1. Inleiding

Welkom! In deze tutorial leren we over hersengolven en hoe we ze kunnen gebruiken om de hersenen en het gedrag te begrijpen.

Hans Berger muntte de term elektro-encefalogram in 1929, toen hij veranderingen in elektrische potentialen beschreef die werden vastgelegd met sensoren die op het hoofd van een persoon waren geplaatst. Hij identificeerde twee soorten hersengolven, die hij alfa- en bètagolven noemde, simpelweg vanwege de volgorde waarin hij ze registreerde. Dergelijke golven waren al bij andere zoogdieren vastgelegd, maar Berger beschreef ze voor het eerst bij mensen!

Sindsdien is de elektro-encefalografiemethode een belangrijk hulpmiddel in de neurowetenschap geworden en heeft zij geholpen ons begrip van hersengolven te ontwikkelen (die onderzoekers neurale oscillaties noemen) en heeft zij geholpen toestanden in de hersenen zoals vermoeidheid en waakzaamheid te karakteriseren.

In deze korte tutorial behandelen we het volgende:

• Wat zijn neurale oscillaties?

• Hoe kunnen we neurale oscillaties meten?

• Wat kunnen we doen met neurale oscillaties?

• Praktische toepassing met Emotiv-apparaten en software.

2. Wat is EEG?

Elektro-encefalografie (EEG) is een niet-invasieve en passieve methode om de elektrische activiteit van onze hersenen te meten. Elektroden/sensoren/kanalen worden op de hoofdhuid geplaatst om elektrische activiteit vast te leggen die wordt gegenereerd door populaties hersencellen, neuronen genoemd.

Figuur 1 – Neuronen produceren elektrische activiteit die kan worden gedetecteerd met een EEG-apparaat [Siuly, et al. (2016)].

2.1. EEG-systemen

Er zijn veel EEG-apparaten op de markt die kunnen worden gebruikt om een EEG op te nemen. EEG-apparaten kunnen variëren van:

• Een enkele sensor of tot 256 elektroden – Meer elektroden zouden een hogere ruimtelijke resolutie van informatie over de hoofdhuid opleveren.

• Natte of droge elektroden – Natte elektroden gebruiken een elektrolytische gel of zoutoplossing om de geleidbaarheid tussen de hoofdhuid en de sensor te verbeteren. Droge elektroden kunnen van metaal of geleidende polymeren zijn en vereisen direct contact met de hoofdhuid.

• Actieve of passieve elektrode – Passieve elektrode-systemen geleiden het signaal simpelweg naar het apparaat, waar het wordt versterkt. Actieve elektrode-systemen versterken het signaal bij elke elektrode voordat het het apparaat bereikt voor versterking. Dit vermindert elektrische ruis uit de omgeving in het signaal.

• Bedrade of draadloze apparaten die gegevens via Bluetooth verzenden.

Figuur 2 – Een draadloos EEG-systeem met lage dichtheid.

Figuur 3 – Een bedraad EEG-systeem met hoge dichtheid van elektroden.

2.2. Wanneer EEG gebruiken?

Elke neurobeeldvormingstechniek kan helpen verschillende onderzoeksvragen te beantwoorden.

EEG's grootste kracht is dat het neurale activiteit op milliseconde-schaal kan meten, waarmee prebewuste processen kunnen worden gemeten.

Figuur 4 – Ruimtelijke versus temporele resolutie van verschillende neurobeeldvormingstools.

Het is het meest geschikt voor vragen als “welke delen van mijn video kregen de meeste aandacht van de deelnemers?”

EEG registreert activiteit voornamelijk vanuit de buitenste lagen van de hersenen (d.w.z. heeft een lage ruimtelijke resolutie). Met een enkele sensor is het onmogelijk de bron van de activiteit te identificeren. Registratie met een groot aantal kanalen kan het mogelijk maken de bron wiskundig te reconstrueren, maar het blijft beperkt in het identificeren van diepe bronnen. Functionele magnetische resonantiebeeldvorming (fMRI) is beter geschikt om vragen te beantwoorden zoals “Welk deel van de hersenen hangt samen met veranderingen in aandacht?”

2.3. Van sensor naar ruwe EEG?

Zodra een EEG-apparaat op het hoofd is geplaatst, wordt hersenactiviteit gemeten bij een enkele sensor als het verschil in amplitude tussen die sensor en een referentiesensor. In de meeste EEG-systemen wordt dit de common mode sense (CMS)-elektrode genoemd. Een extra sensor, de driven right leg (DRL), helpt interferentie bij de CMS te verminderen.

Figuur 5 – Vereenvoudigd blokdiagram van EEG-signaaloverdracht.

In systemen met zowel actieve als passieve elektroden wordt het signaal vervolgens versterkt en door een laagdoorlaatfilter gefilterd. Laagdoorlaatfiltering is een stap die mogelijke elektrische storingen uit de omgeving uit je signaal verwijdert, bijvoorbeeld van het stroomnet.

Deze stappen vinden plaats in de hardware zelf voordat het ruwe EEG-signaal op je computerscherm kan worden bekeken.

2.4. Enkele basisbegrippen

10-20-standaard naamgevingsconventie

Linkersensoren hebben meestal oneven nummers en rechtersensoren meestal even nummers.

Opmerking 1: dit zijn slechts naamgevingsconventies en de bron van de EEG-sensorlocatie is geen indicator van de bron van de activiteit.

Opmerking 2: aanvullende stappen, zoals wiskundige reconstructie van de bron, moeten worden uitgevoerd om de bron van de activiteit in één kanaal te bepalen.

3. Wat zijn neurale oscillaties?

Hersengolven, vaak neurale oscillaties genoemd, zijn ritmische patronen die worden geproduceerd door één neuron of een cluster van neuronen.

Het is nog niet duidelijk waarom de hersenen deze verschillende soorten oscillaties produceren, hoewel er veel theorieën zijn. Onderzoekers gebruiken verschillende taken om deze oscillatoire activiteiten te karakteriseren en streven ernaar de mysteries van de hersenen te begrijpen met behulp van deze ritmische patronen.

3.1. Enkele eigenschappen van een oscillatie

Deze figuur toont een meting van een regelmatig elektrisch signaal:

Figuur 6 – Ruimtelijke versus temporele resolutie van verschillende neurobeeldvormingstools.

Links (y-as) kunnen we de amplitude van de elektrische registratie uitzetten en op de horizontale as (x-as) de tijd. De amplitude van het signaal zal op regelmatige wijze in grootte variëren rond een centraal punt. Eén cyclus wordt ook wel een oscillatie genoemd.

Het aantal cycli per seconde wordt de frequentie van de golf genoemd en de eenheid is Hertz (Hz). Dus 1 cyclus per seconde = 1 Hz. Amplitudes worden doorgaans gemeten in microvolt (µV).

In de hersenen zien we golven met frequenties variërend van 0,2 Hz (zeer langzame golven) tot 80 Hz of meer (zeer snelle golven). Hoogfrequente activiteit tot 500 Hz, geassocieerd met aanvallen, kan ook in de hersenen worden geregistreerd.

Verschillende typen hersenoscillaties worden gekarakteriseerd op basis van hun frequentie. Deze staan bekend als frequentiebanden en kunnen worden gekoppeld aan verschillende hersentoestanden:

Figuur 7 – Hersengolven in een typische EEG.

3.2. Waarom zijn verschillende frequentiebanden belangrijk?

1. Normale versus afwijkende hersenpatronen identificeren
   Neurale oscillaties zijn belangrijk voor het detecteren van aanvallen en het diagnosticeren van epilepsie in de neurologie.

   
   
   

2. Brein-computerinterfaces (BCI)
   De hoeveelheid bèta-, gamma- en mu-oscillaties wordt vaak gebruikt om apparaten op afstand aan te sturen (bijv. een rolstoel met gedachten verplaatsen).

   
   
   

3. Neurofeedback
   Dit is een vorm van hersentraining waarbij je je hersengolven kunt bekijken (bijv. gamma-oscillaties) en cognitieve taken uitvoert om de hoeveelheid gamma-oscillaties in je hersenen te verhogen.

   
   
   

4. Neuromarketing
   Alfa- en bètafrequentiebanden kunnen worden gebruikt om te bepalen welk deel van een advertentie meer of minder aanspreekt.

3.3. Soorten EEG-gegevensanalyse

Meestal voeren onderzoekers analyses uit in het tijdsdomein of het frequentiedomein.

1. Analyse in het tijdsdomein

   Meet doorgaans de spanningsamplitude op tijdstippen van interesse na het begin van een stimulus. Deze worden event-related potentials (ERP's) genoemd.

   
   
   

2. Analyse in het frequentiedomein

   Meet doorgaans de hoeveelheid neurale oscillaties in verschillende frequentiebanden binnen een gedefinieerd tijdvenster of in relatie tot het begin van een gebeurtenis.

Hierna geven we een overzicht van frequentiedomeinanalyse.

3.4. Verwerking

Zodra je een EEG-opname hebt gemaakt, reinig je doorgaans de gegevens voordat je de oscillaties interpreteert.

1. Filteren
   Een techniek om hoge- en laagfrequente omgevingsruis uit de gegevens te verwijderen.

2. Artefactverwijdering
   Fysieke beweging en oogknipperingen kunnen allemaal grote artefacten veroorzaken (> 50 µV-pieken in de EEG). Deze kunnen worden verwijderd zodat ze onze resultaten niet beïnvloeden. Sommige onderzoekers gebruiken geavanceerde methoden om deze artefacten te corrigeren en de gegevens te behouden.

Nadat de gegevens zijn verwerkt, kan het signaal nu worden omgezet naar het frequentiedomein zodat we de hoeveelheid van elk type hersengolf kunnen kwantificeren.

Figuur 8 – Oogknipperartefact in ruwe EEG.

3.5. Snelle Fouriertransformatie (FFT)

Een Fouriertransformatie is de wiskundige omzetting van het EEG-signaal van ‘tijdsdomein’ (afbeelding A) naar ‘frequentiedomein’ (afbeelding B).

In het frequentiedomein kunnen we kwantificeren hoeveel van elk type oscillatie in onze opname aanwezig was. Dit is doorgaans het ‘vermogen’ van de frequentieband en kan worden weergegeven als een vermogensspectrum (afbeelding B).

Figuur 9A – Ruwe EEG in het tijdsdomein.

Figuur 9B – Vermogensspectrum na FFT (frequentiedomein).

3.6. Bandvermogen

Het vermogen van een frequentieband (bijv. de alfaband) verkregen uit een Fouriertransformatie vertelt ons hoeveel van elke frequentieband er aanwezig is. Eenheden voor bandvermogen zijn doorgaans µV2/Hz. Meestal worden amplitude- of vermogensspectra uit een FFT weergegeven in de logaritmische eenheid decibel (dB). Het decibel is een eenheid voor de verhouding tussen een gemeten vermogen (P) en een referentievermogen (Pr), als volgt:

Zodra deze meeteenheid is verkregen voor gebeurtenissen van interesse, kunnen bandvermogens worden vergeleken om experimentele effecten op hersengolven te begrijpen.

4. Van theorie naar praktijk

Vervolgens gaan we kijken naar het alfasuppressie-effect.

Dit is een fenomeen dat voor het eerst werd gerapporteerd door Hans Berger, waarbij we een significante afname zien in de hoeveelheid alfa-oscillaties (alfavermogen) wanneer iemands ogen open zijn vergeleken met wanneer ze gesloten zijn.

Figuur 10 – Een toename in alfa-oscillaties kan worden gezien wanneer de ogen open zijn.

Eerst hebben we met EmotivPRO Builder een eenvoudig experiment opgezet. In dit experiment wordt een deelnemer simpelweg gevraagd om zijn ogen 2 minuten open te houden terwijl hij naar het scherm kijkt, en daarna 2 minuten gesloten. Hij hoort aan het einde van de 2 minuten een bel om aan te geven dat hij zijn ogen moet openen.

Je kunt de video hieronder volgen om je eigen alfasuppressie-experiment te maken of je kunt ons experiment uitvoeren via de link hier:

4.1. Plaatsing van het apparaat en EEG-kwaliteit

Lees hier meer over hoe onze EQ-gate werkt hier. Vind hier meer informatie over de apparaatplaatsing specifiek voor je headset:

• EPOC-type

• Insight-type

4.2. De EEG-gegevens verwerken en transformeren

Nu je je gegevens hebt, kun je ze transformeren naar het frequentiedomein met Emotiv Analyzer. Volg de stappen in de video.

4.3. De gegevens interpreteren

Zodra Analyzer klaar is, download je het zipbestand. Voor elk record heb je een csv-bestand met bandvermogens en een afbeeldingsbestand dat je kunt gebruiken om je eigen statistische analyse uit te voeren.

Figuur 11 – Bandvermogens.

In onze output kunnen we de toename in alfavermogen zien wanneer de ogen gesloten waren (oranje) vergeleken met wanneer ze open waren (blauw).

Dit is het einde van onze tutorial! Je beschikt nu over de basis 🙂

Je vindt enkele links naar verder gevorderde literatuur in de sectie Bronnen.

5. Bronnen

GEVORDERDE LITERATUUR

Donoghue et al. 2022 Methodologische overwegingen voor het bestuderen van neurale oscillaties

WOORDENLIJST VAN EEG-TERMINOLOGIE

Kane et al. 2017 (hier)

OPENBRONCODE

Als je comfortabel bent met Python-codering, hebben we Python-scripts beschikbaar gesteld die je kunt gebruiken om alfavermogenwaarden te verkrijgen, gelabeld met segmenten waarbij de ogen open zijn en segmenten waarbij de ogen gesloten zijn. Vind de code en voorbeeldgegevensbestanden voor Alpha Suppression hier: https://osf.io/9bvgh/

EMOTIV-HANDLEIDINGEN

EmotivPRO Builder-handleiding
EmotivPRO-handleiding
EmotivPRO Analyzer-handleiding

7. Referenties

Donoghue, T., Schaworonkow, N. en Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361

Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1