Este artigo foi apoiado pela Fundação Nacional de ciências naturais da China (31671141).

Este protocolo foi aprovado pelo Comitê de ético local. Todos os participantes e seus pais assinaram um formulário de consentimento informado para este experimento.
1. temas
<ol><li>Incluir apenas 15 masculinos adolescentes sujeitos saudáveis, cuja idade varia de 14 a 22 anos (± desvio padrão de dizer: 18,3 ± 2,8 anos). Nota: O atual protocolo para analisar a complexidade de microestado e omega foi desenvolvido para indivíduos saudáveis, mas não está restrito apenas este grupo.</li>
</ol>2. gravação de dados de EEG
<ol><li>Pergunte assuntos para sentar em uma cadeira confortável em um quarto silencioso, com temperatura controlada, onde os dados do EEG foi gravados. Colete os dados de EEG de 20 canais usando o sistema de EEG de formiga no presente protocolo.</li>
	<li>Coloque a tampa na cabeça dos assuntos.<ol>
<li>Neste estudo, use um boné com tamanho médio, já que era apropriado para assuntos mais adolescentes ou masculinos. Para as crianças, por favor medir a circunferência da cabeça de cada assunto e determinar a tampa com tamanho adequado.</li>
		<li>Coloque o eléctrodo Cz em aproximadamente 50% da distância entre Ínion e nasion e 50% da distância entre os recuos à esquerda e direita inter aurais. Coloca os eletrodos de referência sobre o osso mastoide esquerdo e direito, respectivamente. Coloque os outros eletrodos no couro cabeludo nos locais padrão, de acordo com o international sistema 10-20. Nota: Um sistema de eletrodo e EEG amplificador com 20 canais é suficiente para análise de microestado de EEG e análise de complexidade de ômega.</li>
	</ol>
</li>
	<li>Preencha todos os eletrodos com gel condutor, através da inserção de uma agulha através dos eléctrodos. Use o gel condutor para reduzir a impedância. Mantenha todas as impedâncias de eletrodo inferior a 10 kiloohms (kΩ).<ol>
<li>Durante este período, fornecer algum entretenimento para os indivíduos (por exemplo, mostrar um curta-metragem). Se for utilizado um eletrodo seco ou um eletrodo de salino, ignore a etapa de injeção de gel condutor.</li>
	</ol>
</li>
	<li>Instrua os sujeitos para relaxar com os olhos fechados durante a gravação, que dura 5 min. Use o software de digitalização para digitalizar e gravar o EEG do sinal. Use uma taxa de amostragem pelo menos 250 amostras/s. Use um filtro de linha mais amplo do que 0.1 e 80 Hz. Nota: Embora mais comerciais disponíveis eletrodo-amplificador sistemas usam um sistema de eletrodo ativo, o que poderia melhorar a relação sinal / ruído do sinal de EEG, não coloque este sistema perto quaisquer dispositivos elétricos durante a gravação de EEG.</li>
</ol>3. EEG dados pré-processamento
Nota: Dados de EEG podem ser pré-processados usando vários código aberto ou software comercial. As instruções abaixo são específicas para EEGLAB. Este é apenas um sem muitas opções disponíveis para pré-processar os dados de EEG.
<ol><li>Importar os dados brutos do EEG para o software de EEG (por exemplo, EEGLAB) (arquivo | Importar dados | Usando funções EEGLAB e plugins). Nota: Os dados brutos do EEG gravados a partir de vários sistemas de eletrodo-amplificador podem ser reconhecidos pelo EEGLAB, tais como EGI, formiga, gravador de visão do cérebro e Neuroscan.</li>
	<li>Carregar o arquivo de localização do canal para o software de EEG (editar | Locais de canal). Embora os dados de EEG e os nomes de canal foram importados para EEGLAB, importe um arquivo de localização de canal no software do EEG para obter a localização espacial desses eletrodos.</li>
	<li>Remova os eletrodos de referência (editar | Selecione dados | Selecionar dados no intervalo de canal). Na opção de "Dados Select na gama de canais" da caixa de diálogo pop-up, selecione apenas os eletrodos de gravação e não selecionar os eletrodos de referência para que os eletrodos de referência podem ser removidos. Os dados registrados em eletrodos de referência não são sinal de cérebro 'verdadeiro', uma vez que estes dois eletrodos são colocados no osso mastoide esquerdo e direito, respectivamente.</li>
	<li>Band pass filtro o EEG dados entre 0,5 e 80 Hz (ferramentas | Filtrar os dados | Filtro FIR básico [novo, padrão]). Na caixa de diálogo pop-up, escolha 5 para "borda inferior da faixa de passagem de frequência (Hz)" e escolha 80 para "a borda superior da banda de passagem de frequências (Hz)". Clique no botão de "Okey".</li>
	<li>Remover o ruído da linha de alimentação com um filtro de entalhe entre 49 e 51 Hz (ferramentas | Filtrar os dados | Filtro FIR básico [novo, padrão]). Na caixa de diálogo pop-up, escolha de 49 para "borda inferior da faixa de passagem de frequência (Hz)", escolha de 51 para "a borda superior da banda de passagem de frequências (Hz)" e selecione a opção de "Entalhe filtrar os dados em vez de banda de passagem". Clique no botão de "Okey".</li>
	<li>Corrigi as porções de dados contaminadas por movimentos oculares, eletromiografia (EMG) ou quaisquer outros artefatos não-fisiológicas, usando o algoritmo de separação de fonte cega (BSS)15. Para movimentos oculares, clique em ferramentas | Remoção de artefato usando AAR 1.3 | Remoção de EOG | Usando BSS; para EMG, ferramentas | Remoção de artefato usando AAR 1.3 | Remoção de EMG usando BSS.</li>
	<li>Segmentar os dados de EEG contínuos previamente processados em épocas, com comprimento de época de 2 s. Para fazer isso, escrever 'EEG = eeg_regepochs (EEG, 'reincidência', 2, 'limites', [0 2], 'rmbase', NaN); pop_saveset(EEG)', em seguida, bateu a tecla Enter do teclado. Uma janela aparecerá que permite a gravação dos dados EEG segmentados.</li>
	<li>Importe os dados de EEG segmentados para o software de EEG (arquivo | Carrega o dataset existente).</li>
	<li>Rejeitar a épocas de EEG com valores de amplitude superior a ± 80 µV em qualquer eletrodo (ferramentas | Rejeitar a épocas de dados | Rejeite dados [todos os métodos]).</li>
	<li>Salvar os dados de EEG pré-processado (arquivo | Salve o atual dataset como).</li>
</ol>4. EEG microestado análise
Nota: Uma versão modificada do algoritmo de clustering K-means clássica é usada para microestado classe análise16, que contém um procedimento de baixo para cima e um procedimento de cima para baixo. O procedimento de baixo para cima, as classes de nível de grupo microestado são identificadas usando a correlação espacial como um critério de agrupamento. Em seguida o procedimento de cima para baixo, cada mapa topográfico de cada sujeito em cada grupo é atribuído à classe de microestado EEG com máxima correlação espacial. Para análise de microestado do estado descansando EEG, comumente é desconsiderada, a polaridade de mapas topográficos. Análise de classe de microestado EEG pode ser feito usando vários softwares de código aberto, tais como CARTOOL, sLORETA, EMMA e MapWin. As instruções abaixo são específicas para o plugin EEGLAB para microestados. Este plugin EEGLAB pode ser baixado de https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.
<ol><li>Para cada disciplina, carregar os dados de EEG pré-processado (arquivo | Canais de referência carga existente dataset), converter a referência média comum (ferramentas | Re-referência) e passa-banda filtrar os dados do EEG entre 2 e 20 Hz (ferramentas | Filtrar os dados | Filtro FIR básico [novo, padrão]).</li>
	<li>Identificar os quatro mapas de microestado em cada assunto (ferramentas | Microestados | Identifica mapas de microestado). Na caixa de diálogo pop-up, escolha 3 para "Min número de classes", escolher 6 para o "número máximo de classes", escolher 50 para o "número de reinícios", escolha "Número máximo de mapas para usar" e selecione as opções de "Pico GFP só" e "Sem polaridade". Clique no botão de "Okey".</li>
	<li>Salvar os dados do EEG de cada assunto após identificar seu próprio microestado mapas (arquivo | Salve o atual dataset como).</li>
	<li>Importar os conjuntos de dados de EEG de todos os assuntos que salvou na última etapa de uma vez (arquivo | Carrega o dataset existente).</li>
	<li>Identificar os nível de grupo microestado mapas (ferramentas | Microestados | Microestado médio mapas através de conjuntos de dados). Na caixa de diálogo pop-up, selecione os conjuntos de dados de todas as disciplinas na opção "Choose define para calcular a média". Na opção "Nome do meio", dê um nome para os mapas de nível de grupo microestado. O nome padrão é "GrandMean". Clique no botão de "Okey". Isto irá criar um novo conjunto de dados nomeado como "GrandMean", que armazena os mapas de nível de grupo microestado.</li>
	<li>Classificar manualmente a ordem dos quatro mapas de microestado de nível de grupo de acordo com sua ordem clássica (plotagem | Edite mapas de microestado). O pop-up, selecione "Mais", e então torna-se o número de mapas mostrados quatro. Selecione o "Tipo de homem". Na caixa de diálogo pop-up, digite a nova ordem de quatro mapas de microestado de nível de grupo. Clique em "Fechar".</li>
	<li>Classificar a ordem dos quatro mapas microestado de cada sujeito (ferramentas | Microestados | Classificação de mapas de microestado individuais de acordo com a média).</li>
	<li>Salvar os parâmetros de microestado de cada sujeito (ferramentas | Microestados | Quantificar microestados no dataset [modelo médio mapas]), que irá chamar duas caixas de diálogo pop-up sequencialmente.<ol>
<li>Na primeira caixa de diálogo, selecione os conjuntos de dados de todas as disciplinas. Na segunda caixa de diálogo, selecione "4 Classes" para a opção "Número de Classes", selecione as opções de "Encaixe somente nos picos GFP" e "Remover potencialmente truncado microestados", escolher 30 para o rótulo"suavização de janela (ms)" e escolher 1 para a lisura de Non" pena". Clique em "Okey". Um arquivo csv que armazena os parâmetros de microestado será salvo no computador.</li>
	</ol>
</li>
</ol>5. análise de complexidade de omega
<ol><li>Salvar os dados do EEG de cada época e cada assunto em ASCII ou formato de txt usando personalizado o script. Um exemplo de script personalizado para etapa 5.1 podia ser encontrado em materiais suplementares. Nota: Se a complexidade de ômega global é calculada, os EEG de todos os eléctrodos do couro cabeludo são necessários dados para exportar no formato ASCII ou txt. Se a complexidade regional ômega é calculada, exporte somente os dados do EEG de eletrodos na região do couro cabeludo. Por exemplo, para calcular a complexidade de ômega anterior, exportar somente os dados do EEG de eletrodos na região anterior (ou seja, Fp1, Fp2, F7, F3, Fz, F4 e F8); a fim de calcular a complexidade de ômega posterior, exporte somente os dados do EEG de eletrodos na região posterior (ou seja, T5, T6, P3, P4, Pz, O1 e O2).</li>
	<li>Calcular a complexidade de ômega de todas as frequências discretas usando o software de sLORETA17 (utilitários | Conectividade global). Este software está disponível em http://www.uzh.ch/keyinst/loreta.htm.</li>
	<li>Calcule a complexidade de ômega de cada banda de frequência usando o script personalizado26. No nosso caso, calcular a complexidade de ômega de bandas de frequências de oito seguintes como o valor médio dentro de cada limite de frequência, que são delta (0,5-3,5 Hz), theta (4-7.5 Hz), alfa1 (8-10 Hz), alpha2 (10.5-13,5 Hz), beta1 (14-18 Hz), beta2 (18,5-30 Hz), (gamma1 30.5-48 Hz) e gamma2 (52-80 Hz)4. Um exemplo de script personalizado para etapa 5.3 podia ser encontrado em materiais suplementares.</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>

Os autores não têm nada para divulgar.

Neste artigo, dois tipos de métodos analíticos de EEG (i.e., análise de microestado e análise de complexidade de ômega), medir a complexidade temporal e espacial complexidade do cérebro humano, respectivamente, foram descritos em detalhe. Existem várias etapas críticas dentro do protocolo que deve ser mencionado. Em primeiro lugar, os dados do EEG devem ser limpos antes do cálculo da complexidade microestado e omega. Em segundo lugar, os dados de EEG devem ser remontaged contra a referência média antes do cálculo da complexidade microestado e omega. Em terceiro lugar, os dados de EEG contínuos devem ser segmentados em épocas antes do cálculo da complexidade microestado e omega. O comprimento de cada época deve ser 2 s. por último, o software que pode ser usado na análise de microestado incluem Cartool (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm) e MapWin (http:// www.thomaskoenig.ch/index.php/software/mapwin). A análise de microestado foi realizada por meio de um plugin no EEGLAB neste estudo.
Embora a análise de microestado realizada aqui foi aplicada a dados do EEG estado de repouso, poderia ser facilmente aplicada para potenciais relacionados ao evento (ERPs), que nos ajudará a descobrir mais informações sobre os cursos de tempo de diversas operações cognitivas em cognitivo experimentos e fornecem uma abordagem livre de referência para executar ERP análise18,19. Geralmente é desconsiderada, nota, para o descanso do estado EEG, a polaridade de mapas topográficos; no entanto, para ERPs, a polaridade dos mapas topográficos não deve ser desconsiderada. Uma pequena limitação deste plugin de EEG é que só poderia ser usado para EEG estado de repouso. Para ERPs, o software Cartool pode ser uma das melhores escolhas. O valor de complexidade ômega alcança de 1 a N. Se a complexidade de ômega computadorizada é 1, uma máxima conectividade funcional global dentro de uma determinada região do cérebro é revelada; Considerando que se ômega complexidade é igual a N, uma mínima global conectividade funcional dentro de uma determinada região do cérebro é encontrada. Assim, se queremos testar estatisticamente a complexidade ômega de regiões diferentes do cérebro, o número de eletrodos selecionados nestas regiões deve ser igual, desde que o número de eletrodos pode influenciar significativamente o valor de omega complexidade estimado.
A fim de estudar o descanso EEG, pesquisadores desenvolveram muitos EEG técnicas (por exemplo, análise de espectro de energia, análise de conectividade funcional)2,3. Em comparação com estas técnicas tradicionais, análise de microestado tira o máximo partido da excelente resolução temporal da técnica de EEG. As quatro classes de microestado identificados foram encontradas para ser correlacionado com quatro sistemas funcionais estudados, observados em muitos estado descansando fMRI estudos8,20: visual auditivo (microestado A), (microestado B), parcialmente cognitiva controle e parcialmente o modo padrão (microestado C) e atenção dorsal (microestado D). Assim, a análise de microestado forneceu uma nova abordagem para o estudo das redes de estado repouso (RSNs) do cérebro humano. Em comparação com as técnicas tradicionais de EEG, a complexidade de ômega poderia caracterizar a conectividade global funcional dentro de um determinado cérebro região4. Conectividade funcional tradicional só poderia descrever a conectividade funcional entre dois eletrodos no couro cabeludo.
No entanto, as duas técnicas de EEG também tem várias limitações que devem ser mencionadas. Em primeiro lugar, a análise de microestado existente é comumente realizada em sinais de EEG de banda larga, assim não toma partido da informação frequência rico da técnica EEG. Além disso, o significado funcional desses quatro classes de microestado e métricas relacionadas não são muito claras até agora. Em segundo lugar, a complexidade de ômega pode somente detectar dependências lineares. Ele não pode detectar as dependências não-lineares entre as regiões do couro cabeludo, que podem ser quantificadas por conectividade funcional tradicionais métricas (por exemplo, valor de bloqueio de fase, probabilidade de informações e sincronização mútua)21,22 ,23.
No futuro, a análise de microestado deve ser aplicada com técnicas de localização de fonte (por exemplo, sLORETA, BESA, Beamforming), que irão melhorar significativamente a resolução espacial de sinais EEG. Embora a análise de microestado tem sido amplamente utilizada em repouso EEG e ERPs, poucos estudos têm aplicado esta técnica no domínio tempo-frequência. Por exemplo, Jia et al 24 propôs uma abordagem baseada na análise de segmentação topográfico de forma otimizada e automaticamente identificar características detalhadas do tempo-frequência. Esta abordagem poderia efetivamente explorar a informação espacial das actividades oscilatórias. No entanto, esses aplicativos estão longe de ser maduro. Pela complexidade de ômega, uma complexidade de ômega normalizado altamente é necessária, desde que o valor de omega complexidade estimado é dependente do número de eletrodos selecionado. No futuro, deve ser aplicado ao domínio tempo-frequência.

Eletroencefalografia (EEG) tem sido amplamente utilizada para gravar a atividade elétrica do cérebro humano, tanto no diagnóstico clínico e de investigação científica, desde que é não-invasivo, de baixo-custo alocado e tem altíssima resolução temporal de1. A fim de estudar os sinais de EEG em estado de repouso, os investigadores desenvolveram muitos EEG técnicas (por exemplo, análise de espectro de energia, análise de conectividade funcional)2,3. Destes, análise de microestado e análise de complexidade de ômega poderiam fazer bom uso da informação espacial e temporal inerente de sinais EEG4.
Pesquisas anteriores mostraram que, embora a distribuição topográfica de sinais EEG varia ao longo do tempo no olho fechado ou olho-aberto para o estado de repouso, a série de mapas momentâneas mostra mudanças descontínuas de paisagens, ou seja, períodos de estabilidade alternados com períodos de transição curta entre certos de topografias de EEG quase estável5. Microestados são definidos como estes episódios com topografias de EEG quase estáveis, que duram entre 80 e 120 ms1. Desde paisagens de potenciais elétricas diferentes foram geradas por diferentes fontes neurais, estes micro-Estados podem qualificar-se como os blocos básicos de atividade mental e podem ser considerados como "átomos de pensamento e emoção"6. Usando algoritmos de classificação padrão moderno, quatro classes de microestado do EEG de repouso têm sido consistentemente observados, que foram rotulados como classe A, classe B, classe C e classe D7. Além disso, pesquisadores revelou que estas quatro classes de microestado de dados de EEG de repouso estava intimamente associado com conhecidos sistemas funcionais observados em muitos estado descansando RM (ressonância magnética funcional) estudos8,9 . Assim, a análise de microestado forneceu uma nova abordagem para o estudo das redes de estado repouso (RSNs) do cérebro humano. Além disso, a duração média e a frequência de ocorrência de cada classe de microestado, a forma topográfica dos quatro mapas microestado são significativamente influenciados por algum cérebro desordens4,10,11, e estão associadas a inteligência fluida personalidade de12 e13.
No outro aspecto, conectividade funcional tradicional de multi-canal EEG só poderia descrever as conexões funcionais entre dois eletrodos no couro cabeludo, assim, não conseguiram avaliar a conectividade funcional global através do couro cabeludo, ou dentro de uma determinada região do cérebro. A complexidade de ômega, proposto pela Wackermann (1996)14 e calculados através de uma abordagem que combina a análise de componentes principais (PCA) e entropia de Shannon, tem sido utilizada para quantificar a sincronização global de banda larga entre espacialmente distribuído a regiões do cérebro. Para avaliar a complexidade de ômega de cada banda de frequência, transformada de Fourier foi comumente realizada como uma etapa inicial de25.
Os microestados e complexidade ômega podem ser usados para refletir a dois conceitos intimamente ligados, ou seja, a complexidade temporal e complexidade espacial4. Desde as classes de microestado representam certas operações mentais no cérebro humano, eles podem refletir a estrutura temporal das oscilações neuronais. Menor duração e maior taxa de ocorrência por segundo devem indicar maior complexidade temporal. A complexidade de ômega está positivamente relacionada com o número de fontes independentes de neurais no cérebro, assim são comumente considerado como um indicador de complexidade espacial4.
O atual artigo descreve o protocolo de análise de microestado de EEG e análise de complexidade de ômega em detalhe. As análises de complexidade de microestado e omega de EEG oferecem a oportunidade de medir a complexidade espacial e temporal da atividade cerebral, respectivamente.

<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

Complexidade de microestado e omega são duas medidas de referência livre Eletroencefalografia (EEG) que podem representar as complexidades temporais e espaciais de dados de EEG e têm sido amplamente utilizadas para investigar os mecanismos neurais em alguns distúrbios cerebrais. O objetivo deste artigo é descrever o protocolo subjacente EEG microestado e omega complexidade análises passo a passo. A principal vantagem destas duas medidas é que eles poderiam eliminar o problema de referência dependente inerente à análise de espectro tradicional. Além disso, análise de microestado faz bom uso do tempo de resolução de EEG descansando-estado, e as quatro classes de microestado obtidos poderiam combinar com as redes de descanso-estado correspondentes, respectivamente. A complexidade de ômega caracteriza a complexidade espacial do cérebro inteiro ou regiões específicas do cérebro, que tem a óbvia vantagem em comparação com as medidas de complexidade tradicional enfocando a complexidade de sinal em um único canal. Estas duas medidas de EEG podem se complementam para investigar a complexidade do cérebro do domínio espacial e temporal, respectivamente.

Microestado de EEG
Grand dizer microestado normalizado mapas são exibidos na Figura 1. As paisagens de potenciais elétricas dessas quatro classes de microestado identificado aqui são muito semelhantes aos encontrados em anteriores estudos4.
A média e o desvio padrão (SD) de parâmetros de microestado dos indivíduos saudáveis foram mostrados na tabela 1. Para classe de microestado A, a taxa de ocorrência foi 3,44 ± 1.29 vezes / s e a duração foi de 72 ± 13 menina para classe de microestado B, a taxa de ocorrência foi 3,54 ± 0,85 vezes / s e a duração foi de 71 ± 18 ms. para classe de microestado C, a taxa de ocorrência foi 3,85 ± 0.63 vezes / s e a duração foi de 69 ± 9 ms. para classe de microestado D, a taxa de ocorrência foi 3,41 ± 0,78 vezes / s e a duração foi de 66 ± 11 ms.
Complexidade de ômega
O valor (média ± DP) de complexidade global ômega de cada banda de frequência nos indivíduos saudáveis foi apresentado na tabela 2. Banda delta, a complexidade de ômega global foi 6.39 ± 1,34. Banda de theta, a complexidade de ômega global foi 5,46 ± 0,85. Banda alfa-1, a complexidade de ômega global foi 3.47 ± 0,8. Banda alfa-2, a complexidade de ômega global foi 3,87 ± 0,70. Banda de beta-1, a complexidade de ômega global foi 5,36 ± 0.84. Banda de beta-2, a complexidade de ômega global foi 6,16 ± 0,83. Gama-1 banda, a complexidade de ômega global foi 6.95 ± 1,07. Banda de gama-2, a complexidade de ômega global foi 6,88 ± 1.39.
O valor (média ± DP) de complexidade ômega anterior de cada banda de frequência nos indivíduos saudáveis foi mostrado na tabela 2. Banda delta, a complexidade de ômega anterior era 4.84 ± 1,7. Banda de theta, a complexidade de ômega anterior era 4.23 ± 1,48. Banda alfa-1, a complexidade de ômega anterior foi 3,44 ± 1,09. Banda alfa-2, a complexidade de ômega anterior era 3,87 ± 0,97. Banda de beta-1, a complexidade de ômega anterior era ± 3,74 0,81. Banda de beta-2, a complexidade de ômega anterior era 2,94 ± 0,59. Gama-1 banda, a complexidade de ômega anterior foi 1,98 ± 0,24. Banda de gama-2, a complexidade de ômega anterior foi 3,02 ± 0,59.
O valor (média ± DP) de complexidade ômega posterior de cada banda de frequência nos indivíduos saudáveis foi mostrado na tabela 2. Banda delta, a complexidade de ômega posterior era 3.71 ± 1,48. Banda de theta, a complexidade de ômega posterior foi 2.47 ± 0,85. Banda alfa-1, a complexidade de ômega posterior foi 2,11 ± 0,9. Banda alfa-2, a complexidade de ômega posterior foi 3,16 ± 1,42. Banda de beta-1, a complexidade de ômega posterior foi 4.32 ± 1,67. Banda de beta-2, a complexidade de ômega posterior foi ± 3,84 1,04. Gama-1 banda, a complexidade de ômega posterior foi 2.17 ± 0,37. Banda de gama-2, a complexidade de ômega posterior era 2.99 ± 0,53.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/56452/56452fig1.jpg"> Figura 1. Média normalizada de mapas topográficos das quatro classes microestado (A-D) do EEG de estado descansando nos indivíduos saudáveis. Classe de microestado A e B têm um certo frontal para orientação occipital esquerda e frontal esquerda para a direita orientação occipital, respectivamente. Classe de microestado, C e D têm topografias simétricas, mas pré-frontal para orientação occipital e frontocentral para orientação occipital foram observados, respectivamente. <a href="https://cloudflare-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/56452/56452fig1large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td></td>
			<td colspan="8">Classes de microestado</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>Quer dizer</td>
			<td>SD</td>
			<td>Quer dizer</td>
			<td>SD</td>
			<td>Quer dizer</td>
			<td>SD</td>
			<td>Quer dizer</td>
			<td>SD</td>
		</tr>
<tr>
<td>Ocorrência/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>Duração (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>Tabela 1. Parâmetros de microestado dos indivíduos saudáveis (n = 15). a média e o desvio-padrão (SD) a taxa de ocorrência e a duração das quatro classes de microestado foram mostrados nesta tabela.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td></td>
			<td colspan="2">Complexidade global Omega</td>
			<td colspan="2">Complexidade de Omega anterior</td>
			<td colspan="2">Complexidade de Omega posterior</td>
		</tr>
<tr>
<td>Faixa de frequência</td>
			<td>Quer dizer</td>
			<td>SD</td>
			<td>Quer dizer</td>
			<td>SD</td>
			<td>Quer dizer</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>Alfa-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>Alfa-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>Gama-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>Gama-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>Tabela 2. Complexidade de ômega global, anterior e posterior dos indivíduos saudáveis (n = 15). a média e o desvio padrão (SD) da complexidade ômega global, anterior e posterior para as bandas de oito frequência (delta, theta, Alfa 1, alfa-2, beta-1, beta-2, 1-gama, gama-2) foram respectivamente indicados na tabela.
Suplementares arquivos. Para executar os scripts usados neste manuscrito, por favor abra os scripts no ambiente MATLAB, em seguida, copie todo o conteúdo na janela de comando e pressione a tecla "Enter". Note que, os scripts só se aplicam aos nossos conjuntos de dados. Algumas modificações são necessárias quando os scripts são aplicados a outros conjuntos de dados. <a href="https://cloudflare-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/56452/example_scripts.zip">Clique aqui para baixar este arquivo.</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

Este artigo descreve a análise de microestado protocolo subjacente de eletroencefalografia (EEG) e análise de complexidade de omega, que são duas medidas de EEG livre de referência e altamente valioso para explorar os mecanismos neurais de distúrbios cerebrais.

Microestado e análises de complexidade Omega de eletroencefalografia a estado descansando

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 visualizações.  Peking University People's Hospital. Este artigo descreve a análise de microestado protocolo subjacente de eletroencefalografia (EEG) e análise de complexidade de omega, que são duas medidas de EEG livre de referência e altamente valioso para explorar os mecanismos neurais de distúrbios cerebrais.

Vídeo: 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.

Investigando Cognição Social em Crianças e Adultos usando eletroencefalografia Matriz Densa ( D EEG)

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

Neurociência

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.

Análises morfométricas de secções da retina

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.

Optogenetic Perturbação da atividade neural com Iluminação Laser no Semi-intacta<em&gt; Drosophila</em&gt; As larvas 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.

Investigar a função do Deep Cortical e estruturas subcorticais Usando estereotáxica Eletroencefalografia: Lições da Cortex cingulado anterior

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.

Avaliação da complexidade dendrítica do hipocampo em ratos idosos usando o método de Golgi-Cox

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.

Gravação simultânea de eletroencefalografia co localizada e potencial do campo Local em roedores

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.

Análise quantitativa da arborização dendrítica Neuronal complexidade em 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.

Estimulação magnética transcraniana combinada e Eletroencefalografia do córtex pré-frontal Dorsolateral

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.

Coleção de regiões cerebrais de roedores congelados para análises a jusante

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.

Preparação da Dobra Vocal do Rato para Análises Neuromusculares

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