Dieser Artikel wurde von der National Natural Science Foundation of China (31671141) unterstützt.

Dieses Protokoll wurde von der lokalen Ethikkommission genehmigt. Alle Teilnehmer und ihre Eltern unterzeichnet eine Einverständniserklärung für dieses Experiment.
1. Themen
<ol><li>Nur gehören 15 gesunde männliche Jugendliche Probanden, deren Alter von 14 bis 22 Jahren reicht (± Standardabweichung bedeutet: 18,3 ± 2,8 Jahre). Hinweis: Das aktuelle Protokoll die Mikrostaat und Omega Komplexität zu analysieren ist für gesunde Probanden entwickelt worden, aber beschränkt sich nicht nur dieser Gruppe.</li>
</ol>(2) EEG-Daten-Erfassung
<ol><li>Fragen Sie, Themen, auf einem bequemen Stuhl in einem stillen, temperierten Raum zu sitzen, wo die EEG-Daten aufgezeichnet wurde. Die 20-Kanal-EEG-Daten mit dem ANT EEG-System in diesem Protokoll zu sammeln.</li>
	<li>Setzen Sie die Kappe auf die Themen Kopf.<ol>
<li>Verwenden Sie in dieser Studie eine Kappe mit mittlerer Größe, da es für Jugendliche oder männliche Themen geeignet war. Für Kinder den Kopfumfang des Fachs zu messen, und die Kappe mit geeigneter Größe zu bestimmen.</li>
		<li>Legen Sie die Elektrode Cz bei ca. 50 % des Abstandes zwischen Inion und Nasion und 50 % des Abstandes zwischen Links und rechts zwischen auditiven Vertiefungen. Die linken und rechten Warzenfortsatzes Knochen, bzw. die Referenzelektroden auflegen. Platzieren Sie die andere Kopfhaut Elektroden an den standard-Standorten nach der internationalen 10-20-System. Hinweis: Ein elektrodensystem und EEG-Verstärker mit 20 Kanälen reicht für EEG Microstate und Omega Komplexitätsanalyse.</li>
	</ol>
</li>
	<li>Füllen Sie die Elektroden mit leitfähigen Gel durch eine stumpfe Nadel durch die Elektroden. Verwenden Sie das leitfähige Gel, um die Impedanz zu senken. Halten Sie alle Elektrode Impedanzen niedriger als 10 Kiloohms (kΩ).<ol>
<li>Während dieser Zeit bieten einige Unterhaltung für die Fächer (z. B. einen kurzen Film zeigen). Wenn eine trockene Elektrode oder einer Kochsalzlösung Elektrode verwendet wird, überspringen Sie den Schritt der Injektion leitenden Gels.</li>
	</ol>
</li>
	<li>Weisen Sie die Themen zum Entspannen mit Augen geschlossen während der Aufnahme, welche dauert 5 min. nutzen Sie die Digitalisierung Software zu digitalisieren und Aufzeichnen der EEG-signal. Verwenden Sie eine Sampling-Rate von mindestens 250 Proben/s. Nutzung eines Online-Filter, die breiter als 0,1 und 80 Hz. Hinweis: Obwohl die meisten kommerziellen verfügbaren Elektrode-Verstärker-Systeme verwenden eine aktive Elektrode-System, das das Signal Rauschabstand des EEG Signals verbessern könnten, stellen Sie nicht dieses System in der Nähe von elektrischen Geräten während der EEG-Aufzeichnung.</li>
</ol>(3) EEG Daten Vorverarbeitung
Hinweis: EEG-Daten können mit verschiedenen open-Source oder kommerzielle Software vorverarbeitet werden. Die Anweisungen unten sind spezifisch für EEGLAB. Dies ist nur einer von vielen verfügbaren Optionen Vorverarbeitung von EEG-Daten.
<ol><li>Die EEG-Rohdaten der EEG-Software (z. B. EEGLAB) zu importieren (Datei | Daten importieren | Mit EEGLAB Funktionen und Plugins). Hinweis: Die EEG-Rohdaten aus verschiedenen Elektrode-Verstärkersysteme aufgenommen von EEGLAB, wie z. B. EGI, ANT, erkannt werden konnte Gehirn Vision Recorder und Neuroscan.</li>
	<li>Laden Sie den Kanal-Adressdatei in der EEG-Software (Bearbeiten | Kanal-Standorte). Obwohl die EEG-Daten und den Channel-Namen auf EEGLAB importiert wurden, importieren Sie eine Kanal-Adressdatei in die EEG-Software, um die räumlichen Positionen der diese Elektroden zu erhalten.</li>
	<li>Entfernen Sie die Referenzelektroden (Bearbeiten | Wählen Sie Daten | Wählen Sie Daten im Kanalbereich). Wählen Sie in die Option "Ausgewählte Daten im Kanalbereich" im Popup-Dialogfeld nur die Aufnahme Elektroden und wählen Sie die Referenzelektroden nicht, so dass die Referenzelektroden entfernt werden können. In Referenzelektroden aufgezeichneten Daten ist nicht "wahr" Gehirn-Signal, da diese beiden Elektroden jeweils am linken und rechten Warzenfortsatzes Knochen platziert werden.</li>
	<li>Band-Pass Filter das EEG Daten zwischen 0,5 bis 80 Hz (Tools | Filtern Sie die Daten | Grundlegende FIR-Filter [neue, Default]). In der Pop-up-Dialogbox wählen Sie 5 für die "untere Kante des Pass Frequenzbandes (Hz)", und 80 für den "höheren Rand des Pass Frequenzbandes (Hz)". Klicken Sie auf die Schaltfläche "Ok".</li>
	<li>Entfernen Sie die Macht Leitungsrauschen mit Notch-Filter zwischen 49 und 51 Hz (Tools | Filtern Sie die Daten | Grundlegende FIR-Filter [neue, Default]). Wählen Sie in der Pop-up-Dialogbox 49 für die "untere Kante des Pass Frequenzbandes (Hz)", und wählen Sie 51 für den "höheren Rand des Pass Frequenzbandes (Hz)", und wählen Sie die Option "Notch filter Daten statt Durchlass". Klicken Sie auf die Schaltfläche "Ok".</li>
	<li>Korrigieren Sie die Daten-Portionen von Augenbewegungen, Elektromyographie (EMG) oder jede andere physiologisch Artefakte mit Blind Source Separation (BSS) Algorithmus15kontaminiert. Für Augenbewegungen, klicken Sie auf Extras | Artefakt-Entfernung mit AAR 1.3 | EOG-Entfernung | Die Verwendung von BSS; Tools für EMG, | Artefakt-Entfernung mit AAR 1.3 | EMG-Entfernung mit BSS.</li>
	<li>Segment der vorverarbeiteten kontinuierlichen EEG-Daten in Epochen, mit Epoche Länge von 2 s. Um dies zu tun, zu schreiben "EEG = Eeg_regepochs (EEG,"Wiederholung", 2"begrenzt", [0 2], 'Rmbase', NaN); pop_saveset(EEG)", drücken Sie die Enter-Taste der Tastatur. Ein Fenster öffnet sich, das die Einsparung der segmentierten EEG-Daten ermöglicht.</li>
	<li>Importieren Sie die segmentierten EEG-Daten der EEG-Software (Datei | Vorhandenen Dataset zu laden).</li>
	<li>EEG-Epochen mit Amplitudenwerte von mehr als ± 80 µV an jede Elektrode ablehnen (Tools | Daten Epochen ablehnen | Lehnen Sie Daten [alle Methoden ab]).</li>
	<li>Die vorverarbeiteten EEG-Daten speichern (Datei | Speichern Sie aktuellen Datensatz als).</li>
</ol>4. EEG Microstate Analyse
Hinweis: Eine modifizierte Version des klassischen K-Means-clustering-Algorithmus dient für Microstate Klasse Analyse16, enthält ein Bottom-up-Verfahren und eine oben-unten. Im Bottom-up-Verfahren werden die Gruppenebene Microstate Klassen durch die räumliche Korrelation als clustering Kriterium identifiziert. Dann ist in der oben-unten-Prozedur der EEG Microstate Klasse mit maximale räumliche Korrelation jede Topographische Karte von jedem Thema in jeder Gruppe zugewiesen. Für Ruhe-EEG Microstate Analyse ist die Polarität der topographischen Karten häufig außer acht gelassen. EEG Microstate Klassenanalyse getan werden mit verschiedenen open-Source-Software, wie CARTOOL, sLORETA, EMMA und MapWin. Die Anweisungen unten sind spezifisch für das EEGLAB-Plugin für Kleinstaaten. Dieses EEGLAB-Plugin kann von https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins heruntergeladen werden.
<ol><li>Für jedes Fach die vorverarbeiteten EEG-Daten laden (Datei | Last vorhandenen Dataset), konvertieren Referenz Kanäle mit gemeinsamen durchschnittliche Referenz (Tools | Neu verweisen), und die EEG-Daten zwischen 2 und 20 Hz Filtern Bandpass (Tools | Filtern Sie die Daten | Grundlegende FIR-Filter [neue, Default]).</li>
	<li>Die vier Microstate Karten in jedem Fach zu identifizieren (Tools | Kleinstaaten | Identifizieren Sie Microstate Karten). Wählen Sie in der Pop-up-Dialogbox 3 für die "min. Anzahl der Klassen", wählen Sie 6 für die "Max Anzahl der Klassen" entscheiden Sie sich für die "Anzahl von Neustarts" 50, wählen Sie "Maximalanzahl von Karten verwenden" und wählen Sie die Optionen "Nur GFP-Peak" und "Keine Polarität". Klicken Sie auf die Schaltfläche "Ok".</li>
	<li>Die EEG-Daten der einzelnen Fächer zu speichern, nachdem Identifizierung eigener Microstate Karten (Datei | Speichern Sie aktuellen Datensatz als).</li>
	<li>Importieren Sie die EEG-Datensätze aller Fächer, die im letzten Schritt auf einmal gespeichert (Datei | Vorhandenen Dataset zu laden).</li>
	<li>Die Gruppenebene Microstate Karten zu identifizieren (Tools | Kleinstaaten | Durchschnittliche Microstate Karten über Datasets). Wählen Sie im Popup-Dialog die Datensätze aller Fächer in der Option "Wählen Sie setzt für die Mittelung". Geben Sie in der Option "Name bedeutet" einen Namen für die Gruppenebene Microstate Karten. Der Standardname lautet "GrandMean". Klicken Sie auf die Schaltfläche "Ok". Dadurch entsteht ein neues Dataset benannt als "GrandMean", die die Gruppenebene Microstate-Karten speichert.</li>
	<li>Die Reihenfolge der vier Gruppenebene Microstate Karten entsprechend ihrer klassischen Reihenfolge manuell zu sortieren (Plot | Bearbeiten Sie Microstate Karten). In dem Popup-Menü wählen Sie "Mehr", und dann die Anzahl der Karten angezeigt wird vier. Wählen Sie "Man sortieren". Geben Sie im Popup-Dialogfeld die Neuordnung der vier Gruppenebene Microstate Karten. Klicken Sie auf "Schließen".</li>
	<li>Sortieren Sie die Reihenfolge der vier Microstate-Karten von jedem Fach (Tools | Kleinstaaten | Sortieren Sie individuelle Microstate Karten nach bedeuten).</li>
	<li>Speichern der Mikrostaat Parameter jedes Fach (Tools | Kleinstaaten | Quantifizieren Sie Kleinstaaten im Dataset [mittlere Vorlage Karten]), die werden zwei Pop-up-Dialog-Boxen nacheinander aufrufen.<ol>
<li>Wählen Sie im ersten Dialogfeld die Datensätze aller Fächer. Im zweiten Dialog wählen Sie "4 Klassen" Option "Anzahl der Klassen", wählen Sie die Optionen "Montage nur auf GLP-Gipfel" und "Remove abgeschnitten potenziell Mikrostaaten", wählen Sie 30 für das "Label Glättung Fenster (ms)" und wählen Sie 1 für die "Non-Laufruhe Strafe". Klicken Sie auf "Ok". Eine Csv-Datei, die Mikrostaat Parameter gespeichert werden auf dem Computer gespeichert werden.</li>
	</ol>
</li>
</ol>5. Omega Komplexitätsanalyse
<ol><li>Sichern Sie die EEG-Daten jeder Epoche und jedes Thema in ASCII oder Txt-Format verwenden angepasst Skript. Ein Beispiel für die benutzerdefinierten Skripts für Schritt 5.1 konnte in den ergänzenden Materialien gefunden werden. Hinweis: Wenn die Komplexität der globalen Omega berechnet wird, werden die EEG-Daten der Kopfhaut Elektroden benötigt im ASCII- oder Txt-Format zu exportieren. Wenn die regionalen Omega Komplexität berechnet wird, exportieren Sie nur die EEG-Daten von Elektroden in der Kopfhaut-Region. Exportieren Sie z. B. um vorderen Omega Komplexität zu berechnen, nur die EEG-Daten der Elektroden im Frontzahnbereich (d.h., Fp1, Fp2, F7, F3, Fz, F4 und F8); um die hinteren Omega Komplexität zu berechnen, exportieren Sie nur die EEG-Daten der Elektroden im seitzahnbereich (d.h., T5, T6, P3, P4, Pz, O1 und O2).</li>
	<li>Berechnen die Omega Komplexität aller diskreten Frequenzen mit der sLORETA Software17 (Utilities | Globale Konnektivität). Diese Software ist erhältlich bei http://www.uzh.ch/keyinst/loreta.htm.</li>
	<li>Berechnen Sie die Omega Komplexität jedes Frequenzband mit benutzerdefinierten Skripts26. In unserem Fall berechnen die Delta sind die Omega Komplexität der folgenden acht Frequenzbänder als Mittelwert innerhalb jedes Grenzfrequenz (0,5-3,5 Hz), Theta (4-7,5 Hz), alpha1 (8-10 Hz), alpha2 (10,5-13,5 Hz), beta1 (14-18 Hz), beta2 (18,5-30 Hz), gamma1 () 30,5-48 Hz), und gamma2 (52-80 Hz)4. Ein Beispiel für die benutzerdefinierten Skripts für Schritt 5.3 konnte in den ergänzenden Materialien gefunden werden.</li>
</ol>

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

Die Autoren haben nichts preisgeben.

In diesem Artikel zwei Arten von EEG analytische Methoden (z.B. Microstate Analyse und Omega Komplexitätsanalyse), Messung der zeitlichen Komplexität und räumliche Komplexität des menschlichen Gehirns bzw., wurden ausführlich beschrieben. Es gibt mehrere wichtige Schritte im Rahmen des Protokolls, die erwähnt werden sollten. Erstens müssen die EEG-Daten vor der Berechnung der Mikrostaat und Omega Komplexität gereinigt werden. Zweitens sollte die EEG-Daten gegen die durchschnittliche Referenz vor der Berechnung der Mikrostaat und Omega Komplexität remontaged werden. Drittens müssen die kontinuierlichen EEG-Daten in Epochen vor der Berechnung der Mikrostaat und Omega Komplexität unterteilt werden. Die Länge jeder Epoche sollte 2 s. schließlich, ist die Software, die in Microstate Analyse verwendet werden kann enthalten Cartool (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm) und MapWin (http:// www.thomaskoenig.ch/index.php/Software/mapwin). Die Microstate Analyse wurde durch ein Plugin in den EEGLAB in dieser Studie durchgeführt.
Obwohl die Mikrostaat Analyse hier ruhen EEG Zustandsdaten angewendet wurde, könnte es leicht für ereignisbezogene Potenziale (ERP), gelten die uns weitere Informationen über die Zeit Kurse von verschiedenen kognitiven Operationen in kognitiven aufzudecken hilft Experimente und bieten einen Referenz-freie Ansatz um ERP-Analyse18,19durchzuführen. Hinweis zum Ausruhen Stand EEG, die Polarität der topographischen Karten wird häufig ignoriert; Allerdings sollte für ERP-Systeme, die Polarität der topographischen Karten nicht außer acht gelassen werden. Eine kleine Einschränkung dieses EEG-Plugin ist, dass es nur zum Ausruhen Stand EEG verwendet werden kann. Für ERP-Systeme muss die Software Cartool die beste Wahl sein. Die Omega Komplexität Wert erreicht von 1 bis N. Wenn Omega Komplexität berechnet 1, ist eine maximale globale funktionelle Verknüpfung innerhalb einer bestimmten Region des Gehirns wird enthüllt; während Wenn Omega Komplexität gleich N, eine minimale globale funktionelle Verknüpfung innerhalb einer bestimmten Region des Gehirns gefunden wird. Also, wenn wir statistisch die Omega Komplexität der verschiedenen Gehirnregionen testen möchten, muss die Anzahl der Elektroden, die in diesen Regionen ausgewählt gleich sein, da die Anzahl der Elektroden deutlich den Wert des Omega Komplexität geschätzt beeinflussen könnte.
Um den ruhenden EEG zu studieren, haben Forscher viele EEG-Techniken (z. B. Power-Spektrum-Analyse, funktionelle Verknüpfung Analyse)2,3entwickelt. Im Vergleich zu diesen traditionellen Techniken, nutzt Microstate Analyse der ausgezeichnete Zeitauflösung von EEG-Technik. Die vier identifizierten Microstate Klassen wurden gefunden, um korreliert mit vier gut untersuchte Funktionssystemen beobachtet in vielen ruhenden Zustand fMRI Studien8,20: auditive (Microstate A), visuelle (Microstate B), teilweise kognitiven Kontrolle und teilweise Standardmodus (Microstate C) und dorsalen Aufmerksamkeit (Microstate D). Somit bot die Microstate Analyse einen neuartigen Ansatz um den ruhenden Zustand-Netzen (RSNs) des menschlichen Gehirns zu studieren. Im Vergleich zu herkömmlichen EEG-Techniken, könnte die Omega Komplexität der globalen funktionelle Verknüpfung innerhalb einer bestimmten Gehirn Region4charakterisieren. Traditionelle funktionelle Verknüpfung könnte nur die funktionelle Verknüpfung zwischen zwei Kopfhaut Elektroden beschreiben.
Die zwei EEG-Techniken haben jedoch auch einige Beschränkungen, die erwähnt werden sollten. Erstens die vorhandenen Microstate Analyse erfolgt häufig auf Breitband-EEG-Signale, so dauert es nicht reichen Frequenz Informationen der EEG-Technik. Darüber hinaus die funktionelle Bedeutung dieser vier Microstate Klassen und damit verbundene Metriken sind nicht ganz klar so weit. Zweitens kann die Omega Komplexität nur lineare Abhängigkeiten erkennen. Es kann nicht die nichtlinearen Abhängigkeiten zwischen Kopfhaut Regionen erkennen, die durch einige traditionelle funktionelle Verknüpfung Metriken (z. B. Phase-Verriegelung Wert, gegenseitige Information und Synchronisation Wahrscheinlichkeit)21,22 quantifiziert werden konnte ,23.
In Zukunft sollte die Mikrostaat Analyse mit Quelle Lokalisierung Techniken (z. B. sLORETA, BESA, Beamforming), angewendet werden, um die räumliche Auflösung der EEG-Signale deutlich zu verbessern. Obwohl die Mikrostaat Analyse ist weit verbreitet in Ruhe-EEG und ERP-Systemen, haben nur wenige Studien diese Technik in den Zeit-Frequenzbereich angewendet. Zum Beispiel Jia Et al. 24 eine topographische Segmentierung Analyse optimal Ansatz vorgeschlagen und detaillierte Zeit-Frequenz-Funktionen automatisch zu identifizieren. Dieser Ansatz könnte die Rauminformationen oszillierende Aktivitäten effektiv ausnutzen. Diese Anwendungen sind jedoch weit von Reife. Für Omega Komplexität ist eine normalisierte Omega Komplexität hoch benötigt, da der Wert der Omega Komplexität geschätzt hängt von der Anzahl der Elektroden ausgewählt ist. In Zukunft sollte es an der Zeit-Frequenz-Domäne angewendet werden.

Elektroenzephalographie (EEG) hat am meisten benutzt, um elektrische Aktivität des menschlichen Gehirns in wissenschaftliche Forschung und klinische Diagnose aufzunehmen, da es nicht-invasive, niedrig kalkuliert und sehr hohe zeitliche Auflösung1 hat. Um die EEG-Signale im Ruhezustand zu studieren, haben Forscher viele EEG-Techniken (z. B. Power-Spektrum-Analyse, funktionelle Verknüpfung Analyse)2,3entwickelt. Davon könnte Microstate und Omega Komplexitätsanalyse der räumlichen und zeitlichen Informationen innewohnt, EEG-Signale4nutzen.
Frühere Forschungen haben gezeigt, dass obwohl die topographische Verteilung der EEG-Signale im Laufe der Zeit im Auge geschlossen variiert oder Auge-offene Ruhezustand, die momentane Karten diskontinuierlicher Veränderungen von Landschaften zeigen, d. h. Perioden der Stabilität abwechselnd mit kurzen Übergangszeiten zwischen bestimmten quasi-stabil EEG Topographien5. Kleinstaaten sind definiert als diese Episoden mit quasi-stabil EEG Topographien, die zwischen 80 und 120 ms1dauern. Da verschiedene elektrische mögliche Landschaften von verschiedenen neuronalen Quellen generiert haben müssen, diese Kleinstaaten können gelten als die grundlegenden Bausteine der Dokumentation und können als "Atome von Gedanken und Emotionen"6. Moderne Muster-Klassifizierung-Algorithmen verwenden, haben vier ruht EEG Microstate Klassen konsequent beobachtet, die als Klasse A, Klasse B, Klasse C und Klasse D7beschriftet waren. Darüber hinaus ergab Forscher, dass diese vier Microstate Klassen der EEG-Daten im Ruhezustand eng mit bekannten Funktionssystemen beobachtet in vielen ruhenden Zustand fMRT (funktionelle Magnetresonanztomographie) Studien8,9 . Somit bot die Microstate Analyse einen neuartigen Ansatz um den ruhenden Zustand-Netzen (RSNs) des menschlichen Gehirns zu studieren. Darüber hinaus werden die durchschnittliche Dauer und Häufigkeit des Vorkommens der einzelnen Microstate Klassen, die topographische Form der vier Microstate Karten von einigen Gehirn Störungen4,10,11maßgeblich beeinflusst, und Fluide Intelligenz12 und Persönlichkeit13zugeordnet sind.
In den anderen Aspekt beschreiben traditionelle funktionelle Verknüpfung von Multi-Kanal-EEG nur die funktionalen Zusammenhänge zwischen zwei Kopfhaut Elektroden, somit nicht den globalen funktionelle Verknüpfung auf Kopfhaut oder innerhalb einer bestimmten Region des Gehirns zu beurteilen. Die Omega-Komplexität, von Wackermann (1996)14 vorgeschlagen und durch einen Ansatz kombiniert Hauptkomponentenanalyse (PCA) und Shannon Entropie berechnet wurde verwendet, um die Breitband-globale Synchronisation zwischen räumlich zu quantifizieren Hirnregionen verteilt. Bei der Beurteilung die Omega Komplexität jedes Frequenzband wurde Fourier-Transformation häufig als einen ersten Schritt25durchgeführt.
Die Kleinstaaten und Omega Komplexität lässt sich zwei eng miteinander verbundene Begriffe, d. h., die zeitlichen Komplexität und räumliche Komplexität4widerspiegeln. Da die Microstate Klassen bestimmte psychische Vorgänge im menschlichen Gehirn darstellen, können sie die zeitliche Struktur der neuronale Oszillationen reflektieren. Geringere Dauer und höhere Häufigkeit pro Sekunde müssen höheren zeitliche Komplexität angeben. Die Omega-Komplexität ist positiv in Zusammenhang stehen mit der Anzahl der unabhängigen neuronalen Quellen im Gehirn, so gelten Sie häufig als Indikator für räumliche Komplexität4.
Der aktuelle Artikel beschreibt das Protokoll des EEG Microstate und Omega Komplexitätsanalyse im Detail. Die EEG Microstate und Omega Komplexität Analysen bieten die Möglichkeit, die zeitliche und räumliche Komplexität der Aktivität des Gehirns bzw. zu messen.

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

microstate and omega complexity analyses of the resting-state electroencephalography

Komplexität, Microstate und Omega sind zwei Referenz-freie Elektroenzephalographie (EEG) Maßnahmen, die die zeitliche und räumliche Komplexität der EEG-Daten darstellen können und allgemein verwendet wurden, um die neuronalen Mechanismen in einige Erkrankungen des Gehirns zu untersuchen. Das Ziel dieses Artikels soll das Protokoll zugrunde liegenden EEG Microstate und Omega Komplexität Analysen Schritt für Schritt beschreiben. Der Hauptvorteil dieser beiden Maßnahmen ist, dass sie die Referenz-abhängige Problem mit traditionellen Spektrumanalyse beseitigen könnte. Darüber hinaus Microstate Analyse macht guten Gebrauch von hohe zeitliche Auflösung von ruhenden Zustand EEG, und die vier erhaltenen Microstate Klassen bzw. die entsprechenden Netzwerke ruhenden Zustand passen könnte. Die Omega-Komplexität charakterisiert die räumliche Komplexität des ganzen Gehirns oder bestimmten Gehirnregionen, die offensichtlichen Vorteil gegenüber traditionellen Komplexität Maßnahmen mit Schwerpunkt auf der Signal-Komplexität in einem einzigen Kanal hat. Diese zwei EEG-Maßnahmen könnte untersuchen die Gehirn Komplexität aus der zeitlichen und räumlichen Domäne bzw. ergänzen.

EEG-microstate
Grand bedeuten normalisierte Microstate Maps in Abbildung 1angezeigt werden. Die elektrische möglichen Landschaften dieser vier Microstate Klassen identifiziert hier sind sehr ähnlich zu denen in früheren Studien4gefunden.
Der Mittelwert und die Standardabweichung (SD) der Mikrostaat Parameter von gesunden Probanden wurden in Tabelle 1dargestellt. Für Microstate Klasse A, war die Häufigkeit 3,44 ± 1,29 Mal / s und die Dauer war 72 ± 13 ms für Microstate Klasse B die Häufigkeit war 3,54 ± 0,85 mal / s und die Dauer war 71 ± 18 ms für Microstate Klasse C, die Häufigkeit betrug 3,85 ± 0,63 mal / s , und die Dauer betrug 69 ± 9 ms für Microstate Klasse D, die Häufigkeit betrug 3,41 ± 0,78 mal / s und die Dauer betrug 66 ± 11 ms.
Omega-Komplexität
Der Wert (Mittelwert ± SD) wurde der globale Omega Komplexität jedes Frequenzband bei gesunden Probanden in Tabelle 2vorgestellt. Für Delta Band war die Komplexität der globalen Omega 6.39 ± 1,34. Für Theta-Band war die Komplexität der globalen Omega 5,46 ± 0,85. Für Alpha-1-Band war die Komplexität der globalen Omega 3.47 ± 0,8. Für Alpha-2-Band war die Komplexität der globalen Omega 3,87 ± 0,70. Für Beta-1-Band war die Komplexität der globalen Omega 5,36 ± 0,84. Für Beta-2-Band war die Komplexität der globalen Omega 6.16 ± 0,83. Für Gamma-1-Band war die Komplexität der globalen Omega 6,95 ± 1,07. Für Gamma-2-Band war die Komplexität der globalen Omega 6.88 ± 1,39.
Der Wert (Mittelwert ± SD) wurde der vorderen Omega Komplexität jedes Frequenzband bei gesunden Probanden in Tabelle 2gezeigt. Für Delta Band war die vordere Omega Komplexität 4,84 ± 1,7. Für Theta-Band war die vordere Omega Komplexität 4.23 ± 1,48. Für Alpha-1-Band war die vordere Omega Komplexität 3,44 ± 1,09. Für Alpha-2-Band war die vordere Omega Komplexität 3,87 ± 0,97. Für Beta-1-Band war die vordere Omega Komplexität 3,74 ± 0,81. Für Beta-2-Band war die vordere Omega Komplexität 2.94 ± 0,59. Für Gamma-1-Band war die vordere Omega Komplexität 1,98 ± 0,24. Für Gamma-2-Band war die vordere Omega Komplexität 3.02 ± 0,59.
Der Wert (Mittelwert ± SD) wurde der hintere Omega Komplexität jedes Frequenzband bei gesunden Probanden in Tabelle 2dargestellt. Für Delta Band war die hintere Omega Komplexität 3,71 ± 1,48. Für Theta-Band war die hintere Omega Komplexität 2.47 ± 0,85. Für Alpha-1-Band war die hintere Omega Komplexität 2.11 ± 0,9. Für Alpha-2-Band war die hintere Omega Komplexität 3.16 ± 1,42. Für Beta-1-Band war die hintere Omega Komplexität 4,32 ± 1,67. Für Beta-2-Band war die hintere Omega Komplexität 3,84 ± 1,04. Für Gamma-1-Band war die hintere Omega Komplexität 2.17 ± 0,37. Für Gamma-2-Band war die hintere Omega Komplexität 2,99 ± 0,53.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/56452/56452fig1.jpg"> Abbildung 1: Mittelwert normalisiert Topographische Karten der vier Klassen (A-D) Microstate des ruhenden Zustand EEG in den gesunden Probanden. Microstate Klasse A und B haben eine richtige Frontal Links occipital Orientierung und einen linken frontalen nach okzipitalen Orientierung bzw. rechts. Microstate Klassen C und D haben symmetrische Topographien, aber präfrontalen okzipitalen Orientierung und Frontocentral okzipitalen Orientierung wurden beobachtet, bzw.. <a href="https://cloudflare-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/56452/56452fig1large.jpg" target="_blank">Bitte klicken Sie hier für eine größere Version dieser Figur.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td></td>
			<td colspan="8">Microstate Klassen</td>
		</tr>
<tr>
<td></td>
			<td colspan="2">A</td>
			<td colspan="2">B</td>
			<td colspan="2">C</td>
			<td colspan="2">D</td>
		</tr>
<tr>
<td></td>
			<td>Meine</td>
			<td>SD</td>
			<td>Meine</td>
			<td>SD</td>
			<td>Meine</td>
			<td>SD</td>
			<td>Meine</td>
			<td>SD</td>
		</tr>
<tr>
<td>Vorkommen/s</td>
			<td>3.44</td>
			<td>1.29</td>
			<td>3,54</td>
			<td>0.85</td>
			<td>3.85</td>
			<td>0,63</td>
			<td>3.41</td>
			<td>0.78</td>
		</tr>
<tr>
<td>Dauer (ms)</td>
			<td>72</td>
			<td>13</td>
			<td>71</td>
			<td>18</td>
			<td>69</td>
			<td>9</td>
			<td>66</td>
			<td>11</td>
		</tr>
</tbody></table>Tabelle 1. Microstate Parameter von gesunden Probanden (n = 15). Der Mittelwert und die Standardabweichung (SD) die Häufigkeit und Dauer der vier Microstate Klassen wurden in dieser Tabelle gezeigt.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td></td>
			<td colspan="2">Komplexität der globalen Omega</td>
			<td colspan="2">Vorderen Omega Komplexität</td>
			<td colspan="2">Posterior Omega Komplexität</td>
		</tr>
<tr>
<td>Frequenzband</td>
			<td>Meine</td>
			<td>SD</td>
			<td>Meine</td>
			<td>SD</td>
			<td>Meine</td>
			<td>SD</td>
		</tr>
<tr>
<td>Delta</td>
			<td>6.39</td>
			<td>1.34</td>
			<td>4.84</td>
			<td>1.7</td>
			<td>3.71</td>
			<td>1,48</td>
		</tr>
<tr>
<td>Theta</td>
			<td>5,46</td>
			<td>0.85</td>
			<td>4.23</td>
			<td>1,48</td>
			<td>2.47</td>
			<td>0.85</td>
		</tr>
<tr>
<td>Alpha-1</td>
			<td>3.47</td>
			<td>0,8</td>
			<td>3.44</td>
			<td>1.09</td>
			<td>2.11</td>
			<td>0,9</td>
		</tr>
<tr>
<td>Alpha-2</td>
			<td>3,87</td>
			<td>0,7</td>
			<td>3,87</td>
			<td>0,97</td>
			<td>3.16</td>
			<td>1.42</td>
		</tr>
<tr>
<td>Beta-1</td>
			<td>5,36</td>
			<td>0,84</td>
			<td>3,74</td>
			<td>0.81</td>
			<td>4.32</td>
			<td>1.67</td>
		</tr>
<tr>
<td>Beta-2</td>
			<td>6.16</td>
			<td>0,83</td>
			<td>2.94</td>
			<td>0,59</td>
			<td>3.84</td>
			<td>1.04</td>
		</tr>
<tr>
<td>Gamma-1</td>
			<td>6.95</td>
			<td>1.07</td>
			<td>1,98</td>
			<td>0,24</td>
			<td>2.17</td>
			<td>0,37</td>
		</tr>
<tr>
<td>Gamma-2</td>
			<td>6,88</td>
			<td>1.39</td>
			<td>3.02</td>
			<td>0,59</td>
			<td>2.99</td>
			<td>0,53</td>
		</tr>
</tbody></table>Tabelle 2: Global, vordere und hintere Omega Komplexität von gesunden Probanden (n = 15). Der Mittelwert und die Standardabweichung (SD) der globalen, vordere und hintere Omega Komplexität für die acht Frequenzbereiche (Delta, Theta, Alpha-1, Alpha-2, Beta 1, Beta-2, Gamma-1, Gamma-2) wurden jeweils in dieser Tabelle gezeigt.
Ergänzende Dateien. Zum Ausführen von Skripts verwendet, in diesem Manuskript Bitte öffnen Sie die Skripts in der MATLAB-Umgebung, dann kopieren Sie den Inhalt in das Befehlsfenster und drücken Sie die "Enter"-Taste. Beachten Sie, dass die Skripte nur für unsere Datensätze gelten. Bestimmte Änderungen sind erforderlich, wenn die Skripts auf andere Datensätze angewendet werden. <a href="https://cloudflare-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/56452/example_scripts.zip">Bitte klicken Sie hier, um diese Datei herunterladen.</a>

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

Microstate and Omega Complexity Analyses of the Resting-state Electroencephalography

Dieser Artikel beschreibt die zugrunde liegenden Elektroenzephalographie (EEG) Microstate Protokollanalyse und Omega Komplexitätsanalyse, die zwei Referenz-freie EEG Maßnahmen sind und sehr wertvoll für die neuronalen Mechanismen von Erkrankungen des Gehirns zu erforschen.

Microstate und Omega Komplexität Analysen der ruhenden Zustand Elektroenzephalographie

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

microstate-omega-complexity-analyses-resting-state

Nanyang Technological University

Research

JoVE Journal

Neuroscience

10.1K Aufrufe.  Peking University People's Hospital. Dieser Artikel beschreibt die zugrunde liegenden Elektroenzephalographie (EEG) Microstate Protokollanalyse und Omega Komplexitätsanalyse, die zwei Referenz-freie EEG Maßnahmen sind und sehr wertvoll für die neuronalen Mechanismen von Erkrankungen des Gehirns zu erforschen.

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

Investigating Social Cognition in Infants and Adults Using Dense Array Electroencephalography (dEEG)

Dense array electroencephalography (dEEG), which provides a non-invasive window for measuring brain activity and a temporal resolution unsurpassed by any other current brain imaging technology1,2, is being used increasingly in the study of social cognitive functioning in infants and adults. While dEEG is enabling researchers to examine brain activity patterns with unprecedented levels of sensitivity, conventional EEG recording systems continue to face certain limitations, including 1) poor spatial resolution and source localization3,4,2) the physical discomfort for test subjects of enduring the individual application of numerous electrodes to the surface of the scalp, and 3) the complexity for researchers of learning to use multiple software packages to collect and process data. Here we present an overview of an established methodology that represents a significant improvement on conventional methodologies for studying EEG in infants and adults. Although several analytical software techniques can be used to establish indirect indices of source localization to improve the spatial resolution of dEEG, the HydroCel Geodesic Sensor Net (HCGSN) by Electrical Geodesics, Inc. (EGI), a dense sensory array that maintains equal distances among adjacent recording electrodes on all surfaces of the scalp, further enhances spatial resolution4,5,6 compared to standard dEEG systems. The sponge-based HCGSN can be applied rapidly and without scalp abrasion, making it ideal for use with adults7,8, children9,10,11, and infants12, in both research and clinical4,5,6,13,14,15 settings. This feature allows for considerable cost and time savings by decreasing the average net application time compared to other dEEG systems. Moreover, the HCGSN includes unified, seamless software applications for all phases of data, greatly simplifying the collection, processing, and analysis of dEEG data.
The HCGSN features a low-profile electrode pedestal, which, when filled with electrolyte solution, creates a sealed microenvironment and an electrode-scalp interface. In all Geodesic dEEG systems, EEG sensors detect changes in voltage originating from the participant's scalp, along with a small amount of electrical noise originating from the room environment. Electrical signals from all sensors of the Geodesic sensor net are received simultaneously by the amplifier, where they are automatically processed, packaged, and sent to the data-acquisition computer (DAC). Once received by the DAC, scalp electrical activity can be isolated from artifacts for analysis using the filtering and artifact detection tools included in the EGI software. Typically, the HCGSN can be used continuously for only up to two hours because the electrolyte solution dries out over time, gradually decreasing the quality of the scalp-electrode interface.
In the Parent-Infant Research Lab at the University of Toronto, we are using dEEG to study social cognitive processes including memory, emotion, goals, intentionality, anticipation, and executive functioning in both adult and infant participants.

Investigating Social Cognition in Infants and Adults Using Dense Array Electroencephalography dEEG

Dense array electroencephalography is being used increasingly to study social cognitive functions in infants and adults. Here we present an established methodology that represents a significant improvement on conventional methodologies for studying EEG in infants and adults.

Untersuchung Social Cognition in Kinder und Erwachsene mit Dense Array Elektroenzephalographie ( D EEG)

Dense array electroencephalography (dEEG), which provides a non-invasive window for measuring brain activity and a temporal resolution unsurpassed by any ...

Forschung

Neurowissenschaften

Morphometric Analyses of Retinal Sections

Morphometric analyses of retinal sections have been used in examining retinal diseases. For examples, neuronal cells were significantly lost in the retinal ganglion cell layer (RGCL) in rat models with N-methyl-D-aspartate (NMDA)&#x2013;induced excitotoxicity1, retinal ischemia-reperfusion injury2 and glaucoma3. Reduction of INL and inner plexiform layer (IPL) thicknesses were reversed with citicoline treatment in rats' eyes subjected to kainic acid-mediated glutamate excitotoxicity4. Alteration of RGC density and soma sizes were observed with different drug treatments in eyes with elevated intraocular pressure3,5,6. Therefore, having objective methods of analyzing the retinal morphometries may be of great significance in evaluating retinal pathologies and the effectiveness of therapeutic strategies.
The retinal structure is multi-layers and several different kinds of neurons exist in the retina. The morphometric parameters of retina such as cell number, cell size and thickness of different layers are more complex than the cell culture system. Early on, these parameters can be detected using other commercial imaging software. The values are normally of relative value, and changing to the precise value may need further accurate calculation. Also, the tracing of the cell size and morphology may not be accurate and sensitive enough for statistic analysis, especially in the chronic glaucoma model. The measurements used in this protocol provided a more precise and easy way. And the absolute length of the line and size of the cell can be reported directly and easy to be copied to other files. For example, we traced the margin of the inner and outer most nuclei in the INL and formed a line then using the software to draw a 90 degree angle to measure the thickness. While without the help of the software, the line maybe oblique and the changing of retinal thickness may not be repeatable among individual observers. In addition, the number and density of RGCs can also be quantified. This protocol successfully decreases the variability in quantitating features of the retina, increases the sensitivity in detecting minimal changes.
 	This video will demonstrate three types of morphometric analyses of the retinal sections. They include measuring the INL thickness, quantifying the number of RGCs and measuring the sizes of RGCs in absolute value. These three analyses are carried out with Stereo Investigator (MBF Bioscience &mdash; MicroBrightField, Inc.). The technique can offer a simple but scientific platform for morphometric analyses.

This video demonstrates three types of morphometric analyses of the retina, which include measuring the inner nuclear layer thickness, quantifying the number of retinal ganglion cells (RGCs) and measuring the sizes of RGCs. The technique can offer a simple but scientific platform for morphometric analyses.

Morphometrische Analysen von Netzhautschnitte

Morphometric analyses of retinal sections have been used in examining retinal diseases. For examples, neuronal cells were significantly lost in the ...

Optogenetic Perturbation of Neural Activity with Laser Illumination in Semi-intact Drosophila Larvae in Motion

Drosophila larval locomotion is a splendid model system in developmental and physiological neuroscience, by virtue of the genetic accessibility of the underlying neuronal components in the circuits1-6. Application of optogenetics7,8 in the larval neural circuit allows us to manipulate neuronal activity in spatially and temporally patterned ways9-13. Typically, specimens are broadly illuminated with a mercury lamp or LED, so specificity of the target neurons is controlled by binary gene expression systems such as the Gal4-UAS system14,15. In this work, to improve the spatial resolution to "sub-genetic resolution", we locally illuminated a subset of neurons in the ventral nerve cord using lasers implemented in a conventional confocal microscope. While monitoring the motion of the body wall of the semi-intact larvae, we interactively activated or inhibited neural activity with channelrhodopsin16,17 or halorhodopsin18-20, respectively. By spatially and temporally restricted illumination of the neural tissue, we can manipulate the activity of specific neurons in the circuit at a specific phase of behavior. This method is useful for studying the relationship between the activities of a local neural assembly in the ventral nerve cord and the spatiotemporal pattern of motor output.

Optogenetic Perturbation of Neural Activity with Laser Illumination in Semi-intact Drosophila Larvae in Motion

Here we describe a protocol for optogenetic manipulation of motoneuronal activity while monitoring changes in motor output (muscle contraction) in semi-intact Drosophila larvae using lasers within a conventional confocal microscope. This technique enables researchers to achieve local perturbation of neural activity in a few neuromeres to elucidate the dynamics of motor circuits.

Optogenetische Störung der neuronalen Aktivität mit Laser Illumination in Semi-intakt<em&gt; Drosophila</em&gt; Larven in Motion

Drosophila larval locomotion is a splendid model system in developmental and physiological neuroscience, by virtue of the genetic accessibility of the ...

Investigating the Function of Deep Cortical and Subcortical Structures Using Stereotactic Electroencephalography: Lessons from the Anterior Cingulate Cortex

Stereotactic Electroencephalography (SEEG) is a technique used to localize seizure foci in patients with medically intractable epilepsy. This procedure involves the chronic placement of multiple depth electrodes into regions of the brain typically inaccessible via subdural grid electrode placement. SEEG thus provides a unique opportunity to investigate brain function. In this paper we demonstrate how SEEG can be used to investigate the role of the dorsal anterior cingulate cortex (dACC) in cognitive control. We include a description of the SEEG procedure, demonstrating the surgical placement of the electrodes. We describe the components and process required to record local field potential (LFP) data from consenting subjects while they are engaged in a behavioral task. In the example provided, subjects play a cognitive interference task, and we demonstrate how signals are recorded and analyzed from electrodes in the dorsal anterior cingulate cortex, an area intimately involved in decision-making. We conclude with further suggestions of ways in which this method can be used for investigating human cognitive processes.

Stereotactic Electroencephalography (SEEG) is an operative technique used in epilepsy surgery to help localize seizure foci. It also affords a unique opportunity to investigate brain function. Here we describe how SEEG can be used to investigate cognitive processes in human subjects.

Die Untersuchung der Funktion von Deep kortikalen und subkortikalen Strukturen Mit Stereotaktische Elektroenzephalographie: Lehren aus der anterioren cingulären Cortex

Stereotactic Electroencephalography (SEEG) is a technique used to localize seizure foci in patients with medically intractable epilepsy. This procedure ...

Assessment of Hippocampal Dendritic Complexity in Aged Mice Using the Golgi-Cox Method

Dendritic spines are the protuberances from the neuronal dendritic shafts that contain&#160; excitatory synapses. The morphological and branching variations of the neuronal dendrites within the hippocampus are implicated in cognition and memory formation. There are several approaches to Golgi staining, all of which have been useful for determining the morphological characteristics of dendritic arbors and produce a clear background. The present Golgi-Cox method, (a slight variation of the protocol that is provided with a commercial Golgi staining kit), was designed to assess how a relatively low dose of the chemotherapeutic drug 5-flurouracil (5-Fu) would affect dendritic morphology, the number of spines, and the complexity of arborization within the hippocampus. The 5-Fu significantly modulated the dendritic complexity and decreased the spine density throughout the hippocampus in a region-specific manner. The data presented show that the Golgi staining method effectively stained the mature neurons in the CA1, the CA3, and the dentate gyrus (DG) of the hippocampus. This protocol reports the details for each step so that other researchers can reliably stain tissue throughout the brain with high quality results and minimal troubleshooting.

Here we present a Golgi-Cox protocol in extensive detail. This reliable tissue stain method allows for a high-quality assessment of the cytoarchitecture in the hippocampus, and throughout the entire brain, with minimal troubleshooting.

Bewertung der Hippocampalen Dendritischen Komplexität bei gealterten Mäusen unter Verwendung der Golgi-Cox-Methode

Dendritic spines are the protuberances from the neuronal dendritic shafts that contain&#160; excitatory synapses. The morphological and branching ...

Concurrent Recording of Co-localized Electroencephalography and Local Field Potential in Rodent

Although electroencephalography (EEG) is widely used as a non-invasive technique for recording neural activities of the brain, our understanding of the neurogenesis of EEG is still very limited. Local field potentials (LFPs) recorded via a multi-laminar microelectrode can provide a more detailed account of simultaneous neural activity across different cortical layers in the neocortex, but the technique is invasive. Combining EEG and LFP measurements in a pre-clinical model can greatly enhance understanding of the neural mechanisms involved in the generation of EEG signals, and facilitate the derivation of a more realistic and biologically accurate mathematical model of EEG. A simple procedure for acquiring concurrent and co-localized EEG and multi-laminar LFP signals in the anesthetized rodent is presented here. We also investigated whether EEG signals were significantly affected by a burr hole drilled in the skull for the insertion of a microelectrode. Our results suggest that the burr hole has a negligible impact on EEG recordings.

This protocol describes a simple method for concurrent recording of co-localized electroencephalography (EEG) and multi-laminar local field potential in an anesthetized rat. A burr hole drilled in the skull for the insertion of a microelectrode is shown to produce negligible distortion of the EEG signal.

Gleichzeitige Aufnahme von Co lokalisierte Elektroenzephalographie und lokales Feld Potential in Nagetier

Although electroencephalography (EEG) is widely used as a non-invasive technique for recording neural activities of the brain, our understanding of the ...

Quantitative Analysis of Neuronal Dendritic Arborization Complexity in Drosophila

Dendrites are the branched projections of a neuron, and dendritic morphology reflects synaptic organization during the development of the nervous system. Drosophila larval neuronal dendritic arborization (da) is an ideal model for studying morphogenesis of neural dendrites and gene function in the development of nervous system. There are four classes of da neurons. Class IV is the most complex with a branching pattern that covers almost the entire area of the larval body wall. We have previously characterized the effect of silencing the Drosophila ortholog of SOX5 on class IV neuronal dendritic arborization complexity (NDAC) using four parameters: the length of dendrites, the surface area of dendrite coverage, the total number of branches, and the branching structure. This protocol presents the workflow of NDAC quantitative analysis, consisting of larval dissection, confocal microscopy, and image analysis procedures using ImageJ software. Further insight into da neuronal development and its underlying mechanisms will improve the understanding of neuronal function and provide clues about the fundamental causes of neurological and neurodevelopmental disorders.

Quantitative Analysis of Neuronal Dendritic Arborization Complexity in Drosophila

This protocol focuses on quantitative analysis of neuronal dendritic arborization complexity (NDAC) in Drosophila, which can be used for studies of dendritic morphogenesis.

Quantitative Analyse der neuronalen dendritischen Arborization Komplexität in Drosophila

Dendrites are the branched projections of a neuron, and dendritic morphology reflects synaptic organization during the development of the nervous system. ...

Combined Transcranial Magnetic Stimulation and Electroencephalography of the Dorsolateral Prefrontal Cortex

Transcranial magnetic stimulation (TMS) is a non-invasive method that produces neural excitation in the cortex by means of brief, time-varying magnetic field pulses. The initiation of cortical activation or its modulation depends on the background activation of the neurons of the cortical region activated, the characteristics of the coil, its position and its orientation with respect to the head. TMS combined with simultaneous electrocephalography (EEG) and neuronavigation (nTMS-EEG) allows for the assessment of cortico-cortical excitability and connectivity in almost all cortical areas in a reproducible manner. This advance makes nTMS-EEG a powerful tool that can accurately assess brain dynamics and neurophysiology in test-retest paradigms that are required for clinical trials. Limitations of this method include artifacts that cover the initial brain reactivity to stimulation. Thus, the process of removing artifacts may also extract valuable information. Moreover, the optimal parameters for dorsolateral prefrontal (DLPFC) stimulation are not fully known and current protocols utilize variations from the motor cortex (M1) stimulation paradigms. However, evolving nTMS-EEG designs hope to address these issues. The protocol presented here introduces some standard practices for assessing neurophysiological functioning from stimulation to the DLPFC that can be applied in patients with treatment resistant psychiatric disorders that receive treatment such as transcranial direct current stimulation (tDCS), repetitive transcranial magnetic stimulation (rTMS), magnetic seizure therapy (MST) or electroconvulsive therapy (ECT).

The protocol presented here is for TMS-EEG studies utilizing intracortical excitability test-retest design paradigms. The intent of the protocol is to produce reliable and reproducible cortical excitability measures for assessing neurophysiological functioning related to therapeutic interventions in the treatment of neuropsychiatric diseases such as major depression.

Kombinierte Transcranial magnetische Anregung und Elektroenzephalographie des dorsolateralen präfrontalen Kortex

Transcranial magnetic stimulation (TMS) is a non-invasive method that produces neural excitation in the cortex by means of brief, time-varying magnetic ...

Collection of Frozen Rodent Brain Regions for Downstream Analyses

As our understanding of neurobiology has progressed, molecular analyses are often performed on small brain areas such as the medial prefrontal cortex (mPFC) or nucleus accumbens. The challenge in this work is to dissect the correct area while preserving the microenvironment to be examined. In this paper, we describe a simple, low-cost method using resources readily available in most labs. This method preserves nucleic acid and proteins by keeping the tissue frozen throughout the process. Brains are cut into 0.5&#8211;1.0 mm sections using a brain matrix and arranged on a frozen glass plate. Landmarks within each section are compared to a reference, such as the Allen Mouse Brain Atlas, and regions are dissected using a cold scalpel or biopsy punch. Tissue is then stored at -80 &#176;C until use. Through this process rat and mouse mPFC, nucleus accumbens, dorsal and ventral hippocampus and other regions have been successfully analyzed using qRT-PCR and Western assays. This method is limited to brain regions that can be identified by clear landmarks.

This procedure describes the collection of discrete frozen brain regions to obtain high-quality protein and RNA using inexpensive and commonly available tools.

Sammlung von gefrorenen Nagetier-Hirnregionen für Downstream-Analysen

As our understanding of neurobiology has progressed, molecular analyses are often performed on small brain areas such as the medial prefrontal cortex ...

Preparation of the Rat Vocal Fold for Neuromuscular Analyses

The purpose of this tutorial is to describe the preparation of the rat vocal fold for histochemical neuromuscular study. This protocol outlines procedures for rat laryngeal dissection, flash-freezing, and cryosectioning of the vocal folds. This study describes how to cryosection vocal folds in both longitudinal and cross-sectional planes. A novelty of this protocol is the laryngeal tracking during cryosectioning that ensures accurate identification of the intrinsic laryngeal muscles and reduces the chance of tissue loss. Figures demonstrate the progressive cryosectioning in both planes. Twenty-nine rat hemi-larynges were cryosectioned and tracked from the emergence of the thyroid cartilage to the appearance of the first section that included the full vocal fold. The full vocal fold was visualized for all animals in both planes. There was high variability in the distance from the appearance of the thyroid cartilage to the appearance of the full vocal fold in both planes. Weight was not correlated to depth of laryngeal landmarks, suggesting individual variability and other factors related to tissue preparation may be responsible for the high variability in the appearance of landmarks during sectioning. This study details a methodology and presents morphological data for preparing the rat vocal fold for histochemical neuromuscular investigation. Due to high individual variability, laryngeal landmarks should be closely tracked during cryosectioning to prevent oversectioning tissue and tissue loss. The use of a consistent methodology, including adequate tissue preparation and awareness of landmarks within the rat larynx, will assist with consistent results across studies and aid new researchers interested in using the rat vocal fold as a model to investigate laryngeal neuromuscular mechanisms.

This protocol describes methods used to prepare rat vocal folds for histochemical neuromuscular study.

Vorbereitung der Stimmlippe der Ratte für neuromuskuläre Analysen

The purpose of this tutorial is to describe the preparation of the rat vocal fold for histochemical neuromuscular study. This protocol outlines procedures ...