksi alfa -aallon desynkronointi käynnistyy todennäköisesti noin 100 ms: n kuluttua äänimerkin alkamisesta, ja saatat olla kiinnostunut sen tehosta silloin ja 300 ms: n välillä. Tämä perustuu teoriaan ja kirjallisuuteen, ei ole yhtä vastausta. Mutta jos leikkaat aikaikkunan etukäteen näin, varmista, että kiinnostava aikaikkuna on tarkka moninkertainen tarkasteltavan jakson koosta! (esim. 1/10 sekunnin monikerta 10 Hz: n taajuudella.) Muuten saatat saada ilkeitä esineitä.

Lopulta saat yhden datapisteen kohdetta ja tilaa kohti EEG -anturia kohti. Jotkut ihmiset valitsevat etukäteen anturiryhmän kirjallisuuden perusteella ja katsovat näiden antureiden keskimääräistä tehoa. Siinä tapauksessa voit käyttää mitä tahansa vakioparametrista tilastoa hypoteesiesi testaamiseen.

Vaihtoehtoisesti voit käyttää liukuvaa aikaikkunaa tai vastaavaa lähestymistapaa (katso täältä), jossa saat arvion tehon kehittymisestä ajan mittaan (anturia ja taajuuskaistaa kohti). Siinä tapauksessa tietosi on suurempi, ja tavallinen tapa rajoittaa sitä on käyttää klusteripohjaisia ​​permutaatiotestejä, jotka eivät ole parametrisia. Tämä antaa sinulle takaisin klustereita merkittävistä eroista ajan ja/tai antureiden välillä (tämä tarkoittaa peräkkäisten aikapisteiden ryhmiä tai lähekkäin olevia antureita, joilla on kokeellinen vaikutus). Jälleen kerran, haluatko antaa keskiarvon antureille, on teoreettinen kysymys. Voit myös päättää keskiarvon laskemisesta ajan kuluessa käyttämällä tätä lähestymistapaa ja päätyä yhteen datapisteeseen kutakin kohdetta/ehtoa kohti kuten edellä. Tämä lähestymistapa ei ole erityisen ajallisesti tarkka - dataa hieman tahrataan ajan mittaan - mutta se antaa sinulle paremman yleiskuvan siitä, mitä aivoissa tapahtuu ja millä taajuuskaistoilla mielenkiintoiset vaikutukset voivat sijaita.

Mitä tulee yksikköön, muutan mieluummin raakatehon desibeliksi, koska asteikko on symmetrinen nollan ympärillä ja verrattavissa kokeisiin. Joten 10*log10 signaalin tehosta. Jos käytät perusviivaa, tee siitä ehdoton perusviiva (se vastaa raakatehon suhteellista perusviivaa, joka on standardi).


Voit tehdä tämän EEGLABissa lukemalla tämän: sccn.ucsd.edu/wiki/Chapter_11:_Timefrequency_decomposition. "Aktiivisuustasosi" tietyllä taajuuskaistalla on taajuuden esityksen suuruus kyseisellä taajuuskaistalla tiettynä ajankohtana.

Tosiasiassa EEGLAB on kuitenkin erittäin voimakkaasti suunnattu koko aivotoiminnan ICA -analyysiin, ei yksittäisten elektrodien taajuusanalyysiin. Jos haluat tehdä yhden elektrodin taajuusanalyysin Matlabissa, suosittelen käyttämään chronuxia (http://chronux.org): funktiot, kuten mtspectrumc, antavat sinulle taajuusspektrin ja voit sitten ottaa taajuutesi suuruuden haluamasi taajuuskaistan kyseisen taajuusalueen "aktiivisuustasoksi". Katso http://chronux.org/chronuxFiles/filesReleases/manual.pdf Osa 2.2.1


Menetelmä/yksikkö aktiivisuuden mittaamiseksi tietyllä taajuuskaistalla EEG - Psykologia

Tzyy-Ping Jung
Laskennallinen neurotieteen laboratorio
Salk -instituutti
La Jolla CA

Yleinen yhteenveto

Korreloimme minuutin asteikon vaihtelut normalisoidussa EEG-lokispektrissä uneliaisuuden aikana samanaikaisiin muutoksiin suorituskyvyn tasossa jatkuvassa kuulon havaitsemistehtävässä ja osoitamme, että yksittäinen EEG-varianssin pääkomponentti liittyy lineaarisesti havaitsemiskyvyn minuuttiasteisiin muutoksiin. EEG-taajuudet, joilla tämä kytkentä ilmaistaan, ovat samanlaisia ​​useimmille kohteille yhden tai kahden tehtävän aikana ja silmät auki tai silmät kiinni. Tämä suorituskyvyn korrelaatiomalli EEG-taajuuksilla vastaa tarkasti EEG-taajuuden muutosten profiilia, joka on äskettäin raportoitu analysoimalla arvioituja verbaalisia ajattelun ja tietoisuuden raportteja uneliaisuudesta. Nämä EEG -muutokset johtuvat ilmeisesti samanaikaisista muutoksista aivomekanismeissa, jotka ohjaavat keskusherätystä ja valppautta, sekä yhtenäisen hermotoiminnan tasoilla useilla tyypillisillä hermovärähtelytaajuuksilla. Yksisuuntainen suhde suorituskyvyn muutosten ja EEG-spektrin välillä uneliaisuuden aikana voi tehdä mahdolliseksi käytännön menetelmiä EEG-pohjaiseen reaaliaikaiseen valppauden arviointiin.

Abstrakti

Korreloimme minuutin mittakaavan vaihtelut normalisoidussa EEG-lokispektrissä samanaikaisiin muutoksiin suorituskyvyn tasossa jatkuvassa kuulon havaitsemistehtävässä ja osoitamme, että yksittäinen EEG-spektrin varianssin pääkomponentti liittyy lineaarisesti havaitsemiskyvyn minuuttiasteisiin muutoksiin. Erityiset EEG-taajuudet, joilla tämä kytkentä ilmaistaan, ovat samankaltaisia ​​useimmille kohteille erilaisissa tehtäväolosuhteissa ja vastaavat niitä, jotka äskettäin raportoitiin uneliaisuuden aikana tapahtuvien suullisten itseraporttien analyysistä. Yksisuuntainen suhde havaitsemisen suorituskyvyn ja EEG-spektrin välillä vahvistaa määrällisesti intuitiivisen oletuksen, että käyttäytymisvalmiuden minuuttimittaiset muutokset uneliaisuuden aikana liittyvät pääasiassa muutoksiin aivojen globaalissa dynamiikassa psykofysiologisen kiihottumisen yhden ulottuvuuden mukaisesti.

Avainsanat: EEG, elektroenkefalogrammi, valppaus, valppaus, kuulotunnistus, pääkomponenttien analyysi (PCA), spektri

Vastuuvapauslauseke Tätä raporttia tuki avustus ONR.Reimb.30020 (6429) laivastotutkimuslaitoksen Naval Health Research Centerille. Tässä artikkelissa esitetyt näkemykset ovat kirjoittajien näkemyksiä eivätkä heijastele laivaston osaston, puolustusministeriön tai Yhdysvaltain hallituksen virallista politiikkaa tai kantaa. Rajoittamaton julkisen levityksen jakelu.

Johdanto

Yksi varhaisimmista havainnoista EEG -spektrin muutoksista korreloi käyttäytymiseen oli se, että nukkumaan siirtyessä EEG -spektri siirtyy enimmäkseen alemmille taajuuksille [1]. Yhteys käyttäytymisen kiihottumisen muutosten ja EEG -spektrin välillä on niin vahva, että EEG -spektrin ulkonäköä on pitkään käytetty suorana kiihottumistason indikaattorina [2]. Tässä kiihottuminen viittaa ensisijaisesti käyttäytymisen muutoksiin, jotka liittyvät siirtymiseen hitaasta aalloisesta unesta heräämiseen ja valppauteen tämän jatkuvuuden heräämisen loppuun. Vaikka ihmisten EEG -tietueiden huolelliset tutkimukset ovat paljastaneet useita normaaleja ja epänormaaleja siirtymiä heräävän ja nukkuvan EEG -kuvion välillä [3], fysiologista ja käyttäytymiseen liittyvää kiihottumista, jos sitä tarkastellaan erillään huomiosta [4], pidetään useimmiten yksimielisenä. -ulotteinen jatkuvuus (esimerkiksi kun sanomme, että tunnemme olevani "puolin unessa").

Makeig ja Inlow [5] esittivät äskettäin tietoja puolituntisista kokeista, joissa koehenkilöt kuuntelivat silmät kiinni valkoiseen kohinaan upotetuista äänistä painamalla vastauspainiketta aina, kun he kuulivat kohdeääniä, jotka koostuivat lyhyestä kohina-amplitudin kasvusta. Ne osoittivat, että paikallisen virheasteen minuuttiasteikon vaihtelut, havaitsemisen häviämisen todennäköisyyden liukuva keskiarvo, olivat yhdenmukaisia ​​EEG-tehonspektrin minuutin asteikon muutosten kanssa useilla erillisillä taajuuskaistoilla ja että näitä EEG-muutoksia voidaan käyttää ennustamaan paikallisen virheasteen ajan kulku käyttämällä yksilöllisiä malleja, jotka on rakennettu EEG: stä ja aiemmista tehtävistä kerättyjä suorituskykytietoja. EEG -spektrin muutoksia voitaisiin käyttää tarkasti arvioimaan havaittujen kohteiden prosenttiosuus, toisin sanoen, ei ainoastaan ​​hälytys- ja unitilanteiden erottamiseksi, vaan myös suorituskyvyn ajan seurantaa uneliaisuuksien aikana. Tässä raportoimme ensinnäkin, että samanlainen suhde on olemassa EEG-spektrin muutosten ja kuulon havaitsemisominaisuuksien välillä silmät auki, kahden tehtävän suorittamisen aikana, ja toiseksi, että valppauteen lineaarisesti liittyvät spektriset muutokset muodostavat yksittäisen pääkomponentin yleisessä vaihtelussa normalisoitua EEG -log -spektriä.

Menetelmät ja materiaalit

Samanaikainen työasema tallensi EEG: n ja toimitti kuuloärsykkeitä kohteelle vakio 63 dB: n valkoisella kohinalla. Ärsykkeet koostuivat kohteista, kohinan amplitudin lisäys 300 ms (nousuaika 150 ms, lasku 110 ms). Keskimääräinen tavoiteärsykkeen alkamisen asynkronia (SOA) oli 6 sekuntia. Ei-kohdeäänet kahdella taajuudella (568 Hz ja 1098 Hz) esitettiin myös satunnaisessa järjestyksessä 72 dB: ssä (normaali kuulotaso) SOA: t jakautuivat satunnaisesti 2 sekunnin ja 4 sekunnin välillä. Visuaaliset kohteet, jotka koostuivat 20 peräkkäisestä valkoisesta neliöstä, jotka muodostavat pystysuoran viivan, tuotettiin 386 PC: llä, jossa oli VGA-värinäyttö (13 cm leveä ja 9 cm korkea), ja ne esitettiin videokohinan taustalla ("lumi"), joka koostui 1- mm harmaasävyiset neliöt. Visuaaliset tavoitteet ilmestyivät keskimäärin 1 minuutissa, eivätkä ne korreloineet kuulotavoitteiden kanssa. Visuaalisen tehtävän tiedot raportoidaan muualla.

Koehenkilöt istuivat mukavassa tuolissa, kahden painikkeen vastauslaatikko, joka lepää tyynyllä sylissään, ja heitä pyydettiin painamaan yhtä painiketta aina, kun he kuulivat kohdeäänen räjähtävän, ja toista, kun he havaitsivat visuaalisen kohteen. Ympäristön valotaso pidettiin alhaisena pienessä (5 x 5 tuuman) kohdekammiossa. Näissä olosuhteissa valkoisen kohinan tausta ja tutkittavien tehtävien yksitoikkoisuus osoittautuivat sopiviksi monille kohteille, joiden oli vaikea pysyä valppaina koko puolen tunnin istuntojen ajan. Yhteensä viidestä istunnosta, joissa oli kullakin 15 kohdetta, kymmenen henkilön (9 miestä/1 nainen, ikäryhmä 18-39) istuntoparit sisälsivät riittävästi häiriöitä kuulon havaitsemisessa (68 +- 32 katkeamista istuntoa kohden, 24% +- 11% esitetyistä tavoitteista) ja niitä käytettiin analyysissä.

EEG-tiedot kerättiin kahdesta päänahan kohdasta, Cz ja Pz/Oz (puolivälissä Pz ja Oz), viitaten oikeaan mastoidiin, ja vaaka- ja pystysuorasta bipolaarisesta EOG-johdosta 12-bittisellä resoluutiolla 312,5 Hz: n näytteenottotaajuudella ja Päästökaista 0,1-100 Hz.

Aikaa vaihtelevat amplitudispektrit kullekin kanavalle laskettiin käyttäen 512-pisteisiä Fast-Fourier-muunnoksia (FFT), joissa oli 50% päällekkäisyyttä (Hanning-ikkunat, nollapehmuste) 256-pisteiset tietokaudet, silmien liikkeiden tai muiden esineiden saastuttamien aikakausien hylkäämisen jälkeen tuottaa vähintään 50 uV: n retkiä missä tahansa EEG- tai EOG -kanavassa. Spektrit muunnettiin sitten logaritmiselle asteikolle ja tasoitettiin kausaalisella 95 sekunnin eksponentiaalisella ikkunalla (90% alaspäin 95 s ennen sen etureunaa), jolloin saatiin kullekin istunnolle 1024 tasoitettua log-spektriarviota 1,6384 sekunnin välein. Kunkin istunnon lokispektri normalisoitiin sitten erikseen jokaiselle 40 taajuusalueelle välillä 0,61-24,4 Hz vähentämällä istunnon keskiarvo ja jakamalla tuloksena olevan aikasarjan 25-75 prosenttipiste.

Normalisoidut logispektrit Cz: ssä ja Pz/Oz: ssa 20 istunnosta 10 analysoitavaksi valitulle kohteelle lähetettiin sitten pääkomponentti -analyysiin (PCA) [6], joka tuotti 80 ominaisvektoria ja 80 vastaavaa ominaisarvoa. PCA-ominaisvektorit, joilla oli suurimmat ominaisarvot, edustivat suurimman moniulotteisen varianssin suuntaa log-spektrissä kokeiden aikana.

Osumat ja häviöt määriteltiin kuulotavoitteiksi, joihin oli vastattu tai joihin ei vastattu 100-3000 ms: n ikkunan sisällä tavoitteen alkamisen jälkeen. Kuulotehtävien virhesuhde tasoitettiin käyttämällä samaa 95 s: n liikkuvaa eksponentiaalista ikkunaa, jota käytettiin EEG-spektrin tasoittamiseen kertomalla suorituskykyindeksi (0 kullekin liikkuvan ikkunan osumalle, 1 kullekin raukeamiselle) sopivalla ikkunan painolla (määritetty suhteellinen aika kunkin kohteen esiintymiseen ikkunassa), laskemalla tulokset yhteen ja normalisoimalla tulos jakamalla summa laskemalla käytettävien ikkunapainojen summalla. Suorituskyvyn tasoitusikkunaa siirrettiin suorituskykyindeksin läpi 1,6384 sekunnin (512 pisteen) askelin, jolloin epäsäännöllisesti sijoitettu, epäjatkuva suorituskykyindeksi muutettiin säännöllisin väliajoin jatkuviksi paikallisiksi virhetasoiksi, jotka edustavat kohteen epäonnistumisen nykyistä todennäköisyyttä vastaamaan esitettyyn tavoitteeseen.

Kunkin istunnon osalta korrelaatiot tasoitetun log -spektrin ja virhesuhteen aikasarjojen välillä laskettiin sitten erikseen jokaiselle 40 FFT -taajuusalueelle välillä 0,6 Hz - 24,4 Hz. Tulosten sanottiin muodostavan jokaisen kokeen "korrelaatiospektrin". Keskimääräinen korrelaatiospektri laskettiin keskiarvoistamalla 20 istunnon korrelaatiospektrit. Tuloksena olevien keskimääräisten korrelaatioarvojen merkitsevyystasot arvioitiin Monte Carlo -menetelmillä. Ensinnäkin kullekin istunnolle lokitehon aikakulku molemmilla 40 kanavalla kahdessa kanavassa korreloitiin muiden 19 istunnon virhetason aikakulkuihin. Seuraavaksi laskettiin 500 korvaavan keskiarvon korrelaatiospektriä laskemalla keskimäärin näennäissatunnaisesti valitut sarjat, joissa oli 20 näistä korvaavista korrelaatioista. Kullekin taajuusastialle määritettiin sitten tuloksena olevan korrelaatiojakauman 5., 50. ja 95. prosenttipiste. Lisäksi suuri korrelaatiospektri laskettiin kaikille 20 istunnolle samanaikaisesti käyttäen samaa normalisoitua dataa, jota käytettiin PCA: n laskemiseen.

Tulokset

Kuva 1a. Suuri keskimääräinen korrelaatiospektri, joka osoittaa keskimääräiset korrelaatiot EEG-lokitehon ja paikallisen virheasteen (kuulon havaitsemisen todennäköisyys) välillä 20 puolen tunnin istunnossa 10 kohteelle, molemmat mittaukset tasoitetaan käyttämällä syy-95-sekunnin eksponentiaalista ikkunaa. Korrelaatiospektrit kahdessa päänahan kanavassa, Cz ja Pz/Oz, on päällekkäin pisteviivoilla, jotka osoittavat sijaiskorrelaatioiden jakauman 5., 50. ja 95. prosenttiosuuden laskemalla korreloimalla EEG-tehon ja virhesuhteen aikasarjat eri istunnoista.

Keskimääräiset ja suuret korrelaatiospektrit olivat lähes identtisiä (r = 0,995, tehollinen ero = 0,023). Kuvio 1a (yllä) esittää keskimääräisen korrelaatiospektrin molemmissa kohdissa päällekkäin jälkien kanssa, jotka osoittavat sijaiskorrelaatiojakauman merkitsevyystasoja (ks. Menetelmät). EEG-tehon ja suorituskyvyn väliset korrelaatiot ovat merkittäviä neljällä taajuuskaistalla: (1) 4-5 Hz (theta) molemmissa kanavissa, (2) 10-11 Hz (alfa) taajuudella Pz/Oz, (3) klo 14- 15 Hz (sigma) Cz: ssä ja (4) yli 15 Hz (beeta) taajuudella Pz/Oz.

Kuva 1b. Kaavio ominaisvektoreista, jotka vastaavat normalisoidun EEG -logispektrin kahta ensimmäistä pääkomponenttia 20 istunnon aikana. Vaikka lähes vakio ominaisvektori 1 (kuten ominaisvektorit 3-80) liittyy vähän suorituskykyyn, ominaisvektori 2 liittyy suuresti toisiinsa (ks. Kuva 2).

Kuva 1b (yllä) esittää ominaisvektorit, jotka vastaavat istuntojen kahta suurinta EEG -varianssin pääkomponenttia. Ensimmäinen komponentti, joka muodostaa 27% koko varianssista, on tasaisesti positiivinen (tai negatiivinen). Toinen komponentti, jonka osuus varianssista on 16%, muistuttaa voimakkaasti kuviossa 1a esitettyä korrelaatiospektriä, maksimin ollessa lähellä 4 Hz (molemmissa kanavissa) ja 14 Hz (vain Cz: ssä) ja minimin lähellä 10 Hz ja yli 20 Hz .

Kuva 2. Vektorikulmat 80 PCA -ominaisvektorin välillä, jotka luonnehtivat normalisoidun EEG -lokispektrin varianssia, ja suuren korrelaatiospektrivektorin, joka koostuu suorituskyvyn ja normalisoidun EEG -logitehon korrelaatioista 40 EEG -taajuudella ja 2 päänahan kanavalla kaikkien 20 istunnon aikana. Vain toinen PCA -ominaisvektori on kohdistettu suorituskyvyn korrelaatiovektorin kanssa, kaikki muut EEG -varianssin pääkomponentit ovat lähes ortogonaalisia siihen nähden.

Kuvio 2 (yllä) esittää kulmat jokaisen 80 PCA -ominaisvektorin ja suuren korrelaatiospektrin välillä. Toinen ominaisvektori on kohdistettu 15 asteen etäisyydelle korrelaatiospektrivektorista, kun taas kaikki muut ominaisvektorit ovat lähes ortogonaalisia siihen nähden. Näin ollen EEG -spektridatan projektio toisessa ominaisvektorissa korreloi lähes yhtä voimakkaasti (r = 0,58) virheasteen ajan kanssa kuin moninkertainen regressio käyttäen kahdeksan ensimmäisen ominaisvektorin projektioita yhteensä (r = 0,60). Tämä tulos vahvistaa, että lähes kaikki suorituskykyyn liittyvät muutokset EEG-spektrissä rajoittuvat yhteen spektrivarianssin pääkomponenttiin (tai ominaisvektoriin).

Keskustelu

Ensinnäkin olemme nyt löytäneet lähes identtiset lineaariset suhteet normalisoitujen EEG-lokispektrien ja minuutin mittakaavan muutosten välillä kuulon havaitsemistodennäköisyydessä sekä yhden [5] että kaksitehokokeiden aikana. Lukuun ottamatta lähellä 10 Hz: tä, nykyisten (kaksitehtävä, silmät auki) -kokeiden keskimääräinen korrelaatiospektri (kuva 1a) muistuttaa voimakkaasti aiempia tuloksia, jotka on saatu yhden tehtävän, silmät kiinni -olosuhteissa [5], sitä voimakkaampi 10 Hz: n suorituskyky korrelaatio suljetut silmät -olosuhteissa, mikä heijastaa tunnettua lasien sulkeutuneiden silmien vähenemistä uneliaisuuden aikana [1]. Amplitudimuutokset teeta-, alfa-, sigma- ja beeta -taajuuksilla ovat jo pitkään tiedetty liittyvän uneliaisuuteen ja unen alkamiseen [1]. Tuloksemme kvantifioivat, missä määrin nämä muutokset muuttuvat lineaarisesti jatkuvan havaintotehtävän suorituskyvyn muutosten kanssa.

Lisää näyttöä kuviossa 1a esitetystä EEG-korrelaatiospektrin yleisyydestä esitetään Lehmannin et ai. minuutin välein, sanoa mitä heillä oli mielessä kehotteen kuultua. Tallennettujen verbaalisten vastausten sokean arvioinnin jälkeen 20 bipolaarisella arviointiasteikolla skaalausdata ja EEG -spektrit juuri ennen kehotteita analysoitiin käyttäen kanonista korrelaatiota. Suurin tällä menetelmällä kerätty korrelaatiokerroin painotettiin voimakkaimmin verbaalisen asteikon arvoihin, jotka liittyivät muistiin ja kehon tietoisuuteen, etäisyyteen ja epäsuoraan - kaikki ominaisuudet, jotka ovat yhteensopivia uneliaisuuden, hypnagogyn ja/tai aistitietoisuuden menetyksen kanssa.

Vaikka (kaksisuuntainen keskusparietaalinen) päänahan johdannaiset, joita Lehmann et ai. eroavat jonkin verran meidän omastamme, niiden ensimmäinen EEG-tekijä muistuttaa läheisesti korrelaatiospektriämme (kuva 1a) ja vielä voimakkaammin Makeigin ja Inlowin raportoimat silmät kiinni korrelaatiospektrit [5]. Huomaa, että Lehmann et ai.käyttivät aivan erilaista tehtävää kuin kokeilumme, ja lisäksi heidän tutkittaviensa epäonnistuminen vastata kehotteeseen jätettiin heidän tietojensa ulkopuolelle, kun taas kuulon havaitsemisen puutteet olivat analyysimme kohteena. Molemmat kokeet tuottavat kuitenkin hyvin samanlaisia ​​taajuuspainotettuja komponentteja, jotka liittyvät valppauden ja EEG-spektrin muutoksiin uneliaisuuden aikana.

Suorituskyvyn korrelaatiopiikkien merkitys kuviossa 1a viittaa siihen, että taajuudet, joilla logiteho korreloitiin havaintotehokkuuteen, ovat samanlaisia ​​useimmille kohteille. Yksittäisten tutkittavien korrelaatiospektrien tutkiminen vahvisti tämän johtopäätöksen, vaikka aiheiden välillä on myös vakaita eroja [5,7]. Huomaa myös, että havaitsemme merkittävän log-lineaarisen komponentin EEG: n ja suorituskyvyn välisestä suhteesta, ei sulje pois mahdollisuutta, että tämä suhde sisältää myös muita epälineaarisia termejä, kuten suorituskyvyn alitehosteet, EEG-kylläisyys tai muut. Tällaiset tekijät voivat tehdä epälineaarisista sovitusalgoritmeista tai keinotekoisista hermoverkkoista lineaarista regressiota tehokkaampia arvioidessaan valppauden muutoksia EEG -tietueista [8].

Toiseksi olemme havainneet, että näiden istuntojen keskimääräinen korrelaatiospektri on lähes rinnakkainen yksittäisen päävariantin kanssa normalisoidussa EEG -log -spektrissä istuntojen aikana ja on lähes ortogonaalinen kaikkiin muihin nähden (kuva 2). Suorituskykyyn liittyvät vaihtelut tässä EEG-spektrin varianssin osassa näiden kokeiden aikana johtuvat ilmeisesti aivojen kiihottumisen muutoksista, jotka liittyvät läheisesti muutoksiin kynnyksen yläpuolella olevien signaalien havaitsemisen (ja/tai reagoinnin) todennäköisyydessä. Nämä muutokset havaitsemistodennäköisyydessä voivat johtua ajoittaisista tai meluisista efferent-kuulotietojen toimittamisesta aivokuoreen [9] tai mahdollisesti uneliaisuuteen liittyvistä muutoksista muissa tehtävän suorittamiseen osallistuvissa aivojen osajärjestelmissä. Kokeissamme suorituskyvyn heikkeneminen näkyy (yleensä) ajoittaisten havaitsemisviiveiden aaltoina, jotka kestävät vähintään neljä minuuttia [5] ja sisältävät tyypillisiä 15-20 sekunnin jaksoja [10]. Suorituskykyyn liittyvien EEG-spektrimuutosten keskittyminen yhteen ominaisvektoriin viittaa dynaamisten aivomuutosten tiukkaan koordinointiin, joka on kiihottumisen ja aistien portaiden minuutin mittakaavan muutosten taustalla. Uneliaisuuden aikana, kuten täällä nähdään yksitoikkoisissa tehtäväolosuhteissa, aivot ja käyttäytymisen kiihottuminen todellakin kovenevat yksiulotteisessa jatkuvuudessa, kuten usein oletetaan. Olisi mielenkiintoista testata, saadaanko samanlaisia ​​tuloksia, kun EEG -muutosten ja käyttäytymisvalmiuden välisiä yhteyksiä tutkitaan käyttämällä monimutkaisempia tai vaativampia tehtäviä.

Johtopäätös

Kuten on jo pitkään tiedetty, muutokset aivojen kiihottumiseen sisältävät erityisiä muutoksia värähtelevään aivotoimintaan [1-3,5,7-10]. Tuloksemme osoittavat, että korrelaatiot EEG-loki-spektrin minuuttimittaisten muutosten ja jatkuvan kuulon havaintotehtävän suorituskyvyn välillä ovat samanlaisia ​​useimmilla koehenkilöillä. Kahdessa tutkitussa päänahan kohdassa, lukuun ottamatta lähes 10 Hz: tä, suorituskyvyn ja EEG-lokin amplitudin väliset korrelaatiot ovat samankaltaiset silmien auki ja silmät kiinni -olosuhteissa, joihin liittyy kaksois- tai yksittäismodaalisuus [5], ja sopivat hyvin yhteen äskettäin raportoitu perustuen tutkittavien itseraportteihin lähellä unen siirtymiä [7]. Tämänhetkisten kaksitehtävien, silmiä auki olevien kokeiden aikana kuulon havaitsemisviiveiden taajuuden minuuttimittaiset muutokset korreloivat pääasiassa muutosten kanssa normalisoidussa EEG-lokitehospektrissä yhden pääkomponentin tai EEG-spektrin varianssin ominaisvektorin mukaisesti. Nämä EEG-muutokset indeksoivat ilmeisesti koordinoidut muutokset aivojärjestelmien aktiivisuudessa, jotka ohjaavat keskusherätystä (ja/tai kuuloporttia), mikä johtaa käyttäytymismuutoksiin yksiulotteisen uneliaisuushälytyksen jatkuvuuden mukaisesti, kuten yleisesti oletetaan. Muualla olemme osoittaneet, että näitä valppauden menettämisen EEG -spektrikorrelaatteja voidaan käyttää tarkkailuajan kulun seurantaan lähes reaaliajassa tieteellisiin tai sovellettuihin tarkoituksiin [8].

Kiitokset Tunnustamme F. Scot Elliottin ja Mark Postin panoksen tietojen keräämisessä ja käsittelyssä sekä Terrence Sejnowskin teknisen tuen The Salk -instituutista, La Jolla. Hanketta tuki työyksikkö ONR.Reimb.30020 (6429) Office of Naval Research.

Viitteet

1. Davis H, Davis P, Loomis A, et ai. J Neurophysiol 1, 24-38 (1938).

2. Steriade M, McCarley RW. Aivorungon herätyksen ja unen hallinta. New York: täysistunto, 1990, 498 s.

3. Lehmann D, Grass P, Meier B. Int J Psychophysiol 19, 45-52 (1995).

4. Pribram KH, McGuinness D. Ann. New York Acad. Sei. 658,65-92 (1992).

5. Makeig S, Inlow M. Elektroenkefalografia Neurophysiol, 86, 23-35 (1993).

6. Sneath PH, Sokal RR, Numeerinen taksonomia: numeerisen luokittelun periaatteet ja käytäntö, San Francisco: WH Freeman, 1973.

7. Santamaria J, Chiappa KH. J. Clin. Neurofysioli., 4, 327-382 (1987).

8. Jung T-P, Makeig S, Stensmo M ja Sejnowski TJ, IEEE Trans. Biomed. Eng., (lehdistössä).

9. Steriade M, Dossi RC, Pare D. Mesopontine -kolinergiset järjestelmät tukahduttavat hitaat rytmit ja aiheuttavat nopeita värähtelyjä talamokortikaalisissa piireissä. Julkaisussa: E Basar, TH Bullock, toim. Indusoidut rytmit aivoissa. Amsterdam: Elsevier, 1988: 251-268.


Pitkittäisten EEG -toimenpiteiden käyttö arvioitaessa kielen kehitystä pikkulapsilla, joilla on tai ei ole perheriskiä autismin taajuushäiriölle

Carol L. Wilkinson, Laurel J. Gabard-Durnam, Kush Kapur, Helen Tager-Flusberg, April R. Kielen neurobiologia 2020 1 (1): 33–53. doi: https://doi.org/10.1162/nol_a_00002


Tulokset

Tarkkuustulokset (koe 1)

Koska tutkittavien määrä (6) oli liian pieni ryhmäanalyysin suorittamiseksi, merkitsevyys laskettiin erikseen kullekin väliaineelle. Pisteytystiedot väliaineiden 3 ja 4 lukemista eivät sisälly näihin analyyseihin, koska kahta sitter -luokitusta ei voitu saada (ks. Menetelmät). Kutakin lukemaa varten tarkasteltiin kahta luokitusryhmää: joukko tavoitetarkkuuden luokituksia, jotka antoi sokeutettu istuttaja, jolle tunnistamaton lukema oli tarkoitettu, ja joukko huijausarvioita, jotka antoi toinen kontrolleri, joka ei liittynyt lukemaan.

Kutakin neljää välinettä, joista molemmat istujat antoivat pisteensä, verrattiin tavoite- ja huijausarvioita. Merkitsevyyden laskemiseen käytettiin kahta menetelmää, joista toinen perustui ei-parametriseen sijaistietoanalyysiin ja toinen Wilcoxonin allekirjoitettuun arvotestiin. Korvaavan datan analysointimenetelmää varten nollahypoteesissa, jonka mukaan kohde- ja houkutuslukujen välillä ei ole eroa, sekoitimme satunnaisesti vastaavat pisteet tavoite- ja houkutusarvioiden välillä. Wilcoxon -testissä kunkin kysymyksen keskimääräistä tarkkuutta verrattiin houkutus- ja kohdelukemiin. Kaikki tilastot ovat yksisuuntaisia ​​nollahypoteesin (H0) kanssa, jonka mukaan tarkkuus olisi sama houkuttimelle ja kohdelukemalle, ja vaihtoehtoiselle hypoteesille (H1), että tarkkuus olisi korkeampi kohteelle kuin huijauslukemalle.

Kolme neljästä tietovälineestä osoitti merkittävää harhaa raportointitietojen raportoinnissa, jotka pisteyttävät tarkemmin kohdearvoja pisteyttävät istuttajat kuin houkutuslukuja pisteyttävät. Väliaineen 2 ja#x00027 tulokset olivat merkittäviä vain Wilcoxonin tilastoja tarkasteltaessa, joten tulos ei ehkä ole yhtä vankka kuin tiedot väliaineesta 1 ja väliaineesta 5 (katso taulukko 1).

Taulukko 1. Prosentuaalinen tarkkuus ja tilastollinen merkitsevyys tavoite- ja huijausluokituksille, jotka on lueteltu väliaineen mukaan.

Tarkkuuden ja sähkökorttisen toiminnan välinen korrelaatio (koe 1)

Tutkimusanalyysit tehtiin neljällä kiinnostavalla taajuuskaistalla: teeta 3 𠄷Hz, alfa 8 � Hz, beta ja korkea beeta 18 � Hz ja gamma 70 � Hz. Kaksi merkittävää tapausta elektrodiryhmissä havaittiin: M1 teeta -taajuuskaistalla ja M3 alfa -taajuuskaistalla.

M1 osoitti merkittäviä eroja etuosan teeta -tehossa ajanjaksojen välillä, joiden tarkkuus oli alhaisempi (eli alle 50%) verrattuna tarkemmin arvioituihin ajanjaksoihin (eli vähintään 50%). M3: ssa oli samanlaisia ​​merkittäviä eroja alfa -taajuuskaistan matalan ja korkean suorituskyvyn aikana. M1: n tulokset on esitetty kuvassa 2.

Kuva 2. Spektraaliset erot teetaajuuskaistalla väliaineelle M1. (A) Päänahan topografia teeta -voimasta henkisten kokemusten aikana, kun tiedon tarkkuus on myöhemmin arvioitu alhaiseksi (㱐%) tai korkeaksi (�%) [yksikkö on 10*log10(μV 2)]. Päänahan differentiaalisessa topografiassa olevat suuret pisteet osoittavat merkityksen s < 0,005. (B) Jaettaessa tiedot kolmeen kvantiliin, joiden tarkkuus kasvaa (eli 0 � 40 � ja 100%: n tarkkuus), välitarkkuuden teeta -teho laski korkean ja matalan tarkkuustason välille. Virhepalkit osoittavat 95%: n luottamusvälit.

Merkittäville elektrodeille keskimääräinen teho laskettiin kolmella kvantilla, jotka sisälsivät suunnilleen saman määrän datasegmenttejä (0 �% tarkkuus, 9 arvoa 40 �% tarkkuus, 9 arvoa 100% tarkkuus, 11 arvoa). Kuvio 2B osoittaa, että välitarkkuuden teeta -spektriteho laskee matalan ja korkean tarkkuuden segmenttien tehon väliin. Tämä vahvistaa olettamusta, että havaitsemamme vaikutus liittyy väliaineen tarkkuuteen.

Yksi selitys tälle vaikutukselle on, että se johtuu tietojen esineistä. Tämän hypoteesin testaamiseksi sama analyysi suoritettiin tietojen artefakteilla puhdistettujen tietojen sijasta. Sen sijaan, että tarkasteltaisiin puhtaita kanavatietoja poistamalla ICA-artefaktit, otettiin huomioon vain tekotiedot, jolloin kaikki ei-artefaktiset ICA-komponentit poistettiin raakatiedosta. Istunnossa 1 väliaineelle 1 oli neljä artefaktista ICA -komponenttia ja istunnossa 2 väliaineelle 1 oli kolme tällaista artefaktiä. Artefaktisia tietoja käsiteltäessä ei havaittu merkittävää eroa matalan ja korkean tarkkuuden olosuhteiden välillä. Kun tarkastellaan kolmea kvanttia, kuten kuvassa 2B, tehon asteittaista laskua teeta -tarkkuudella ei havaittu.

Täydentävä kuva 1 esittää merkittäviä eroja M3: lle alfa 8 � -taajuuskaistalla. M3 on yksi kahdesta välineestä, joissa vain yksi lukema oli käytettävissä kahden sijasta, joten tämä kuvaaja käyttää vain noin puolet tiedoista verrattuna M1 -kuvaajaan. Toisin kuin M1, jossa teeta -teho korreloi negatiivisesti keskitarkkuuteen, M3 -alfa -teho korreloi positiivisesti tarkkuuteen. Tämä tulos on johdonmukainen kirjallisuuden kanssa, joka osoittaa, että alfa- ja teeta -voima pyrkivät usein vaihtumaan vastakkaisiin suuntiin (Laufs et ai., 2003 Braboszcz ja Delorme, 2011). Koska M3: lla oli vain yksi pisteytetty lukema, ei ollut tarpeeksi tietoja kvanttianalyysin suorittamiseksi, kuten tehtiin väliaineelle 1.

Mielentilojen analyysi (koe 2)

Kuviossa 3 verrataan EEG: tä gamma -taajuuskaistalla neljälle erilaiselle mielentilalle (muisti, valmistus, havainto ja kommunikaatio) kaikilla kuudella välineellä. Havaitsimme eniten merkittäviä elektrodieroja gamma -taajuuskaistalla (75 � Hz). Kuva 3 havainnollistaa, että EEG on erilainen kaikissa olosuhteissa. Päänahan karttojen punaiset pisteet osoittavat, mitkä elektrodit ovat merkittäviä Monte-Carlo-sijaistilastot ryhmittelymenetelmällä käytettiin korjaamaan useita vertailuja. Mediumship Communication -tapahtuman henkinen tila poikkesi enemmän havainnoinnin henkisestä tilasta kuin muista mielentiloista. Neljässä väliaineessa havaittiin suurempaa amplitudia ja suurta gamma -tehoa viestinnän henkisen tilan aikana verrattuna havainnon henkiseen tilaan yhdeksässä elektrodikohdassa. Vähiten johdonmukainen ero eri väliaineiden välillä oli valmistuksen tila verrattuna muisteluun (kuva 3). Tämän mielentilojen parin osalta, vaikka useimmat osallistujat osoittivat merkittävää eroa, noin puolessa väliaineista oli suurempi gamma -voima valmistusolosuhteissa, kun taas toisella puoliskolla oli suurempi teho muistikunnossa.

Kuva 3. Yhteenvetoluvut, jotka kuvaavat eroja henkisten tilojen välillä korkealla gamma -taajuuskaistalla (75 � Hz). Päänahan topografiakuva vasemmassa yläkulmassa osoittaa keskimääräisen gamma -tehon kaikille henkisille tiloille ja kaikille kohteille [yksikkö on 10*log10(μV 2)]. Päänahan topografiat kullekin henkiselle tilalle osoittavat poikkeaman päänahan keskimääräisestä tehosta (samat yksiköt). Jokaisen henkisen tilan parin A ja B välissä kuvaaja osoittaa merkittävien osallistujien määrän kullekin elektrodille (s < 0,01 klusterin korjauksen jälkeen useita vertailuja varten). Pisteen koko edustaa osallistujien määrää, joille annettu elektrodi on merkittävä [alkaen n = 0 (ns) - n = 5 merkitystä kaikissa kuudessa osallistujalla ei koskaan saavutettu]. Kunkin pisteen ympyräkaavio edustaa niiden osallistujien osuutta, jotka osoittivat merkittäviä eroja yhteen suuntaan (punainen vastaa A > B ja sininen vastaa A < B). Vertailun suunta on osoitettu katkoviivalla A -B. Esimerkiksi Mediumship Communication -mielitilan ja havainto -mielen tilan välillä useimmat elektrodit ovat merkittäviä kolmelle tai neljälle osallistujalle ja väri (punainen) osoittaa, että gamma voimalla on suurempi amplitudi viestinnän henkisen tilan aikana verrattuna havainnon mielenterveyteen.

Gamma ja korkea gamma -aktiivisuus EEG: ssä kyseenalaistetaan usein, koska lihasten toiminta voi saastuttaa tämän taajuuskaistan. Siksi samantyyppinen analyysi suoritettiin uudelleen, mutta puhtaiden EEG -tietojen käsittelyn sijasta käsiteltiin vain ICA: n keinotekoisia komponentteja (täydentävä kuva 2). Löysimme gamma -aktiivisuuden mallin, joka oli samanlainen kuin kuvio 3 niiden osallistujien lukumäärän suhteen, joilla oli merkittäviä eroja, ja myös erotuksen napaisuuden suhteen. Pääteltiin, että silmien ja lihasten artefaktit, joita ICA ei onnistuneesti poistanut, saattavat hallita kuvassa 3 havaittua eroa. Tässä vaiheessa ei voida päätellä, että kuvassa 3 ja#x02014 havaitut erot olisivat todennäköisesti aitoja.

Lisäksi havaittiin useita merkittäviä vaikutuksia beeta- ja korkean beeta -taajuuskaistalla (18 � Hz). Nämä erot olivat samanlaisia ​​kuin gamma -taajuuskaistalla havaitut erot erojen napaisuuden suhteen, vaikka vähemmän elektrodeja oli merkittäviä. Taulukossa A2 on yhteenveto merkittävien elektrodien lukumäärästä kunkin tilan välillä kaikissa väliaineissa.

Eroja havaittiin myös teeta- ja alfa -taajuuskaistoilla, vaikka nämä erot olivat läsnä vain kolmella välineellä (M1, M3 ja M6) ja vain tietyissä päänahan paikoissa. Täydentävässä kuvassa 3 on esitetty yksityiskohtia siitä, mitkä elektrodit poikkesivat näiden taajuuskaistojen henkisten tilojen välillä. Harvat elektrodit olivat merkittäviä näillä taajuuskaistoilla ja tulokset olivat yksilöllisiä eri aiheiden välillä.


Spektraalinen epäsymmetria ja Higuchin fraktaalisen ulottuvuuden mittaukset masennuksen elektroencefalogrammista

Tämän tutkimuksen tarkoituksena oli verrata kahta elektroenkefalogrammi (EEG) -analyysimenetelmää, spektrinen epäsymmetriaindeksi (SASI) ja Higuchin fraktaaliulottuvuus (HFD) masennuksen havaitsemiseksi. Lineaarinen SASI -menetelmä perustuu tehon tasapainon arviointiin kahdella EEG -taajuuskaistalla yhdellä kanavalla, joka on valittu korkeammaksi ja alemmaksi kuin alfakaistan spektrimäärä. Epälineaarinen HFD -menetelmä laskee fraktaaliulotteen suoraan aika -alueella. Laskelmissa käytettiin tietokannana 17 masentuneen potilaan ja 17 kontrolliryhmän lepo -EEG -signaaleja. SASI -arvot olivat positiivisia masentuneille ja negatiivisia kontrolliryhmälle (

). SASI antoi todellisen havaitsemisasteen 88% masennuksessa ja 82% kontrolliryhmässä. Lasketut HFD -arvot havaitsivat pienen (3%) nousun masennuksen yhteydessä (). HFD: n todellinen havaitsemisprosentti oli 94% masentuneissa ja 76% kontrolliryhmässä. Oikean indikaation määrä molemmissa ryhmissä oli 85% käyttäen SASI: ta tai HFD: tä. Tilastollisesti merkittäviä vaihteluita ei paljastettu pallonpuoliskojen välillä (

). Tulokset osoittivat, että lineaarinen EEG-analyysimenetelmä SASI ja epälineaarinen HFD-menetelmä osoittivat molemmat hyvää herkkyyttä havaita masennuksen ominaispiirteitä yksikanavaisessa EEG: ssä.

1. Esittely

Mielenterveyshäiriöt ovat yleisiä väestössä. Kansallisen mielenterveyslaitoksen tilastojen mukaan noin neljännes aikuisista on diagnosoitavissa yhdelle tai useammalle sairaudelle Yhdysvalloissa [1]. Suuri masennushäiriö on yksi yleisimmistä mielenterveyshäiriöistä: noin 6,7% väestöstä kärsii masennuksesta ja määrä kasvaa jatkuvasti [2].

Nykyään masennuksen diagnoosi perustuu pääasiassa subjektiivisten oireiden voimakkuuden arviointiin kyselylomakkeen ja haastattelun avulla. Toisaalta aivojen toimintahäiriöiden odotetaan heijastuvan aivojen biosähköiseen toimintaan. Siksi elektroenkefalografia (EEG) on arvokas menetelmä saada objektiivista tietoa masennukseen liittyvistä aivofysiologian muutoksista.

Aivot käyttäytyvät monimutkaisena epälineaarisena järjestelmänä [3–5]. Siksi epälineaaristen EEG -signaalin analyysimenetelmien odotetaan antavan enemmän tietoa aivojen ominaisuuksista verrattuna lineaarisiin menetelmiin. EEG -analyysissä on käytetty erilaisia ​​lineaarisia ja epälineaarisia menetelmiä, kuten korkeamman asteen spektrejä, toistumisen kvantifiointianalyysiä, entropian ja monimutkaisuuden mittareita, kumulaattoreita ja niin edelleen [5–8]. Monien kirjoittajien on osoitettu olevan epälineaaristen EEG -analyysimenetelmien, kuten fraktaaliulottuvuuden, korrelaatioulottuvuuden ja vaihteluvälianalyysin, avulla tehokkaita havaitsemaan epilepsiaan, skitsofreniaan ja Alzheimerin tautiin liittyvät aivojen erityiset EEG -ominaisuudet [9–13].

Masennuksen analyysissä on käytetty pääasiassa lineaarisia menetelmiä. Useat kirjoittajat ovat raportoineet EEG: n lepotilan erityispiirteistä masennuksessa, kun muutokset EEG -kaistojen voimissa ja etupuolen pallonpuoliskon epäsymmetriassa [14–16]. Kvantitatiivisen EEG: n syrjivä analyysi luokiteltiin oikein 91,3% potilaista ja kontrolleista [14]. Etuosan alfa -epäsymmetrian pätevyyspotentiaali masennuksen kliinisenä mittarina on kuitenkin edelleen epäselvä [17].

Edellisessä tutkimuksessamme kehitettiin mitta masennuksen arvioimiseksi lepo -EEG -spektrin taajuusominaisuuksien perusteella [18, 19]. Spektrinen epäsymmetria -indeksi (SASI) perustuu tehon tasapainon arviointiin kahdessa EEG -taajuuskaistassa yhdessä EEG -kanavassa, joka on valittu korkeammalle ja alemmalle kuin alfakaistan spektrimäärä [18, 19].Verrattuna pallonpuoliskon epäsymmetriaan ja johdonmukaisuuteen SASI tarjosi paremman syrjinnän masentuneiden ja terveiden henkilöiden välillä [19].

Vain muutamia tuloksia on raportoitu epälineaaristen menetelmien soveltamisesta masennukseen liittyvien EEG: n spesifisten ominaisuuksien havaitsemiseen [20, 21]. Hosseinifardin et ai. osoittaa, että erilaiset epälineaarisen EEG -analyysimenetelmät, mukaan lukien epämuodostunut vaihteluanalyysi (DFA), Higuchin fraktaaliulottuvuus (HFD), korrelaatioulottuvuus (CD) ja Lyapunov -eksponentti, tarjoavat kumpikin masennuksen luokituksen. Yhdistettyjen epälineaaristen ominaisuuksien soveltaminen tarjoaa paremman syrjinnän masentuneille ja normaaleille kohteille (90%) verrattuna EEG -kaistan tehoon (76,6%) [20]. Ahmadlou et ai. totesi, että Katzin fraktaaliulottuvuus ei paljastanut mitään merkittävää eroa etuosan EEG: ssä masentuneiden ja kontrolliryhmien välillä, kun taas Higuchin fraktaaliulottuvuus oli informatiivisempi [21]. Näissä tutkimuksissa luokittelussa käytettiin koneoppimistekniikoiden luokittelijoita, joissa on monikanavainen EEG -tietojen syöttö [20, 21].

Toisaalta joissakin viimeaikaisissa kliinisissä sovelluksissa EEG -biomarkkereiden ja masennustilan muutosten välistä korrelaatiota koko hoitojakson ajan ei paljastettu [22–24]. Transkraniaalista magneettista stimulaatiota (TMS) koskevan tutkimuksen EEG -tietojen raportoitu analyysi osoitti, että EEG -teho useilla kaistoilla mitattuna lähtötilanteessa ja koko hoitojakson ajan ei korreloinut mahdollisen vasteen kanssa TMS -hoidolle [22]. Neurofeedback -istunnon aikana testattiin, voiko vasemman ja oikean etuosan alfa -aktiivisuuden tasapainoa muuttaa, mutta mielialan muutoksia ei havaittu [23]. Toisen tutkimuksen tulokset osoittivat negatiivisen yhteyden parietaalisen ja niskakalvon alfa-voiman välillä silmien avoimessa lepotilassa ja aivoista peräisin olevan neurotrofisen tekijän arvioiman masennuksen vakavuuden välillä yhtenä tärkeänä tekijänä vakavan masennuksen häiriössä [24]. Edellä mainituissa kliinisissä tutkimuksissa raportoidut tulokset vahvistavat, että lineaarinen EEG -analyysi, joka perustuu EEG -rytmien voiman absoluuttiseen tasoon, ei tarjoa havaita muutoksia masennuksen vakavuudessa koko hoitojakson ajan [22–24]. Siksi tarvitaan tutkimuksia herkempien luotettavien EEG -analyysimenetelmien valitsemiseksi masennuksen havaitsemiseksi.

Tämän tutkimuksen idea oli lineaaristen ja epälineaaristen EEG -analyysimenetelmien vertailu masennuksen syrjintään. Vertailumenetelmien valinta perustui ensin menetelmällä aikaisemmin saavutettuihin tuloksiin ja toiseksi laskenta -algoritmin yksinkertaisuuteen.

Aiemmat tulokset osoittivat, että lineaarinen SASI -menetelmä tarjoaa suuremman herkkyyden masennuksen havaitsemiseen verrattuna muihin menetelmiin, kuten puolipallon epäsymmetria tai johdonmukaisuus laskenta -algoritmien vastaavassa monimutkaisuudessa [19].

HFD: n on osoitettu tarjoavan parempaa syrjintää (91,3%) verrattuna Katzin fraktaaliulottuvuuteen [21]. CD: n, HFD: n ja DFA: n vertailu masennuksen luokitteluun osoitti, että CD -herkkyys oli korkein (luokitus 83,3%), kun taas HFD- ja DFA -herkkyys oli jonkin verran pienempi (76,6%) [20]. HFD laskee kuitenkin aikasarjojen fraktaaliulottuvuuden suoraan aika -alueella, ja HFD -algoritmi on paljon yksinkertaisempi ja nopeampi verrattuna CD (ja myös DFA) -laskenta -algoritmeihin [25]. Siksi SASI lineaarisena ja HFD epälineaarisena EEG -analyysimenetelmänä valittiin vertailtavaksi masennuksen EEG -analyysissä tässä tutkimuksessa.

2. Materiaalit ja metodit

2.1. EEG -signaalit

Leposilmät suljettuina EEG -signaaleja 17 masentuneesta potilaasta ja 17 kontrollikohteesta käytettiin tietokantana laskettaessa spektristä epäsymmetriaindeksiä ja Higuchin fraktaaliulottuvuutta. Masennuspotilaiden ryhmä koostui naisista, joilla ei ollut masennuslääkitystä, keski -ikä 39 vuotta ja keskihajonta 12 vuotta. Kontrolliryhmään kuului ikään terveitä naispotilaita. EEG -tallennukset tehtiin sähköisesti ja akustisesti suojatussa himmeässä laboratoriohuoneessa ulkoisten häiriöiden välttämiseksi. Tutkittavat tutkijat makasivat rento asennossa silmät kiinni nauhoitusten aikana.

5 minuutin EEG-signaalit tallennettiin 18 kanavalta kansainvälisen 10-20-elektrodisen sijainnin luokitusjärjestelmän mukaisesti. Cadwell Easy II EEG -mittauslaitetta käytettiin raa'iden EEG -signaalien tallentamiseen taajuuskaistalla 0,3–70 Hz. EEG-signaaleja suodatettiin edelleen käyttämällä Butterworthin kaistanpäästösuodatinta 0,5–48 Hz, jonka vaimennus on 100 dB pysäytysalueella, ja ne tallennettiin tietokoneeseen näytteenottotaajuudella 400 Hz. Esimerkki tallennetusta EEG -signaalista on esitetty kuvassa 1.


Tutkimus tehtiin Helsingin julistuksen mukaisesti ja Tallinnan lääketieteellisen tutkimuksen eettisen komitean hyväksymä.

EEG -analyysi suoritettiin offline -tilassa käyttämällä Matlab -ohjelmistoa. SASI ja HFD laskettiin etupuolen FP1: ssä ja FP2: ssa, ajallisissa T3 ja T4: ssä, parietaalisissa P3: ssa ja P4: ssä sekä niskakappaleen O1- ja 02 -EEG -kanavissa käyttäen Cz: tä vertailuna.

2.2. Spektraaliasymmetriaindeksimenetelmä - SASI

SASI: n periaate on arvio EEG -spektrin spektrisesta epäsymmetriasta sen enimmäismäärän suhteen alfakaistalla [18]. Tätä tarkoitusta varten yhdessä EEG -kanavassa lasketaan tehojen suhteellinen ero taajuuskaistoilla, jotka on valittu korkeammiksi ja matalammiksi kuin alfa. Jotta saavutettaisiin kahden tehon tasapaino alemmalla ja korkeammalla EEG -taajuuskaistalla, valittujen kaistojen leveyden on kompensoitava EEG -spektritiheyden ero. Keski (alfa) taajuudet jätetään analyysin ulkopuolelle. Laskentataajuuskaistoille valitut rajataajuudet säädettiin ottaen huomioon kohteen yksilöllinen alfa.

SASI -menetelmän pääkaavio on esitetty kuvassa 2. Alemman ja korkeamman taajuuskaistan rajataajuudet liittyvät spektrin keskitaajuuteen

, joka sijaitsee alfakaistalla. Alempi taajuusalue valittiin

Korkeampi taajuusalue valittiin

Tässä valinnassa alfa-kaistanleveyden oletetaan olevan 4 Hz. Alemman taajuuskaistan leveydeksi valitaan myös 4 Hz, lähellä perinteistä teeta -kaistaa. Korkeampi taajuusalue valitaan 24 Hz, joka kattaa EEG -beeta -taajuudet. Valitut kaistat eivät välttämättä vastaa perinteisiä EEG -taajuuksia. Kaistanleveydet valittiin empiirisesti aikaisempien tutkimustemme aikana [19].


- parabolisen likimääräisen enimmäismäärän

—Alemman ja korkeamman rajataajuuden alemmalla EEG -taajuuskaistalla

Kullekin EEG -kanavalle laskettiin kiinnostuksen kohteena olevilla taajuuskaistoilla olevat EEG -tehon arvot, jotka valittiin korkeammiksi ja alemmiksi

. Teho alemmalla taajuusalueella

jossa taajuudet ja määräytyvät olosuhteiden (1) mukaan ja ovat tallennetun EEG -signaalin tehonspektrinen tiheys. Teho korkeammalla taajuusalueella

laskettiin , jossa taajuudet ja jotka määräytyvät olosuhteiden mukaan (2). Signaalin tehonspektrinen tiheys laskettiin käyttämällä Welchin keskimääräistä periodogrammimenetelmää. Signaali jaettiin päällekkäisten segmenttien sarjaan (50% päällekkäin), joiden pituus oli 1024 näytettä. Jokainen segmentti kerrottiin Hanning -ikkunatoiminnolla:

missä on näyteindeksi ja näytteiden lukumäärä segmentissä. Periodogrammi laskettiin käyttämällä nopeaa Fourier-muunnosta ikkunalliseen segmenttiin ja ajan keskiarvoistamista tuloksesta.

Yleinen SASI -laskentaalgoritmi esittää EEG -tehojen suhteellisen eron taajuuskaistoilla, jotka on valittu korkeammiksi ja alemmiksi kuin alfakaistan taajuudet:

jossa määritetään (3) ja (4).

Kaava (6) tarjoaa eron masentuneille ja kontrolliryhmille, jotka käyttävät nollatasoa päätöksenteossa: henkilö tunnistetaan masentavaksi positiivisen ja ei -masentavan negatiivisen SASI -arvon perusteella.

SASI -laskenta -algoritmin mukauttaminen yksittäiseen kohteeseen suoritettiin ottaen huomioon potilaiden yksilölliset alfa -taajuudet (kuva 2). Spektrin keskitaajuus laskettiin käyttämällä parafolistä likimääräistä spektriä alfa -kaistalla. Syy tällaiseen lähestymistapaan oli, että todellinen EEG -spektri ei ole sileä ja erilaiset sivupiikit voivat vaikuttaa tehonjakoon. Aluksi taajuus, jolla on suurin spektriteho

tallennetun EEG -signaalin alfakaistan alueella (8–13 Hz) arvioitiin. Tämän jälkeen EEG -taajuuskaistan spektriin sovellettiin parabolista lähentämistä (

Hz). Parabolinen approksimaatio tehtiin etsimällä polynomifunktion kertoimet, jotka sopivat dataan pienimmän neliösumman mukaisessa merkityksessä. Laskelmat tehtiin käyttämällä Matlab POLYFIT -työkalua. Asennetun paraabelin maksimipiste otettiin spektrin keskitaajuudeksi yksittäiselle henkilölle.

2.3. Higuchin fraktaalimittausmenetelmä - HFD

HFD -algoritmi laskee aikasarjojen fraktaaliulotteen suoraan aika -alueella [25]. Se perustuu pituuden mittaukseen

käyrästä, joka edustaa tarkasteltavaa aikasarjaa, kun näytesegmenttiä käytetään yksikönä, jos asteikot kuten

Fraktaaliulottuvuuden FD arvo laskettiin seuraavan algoritmin mukaisesti [25]. Annetusta aikasarjasta

, uusi sarja on rakennettu seuraavasti:

Jokaisen käyrän pituus lasketaan kaavan mukaan:

Aikavälin käyrän pituus määritellään keskiarvoksi arvoilla,. Jos asteikot pitävät, käyrällä on fraktaalimitta FD, joka lasketaan kaavion lineaarisen regression avulla:

seuraavan kaavan mukaisesti:

jossa,,, ja ilmaisee niiden arvojen lukumäärän, joille lineaarinen regressio lasketaan (

FD laskettiin 2000 näytteen (5 s) ikkunassa ja ikkunaa siirrettiin 200 näytettä (0,5 s) parametrilla. Kunkin EEG -signaalin pituus oli 5 minuuttia, mikä antoi 591 FD -arvoa signaalille. Kohteen ja kanavan FD saavutettiin käyttämällä signaalin kaikkien FD -arvojen keskiarvoistamista.

Tietojemme mukaan ei ole oletettuja päätöksentekoperusteita HFD -arvon erottamiseksi masentuneista ja terveistä henkilöistä. Siksi valitsimme päätöksenteon tason masentuneiden ja ei -depressiivisten henkilöiden erottamiseksi keskimääräiseksi HFD -arvoksi ja keskihajonnaksi kontrolliryhmälle: potilaat, joiden HFD -arvot olivat yli valitun rajan, tunnistettiin masentaviksi ja päinvastoin.

2.4. Tilastot

Masennuksen ja kontrolliryhmän erilaistumisen todennäköisyys laskettujen SASI- tai HFD -arvojen perusteella arvioitiin käyttäen Studentin

-testi kaksisuuntaiselle jakaumalle kahden näytteen epätasaisen varianssin kanssa. Luottamustasoa pidettiin tilastollisesti merkittävänä.

3. Tulokset

3.1. SASI -menetelmä

Kuvio 3 esittää lasketut SASI -arvot keskimäärin masennus- ja kontrolliryhmien ryhmille. Kaaviot osoittavat selvästi positiiviset keskimääräiset SASI -arvot masennukselle ja negatiiviset kontrolliryhmälle kaikissa EEG -kanavissa. Ilmeisin ero masennuksen ja kontrolliryhmän välillä näkyy parietaalisissa kanavissa.


Laskettujen parametrien numeeriset arvot ja tulosten tilastollinen analyysi esitetään taulukossa 1. SASI -arvo keskimäärin kaikilla EEG -kanavilla on 0, 200 masennuksessa ja -0, 136 kontrolliryhmässä. Keskihajonta -arvot ovat verrattavissa keskiarvon ja jopa korkeampiin arvoihin. Siitä huolimatta SASI -menetelmä erottaa selvästi masentuneet ja terveet koehenkilöt, ja tilastollisesti merkitsevät erot ryhmien välillä paljastuivat kaikissa EEG -kanavissa.

arvot erottavat masentuneen ja kontrolliryhmän.

PAS- ja P4 -EEG -kanavien SASI -arvot masentuneille yksittäisille henkilöille on esitetty kuvassa 4 ja kontrollikohteet kuvassa 5. Yksittäiset SASI -arvot vaihtelivat -0,32 - 0,76 masentuneessa ja -0,47 - 0,28 kontrolliryhmässä. Huomattavat vaihtelut yksittäisten henkilöiden välillä selittävät korkeat keskihajonnan arvot taulukossa 1. SASI -arvot ovat positiivisia 15 masentuneelle (88%) ja negatiiviset vain kahdelle potilaalle. Kontrolliryhmässä SASI oli negatiivinen 14: llä (82%) ja positiivinen 3 potilaalla. Molemmissa ryhmissä oikein ilmoitettujen henkilöiden osuus on 85%.



Kuvissa 3, 4 ja 5 sekä taulukossa 1 esitetyt SASI -arvot ovat vertailukelpoisia oikealla ja vasemmalla pallonpuoliskolla. Tilastollisesti merkitsevää eroa symmetristen kanavien välillä ei paljastettu ().

3.2. HFD -menetelmä

Kaikkien kohteiden keskiarvotetut HFD -arvot on esitetty kuvassa 6. HFD: n lisääntyminen masennuksen kanssa on ilmeistä kaikissa EEG -kanavissa. Laskettujen HFD -parametrien numeeriset arvot ja tilastollisen analyysin tulokset on esitetty taulukossa 2. Masennuksen HFD -arvon keskiarvo kaikilla EEG -kanavilla (1.709) on korkeampi kuin kontrolliryhmässä (1.659). HFD -arvojen keskimääräinen nousu masennuksen kanssa on 0,05 (3%). Keskimääräinen keskihajonta masentuneissa (0,0487) ja kontrolliryhmissä (0,0462) on verrattavissa HFD: n keskimääräiseen eroon ryhmien välillä (0,05). Kuitenkin selvä trendi lisääntyä masennuksen kanssa johtaa tilastollisesti merkitseviin eroihin masennus- ja kontrolliryhmien välillä ajallisissa, parietaalisissa ja niskakyhmissä (taulukko 2).

arvot erottavat masentuneen ja kontrolliryhmän.


HFD -arvot P3- ja P4 -EEG -kanavissa yksittäisille masennusryhmän potilaille on esitetty kuvassa 7 ja kontrolliryhmässä kuvassa 8. HFD -arvot vaihtelivat masennustilassa 1,64 - 1,78 ja kontrolliryhmässä 1,61 - 1,715. Yksilöiden välinen vaihtelu on 22%. Suuri vaihtelu yksittäisten henkilöiden välillä johtaa masennukseen liittyviin HFD -muutoksiin (keskimäärin 3%).



Yksittäisten kohteiden eriyttämisen päätöksentekotaso, joka määritetään keskimääräisenä HFD -arvona plus keskihajonta, on 1.6960 kanavalla P3 ja 1.6989 kanavalla P4. Eriytymistason mukaan 16 (94%) koehenkilöä paljastuu masentavaksi ja 1 potilas ei -depressiiviseksi masennusryhmässä, joka käyttää signaaleja kanavalla P3. Kanavan P4 signaalit näyttävät täsmälleen saman tuloksen. Kontrolliryhmässä 13 (76%) koehenkilöä on osoitettu ei -depressiivisiksi käyttämällä signaaleja kanavalla P3. Kanavan P4 signaalit osoittivat myös 13 (76%) koehenkilöä ei -masentavaksi, mutta kaksi kohdetta (10 ja 13 kuvassa 8) on osoitettu eri tavalla käyttämällä kanavan P3 tai P4 signaaleja. Molemmissa ryhmissä oikein ilmoitettujen kohteiden määrä on 85% yhden kanavan P3 tai P4 signaalien analyysin perusteella.

HFD -arvojen symmetria oikean ja vasemman pallonpuoliskon symmetrisissä EEG -kanavissa on ilmeinen ryhmätasolla (kuva 6). HFD -arvojen aivopallojen välinen epäsymmetria on havaittavissa masennus- ja kontrolliryhmissä (kuvat 7 ja 8). Kuitenkin ero puolipallon epäsymmetrian välillä masennuksen ja kontrolliryhmän välillä ei näyttänyt tilastollisesti merkitsevältä ().

4. Keskustelu

Kuvissa 3 ja 6 sekä taulukoissa 1 ja 2 esitetyt tulokset osoittavat, että molemmat EEG -analyysimenetelmät, SASI ja HFD, erottavat selvästi spesifiset masennusominaisuudet EEG: ssä. Molemmat menetelmät osoittivat parhaat tulokset parietaalisissa EEG -kanavissa. Sekä SASI että HFD lisääntyivät masennuksessa.

SASI osoitti huomattavaa nousua, joka muutti parametrin napaisuutta, kun taas laskettu HFD osoitti vain pienen nousun (3%) masennuksen kanssa. HFD: n suhteellisen vähäisestä kasvusta huolimatta muutokset olivat tilastollisesti merkitseviä kaikilla EEG -kanavilla (), lukuun ottamatta etuosaa. Samanlaisia ​​suhteellisen pieniä mutta merkittäviä muutoksia HFD -arvoissa on raportoitu myös muiden mielisairauksien, kuten skitsofrenian, tapauksessa [11]. Vielä pienempi HFD: n nousu (1,3%) osoitti tilastollisesti merkitseviä muutoksia mikroaaltoaltistuksen aiheuttamassa EEG: ssä [26]. SASI- ja HFD -menetelmien erilainen käyttäytyminen masennuksen havaitsemisessa voidaan selittää lineaarisen ja epälineaarisen EEG -analyysin erilaisella luonteella.

SASI osoitti 15 (88%) potilasta masentavaksi ja HFD osoitti 16 (94%) potilasta masentavaksi masennusryhmässä. Henkilö, jota HFD ei ole osoittanut masentavaksi, ei myöskään ollut masentava SASI: n mukaan. SASI osoitti 14 (82%) koehenkilöä ei -depressiiviseksi ja HFD osoitti 13 (76%) potilasta ei -depressiiviseksi kontrolliryhmässä. SASI ja HFD tunnistivat molemmat samat 12 koehenkilöä ei -depressiivisiksi kontrolliryhmässä. SASI ja HFD tunnistivat kaksi kohdetta eri tavalla. Koehenkilöiden kokonaismäärä 29 (85%), jotka tunnistettiin oikein masennus- ja kontrolliryhmissä, oli sama SASI- ja HFD -potilailla. Samat luvut HFD- ja EEG -teho -ominaisuuksille ovat myös raportoineet muiden tekijöiden luokittelun tarkkuuden vuoksi (76,6%) [20]. HFD epälineaarisena menetelmänä osoitti jonkin verran suurempaa herkkyyttä masennuksen havaitsemiseen (94%) kuin SASI (88%).

SASI (kuvat 4 ja 5) ja HFD (kuvat 7 ja 8) arvojen erittäin suuri vaihtelu yksittäisille henkilöille (HFD vaihtelee noin 22%) ylittää masennus- ja kontrolliryhmien mittausten erot (3% HFD: ssä). Suuri yksilöiden välinen vaihtelu näkyy useimmissa fysiologisissa prosesseissa ja toimenpiteissä. Tätä tekijää ei voida pitää SASI- eikä HFD -EEG -analyysimenetelmien haittana.

SASI -menetelmän tulokset eroavat muiden masennuksen havaitsemiseen käytettyjen lineaaristen menetelmien tuloksista [14–16]. Ensinnäkin SASI havaitsee merkittävimmät muutokset parietaalissa, ei aivojen etuosassa, kuten etupuolen pallonpuolisen epäsymmetrian tapauksessa [14–16]. On myös huomionarvoista, että laskettu SASI on hyvin samanlainen kaikille oikean ja vasemman pallonpuoliskon symmetrisille kanaville, kun taas pallonpuoliskon epäsymmetria on raportoitu olevan masentavan EEG: n erityispiirre [14–16]. Tämän symmetrian selittämiseksi meidän on pidettävä mielessä, että SASI perustuu kahden EEG -taajuuskaistan tehon suhteelliseen eroon samassa EEG -kanavassa. Suhteellinen ero ei riipu absoluuttisista tehotasoista. Siksi mahdollinen EEG -tehon epäsymmetria eri pallonpuoliskoilla ei vaikuta tehon suhteelliseen jakautumiseen kahden taajuuskaistan välillä samalla kanavalla. Näin ollen SASI: n puolipallon välinen symmetria ei ole ristiriidassa EEG -tehon mahdollisen pallonpuoliskon välisen epäsymmetrian kanssa.

HFD -menetelmällä saavutettu tulos ei ole suoraan verrattavissa muiden kirjoittajien raportoimiin masennuksen EEG -tutkimuksiin [20, 21]. Kirjoittajat raportoivat vain tulokset EEG: n luokittelusta masennuksessa geneettisellä algoritmilla [20]. HFD -laskelmia käytettiin vain syötteenä luokittelutekniikkaan, eikä tietoja itse HFD -arvoista toimitettu [20]. Toisessa tutkimuksessa Ahmadlou et ai.laski HFD: n vain etupuolelta ja paljasti merkittävän eron masennus- ja kontrolliryhmien välillä vain EEG -beeta- ja gamma -alueilla [21]. HFD: n tiedetään olevan herkkä kohinalle ja taajuuskaistalle [9]. Siksi eri taajuuskaistojen signaaleille tehtyjen tutkimusten tulokset eivät ole vertailukelpoisia. Tuloksemme voidaan todennäköisimmin verrata Ahmadloun ym. Tutkimuksen täyskaistaisiin EEG-tuloksiin, joissa masennus- ja kontrolliryhmän välinen syrjintä ei myöskään onnistunut etupuolella. Valitettavasti Ahmadlou et ai. ei harkinnut HFD: tä parietooccipital -alueella, jossa paras syrjintä tapahtui tässä tutkimuksessa.

SASI -menetelmä paljasti merkittävän eron masennuksen ja normaalin EEG: n välillä kaikissa EEG -kanavissa (taulukko 1), kun taas HFD -menetelmä havaitsi merkittävän eron ajallisissa, parietaalisissa ja niskakyhmissä (taulukko 2). SASI näyttää myös vähemmän herkältä etupuolelta (kuva 3, taulukko 1). Syy menetelmien pienempään herkkyyteen etupuolella liittyy todennäköisesti etuosan EEG: n suurempaan vaihtelevuuteen. Etusignaalien lisääntynyt vaihtelu toimii lisäkohinana. Higuchin algoritmin tiedetään olevan herkkä melutasolle [6]. Siksi HFD -menetelmä, koska se on herkempi melulle, menettää herkkyytensä EEG -etukanavissa. Melu ei vaikuta niin voimakkaasti SASI -menetelmän herkkyyteen, koska se on yksinkertaisempi ja kestävämpi lähestymistapa. Toisaalta parietaalialueella, jossa signaalit ovat vakaampia, HFD -menetelmä osoitti parempaa syrjintää (taulukko 2) verrattuna SASI: hen (taulukko 1).

Molemmilla menetelmillä, SASI ja HFD, on joitain yhteisiä piirteitä masennuksen havaitsemisessa. Ensinnäkin menetelmät erottavat masennuksen tehokkaimmin parietaalisesta aivojen alueesta. Toiseksi menetelmät eivät osoita tilastollisesti merkitsevää eroa pallonpuoliskon epäsymmetriassa masennus- ja kontrolliryhmien välillä, koska kumpikaan menetelmä ei ole riippuvainen EEG -signaalin absoluuttisesta tasosta. Tästä syystä SASI- ja HFD -menetelmiä käyttävä havaitsematon pallonpuoliskon välinen epäsymmetria ei ole ristiriidassa muiden EEG -analyysimenetelmien avulla löydetyn EEG -tehon välisen pallonpuoliskon välisen epäsymmetrian kanssa.

5. Johtopäätökset

Molemmat menetelmät, SASI ja HFD, tarjoavat selkeän eron masennuksen ominaisuuksista yksikanavaisessa EEG: ssä ja paljastavat tilastollisesti merkitseviä eroja masennus- ja kontrolliryhmien välillä. Sekä SASI- että HFD-menetelmien edut verrattuna muihin EEG-analyysimenetelmiin ovat (i) masennuksen havaitseminen käyttämällä yksikanavaista EEG-signaalia (ii) yksinkertaiset ja nopeat laskenta-algoritmit.

SASI-menetelmän etu verrattuna HFD: hen on päätöksenteon nollataso, joka tarjoaa yksinkertaisen positiivisen-negatiivisen eron masentuneiden ja kontrolliryhmien välillä. Odotettu etu HFD: stä epälineaarisena menetelmänä oli suurempi herkkyys verrattuna SASI: han, joka on osoitettu taka -aivoalueella ja jossa EEG -signaalin luonnollinen vaihtelu on pienempi.

HFD: n haittana SASI: han verrattuna on monimutkaisempi syrjintä yksittäisten masentuneiden ja kontrolliryhmien välillä, koska HFD -arvot ovat suhteellisen pieniä.

Molempien menetelmien, SASI: n ja HFD: n, suurin haitta on, että erilaiset aivosairaudet kuin masennus voivat aiheuttaa samanlaisia ​​muutoksia toimenpiteissä. Siksi molempien menetelmien lisätutkimukset riippumattomissa ja suuremmissa tietokannoissa ovat erittäin tarpeen.

Kuittaus

Tätä tutkimusta tuki Euroopan unioni Euroopan aluekehitysrahaston kautta.

Viitteet

  1. "Kansallinen mielenterveyslaitos, kaikki aikuisten häiriöt", http://www.nimh.nih.gov/statistics/1ANYDIS徭ULT.shtml. Katso: Google Scholar
  2. "Kansallinen mielenterveyslaitos, vakava masennushäiriö aikuisten keskuudessa", http://www.nimh.nih.gov/statistics/1MDD徭ULT.shtml. Katso: Google Scholar
  3. K. J. Friston, ”Labiilit aivot. I. Neuronaaliset ohimenevät ja epälineaarinen kytkentä " Royal Societyin filosofiset tapahtumat B, Voi. 355, ei. 1394, s. 215–236, 2000. Katso: Google Scholar
  4. J. A. Roberts ja P. A. Robinson, "Kvantitatiivinen teoria ohjattavasta epälineaarisesta aivojen dynamiikasta" Neurokuva, Voi. 62, ei. 3, s. 1947–1955, 2012. Katso: Google Scholar
  5. C. J. Stam, "EEG: n ja MEG: n epälineaarinen dynaaminen analyysi: kehittyvän kentän katsaus" Kliininen neurofysiologia, Voi. 116, ei. 10, s. 2266–2301, 2005. Katso: Kustantajan sivusto | Google tutkija
  6. A. Accardo, M. Affinito, M. Carrozzi ja F. Bouquet, "Fraktaalidimension käyttö elektroencefalografisten aikasarjojen analysointiin" Biologinen kybernetiikka, Voi. 77, ei. 5, s. 339–350, 1997. Katso: Google Scholar
  7. J. Dauwels, F. Vialatte ja A. Cichocki, "Alzheimerin taudin diagnoosi EEG -signaaleista: missä me seisomme?" Nykyinen Alzheimer -tutkimus, Voi. 7, ei. 6, s. 487–505, 2010. Katso: Julkaisijan sivusto | Google tutkija
  8. A.Fern ández, C. G ómez, R. Hornero ja J. J. L ópez-Ibor, "Monimutkaisuus ja skitsofrenia" Edistyminen neuropsykofarmakologiassa ja#x26 biologisessa psykiatriassa, Voi. 45, s. 267–276, 2013. Katso: Google Scholar
  9. T. Q. D. Khoa, V. Q. Ha ja V. V. Toi, "Higuchin fraktaaliset ominaisuudet alkavan epilepsian elektroencefalogrammista", Laskennalliset ja matemaattiset menetelmät lääketieteessä, Voi. 2012, artikkelin tunnus 461426, 6 sivua, 2012. Katso: Publisher Site | Google tutkija
  10. Abasolo, R. Hornero, J. IEEE Transaction on Biomedical Engineering, Voi. 55, s. 2171–2179, 2008. Katso: Google Scholar
  11. M.Sabeti, S.Katebi ja R.Boostani, "Entropia- ja monimutkaisuusmittaukset skitsofrenian ja kontrollin osallistujien EEG -signaaliluokitukseen" Tekoäly lääketieteessä, Voi. 47, ei. 3, s. 263–274, 2009. Katso: Publisher Site | Google tutkija
  12. P. E. McSharry, L. A. Smith ja L. Tarassenko, "Vertailu epileptisten kohtausten ennustettavuuteen lineaarisella ja epälineaarisella menetelmällä" IEEE Transactions on Bio-Medical Engineering, Voi. 50, ei. 5, s. 628–633, 2003. Katso: Google Scholar
  13. C. P. Jayapandian, C. H. Chen, A. Bozorgi, S. D. Lhatoo, G. Q. Zhang ja S. S. Sahoo, "Elektrofysiologinen signaalianalyysi ja visualisointi käyttämällä Cloudwavea epilepsiaan, kliininen tutkimus" Terveystekniikan ja informaatiotieteen opinnot, Voi. 192, s. 817–821, 2013. Katso: Google Scholar
  14. V. Knott, C. Mahoney, S. Kennedy ja K. Evans, "EEG -teho, taajuus, epäsymmetria ja johdonmukaisuus miesten masennuksessa" Psykiatrian tutkimus, Voi. 106, ei. 2, s. 123–140, 2001. Katso: Kustantajan sivusto | Google tutkija
  15. D. Mathersul, L. M. Williams, P. J. Hopkinson ja A. H. Kemp, "Vaikutusmallien tutkiminen: suhteet EEG -alfa -epäsymmetrian, masennuksen ja ahdistuneisuuden välillä" Tunne, Voi. 8, ei. 4, s. 560–572, 2008. Katso: Julkaisijan sivusto | Google tutkija
  16. J. J. B. Allen, H. L. Urry, S. K. Hitt ja J. A. Coan, ”Eteenpäin suuntautuvan elektroenkefalografisen epäsymmetrian vakaus masennuksessa” Psykofysiologia, Voi. 41, ei. 2, s. 269–280, 2004. Katso: Kustantajan sivusto | Google tutkija
  17. C. Gold, J. Fachner ja J. Erkkil ä, "Elektroenkefalografisen etuosan alfa -epäsymmetrian ja etulinjan keskilinjan teeta pätevyydestä ja luotettavuudesta masennuksen biomarkkereina" Scandinavian Journal of Psychology, Voi. 54, ei. 2, s. 118–126, 2013. Katso: Google Scholar
  18. H. Hinrikus, M. Bachmann, J. Lass et ai., ”Menetelmä ja laite mielenterveyden häiriön diagnosoimiseksi mittaamalla aivojen bioelektromagneettisia signaaleja”, US8244341B1, 2012. Katso: Google Scholar
  19. H. Hinrikus, A. Suhhova, M. Bachmann et ai., "Elektroenkefalografinen spektrinen epäsymmetriaindeksi masennuksen havaitsemiseksi" Lääketieteellinen ja biologinen tekniikka ja tietojenkäsittely, Voi. 47, ei. 12, s. 1291–1299, 2009. Katso: Publisher Site | Google tutkija
  20. B. Hosseinifard, M.H. Moradi ja R.Rostami, "Masennuspotilaiden ja normaalien kohteiden luokittelu käyttäen koneoppimismenetelmiä ja epälineaarisia ominaisuuksia EEG -signaalista" Tietokoneen menetelmät ja ohjelmat biolääketieteessä, Voi. 109, ei. 3, s. 339–345, 2013. Katso: Google Scholar
  21. M. Ahmadlou, H. Adeli ja A. Adeli, "Fraktaalianalyysi etuaivoista vakavassa masennuksessa" International Journal of Psychophysiology, Voi. 8, ei. 2, s. 206–211, 2012. Katso: Google Scholar
  22. A. S. Widge, D. H. Avery ja P. Zarkowski, "Masennuslääkkeiden vasteen lähtötilanne ja hoidon aiheuttamat EEG-biomarkkerit eivät ennusta vastetta toistuvaan kallonväliseen magneettistimulaatioon," Aivojen stimulaatio, 2013. Katso: Julkaisijan sivusto | Google tutkija
  23. F. Peeters, J. Ronner, L. Bodar, J. van Os ja R. Lousberg, "Neurofeedback-paradigman validointi: ETA-alfa-aktiivisuuden manipulointi ja sen vaikutus mielialaan" International Journal of Psychophysiology, 2013. Katso: Publisher Site | Google tutkija
  24. H. F. Zoon, C. P. Veth, M. Arns et ai., "EEG-alfa-voima välivaiheena aivoista peräisin olevan neurotrofisen tekijän Val66Met ja masennuksen vakavuuden välillä potilailla, joilla on vakava masennus Journal of Clinical Neurophysiology, Voi. 30, ei. 3, s. 261–272, 2013. Katso: Google Scholar
  25. T. Higuchi, "Lähestyminen epäsäännölliseen aikasarjaan fraktaaliteorian perusteella" Physica D., Voi. 31, ei. 2, s. 277–283, 1988. Katso: Google Scholar
  26. H. Hinrikus, M. Bachmann, D. Lääketieteellinen ja biologinen tekniikka ja tietojenkäsittely, Voi. 49, ei. 5, s. 585–591, 2011. Katso: Kustantajan sivusto | Google tutkija

Tekijänoikeus

Copyright © 2013 Maie Bachmann et ai. Tämä on avoimen pääsyn artikkeli, joka on jaettu Creative Commons Attribution License -lisenssillä, ja joka sallii rajoittamattoman käytön, jakelun ja jäljentämisen millä tahansa välineellä, jos alkuperäinen teos on lainattu oikein.


4 EEG -TULOKSET

4.1 Ärsytystä edeltävä voima ennustaa visuaalisen tietoisuuden arvosanat, mutta ei syrjintää

Kuva 2a kuvaajat t kaikkien elektrodien keskiarvot kullakin ajanhetkellä (-1- + 0,7 s ärsykkeen jälkeen), jotka ilmaisevat EEG-tehon ja PAS-luokitussuhteen voimakkuuden, samalla kun hallitaan ärsykkeen voimakkuuden (kirjeen esitysaika) vaikutusta PAS-luokituksiin, taajuuksilla 3–40 Hz. Nämä t arvot edustavat ryhmätason testejä siitä, onko regressiokerroin (EEG-teho vs. PAS-luokitus) z yksittäisten yksittäisten koeanalyysien tulokset osoittivat järjestelmällisen lineaarisen suhteen osallistujien välillä. Löysimme yhden merkittävän negatiivisen klusterin (eli pieni teho liittyi korkeisiin PAS-luokituksiin ja korkea teho alhaisiin PAS-luokituksiin), joka ulottui sekä ennen stimulaatiota että sen jälkeen (-0,84-0,7 s suhteessa ärsykkeen alkamiseen, 3– 31 Hz: klusteritilastot = −24,019, s = 0,0035). Niiden elektroditaajuuspisteiden BF: ille, jotka sisältyvät merkittävään negatiiviseen klusteriin, prosenttiosuus datapisteistä, jotka osoittavat H: n1 oli selvästi enemmän kuin ne, jotka antoivat todisteita H: lle0 (katso kuva 2a, pohjakuva). Kiinnostusta edeltävänä kiinnostuksen aikana vaikutus jakautui laajalti lähes kaikkiin elektrodeihin, mutta oikean takaosan maksimin kanssa (ks. Kuva 2b, vasen kartta: tiedot keskimäärin kaikista klusterin elektrodiaikataajuuspisteistä-1- 0 s suhteessa ärsykkeen alkamiseen). Kuvio 2b (oikea kartta) esittää negatiivisen klusterin ärsytyksen jälkeisen osan topografiset esitykset. Kuva 2c (vasen paneeli) esittää ryhmän keskimääräiset taajuusspektrit, jotka on laskettu erikseen korkeille PAS -luokituskokeille (punaiset viivat) ja alhaisille PAS -luokituskokeille (mustat viivat) huippua vastaavasta datapisteestä t arvo stimulaatiota edeltävässä klusterissa (elektrodi POz, −0,54 s). Verrattuna alhaisiin PAS-luokitustutkimuksiin, korkeat PAS-luokituskokeet liittyivät alentuneeseen alfa-tehon stimulaatioon. Tämä vaikutus oli erittäin johdonmukainen kaikille osallistujille, kuten näkyy hajontakaavio (kuva 2c, oikea paneeli) keskimääräisen 10 Hz: n tehon erosta korkean ja matalan PAS-luokituskokeiden välillä jokaiselle osallistujalle.

Sitä vastoin EEG-tehon ja tunnistustarkkuuden välillä ei havaittu suhdetta, samalla kun kontrolloitiin ärsykkeen voimakkuuden vaikutusta tarkkuuteen joko ennen stimulaatiota tai sen jälkeen (kuva 2d). Niiden elektroditaajuuspisteiden BF: ien osalta, jotka sisältyvät tietoisuusanalyysin merkittävään negatiiviseen klusteriin, prosenttiosuus datapisteistä, jotka osoittavat H: n0 oli selvästi enemmän kuin ne, jotka antoivat todisteita H: lle1, ennen stimulaatiota, vaikka tämä malli pyrki kääntämään ärsykkeen jälkeisen ajan (ks. kuva 2d, pohjakuva). Kuva 2e (vasen paneeli) esittää ryhmän keskimääräiset taajuusspektrit, jotka on laskettu erikseen oikeille (punaiset viivat) ja väärille kokeille (mustat viivat) huippua vastaavasta datapisteestä t arvo visuaalisen tietoisuuden analyysissä (elektrodi POz, −0,54 s). Mitään eroa tehossa ei havaittu oikeiden ja väärien kokeiden välillä (katso myös hajontakaavio kuvassa 2e [oikea paneeli] 10 Hz: n keskimääräisen tehon erosta oikean ja väärän kokeen välillä jokaiselle osallistujalle).

Sekä PAS-luokituksen että tarkkuustulokset vahvistettiin, kun vain ennen ärsykettä saatuja tietoja (−1-0 s suhteessa ärsykkeen alkamiseen) sisällytettiin kertakokeellisiin FFT-analyyseihin. Kuva 3a käyrät t arvot keskimäärin kaikkien elektrodien välillä jokaisella taajuudella (3–40), jotka ilmaisevat EEG -tehon ja PAS -luokitussuhteen voimakkuuden ja suunnan, samalla kun hallitaan ärsykkeen voimakkuuden vaikutusta PAS -luokituksiin. Löydettiin yksi merkittävä negatiivinen klusteri, joka ulottui 9: stä 12 Hz: iin (klusterin tilastot = -103,4, s = 0,0095). Sitä vastoin EEG -tehon ja tunnistustarkkuuden välillä ei havaittu merkittävää yhteyttä millään taajuudella (katso kuva 3b).

4.2 EEG-tehon seuranta: ei näyttöä siitä, että ärsykettä edeltävä tehon ja visuaalisen tietoisuuden suhde riippuu ärsykkeen voimakkuudesta

Jotta voisimme testata, riippuivatko yhden koekäytön suhteet EEG-tehon ja käyttäytymistulosten välillä ärsykkeen voimakkuudesta (kirjeen esitysaika), teimme lisäinteraktioanalyysejä. Merkittäviä vuorovaikutusvaikutuksia EEG-tehon ja esitysajan välillä ei havaittu PAS-luokitusten (kuva 4a) tai tunnistustarkkuuden (kuva 4b) osalta, kun otetaan huomioon kaikki elektrodiaikataajuuspisteet tai kun otetaan huomioon vain stimulaatiota edeltävät aikapisteet FFT-analyysissä (Kuva 4c, d).

Edellisen tutkimuksemme (Benwell et ai., 2017) analyysin toistamiseksi suorimme suorittamalla ylimääräisiä tehonjako toistettuja ANOVA-analyysejä käyttämällä yhden kokeen tietoja vain ennen ärsykettä (−1: 0 s) merkittävä EEG-teho-PAS-luokitusryhmä. Oikeiden vastausten ja keskimääräisten PAS -luokitusten osuus laskettiin erikseen kullekin esitysajalle jokaisessa teholokerossa ("ylä-" ja "alle" mediaaniteho) ja osallistuja. Vastaavat ryhmän keskiarvotiedot näytetään visuaalisen tietoisuuden luokituksille kuviossa 4e ja oikeiden vastausten osuuteen kuviossa 4f korkeiden (mustat pisteet/viivat) ja pienitehoisten kokeiden (punaiset pisteet/viivat) funktiona esitysaikaa kohden.

Toistuvat ANOVA-mittaukset visuaalisen tietoisuuden luokituksiin paljastivat stimulaatiota edeltävän voiman merkittävän päävaikutuksen (F[1, 21] = 9.946, s = .005, = 0,321), merkittävä esitysajan vaikutus (F[4, 84] = 196.274, s & lt .001, = 0,903), mutta ei merkittävää stimulaatiota edeltävää voimaa × esitysajan vuorovaikutusta (F[4, 84] = 1.76, s = .145, = 0,077). Näin ollen, vaikka vahvistimme, että ärsykkeitä edeltävä voima liittyy tietoisuusluokituksiin, kuten edellisessä tutkimuksessamme (Benwell et al., 2017), emme löytäneet merkittäviä todisteita siitä, että stimulaatiota edeltävä EEG-tehon ja PAS-luokituksen suhde riippui ärsykkeen vahvuudesta ( toisin kuin Benwell et ai., 2017).

Toistuvat ANOVA -mittaukset oikeiden vastausten osuudesta paljastivat esitysajan merkittävän päävaikutuksen (F[4, 84] = 311.97, s & lt .001, = 0,937), mutta ei merkittävää päävaikutusta stimulaatiota edeltävään tehoon (F[1,21] = 0.019, s = .892, & lt 0,001) eikä merkittävää stimulaatiota edeltävää voimaa × esitysajan vuorovaikutusta (F[4, 84] = 1.772, s = .142, = 0,078). Näin ollen ei myöskään ollut näyttöä stimulaatiota edeltävän voiman vaikutuksesta tarkkuuteen (tai vuorovaikutukseen kirjeen esitysajan kanssa) regressioanalyysien tulosten mukaisesti.

4.3 Ei ole vakuuttavaa näyttöä siitä, että ärsykettä edeltävä vaihe ennustaa visuaalisen tietoisuuden luokitukset tai tunnistustarkkuuden

Kuva 5a käyrät t wITPCz -analyysin keskiarvot kaikkien elektrodien välillä kullakin ajanhetkellä, mikä osoittaa EEG -vaiheen ja PAS -luokitussuhteen voimakkuuden samalla kun hallitaan ärsykkeen voimakkuuden (kirjaimen esitysaika) vaikutusta PAS -luokituksiin 3–40 Hz: n taajuuksilla. The t arvot indeksoivat ryhmätason testit siitä, johtaako yksittäisen kokeilun vaihevektoreiden painottaminen havainnollisilla tuloksilla kokonais-ITPC: n lisääntymiseen (positiiviset arvot) vai laskuun (negatiiviset arvot) suhteessa osallistujakohtaiseen nollapisteen jakaumaan. Löysimme kaksi merkittävää positiivista klusteria, jotka olivat suurelta osin ärsykkeen jälkeen: matalataajuinen (3–13 Hz) klusterin kattavuus-0,14–0,7 s suhteessa ärsykkeen alkamiseen (klusteritilastot = 9739,3, s = 0,0025) ja korkeamman taajuuden (10–30 Hz) klusterin ulottuvuus - 0,18–0,46 s suhteessa ärsykkeen alkamiseen (klusterin tilastot = 5336,4, s = 0,01). Kuvassa 5b esitetään kahden klusterin topografiset esitykset. Vaikka molemmissa klustereissa oli ajankohtia, jotka välittömästi edeltävät ärsykkeen alkamista ja sisältävät sen, tämä heijastaa todennäköisesti lähinnä ärsykkeen jälkeisten vaikutusten ajallista tahroja ennen stimulaatiota (Zoefel & Heil, 2013 van Diepen & Mazaheri, 2018 Brüers & VanRullen, 2017). Itse asiassa, kun vain stimulaatiota edeltävät tiedot (−1-0 s suhteessa ärsykkeen alkamiseen) sisällytettiin yksittäisten kokeiden FFT-analyyseihin (mikä sulki pois mahdollisen saastumisen ärsykkeen jälkeisestä toiminnasta), EEG-vaiheen välillä ei havaittu merkittävää suhdetta ja PAS -luokitukset millä tahansa taajuudella (katso kuva 5c).

EEG-vaiheen ja tunnistustarkkuuden väliselle suhteelle (kuva 5d) löysimme yhden merkittävän positiivisen klusterin, joka oli suurelta osin ärsykkeen jälkeinen (-0,06: 0,7 s suhteessa ärsykkeen alkamiseen, 3:24 Hz: klusterin tilastot = 19 079, s & lt .001) (katso klusterin topografinen esitys kuvasta 5e).Jälleen kerran, kun vain koe-stimulaatiotiedot sisällytettiin yhden kokeilun FFT-analyyseihin, EEG-vaiheen ja tarkkuuden välillä ei havaittu merkittävää yhteyttä millään taajuudella (ks. Kuva 5f).

Samanlaisia ​​suhteita havaittiin EEG-vaiheen ja sekä PAS-luokitusten että tunnistustarkkuuden välillä kahdessa edellä olevan analyysin muunnoksessa, ja kaikki suhteet rajoittuivat ärsykkeen jälkeiseen ikkunaan (raportoitu lisämateriaalina). Ensinnäkin, kun kirjeen esitysaikaa ei kontrolloitu, havaittiin lisää merkittäviä negatiivisia klustereita varhaisissa stimulaation jälkeisissä ajankohdissa matalilla taajuuksilla (ks. Kuva S1a, b, d, e). Nämä negatiiviset klusterit heijastavat siis todennäköisesti kirjeen esitysajan kovariaatiota ärsykkeen jälkeisen vaiheen lukituksen kanssa. Vaiheen esitysajan päävaikutuksen lisäanalyysi osoitti todellakin merkittäviä vaikutuksia, jotka olivat suurelta osin päällekkäisiä ajassa, avaruudessa ja taajuudessa (ks. Kuva S1g, h). Lisäksi minkään yksittäisen kokeen FFT-analyysissä ei havaittu merkittäviä vaihevaikutuksia, kun sisällytettiin vain stimulaatiota edeltävä EEG-data (kuva S1c, f). Toiseksi POS-analyysit (toistavat Benwell et ai., 2017) eivät myöskään antaneet näyttöä stimulaatiota edeltävän vaiheen ja joko PAS-luokitusten tai tunnistustarkkuuden välisestä suhteesta (ks. Kuva S2).

Kaiken kaikkiaan tiedot osoittavat, että havaitsemamme merkittävät EEG-vaihe-käyttäytymissuhteet ovat peräisin kokonaan ärsykkeen aiheuttamasta hermoaktiviteetista (Brüers & VanRullen, 2017 Del Cul et al., 2007 van Diepen & Mazaheri, 2018 Tagliabue et al., 2019), ja siksi emme löydä vakuuttavia todisteita spontaanin ennen ärsykettä tapahtuvan värähtelevän vaiheen vaikutuksesta havaintoomme tietojoukossamme.


Menetelmät

Pöytäkirja

Neljä tutkimusryhmää katsoi videon ärsykkeitä eri tilanteissa. Ensimmäinen ryhmä (N = 12, Yksilöllinen) katsoi videoita yksitellen toimistoympäristössä tablet -tietokoneella (Google Nexus 7 -tabletti, jossa on 7 tuuman (17,8 cm) näyttö) ja kuulokkeet. Toinen ryhmä (N = 12) näki videot samalla tavalla, mutta elokuvan ärsykkeen kohtaukset sekoitettiin ajoissa, mikä johti kertomuksen menettämiseen (Salattu). Tämän ehdon tarkoituksena oli osoittaa, että vastausten samankaltaisuus eri henkilöiden välillä ei johdu pelkästään matalan tason ärsytysominaisuuksista (jotka ovat identtisiä Yksilöllinen ja Salattu olosuhteet), mutta sen sijaan se on moduloitu kerronnan johdonmukaisuus, joka oletettavasti houkuttelee katsojia. Kaksi muuta ryhmää (N = 9, N = 9) katseli alkuperäisiä videoita luokkahuoneen näytöllä (kuva 1, Liitos 1 ja Liitos 2), ja ääni heijastetaan kaiuttimien kautta. Kohteille yritettiin luoda katseluolosuhteita nivel ryhmiä, jotka olivat samanlaisia ​​kuin yksilö ryhmä, eli valot vaimennettiin ja heijastettu kuva tuotti suunnilleen saman näkökentän (katso lisämateriaalit). Keskeinen kysymys oli, vaikuttaako katseluolosuhteet (eli ryhmässä vs. yksilöllisesti) ISC -tasoon eri aiheiden välillä.

Stimuli

Ensimmäinen videoleike oli jännittävä ote lyhytelokuvasta Pamaus! Sinäre Kuollut (1961) ohjaaja Alfred Hitchcock. Se valittiin, koska sen tiedetään herättävän erittäin luotettavaa aivotoimintaa fMRI 11- ja EEG 4 -henkilöiden välillä. Toinen ärsykkeemme oli leike Sophies Valinta, ohjannut Alan J. Pakula (1982), jota on aiemmin käytetty fMRI -aktiivisuuden tutkimiseen emotionaalisesti merkittävimpien naturalististen ärsykkeiden yhteydessä. Kolmas ei-kertova ohjausvideo tallennettiin tanskalaiselle metroasemalle, jossa oli useita ihmisiä, joita kuljetettiin hiljaa liukuportailla. Jokaisen videoleikkeen pituus oli noin kuusi minuuttia ja se näytettiin kahdesti jokaiselle aiheelle. Jokaisessa katselussa leikkeiden järjestys satunnaistettiin, kun taas samaa satunnaista järjestystä käytettiin toisen kerran, kun leikkeet näytettiin. Yhdistetty video luotiin kuhunkin leikkeiden järjestyksen kuuteen mahdolliseen permutaatioon, alkaen 10 sekunnin 43 Hz: n äänellä käytettäväksi jälkikäsittelyn synkronoinnissa ja 20 sekunnin mustalla näytöllä jokaisen elokuvaleikkeen välillä. Videon kokonaispituus oli 39 minuuttia. Lisäkannustin (Salattu) luotiin sekoittamalla kohtausten järjestystä Pamaus! Sinäre Kuollut ja Sophies Valinta aiempien tutkimusten mukaisesti 4,18. Näissä tutkimuksissa kohtaussegmentit määriteltiin erilaisilla ajallisilla asteikoilla (36 s, 12 s ja 4 s), jotka koostuivat useista kameran sijainneista, ”laukauksista”. Tässä tutkimuksessa määritimme kohtauksen yksittäisenä otoksena (eli kahden kohtauksen leikkauksen välisenä jaksona) ja lisäsäännön, jonka mukaan kohtaus saa olla enintään 250 kuvaa (

10 s) vähentää kohteiden kykyä päätellä kertomusta pitkistä kohtauksista. Tämä toimenpide johti 73 kohtaukseen, jotka kestivät 0,5–10 sekuntia, ja ne vastasivat aikaisemmissa tutkimuksissa käytettyjä lyhyitä ja lyhyitä aikavälejä 18.

Aiheet

Tähän tutkimukseen otettiin yhteensä 42 naispuolista koehenkilöä (keski -ikä: 22,4 v, ikäryhmä: 18–32 v), jotka antoivat kirjallisen tietoisen suostumuksen ennen kokeilua. Ei-invasiiviset kokeet terveillä koehenkilöillä on Tanskan lain mukaan vapautettu eettisen komitean käsittelystä 34. 42 tallenteen joukosta yhdeksän suljettiin pois epävakaan langattoman tiedonsiirron vuoksi, joka esti tietojen asianmukaisen synkronoinnin kohteiden kesken (viisi Yksilöllinen ryhmä, yksi ryhmästä Salattu ryhmä ja kolme kahdesta Yhteinen ryhmät). Eri tallenteiden lukumäärä eri ryhmissä voi antaa epäoikeudenmukaisia ​​etuja melulle CorrCA: ta käytettäessä tai laskettaessa ISC: tä. Siksi päätimme valita satunnaisesti neljä aihetta Salattu ryhmä ja yksi Liitos 2 ryhmä ja jätti ne pois analyyseistä. Näin varmistettiin, että jokaisella ryhmällä oli seitsemän täysin synkronoitua tallennusta.

Kannettava EEG - älypuhelimen aivoskanneri

Tutkimusluokan EEG-laitteet ovat kalliita, aikaa vieviä ja liikkumattomia. Kuitenkin viime aikoina on ilmestynyt kuluttajalaatuisia EEG -laitteita, jotka ovat edullisempia ja lisäävät mukavuutta. Täällä käytämme EEG Emotiv EPOC -kuulokkeisiin perustuvaa muokattua 14 -kanavaista järjestelmää Emocap. Lisätietoja ja validointi, katso viitteet 17 ja 35. Tässä tutkimuksessa se toteutettiin Asus Nexus 7 -tabletilla. Sähköistä liipaisinta ja siihen liittyvää ääntä käytettiin EEG- ja videosignaalien synkronointiin yksittäisissä katseluolosuhteissa, kun taas jaettua äänisignaalia (samanaikaisesti syötetään mikrofoniin ja EEG -vahvistimiin) käytettiin yhdeksän kohteen EEG -tallennusten ja videon synkronoimiseen yhteisessä katselussa (lisätietoja synkronoinnista on kohdassa Lisämateriaalit). Tuloksena oleva ajoituksen epävarmuus mitattiin alle 16 ms: ksi. EEG tallennettiin taajuudella 128 Hz ja sen jälkeen kaistanpäästö suodatettiin digitaalisesti käyttäen lineaarivaiheikkunalla varustettua sinc FIR -suodatinta välillä 0,5 - 45 Hz ja siirrettiin ryhmän viiveen säätämiseksi. Silmien esineitä vähennettiin konservatiivisella esikäsittelymenettelyllä, jossa käytettiin riippumatonta komponenttianalyysiä (ICA), poistamalla jopa 3 14 saatavilla olevasta komponentista (Corrmap-laajennus EEGLAB 36,37: lle).

Vastaava komponenttien analyysi ISC: n ja IVC: n mittaamiseksi

CorrCA esiteltiin Dmochowskissa et ai. 4, rajoitettuna versiona Canonical Correlation Analysisista (CCA). CorrCA pyrkii löytämään painosarjoja, jotka maksimoivat korrelaation samojen ärsykkeiden kokeneiden henkilöiden hermoaktiivisuuden välillä. CorrCA löytää jokaiselle hermokomponentille yhden jaetun painosarjan kaikille ryhmän aiheille.

Kun otetaan huomioon kaksi monimuuttuja-aika-ajallista aikasarjaa (nimeltään "näkymä" CorrCA: ssa),, kanssa D mitattujen ominaisuuksien (EEG -kanavat) lukumäärä kahdessa näkymässä ja N aikanäytteiden määrä, CCA arvioi painot, <w1, w2>, jotka maksimoivat komponenttien välisen korrelaation, ja. Painot lasketaan käyttämällä kahta ominaisarvoyhtälöä siten, että kuhunkin monimuuttujasarjaan kuuluvat komponentit ovat korreloimattomia 38. CorrCA on merkityksellinen tapaukselle, jossa näkymät ovat homogeenisia, esimerkiksi käyttämällä samoja EEG -kanavan sijainteja, ja se asettaa jaettujen painojen lisärajoituksen w = w1 = w2. Tämä oletus voi mahdollisesti lisätä herkkyyttä, johon liittyy vähemmän parametreja. CorrCA: ssa painot arvioidaan siten yhden ominaisarvo -ongelman avulla

missä, on näytteen kovarianssimatriisi 4. Osien taustalla olevan fysiologisen aktiivisuuden alueellisen jakautumisen havainnollistamiseksi käytämme arvioituja eteenpäin suuntautuvia malleja (”malleja”), kuten on kuvattu viitteissä 39 ja 40.

Keskimääräinen luminanssiero (ALD)

Videoleikkeet muutettiin harmaasävyiksi (0–255) laskemalla kolmen värikanavan keskiarvo. Laskimme sitten pikselien intensiteetin neliöeron kehyksestä toiseen ja otimme pikselien keskiarvon. Nämä signaalit otettiin epälineaarisesti uudelleen 1 Hz: n taajuudella valitsemalla maksimi ALD kullekin 1 s välein, jotta voidaan korostaa suuria eroja kameran asennon muutosten aikana (katso kuva S2 kohdassa Lisämateriaalit vertailuun kehyksestä toiseen ja tasoitettu ero). Nämä arvot tasoitettiin sitten ajoittamalla ne Gaussin ytimeen, jonka “varianssiparametri” oli 2,5 s 2. Tämän näytteenoton ja tasoituksen tarkoituksena oli sovittaa ALD: n ajallinen resoluutio aikakatkaisun ISC-laskennan resoluutioon (5 s liukuikkuna 1 s välein).

Tilastollinen testaus

Korrelaatioiden tilastollisen merkityksellisyyden arvioimiseksi käytimme yksinkertaista permutaatiotestiä (P = 5000 permutaatiota) 4. Testataksemme saatujen painojen luotettavuuden spatiaalisille projektioille laskimme tietyn komponentin neljän ehtoryhmän kaikkien mahdollisten parien keskimääräisen korrelaation. Käytimme jälleen permutaatiotestiä (P = 5000 permutaatiota) tilastollisen relevanssin arvioimiseksi permuloimalla satunnaisesti kunkin ryhmän kanavajärjestys ja laskemalla uudelleen keskimääräinen korrelaatio. Kun testasimme eroja keskimääräisessä IVC: ssä olosuhteiden välillä, käytimme lohkon permutaatiotestiä (lohkon koko B = 25 s, P. = 5000 permutaatiota) ajallisten riippuvuuksien huomioon ottamiseksi.


4 - Solunulkoiset piikit ja CSD

Solunulkoiset tallenteet ovat olleet ja ovat edelleen tärkein työhevonen mitattaessa hermoaktiivisuutta in vivo. Yhden yksikön tallenteissa terävät elektrodit on sijoitettu lähelle neuronaalista somaa, ja tämän nimenomaisen neuronin ampumisnopeus mitataan laskemalla piikkejä eli toimintapotentiaalien standardoituja solunulkoisia allekirjoituksia (Gold et al., 2006). Tällaisissa tallennuksissa mittausten tulkinta on suoraviivaista, mutta komplikaatioita syntyy, kun useampi kuin yksi neuroni osallistuu tallennettuun solunulkoiseen potentiaaliin. Jos esimerkiksi kaksi samantyyppistä polttavaa neuronia ovat suunnilleen samalla etäisyydellä somastaan ​​tallennuselektrodin kärkeen, voi olla hyvin vaikeaa lajitella piikit sen mukaan, mistä neuronista ne ovat peräisin.

Kahden (stereotrode (McNaughton et al., 1983)), neljän (tetrode (Recce ja O'Keefe, 1989Wilson ja McNaughton, 1993 Gray et al., 1995 Jog et al., 2002)) tai useamman (Buzsáki, 2004) käyttö ) lähellä olevat nauhoituskohdat mahdollistavat piikkien paremman lajittelun, koska eri etäisyydet elektrodien kärjistä tai koskettimista mahdollistavat kolmiomittauksen. Nykyisillä tallennustekniikoilla ja ryhmittelymenetelmillä voidaan erottaa piikkijunat kymmenistä neuroneista yksittäisistä tetrodeista ja sadoista neuroneista, joissa on monivarren elektrodit (Buzsáki, 2004).

Tietoa piikkimisestä saadaan tyypillisesti solunulkoisten potentiaalien suurtaajuuskaistalta (≳500 Hz). Koska nämä korkeataajuiset signaalit johtuvat yleensä tuntemattomasta määrästä piikkien neuroneja elektrodikontaktin välittömässä läheisyydessä, tätä kutsutaan monen yksikön aktiivisuudeksi (MUA).


Uusi algoritmi

Tässä artikkelissa GW6-menetelmä kuvataan askel askeleelta samoin kuin käyttämällä Matlab-ohjelmointikielellä kirjoitettua menettelyä (katso lisätiedosto 1: Liite).

Ohjelmistomme avulla esikäsittelimme EEG-tiedostot käyttämällä digitaalista datasuodatusta 1–20 Hz: n kaistalla, jota seurasi menetelmä, jota kutsusimme normalisoimiseksi.

Suodatus suoritettiin käyttämällä käänteistä Fourier -muunnosta, joka ei muuta signaalivaihetta. Signaalien alkuperäisen vaiheen säilyttäminen on erittäin tärkeää menetelmämme soveltamiseksi. Toisaalta signaalien vaihekuviota koskevien tietojen säilyttäminen signaalien yksinkertaisen tehon sijaan todettiin tärkeäksi myös semanttisten objektiluokkien esittämisessä, erityisesti matalien taajuuksien kaistalla (1 ... 4 Hz) [6].

Toinen vaihe esikäsittelyssä oli signaalin normalisointi: jokaisen kanavan raakasignaali, ts. S(x) missä x on näytteenottoindeksi 4 tai 5 sekunnin aikakaudella, normalisoitiin seuraavasti:

missä S on keskiarvo S(x) aikakaudella.

Signaali z-pisteet kerrotaan sitten kertoimella K, missä K on kokeellinen vakio, joka palauttaa keskimääräisen optimoidun EEG -signaalin amplitudin. The K tekijä on hyvälaatuisen EEG -signaalin keskihajonta, joka löydettiin kokeellisesti tätä erityistä laitetta käyttäen. Tämä luku laskettiin K = 20, ja tämä normalisointivaihe loi aikakauden, jonka muoto oli identtinen alkuperäisen EEG -signaalin muodon kanssa, mutta joka siirrettiin yhtenäiseen mittakaavaan, jolla oli verrattavissa oleva amplitudi jokaiselle aikakaudelle. Lisäksi tämä normalisointivaihe ei muuta vaihekorrelaatiota kaikkien EEG -kanavien välillä. Koko sellaisenaan täysin käsitelty tiedosto tallennettiin uutena tiedostona .CSV -muodossa, joka sisälsi kaikki tiedot jokaisen ärsykkeen alkamisesta ja lopusta.

Huomaa, että on myös mahdollista käsitellä vain aika-lukittuja aikakausia, esimerkiksi 3 sekuntia, jotka vastaavat kutakin ärsykettä [ennen ärsykettä + ärsyke (1 s) + poststimulaatio], ja yleensä tämä menettely antaa ei-identtiset tulokset, vaikka ne ovat hyvin samankaltaisia ​​kuin edellinen menetelmä, joka perustuu koko tiedoston suodattamiseen ja tallentamiseen.

Toinen yleinen tapa käsitellä tietoja ERP-laskentaa varten on sulkea pois kaikki aikakaudet, joiden amplitudi ylittää kiinteän kynnyksen, esimerkiksi 80 μV. Tämän tekniikan haittana on, että suuri määrä aikakausia voitaisiin hylätä ja siten keskiarvo voitaisiin laskea riittämättömien tietojen perusteella. Ohjelmistossamme käytimme tätä menettelyä myös poistamaan aikakaudet, joissa on yli 100 μV: n voimakkaita esineitä, jotka ovat edelleen läsnä digitaalisen suodatuksen jälkeen.

Tässä artikkelissa havainnollistamme uutta menetelmää, joka on hyödyllinen ERP: ien havaitsemiseksi jopa erityisen meluisien signaalien keskuudessa ja joilla on merkittäviä latenssivaihteluita.

Menetelmämme, nimeltään GW6, on vähemmän rajoittava värinän suhteen ja mahdollistaa ERP -havaitsemisen, kun keskiarvoon perustuva standardimenetelmä epäonnistuu tai antaa epätyydyttäviä tuloksia useiden esineiden vuoksi. Uusi menetelmä ei kuitenkaan toista ERP: n tyypillistä kaksivaiheista aaltomuotoa, vaan aina positiivinen aaltomuoto. Tästä syystä tästä uudesta menettelystä on hyötyä, jos sitä käytetään yhdessä klassisen keskiarvostustekniikan kanssa, pikemminkin vaihtoehtona jälkimmäiselle.

Uusi menetelmä käyttää Pearsonin korrelaatiota laajasti kaikkiin monikanavaisen EEG -laitteen tallentamiin EEG -signaaleihin. Käyttämällä keskiarvomenetelmää on mahdollista työskennellä myös yhden EEG -kanavan kanssa, kun taas GW6 -menetelmä toimii vain monikanavaisen EEG -laitteen kanssa, alkaen vähintään kuudesta kanavasta. Siitä huolimatta on myös mahdollista laskea ERP kullekin kanavalle kuten standardimenetelmässä.

Monissa asiakirjoissa, joissa kuvataan matemaattista menetelmää jonkin analysoimiseksi, annetaan yleensä kaavoja, jotka on myöhemmin käännettävä tietokoneen kielelle, esimerkiksi C, C ++, Visual Basic, Java, Python, Matlab tai muu. Tämä vaihe voi olla vaikea ja rajoittaa joidenkin hyödyllisten menetelmien vapauttamista ja käyttöä. Tässä artikkelissa kuvaamme tätä uutta algoritmia vaihe vaiheelta ja myös yksinkertaisella ja tunnetulla Matlab-ohjelmointikielellä sen käytön helpottamiseksi (katso lisätiedosto 1: Liite).

Kuvailemme tämän uuden menetelmän perusajatuksen kuvioissa. 1 ja 2.

Kaksi ylemmät raidat edustavat kahden EEG-kanavan raaka-signaaleja aikalukittuna aikakautena, kun taas alempi raita on riittävän (noin 100) aikakauden keskiarvo kullekin kanavalle (ERP ei ole skaalattava). Kuvassa näkyy positiivinen huippu noin 300 ms ärsykkeen alkamisen jälkeen (P300 -aalto). ERP: n tyypillinen kesto on noin 300–500 ms, riippuen ärsykkeen tyypistä ja signaalin kaistanpäästösuodatuksesta


Perinteisen ERP-analyysin vastakohtana EEG-aika-taajuus -analyysillä

Hyödyllinen lähtökohta tähän keskusteluun on verrata ERP-analyysiä nykyaikaiseen tapahtumiin liittyvään EEG-aikataajuusanalyysiin. ERP: t ovat systemaattisia positiivisia tai negatiivisia jännitepoikkeamia, jotka näkyvät EEG-aikakausien keskiarvoissa, jotka on lukittu toistuvien ärsykkeiden tai vasteen tapahtumien luokkaan. Useiden aikakausien keskiarvon laskemisen seurauksena EEG: n "satunnainen" toiminta lakkaa ja lähestyy nollaa, kun kokeiden määrä kasvaa. Aallot, jotka selviävät tästä keskiarvoistamisprosessista, tunnetaan nimellä ERP -komponentit, heijastavat poikkeamia ennaltaehkäisevästä perusviivasta, ja niiden huippuamplitudien ja latenssien uskotaan indeksoivan erilliset aistit ja kognitiiviset prosessit, jotka kehittyvät ajan myötä tapahtumaluokan perusteella. Perinteinen näkemys ERP: stä, jota kutsutaan joskus additiiviseksi ERP -malliksi, 7 olettaa, että ERP -komponentit heijastavat ohimeneviä hermosolujen purskeita, jotka ovat lukittu aikaansaavaan tapahtumaan ja jotka syntyvät yhdestä tai useammasta hermogeneraattorista, jotka palvelevat tiettyjä aistinvaraisia ​​ja kognitiivisia toimintoja tiedon aikana käsittelyä. Tässä näkymässä ERP: t asetetaan päällekkäin ja upotetaan jatkuvaan taustaan ​​EEG -kohinaan amplitudi- ja vaihejakaumilla, jotka eivät ole täysin riippuvaisia ​​tehtävätapahtumien käsittelystä.

Tämä näkemys toiminnanohjausjärjestelmistä on kyseenalaistettu vähintään kahdella tavalla. Ensinnäkin yksittäisten kokeiden EEG-aikakausien aika-taajuusanalyysi paljastaa, että EEG ei heijasta vain satunnaista taustakohinaa, vaan tapahtumiin liittyviä muutoksia EEG-värähtelyjen suuruudessa ja vaiheessa tietyillä taajuuksilla, jotka tukevat niiden roolia tapahtuman käsittelyssä. 7 Toiseksi, ERP: t itsessään voivat edustaa meneillään olevan EEG: n ohimenevää vaiheen kuittausta kokeellisten tapahtumien avulla, mikä johtaa taajuuskohtaisten värähtelyjen ohimenevään aika- ja vaihelukitukseen suhteessa tapahtuman alkamiseen kokeilun jälkeen. 7, 8 Nämä vaihetahdistetut värähtelyt selviävät kokeiden välisestä keskiarvosta ja ovat ilmeisiä aaltoina keskimääräisessä ERP: ssä. Tähän liittyvä vaihtoehto on se, että ERP: t johtuvat tapahtumiin liittyvästä jatkuvan värähtelytoiminnan osavaiheen nollauksesta sekä kokeellisiin tapahtumiin aikalukittujen värähtelyjen ohimenevästä kasvusta. 7, 9

Makeig et ai.7, jotka ovat olleet eturintamassa perinteisten ERP-lisämallien haastamisessa, ovat kehittäneet kattavan lähestymistavan tapahtumiin liittyvien EEG-tietojen analysoimiseksi, joita he kutsuvat ”tapahtumiin liittyväksi aivojen dynamiikaksi”. Tämä lähestymistapa korostaa yksittäisiin kokeisiin liittyvien EEG-aikakausien spektristä hajoamista, jotta voidaan tutkia erikseen tapahtumiin liittyviä muutoksia värähtelyjen suuruudessa ja vaiheessa tietyillä taajuuksilla. Lähestymistapa sisältää myös strategisesti lajiteltujen yksittäisten EEG-kokeiden tutkinnan graafisessa muodossa (kutsutaan ERP-kuviksi), jotta voidaan paljastaa järjestelmälliset suhteet tapahtumiin liittyvien amplitudimuutosten ja muiden kokeiden ominaisuuksien (esim. Reaktioajat, vaihekulmat tietyillä taajuuksilla) välillä . 10 Tällä tavalla lähestymistapa antaa tarkemman ja yksityiskohtaisemman kuvan aivojen tapahtumiin liittyvästä neurooskillaatiotoiminnasta verrattuna perinteisen ERP-lähestymistavan staattisempaan näkemykseen. Siitä huolimatta on tärkeää huomata, että aikataajuusanalyysien tarjoamien tietojen runsaudesta huolimatta ne eivät pysty yksiselitteisesti erottamaan yllä keskusteltuja ERP-sukupolven vaihtoehtoisia malleja, kuten Yeung et ai. 11, 12

Vaikka ERP: t ja EEG: n aika-taajuusanalyysi tarjoavat molemmat kuvan aivojen tietojenkäsittelyvirran sarja- tai peräkkäisistä tapahtumista, EEG: n aika-taajuusanalyysin lisäys suhteessa ERP: iin on sen potentiaali tarkastella aivojen rinnakkaisprosessointia informaatiota, jossa värähtelyt eri taajuuksilla heijastavat useita hermoprosesseja samanaikaisesti ja vuorovaikutuksessa 4 integroivan ja dynaamisesti mukautuvan tiedonkäsittelyn palveluksessa. Tämä EEG-taajuusanalyysin lisähyöty suhteessa ERP: iin voi ilmetä myös suuremmassa herkkyydessä skitsofrenian taustalla olevien neuropatofysiologisten prosessien todelliselle luonteelle. Olemme esimerkiksi äskettäin osoittaneet yksinkertaisen parittoman paradigman EEG -tiedoilla, että sekä vaihe- että tehomittaukset ovat herkempiä skitsofrenialle kuin perinteiset ERP -komponentit, kuten P300. 13



Kommentit:

  1. Biast

    It is the good idea.

  2. Masree

    Yllättävä, mutta totta. Resurssisi on kallis. Ainakin omassa huutokaupassa se voidaan myydä hyvällä rahalla.

  3. Marrok

    Well, well, it is not necessary to speak so.



Kirjoittaa viestin