Podstawy oscylacji neuronalnych

1. Wprowadzenie

Witaj! W tym samouczku uczymy się o falach mózgowych i jak możemy je wykorzystać, aby zrozumieć mózg i zachowanie.

Hans Berger wprowadził termin elektroencefalogram w 1929 roku, kiedy opisał zmiany w potencjałach elektrycznych rejestrowanych za pomocą czujników umieszczonych na głowie osoby. Zidentyfikował dwa rodzaje fal mózgowych, które nazwał falami alfa i beta, po prostu z powodu kolejności, w jakiej je zarejestrował. Takie fale były rejestrowane u innych ssaków, ale Berger opisał je u ludzi po raz pierwszy!

Od tego czasu metoda elektroencefalografii stała się kluczowym narzędziem w neurobiologii i pomogła w rozwoju naszego zrozumienia fal mózgowych (które badacze nazywają oscylacjami neuronalnymi) oraz w charakterystyce stanów mózgu, takich jak zmęczenie i czuwanie.

W tym krótkim samouczku omówimy następujące zagadnienia:

• Co to są oscylacje neuronalne?

• Jak możemy mierzyć oscylacje neuronalne?

• Co możemy zrobić z oscylacjami neuronalnymi?

• Zastosowanie praktyczne przy użyciu urządzeń i oprogramowania Emotiv.

2. Czym jest EEG?

Elektroencefalografia (EEG) to nieinwazyjna i pasywna metoda pomiaru elektrycznej aktywności naszego mózgu. Elektrody/czujniki/kanały są umieszczane na skórze głowy, aby rejestrować aktywność elektryczną generowaną przez populacje komórek mózgowych, zwanych neuronami.

Rys. 1 – Neurony produkują aktywność elektryczną, która może być wykrywana za pomocą urządzenia EEG [Siuly, i in. (2016)].

2.1. Systemy EEG

Na rynku dostępnych jest wiele urządzeń EEG, które można wykorzystać do rejestrowania EEG. Urządzenia EEG mogą być różne:

• Jedna elektroda lub do 256 elektrod – Więcej elektrod zapewnia wyższą rozdzielczość przestrzenną informacji na skórze głowy.

• Elektrody mokre lub suche – Mokre elektrody używają żelu elektrolitycznego lub roztworu soli, aby poprawić przewodnictwo między skórą głowy a czujnikiem. Suche elektrody mogą być metalowe lub z materiałów przewodzących, które muszą mieć bezpośredni kontakt ze skórą głowy.

• Elektrody aktywne lub pasywne – Systemy elektrod pasywnych po prostu przewodzą sygnał do urządzenia, gdzie jest wzmacniany. Systemy elektrod aktywnych wzmacniają sygnał na każdej elektrodzie, zanim dotrze do urządzenia do wzmocnienia. To zmniejsza szumy elektryczne w sygnale pochodzące ze środowiska.

• Urządzenia przewodowe lub bezprzewodowe, które przesyłają dane za pomocą Bluetooth.

Rys. 2 – Bezprzewodowy, niskodyspersyjny system EEG.

Rys. 3 – Przewodowy system EEG o dużej gęstości elektrod.

2.2. Kiedy używać EEG?

Każda metoda neuroradiologiczna może pomóc w odpowiedzi na różne pytania badawcze.

Największą siłą EEG jest to, że może mierzyć aktywność neuronalną w skali milisekund, co pozwala na pomiar procesów przedświadomych.

Rys. 4 – Rozdzielczość przestrzenna vs rozdzielczość czasowa różnych narzędzi neuroradiologicznych.

Najlepiej sprawdza się w pytaniach takich jak „na które części mojego wideo uczestnicy zwracali największą uwagę?”

EEG rejestruje aktywność głównie z zewnętrznych warstw mózgu (tzn. ma niską rozdzielczość przestrzenną). Z jedną czujnikiem niemożliwe jest zidentyfikowanie źródła aktywności. Rejestracja z dużą liczbą kanałów może pozwolić na matematyczną rekonstrukcję źródła, ale nadal ogranicza się w identyfikacji głębokich źródeł. Funkcjonalne obrazowanie rezonansem magnetycznym (fMRI) jest lepiej dostosowane do odpowiadania na pytania takie jak „Która część mózgu jest związana ze zmianami w uwadze?”

2.3. Sensor do surowego EEG?

Po zamontowaniu urządzenia EEG na głowie, aktywność mózgu jest mierzona na jednej czujniku jako różnica amplitudy między tym czujnikiem a czujnikiem odniesienia. W większości systemów EEG nazywa się to elektrodą trybu wspólnego (CMS). Dodatkowy czujnik, zasilana prawa noga (DRL), pomaga zmniejszyć jakiekolwiek zakłócenia w CMS.

Rys. 5 – Uproszczony diagram blokowy transmisji sygnału EEG.

W systemach zarówno z aktywnymi, jak i pasywnymi elektrodami sygnał jest następnie wzmacniany i filtrowany dolnoprzepustowo. Filtrowanie dolnoprzepustowe to krok, który usunie możliwe zakłócenia elektryczne z otoczenia w sygnale, np. główne linie zasilające.

Te kroki odbywają się w samym sprzęcie, zanim surowy sygnał EEG będzie mógł być wyświetlony na ekranie komputera.

2.4. Podstawowa terminologia

Kody nazewnictwa standardu 10-20

Lewe czujniki są zazwyczaj o nieparzystych numerach, a prawe czujniki zazwyczaj o parzystych numerach.

Uwaga 1: to tylko konwencje nazewnicze, a źródło lokalizacji czujnika EEG nie jest wskaźnikiem źródła aktywności.

Uwaga 2: dodatkowe kroki, takie jak matematyczna rekonstrukcja źródła, muszą być wykonane, aby określić źródło aktywności na jednym kanale.

3. Czym są oscylacje neuronalne?

Fale mózgowe, często nazywane oscylacjami neuronalnymi, to rytmiczne wzory produkowane przez pojedynczego neurona lub grupę neuronów.

Nie jest jeszcze jasne, dlaczego mózg produkuje różne typy oscylacji, chociaż istnieje wiele teorii. Badacze używają różnych zadań, aby scharakteryzować te aktywności oscylacyjne i dążą do zrozumienia tajemnic mózgu przy użyciu tych rytmicznych wzorów.

3.1. Niektóre właściwości oscylacji

Ta figura pokazuje pomiar regularnego sygnału elektrycznego:

Rys. 6 – Rozdzielczość przestrzenna vs rozdzielczość czasowa różnych narzędzi neuroradiologicznych.

Po lewej (oś y) możemy nanosić amplitudę rejestracji elektrycznej, a na osi poziomej (oś x) czas. Amplituda sygnału będzie się zmieniać w zakresie wielkości w regularny sposób wokół punktu centralnego. Jeden cykl nazywany jest również oscylacją.

Liczba cykli na sekundę nazywana jest częstotliwością fali, a jednostka to Hertz (Hz). Więc 1 cykl na sekundę = 1 Hz. Amplitudy są typowo mierzone w mikrovoltach (µV).

W mózgu widzimy fale o częstotliwościach w zakresie od 0,2 Hz (bardzo wolne fale) do 80 Hz lub więcej (bardzo szybkie fale). Aktywność o wysokiej częstotliwości do 500 Hz związana z drgawkami również może być rejestrowana w mózgu.

Różne typy oscylacji mózgowych są charakterystykowane na podstawie ich częstotliwości. Znane są jako pasma częstotliwości i mogą być związane z różnymi stanami mózgu:

Rys. 7 – Fale mózgowe w typowym EEG.

3.2. Dlaczego różne pasma częstotliwości są ważne?

1. Identyfikowanie normalnych vs abnormalnych wzorów mózgowych
   Oscylacje neuronalne są ważne do wykrywania drgawek i diagnozowania padaczki w neurologii.

   
   
   

2. Interfejsy mózg-komputer (BCI)
   Ilość oscylacji beta, gamma i mu jest często wykorzystywana do trenowania zdalnych urządzeń (np. poruszanie wózkiem inwalidzkim myślami).

   
   
   

3. Neurofeedback
   To forma treningu mózgu, w której możesz zobaczyć swoje fale mózgowe (np. oscylacje gamma) i uczestniczyć w zadaniach poznawczych, aby poprawić ilość oscylacji gamma w swoim mózgu.

   
   
   

4. Neuromarketing
   Pasma częstotliwości alfa i beta mogą być używane do określenia, która część reklamy jest bardziej lub mniej angażująca.

3.3. Typy analizy danych EEG

Najczęściej badacze przeprowadzają analizy w domenie czasu lub domenie częstotliwości.

1. Analiza w domenie czasu

   Typowo mierzy amplitudę napięcia w punktach czasowych zainteresowania po wystąpieniu bodźca. Są to tak zwane potencjały wywołane ekscytacją (ERP).

   
   
   

2. Analiza w domenie częstotliwości

   Typowo mierzy ilość oscylacji neuronalnych w różnych pasmach częstotliwości w określonym oknie czasowym lub związanych z wystąpieniem zdarzenia.

Następnie przedstawimy przegląd analizy w domenie częstotliwości.

3.4. Przetwarzanie

Kiedy rejestrujesz EEG, zazwyczaj czyścisz dane przed zrozumieniem oscylacji.

1. Filtracja
   Technika usuwania w wysokiej i niskiej częstotliwości hałasu środowiskowego w danych.

2. Usuwanie artefaktów
   Ruchy fizyczne, mruganie oczu mogą powodować duże artefakty (> 50 µV szczyty w EEG). Mogą być one usunięte, aby nie wpływały na nasze wyniki. Niektórzy badacze stosują zaawansowane metody korygowania tych artefaktów w celu zachowania danych.

Po przetworzeniu danych sygnał może być teraz przekształcony w domenę częstotliwości, abyśmy mogli określić ilość każdego typu fal mózgowych.

Rys. 8 – Artefakt mrugania w surowym EEG.

3.5. Szybka transformata Fouriera (FFT)

Transformata Fouriera to matematyczna konwersja sygnału EEG z „domeny czasu” (obraz A) do „domeny częstotliwości” (obraz B).

W domenie częstotliwości możemy określić, ile każdego rodzaju oscylacji było w naszym nagraniu. Zwykle jest to „moc” pasma częstotliwości i może być wyświetlane w spektrum mocy (obraz B).

Rys. 9A – Surowe EEG w domenie czasu.

Rys. 9B – Spektrum mocy po FFT (domena częstotliwości).

3.6. Moc pasma

Moc pasma częstotliwości (np. pasmo alfa) uzyskana z transformacji Fouriera mówi nam, ile jest każdego pasma częstotliwości. Jednostki mocy pasma zazwyczaj wyrażane są w µV2/Hz. Najczęściej amplitudy lub spektra mocy z FFT są przedstawiane w logarytmicznych jednostkach decybeli (dB). Decybel to jednostka stosunku między zmierzoną mocą (P) a mocą odniesienia (Pr) zgodnie z:

Kiedy ta jednostka miary jest uzyskana dla interesujących wydarzeń, moce pasmowe mogą być porównywane, aby zrozumieć efekty eksperymentalne na falach mózgowych.

4. Od teorii do praktyki

Następnie przyjrzymy się efektowi tłumienia alfy.

To zjawisko po raz pierwszy opisane przez Hansa Bergera, w którym widzimy znaczący spadek ilości oscylacji alfa (mocy alfa), gdy oczy osoby są otwarte w porównaniu z ich zamkniętymi.

Rys. 10 – Zwiększenie oscylacji alfa można zobaczyć, gdy oczy są otwarte.

Pierwsze używając EmotivPRO Builder zbudowaliśmy prosty eksperyment. W tym eksperymencie uczestnik jest proszony o trzymanie oczu otwartych przez 2 minuty, skupiając się na ekranie, a następnie zamkniętych przez 2 minuty. Usłyszy dzwonek po 2 minutach, aby sygnalizować otwarcie oczu.

Możesz śledzić wideo poniżej, aby stworzyć własny eksperyment tłumienia alfy lub możesz przeprowadzić nasz eksperyment pod tym linkiem tutaj:

4.1. Dopasowanie urządzenia i jakość EEG

Dowiedz się więcej, jak działa nasza brama EQ tutaj. Znajdź więcej informacji na temat dopasowania urządzenia specyficznego dla twojego zestawu słuchawkowego tutaj:

• Typ EPOC

• Typ Insight

4.2. Przetwarzanie i przekształcanie danych EEG

Teraz, gdy masz dane, możesz przekształcić je w domenę częstotliwości za pomocą Emotiv Analyzer. Postępuj zgodnie z krokami w wideo.

4.3. Interpretacja danych

Kiedy Analyzer skończy, pobierz plik zip. Dla każdego zapisu będziesz miał plik csv z mocami pasmowymi oraz plik graficzny, który możesz wykorzystać do przeprowadzenia własnej analizy statystycznej.

Rys. 11 – Moce pasmowe.

W naszym wyjściu możemy zobaczyć wzrost mocy alfa, gdy oczy były zamknięte (pomarańczowy) w porównaniu do otwartych (niebieski).

To koniec naszego samouczka! Teraz jesteś wyposażony w podstawy 🙂

Możesz znaleźć linki do bardziej zaawansowanej literatury w sekcji zasobów.

5. Zasoby

ZAJĘCIA ZAAWANSOWANE

Donoghue i in. 2022 Rozważania metodologiczne dotyczące badania oscylacji neuronalnych

SŁOWNIK TERMINÓW EEG

Kane i in. 2017 (tutaj)

KOD ŹRÓDŁA OTWARTEGO

Jeśli czujesz się komfortowo z kodowaniem w Pythonie, udostępniliśmy skrypty Pythona, które możesz wykorzystać do uzyskania wartości mocy alfa, oznaczonych segmentami z oczami otwartymi i zamkniętymi. Znajdź kod i przykładowe pliki z danymi na temat tłumienia alfy tutaj: https://osf.io/9bvgh/

INSTRUKCJE EMOTIV

Instrukcja Obslugi EmotivPRO Builder
Instrukcja Obsługi EmotivPRO
Instrukcja Obsługi EmotivPRO Analyzer

7. Referencje

Donoghue, T., Schaworonkow, N. i Voytek, B., 2022. Rozważania metodologiczne dotyczące badania oscylacji neuronalnych. Europejski czasopismo neurobiologii, 55(11-12), s. 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. i van Putten, M.J., 2017. Zaktualizowany glosariusz terminów najczęściej używanych przez klinicznych elektroencefalografów oraz zaktualizowana propozycja formatu raportu z wyników EEG. Rewizja 2017. Kliniczna praktyka neurofizjologiczna, 2, s. 170. doi: 10.1016/j.cnp.2017.07.002

Siuly, S., Li, Y., Zhang, Y. (2016). Elektroencefalogram (EEG) i jego tło. W: Analiza i klasyfikacja sygnałów EEG. Nauka o informacji zdrowotnej. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1