Information

Methode/Einheit zur Messung der Aktivität in einem bestimmten Frequenzband für EEG

Methode/Einheit zur Messung der Aktivität in einem bestimmten Frequenzband für EEG

Dies mag eher eine Frage der Signalverarbeitung sein, aber ich möchte die Aktivität in verschiedenen Frequenzbändern für jeden Sensor messen und vergleichen. Leider beziehen sich alle Papiere, die ich mir angesehen habe, einfach auf "Alphaaktivität", ohne anzugeben, wie dies berechnet wurde.

Gibt es eine Standardmethode oder "Best Practice" zur Messung des Aktivitätsniveaus? Ist es einfach die durchschnittliche Energie im Band (Summe des Quadrats des Absoluten des Signals?)

Jede Hilfe dabei wäre dankbar.


Wie Sie Ihre Daten analysieren, hängt ein wenig davon ab, wie Sie Ihre Zeit-Frequenz-Zerlegung durchgeführt haben.

Wenn Sie eine schnelle Fourier-Transformation verwenden, werden Sie wahrscheinlich das interessierende Zeitfenster vor der Analyse ausschneiden, und Ihre Trennschärfeschätzung ist ein einzelner Wert (pro Subjekt und/oder Bedingung) innerhalb dieses Zeitfensters. Zum Beispiel tritt die Desynchronisation der Alphawelle wahrscheinlich etwa 100 ms nach dem Einsetzen eines Tons ein, und Sie könnten an ihrer Leistung zwischen diesem und 300 ms interessiert sein. Dies basiert auf Theorie und Literatur, es gibt keine einzige Antwort. Wenn Sie jedoch ein solches Zeitfenster im Voraus ausschneiden, stellen Sie sicher, dass das interessierende Zeitfenster ein genaues Vielfaches der Größe des Zyklus ist, den Sie betrachten! (z.B. ein Vielfaches von 1/10 einer Sekunde für 10 Hz.) Andernfalls kann es zu bösen Artefakten kommen.

Am Ende erhalten Sie dann einen Datenpunkt pro Person und Zustand, pro EEG-Sensor. Einige Leute wählen eine Gruppe von Sensoren basierend auf der Literatur vor und betrachten die durchschnittliche Leistung dieser Sensoren. In diesem Fall können Sie jede der standardmäßigen parametrischen Statistiken verwenden, um Ihre Hypothesen zu testen.

Alternativ können Sie ein gleitendes Zeitfenster oder einen ähnlichen Ansatz verwenden (siehe hier), bei dem Sie eine Schätzung erhalten, wie sich die Leistung im Laufe der Zeit entwickelt (pro Sensor und Frequenzband). In diesem Fall ist Ihr Datenraum größer, und der übliche Weg, ihn einzuschränken, besteht darin, clusterbasierte Permutationstests zu verwenden, die nicht parametrisch sind. Dadurch erhalten Sie Cluster mit signifikanten Unterschieden über die Zeit und/oder Sensoren (d. h. Gruppen aufeinanderfolgender Zeitpunkte oder Sensoren nahe beieinander, die einen experimentellen Effekt zeigen). Auch hier ist es eine theoretische Frage, ob Sie den Durchschnitt über die Sensoren hinweg durchführen möchten. Sie können sich auch entscheiden, mit diesem Ansatz über die Zeit zu mitteln und wie oben einen einzigen Datenpunkt pro Person/Bedingung zu erhalten. Dieser Ansatz ist zeitlich nicht besonders präzise – die Daten werden im Laufe der Zeit etwas verwischt – aber er gibt Ihnen einen besseren Überblick darüber, was im Gehirn vor sich geht und in welchen Frequenzbändern die interessanten Effekte liegen könnten.

Was die Einheit angeht, ziehe ich es vor, die Rohleistung in Dezibel umzuwandeln, da die Skala um Null symmetrisch und über Experimente hinweg vergleichbar ist. Also 10*log10 der Leistung in Ihrem Signal. Wenn Sie eine Basislinie verwenden, machen Sie sie zu einer absoluten Basislinie (sie entspricht einer relativen Basislinie für die Rohleistung, die der Standard ist).


Um dies in EEGLAB zu tun, sollten Sie Folgendes lesen: sccn.ucsd.edu/wiki/Chapter_11:_Timefrequency_decomposition. Ihr "Aktivitätsgrad" in einem bestimmten Frequenzband ist die Größe der Frequenzdarstellung in diesem Frequenzband zu einem bestimmten Zeitpunkt.

Tatsächlich ist EEGLAB jedoch sehr stark auf die ICA-Analyse der gesamten Gehirnaktivität ausgerichtet, nicht auf die Frequenzanalyse einzelner Elektroden. Wenn Sie in Matlab eine Einzelelektroden-Frequenzanalyse durchführen möchten, würde ich vorschlagen, chronux (http://chronux.org) zu verwenden: Funktionen wie mtspectrumc geben Ihnen das Frequenzspektrum und dann können Sie einfach die Größe des Spektrums in Ihrem bevorzugtes Frequenzband als "Aktivitätsgrad" dieses Frequenzbands. Siehe http://chronux.org/chronuxFiles/filesReleases/manual.pdf Abschnitt 2.2.1


Methode/Einheit zur Messung der Aktivität in einem bestimmten Frequenzband für EEG - Psychologie

Tzyy-Ping Jung
Labor für Computergestützte Neurowissenschaften
Das Salk-Institut
La Jolla CA

Allgemeine Zusammenfassung

Wir korrelieren winzige Schwankungen im normalisierten EEG-Log-Spektrum während der Schläfrigkeit mit gleichzeitigen Änderungen des Leistungsniveaus bei einer anhaltenden akustischen Erkennungsaufgabe und zeigen, dass eine einzelne Hauptkomponente der EEG-Varianz linear mit Veränderungen der Erkennungsleistung im Minutenbereich zusammenhängt. Die EEG-Frequenzen, bei denen diese Kopplung ausgedrückt wird, sind für die meisten Probanden bei Einzel- oder Doppelaufgaben und bei offenen oder geschlossenen Augen ähnlich. Dieses Muster der Leistungskorrelationen über die EEG-Frequenzen hinweg stimmt sehr gut mit dem Profil der EEG-Frequenzänderungen überein, das kürzlich aus der Analyse von Stichworten verbalen Selbstberichten über Denken und Bewusstsein während der Schläfrigkeit berichtet wurde. Diese EEG-Veränderungen entstehen offensichtlich aus gleichzeitigen Veränderungen in den Gehirnmechanismen, die die zentrale Erregung und Wachsamkeit steuern, und in den Niveaus kohärenter neuraler Aktivität bei mehreren charakteristischen neuralen Oszillationsfrequenzen. Der eindimensionale Zusammenhang zwischen Leistungsänderungen und dem EEG-Spektrum während der Schläfrigkeit könnte praktikable Methoden der EEG-basierten Echtzeit-Wachsamkeitsschätzung ermöglichen.

Abstrakt

Wir korrelieren winzige Fluktuationen im normalisierten EEG-Log-Spektrum mit gleichzeitigen Änderungen des Leistungsniveaus bei einer anhaltenden auditiven Erkennungsaufgabe und zeigen, dass eine einzelne Hauptkomponente der EEG-Spektralvarianz linear mit Veränderungen der Erkennungsleistung im Minutenbereich zusammenhängt. Die bestimmten EEG-Frequenzen, bei denen diese Kopplung ausgedrückt wird, sind für die meisten Probanden unter einer Reihe von Aufgabenbedingungen ähnlich und stimmen mit denen überein, die kürzlich aus der Analyse der verbalen Selbstberichte während der Schläfrigkeit berichtet wurden. Die eindimensionale Beziehung zwischen der Erkennungsleistung und dem EEG-Spektrum bestätigt quantitativ die intuitive Annahme, dass winzige Veränderungen der Verhaltensaufmerksamkeit während der Schläfrigkeit überwiegend mit Veränderungen der globalen Gehirndynamik entlang einer einzigen Dimension der psychophysiologischen Erregung verbunden sind.

Schlüsselwörter: EEG, Elektroenzephalogramm, Wachsamkeit, Wachsamkeit, Hörerkennung, Hauptkomponentenanalyse (PCA), Spektrum

Haftungsausschluss Dieser Bericht wurde durch einen Zuschuss ONR.Reimb.30020(6429) an das Naval Health Research Center vom Office of Naval Research unterstützt. Die in diesem Artikel geäußerten Ansichten sind die der Autoren und spiegeln nicht die offizielle Politik oder Position des Marineministeriums, des Verteidigungsministeriums oder der US-Regierung wider. Unbegrenzt für die öffentliche Veröffentlichung freigegeben.

Einführung

Eine der frühesten Beobachtungen von verhaltenskorrelierten Veränderungen im EEG-Spektrum war, dass sich das EEG-Spektrum beim Übergang in den Schlaf meist zu niedrigeren Frequenzen hin verschiebt[1]. Der Zusammenhang zwischen Veränderungen der Verhaltenserregung und dem EEG-Spektrum ist stark genug, dass das Erscheinungsbild des EEG-Spektrums seit langem als direkter Indikator für das Erregungsniveau verwendet wird[2]. Hier bezieht sich Erregung in erster Linie auf Verhaltensänderungen, die mit Übergängen vom langsamen Schlaf zum Wachzustand und Wachsamkeit zum wachen Ende dieses Kontinuums verbunden sind. Obwohl sorgfältige Studien menschlicher EEG-Aufzeichnungen eine Reihe von normalen und anormalen Übergängen zwischen Wach- und Schlaf-EEG-Mustern gezeigt haben[3], werden physiologische und verhaltensbedingte Erregung, wenn sie getrennt von der Aufmerksamkeit[4] betrachtet wird, meistens als kovariant auf einer Eins angesehen -dimensionales Kontinuum (zum Beispiel, wenn wir sagen, dass wir uns "im Halbschlaf" fühlen).

Kürzlich präsentierten Makeig und Inlow[5] Daten aus halbstündigen Experimenten, bei denen Probanden mit geschlossenen Augen auf Geräusche hörten, die in weißes Rauschen eingebettet waren, und einen Antwortknopf drückten, wenn sie Zielgeräusche hörten, die aus einer kurzen Zunahme der Geräuschamplitude bestanden. Sie zeigten, dass Schwankungen der lokalen Fehlerrate im Minutenbereich, ein gleitender Durchschnitt der Wahrscheinlichkeit von Erkennungsfehlern, mit Verschiebungen im EEG-Leistungsspektrum in mehreren diskreten Frequenzbändern im Minutenbereich kohärent sind und dass diese EEG-Änderungen zur Vorhersage verwendet werden können der zeitliche Verlauf der lokalen Fehlerrate unter Verwendung individualisierter Modelle, die aus EEG- und Leistungsdaten erstellt wurden, die in früheren Aufgabensitzungen gesammelt wurden. Veränderungen im EEG-Spektrum könnten verwendet werden, um den Prozentsatz der erkannten Ziele genau abzuschätzen, d. h. nicht nur zwischen Wach- und Schlafzuständen zu unterscheiden, sondern auch um den zeitlichen Verlauf der Leistung während schläfriger Perioden zu überwachen. Hier berichten wir erstens, dass eine ähnliche Beziehung zwischen Veränderungen des EEG-Spektrums und der auditiven Erkennungsleistung während der Ausführung mit offenen Augen besteht, und zweitens, dass spektrale Veränderungen, die linear mit der Aufmerksamkeit verbunden sind, eine einzige Hauptkomponente der Gesamtvarianz in bilden das normalisierte EEG-Log-Spektrum.

Methoden und Materialien

Eine gleichzeitige Workstation zeichnete das EEG auf und lieferte dem Probanden akustische Reize in einem konstanten 63-dB-Hintergrund mit weißem Rauschen. Stimuli bestanden aus Zielen, 300 ms Zunahmen der Rauschamplitude (Anstiegszeit 150 ms, Abfall 110 ms), die 6 dB über der Erkennungsschwelle jedes Subjekts im Hintergrundrauschen präsentiert wurden. Die durchschnittliche Zielstimuli-Onset-Asynchronie (SOA) betrug 6 s. Nicht-Zieltöne bei zwei Frequenzen (568 Hz und 1098 Hz) wurden ebenfalls in zufälliger Reihenfolge bei 72 dB (normaler Hörpegel) mit zufällig zwischen 2 s und 4 s verteilten SOAs präsentiert. Visuelle Ziele bestehend aus 20 aufeinanderfolgenden weißen Quadraten, die eine vertikale Linie bilden, wurden von einem 386er PC mit einem VGA-Farbdisplay (13 cm breit und 9 cm hoch) erzeugt und über einem Videorauschhintergrund ("Schnee") aus 1- mm Graustufenquadrate. Visuelle Ziele traten mit einer mittleren Rate von 1 pro Minute auf und waren nicht mit auditiven Zielen korreliert. Visuelle Aufgabendaten werden an anderer Stelle gemeldet.

Die Probanden saßen in einem bequemen Stuhl, eine Zwei-Knopf-Reaktionsbox lag auf einem Kissen in ihrem Schoß und wurden gebeten, einen Knopf zu drücken, wenn sie ein Zielgeräusch platzen hörten, und den anderen, wenn sie ein visuelles Ziel entdeckten. Das Umgebungslichtniveau wurde in der kleinen (5'x5') Versuchskammer niedrig gehalten. Unter diesen Bedingungen erwiesen sich der Hintergrund des weißen Rauschens und die Monotonie der Aufgaben der Probanden als einschläfernd für viele Probanden, denen es schwer fiel, während der gesamten halbstündigen Sitzung wachsam zu bleiben. Von insgesamt fünf Sitzungen mit jeweils 15 Probanden enthielten Sitzungspaare von 10 Probanden (9 männlich/1 weiblich, Altersbereich 18-39) ausreichend Aussetzer bei der Hörerkennung (68 +- 32 Aussetzer pro Sitzung, 24% +- 11% der vorgelegten Ziele) und wurden in der Analyse verwendet.

EEG-Daten wurden an zwei Kopfhautstellen, Cz und Pz/Oz (auf halbem Weg zwischen Pz und Oz), bezogen auf das rechte Mastoid, und von horizontalen und vertikalen bipolaren EOG-Ableitungen mit einer 12-Bit-Auflösung mit einer Abtastrate von 312,5 Hz und gesammelt ein Durchlassband von 0,1-100 Hz.

Zeitvariable Amplitudenspektren für jeden Kanal wurden unter Verwendung von 512-Punkte-Fast-Fourier-Transformationen (FFTs) von 50% überlappender (Hanning-Fenster, mit Nullen aufgefüllt) 256-Punkte-Datenepochen berechnet, nachdem Epochen, die durch Augenbewegungen oder andere Artefakte kontaminiert wurden, zurückgewiesen wurden Exkursionen von 50 uV oder mehr in einem der EEG- oder EOG-Kanäle erzeugen. Die Spektren wurden dann in eine logarithmische Skala umgewandelt und mit einem kausalen 95-s-Exponentialfenster (90% nach 95 s vor seiner Vorderkante) geglättet, was für jede Sitzung 1024 geglättete logarithmische Spektralschätzungen in Intervallen von 1,6384 s ergab. Das Log-Spektrum für jede Sitzung wurde dann separat für jeden der 40 Frequenz-Bins zwischen 0,61 und 24,4 Hz normalisiert, indem der Sitzungsmittelwert abgezogen und durch den 25-75-Perzentilbereich der resultierenden Zeitreihe dividiert wurde.

Die normalisierten logarithmischen Spektren bei Cz und Pz/Oz aus den 20 Sitzungen an 10 zur Analyse ausgewählten Probanden wurden dann einer Hauptkomponentenanalyse (PCA)[6] unterzogen, die 80 Eigenvektoren und 80 entsprechende Eigenwerte erzeugte. PCA-Eigenvektoren mit den größten Eigenwerten repräsentierten Richtungen der größten mehrdimensionalen Varianz im logarithmischen Spektrum während der Experimente.

Treffer und Aussetzer wurden als Hörziele definiert, auf die innerhalb eines 100-3000 ms-Fensters nach dem Einsetzen des Ziels reagiert wurde oder nicht. Die Fehlerrate der auditiven Aufgabe wurde unter Verwendung des gleichen 95-sekündigen gleitenden exponentiellen Fensters geglättet, das zur Glättung des EEG-Spektrums verwendet wurde, indem ein Leistungsindex (0 für jeden Treffer im sich bewegenden Fenster, 1 für jeden Fehler) mit dem entsprechenden Fenstergewicht (bestimmt durch die relative Zeit des Auftretens jedes Ziels innerhalb des Fensters), Summieren der Ergebnisse, dann Normalisieren des Ergebnisses durch Dividieren durch die Summe der Fenstergewichte, die bei der Berechnung der Summe verwendet werden. Das Leistungsglättungsfenster wurde in Schritten von 1,6384 s (512 Punkte) durch den Leistungsindex verschoben, wodurch der unregelmäßig beabstandete, diskontinuierliche Leistungsindex in ein regelmäßig beabstandetes, kontinuierliches lokales Fehlerratenmaß umgewandelt wird, das die aktuelle Wahrscheinlichkeit darstellt, dass die Versuchsperson versagt. um auf ein präsentiertes Ziel zu reagieren.

Für jede Sitzung wurden dann Korrelationen zwischen geglätteten logarithmischen Spektral- und Fehlerraten-Zeitreihen separat für jede der 40 FFT-Frequenz-Bins von 0,6 Hz bis 24,4 Hz berechnet. Die Ergebnisse sollen das "Korrelationsspektrum" jedes Experiments bilden. Ein mittleres Korrelationsspektrum wurde durch Mittelung der Korrelationsspektren aus den 20 Sitzungen berechnet. Signifikanzniveaus für die resultierenden mittleren Korrelationswerte wurden mit Monte-Carlo-Methoden geschätzt. Zunächst wurde für jede Sitzung der zeitliche Verlauf der logarithmischen Leistung bei jedem der 40 Frequenz-Bins in den beiden Kanälen mit dem zeitlichen Verlauf der Fehlerrate in den anderen 19 Sitzungen korreliert. Als nächstes wurden 500 Surrogat-Mittelkorrelationsspektren durch Mitteln von pseudozufällig ausgewählten Sätzen von 20 dieser Surrogat-Korrelationen berechnet. Für jeden Frequenzbereich wurden dann das 5., 50. und 95. Perzentil der resultierenden Korrelationsverteilung identifiziert. Darüber hinaus wurde für alle 20 Sitzungen gleichzeitig ein großes Korrelationsspektrum berechnet, wobei die gleichen normalisierten Daten verwendet wurden, die zur Berechnung des PCA verwendet wurden.

Ergebnisse

Abbildung 1a. Großes mittleres Korrelationsspektrum, das mittlere Korrelationen zwischen EEG-Log-Power und lokaler Fehlerrate (die Wahrscheinlichkeit eines akustischen Erkennungsfehlers) für 20 halbstündige Sitzungen bei 10 Probanden zeigt, beide Messungen geglättet unter Verwendung eines kausalen 95-sekündigen exponentiellen Fensters. Korrelationsspektren an zwei Kopfhautkanälen, Cz und Pz/Oz, werden gepunkteten Kurven überlagert, die das 5., 50. und 95. Perzentil der Verteilung der Surrogatkorrelationen zeigen, die durch Korrelieren von EEG-Power und Fehlerraten-Zeitreihen aus separaten Sitzungen berechnet wurden.

Mittlere und große Korrelationsspektren waren nahezu identisch (r = 0,995, RMS-Differenz = 0,023). Abb. 1a (oben) zeigt das mittlere Korrelationsspektrum an den beiden Standorten, überlagert mit Spuren, die Signifikanzniveaus aus der Surrogat-Korrelationsverteilung zeigen (siehe Methoden). Korrelationen zwischen EEG-Leistung und Leistung sind in vier Frequenzbändern signifikant: (1) bei 4-5 Hz (Theta) in beiden Kanälen, (2) bei 10-11 Hz (alpha) bei Pz/Oz, (3) bei 14- 15 Hz (Sigma) bei Cz und (4) über 15 Hz (Beta) bei Pz/Oz.

Abbildung 1b. Diagramm der Eigenvektoren, die den ersten beiden Hauptvarianzkomponenten des normalisierten EEG-Log-Spektrums in den 20 Sitzungen entsprechen. Während der nahezu konstante Eigenvektor 1 (wie die Eigenvektoren 3-80) wenig leistungsbezogen ist, ist der Eigenvektor 2 stark leistungsbezogen (siehe Abb. 2).

Abb. 1b (oben) zeigt die Eigenvektoren, die den beiden größten Hauptkomponenten der EEG-Varianz in den Sitzungen entsprechen. Die erste Komponente, die 27 % der Gesamtvarianz ausmacht, ist einheitlich positiv (oder negativ). Die zweite Komponente, die 16% der Varianz ausmacht, ähnelt stark dem in Abb. 1a gezeigten Korrelationsspektrum mit Maxima nahe 4 Hz (in beiden Kanälen) und 14 Hz (nur bei Cz) und Minima nahe 10 Hz und über 20 Hz .

Figur 2. Vektorwinkel zwischen den 80 PCA-Eigenvektoren, die die Varianz im normalisierten EEG-Log-Spektrum charakterisieren, und dem großen Korrelationsspektrum-Vektor, der aus Korrelationen zwischen der Leistung und der normalisierten EEG-Log-Leistung bei 40 EEG-Frequenzen und 2 Kopfhautkanälen während aller 20 Sitzungen besteht. Nur der zweite PCA-Eigenvektor ist mit dem Leistungskorrelationsvektor ausgerichtet, alle anderen Hauptkomponenten der EEG-Varianz sind nahezu orthogonal dazu.

Abb. 2 (oben) zeigt die Winkel zwischen jedem der 80 PCA-Eigenvektoren und dem großen Korrelationsspektrum. Der zweite Eigenvektor ist innerhalb von 15 Grad zum Korrelationsspektrumsvektor ausgerichtet, während alle anderen Eigenvektoren nahezu orthogonal dazu sind. Dementsprechend korrelierte die Projektion der EEG-Spektraldaten auf den zweiten Eigenvektor fast ebenso stark (r = 0,58) mit dem zeitlichen Verlauf der Fehlerrate wie eine multiple Regression unter Verwendung von Projektionen auf die ersten acht Eigenvektoren zusammen (r = 0,60). Dieses Ergebnis bestätigt, dass nahezu alle leistungsbezogenen Veränderungen im EEG-Spektrum auf eine Hauptkomponente (oder Eigenvektor) der spektralen Varianz beschränkt sind.

Diskussion

Erstens haben wir nun fast identische lineare Beziehungen zwischen normalisierten EEG-Log-Spektren und Veränderungen der Hörerkennungswahrscheinlichkeit im Minutenbereich sowohl bei Single-[5]- als auch bei Dual-Task-Experimenten gefunden. Mit Ausnahme von nahe 10 Hz ähnelt das mittlere Korrelationsspektrum in den aktuellen (Dual-Task, Augen-offen)-Experimenten (Abb. 1a) stark früheren Ergebnissen, die unter Single-Task-Bedingungen mit geschlossenen Augen erhalten wurden[5], die stärkere 10-Hz-Leistung Korrelation bei geschlossenen Augen, die den bekannten Rückgang des Alphas bei geschlossenen Augen während der Schläfrigkeit widerspiegelt[1]. Es ist seit langem bekannt, dass Amplitudenänderungen bei Theta-, Alpha-, Sigma- und Beta-Frequenzen mit Schläfrigkeit und Einschlafen in Verbindung stehen[1]. Unsere Ergebnisse quantifizieren das Ausmaß, in dem diese Änderungen linear mit Leistungsänderungen bei einer kontinuierlichen Erkennungsaufgabe kovariieren.

Weitere Beweise für die Allgemeingültigkeit des in Abb. 1a gezeigten EEG-Korrelationsspektrums finden sich in einer kürzlich erschienenen Arbeit von Lehmann et al. Minutenintervalle, um zu sagen, was sie in dem Moment dachten, als die Aufforderung ertönte. Nach blinder Bewertung der aufgezeichneten verbalen Antworten auf 20 bipolaren Bewertungsskalen wurden die Skalierungsdaten und EEG-Spektren kurz vor den Aufforderungen unter Verwendung kanonischer Korrelation analysiert. Der größte Korrelationsfaktor, der durch dieses Verfahren extrahiert wurde, wurde am stärksten auf verbalen Skalenwerten gewichtet, die mit dem Verlust des Erinnerungsvermögens und des Körperbewusstseins, mit Ferne und Indirektheit verbunden sind – alle Eigenschaften, die mit Schläfrigkeit, Hypnagogie und/oder Verlust der Sinneswahrnehmung vereinbar sind.

Obwohl die von Lehmann et al. etwas von unserem unterscheiden, ihr erster EEG-Faktor ähnelt stark unserem Korrelationsspektrum (Abb. 1a) und noch stärker den Korrelationsspektren bei geschlossenen Augen von Makeig und Inlow[5]. Beachten Sie, dass Lehmann et al.eine ganz andere Aufgabe als unsere Experimente verwendeten und dass darüber hinaus das Versäumnis ihrer Probanden, auf die Aufforderung zu reagieren, aus ihren Daten ausgeschlossen wurden, während Fehler bei der auditiven Erkennung Gegenstand unserer Analyse waren. Beide Experimente liefern jedoch sehr ähnliche frequenzgewichtete Komponenten, die sich auf Veränderungen der Wachsamkeit und des EEG-Spektrums während der Schläfrigkeit beziehen.

Die Signifikanz der Leistungskorrelationsspitzen in 1a impliziert, dass die Frequenzen, bei denen die logarithmische Leistung mit der Erkennungsleistung korreliert wurde, für die meisten Probanden ähnlich sind. Die Untersuchung von Korrelationsspektren für einzelne Probanden bestätigte diese Schlussfolgerung, obwohl auch stabile Unterschiede zwischen den Probanden bestehen[5,7]. Beachten Sie auch, dass unsere Feststellung einer signifikanten log-linearen Komponente in der Beziehung zwischen EEG und Leistung die Möglichkeit nicht ausschließt, dass diese Beziehung auch andere nichtlineare Terme enthält, einschließlich Leistungs-Floor-Effekte, EEG-Sättigung oder andere. Solche Faktoren können nichtlineare Anpassungsalgorithmen oder künstliche neuronale Netze effizienter machen als die lineare Regression bei der Schätzung von Wachsamkeitsänderungen aus EEG-Aufzeichnungen[8].

Zweitens haben wir festgestellt, dass das mittlere Korrelationsspektrum für diese Sitzungen während der Sitzungen nahezu parallel zu einer einzigen Hauptvarianzkomponente im normalisierten EEG-Log-Spektrum verläuft und nahezu orthogonal zu allen anderen ist (Abb. 2). Leistungsbezogene Variationen in dieser Komponente der spektralen Varianz des EEG während dieser Experimente werden offensichtlich durch Veränderungen in der Gehirnerregung erzeugt, die eng mit Veränderungen in der Wahrscheinlichkeit verbunden sind, über dem Schwellenwert liegende Signale zu erkennen (und/oder darauf zu reagieren). Diese Veränderungen der Erkennungswahrscheinlichkeit können durch intermittierende oder verrauschte Zuführung von efferenten Hörinformationen an den Kortex[9] oder möglicherweise durch schläfrigkeitsbedingte Veränderungen in anderen Gehirnsubsystemen verursacht werden, die an der Ausführung der Aufgabe beteiligt sind. In unseren Experimenten treten Leistungsverluste als Wellen von (normalerweise) intermittierenden Erkennungsfehlern auf, die vier Minuten oder länger dauern[5] und charakteristische Zyklen von 15-20 s enthalten[10]. Die Konzentration leistungsbezogener spektraler EEG-Änderungen in einem einzigen Eigenvektor deutet auf eine enge Koordination dynamischer Gehirnveränderungen hin, die winzigen Veränderungen der Erregung und des sensorischen Gatings während der Schläfrigkeit zugrunde liegen. Während der Schläfrigkeit, wie sie hier unter monotonen Aufgabenbedingungen zu sehen ist, kovariieren Gehirn- und Verhaltenserregung tatsächlich auf einem eindimensionalen Kontinuum, wie oft angenommen. Es sollte interessant sein zu testen, ob ähnliche Ergebnisse erhalten werden, wenn Zusammenhänge zwischen EEG-Veränderungen und Verhaltensaufmerksamkeit anhand komplexerer oder anspruchsvollerer Aufgaben untersucht werden.

Abschluss

Wie seit langem bekannt, beinhalten Veränderungen der Gehirnerregung spezifische Veränderungen der oszillatorischen Gehirnaktivität[1-3,5,7-10]. Unsere Ergebnisse zeigen, dass die Korrelationen zwischen winzigen Veränderungen des EEG-Log-Spektrums und der Leistung bei einer anhaltenden akustischen Erkennungsaufgabe für die meisten Probanden ähnlich sind. An den beiden von uns untersuchten zentralen Kopfhautstellen sind die Korrelationen zwischen der Leistung und der EEG-Log-Amplitude mit Ausnahme von 10 Hz bei Augen-offen- und Augen-geschlossen-Bedingungen mit dualen oder monomodalen[5] Erkennungsaufgaben ähnlich und stimmen eng mit diesen überein wurde kürzlich auf der Grundlage der Selbstberichte der Probanden in der Nähe von Schlafübergängen berichtet [7]. Während der aktuellen Dual-Task-Experimente mit offenen Augen korrelierten winzige Veränderungen in der Häufigkeit von akustischen Erkennungsfehlern hauptsächlich mit Veränderungen des normalisierten EEG-Log-Leistungsspektrums entlang einer einzelnen Hauptkomponente oder eines Eigenvektors der EEG-Spektralvarianz. Diese EEG-Veränderungen indizieren offensichtlich koordinierte Veränderungen in der Aktivität von Gehirnsystemen, die die zentrale Erregung (und/oder das auditive Gating) kontrollieren, was zu Verhaltensänderungen entlang eines eindimensionalen Schläfrigkeit-Alarm-Kontinuums führt, wie allgemein angenommen wird. An anderer Stelle haben wir gezeigt, dass diese EEG-Spektralkorrelate des Wachsamkeitsverlusts verwendet werden können, um den Zeitverlauf der Wachsamkeit für wissenschaftliche oder angewandte Zwecke nahezu in Echtzeit zu überwachen[8].

Danksagung Wir bedanken uns für die Beiträge von F. Scot Elliott und Mark Postal bei der Erhebung und Verarbeitung der Daten sowie für die technische Unterstützung von Terrence Sejnowski vom Salk Institute, La Jolla. Das Projekt wurde unter der Arbeitseinheit ONR.Reimb.30020(6429) vom Amt für Marineforschung unterstützt.

Verweise

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

2. Steriade M, McCarley RW. Hirnstammkontrolle von Wachheit und Schlaf. New York: Plenum, 1990, 498 S.

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

4. Pribram KH, McGuinness D. Ann. New Yorker Akademie. Wissenschaft 658,65-92 (1992).

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

6. Sneath PH, Sokal RR, Numerische Taxonomie: die Prinzipien und Praxis der numerischen Klassifikation, San Francisco: WH Freeman, 1973.

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

8. Jung T-P, Makeig S, Stensmo M und Sejnowski TJ, IEEE-Trans. Biomed. Eng., (im Druck).

9. Steriade M, Dossi RC, Pare D. Mesopontine cholinerge Systeme unterdrücken langsame Rhythmen und induzieren schnelle Schwingungen in thalamokortikalen Schaltkreisen. In: E Basar, TH Bullock, Hrsg. Induzierte Rhythmen im Gehirn. Amsterdam: Elsevier, 1988: 251-268.


Verwendung von Längs-EEG-Messungen zur Einschätzung der Sprachentwicklung bei Säuglingen mit und ohne familiäres Risiko für Autismus-Spektrum-Störungen

Carol L. Wilkinson, Laurel J. Gabard-Durnam, Kush Kapur, Helen Tager-Flusberg, April R. Levin, Charles A. Nelson Verwendung von Längs-EEG-Messungen zur Einschätzung der Sprachentwicklung bei Säuglingen mit und ohne familiäres Risiko für Autismus-Spektrum-Störungen. Neurobiologie der Sprache 2020 1 (1): 33–53. doi: https://doi.org/10.1162/nol_a_00002


Ergebnisse

Genauigkeitsergebnisse (Experiment 1)

Da die Anzahl der Probanden (6) für eine Gruppenanalyse zu gering war, wurde die Signifikanz für jedes Medium separat berechnet. Scoring-Daten aus den von Medium 3 und 4 durchgeführten Ablesungen wurden in diese Analysen nicht eingeschlossen, da zwei Sitter-Bewertungen nicht erhalten werden konnten (siehe Methoden). Zwei Sätze von Bewertungen für jede Ablesung wurden untersucht: ein Satz von Zielgenauigkeitsbewertungen, die von dem verblindeten Sitter bereitgestellt wurden, für den die nicht identifizierte Ablesung bestimmt war, und ein Satz von Köderbewertungen, die von einem zweiten Kontroll-Sitter bereitgestellt wurden, der nicht mit der Ablesung assoziiert war.

Für jedes der vier Medien, für die beide Sitter ihre Bewertungen zurückgaben, wurden die Ziel- und Köderbewertungen verglichen. Zur Berechnung der Signifikanz wurden zwei Methoden verwendet, eine basierend auf einer nichtparametrischen Surrogat-Datenanalyse und eine basierend auf einem Wilcoxon-Vorzeichen-Rang-Test. Für das Surrogat-Datenanalyseverfahren haben wir unter der Nullhypothese, dass kein Unterschied zwischen den Ziel- und Köder-Lesebewertungen besteht, die entsprechenden Bewertungen zwischen den Ziel- und Köderbewertungen zufällig gemischt. Für den Wilcoxon-Test wurde die durchschnittliche Genauigkeit bei jeder Frage zwischen dem Köder- und dem Zielwert verglichen. Alle Statistiken sind einseitig mit der Nullhypothese (H0), dass die Genauigkeit für den Köder- und den Zielwert identisch wäre, und die Alternativhypothese (H1), dass die Genauigkeit für den Zielwert höher wäre als für den Ködermesswert.

Drei der vier Medien zeigten eine signifikante Tendenz, Informationen zu berichten, die von den Sittern, die die Zielablesungen bewerteten, als genauer bewertet wurden, als von den Sittern, die Köderablesungen bewerteten. Die Ergebnisse von Medium 2 waren nur unter Berücksichtigung der Wilcoxon-Statistik signifikant, sodass das Ergebnis möglicherweise nicht so robust ist wie die Daten von Medium 1 und Medium 5 (siehe Tabelle 1).

Tabelle 1. Prozentuale Genauigkeit und statistische Signifikanz für Ziel- vs. Köderbewertungen, aufgelistet nach Medium.

Korrelation zwischen Genauigkeit und elektrokortikaler Aktivität (Experiment 1)

Explorative Analysen wurden in vier interessierenden Frequenzbändern durchgeführt: Theta bei 3𠄷 Hz, Alpha bei 8� Hz, Beta und High Beta bei 18� Hz und Gamma bei 70� Hz. Innerhalb von Elektrodengruppen wurden zwei signifikante Fälle gefunden: M1 im Theta-Frequenzband und M3 im Alpha-Frequenzband.

M1 zeigte signifikante Unterschiede in der frontalen Theta-Power zwischen Zeiträumen mit geringerer Genauigkeit (d. h. unter 50%) im Vergleich zu Zeiträumen mit höherer Genauigkeit (d. h. gleich oder über 50%). M3 zeigte ähnlich signifikante Unterschiede bei niedriger und hoher Leistung im Alpha-Frequenzband. Die Ergebnisse für M1 sind in Abbildung 2 dargestellt.

Abbildung 2. Spektrale Unterschiede im Theta-Frequenzband für Medium M1. (EIN) Kopfhauttopographie der Theta-Kraft während der mentalen Erfahrungen von Informationen, die später als niedrig (㱐%) oder hoch (� %) in der Genauigkeit bewertet wurden [die Einheit ist 10*log10(μV 2 )]. Die großen Punkte auf der differentiellen Kopfhauttopographie zeigen die Signifikanz bei P < 0,005. (B) Beim Aufteilen der Daten in drei Quantile mit zunehmender Genauigkeit (d. h. 0� 40� und 100 % Genauigkeit) lag die Theta-Potenz für die mittlere Genauigkeitsstufe zwischen der hohen und der niedrigen Genauigkeitsstufe. Fehlerbalken zeigen 95 %-Konfidenzintervalle an.

Für die signifikanten Elektroden wurde die durchschnittliche Leistung in drei Quantilen mit ungefähr der gleichen Anzahl von Datensegmenten berechnet (0� % Genauigkeit, 9 Werte 40� % Genauigkeit, 9 Werte 100 % Genauigkeit, 11 Werte). 2B zeigt, dass die Theta-Spektralleistung für das mittlere Genauigkeitsniveau zwischen der Leistung für die Segmente mit niedriger und hoher Genauigkeit liegt. Dies bestätigt die Hypothese, dass der beobachtete Effekt mit der Genauigkeit des Mediums zusammenhängt.

Eine Erklärung für diesen Effekt ist, dass er auf Artefakte in den Daten zurückzuführen ist. Um diese Hypothese zu testen, wurde dieselbe Analyse mit den Datenartefakten anstelle der bereinigten Daten durchgeführt. Anstatt die sauberen Kanaldaten mit entfernten ICA-Artefakten zu berücksichtigen, wurden nur die Artefaktdaten berücksichtigt, wobei alle nicht-artefaktischen ICA-Komponenten aus den Rohdaten entfernt wurden. Sitzung 1 für Medium 1 hatte vier Artefakt-ICA-Komponenten und Sitzung 2 für Medium 1 hatte drei solcher Artefakte. Bei der Verarbeitung von Artefaktdaten wurde kein signifikanter Unterschied zwischen den Bedingungen niedriger und hoher Genauigkeit beobachtet. Beim Betrachten der drei Quantile wie in Abbildung 2B wurde die allmähliche Abnahme der Leistung mit Theta-Genauigkeit nicht beobachtet.

Ergänzende Abbildung 1 zeigt signifikante Unterschiede für M3 im Alpha 8�-Frequenzband. M3 ist eines der beiden Medien, bei denen statt zwei nur ein Messwert verfügbar war, daher verwendet dieses Diagramm nur etwa die Hälfte der Daten im Vergleich zum Diagramm für M1. Im Gegensatz zu M1, wo die Theta-Leistung negativ mit der mittleren Genauigkeit korreliert war, ist bei M3 die Alpha-Leistung positiv mit der Genauigkeit korreliert. Dieses Ergebnis steht im Einklang mit der Literatur, die zeigt, dass Alpha- und Theta-Leistung oft dazu neigen, in entgegengesetzte Richtungen zu kovariieren (Laufs et al., 2003, Braboszcz und Delorme, 2011). Da M3 nur einen bewerteten Messwert aufwies, lagen nicht genügend Daten vor, um eine Quantilanalyse wie bei Medium 1 durchzuführen.

Analyse psychischer Zustände (Experiment 2)

In Abbildung 3 wird das EEG im Gamma-Frequenzband für die vier verschiedenen mentalen Zustände (Erinnerung, Fabrikation, Wahrnehmung und Kommunikation) für alle sechs Medien verglichen. Wir beobachteten die meisten signifikanten Elektrodenunterschiede im Gamma-Frequenzband (75� Hz). Abbildung 3 zeigt, dass das EEG unter allen Bedingungen unterschiedlich ist. Rote Punkte auf Kopfhautkarten zeigen an, welche Elektroden signifikante Monte-Carlo-Ersatzstatistiken mit Cluster-Methode sind, die verwendet wurden, um mehrere Vergleiche zu korrigieren. Der mentale Zustand der Medialitätskommunikation unterschied sich mehr vom mentalen Zustand der Wahrnehmung als von anderen mentalen Zuständen. Bei vier der Medien wurde während des mentalen Zustands Kommunikation im Vergleich zum mentalen Zustand Wahrnehmung an neun Elektrodenstellen eine hohe Gammaleistung mit größerer Amplitude beobachtet. Der am wenigsten konsistente Unterschied zwischen den Medien war der Zustand der Herstellung im Vergleich zur Erinnerung (Abbildung 3). Für dieses Paar mentaler Zustände, obwohl die meisten Teilnehmer einen signifikanten Unterschied zeigten, hatte etwa die Hälfte der Medien eine höhere Gamma-Leistung in der Fabrikation-Bedingung, während die andere Hälfte eine höhere Leistung in der Erinnerungs-Bedingung aufwies.

Abbildung 3. Zusammenfassende Abbildungen, die Unterschiede zwischen mentalen Zuständen im hohen Gamma-Frequenzband (75� Hz) darstellen. Das Topographiebild der Kopfhaut in der linken oberen Ecke zeigt die durchschnittliche Gammaleistung für alle mentalen Zustände und alle Probanden an [die Einheit ist 10*log10(μV 2 )]. Kopfhauttopographien für jeden mentalen Zustand zeigen die Abweichung von der durchschnittlichen Kopfhautleistung (gleiche Einheiten). Zwischen jedem Paar mentaler Zustände A und B zeigt ein Diagramm die Anzahl der signifikanten Teilnehmer für jede Elektrode an (P < 0,01 nach Clusterkorrektur für Mehrfachvergleiche). Die Punktgröße stellt die Anzahl der Teilnehmer dar, für die eine bestimmte Elektrode von Bedeutung ist [von n = 0 (ns) bis n = 5 Signifikanz bei allen sechs Teilnehmern wurde nie erreicht]. Das Tortendiagramm innerhalb jedes Punktes stellt den Anteil der Teilnehmer dar, die signifikante Unterschiede in eine Richtung zeigten (Rot entspricht A > B und Blau entspricht A < B). Die Richtung des Vergleichs wird durch eine Richtungs-gestrichelte Linie von A nach B angezeigt. Zwischen dem mentalen Zustand der Medialitätskommunikation und dem mentalen Zustand der Wahrnehmung sind die meisten Elektroden beispielsweise für drei oder vier Teilnehmer signifikant und die Farbe (rot) zeigt an, dass Gamma Kraft hat während des mentalen Zustands Kommunikation eine größere Amplitude als im mentalen Zustand Wahrnehmung.

Gamma und hohe Gamma-Aktivität im EEG werden oft in Frage gestellt, da Muskelaktivität dieses Frequenzband verunreinigen kann. Daher wurde die gleiche Art von Analyse wiederholt, aber anstatt die sauberen EEG-Daten zu verarbeiten, wurden nur die ICA-Artefaktkomponenten verarbeitet (Ergänzende Abbildung 2). Wir fanden ein Muster der Gammaaktivität, das in Bezug auf die Anzahl der Teilnehmer, die signifikante Unterschiede zeigten, und auch in Bezug auf die Polarität des Unterschieds ähnlich zu Abbildung 3 war. Es wurde der Schluss gezogen, dass Augen- und Muskelartefakte, die durch ICA nicht erfolgreich entfernt wurden, den in Abbildung 3 beobachteten Unterschied dominieren könnten. An dieser Stelle kann nicht geschlossen werden, dass die in Abbildung 3 beobachteten Unterschiede —, wenn auch höchstwahrscheinlich echt, von der Gehirnaktivität herrühren.

Eine Reihe signifikanter Effekte im Beta- und High-Beta-Frequenzband (18� Hz) wurden ebenfalls beobachtet. Diese Unterschiede ähnelten den im Gammafrequenzband beobachteten Unterschieden hinsichtlich der Polarität der Unterschiede, obwohl weniger Elektroden signifikant waren. Tabelle A2 fasst die Anzahl der signifikanten Elektroden zwischen jedem Zustand für alle Medien zusammen.

Unterschiede wurden auch in den Theta- und Alpha-Frequenzbändern gefunden, obwohl diese Unterschiede nur für drei Medien (M1, M3 und M6) und nur an bestimmten Stellen auf der Kopfhaut vorhanden waren. In der ergänzenden Abbildung 3 sind Details darüber dargestellt, welche Elektroden sich in den mentalen Zuständen in diesen Frequenzbändern unterschieden. In diesen Frequenzbändern waren nur wenige Elektroden signifikant und die Ergebnisse waren bei den Probanden idiosynkratisch.


Spektrale Asymmetrie und Higuchis fraktale Dimension Messungen der Depression Elektroenzephalogramm

Diese Studie zielte darauf ab, zwei Elektroenzephalogramm (EEG)-Analysemethoden, den spektralen Asymmetrieindex (SASI) und die fraktale Dimension nach Higuchi (HFD), zur Erkennung von Depressionen zu vergleichen. Die lineare SASI-Methode basiert auf der Auswertung des Kräftegleichgewichts in zwei EEG-Frequenzbändern in einem Kanal, der höher und niedriger als das Alphaband-Spektrummaximum ausgewählt wird. Die nichtlineare HFD-Methode berechnet die fraktale Dimension direkt im Zeitbereich. Als Datenbasis für die Berechnungen dienten die Ruhe-EEG-Signale von 17 depressiven Patienten und 17 Kontrollpersonen. Die SASI-Werte waren positiv für depressiv und negativ für die Kontrollgruppe (

). SASI lieferte die wahre Erkennungsrate von 88 % in der depressiven und 82 % in der Kontrollgruppe. Die berechneten HFD-Werte zeigten einen kleinen (3%) Anstieg mit Depression ( ). HFD lieferte die wahre Erkennungsrate von 94 % in der depressiven Gruppe und 76 % in der Kontrollgruppe. Die Rate der korrekten Indikation lag in beiden Gruppen bei 85% mit SASI oder HFD. Statistisch signifikante Unterschiede zwischen den Hemisphären wurden nicht festgestellt (

). Die Ergebnisse zeigten, dass sowohl die lineare EEG-Analysemethode SASI als auch die nichtlineare HFD-Methode eine gute Sensitivität für die Erkennung charakteristischer Merkmale der Depression in einem Einkanal-EEG zeigten.

1. Einleitung

Psychische Störungen sind in der Bevölkerung weit verbreitet. Laut Statistiken des National Institute of Mental Health ist in den Vereinigten Staaten bei etwa einem Viertel der Erwachsenen eine oder mehrere Erkrankungen diagnostizierbar [1]. Die Major Depression ist eine der häufigsten psychischen Störungen: Etwa 6,7 ​​% der Bevölkerung leiden an Depressionen, Tendenz steigend [2].

Die Diagnose einer Depression basiert heute hauptsächlich auf der Erhebung der Intensität subjektiver Symptome mittels Fragebogen und Interview. Auf der anderen Seite wird erwartet, dass sich jede Verschlechterung der Gehirnfunktion in der bioelektrischen Aktivität des Gehirns widerspiegelt. Daher ist die Elektroenzephalographie (EEG) eine wertvolle Methode, um objektive Informationen über die für Depressionen spezifischen Veränderungen der Gehirnphysiologie zu erhalten.

Das Gehirn verhält sich wie ein komplexes nichtlineares System [3–5]. Daher wird erwartet, dass nichtlineare Methoden zur Analyse des EEG-Signals im Vergleich zu linearen Methoden mehr Informationen über die Eigenschaften des Gehirns liefern. In der EEG-Analyse wurden verschiedene lineare und nichtlineare Methoden verwendet, wie Spektren höherer Ordnung, Rezidivquantifizierungsanalyse, Entropie- und Komplexitätsmessungen, Kumulanten usw. [5–8]. Nichtlineare Methoden der EEG-Analyse als fraktale Dimension, Korrelationsdimension und trendbereinigte Fluktuationsanalyse haben sich von vielen Autoren als wirksam erwiesen, um spezielle EEG-Merkmale im Gehirn im Zusammenhang mit Epilepsie, Schizophrenie und Alzheimer-Krankheit zu erkennen [9–13].

Bei der Analyse des Depressions-EEG wurden meist lineare Methoden verwendet. Spezifische Merkmale des Ruhe-EEGs bei Depressionen wie Veränderungen der EEG-Bandstärken und frontale interhemisphärische Asymmetrie wurden von mehreren Autoren berichtet [14-16]. Die diskriminierende Analyse des quantitativen EEG klassifizierte 91,3% der Patienten und Kontrollen richtig [14]. Das Validitätspotenzial der frontalen Alpha-Asymmetrie als klinisches Maß für Depressionen bleibt jedoch unklar [17].

In unserer vorherigen Studie wurde ein Maß zur Bewertung von Depressionen basierend auf den spektralen Frequenzmerkmalen des Ruhe-EEG entwickelt [18, 19]. Der spektrale Asymmetrieindex (SASI) basiert auf der Bewertung der Leistungsbilanz in zwei EEG-Frequenzbändern in einem EEG-Kanal, der höher und niedriger als das Alphaband-Spektrummaximum ausgewählt wurde [18, 19].Im Vergleich zur interhemisphärischen Asymmetrie und Kohärenz bot SASI eine bessere Unterscheidung zwischen depressiven und gesunden Probanden [19].

Zur Anwendung nichtlinearer Methoden zum Nachweis spezifischer EEG-Eigenschaften im Zusammenhang mit Depressionen liegen nur wenige Ergebnisse vor [20, 21]. Die Studie von Hosseinifard et al. zeigt, dass verschiedene Methoden der nichtlinearen EEG-Analyse, einschließlich der detrendierten Fluktuationsanalyse (DFA), der fraktalen Dimension nach Higuchi (HFD), der Korrelationsdimension (CD) und des Lyapunov-Exponenten, eine Klassifikation der Depression ermöglichen. Die Anwendung kombinierter nichtlinearer Merkmale bietet eine bessere Unterscheidung für depressive und normale Probanden (90 %) im Vergleich zur EEG-Bandleistung (76,6 %) [20]. Ahmadlouet al. kamen zu dem Schluss, dass die fraktale Dimension von Katz keinen signifikanten Unterschied im frontalen EEG zwischen depressiven und Kontrollpersonen zeigte, während die fraktale Dimension von Higuchi informativer war [21]. Zur Klassifikation wurden in diesen Studien die maschinellen Lernverfahren Klassifikatoren mit mehrkanaliger EEG-Dateneingabe verwendet [20, 21].

Andererseits wurde in einigen neueren klinischen Anwendungen keine Korrelation zwischen EEG-Biomarkern und Veränderungen des Depressionsmodus während des Behandlungsverlaufs festgestellt [22–24]. Die berichtete Analyse von EEG-Daten aus der Studie zur transkraniellen Magnetstimulation (TMS) zeigte, dass die zu Studienbeginn und während des gesamten Behandlungsverlaufs gemessene EEG-Leistung in mehreren Bändern nicht mit dem eventuellen Ansprechen auf die TMS-Behandlung korrelierte [22]. Während einer Neurofeedback-Sitzung wurde getestet, ob das Gleichgewicht zwischen linker und rechter frontaler Alpha-Aktivität verändert werden kann, jedoch wurden keine Stimmungsänderungen beobachtet [23]. Die Ergebnisse einer anderen Studie zeigten einen negativen Zusammenhang zwischen der parietal-okzipitalen Alpha-Power im Ruhezustand mit offenen Augen und der Schwere der Depression, die durch den vom Gehirn abgeleiteten neurotrophen Faktor als einer der wichtigen Faktoren in der Ätiologie einer Major Depression geschätzt wird [24]. Die in den oben genannten klinischen Studien berichteten Ergebnisse bestätigen, dass die lineare EEG-Analyse, basierend auf der absoluten Stärke der EEG-Rhythmen, keine Veränderungen des Schweregrads der Depression während des gesamten Behandlungsverlaufs erkennt [22–24]. Daher sind Studien zur Auswahl empfindlicherer zuverlässiger EEG-Analysemethoden zur Erkennung von Depressionen erforderlich.

Idee dieser Studie war der Vergleich von linearen und nichtlinearen EEG-Analysemethoden zur Diskriminierung von Depressionen. Die Auswahl der Vergleichsmethoden basierte zum einen auf den bisherigen Ergebnissen der Methode und zum anderen auf der Einfachheit des Berechnungsalgorithmus.

Unsere bisherigen Ergebnisse zeigten, dass die lineare SASI-Methode eine höhere Sensitivität für die Erkennung von Depressionen bietet als andere Methoden wie interhemisphärische Asymmetrie oder Kohärenz bei vergleichbarer Kompliziertheit der Rechenalgorithmen [19].

Es hat sich gezeigt, dass HFD im Vergleich zur fraktalen Dimension von Katz eine bessere Diskriminierung (91,3%) bietet [21]. Ein Vergleich von CD, HFD und DFA zur Klassifikation der Depression zeigte, dass CD die höchste Sensitivität aufwies (Klassifikation 83,3 %), während die HFD- und DFA-Sensitivität etwas niedriger war (76,6 %) [20]. HFD berechnet jedoch die fraktale Dimension von Zeitreihen direkt im Zeitbereich, und der HFD-Algorithmus ist im Vergleich zu CD- (und auch DFA-) Berechnungsalgorithmen viel einfacher und schneller [25]. Daher wurden SASI als lineare und HFD als nichtlineare EEG-Analysemethode zum Vergleich bei der Analyse des Depressions-EEG in dieser Studie ausgewählt.

2. Materialien und Methoden

2.1. EEG-Signale

Die Ruheaugen-EEG-Signale von 17 depressiven Patienten und 17 Kontrollpersonen wurden als Datenbank für die Berechnung des spektralen Asymmetrieindex und der fraktalen Dimension von Higuchi verwendet. Die Gruppe der depressiven Patienten bestand aus weiblichen Probanden ohne antidepressive Behandlung, Durchschnittsalter 39 Jahre, Standardabweichung 12 Jahre. Die Kontrollgruppe umfasste nach Alter abgestimmte gesunde weibliche Probanden. Die EEG-Aufzeichnungen wurden in einem elektrisch und akustisch abgeschirmten abgedunkelten Laborraum durchgeführt, um äußere Störungen zu vermeiden. Die untersuchten Probanden lagen während der Aufnahmen in entspannter Position mit geschlossenen Augen.

Die 5-Minuten-EEG-Signale wurden von 18 Kanälen gemäß dem internationalen 10-20-Elektrodenpositionsklassifizierungssystem aufgezeichnet. Das Cadwell Easy II EEG-Messgerät wurde zur Aufzeichnung von EEG-Rohsignalen mit einem Frequenzband von 0,3–70 Hz verwendet. Die EEG-Signale wurden mit einem Butterworth-Bandpassfilter von 0,5–48 Hz mit einer Dämpfung von 100 dB im Sperrbereich weiter gefiltert und auf einem Computer mit einer Abtastfrequenz von 400 Hz gespeichert. Ein Beispiel für das aufgezeichnete EEG-Signal ist in Abbildung 1 dargestellt.


Die Studie wurde in Übereinstimmung mit der Deklaration von Helsinki durchgeführt und von der Ethikkommission für medizinische Forschung in Tallinn genehmigt.

Die EEG-Analyse wurde offline mit der Matlab-Software durchgeführt. SASI und HFD wurden in frontalen FP1 und FP2, temporalen T3 und T4, parietalen P3 und P4 und okzipitalen O1 und O2 EEG-Kanälen unter Verwendung von Cz als Referenz berechnet.

2.2. Spektrale Asymmetrie-Indexmethode – SASI

Das Prinzip von SASI ist die Schätzung der spektralen Asymmetrie des EEG-Spektrums bezüglich seines Maximums im Alpha-Band [18]. Dazu wird in einem EEG-Kanal die relative Differenz der Leistungen in den höher und niedriger als Alpha gewählten Frequenzbändern berechnet. Um das Gleichgewicht zweier Leistungen in niedrigeren und höheren EEG-Frequenzbändern zu erreichen, muss die Breite der ausgewählten Bänder den Unterschied in der EEG-Spektraldichte kompensieren. Die zentralen (Alpha-)Bandfrequenzen werden von der Analyse ausgeschlossen. Die für die Berechnung von Frequenzbändern ausgewählten Grenzfrequenzen wurden unter Berücksichtigung des individuellen Alphas eines Probanden angepasst.

Das prinzipielle Schema des SASI-Verfahrens ist in Abbildung 2 dargestellt. Die Grenzfrequenzen der unteren und höheren Frequenzbänder beziehen sich auf die Mittenfrequenz des Spektrums

, befindet sich im Alpha-Band. Das untere Frequenzband wurde ausgewählt aus

Das höhere Frequenzband wurde ausgewählt aus

Bei dieser Auswahl wird angenommen, dass die Alpha-Bandbreite gleich 4 Hz ist. Die Breite des unteren Frequenzbandes wird ebenfalls mit 4 Hz gewählt, nahe dem traditionellen Theta-Band. Das höhere Frequenzband ist aus 24 Hz ausgewählt und deckt die EEG-Beta-Band-Frequenzen ab. Die ausgewählten Bänder sind nicht unbedingt auf die Frequenzen herkömmlicher EEG-Bänder abgestimmt. Die Bandbreiten wurden in unseren vorherigen Studien empirisch ausgewählt [19].


—Maximum der parabolischen Näherung

—untere und höhere Grenzfrequenzen des unteren EEG-Frequenzbandes

Die Werte der EEG-Leistungen in den interessierenden Frequenzbändern, die höher und niedriger des Spektrumsmaximums ausgewählt wurden, wurden für jeden EEG-Kanal berechnet

. Die Leistung im unteren Frequenzband

wobei die Frequenzen und durch die Bedingungen (1) bestimmt werden und die spektrale Leistungsdichte des aufgezeichneten EEG-Signals ist. Die Leistung im höheren Frequenzband

wurde als berechnet, wobei Häufigkeiten und durch Bedingungen (2) bestimmt werden. Die spektrale Leistungsdichte des Signals wurde mit dem gemittelten Periodogramm-Verfahren von Welch berechnet. Das Signal wurde in eine Reihe von überlappten Segmenten (50% Überlappung) mit einer Länge von 1024 Abtastwerten unterteilt. Jedes Segment wurde mit der Hanning-Fensterfunktion multipliziert:

Dabei ist ein Sample-Index und die Anzahl der Samples in einem Segment. Das Periodogramm wurde durch Anwenden einer schnellen Fourier-Transformation auf ein gefenstertes Segment und Zeitmittelung des Ergebnisses berechnet.

Der allgemeine Algorithmus zur Berechnung von SASI stellt die relative Differenz der EEG-Leistungen in den Frequenzbändern dar, die höher und niedriger als die Alpha-Band-Frequenzen ausgewählt wurden:

wobei wird durch (3) und durch (4) bestimmt.

Die Formel (6) ermöglicht eine Differenzierung zwischen depressiven und Kontrollpersonen unter Verwendung des Nullniveaus für die Entscheidungsfindung: eine Person wird durch einen positiven SASI-Wert als depressiv und durch einen negativen SASI-Wert als nicht depressiv identifiziert.

Die Anpassung des SASI-Berechnungsalgorithmus an das individuelle Subjekt erfolgte unter Berücksichtigung individueller Alpha-Frequenzen der Patienten (Abbildung 2). Die Mittenfrequenz des Spektrums wurde mit parabolischer Näherung des Spektrums im Alpha-Band berechnet. Der Grund für einen solchen Ansatz war, dass das reale EEG-Spektrum nicht glatt ist und verschiedene Seitenspitzen die Leistungsverteilung beeinflussen können. Zunächst die Frequenz mit der maximalen Spektralleistung

im Bereich der Alpha-Bande (8–13 Hz) des aufgezeichneten EEG-Signals geschätzt. Danach wurde die parabolische Näherung auf das Spektrum des EEG-Frequenzbandes angewendet (

Hz). Die parabolische Näherung wurde durchgeführt, indem die Koeffizienten einer Polynomfunktion gefunden wurden, die im Sinne der kleinsten Quadrate zu den Daten passt. Die Berechnungen wurden mit dem Matlab POLYFIT-Tool durchgeführt. Der Maximalpunkt der angepassten Parabel wurde als Mittenfrequenz des Spektrums für ein einzelnes Subjekt verwendet.

2.3. Higuchis Methode der fraktalen Dimension – HFD

Der HFD-Algorithmus berechnet die fraktale Dimension von Zeitreihen direkt im Zeitbereich [25]. Es basiert auf einem Längenmaß

der Kurve, die die betrachtete Zeitreihe darstellt, während ein Segment von Stichproben als Einheit verwendet wird, wenn Skalen wie

Der Wert der fraktalen Dimension FD wurde nach folgendem Algorithmus berechnet [25]. Aus gegebener Zeitreihe

, eine neue Serie ist wie folgt aufgebaut:

Die Länge jeder Kurve berechnet sich nach der Formel:

Die Länge der Kurve für das Zeitintervall wird als Mittelwert über Werte von , definiert. Bei Skalen wie , hat die Kurve die fraktale Dimension FD, die mithilfe der linearen Regression des Graphen berechnet wird:

nach folgender Formel:

wobei , , , und die Anzahl der -Werte bezeichnet, für die die lineare Regression berechnet wird (

FD wurde in 2000 Samples (5 s) Fenster berechnet, und das Fenster wurde mit Parameter um 200 Samples (0,5 s) verschoben. Die Länge jedes EEG-Signals betrug 5 Minuten, was 591 FD-Werte für ein Signal ergab. FD für ein Subjekt und einen Kanal wurde durch Mittelung über alle FD-Werte für ein Signal erreicht.

Nach unserem besten Wissen gibt es keine mutmaßlichen Entscheidungskriterien für den HFD-Wert, die depressive und gesunde Personen unterscheiden. Daher wählten wir die Entscheidungsebene für die Unterscheidung von depressiven und nicht depressiven Probanden als durchschnittlichen HFD-Wert plus Standardabweichung für die Kontrollgruppe: Die Probanden mit HFD-Werten über dem ausgewählten Grenzwert wurden als depressiv identifiziert und umgekehrt.

2.4. Statistiken

Die Wahrscheinlichkeit der Differenzierung zwischen depressiven und Kontrollpersonen auf der Grundlage der berechneten SASI- oder HFD-Werte wurde mit Student

-Test auf zweiseitige Verteilung mit ungleicher Varianz bei zwei Stichproben. Das Konfidenzniveau von wurde als statistisch signifikant angesehen.

3. Ergebnisse

3.1. SASI-Methode

Abbildung 3 zeigt berechnete SASI-Werte, gemittelt über die Gruppen von Depressiven und Kontrollpersonen. Die Grafiken zeigen deutlich positive durchschnittliche SASI-Werte für depressiv und negativ für die Kontrollgruppe in allen EEG-Kanälen. Der deutlichste Unterschied zwischen depressiver und Kontrollgruppe tritt in den parietalen Kanälen auf.


Die numerischen Werte der berechneten Parameter und die statistische Analyse der Ergebnisse sind in Tabelle 1 dargestellt. Der über alle EEG-Kanäle gemittelte SASI-Wert beträgt 0,200 in der depressiven und -0,136 in der Kontrollgruppe. Die Standardabweichungswerte sind mit den Durchschnittswerten vergleichbar und sogar höher. Trotzdem unterscheidet die SASI-Methode deutlich depressive und gesunde Probanden, und es wurden statistisch signifikante Unterschiede zwischen den Gruppen in allen EEG-Kanälen festgestellt.

Werte, die depressive und Kontrollgruppe unterscheiden.

Die SASI-Werte in den P3- und P4-EEG-Kanälen für depressive Einzelpatienten sind in Abbildung 4 und Kontrollpersonen in Abbildung 5 dargestellt. Die einzelnen SASI-Werte variierten von -0,32 bis 0,76 bei depressiven und von -0,47 bis 0,28 in der Kontrollgruppe. Bemerkenswerte Unterschiede zwischen den einzelnen Probanden erklären die hohen Werte der Standardabweichung in Tabelle 1. Die SASI-Werte sind für 15 depressive Probanden (88%) positiv und nur für 2 Probanden negativ. In der Kontrollgruppe war der SASI bei 14 (82%) negativ und bei 3 Personen positiv. Der Anteil der richtig angegebenen Probanden in beiden Gruppen beträgt 85%.



Die SASI-Werte, wie in den Abbildungen 3, 4 und 5 sowie in Tabelle 1 dargestellt, sind in der rechten und linken Hemisphäre vergleichbar, ein statistisch signifikanter Unterschied zwischen symmetrischen Kanälen wurde nicht festgestellt ( ).

3.2. HFD-Methode

Berechnete HFD-Werte, gemittelt über alle Probanden, sind in Abbildung 6 dargestellt. Der Anstieg von HFD mit Depression ist in allen EEG-Kanälen offensichtlich. Die numerischen Werte der berechneten HFD-Parameter und die Ergebnisse der statistischen Analyse sind in Tabelle 2 dargestellt. Der über alle EEG-Kanäle gemittelte Wert des Depressions-HFD (1.709) ist höher als in der Kontrollgruppe (1.659). Der durchschnittliche Anstieg der HFD-Werte bei Depression beträgt 0,05 (3%). Die durchschnittlichen Standardabweichungen in depressiven (0,0487) und Kontrollgruppen (0,0462) sind mit der durchschnittlichen HFD-Differenz zwischen den Gruppen (0,05) vergleichbar. Ein klarer Anstiegstrend mit Depression führt jedoch zu statistisch signifikanten Unterschieden zwischen depressiven und Kontrollgruppen in temporalen, parietalen und okzipitalen Kanälen (Tabelle 2).

Werte, die depressive und Kontrollgruppe unterscheiden.


Die HFD-Werte in den P3- und P4-EEG-Kanälen für einzelne Patienten in der depressiven Gruppe sind in Abbildung 7 und in der Kontrollgruppe in Abbildung 8 dargestellt. Die HFD-Werte variierten von 1,64 bis 1,78 in der depressiven und von 1,61 bis 1,715 in der Kontrollgruppe. Die Variabilität zwischen den einzelnen Fächern erreicht 22%. Eine hohe Variabilität zwischen einzelnen Probanden überwiegt Veränderungen der HFD im Zusammenhang mit Depressionen (durchschnittlich 3%).



Die Entscheidungsebene zur Differenzierung einzelner Probanden, bestimmt als mittlerer HFD-Wert plus Standardabweichung, beträgt 1,6960 in Kanal P3 und 1,6989 in Kanal P4. Entsprechend dem Differenzierungsgrad werden 16 (94%) Probanden als depressiv und 1 Proband als nicht depressiv in der depressiven Gruppe mit Signalen im Kanal P3 identifiziert. Die Signale in Kanal P4 zeigen genau das gleiche Ergebnis. In der Kontrollgruppe wurden 13 (76%) Probanden mit Signalen in Kanal P3 als nicht depressiv angegeben. Die Signale von Kanal P4 zeigten auch 13 (76%) Probanden als nicht depressiv an, jedoch wurden zwei Probanden (10 und 13 in Abbildung 8) unterschiedlich unter Verwendung von Signalen in Kanal P3 oder P4 angezeigt. Die Rate der korrekt angezeigten Probanden in beiden Gruppen beträgt 85 %, basierend auf der Analyse der Signale in einem einzelnen Kanal P3 oder P4.

Symmetrie für HFD-Werte in symmetrischen EEG-Kanälen der rechten und linken Hemisphäre ist auf Gruppenebene offensichtlich (Abbildung 6). Eine gewisse interhemisphärische Asymmetrie der HFD-Werte ist für Individuen in depressiven und Kontrollgruppen erkennbar (Abbildungen 7 und 8). Der Unterschied der interhemisphärischen Asymmetrie zwischen depressiver und Kontrollgruppe erschien jedoch statistisch nicht signifikant ( ).

4. Diskussion

Die in den Abbildungen 3 und 6 sowie den Tabellen 1 und 2 dargestellten Ergebnisse zeigen, dass beide EEG-Analysemethoden, SASI und HFD, spezifische Depressionsmerkmale im EEG klar unterscheiden. Beide Methoden zeigten die besten Ergebnisse in parietalen EEG-Kanälen. SASI und HFD nahmen beide bei Depressionen zu.

SASI zeigte einen bemerkenswerten Anstieg, der eine Änderung der Polarität des Parameters verursachte, während der berechnete HFD nur einen geringen Anstieg (3%) mit Depression anzeigte. Trotz eines relativ geringen Anstiegs von HFD waren die Veränderungen in allen EEG-Kanälen ( ), außer im Frontalbereich, statistisch signifikant. Ähnliche relativ kleine, aber signifikante Veränderungen der HFD-Werte wurden auch bei anderen psychischen Erkrankungen wie Schizophrenie berichtet [11]. Ein noch geringerer Anstieg des HFD (1,3%) deutete auf statistisch signifikante Veränderungen des EEG durch Mikrowellen-Exposition hin [26]. Das unterschiedliche Verhalten der SASI- und HFD-Methoden bei der Erkennung von Depressionen kann durch die unterschiedliche Natur der linearen und nichtlinearen EEG-Analyse erklärt werden.

SASI bezeichnete 15 (88%) Patienten als depressiv und HFD bezeichnete 16 (94%) Patienten als depressiv in der depressiven Gruppe. Der Patient, der von HFD nicht als depressiv angegeben wurde, wurde auch von SASI nicht als depressiv angegeben. SASI gab 14 (82%) Probanden als nicht depressiv an und HFD gab 13 (76%) Probanden als nicht depressiv in der Kontrollgruppe an. SASI und HFD identifizierten beide die gleichen 12 Probanden als nicht depressiv in der Kontrollgruppe. Zwei Probanden wurden von SASI und HFD unterschiedlich identifiziert. Die Gesamtzahl der Patienten, die in der depressiven Gruppe und in der Kontrollgruppe richtig identifiziert wurden, waren 29 (85%) für SASI und HFD gleich. Die gleichen Zahlen für HFD- und EEG-Leistungsmerkmale wurden auch von anderen Autoren für die Genauigkeit der Klassifizierung (76,6%) berichtet [20]. HFD als nichtlineare Methode zeigte eine etwas höhere Sensitivität für die Detektion von Depressionen (94%) im Vergleich zu SASI (88%).

Die sehr hohe Variabilität der SASI- (Abbildungen 4 und 5) und HFD-Werte (Abbildungen 7 und 8) für einzelne Probanden (HFD variiert um 22%) übersteigt die Differenz der Maße zwischen depressiven und Kontrollgruppen (3 % bei HFD). Bei den meisten physiologischen Prozessen und Maßnahmen zeigt sich eine hohe interindividuelle Variabilität. Dieser Faktor kann weder für SASI- noch für HFD-EEG-Analysemethoden als Nachteil angesehen werden.

Die Ergebnisse der SASI-Methode unterscheiden sich von den Ergebnissen anderer linearer Methoden zur Erkennung von Depressionen [14-16]. Zunächst erkennt SASI die bemerkenswertesten Veränderungen in der parietalen und nicht in der frontalen Hirnregion wie bei der frontalen interhemisphärischen Asymmetrie [14–16]. Bemerkenswert ist auch, dass der berechnete SASI für alle symmetrischen Kanäle der rechten und linken Hemisphäre sehr ähnlich ist, während die interhemisphärische Asymmetrie als ein sehr spezifisches Merkmal des depressiven EEG berichtet wurde [14-16]. Um diese Symmetrie zu erklären, müssen wir bedenken, dass SASI auf der relativen Differenz der Leistungen zweier EEG-Frequenzbänder im selben EEG-Kanal basiert. Die relative Differenz hängt nicht von den absoluten Leistungspegeln ab. Daher beeinflusst eine mögliche Asymmetrie der EEG-Leistungen in verschiedenen Hemisphären nicht die relative Verteilung der Leistungen zwischen zwei Frequenzbändern in einem Kanal. Folglich steht die interhemisphärische Symmetrie von SASI nicht im Widerspruch zu einer möglichen interhemisphärischen Asymmetrie der EEG-Leistung.

Das mit der HFD-Methode erzielte Ergebnis ist nicht direkt mit Studien anderer Autoren zum Depressions-EEG vergleichbar [20, 21]. Die Autoren berichteten nur über die Ergebnisse der Klassifikation des EEG bei Depressionen durch genetische Algorithmen [20]. HFD-Berechnungen wurden nur als Input für die Klassifizierungstechnik verwendet, und Informationen über die HFD-Werte selbst wurden nicht bereitgestellt [20]. In einer anderen Studie haben Ahmadlou et al.berechnete HFD nur im Frontalbereich und zeigte signifikante Unterschiede zwischen depressiven und Kontrollgruppen nur in den EEG-Beta- und Gamma-Banden [21]. Der HFD ist als empfindlich gegenüber Rauschen und Frequenzband bekannt [9]. Daher sind die Ergebnisse von Studien, die an Signalen verschiedener Frequenzbänder durchgeführt wurden, nicht vergleichbar. Unsere Ergebnisse lassen sich am ehesten mit Vollband-EEG-Ergebnissen in der Studie von Ahmadlou et al. vergleichen, wo auch im frontalen Bereich die Unterscheidung zwischen depressiver und Kontrollgruppe nicht erfolgreich war. Leider haben Ahmadlou et al. betrachteten HFD nicht im parietookzipitalen Bereich, wo die beste Diskriminierung in dieser Studie auftrat.

Die SASI-Methode zeigte einen signifikanten Unterschied zwischen Depression und normalem EEG in allen EEG-Kanälen (Tabelle 1), während die HFD-Methode einen signifikanten Unterschied in temporalen, parietalen und okzipitalen Kanälen feststellte (Tabelle 2). Auch im Frontalbereich erscheint der SASI weniger empfindlich (Abbildung 3, Tabelle 1). Der Grund für die geringere Sensitivität der Methoden im Frontalbereich liegt höchstwahrscheinlich in der höheren Variabilität des Frontal-EEGs. Die erhöhte Variabilität der Frontalsignale verhält sich wie ein zusätzliches Rauschen. Der Algorithmus von Higuchi ist dafür bekannt, empfindlich auf den Rauschpegel zu reagieren [6]. Daher verliert die HFD-Methode, da sie empfindlicher gegenüber Rauschen ist, ihre Empfindlichkeit in frontalen EEG-Kanälen. Die Empfindlichkeit der SASI-Methode als einfacherer und robusterer Ansatz scheint nicht so stark durch das Rauschen beeinflusst zu werden. Andererseits zeigte die HFD-Methode im parietalen Bereich, wo die Signale stabiler sind, eine bessere Diskriminierung (Tabelle 2) im Vergleich zu SASI (Tabelle 1).

Beide Methoden, SASI und HFD, haben einige Gemeinsamkeiten bei der Erkennung von Depressionen. Erstens unterscheiden die Methoden Depressionen am effektivsten im parietalen Gehirnbereich. Zweitens zeigen die Methoden keinen statistisch signifikanten Unterschied in der Asymmetrie der Hemisphären zwischen depressiven und Kontrollgruppen, da keine der Methoden vom absoluten Niveau des EEG-Signals abhängt. Aus diesem Grund widerspricht die unentdeckte interhemisphärische Asymmetrie mit SASI- und HFD-Methoden nicht einer möglichen interhemisphärischen Asymmetrie der EEG-Leistung, die mit anderen EEG-Analysemethoden entdeckt wurde.

5. Schlussfolgerungen

Beide Methoden, SASI und HFD, ermöglichen eine klare Unterscheidung depressiver Merkmale in einem Einkanal-EEG und zeigen statistisch signifikante Unterschiede zwischen depressiven und Kontrollgruppen. Vorteile sowohl der SASI- als auch der HFD-Methode im Vergleich zu anderen EEG-Analysemethoden sind (i) die Erkennung von Depressionen unter Verwendung eines Einkanal-EEG-Signals (ii) einfache und schnelle Berechnungsalgorithmen.

Der Vorteil der SASI-Methode im Vergleich zur HFD ist, dass keine Entscheidungsfindung stattfindet, was eine einfache Positiv-Negativ-Unterscheidung zwischen depressiven und Kontrollpersonen ermöglicht. Der erwartete Vorteil von HFD als nichtlinearer Methode war eine höhere Sensitivität im Vergleich zu SASI, die im hinteren Hirnbereich mit geringerer natürlicher Variabilität des EEG-Signals nachgewiesen wurde.

Der Nachteil von HFD gegenüber SASI ist die kompliziertere Unterscheidung zwischen einzelnen depressiven und Kontrollpersonen aufgrund der relativ geringen Differenz zwischen den HFD-Werten.

Der Hauptnachteil beider Methoden, SASI und HFD, besteht darin, dass verschiedene Gehirnerkrankungen außer Depressionen ähnliche Veränderungen der Maßnahmen verursachen können. Daher sind weitere Untersuchungen beider Methoden an unabhängigen und größeren Datenbanken dringend erforderlich.

Wissen

Diese Studie wurde von der Europäischen Union durch den Europäischen Fonds für regionale Entwicklung unterstützt.

Verweise

  1. „Nationales Institut für psychische Gesundheit, jede Störung bei Erwachsenen“, http://www.nimh.nih.gov/statistics/1ANYDIS徭ULT.shtml. Ansehen bei: Google Scholar
  2. „Nationales Institut für psychische Gesundheit, schwere depressive Störung bei Erwachsenen“, http://www.nimh.nih.gov/statistics/1MDD徭ULT.shtml. Ansehen bei: Google Scholar
  3. K. J. Friston: „Das labile Gehirn. I. Neuronale Transienten und nichtlineare Kopplung“, Philosophische Transaktionen der Royal Society B, Bd. 355, Nr. 1394, S. 215–236, 2000. Ansicht bei: Google Scholar
  4. J. A. Roberts und P. A. Robinson, „Quantitative Theorie der angetriebenen nichtlinearen Gehirndynamik“, Neuroimage, Bd. 62, nein. 3, S. 1947–1955, 2012. Ansicht bei: Google Scholar
  5. C. J. Stam, "Nichtlineare dynamische Analyse von EEG und MEG: Überprüfung eines aufstrebenden Feldes", Klinische Neurophysiologie, Bd. 116, Nr. 10, S. 2266–2301, 2005. View at: Publisher Site | Google Scholar
  6. A. Accardo, M. Affinito, M. Carrozzi und F. Bouquet, „Nutzung der fraktalen Dimension für die Analyse elektroenzephalographischer Zeitreihen“, Biologische Kybernetik, Bd. 77, nein. 5, S. 339–350, 1997. Ansicht bei: Google Scholar
  7. J. Dauwels, F. Vialatte und A. Cichocki, „Diagnose der Alzheimer-Krankheit anhand von EEG-Signalen: Wo stehen wir?“ Aktuelle Alzheimer-Forschung, Bd. 7, nein. 6, S. 487–505, 2010. View at: Publisher Site | Google Scholar
  8. A. Fernández, C. Gómez, R. Hornero und J.J. López-Ibor, „Komplexität und Schizophrenie“, Fortschritte in der Neuro-Psychopharmakologie & Biologische Psychiatrie, Bd. 45, S. 267–276, 2013. Ansicht bei: Google Scholar
  9. T. Q. D. Khoa, V. Q. Ha und V. V. Toi, "Higuchi fraktale Eigenschaften des Elektroenzephalogramms mit beginnender Epilepsie", Computergestützte und mathematische Methoden in der Medizin, Bd. 2012, Artikel-ID 461426, 6 Seiten, 2012. Ansicht auf: Publisher-Site | Google Scholar
  10. D. Abasolo, R. Hornero, J. Escudero und P. Espino, „Eine Studie über die mögliche Nützlichkeit der trendbereinigten Fluktuationsanalyse der Elektroenzephalogramm-Hintergrundaktivität bei der Alzheimer-Krankheit.“ IEEE Transaction on Biomedical Engineering, Bd. 55, S. 2171–2179, 2008. Ansicht bei: Google Scholar
  11. M. Sabeti, S. Katebi und R. Boostani, „Entropie- und Komplexitätsmaße für die EEG-Signalklassifizierung von schizophrenen und Kontrollteilnehmern“, Künstliche Intelligenz in der Medizin, Bd. 47, nein. 3, S. 263–274, 2009. View at: Publisher Site | Google Scholar
  12. P. E. McSharry, L. A. Smith und L. Tarassenko, „Vergleich der Vorhersagbarkeit epileptischer Anfälle durch eine lineare und eine nichtlineare Methode“, IEEE-Transaktionen zur biomedizinischen Technik, Bd. 50, nein. 5, S. 628–633, 2003. Ansicht bei: Google Scholar
  13. C. P. Jayapandian, C. H. Chen, A. Bozorgi, S. D. Lhatoo, G. Q. Zhang und S. S. Sahoo, „Electrophysiological Signal Analysis and Visualization using Cloudwave for Epilepsy, Clinical Research“, Studium der Gesundheitstechnik und Informatik, Bd. 192, S. 817–821, 2013. Ansicht bei: Google Scholar
  14. V. Knott, C. Mahoney, S. Kennedy und K. Evans, „EEG-Leistung, Frequenz, Asymmetrie und Kohärenz bei männlicher Depression“ Psychiatrieforschung, Bd. 106, Nr. 2, S. 123–140, 2001. View at: Publisher Site | Google Scholar
  15. D. Mathersul, L. M. Williams, P. J. Hopkinson und A. H. Kemp, „Untersuchung von Affektmodellen: Beziehungen zwischen EEG-Alpha-Asymmetrie, Depression und Angst“, Emotion, Bd. 8, nein. 4, S. 560–572, 2008. View at: Publisher Site | Google Scholar
  16. J. J. B. Allen, H. L. Urry, S. K. Hitt und J. A. Coan, „Die Stabilität der ruhenden frontalen elektroenzephalographischen Asymmetrie bei Depression“, Psychophysiologie, Bd. 41, Nr. 2, S. 269–280, 2004. View at: Publisher Site | Google Scholar
  17. C. Gold, J. Fachner und J. Erkkilä, „Gültigkeit und Zuverlässigkeit der elektroenzephalographischen frontalen Alpha-Asymmetrie und frontalen Mittellinien-Theta als Biomarker für Depressionen“, Skandinavisches Journal für Psychologie, Bd. 54, Nr. 2, S. 118–126, 2013. Ansicht bei: Google Scholar
  18. H. Hinrikus, M. Bachmann, J. Lass et al., „Methode und Gerät zur Diagnose einer psychischen Störung durch Messung bioelektromagnetischer Signale des Gehirns“, US8244341B1, 2012. Ansicht bei: Google Scholar
  19. H. Hinrikus, A. Suhhova, M. Bachmann et al., „Elektroenzephalographischer Spektralasymmetrieindex zur Erkennung von Depressionen“, Medizin- und Biotechnik und Informatik, Bd. 47, nein. 12, S. 1291–1299, 2009. Ansicht auf: Verlagsseite | Google Scholar
  20. B. Hosseinifard, M. H. Moradi und R. Rostami, „Klassifizierung von Depressionspatienten und normalen Probanden mit maschinellen Lerntechniken und nichtlinearen Merkmalen aus dem EEG-Signal“, Computermethoden und -programme in der Biomedizin, Bd. 109, Nr. 3, S. 339–345, 2013. Ansicht bei: Google Scholar
  21. M. Ahmadlou, H. Adeli und A. Adeli, „Fraktalitätsanalyse des Frontalhirns bei schweren depressiven Störungen“, Internationale Zeitschrift für Psychophysiologie, Bd. 8, nein. 2, S. 206–211, 2012. Ansicht bei: Google Scholar
  22. A. S. Widge, D. H. Avery und P. Zarkowski, „Grundlinien- und behandlungsbedingte EEG-Biomarker der Reaktion auf Antidepressiva sagen keine Reaktion auf repetitive transkranielle Magnetstimulation voraus.“ Gehirnstimulation, 2013. Ansicht auf: Website des Herausgebers | Google Scholar
  23. F. Peeters, J. Ronner, L. Bodar, J. van Os und R. Lousberg, „Validierung eines Neurofeedback-Paradigmas: Manipulation der frontalen EEG-Alpha-Aktivität und ihrer Auswirkung auf die Stimmung“, Internationale Zeitschrift für Psychophysiologie, 2013. Ansicht auf: Website des Herausgebers | Google Scholar
  24. H. F. Zoon, C. P. Veth, M. Arns et al., „EEG-Alpha-Leistung als Zwischenmaß zwischen dem vom Gehirn abgeleiteten neurotrophen Faktor Val66Met und dem Schweregrad der Depression bei Patienten mit schwerer depressiver Störung“, Zeitschrift für Klinische Neurophysiologie, Bd. 30, nein. 3, S. 261–272, 2013. Ansicht bei: Google Scholar
  25. T. Higuchi, „Ansatz einer unregelmäßigen Zeitreihe auf der Grundlage der Fraktaltheorie“, Physica D, Bd. 31, Nr. 2, S. 277–283, 1988. Ansicht bei: Google Scholar
  26. H. Hinrikus, M. Bachmann, D. Karai et al., „Higuchis fraktale Dimension zur Analyse der Wirkung externer periodischer Stressoren auf elektrische Schwingungen im Gehirn“, Medizin- und Biotechnik und Informatik, Bd. 49, nein. 5, S. 585–591, 2011. View at: Publisher Site | Google Scholar

Urheberrechte ©

Copyright © 2013 Maie Bachmann et al. Dies ist ein Open-Access-Artikel, der unter der Creative Commons Attribution License vertrieben wird und die uneingeschränkte Verwendung, Verbreitung und Reproduktion in jedem Medium erlaubt, vorausgesetzt, das Originalwerk wird ordnungsgemäß zitiert.


4 EEG-ERGEBNISSE

4.1 Prästimulusleistung sagt visuelle Wahrnehmungsbewertungen voraus, aber keine Diskriminationsgenauigkeit

Abbildung 2a Diagramme T gemittelte Werte über alle Elektroden zu jedem Zeitpunkt (von − 1 bis + 0,7 s nach dem Stimulus), die die Stärke der EEG-Leistungs-PAS-Bewertungsbeziehung angeben, während der Einfluss der Stimulusstärke (Briefpräsentationszeit) auf die PAS-Bewertungen kontrolliert wird, über Frequenzen von 3–40 Hz. Diese T Werte stellen Tests auf Gruppenebene dar, ob der Regressionskoeffizient (EEG-Power versus PAS-Bewertung) z Scores aus den einzelnen Single-Trial-Analysen zeigten eine systematische lineare Beziehung zwischen den Teilnehmern. Wir fanden einen signifikant negativen Cluster (dh niedrige Power war mit hohen PAS-Ratings und hohe Power mit niedrigen PAS-Ratings verbunden), der sich sowohl über die Zeitpunkte vor als auch nach dem Stimulus erstreckte (−0,84 bis 0,7 s relativ zum Reizbeginn, 3– 31 Hz: Cluster-Statistik = −24.019, P = 0,0035). Für BFs von diesen Elektrodenfrequenzpunkten, die im signifikanten negativen Cluster enthalten sind, der Prozentsatz der Datenpunkte, die Beweise für H . liefern1 weit unter denen, die Beweise für H . liefern0 (siehe Abbildung 2a, unterer Einschub). In der interessierenden Vorstimulusperiode war der Effekt über fast alle Elektroden breit verteilt, jedoch mit einem rechts-posterioren Maximum (siehe Abbildung 2b, linke Karte: Daten gemittelt über alle Elektroden-Zeit-Frequenz-Punkte im Cluster von − 1 bis 0 s relativ zum Reizbeginn). Abbildung 2b (rechte Karte) zeigt die topographischen Darstellungen des Post-Stimulus-Teils des negativen Clusters. Abbildung 2c (linkes Feld) zeigt die gruppengemittelten Frequenzspektren, die separat für Versuche mit hoher PAS-Bewertung (rote Linien) und Versuche mit niedriger PAS-Bewertung (schwarze Linien) berechnet wurden, ausgehend von dem dem Peak entsprechenden Datenpunkt T Wert im Prästimulus-Cluster (Elektrode POz, −0,54 s). Im Vergleich zu Studien mit niedriger PAS-Bewertung waren Studien mit hoher PAS-Bewertung mit einer verringerten Alpha-Power vor dem Stimulus verbunden. Dieser Effekt war bei allen Teilnehmern sehr konsistent, wie das Streudiagramm (Abbildung 2c, rechtes Feld) der Differenz der mittleren 10-Hz-Leistung zwischen den Versuchen mit hoher und niedriger PAS-Bewertung für jeden Teilnehmer zeigt.

Im Gegensatz dazu wurde keine Beziehung zwischen der EEG-Leistung und der Identifizierungsgenauigkeit gefunden, während der Einfluss der Stimulusstärke auf die Genauigkeit weder während der Zeit vor als auch nach der Stimulation kontrolliert wurde (Abbildung 2d). Für BFs von jenen Elektrodenfrequenzpunkten, die in dem signifikant negativen Cluster aus der Bewusstseinsanalyse enthalten sind, der Prozentsatz der Datenpunkte, die Beweise für H . liefern0 weit unter denen, die Beweise für H . liefern1, während der Vorstimulusperiode, obwohl dieses Muster dazu neigte, sich nach dem Stimulus umzukehren (siehe Abbildung 2d, unterer Einschub). Abbildung 2e (linkes Feld) zeigt die gruppengemittelten Frequenzspektren, die getrennt für richtige (rote Linien) und falsche Versuche (schwarze Linien) vom Datenpunkt entsprechend dem Peak berechnet wurden T Wert in der visuellen Wahrnehmungsanalyse (Elektrode POz, −0,54 s). Es wurde kein Leistungsunterschied zwischen richtigen und falschen Versuchen beobachtet (siehe auch das Streudiagramm in Abbildung 2e [rechtes Feld] der Differenz der mittleren 10-Hz-Leistung zwischen richtigen und falschen Versuchen für jeden Teilnehmer).

Sowohl die PAS-Bewertung als auch die Genauigkeitsergebnisse wurden bestätigt, wenn nur Prästimulusdaten (-1 bis 0 s relativ zum Stimulusbeginn) in die Einzeltrial-FFT-Analysen einbezogen wurden. Abbildung 3a Diagramme T gemittelte Werte über alle Elektroden bei jeder Frequenz (von 3 bis 40), die die Stärke und Richtung der EEG-Leistungs-PAS-Bewertungsbeziehung angeben, während der Einfluss der Stimulusstärke auf die PAS-Bewertungen kontrolliert wird. Es wurde ein signifikanter negativer Cluster gefunden, der von 9 bis 12 Hz reichte (Clusterstatistik = -103,4, P = 0,0095). Im Gegensatz dazu wurde bei keiner Frequenz ein signifikanter Zusammenhang zwischen der EEG-Leistung und der Identifizierungsgenauigkeit gefunden (siehe Abbildung 3b).

4.2 Follow-up-EEG-Leistungsanalyse: keine Evidenz dafür, dass die Beziehung zwischen Prästimulusleistung und visuellem Bewusstsein von der Stimulusstärke abhängt

Um zu testen, ob die Beziehungen zwischen der EEG-Leistung und den Verhaltensergebnissen in Einzelversuchen von der Stimulusstärke (Briefpräsentationszeit) abhängig waren, führten wir zusätzliche Interaktionsanalysen durch. Es wurden keine signifikanten Interaktionseffekte zwischen der EEG-Leistung und der Präsentationszeit für die PAS-Bewertungen (Abbildung 4a) oder die Identifizierungsgenauigkeit (Abbildung 4b) gefunden, wenn alle Elektroden-Zeit-Frequenz-Punkte oder nur die Prästimulus-Zeitpunkte in der FFT-Analyse berücksichtigt wurden (Abbildung 4c, d).

Um die Analyse aus unserer vorherigen Studie (Benwell et al., 2017) direkt zu replizieren, führten wir zusätzliche ANOVA-Analysen mit Median-Power-Split mit wiederholten Messungen durch, wobei wir nur die Einzelversuchsdaten aus dem Vorstimulus (−1:0 s) Teil von dem bedeutenden EEG-Leistungs-PAS-Bewertungscluster. Der Anteil richtiger Antworten und mittlerer PAS-Bewertungen wurde für jede Präsentationszeit in jedem Power-Bin („oberhalb“ und „unterhalb“ der Medianstärke) und Teilnehmer separat berechnet. Die entsprechenden Gruppenmittelwertdaten sind für die visuelle Wahrnehmungsbewertung in Abbildung 4e und für den Anteil der richtigen Antworten in Abbildung 4f als Funktion der Versuche mit hoher (schwarze Punkte/Linien) und niedriger Leistung (rote Punkte/Linien) pro Präsentationszeit dargestellt.

Die ANOVA mit wiederholten Messungen bei den visuellen Wahrnehmungsbewertungen zeigte einen signifikanten Haupteffekt der Prästimulusstärke (F[1, 21] = 9.946, P = .005, = 0,321), ein signifikanter Haupteffekt der Präsentationszeit (F[4, 84] = 196.274, P < .001, = 0,903), aber keine signifikante Prästimulusstärke × Präsentationszeit-Interaktion (F[4, 84] = 1.76, P = .145, = 0,077). Während wir also bestätigten, dass die Prästimulus-Leistung wie in unserer vorherigen Studie mit den Wahrnehmungsbewertungen zusammenhängt (Benwell et al., 2017), fanden wir keine signifikanten Beweise dafür, dass die Beziehung der Prästimulus-EEG-Leistung und PAS-Bewertungen von der Stimulusstärke abhängig war ( im Gegensatz zu Benwell et al., 2017).

Die ANOVA mit wiederholten Messungen zum Anteil richtiger Antworten zeigte einen signifikanten Haupteffekt der Präsentationszeit (F[4, 84] = 311.97, P < .001, = 0,937), aber kein signifikanter Haupteffekt der Prästimulusleistung (F[1,21] = 0.019, P = .892, < 0,001) und keine signifikante Prästimulusstärke × Präsentationszeit-Interaktion (F[4, 84] = 1.772, P = .142, = 0,078). Somit gab es im Einklang mit den Ergebnissen der Regressionsanalysen auch keine Hinweise auf einen Effekt der Prästimulusstärke auf die Genauigkeit (oder eine Interaktion mit der Briefpräsentationszeit).

4.3 Keine zwingenden Beweise dafür, dass die Prästimulusphase visuelle Wahrnehmungsbewertungen oder Identifizierungsgenauigkeit vorhersagt

Abbildung 5a Diagramme T gemittelte Werte über alle Elektroden zu jedem Zeitpunkt für die wITPCz-Analyse, die die Stärke der EEG-Phase-PAS-Bewertungsbeziehung angeben, während der Einfluss der Stimulusstärke (Briefpräsentationszeit) auf die PAS-Bewertungen über Frequenzen von 3–40 Hz kontrolliert wird. Die T Werteindex Tests auf Gruppenebene, ob die Gewichtung der Einzelversuch-Phasenvektoren nach ihren Wahrnehmungsergebnissen zu einer Zunahme (positive Werte) oder Abnahme (negative Werte) des Gesamt-ITPC im Verhältnis zu einer teilnehmerspezifischen Nullverteilung führt. Wir fanden zwei signifikante positive Cluster, die größtenteils nach dem Stimulus entstanden: ein niederfrequenter (3–13 Hz) Cluster mit einer Spanne von −0,14 bis 0,7 s relativ zum Reizbeginn (Clusterstatistik = 9.739,3, P = 0,0025) und ein Cluster mit höherer Frequenz (10–30 Hz) von − 0,18 bis 0,46 s relativ zum Reizbeginn (Clusterstatistik = 5.363,4, P = .01). Abbildung 5b zeigt die topographischen Darstellungen der beiden Cluster. Obwohl beide Cluster Zeitpunkte beinhalteten, die unmittelbar vor und einschließlich des Stimulus-Einsetzens waren, spiegelt dies wahrscheinlich eine zeitliche Verschmierung primärer Post-Stimulus-Effekte in die Vor-Stimulus-Periode wider (Zoefel & Heil, 2013 van Diepen & Mazaheri, 2018 Brüers & VanRullen, 2017). Tatsächlich wurde kein signifikanter Zusammenhang zwischen EEG-Phase und PAS-Bewertungen bei jeder Frequenz (siehe Abbildung 5c).

Für die Beziehung zwischen der EEG-Phase und der Identifizierungsgenauigkeit (Abbildung 5d) fanden wir einen signifikanten positiven Cluster, der größtenteils nach dem Stimulus war (−0,06:0,7 s relativ zum Reizbeginn, 3:24 Hz: Clusterstatistik = 19.079, P < 0,001) (siehe Karte in Abbildung 5e für eine topographische Darstellung des Clusters).Auch wenn nur Prästimulusdaten in die Einzelversuchs-FFT-Analysen einbezogen wurden, wurde bei keiner Frequenz ein signifikanter Zusammenhang zwischen der EEG-Phase und der Genauigkeit gefunden (siehe Abbildung 5f).

Ähnliche Beziehungen wurden zwischen der EEG-Phase und den beiden PAS-Bewertungen und der Identifizierungsgenauigkeit in zwei Varianten der obigen Analysen beobachtet, wobei alle Beziehungen auf das Post-Stimulus-Fenster beschränkt waren (berichtet als Ergänzungsmaterial). Erstens, wenn die Briefpräsentationszeit nicht kontrolliert wurde, wurden zu frühen Zeitpunkten nach dem Stimulus über niedrige Frequenzen zusätzliche signifikante negative Cluster beobachtet (siehe Abbildung S1a,b,d,e). Diese negativen Cluster spiegeln daher wahrscheinlich die Kovariation der Briefpräsentationszeit mit der Post-Stimulus-Phasenverriegelung wider. Tatsächlich zeigte eine zusätzliche Analyse des Haupteffekts der Phasenpräsentationszeit signifikante Effekte, die sich in Zeit, Raum und Frequenz weitgehend überlappten (siehe Abbildung S1g,h). Darüber hinaus wurden für keine der Single-Trial-FFT-Analysen signifikante Phaseneffekte beobachtet, wenn nur EEG-Daten vor dem Stimulus berücksichtigt wurden (Abbildung S1c,f). Zweitens lieferten auch POS-Analysen (nach Benwell et al., 2017) keine Hinweise auf einen Zusammenhang zwischen der Prästimulusphase und entweder den PAS-Bewertungen oder der Identifizierungsgenauigkeit (siehe Abbildung S2).

Insgesamt deuten die Daten darauf hin, dass die signifikanten EEG-Phasen-Verhaltens-Beziehungen, die wir beobachtet haben, vollständig auf reiz-evozierte neuronale Aktivität zurückzuführen sind (Brüers & VanRullen, 2017 Del Cul et al., 2007 van Diepen & Mazaheri, 2018 Tagliabue et al., 2019). Daher finden wir in unserem Datensatz keine zwingenden Beweise für einen Einfluss der spontanen oszillatorischen Phase vor dem Stimulus auf die Wahrnehmung.


Methoden

Protokoll

Vier Probandengruppen sahen sich die Videostimuli in verschiedenen Szenarien an. Die erste Gruppe (n = 12, Individuell) sahen sich Videos einzeln in einer Büroumgebung auf einem Tablet-Computer (Google Nexus 7-Tablet, mit einem 7-Zoll-Bildschirm (17,8 cm)) mit Kopfhörern an. Die zweite Gruppe (n = 12) sahen die Videos auf die gleiche Weise, aber die Szenen des Filmstimulus wurden mit der Zeit vermischt, wodurch die Erzählung verloren ging (Durcheinander). Das Ziel dieser Bedingung bestand darin, zu zeigen, dass die Ähnlichkeit der Antworten zwischen den Probanden nicht einfach das Ergebnis von Reizmerkmalen niedriger Stufe ist (die in der identisch sind). Individuell und Durcheinander Bedingungen), sondern eine modulierte narrative Kohärenz, die den Betrachter vermutlich fesselt. Zwei zusätzliche Gruppen (n = 9, n = 9) die Originalvideos auf einem Bildschirm in einem Klassenzimmer angesehen haben (Abb. 1, Gelenk 1 und Gelenk 2), wobei der Ton über Lautsprecher projiziert wird. Es wurde versucht, für die Probanden im gemeinsam Gruppen, die den Betrachtungsbedingungen für die Individuell d. h. die Lichter wurden gedämpft und das projizierte Bild erzeugte ungefähr das gleiche Sichtfeld (siehe Ergänzende Materialien). Die zentrale Frage war, ob die Sehbedingungen (d. h. in einer Gruppe oder einzeln) das Niveau des ISC zwischen den Probanden beeinflusst.

Impulse

Der erste Videoclip war ein spannender Ausschnitt aus dem Kurzfilm Knall! Duwieder tot (1961) unter der Regie von Alfred Hitchcock. Es wurde ausgewählt, weil es bekannt ist, dass es sowohl im fMRT 11 als auch im EEG 4 bei den Probanden eine sehr zuverlässige Gehirnaktivität hervorruft. Unser zweiter Stimulus war ein Clip von Sophies Wahl, unter der Regie von Alan J. Pakula (1982), das früher verwendet wurde, um die fMRI-Aktivität im Kontext emotional hervorstechender naturalistischer Stimuli zu untersuchen 33 . Ein drittes nicht-narratives Kontrollvideo wurde in einer dänischen U-Bahn-Station von mehreren Personen aufgenommen, die leise auf einer Rolltreppe transportiert wurden. Jeder Videoclip hatte eine Länge von ungefähr sechs Minuten und wurde jeder Versuchsperson zweimal gezeigt. Für jede Anzeige wurde die Reihenfolge der Clips zufällig gewählt, während die gleiche zufällige Reihenfolge beim zweiten Anzeigen der Clips verwendet wurde. Für jede der sechs möglichen Permutationen der Reihenfolge der Clips wurde ein kombiniertes Video erstellt, beginnend mit einem 10 Sekunden langen 43-Hz-Ton zur Verwendung bei der Nachbearbeitungssynchronisation und 20 Sekunden Schwarzbild zwischen jedem Filmclip. Die Gesamtlänge des Videos betrug 39 Minuten. Ein zusätzlicher Kontrollreiz (Durcheinander) wurde erstellt, indem die Reihenfolge der Szenen in verschlüsselt wurde Knall! Duwieder tot und Sophies Wahl in Übereinstimmung mit früheren Untersuchungen 4,18 . In diesen Studien wurden Szenensegmente in unterschiedlichen Zeitskalen (36 s, 12 s und 4 s) definiert, die aus mehreren Kamerapositionen, „Aufnahmen“, bestanden. Für diese Studie haben wir eine Szene als Einzelaufnahme (d. h. das Segment zwischen zwei Szenenschnitten) definiert mit der zusätzlichen Regel, dass eine Szene 250 Frames nicht überschreiten darf (

10 s), um die Fähigkeit der Versuchspersonen zu verringern, aus langen Szenen auf die Erzählung zu schließen. Dieses Verfahren führte zu 73 Szenen mit einer Dauer zwischen 0,5 und 10 Sekunden und entsprach den mittleren bis kurzen Zeitskalen, die in früheren Studien verwendet wurden 18 .

Themen

Für diese Studie wurden insgesamt 42 weibliche Probanden (Durchschnittsalter: 22,4 Jahre, Altersspanne: 18–32 Jahre) rekrutiert, die vor dem Experiment eine schriftliche Einwilligungserklärung abgegeben hatten. Nicht-invasive Experimente an gesunden Probanden sind nach dänischem Recht von der Bearbeitung durch Ethikkommissionen ausgenommen 34 . Von den 42 Aufzeichnungen wurden neun aufgrund einer instabilen drahtlosen Kommunikation ausgeschlossen, die eine ordnungsgemäße Synchronisation der Daten zwischen den Probanden verhinderte (fünf von den Individuell Gruppe, eine aus der Durcheinander Gruppe und drei von den beiden Gemeinsam Gruppen). Der Unterschied in der Anzahl der Aufzeichnungen in den verschiedenen Gruppen könnte bei der Verwendung von CorrCA oder der Berechnung des ISC unfaire Vorteile in Bezug auf das Rauschen bringen. Wir haben uns daher entschieden, vier Fächer zufällig aus den Durcheinander Gruppe und eine von Gelenk 2 Gruppe und schloss diese aus den Analysen aus. Damit sollte sichergestellt werden, dass jede Gruppe sieben vollständig synchronisierte Aufnahmen hatte.

Tragbares EEG – Smartphone-Gehirnscanner

EEG-Geräte in Forschungsqualität sind teuer, zeitaufwändig in der Einrichtung und unbeweglich. In letzter Zeit sind jedoch EEG-Geräte in Verbraucherqualität auf den Markt gekommen, die erschwinglicher sind und mehr Komfort bieten. Hier verwenden wir das modifizierte 14-Kanal-System „Emocap“, basierend auf dem EEG Emotiv EPOC-Headset. Details und Validierung finden Sie in den Refs 17 und 35. In dieser Studie wurde es auf Asus Nexus 7-Tablets implementiert. Ein elektrischer Trigger und ein zugehöriger Ton wurden verwendet, um EEG- und Videosignale in der individuellen Betrachtungsbedingung zu synchronisieren, während ein geteiltes Audiosignal (gleichzeitig in Mikrofon und EEG-Verstärker eingespeist) verwendet wurde, um die EEG-Aufzeichnungen der neun Probanden und das Video in der gemeinsamen Betrachtung zu synchronisieren (weitere Informationen zur Synchronisierung finden Sie unter Zusatzmaterialien). Die resultierende Timing-Unsicherheit wurde mit weniger als 16 ms gemessen. Das EEG wurde bei 128 Hz aufgezeichnet und anschließend digital unter Verwendung eines linearen phasenfensterten Sinc-FIR-Filters zwischen 0,5 und 45 Hz bandpassgefiltert und verschoben, um die Gruppenverzögerung einzustellen. Augenartefakte wurden mit einem konservativen Vorverarbeitungsverfahren unter Verwendung einer unabhängigen Komponentenanalyse (ICA) reduziert, wobei bis zu 3 der 14 verfügbaren Komponenten entfernt wurden (Corrmap-Plug-in für EEGLAB 36,37 ).

Korrelierte Komponentenanalyse zur Messung von ISC und IVC

CorrCA wurde in Dmochowski präsentiert et al. 4 als eingeschränkte Version der Canonical Correlation Analysis (CCA). CorrCA versucht, Gewichtungssätze zu finden, die die Korrelation zwischen der neuronalen Aktivität von Probanden, die die gleichen Reize erfahren, maximieren. Für jede neuronale Komponente findet CorrCA einen gemeinsamen Satz von Gewichtungen für alle Probanden in der Gruppe.

Gegeben zwei multivariate raum-zeitliche Zeitreihen (in CorrCA als „Ansicht“ bezeichnet), , mit D die Anzahl der gemessenen Merkmale (EEG-Kanäle) in den beiden Ansichten und n die Anzahl der Zeitstichproben, CCA schätzt Gewichte, <w1, w2>, die die Korrelation zwischen den Komponenten maximieren, und . Die Gewichte werden unter Verwendung von zwei Eigenwertgleichungen berechnet, mit der Einschränkung, dass die zu jeder multivariaten Zeitreihe gehörenden Komponenten unkorreliert sind 38 . CorrCA ist für den Fall relevant, in dem die Ansichten homogen sind, z. B. bei Verwendung derselben EEG-Kanalpositionen, und erlegt die zusätzliche Einschränkung geteilter Gewichte auf w = w1 = w2. Diese Annahme kann möglicherweise die Empfindlichkeit mit weniger Parametern erhöhen. In CorrCA werden die Gewichte also durch ein einzelnes Eigenwertproblem geschätzt

Dabei ist , die Kovarianzmatrix der Stichprobe 4 . Um die räumliche Verteilung der zugrunde liegenden physiologischen Aktivität der Komponenten zu veranschaulichen, verwenden wir die geschätzten Vorwärtsmodelle („Muster“), wie in Lit. 39 und 40 diskutiert.

Durchschnittlicher Helligkeitsunterschied (ALD)

Videoclips wurden durch Mittelwertbildung über die drei Farbkanäle in Graustufen (0–255) umgewandelt. Wir haben dann die quadrierte Differenz der Pixelintensität von einem Frame zum nächsten berechnet und den Durchschnitt über die Pixel gebildet. Diese Signale wurden bei 1 Hz nichtlinear neu abgetastet, indem die maximale ALD für jedes 1 . ausgewählt wurde S Intervall, um die großen Unterschiede bei Änderungen der Kameraposition hervorzuheben (siehe Abbildung S2 in Zusatzmaterialien für einen Vergleich zwischen Frame-to-Frame und geglätteter Differenz). Diese Werte wurden dann zeitlich geglättet durch Faltung mit einem Gaußschen Kernel mit einem „Varianz“-Parameter von 2.5 S 2. Dieses Downsampling und Glätten zielte darauf ab, die zeitliche Auflösung der ALD an die der zeitaufgelösten ISC-Berechnung anzupassen (5 S Schiebefenster mit 1 S Intervalle).

Statistische Prüfung

Um die statistische Relevanz der Korrelationen zu bewerten, haben wir einen einfachen Permutationstest (P = 5000 Permutationen) 4 . Um die Robustheit der erhaltenen Gewichte für die räumlichen Projektionen zu testen, haben wir die durchschnittliche Korrelation aller möglichen Paarungen der vier Bedingungsgruppen für eine gegebene Komponente berechnet. Auch hier haben wir einen Permutationstest (P = 5000 Permutationen), um die statistische Relevanz zu bewerten, indem die Kanalreihenfolge für jede Gruppe zufällig permutiert wird und die durchschnittliche Korrelation neu berechnet wird. Beim Testen der Unterschiede im durchschnittlichen IVC zwischen den Bedingungen haben wir einen Blockpermutationstest verwendet (Blockgröße B = 25 s, P = 5000 Permutationen), um zeitliche Abhängigkeiten zu berücksichtigen.


4 - Extrazelluläre Spikes und CSD

Extrazelluläre Aufzeichnungen waren und sind das wichtigste Arbeitspferd bei der Messung der neuronalen Aktivität in vivo. Bei Single-Unit-Aufzeichnungen werden scharfe Elektroden in der Nähe eines neuronalen Somas positioniert, und die Feuerrate dieses bestimmten Neurons wird durch Zählen von Spikes gemessen, dh der standardisierten extrazellulären Signaturen von Aktionspotentialen (Gold et al., 2006). Für solche Aufzeichnungen ist die Interpretation der Messungen einfach, aber es treten Komplikationen auf, wenn mehr als ein Neuron zum aufgezeichneten extrazellulären Potenzial beiträgt. Wenn beispielsweise zwei feuernde Neuronen des gleichen Typs ungefähr den gleichen Abstand von ihrem Soma zur Spitze der Aufzeichnungselektrode haben, kann es sehr schwierig sein, die Spikes danach zu sortieren, von welchem ​​Neuron sie stammen.

Die Verwendung von zwei (Stereotrode (McNaughton et al., 1983)), vier (Tetrode (Recce und O'Keefe, 1989Wilson und McNaughton, 1993 Gray et al., 1995 Jog et al., 2002)) oder mehr (Buzsáki, 2004 ) nahe benachbarte Aufnahmeorte ermöglichen eine verbesserte Spikesortierung, da die unterschiedlichen Abstände von den Elektrodenspitzen oder Kontakten eine Triangulation ermöglichen. Mit den gegenwärtigen Aufzeichnungstechniken und Clustering-Methoden kann man Spike-Trains aus Dutzenden von Neuronen aus einzelnen Tetroden und aus Hunderten von Neuronen mit Mehrschaft-Elektroden aussortieren (Buzsáki, 2004).

Informationen über das Spiking werden typischerweise aus dem Hochfrequenzband (≳500 Hz) extrazellulärer Potenziale extrahiert. Da diese Hochfrequenzsignale in der Regel von einer unbekannten Anzahl von spitzen Neuronen in unmittelbarer Nähe des Elektrodenkontakts stammen, wird dies als Multi-Unit-Aktivität (MUA) bezeichnet.


Der neue Algorithmus

In diesem Artikel wird die GW6-Methode Schritt für Schritt beschrieben, sowie eine Prozedur, die in der Programmiersprache Matlab geschrieben ist (siehe Zusatzdatei 1: Anhang).

Mit unserer Software haben wir die EEG-Dateien mit digitaler Datenfilterung im 1 bis 20 Hz-Band vorverarbeitet, gefolgt von einer Methode, die wir Normalisierung nennen.

Die Filterung wurde unter Verwendung der umgekehrten Fourier-Transformation durchgeführt, die die Signalphase nicht ändert. Die Erhaltung der ursprünglichen Phase von Signalen ist für die Anwendung unseres Verfahrens sehr wichtig. Andererseits wurde auch bei der Darstellung semantischer Kategorien von Objekten, insbesondere im Niederfrequenzband (1 bis 4Hz) [6].

Der zweite Schritt in der Vorverarbeitung war die Signalnormalisierung: das Rohsignal von jedem Kanal, d.h. S(x) wo x ist der Sampling-Index entlang von 4 oder 5 s Epochen, wurde normalisiert als:

wo S ist der Mittelwert von S(x) in der Epoche.

Das Signal z-Score wird dann mit einem Faktor multipliziert K, wo K ist eine experimentelle Konstante, die die gemittelte optimierte Amplitude des EEG-Signals wiederherstellt. Die K Faktor ist die Standardabweichung eines EEG-Signals guter Qualität, die experimentell mit diesem speziellen Instrument gefunden wurde. Diese Zahl wurde berechnet als K = 20, und dieser Normalisierungsschritt erzeugte eine Epoche mit einer Form, die mit der des ursprünglichen EEG-Signals identisch war, jedoch in eine einheitliche Skala mit vergleichbarer Amplitude für jede Epoche übertragen wurde. Darüber hinaus ändert dieser Normalisierungsschritt nicht die Phasenkorrelation zwischen allen EEG-Kanälen. Die gesamte als solche verarbeitete Datei wurde als neue Datei im .CSV-Format gespeichert, die alle Informationen über den Beginn und das Ende jedes Stimulus enthält.

Beachten Sie, dass es auch möglich ist, nur zeitverriegelte Epochen vorzuverarbeiten, z nicht identische Ergebnisse, obwohl sie der vorherigen Methode sehr ähnlich sind, basierend auf dem Filtern und Speichern der gesamten Datei.

Eine weitere gängige Methode zur Vorverarbeitung der Daten für die ERP-Berechnung ist der Ausschluss jeder Epoche mit einer Amplitude über einem festen Schwellenwert, beispielsweise 80 µV. Ein Nachteil dieser Technik besteht darin, dass eine große Anzahl von Epochen verworfen werden könnte und folglich der Durchschnitt auf unzureichenden Daten berechnet werden könnte. In unserer Software haben wir dieses Verfahren auch verwendet, um Epochen mit starken Artefakten über 100 μV zu eliminieren, die nach der digitalen Filterung noch vorhanden sind.

In diesem Beitrag stellen wir eine neue Methode vor, die zur Erkennung von ERPs auch bei besonders verrauschten Signalen und mit erheblichen Latenzschwankungen nützlich ist, bekannt als „Latenz-Jitter“.

Unsere Methode mit dem Namen GW6 ist weniger restriktiv in Bezug auf Jitter und ermöglicht die ERP-Erkennung, wenn der Standardansatz, basierend auf dem Durchschnitt, versagt oder aufgrund mehrerer Artefakte unbefriedigende Ergebnisse liefert. Das neue Verfahren reproduziert jedoch nicht die typische biphasische Wellenform des ERP, sondern eine immer positive Wellenform. Aus diesem Grund ist dieses neue Verfahren sinnvoll, wenn es zusammen mit der klassischen Technik der Mittelwertbildung verwendet wird, eher als Alternative zu letzterer.

Die neue Methode nutzt die Korrelation von Pearson umfassend für alle EEG-Signale, die von einem Mehrkanal-EEG-Gerät aufgezeichnet werden. Durch die Methode der Mittelwertbildung kann auch mit einem einzigen EEG-Kanal gearbeitet werden, während die GW6-Methode nur mit einem Mehrkanal-EEG-Gerät arbeitet, beginnend ab etwa sechs Kanälen. Dennoch ist es auch möglich, das ERP für jeden Kanal wie in der Standardmethode zu berechnen.

In vielen Veröffentlichungen, die eine mathematische Methode beschreiben, um etwas zu analysieren, werden normalerweise Formeln angegeben, die anschließend in eine Computersprache übersetzt werden müssen, zum Beispiel C, C++, Visual Basic, Java, Python, Matlab oder andere. Dieser Schritt könnte schwierig sein und die Freigabe und Anwendung einiger nützlicher Methoden einschränken. In diesem Beitrag werden wir diesen neuen Algorithmus Schritt für Schritt und auch in der einfachen und bekannten Programmiersprache Matlab beschreiben, um die Anwendung zu erleichtern (siehe Zusatzdatei 1: Anhang).

Die Grundidee dieses neuen Verfahrens beschreiben wir in den Abb. 1 und 2.

Die Zwei obere Gleise repräsentieren die Rohsignale von zwei EEG-Kanälen in zeitverriegelten Epochen, während die untere Spur ist der Durchschnitt einer ausreichenden Anzahl (ca. 100) von Epochen für jeden Kanal (ERP ist nicht maßstabsgetreu). Die Abbildung zeigt einen positiven Peak etwa 300 ms nach Beginn des Stimulus (P300-Welle). Die typische Dauer des ERP beträgt etwa 300–500 ms, abhängig von der Art des Stimulus und der Bandpassfilterung des Signals


Kontrast zwischen traditioneller ERP-Analyse und EEG-Zeit-Frequenz-Analyse

Ein sinnvoller Ausgangspunkt für diese Diskussion ist die Gegenüberstellung der ERP-Analyse mit der modernen ereignisbezogenen Zeit-Frequenz-Analyse des EEG. ERPs sind systematische positive oder negative Spannungsabweichungen, die in den Durchschnitten von EEG-Epochen zeitgebunden an eine Klasse von wiederholten Reiz- oder Reaktionsereignissen offensichtlich sind. Durch die Mittelung über viele Epochen hebt sich die „zufällige“ Aktivität im EEG auf und geht mit steigender Versuchszahl gegen Null. Die Wellen, die diesen Mittelungsprozess überstehen, die als ERP-Komponenten bekannt sind, spiegeln Abweichungen von einer Vorereignis-Basislinie wider, und ihre Spitzenamplituden und Latenzen sollen diskrete sensorische und kognitive Prozesse indizieren, die sich im Laufe der Zeit als Reaktion auf eine Klasse von Ereignissen entfalten. Die traditionelle Sichtweise von ERPs, manchmal auch als additive ERP-Modelle bezeichnet 7 geht davon aus, dass ERP-Komponenten vorübergehende Ausbrüche neuronaler Aktivität widerspiegeln, die zeitlich an das auslösende Ereignis gebunden sind, die von einem oder mehreren neuronalen Generatoren entstehen, die während der Information spezifische sensorische und kognitive Operationen unterstützen wird bearbeitet. In dieser Ansicht werden ERPs dem laufenden Hintergrund-EEG-„Rauschen“ mit Amplituden- und Phasenverteilungen überlagert und eingebettet, die völlig unabhängig von der Verarbeitung der Aufgabenereignisse sind.

Diese Sichtweise von ERPs wurde in mindestens 2 Punkten in Frage gestellt. Erstens zeigt die Zeit-Frequenz-Analyse einzelner EEG-Epochen, dass das EEG nicht einfach zufälliges Hintergrundrauschen widerspiegelt, sondern dass es ereignisbezogene Änderungen in der Größe und Phase von EEG-Oszillationen bei bestimmten Frequenzen gibt, die ihre Rolle bei der Verarbeitung des Ereignisses unterstützen. 7 Zweitens können ERPs selbst eine vorübergehende Phasenrücksetzung des laufenden EEG durch experimentelle Ereignisse darstellen, was zu einer vorübergehenden Zeit- und Phasenverriegelung frequenzspezifischer Schwingungen in Bezug auf den Beginn eines Ereignisses bei einem Versuch nach dem anderen führt. 7, 8 Diese phasensynchronisierten Schwingungen überleben die Mittelwertbildung im Kreuzversuch und sind im durchschnittlichen ERP als Wellen sichtbar. Eine verwandte Alternative besteht darin, dass ERPs aus einer ereignisbezogenen partiellen Phasenrücksetzung der laufenden oszillatorischen Aktivität zusammen mit vorübergehenden Zunahmen der Amplitude von Oszillationen resultieren, die an die experimentellen Ereignisse zeitgebunden sind. 7, 9

Makeig et al.7, die an vorderster Front das traditionelle additive Modell von ERPs herausgefordert haben, haben einen übergreifenden Ansatz zur Analyse ereignisbezogener EEG-Daten entwickelt, den sie „ereignisbezogene Gehirndynamik“ nennen. Dieser Ansatz betont die spektrale Zerlegung einzelner ereignisbezogener EEG-Epochen, um ereignisbezogene Änderungen der Größe und Phase von Schwingungen bei bestimmten Frequenzen separat zu untersuchen. Der Ansatz beinhaltet auch die Untersuchung strategisch sortierter Einzelversuche des EEG in grafischer Form (sog. ERP-Bilder), um systematische Zusammenhänge zwischen ereignisbedingten Amplitudenänderungen und anderen Merkmalen der Versuche (z. B. Reaktionszeiten, Phasenwinkel bei bestimmten Frequenzen) aufzuzeigen. . 10 Auf diese Weise bietet der Ansatz eine verfeinerte und detailliertere Darstellung der ereignisbezogenen neurooszillatorischen Aktivität des Gehirns im Vergleich zu der statischeren Ansicht des traditionellen ERP-Ansatzes. Dennoch ist zu beachten, dass trotz des Informationsreichtums von Zeit-Frequenz-Analysen diese nicht in der Lage sind, eindeutig zwischen den oben diskutierten alternativen Modellen der ERP-Generierung zu unterscheiden, wie Yeung et al. 11, 12

Während sowohl ERPs als auch die Zeit-Frequenz-Analyse des EEG einen Blick auf die seriellen oder sequentiellen Ereignisse im Informationsverarbeitungsstrom des Gehirns bieten, ist ein Zuwachs, den die Zeit-Frequenz-Analyse des EEG im Vergleich zu ERPs bietet, sein Potenzial, die parallele Verarbeitung des Gehirns zu sehen von Informationen, wobei Oszillationen bei verschiedenen Frequenzen mehrere neuronale Prozesse widerspiegeln, die gleichzeitig auftreten und interagieren 4 im Dienste einer integrativen und dynamisch adaptiven Informationsverarbeitung. Dieser inkrementelle Vorteil der EEG-Zeit-Frequenz-Analyse im Vergleich zu ERPs kann sich auch in einer größeren Sensibilität für die wahre Natur der neuropathophysiologischen Prozesse manifestieren, die der Schizophrenie zugrunde liegen. Zum Beispiel haben wir kürzlich mit EEG-Daten aus einem einfachen Oddball-Paradigma gezeigt, dass sowohl Phasen- als auch Leistungsmessungen empfindlicher auf Schizophrenie reagieren als herkömmliche ERP-Komponenten wie der P300. 13


Schau das Video: Spektrofotometrisk måling med Logger Pro (Dezember 2021).