Información

Aislar datos de EEG estables en todos los canales en EEGLAB

Aislar datos de EEG estables en todos los canales en EEGLAB


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Estoy trabajando en algunos datos de EEG que recopilamos con los auriculares Emotiv Epoc con sensores de 14 canales.

Necesito aislar fragmentos de datos en los que los 14 canales son estables (sin ruido) durante un período de tiempo determinado (por ejemplo, 5 segundos). Escribí un script de MATLAB para esto, de modo que calculo la desviación estándar de cada canal y paso una ventana de análisis sobre los datos, comparando la diferencia entre los valores máximo y mínimo en la ventana con esta desviación estándar (es decir, donde máximo - mínimo es menor que la desviación estándar [o 3-5 desviaciones estándar], trato esa ventana como estable).

Según este criterio, estoy teniendo cierto éxito en la búsqueda de segmentos de 5 segundos de duración, pero me preocupa que estos datos puedan no ser confiables (o no tan estables / libres de artefactos como se desea).

¿Existen mejores formas de realizar este análisis? Aún mejor, ¿hay funciones integradas en EEGLAB para este mismo propósito?

Informacion adicional:

He seleccionado solo los canales relevantes y ahora puedo revisar mis archivos de datos de EEG.

No soy un experto en neurociencia, de hecho soy bastante nuevo en este tipo de análisis, así que disculpas si esta pregunta es demasiado básica o fuera de lugar.

EDITAR

Recopilamos nuestros datos en un entorno de museo (muy ruidoso en muchos sentidos), con los participantes sentados lo más quietos posible durante sesiones de 2 minutos seguidas. Por esta razón, existe una alta probabilidad de que se encuentren artefactos en los datos debido al movimiento, el entorno y posiblemente incluso a inexactitudes del dispositivo en sí (dado que pasamos por un número bastante grande de participantes, limpiando y cargando los auriculares entre pruebas ).

Por lo que he discutido con el equipo, me han dicho que eliminar artefactos no resolvería el problema (aunque hay que admitir que no soy un experto en el motivo de esto).

Para mayor claridad, los datos que hemos recopilado se parecen a la gráfica siguiente.

Y estamos buscando un mínimo de 5 segundos de datos estables, más cercanos al gráfico de abajo.

Además, sé que esta selección de datos se puede hacer manualmente usando pop_eegplot, sin embargo, dado que tenemos cerca de 300 archivos de datos, estoy buscando automatizar esto (y con suerte obtener selecciones más confiables).


Podría intentar utilizar enfoques que sean similares para medir la fuerza (y el retraso) de una respuesta P3 en los datos de ERP. Hay muchas formas descritas para medir las respuestas P3 (o cualquier otra respuesta que le interese) en el libro de la suerte: una introducción a la técnica potencial relacionada con el evento. Éstos incluyen:

  • Valor máximo (dentro de un marco de tiempo; tipo de lo que está haciendo)
  • Valor máximo medio (promediado durante un período de tiempo)
  • Área de la respuesta ($ amplitud * tiempo $)

Probablemente me falten algunos, por lo que es posible que desee consultar ese libro. Estos pueden proporcionar resultados más confiables que solo mirar las diferencias máximo-mínimo.


En este documento de la conferencia, proponen un algoritmo que básicamente es el siguiente (si no puede acceder a él, simplemente agregue "sci-hub.bz" después de ".org" en la URL y lo redirigirá directamente al pdf):

  • Divida los canales en cuatro grupos: 1) frontal, 2) central, 3) temporal y 4) parietal + occipital.
  • Para cada grupo, tome tres señales: 1) la señal sin procesar, 2) la banda alfa (8-12Hz, usando un filtro de paso de banda Butterworth de tercer orden) y 3) la banda beta (13-35Hz).
  • Para cada grupo y cada señal, calcule las cuatro métricas: 1) amplitud máxima, 2) desviación estándar, 3) curtosis y 4) sesgo. Para las señales de la banda de frecuencia, también toman la potencia media y la desviación estándar de la potencia.

Luego continúan y encuentran umbrales óptimos para cada métrica, grupo y señal mediante el uso de un algoritmo de evolución diferencial en los datos de entrenamiento, por lo que, desafortunadamente, no es aplicable de inmediato para usted. Como yo lo veo, tienes al menos dos opciones aquí:

  1. Cree épocas de datos de 5 segundos de duración y etiquete muchos de ellos. Use esos datos para conocer los umbrales óptimos (desafortunadamente, no brindan detalles sobre cómo hacerlo, por lo que tendría que averiguarlo usted mismo). Obviamente, esto requeriría mucho esfuerzo, pero al final puedes estar bastante seguro de tu clasificación.
  2. Simplemente pruebe algunos rangos de valores para las diferentes métricas, puede orientarse sobre los valores que encontraron en el documento (aunque debe leerlos en los gráficos). Consulta las clasificaciones resultantes. Elija los valores de umbral que den los "mejores" resultados mediante inspecciones. Esta no es tan sistemática como la primera opción, pero puede que ya se ajuste a sus necesidades. Por ejemplo, si solo desea evitar tener segmentos que se clasificaron falsamente como "limpios", puede optar por valores de umbral muy conservadores / seguros. Hay un gran peligro aquí, sin embargo, te perderás en un bucle sin fin de "tal vez si ajusto este umbral un poco más" y nunca dejarás de explorar. Para ayudar con eso, también puede reducir la cantidad de métricas, grupos o señales.

Respuesta corta

Esta respuesta no se trata de cómo encontrar datos limpios. En cambio, me gustaría argumentar que puede limpiar sus datos.

Respuesta larga

Recopilamos nuestros datos en un entorno de museo (muy ruidoso en muchos sentidos), con los participantes sentados lo más quietos posible durante sesiones de 2 minutos seguidas. Por esta razón, existe una alta probabilidad de que se encuentren hechos art [i] en los datos debido al movimiento, el entorno y posiblemente incluso a inexactitudes del propio dispositivo.

De hecho, esto es cierto. El Emotiv Epoc ha demostrado no ser el mejor auricular EEG e introduce mucho ruido (por ejemplo, Ries et al., 2014). En este estudio, en el que utilizaron un paradigma extraño (un experimento de laboratorio altamente controlado), los autores encontraron que se tuvieron que eliminar significativamente más ensayos, en comparación con el EEG de grado médico (BioSemi) y otro auricular EEG portátil (B-Alert X10). ).

Por lo que hablé con el equipo, me dijeron que eliminar artefactos no resolvería el problema.

Es cierto que eliminar los artefactos musculares (estaban quietos, ¿no?) Y el ruido del sistema no será de mucha ayuda. Los datos se contaminarán a lo largo de la tarea y, al eliminarlos, es probable que también se eliminen algunos datos reales. Puede ser interesante investigar a qué frecuencia el sistema agrega ruido. Puede hacer una medición con el sistema mientras no está equipado con el cabezal y luego calcular el espectro de frecuencia con una FFT. Esto le dará una indicación de cómo se vieron afectados sus datos reales.

Sin embargo, puede eliminar los artefactos oculares. Como mostró en la imagen, solo hay un pico claro en ese período de cinco segundos. Ese patrón en particular es un parpadeo claro. Otro artefacto EOG es un movimiento ocular, que se puede ver en la imagen de abajo como los saltos en los datos en los dos canales superiores (entre 3 y 3,5 segundos). Ambos artefactos pueden eliminarse de manera fácil y bastante segura debido a sus distintos patrones. Para ello siempre utilizo un análisis de componentes independientes (ICA; Makeig et al., 1996). Esto también lo explican Delorme y Makeig (2004) específicamente para EEGLab (y aquí hay un tutorial que lo explica con FieldTrip).

¿Qué significaría eso para sus datos?
Siempre que se deshaga de los artefactos EOG, sus datos deben estar bastante limpios. Entonces, no necesita buscar períodos limpios, pero puede seleccionar el mismo período de tiempo (o aleatorio) para cada participante. Sin embargo, si realmente no desea limpiar sus datos, esta respuesta no lo ayuda.


Para la automatización, debe escribir un script MATLAB que controle EEGLAB. Una opción es utilizar la caja de herramientas Eliminación automática de artefactos, a la que puede encontrar un enlace aquí.

Generalmente, los criterios min, max, abs (max-min) son suficientes para marcar los eventos de artefactos, seguidos por el rechazo de artefactos. Sin embargo, el ruido de línea y el ruido ambiental deben tratarse por separado. La influencia de los movimientos oculares también se puede eliminar, ya sea utilizando ICA, que sería un proceso oportuno para 300 conjuntos de datos (suponiendo que no tenga acceso a un grupo de computadoras MATLAB), o computando canales EOG virtuales y excluyendo datos basados ​​en algunos criterio para esos picos. Calcule el canal Af4-Af3 para los movimientos oculares horizontales y F7-F3 para los verticales. Primero, modifique los parámetros para un único conjunto de datos ruidosos. Si eso funciona, procese los archivos por lotes con los mismos criterios. Empezaría por los criterios de Steven Luck.

Los artefactos desaparecerán una vez que comience a promediar entre las pruebas debido al rechazo del modo común, pero pueden ser influyentes si no se tratan.


Introducción general

En los últimos años, el uso de técnicas de análisis de patrones multivariantes (MVPA) para datos de neuroimagen ha aumentado rápidamente. Comenzando con los estudios seminales de Edelman y colegas (1998) y Haxby y colegas (2001), las aplicaciones de MVPA a los datos de imágenes de resonancia magnética funcional (fMRI) se han vuelto cada vez más populares, lo que lleva a una fuerte tendencia hacia la investigación de representaciones y la predicción de "información". (es decir, el contenido de la cognición) en neurociencia cognitiva (para revisiones y comentarios, ver: Davis y Poldrack 2013 Haynes 2015 Haynes y Rees 2006 Heinzle et al.2012 Hogendoorn 2015 Mur et al.2009 Norman et al.2006 Kriegeskorte et al.2006 Tong y Pratte 2012 Woolgar et al.2014, 2016) y a la publicación de varias cajas de herramientas (Hanke et al.2009a Hebart et al.2015 Oosterhof et al.2016). La mayoría de las variantes de MVPA tienen en común que los clasificadores (generalmente supervisados) están entrenados para predecir el contenido de los procesos cognitivos directamente a partir de patrones de activación espacial local, medidos por la señal dependiente del nivel de oxígeno en sangre (BOLD). Sin embargo, debido a la mala resolución temporal de la resonancia magnética funcional, a menudo es difícil rastrear cualquier proceso de decisión rápida en el tiempo y determinar el curso de tiempo con el que la información predictiva con respecto a estos procesos se representa en los datos neuronales.

Una posible solución a este problema es aplicar MVPA a los datos de electroencefalografía (EEG), ya que EEG tiene una resolución temporal mucho mejor en el rango de milisegundos, a diferencia de segundos en fMRI (otras técnicas como magnetoencefalografía, MEG, no se discutirán aquí para obtener revisiones, consulte King y Dehaene 2014 Grootswagers et al.2016). Las técnicas de análisis multivariante ya se aplicaron a los datos de EEG para investigar la cognición hace varias décadas (Gevins et al. 1979), pero actualmente están experimentando un fuerte resurgimiento (para revisiones y comentarios técnicos ver: Bai et al. 2007 Blankertz et al. 2011 Contini et al. en prensa King y Dehaene 2014 Parra et al.2005 Sajda et al.2009 Stokes et al.2015). Al aprovechar la naturaleza multivariante de las señales de EEG, las técnicas de análisis multivariante pueden, por ejemplo, predecir los resultados de las decisiones, los parámetros de los modelos de decisión y los errores de decisión directamente a partir de los patrones de actividad (p. Ej., Blank et al. 2013 Bode et al. 2012 , 2014 Bode y Stahl 2014 Boldt y Yeung 2015 Charles et al.2014 Chung et al.2015 Das et al.2010 Parra et al.2002 Philiastides y Sajda 2006 Philiastides et al.2006 Ratcliff et al.2009 Tzovara et al.2015 Van Vugt et al.2012 para enfoques relacionados ver: El El Zein et al.2015 Wyart et al.2012, 2015). Otros han utilizado técnicas similares para investigar la conciencia visual (Hogendoorn et al.2015 Hogendoorn y Verstraten 2013 Fahrenfort et al.2017), la integración multisensorial (Chan et al.2017) y el procesamiento automático de características semánticas de estímulos irrelevantes para la tarea (Bode et al. al.2014). MVPA también se ha utilizado ampliamente para construir interfaces cerebro-computadora (BCI, por ejemplo, Müller et al.2004, 2008).

Presentamos una caja de herramientas novedosa de código abierto para MATLAB, la Caja de herramientas de decodificación de decisiones (DDTBOX), que realiza MVPA en los datos de EEG de alta resolución temporal que se analizan normalmente mediante análisis univariados de potenciales relacionados con eventos (ERP). Sin embargo, en lugar de analizar señales en electrodos individuales (es decir, canales), o promediar a través de un grupo de electrodos seleccionados, para los cuales los componentes de ERP se han descrito y vinculado a procesos cognitivos específicos (por ejemplo, Luck 2005), MVPA se aplica a datos de todos electrodos en una ventana de tiempo de análisis predefinida, que por lo tanto sirve como entrada multivariante para un clasificador (Parra et al. 2005). Dichos patrones de datos de amplitud se pueden extraer a través del espacio (por ejemplo, de datos promediados en una ventana de tiempo para cada canal: decodificación espacial), tiempo (por ejemplo, de todos los puntos de tiempo para cada canal por separado: decodificación temporal), o ambos (de todos los puntos de tiempo para todos los canales: decodificación espacio-temporal). Se puede decir que este enfoque a menudo se basa más en datos que en hipótesis en comparación con los análisis ERP convencionales, y tiene varios beneficios: en primer lugar, se pueden detectar incluso patrones de EEG multivariados sutiles que difieren entre las condiciones experimentales que de otro modo se pasarían por alto (Bode et al., 2012). ). En segundo lugar, los patrones de actividad de un solo ensayo pueden vincularse directamente a parámetros en modelos de decisión (p. Ej., Philiastides y Sajda 2006 Ratcliff et al. 2009 Tzovara et al. 2015), o usarse para predecir propiedades subjetivas de estímulos como la excitación (p. Ej., Bode et al.2014). Finalmente, MVPA en ERPs permite una búsqueda más exploratoria de información cuando se sabe que ningún componente de ERP está específicamente vinculado al proceso cognitivo de interés que no requiere. a priori conocimiento de la ubicación y el momento de un efecto, que puede variar sustancialmente entre experimentos (discutido en Groppe et al. 2011).

Ahora presentaremos la funcionalidad de DDTBOX, que se puede aplicar a datos de una variedad de paradigmas experimentales (y de ninguna manera se limita a la investigación de toma de decisiones). DDTBOX requiere una experiencia mínima con la codificación MATLAB y se integra bien con EEGLAB / ERPLAB (Delorme y Makeig 2004 Lopez-Calderon y Luck 2014) y FieldTrip (Oostenveld et al. 2011), lo que permite a los usuarios preparar datos utilizando tuberías de preprocesamiento estándar para ERP análisis con adiciones mínimas. Sin embargo, DDTBOX también puede utilizar datos preprocesados ​​con muchos otros paquetes de software disponibles comercialmente. A continuación, primero discutiremos brevemente los principios básicos de los enfoques de clasificación para el estudio de las señales de EEG. Luego, proporcionaremos una descripción general de la arquitectura general del DDTBOX, complementando nuestro manual de usuario detallado en línea ( https://github.com/DDTBOX/DDTBOX/wiki ). A esto le seguirá una introducción orientada al usuario sobre el uso de DDTBOX, que cubrirá los principios y características generales, la estructura funcional de la caja de herramientas y una sección sobre cómo preparar datos de EEG y cómo configurar análisis en DDTBOX. A continuación, proporcionaremos ejemplos de investigación que ya ha utilizado versiones beta de DDTBOX, así como las limitaciones de los análisis ofrecidos por DDTBOX. Finalmente, concluiremos dando una perspectiva de los desarrollos y extensiones futuros planificados, así como las opciones para que los usuarios contribuyan directamente a la caja de herramientas. Cuando sea relevante, haremos referencia a la documentación más detallada y técnica disponible en línea, que está diseñada como una guía práctica adicional para DDTBOX. También proporcionamos un conjunto de datos de ejemplo en línea que se puede descargar para aprender a usar DDTBOX, disponible en https://osf.io/bndjg/ . Este conjunto de datos está bajo una Licencia Pública General GNU (GPL) 3.0, que garantiza los derechos del usuario para compartir y modificar los datos.


Abstracto

Aunque la interpretación musical se ha estudiado ampliamente en las ciencias del comportamiento, se ha trabajado menos en los mecanismos neuronales subyacentes, quizás debido a dificultades técnicas para adquirir datos neuronales de alta calidad durante tareas que requieren movimiento natural. El advenimiento de la electroencefalografía inalámbrica (EEG) presenta una solución a este problema al permitir la medición neuronal con artefactos de movimiento mínimos. En el estudio actual, proporcionamos la primera validación de un sistema EEG inalámbrico móvil para capturar la dinámica neuronal asociada con la interpretación del piano. En primer lugar, proponemos un método novedoso para grabar de forma sincronizada la interpretación musical y el electroencefalograma móvil inalámbrico. En segundo lugar, proporcionamos los resultados de varias pruebas de sincronización que caracterizan la precisión de la sincronización de nuestro sistema. Finalmente, informamos los resultados del dominio del tiempo y del dominio de la frecuencia de EEG de N = 40 pianistas que demuestran que los datos del EEG inalámbrico capturan las firmas temporales únicas de las actuaciones de los músicos con precisión y exactitud de grano fino. En conjunto, demostramos que el electroencefalograma inalámbrico móvil se puede utilizar para medir la dinámica neuronal de la interpretación del piano con limitaciones de movimiento mínimas. Esto abre muchas posibilidades nuevas para investigar los mecanismos cerebrales que subyacen a la interpretación musical.


RESULTADOS

Fisiología del ejercicio y desempeño de tareas

Usamos varias medidas para confirmar la eficacia de nuestra manipulación de la intensidad del ejercicio. Primero, comparamos las condiciones de intensidad del ejercicio (reposo, bajo, alto) en términos de frecuencia cardíaca y área de la pupila. La frecuencia cardíaca (Figura 2A) aumentó significativamente en función del ejercicio (F(2, 34) = 187.31, pagnulo & lt .001, η 2 = .92), de modo que cada aumento gradual de la intensidad provocó un aumento significativo de la frecuencia cardíaca (descanso frente a baja intensidad, t(17) = 9.85, pagnulo & lt .001, D = 1,97 baja frente a alta intensidad, t(17) = 9.59, pagnulo & lt .001, D = 1,04). En segundo lugar, comparamos los cambios inducidos por el ejercicio en el área de la pupila (Figura 2B). El objetivo detrás del análisis de los datos de la pupila era determinar los efectos de la excitación inducida por el ejercicio en el área de la pupila en bruto, por lo que los datos no se corrigieron en la línea de base. Los datos para cada participante y condición se colapsaron a lo largo de la época de prueba de 2 segundos para fines de análisis. Aumento del área de la pupila en función del ejercicio (F(1, 17) = 41.09, pagnulo & lt .001, η 2 = .71), nuevamente con cada aumento en la intensidad del ejercicio resultando en un aumento significativo en el área de la pupila (descanso vs. t(17) = 7.84, pagnulo & lt .001, D = 0,53 intensidad baja vs. alta, t(17) = 2.26, pagnulo & lt .05, D = 0,15). Estos resultados son consistentes con evidencia convergente de estudios en humanos y animales que muestran que, además de la variación con la luz ambiental, la dilatación de la pupila también se puede usar para indexar la excitación (McGinley et al., 2015 Erisken et al., 2014 Gilzenrat, Nieuwenhuis, Jepma, & amp Cohen, 2010 Bradley, Miccoli, Escrig y amp Lang, 2008). Sin embargo, una consideración importante es que, debido a la naturaleza de doble tarea de nuestro estudio, el aumento gradual del esfuerzo físico probablemente vaya acompañado de un aumento del esfuerzo mental, y esto también puede contribuir al aumento del tamaño de la pupila (Laeng, Sirois, et al. y Gredeback, 2012).

Fisiología y comportamiento. (A) La frecuencia cardíaca media aumentó en función del ejercicio. (B) El área de la pupila normalizada medida durante los primeros 2000 milisegundos de la prueba aumentó significativamente en función del ejercicio. (C) La precisión de la discriminación de objetivos disminuyó ligeramente en función del ejercicio. *pagnulo & lt .05, **pagnulo & lt .001.

Fisiología y comportamiento. (A) La frecuencia cardíaca media aumentó en función del ejercicio. (B) El área de la pupila normalizada medida durante los primeros 2000 milisegundos de la prueba aumentó significativamente en función del ejercicio. (C) La precisión de la discriminación de objetivos disminuyó ligeramente en función del ejercicio. *pagnulo & lt .05, **pagnulo & lt .001.

En tercer lugar, comparamos la producción de potencia de pedaleo entre las dos condiciones en las que los participantes estaban pedaleando y observamos que la producción de potencia fue mayor durante la alta intensidad (media ± SEM: 88,21 ± 21,5 W) en comparación con el ejercicio de baja intensidad (50,23 ± 2,44 W t(17) = 7.56, pagnulo & lt .001, D = 2,48). Además, el esfuerzo autoinformado de los participantes fue mayor durante el ejercicio de alta intensidad (RPE 13,33 ± 0,12) en comparación con el ejercicio de baja intensidad (RPE 7,63 ± 0,17) (t(17) = 27.37, pagnulo & lt .001, D = 9,28). Hubo un aumento pequeño pero significativo en la cadencia durante el ejercicio de baja intensidad (53,47 ± 2,66 RPM) en comparación con el ejercicio de alta intensidad (51,76 ± 2,21 RPM) (t(17) = 4.29, pagnulo & lt .01, D = 0,69), probablemente debido a la tendencia de los participantes a aumentar la cadencia cuando la resistencia al pedaleo era mínima.

El análisis de los datos de desempeño de la tarea (Figura 2C) reveló un deterioro general de la precisión de la discriminación de la orientación durante el ejercicio en comparación con el descanso (F(2, 34) = 6.71, pagnulo & lt .01, η 2 = .28), de modo que la precisión fue menor durante ambas condiciones de ejercicio (baja y alta intensidad) en comparación con el descanso (t(17) = 3.36, pagnulo & lt .001, D = 0.72 t(17) = 2.53, pagnulo & lt .05, D = 0,62, respectivamente), pero la precisión en las condiciones del ejercicio no difirió (t(17) = −0.78, pagnulo & gt .05, D = −0.14).

Clasificación de patrones y potencia EEG

Después de preprocesar los datos de EEG, se estimó la potencia de prueba única entre 4 y 30 Hz utilizando una transformada rápida de Fourier (ver Métodos). Nuestro flujo de estímulos se activó / desactivó con una pantalla gris en blanco a 15 Hz y, por lo tanto, evocó un fuerte pico de potencia en la frecuencia de estimulación de 15 Hz que se distribuyó focalmente en los electrodos occipital y parietooccipital en cada una de las tres condiciones de ejercicio ( Figura 3). La potencia media a 15 Hz fue modulada por la intensidad del ejercicio (F(2, 34) = 6.48, pagnulo & lt .01, η 2 = .28), de modo que la potencia fue significativamente mayor durante ambas condiciones de ejercicio (baja y alta intensidad) en comparación con el descanso (t(17) = 2.52, pagnulo & lt .05, D = 0.19 t(17) = 2.93, pagnulo & lt .05, D = 0,22, respectivamente). La potencia no difirió entre las condiciones de ejercicio (t(17) = .58, pagnulo & gt .05, D = 0,02). Los estudios con ratones que han manipulado el estado de comportamiento mediante la locomoción han informado reducciones en la potencia potencial del campo local de baja frecuencia (& lt30 Hz) durante la locomoción en comparación con los períodos estacionarios (Polack et al., 2013 Niell & amp Stryker, 2010). Realizamos este análisis en nuestros coeficientes de Fourier medidos en los canales occipital y parietooccipital con una resolución de frecuencia de 0.17 Hz y revelamos que las estimaciones de potencia en las bandas de frecuencia más baja (theta: 4-8 Hz, alfa: 8-13 Hz, y beta: 16-30 Hz) fueron modulados por el ejercicio (F(2, 34) = 30.9, pagnulo & lt .001, η 2 = .65), con mayor potencia durante el ejercicio de baja y alta intensidad en comparación con el descanso (t(17) = 6.16, pagnulo & lt .001, D = 0.55 t(17) = 6.70, pagnulo & lt .001, D = 0,67) pero sin diferencia de potencia entre las condiciones de ejercicio (t(17) = 1.46, pagnulo & gt .05, D = 0,11). Este resultado contradice los estudios en ratones, pero es consistente con registros previos de actividad EEG en humanos que muestran incrementos en las bandas de frecuencia alfa, beta y / o theta en función del ejercicio (Hottenrott et al., 2013 Bailey et al., 2008) .

Respuestas en estado estacionario. Observamos respuestas robustas a 15 Hz a través de los electrodos occipitales y parietooccipitales (los gráficos representan la potencia espectral promediada sobre los electrodos Oz, O1, O2, POz, PO3 y PO4 y representados entre 4 y 20 Hz para cada condición de ejercicio).

Respuestas en estado estacionario. Observamos respuestas robustas a 15 Hz a través de los electrodos occipitales y parietooccipitales (los gráficos representan la potencia espectral promediada sobre los electrodos Oz, O1, O2, POz, PO3 y PO4 y representados entre 4 y 20 Hz para cada condición de ejercicio).

Para determinar hasta qué punto los datos del EEG de ensayo único contenían información sobre la orientación del estímulo, las estimaciones de la potencia y el ángulo de fase se introdujeron en un clasificador discriminante lineal mediante un procedimiento de validación cruzada de dejar un ensayo (ver Métodos). La precisión general del clasificador estuvo por encima de la probabilidad (probabilidad = 1/9) en todas las condiciones (resto: t(17) = 6.43, pagnulo & lt .001, D = 3.03 bajo: t(17) = 6.89, pagnulo & lt .001, D = 3,25 de alto: t(17) = 5.57, pagnulo & lt .001, D = 2,63 Figura 4). Las comparaciones por pares del rendimiento del clasificador indicaron que la precisión de decodificación fue mayor durante el descanso en comparación con el ejercicio de alta intensidad (t(17) = 2.36, pagnulo & lt .05, D = 0,54), pero ni el descanso ni el ejercicio de alta intensidad fueron diferentes de forma fiable del ejercicio de baja intensidad (t(17) = −0.04, pagnulo & gt .05, D = −0.01 t(17) = 2.01, pagnulo & gt .05, D = −0,57, respectivamente).

Clasificación. Precisión de clasificación en condiciones de reposo, ejercicio de baja y alta intensidad (probabilidad pag = .11, representado por la línea discontinua). Los datos de los canales del cuero cabelludo libres de artefactos se introdujeron en el clasificador. *pagnulo & lt .05.

Clasificación. Precisión de clasificación en condiciones de reposo, ejercicio de baja y alta intensidad (probabilidad pag = .11, representado por la línea discontinua). Los datos de los canales del cuero cabelludo libres de artefactos se introdujeron en el clasificador. *pagnulo & lt .05.

Modelo de codificación invertida

Para estimar los perfiles de sintonización selectiva de la orientación a nivel de población, utilizamos una técnica de modelado IEM (p. Ej., Ester et al., 2015 Foster et al., 2016 Brouwer & amp Heeger, 2009, 2011, 2013 Garcia et al., 2013 Naselaris et al. al., 2011). Aquí utilizamos coeficientes de Fourier complejos estimados en electrodos sin artefactos entre 0 y 2000 mseg en ensayos en los que el objetivo ocurrió durante 2000 mseg después del inicio del ensayo (80% de los ensayos). Al hacerlo, se aseguró de que la respuesta neuronal no estuviera contaminada por la actividad de rotación del objetivo. Se utilizó un conjunto de ensayos de entrenamiento (todos los ensayos excepto 1) para estimar la magnitud de la respuesta en cada electrodo como una suma ponderada linealmente del conjunto de bases (un conjunto idealizado de funciones de ajuste de orientación representadas en la Figura 5A). Estos pesos de entrenamiento estimados se usaron luego para estimar la magnitud relativa de las respuestas de 15 Hz dentro de diferentes subpoblaciones de neuronas (o "canales") que están sintonizadas con diferentes orientaciones de estímulo en la prueba que quedó fuera del conjunto de entrenamiento. Este proceso se repitió hasta que todas las pruebas sirvieron tanto en conjuntos de entrenamiento como de prueba. Las respuestas del canal estimadas a partir de las pruebas de prueba se promediaron y luego se convirtieron en potencia tomando el cuadrado del valor absoluto de los números complejos. Los perfiles de respuesta medios estimados resultantes se denominan "funciones de sintonización de canal" (CTF) expresados ​​en términos de potencia (μV 2).

Decodificación y codificación. (A) Conjunto de bases graduadas utilizado en IEM. Se crearon nueve funciones básicas que abarcan de 0 ° a 160 ° en incrementos de 20 ° a partir de funciones semisinusoidales elevadas a la séptima potencia. (B) Los CTF se derivaron del modelo, utilizando los coeficientes de Fourier a 15 Hz. Este gráfico muestra CTF colapsados ​​en condiciones de ejercicio antes de centrarse. (C) Ejecutamos el IEM en todas las frecuencias entre 4 y 30 Hz y colapsamos en las condiciones de ejercicio y centramos los TF para facilitar el trazado. Este gráfico confirma una función de sintonización robusta a 15 Hz. (D) CTF centrados trazados a 15 Hz para condiciones de ejercicio de reposo, baja y alta intensidad. (E) Los CTF centrados se doblaron de 9 puntos a 5 puntos para aumentar el poder estadístico. Ajuste de Von Mises. Ganancia media (F), ancho de banda (mayor k El valor refleja el ancho de banda del perfil de sintonización reducido G) y la línea de base (H) de la función de von Mises que mejor se ajusta. Las barras de errores representan SEM. **pagnulo & lt .01, *pagnulo & lt .05.

Decodificación y codificación. (A) Conjunto de bases graduadas utilizado en IEM. Se crearon nueve funciones básicas que abarcan de 0 ° a 160 ° en incrementos de 20 ° a partir de funciones semisinusoidales elevadas a la séptima potencia. (B) Los CTF se derivaron del modelo, utilizando los coeficientes de Fourier a 15 Hz. Este gráfico muestra CTF colapsados ​​en condiciones de ejercicio antes de centrarse. (C) Ejecutamos el IEM en todas las frecuencias entre 4 y 30 Hz y colapsamos en las condiciones de ejercicio y centramos los TF para facilitar el trazado. Este gráfico confirma una función de sintonización robusta a 15 Hz. (D) CTF centrados trazados a 15 Hz para condiciones de ejercicio de reposo, baja y alta intensidad. (E) Los CTF centrados se doblaron de 9 puntos a 5 puntos para aumentar el poder estadístico. Ajuste de Von Mises. Ganancia media (F), ancho de banda (mayor k El valor refleja el ancho de banda del perfil de sintonización reducido G) y la línea de base (H) de la función de von Mises que mejor se ajusta. Las barras de errores representan SEM. **pagnulo & lt .01, *pagnulo & lt .05.

Para demostrar primero la eficacia general de este enfoque en todas las orientaciones, calculamos CTF utilizando potencia a la frecuencia de estimulación (15 Hz) para cada una de las posibles orientaciones en nuestro conjunto de estímulos colapsado en las tres condiciones de ejercicio. Este análisis produjo curvas de ajuste estables en cada una de las nueve orientaciones (Figura 5B). Como segundo paso de validación, estimamos CTF en cada frecuencia de 4 a 30 Hz y luego cambiamos las funciones de sintonización a una referencia común, lo que resultó en funciones de sintonización centradas en 0 ° (García et al., 2013). La Figura 5C muestra los CTF centrados a través de las frecuencias probadas (4–30 Hz). Hay un CTF claro presente en la frecuencia de estimulación de 15 Hz, lo que confirma que la información de respuesta selectiva de orientación se transporta predominantemente en la frecuencia de estimulación y no en otras bandas.

Habiendo demostrado la eficacia de este enfoque, los análisis clave incluyeron probar si el ejercicio modulaba los perfiles de respuesta selectiva de características. Para hacer esto, calculamos CTF separados usando los coeficientes de Fourier estimados en 15 Hz para cada una de las tres condiciones de ejercicio y luego cambiamos los CTF a un centro común (Figura 5D). Para cuantificar la modulación inducida por el ejercicio de las formas de los respectivos perfiles de respuesta, primero evaluamos los cambios en la amplitud del CTF en función de la condición del ejercicio. Para aumentar el poder estadístico, doblamos los CTF de 9 puntos a 5 puntos (0 °, 20 °, 40 °, 60 °, 80 ° Figura 5E) y luego ingresamos los CTF doblados en un ANOVA de medidas repetidas con la intensidad del ejercicio (descanso , bajo, alto) y el desplazamiento del canal (0 °, 20 °, 40 °, 60 °, 80 °) como factores dentro del participante. Este análisis reveló un efecto robusto de la compensación del canal (F(4, 68) = 112.74, pagnulo & lt .001, η 2 = .87) y críticamente una importante interacción Ejercicio × Desplazamiento del canal (F(8, 136) = 3.35, pagnulo & lt .05, η 2 = .16). Esta interacción fue impulsada por una mayor amplitud del CTF durante el ejercicio de baja intensidad en el centro CTF (0 °) y compensaciones del canal de 20 ° (t(17) = 2.68, pagnulo & lt .01, D = 0.52 t(17) = 2.39, pagnulo & lt .01, D = 0,49, respectivamente) y disminución de la amplitud del CTF durante el ejercicio de baja intensidad en las compensaciones de los canales de 40 ° y 60 ° (t(17) = −2.14, pagnulo & lt .05, D = −0.46 t(17) = −2.17, pagnulo & lt .05, D = −0,44, respectivamente), en relación con la condición de reposo. La interacción también fue impulsada por una mayor amplitud de CTF durante el ejercicio de baja intensidad en relación con el ejercicio de alta intensidad en el centro de CTF (0 °) y una amplitud disminuida a 40 ° (t(17) = 2.08, pagnulo & lt .05, D = 0.56 t(17) = −3.04, pagnulo & lt .01, D = −0,89, respectivamente). La amplitud de CTF no difirió significativamente entre las condiciones de descanso y ejercicio de alta intensidad en ninguna de las compensaciones de canal (pagnulo & GT .05). La mejora selectiva alrededor del centro del CTF de orientación bajo ejercicio de baja intensidad en relación con las otras condiciones es consistente con la noción de que el ejercicio puede inducir una ganancia multiplicativa en los perfiles de respuesta selectiva de características.

Para investigar más a fondo la fuente de las modulaciones selectivas de características durante el ejercicio de baja intensidad en relación con las otras condiciones, ajustamos una distribución de von Mises a los datos observados para cada participante y condición (ver Métodos). Un participante fue excluido de este análisis debido a la dificultad para ajustar los datos en la condición de reposo. Los parámetros de mejor ajuste para el ancho de banda, la ganancia y la línea de base se ingresaron en muestras pareadas t pruebas para comparar el ejercicio de baja intensidad versus el reposo y el ejercicio de baja intensidad versus el ejercicio de alta intensidad. La ganancia aumentó durante el ejercicio de baja intensidad en relación con el descanso y el ejercicio de alta intensidad (t(16) = 2.28, 2.41, pagnulo & lt .05, D = 0.51, .65, respectivamente Figura 5F). Los análisis de los datos de ancho de banda revelaron un aumento en el parámetro de concentración (k) durante el ejercicio de baja intensidad en relación con el descanso, lo que indica una reducción del ancho de banda del perfil de sintonización (t(16) = 2.53, pagnulo & lt .01, D = 0,69). El ancho de banda no se moduló durante el ejercicio de baja intensidad en relación con el ejercicio de alta intensidad (t(16) = .49, pagnulo & gt .05, D = 0,17 Figura 5G). La línea de base no se moduló en función del ejercicio de baja intensidad en relación con el descanso o el ejercicio de alta intensidad (t(16) = .26, .53, pagnulo & gt .05, D = 0.07, .18, respectivamente Figura 5H).

Análisis de control

Se realizaron seis análisis de control para comprobar la coherencia de los análisis principales y descartar explicaciones alternativas.

Primero, el enfoque IEM aplicado aquí reveló claramente CTF que exhibieron una respuesta graduada, de modo que la respuesta máxima está en el centro de la función (es decir, la orientación "preferida") y la respuesta cae gradualmente a medida que la desviación angular del estímulo aumenta. Sin embargo, debido a que nuestro conjunto de bases utilizó funciones clasificadas de manera similar, es posible que los CTF graduados observados aquí fueran un artefacto del conjunto de bases en lugar de inherentes a los datos de EEG. Para descartar esta explicación alternativa, volvimos a realizar el análisis reemplazando el conjunto de bases sinusoidales rectificadas de media onda con un conjunto de funciones delta ("palo") en cada una de las nueve orientaciones (Figura 6A). Los resultados de este análisis revelaron nuevamente CTF graduados modulados por el ejercicio, aunque la amplitud general de la respuesta se atenuó en relación con los CTF extraídos utilizando el conjunto de bases graduadas (Figura 6B).

Análisis de control. Funciones delta (stick). (A) Para descartar la posibilidad de que los CTF que observamos fueran un artefacto de nuestro conjunto de bases graduadas, volvimos a ejecutar nuestro IEM reemplazando el conjunto de bases de semisinusoides originales con un conjunto de funciones Delta ("palo"). (B) Los CTF que obtuvimos de este análisis revelaron CTF graduados con un patrón similar de modulación por ejercicio como antes. Ensayos por orientación. (C) El gráfico muestra el número medio de ensayos presentes para cada orientación en el conjunto de entrenamiento después del rechazo de artefactos. Dispersión de la mirada y movimiento de la cabeza. (D) Dispersión de la muestra de mirada. (E) Dispersión de la muestra de movimiento de la cabeza. Las barras de errores representan SEM. **pagnulo & lt .001.

Análisis de control. Funciones delta (stick). (A) Para descartar la posibilidad de que los CTF que observamos fueran un artefacto de nuestro conjunto de bases graduadas, volvimos a ejecutar nuestro IEM reemplazando el conjunto de bases de semisinusoides originales con un conjunto de funciones Delta ("palo"). (B) Los CTF que obtuvimos de este análisis revelaron CTF graduados con un patrón similar de modulación por ejercicio como antes. Ensayos por orientación. (C) El gráfico muestra el número medio de ensayos presentes para cada orientación en el conjunto de entrenamiento después del rechazo de artefactos. Dispersión de la mirada y movimiento de la cabeza. (D) Dispersión de la muestra de mirada. (E) Dispersión de la muestra de movimiento de la cabeza. Las barras de errores representan SEM. **pagnulo & lt .001.

En segundo lugar, después del rechazo de artefactos, el número de intentos en cada una de las nueve orientaciones en el conjunto de entrenamiento no fue el mismo (ensayos promedio por serie: descanso 30,94 ± 0,16, bajo 30,71 ± 0,27, alto 30,66 ± 0,24). Confirmamos que no hubo sesgo sistemático en el número de ensayos de entrenamiento por orientación en función de la condición de ejercicio (F(2, 34) = .94, pagnulo & gt .05, η 2 = .05), orientación (F(8, 136) = .27, pagnulo & gt .05, η 2 = .02), o cualquier interacción entre los dos factores (F(16, 272) = .57, pagnulo & gt .05, η 2 = .03 Figura 6C).

En tercer lugar, observamos un aumento pequeño pero significativo en la cadencia de pedaleo en la condición de ejercicio de baja intensidad en comparación con la de alta intensidad. La presencia de esta diferencia abre la puerta a la posibilidad de que las modulaciones en la activación neural que observamos estuvieran más relacionadas con la cadencia que con la intensidad del ejercicio. Si es cierto, entonces debería haber correlaciones confiables entre la cadencia y nuestras diversas medidas de actividad neuronal (es decir, ganancia CTF, ancho de banda y línea de base, potencia en la frecuencia de estimulación y potencia espectral global). Las correlaciones bootstrap confirmaron que no hubo correlaciones significativas (Tabla 2).

Correlaciones Bootstrapped que comparan la cadencia media con las medidas neuronales medias durante las condiciones de ejercicio de baja y alta intensidad (IC del 95% & lt Rho medio & lt + IC del 95%)

. Intensidad baja . Alta intensidad .
Cadencia
Ganancia CTF −.35 y lt .08 y lt .46 −.27 & lt .03 & lt .40
Ancho de banda CTF −.32 & lt .07 & lt .31 −.37 & lt −.01 & lt .58
Línea de base CTF −.58 & lt −.19 & lt .34 −.25 & lt −.10 & lt .35
Frecuencia de estimulación −.61 & lt −.32 & lt .08 −.54 & lt −.25 & lt .22
Poder espectral global −.54 & lt −.25 & lt .14 −.63 & lt −.33 & lt .06
. Intensidad baja . Alta intensidad .
Cadencia
Ganancia CTF −.35 y lt .08 y lt .46 −.27 & lt .03 & lt .40
Ancho de banda CTF −.32 & lt .07 & lt .31 −.37 & lt −.01 & lt .58
Línea de base CTF −.58 & lt −.19 & lt .34 −.25 & lt −.10 & lt .35
Frecuencia de estimulación −.61 & lt −.32 & lt .08 −.54 & lt −.25 & lt .22
Poder espectral global −.54 & lt −.25 & lt .14 −.63 & lt −.33 & lt .06

Cuarto, de acuerdo con estudios en la literatura animal (McGinley et al., 2015 Erisken et al., 2014), informamos un aumento monótono en el tamaño de la pupila en función de la intensidad del ejercicio. La magnitud de las aberraciones esféricas aumenta con el tamaño de la pupila, que se sabe que degrada la calidad óptica de la imagen retiniana (Lombardo & amp Lombardo, 2010), lo que aumenta la posibilidad de que la dilatación de la pupila inducida por el ejercicio pueda modular la ganancia visuocortical. Para probar esto, se calculó el cambio porcentual en el área de la pupila y todas las medidas neuronales en función de la condición de ejercicio. Las correlaciones bootstrapped confirmaron que no hubo correlaciones significativas (Tabla 3), lo que indica que los cambios inducidos por el ejercicio en la actividad neuronal informados aquí no se confunden con los cambios en el tamaño de la pupila.

Correlaciones bootstrapped que comparan el cambio porcentual en el área de la pupila, la mirada y el movimiento de la cabeza con el cambio porcentual en las medidas neuronales (−95% CI & lt Media Rho & lt + 95% CI)

. %Δ Descanso vs.Bajo . %Δ Descanso vs. Alto . %Δ Bajo vs. Alto .
Área de la pupila
Ganancia CTF −.29 & lt .03 & lt .31 −.56 & lt −.09 & lt .19 −.38 & lt −.02 & lt .39
Ancho de banda CTF −.62 & lt −.25 & lt .39 −.51 & lt .04 & lt .85 −.29 & lt .23 & lt .66
Línea de base CTF −.43 & lt −.11 & lt .41 −.12 y lt .71 y lt .99 −.90 & lt −.28 & lt .14
Frecuencia de estimulación −.27 & lt .28 & lt .78 −.20 y lt .31 y lt .72 −.02 & lt .35 & lt .60
Poder del espectro global −.75 y lt .28 y lt .22 −.67 & lt −.22 & lt .26 −.21 & lt .31 & lt .58
Dispersión de la mirada
Ganancia CTF −.22 & lt .10 & lt .59 −.29 & lt .01 & lt .34 −.72 & lt −.37 & lt .13
Ancho de banda CTF −.18 & lt .11 & lt .45 −.37 & lt −.04 & lt .70 −.45 & lt .06 & lt .85
Línea de base CTF −.47 & lt −.07 & lt .28 −.29 & lt −.07 & lt .28 −.07 & lt .20 & lt .51
Frecuencia de estimulación −.55 & lt −.17 & lt .23 −.51 & lt −.18 & lt .30 −.67 & lt −.41 & lt .02
Poder espectral global −.66 & lt −.26 & lt .10 −.65 & lt −.34 & lt .04 −.64 & lt −.23 & lt .28
Dispersión del movimiento de la cabeza
Ganancia CTF −.57 & lt −.28 & lt .41 −.67 & lt .06 & lt .53 −.70 & lt −.01 & lt .59
Ancho de banda CTF −.68 & lt −.52 & lt .07 −.77 & lt −.58 & lt .17 −.63 & lt .41 & lt .10
Línea de base CTF −.75 y lt −.07 y lt .36 −.87 & lt −.35 & lt .35 −.32 & lt .11 & lt .75
Frecuencia de estimulación .21 & lt .59 & lt .90 * −.65 & lt .27 & lt .65 −.51 & lt .03 & lt .73
Poder espectral global .34 & lt .75 & lt .95 * −.12 & lt .51 y lt .86 −.76 & lt −.21 & lt .65
. %Δ Descanso vs.Bajo . %Δ Descanso vs. Alto . %Δ Bajo vs. Alto .
Área de la pupila
Ganancia CTF −.29 & lt .03 & lt .31 −.56 & lt −.09 & lt .19 −.38 & lt −.02 & lt .39
Ancho de banda CTF −.62 & lt −.25 & lt .39 −.51 & lt .04 & lt .85 −.29 & lt .23 & lt .66
Línea de base CTF −.43 & lt −.11 & lt .41 −.12 y lt .71 y lt .99 −.90 & lt −.28 & lt .14
Frecuencia de estimulación −.27 & lt .28 & lt .78 −.20 y lt .31 y lt .72 −.02 & lt .35 & lt .60
Poder del espectro global −.75 y lt .28 y lt .22 −.67 & lt −.22 & lt .26 −.21 & lt .31 & lt .58
Dispersión de la mirada
Ganancia CTF −.22 & lt .10 & lt .59 −.29 & lt .01 & lt .34 −.72 & lt −.37 & lt .13
Ancho de banda CTF −.18 & lt .11 & lt .45 −.37 & lt −.04 & lt .70 −.45 & lt .06 & lt .85
Línea de base CTF −.47 & lt −.07 & lt .28 −.29 & lt −.07 & lt .28 −.07 & lt .20 & lt .51
Frecuencia de estimulación −.55 & lt −.17 & lt .23 −.51 & lt −.18 & lt .30 −.67 & lt −.41 & lt .02
Poder espectral global −.66 & lt −.26 & lt .10 −.65 & lt −.34 & lt .04 −.64 & lt −.23 & lt .28
Dispersión del movimiento de la cabeza
Ganancia CTF −.57 & lt −.28 & lt .41 −.67 & lt .06 & lt .53 −.70 & lt −.01 & lt .59
Ancho de banda CTF −.68 & lt −.52 & lt .07 −.77 & lt −.58 & lt .17 −.63 & lt .41 & lt .10
Línea de base CTF −.75 y lt −.07 y lt .36 −.87 & lt −.35 & lt .35 −.32 & lt .11 & lt .75
Frecuencia de estimulación .21 & lt .59 & lt .90 * −.65 & lt .27 & lt .65 −.51 & lt .03 & lt .73
Poder espectral global .34 & lt .75 & lt .95 * −.12 & lt .51 y lt .86 −.76 & lt −.21 & lt .65

En quinto lugar, nuestra metodología dependiente de la mirada aseguró que cualquier ensayo en el que el participante parpadeara o realizara movimientos oculares mayores de 1,75 ° desde la cruz de fijación central se rechazara en línea y se volviera a ejecutar. Sin embargo, los pequeños cambios en la dispersión de la mirada dentro de la ventana aceptable podrían ser modulados por la condición del ejercicio, lo que puede haber contribuido a cambios en la actividad cerebral. Si es cierto, debería haber correlaciones fiables entre las puntuaciones de dispersión de la mirada y las medidas de actividad neuronal (Figura 6D). Para probar esto, calculamos una puntuación de dispersión de la mirada (ver Métodos). Dispersión de la mirada modulada por condición de ejercicio (F(2, 34) = 14.22, pagnulo & lt .001, η 2 = .46), con mayor dispersión durante el ejercicio de baja y alta intensidad en comparación con el reposo (t(17) = 4.44, 3.67 pagnulo & lt .001, D = 1,37, 1,30, respectivamente), pero no hubo diferencia entre las condiciones de ejercicio (t(17) = .42, pagnulo & gt .05, D = 0,07). Para determinar si los cambios inducidos por el ejercicio en la dispersión de la mirada seguían con los cambios en las medidas neuronales, se calculó el cambio porcentual entre todas las condiciones de ejercicio (descanso frente a bajo, descanso frente a alto, bajo frente a alto) para las puntuaciones de dispersión de la mirada y todos Luego se correlacionaron las medidas neuronales y los valores de cambio porcentual (Tabla 3). No hubo relación entre los cambios en la mirada inducidos por el ejercicio y los cambios en las características del CTF, lo que sugiere que los efectos de ganancia y modulación del ancho de banda que observamos en función del ejercicio no pueden atribuirse a cambios en la posición de la mirada dentro de nuestra ventana aceptable. Del mismo modo, no hubo relación entre la mirada y las medidas de potencia espectral.

Finalmente, para evaluar si nuestros resultados eran atribuibles a artefactos de movimiento en los datos de EEG, cuantificamos el movimiento de la cabeza utilizando una métrica de dispersión similar a la métrica de dispersión de la posición de la mirada descrita anteriormente. Dispersión de la posición de la cabeza modulada por condición de ejercicio (F(2, 24) = 54.1, pagnulo & lt .001, η 2 = .82), con mayor dispersión durante el ejercicio de baja y alta intensidad en comparación con el reposo (t(12) = 7.82, 9.06, pagnulo & lt .001, D = 2,48, 2,84), pero las condiciones de ejercicio no fueron diferentes (t(12) = 1.24, pagnulo & gt .05, D = 0,24) (Figura 6E). Al igual que con el análisis de la posición de la mirada, no hubo correlaciones entre la dispersión de la posición de la cabeza y ninguna de las medidas CTF (Tabla 3). Sin embargo, hubo una relación entre el aumento del movimiento de la cabeza y el aumento de la potencia espectral global y la potencia a la frecuencia de estimulación como una función del ejercicio de baja intensidad en relación con el descanso.


Los estudios con participantes humanos fueron revisados ​​y aprobados por la Junta de Ética de Investigación en Humanos de la Universidad de Victoria. Los pacientes / participantes proporcionaron su consentimiento informado por escrito para participar en este estudio.

OK encabezó el proyecto de investigación, gestionó todas las sesiones de recopilación de datos, supervisó el análisis de datos y redactó el manuscrito. MH completó la recopilación de datos en algunos de los lugares de investigación, el análisis de datos y ayudó en la redacción del manuscrito. WA completó la recopilación de datos en la mayoría de los lugares de investigación y ayudó en el análisis de datos. RT completó la recopilación de datos en la mayoría de los lugares de investigación y ayudó en el análisis de datos. BW fue un autor principal y ayudó con la conceptualización, el diseño experimental y la redacción. KH ayudó en la redacción y el análisis estadístico y de datos. GB recibió ayuda con la conceptualización, el diseño experimental y la redacción. Todos los autores contribuyeron al artículo y aprobaron la versión enviada.


RESULTADOS

Sincronía de estudiante a grupo y retención de la memoria

Primero probamos si la sincronía cerebro-cerebro entre un estudiante y sus compañeros predijo la retención de contenido. En general, los estudiantes retuvieron el contenido presentado en videos mejor que el contenido de las conferencias (video: 0.78 ± 0.02 conferencia: 0.70 ± 0.03 Estilo de enseñanza × Puntajes de las pruebas: F(1, 10) = 6.40, pag = .029 Figura 2A, derecha). Sin embargo, contrariamente a nuestra predicción basada en hallazgos previos (Cohen & amp Parra, 2016), no hubo una relación significativa entre la sincronía cerebral de estudiante a grupo y la retención del contenido de la lección (TI de estudiante a grupo × Puntajes de prueba: F(1, 70) = 1.16, pag = .2847 Figura 2B Tabla 1, Celda 1).

Sincronía cerebro-cerebro, retención de estudiantes y diferencias individuales. (A) TI promedio de estudiante a grupo (izquierda) y puntajes promedio de prueba (derecha) para dos estilos de enseñanza (videos vs. conferencias). La sincronía del cerebro de los estudiantes con el grupo no se correlacionó con el desempeño en una prueba de conocimientos (B). (C) TI de estudiante a maestro (izquierda) y participación diaria autoinformada de los estudiantes (derecha). El compromiso diario de los estudiantes predijo el TI (D) de estudiante a maestro.

Sincronía cerebro-cerebro, retención de estudiantes y diferencias individuales. (A) TI promedio de estudiante a grupo (izquierda) y puntajes promedio de exámenes (derecha) para dos estilos de enseñanza (videos vs. conferencias). La sincronía del cerebro de los estudiantes con el grupo no se correlacionó con el desempeño en una prueba de conocimientos (B). (C) TI de estudiante a maestro (izquierda) y participación diaria autoinformada de los estudiantes (derecha). El compromiso diario de los estudiantes predijo el TI (D) de estudiante a maestro.

Sincronía cerebro-cerebro, dinámica alumno-profesor y aprendizaje

De manera similar a nuestros hallazgos anteriores (Dikker et al., 2017), los estudiantes informaron una mayor participación diaria para los videos en comparación con las conferencias (video: 5.05 ± 0.21 conferencia: 3.63 ± 0.18 Participación diaria × Estilo de enseñanza: F(1, 9) = 14.67, pag = .004). Además, el TI de alumno a maestro sugiere variaciones de acuerdo con el estilo de enseñanza donde la sincronía cerebral con el maestro fue significativamente mayor para los videos en comparación con las clases magistrales (video: 0.65 ± 0.02 conferencia: 0.39 ± 0.03 TI de estudiante a maestro × Estilo de enseñanza: F(1, 10) = 35.33, pag = .0001 Figura 2C, izquierda), y hubo una fuerte interacción entre las dos variables (TI de alumno a maestro × Compromiso diario: F(1, 43) = 10.33, pag = .003 Figura 2D Tabla 1, Celda 2). Curiosamente, la participación diaria de los estudiantes no se correlacionó con la sincronía cerebral del estudiante con el grupo (no se muestra), replicando hallazgos similares de Dikker et al. (2017), quienes encontraron que las calificaciones de participación posteriores al semestre, pero no las calificaciones de participación diaria, se correlacionaban con la TI de estudiante a grupo. Esto sugiere que la relación de los estudiantes con su maestro puede ser un predictor más fuerte de la participación en la clase que los compañeros de un estudiante.

A continuación, exploramos si los factores "relevantes para el maestro" variaban en función del estilo de enseñanza. Como se señaló anteriormente, una distinción importante entre los estilos de enseñanza de video y conferencias es que el profesor juega un papel fundamental durante las conferencias, mientras que este no es el caso de los videos. Dikker y col. (2017) encontraron que la calificación de agrado del maestro de un estudiante se correlacionó significativamente con la diferencia entre el TI de estudiante a grupo de un estudiante durante el video en comparación con el contenido de la conferencia (es decir, el TI de estudiante a grupo durante los videos se usó como una "línea de base" condición): cuanto mayor sea la simpatía del profesor, menor será la diferencia entre las condiciones (recuerde que las sesiones de video en general muestran valores de TI más altos, debido a una combinación de propiedades de estímulo y factores de participación, ver Dikker et al., 2017). Aquí, extendemos este hallazgo a la TI de alumno a maestro: como se muestra en la Figura 3A y B, la correlación entre la TI de estudiante a maestro durante las clases, por un lado, y la diferencia de video-conferencia entre estudiante y el grupo TI, por otro lado, sugiere variaciones significativas según el estilo de enseñanza (TI de estudiante a maestro × TI de estudiante a grupovideo-conferencia: F(1, 28) = 6.48, pag = .0167 Tabla 1, Celda 3). Hubo una correlación negativa entre las dos variables durante las conferencias (r = −.426, pag & lt .05), pero no durante los videos (r = .23, pag = .258). Estos análisis exploratorios sugieren que los estudiantes que mostraron una mayor sincronía cerebral con su maestro durante las condiciones de la conferencia también mostraron una menor reducción relativa en su sincronía con el grupo para las conferencias en comparación con los videos.

La dinámica social predice la sincronía y la retención alumno-maestro. (A) La diferencia en el TI de estudiante a grupo (TI de video menos TI de conferencia) predijo una mayor sincronía con el maestro durante las conferencias, pero no durante los videos (B). (C) La cercanía alumno-maestro predijo la sincronía alumno-maestro durante las clases, pero no durante los videos (D). La cercanía alumno-profesor predijo mejores puntuaciones en las pruebas (E), pero TI alumno-profesor no lo hizo (F).

La dinámica social predice la sincronía y la retención alumno-maestro. (A) La diferencia en el TI de estudiante a grupo (TI de video menos TI de conferencia) predijo una mayor sincronía con el maestro durante las conferencias, pero no durante los videos (B). (C) La cercanía alumno-maestro predijo la sincronía alumno-maestro durante las clases, pero no durante los videos (D). La cercanía alumno-profesor predijo mejores puntuaciones en las pruebas (E), pero TI alumno-profesor no lo hizo (F).

Observamos una interacción similar para la correlación entre la cercanía alumno-maestro y el TI alumno-maestro (r = .382, pag & lt .05): Las calificaciones de cercanía alumno-maestro solo predijeron el TI de alumno a maestro durante las clases, no videos (cercanía alumno-maestro: 3.94 ± 0.26 Cercanía alumno-maestro × Estilo de enseñanza: F(1, 39) = 3.98, pag = .05 Figura 3C y D Tabla 1, celda 4). Curiosamente, hubo una correlación significativa entre la cercanía alumno-maestro y los puntajes de las pruebas (r = .352, pag = .003 Figura 3E Tabla 1, Celda 5). Sin embargo, al igual que el TI de alumno a grupo, el TI de alumno a maestro no predijo los puntajes de las pruebas para ninguna de las condiciones (TI de estudiante a maestro × Puntajes de prueba: F(1, 35) = 0.05, pag = .818 Figura 3F Tabla 1, celda 6).


2. Materiales y métodos

2.1. Asignaturas

Un total de 15 sujetos adictos a la heroína (HA) (rango de edad de 22 a 47 años) participaron en este estudio. Eran del Segundo Centro de Rehabilitación de Aislamiento Obligatorio en la provincia de Gansu, República Popular de China. Todos los sujetos cumplían los criterios de dependencia de opioides del manual diagnóstico y estadístico de trastornos mentales (DSM-V) (Asociación Estadounidense de Psiquiatría, 2013) y tenían antecedentes de consumo continuo de heroína durante más de dos años. Se excluyeron los sujetos con trastornos neurológicos y psiquiátricos y antecedentes genéticos o familiares asociados, aunque con hábitos de tabaquismo y bebida, los sujetos seleccionados no tenían antecedentes de adicción al alcohol, nicotina u otras drogas. No recibieron metadona ni tratamiento farmacológico alternativo, y tenían estabilidad emocional y capacidad normal de aprendizaje, movimiento y percepción, según una entrevista realizada por el Centro de Rehabilitación de Aislamiento Obligatorio. El estudio fue aprobado por el Comité de Ética del instituto de psicología de la Academia de Ciencias de China (Número de aprobación: H15020).

Se reclutó a un total de 14 participantes no adictos (NA) emparejados por edad y educación del estado de Linxia en la provincia de Gansu con inteligencia normal. Se les excluyó de tener una enfermedad mental o daño cerebral antes de la inscripción. Los participantes eran hombres diestros y firmaron el formulario de consentimiento informado antes de comenzar el estudio. La Tabla 1 resume la información demográfica de ambos grupos.

Tabla 1. Información demográfica de ambos grupos (abstinentes de heroína y no adictos).

Abstinencia de heroína (HA) No adicto (NA) PAG valor
Edad promedio 0.918 & gt 0.05
Sexo Hombre (100%) Hombre (100%)
Educación
Escuela primaria 3(20%) 5(36%)
Educación Secundaria 10(67%) 7(50%) 0,690 y 0,05 gt
educación universitaria 2(13%) 2(14%)

2.2. Preparación y registro de EEG

Todos los datos de EEG en estado de reposo se adquirieron en el Segundo Centro de Rehabilitación de Aislamiento Obligatorio (abstinentes de heroína) y en el estado de Linxia (controles sanos) en la provincia de Gansu. Antes de iniciar el experimento, se explicó el procedimiento a los participantes, quienes se sentaron en una cómoda silla de una habitación insonorizada y con poca luz. A todos los participantes se les dijo que cerraran los ojos, permanecieran relajados y evitaran los movimientos. La adquisición de datos duró 5 min.

Se adquirió un EEG de cuero cabelludo no invasivo utilizando un sistema de análisis de registro electroencefalográfico de 64 canales (Brain Products, Alemania) siguiendo el sistema de 10-20 electrodos de la federación internacional. La impedancia de cada participante siempre estuvo por debajo de 20 k. La frecuencia de muestreo fue de 1000 Hz. El electrodo FCz se utilizó como referencia y se registró el EOG para la eliminación posterior de los artefactos oculares. Los datos de EEG se registraron mediante el software de grabación de visión versión 2.0 de German Brain Products.

2.2.1. Análisis EEG.

Después de verificar la calidad de los datos mediante una inspección visual, descubrimos que durante el proceso de registro de la señal de EEG, varios sujetos produjeron algunas acciones, como tragar, toser y temblar los músculos, lo que resultó en grandes artefactos. Para evitar la contaminación de los análisis de datos adicionales, se eliminaron los segmentos defectuosos correspondientes para el emparejamiento de muestras, se igualaron las longitudes de los datos de EEG para todos los sujetos. Finalmente, para cada sujeto, se recortaron longitudes de datos de 4 minutos de 5 minutos. El canal de ECG no se usó en el experimento. Se usaron 63 canales de señales de EEG. El promedio de todo el cerebro se calculó como una re-referencia para todos los participantes [31]. Dado que la descomposición confiable de la fuente se basó en una alta relación señal / ruido (SNR), generamos conjuntos de datos filtrados (1-45 Hz) para ambos grupos de sujetos. Dado que el filtrado podría afectar las fases originales [32], generamos conjuntos de datos adicionales sin filtrar de los grupos HA y NA para un análisis de conectividad eficaz.

La caja de herramientas EEGLAB en MATLAB se utilizó para procesar y analizar datos continuos en estado de reposo [33]. Para el preprocesamiento de conjuntos de datos filtrados, los datos se filtraron a través de un filtro de paso de banda con cortes altos y bajos de 1 a 45 Hz y un filtro de muesca de 50 Hz. Para el preprocesamiento de conjuntos de datos sin filtrar, solo se utilizó un filtro de paso alto de 0,5 Hz y un filtro de muesca de 50 Hz para eliminar la deriva de voltaje y los ruidos lineales. Los conjuntos de datos filtrados y los conjuntos de datos sin filtrar tenían el mismo procesamiento de rechazos de artefactos para los movimientos oculares y el ruido ambiental. Los movimientos oculares de los datos del sensor se detectaron y eliminaron mediante la realización de análisis de componentes independientes (ICA), después de que los datos limpios se recompusieron a partir de los componentes restantes [34, 35].

Los datos de EEG sin ruido individuales tenían 4 min * 60 s * 1000 Hz = 240 000 muestras. Para ahorrar tiempo y espacio en el cálculo de recursos, la frecuencia de muestreo se redujo a 200 Hz, las grabaciones individuales a largo plazo se recortaron en 24 segmentos con una ventana de tiempo de 10 segundos, correspondiente a una matriz (segmentos = 24, canales = 63, muestras = 2000). Todas las grabaciones individuales se organizaron en grupos HA y NA. Este trabajo asumió que los datos de EEG en estado de reposo eran similares dentro de cada grupo. Luego, los datos de EEG individuales se normalizaron utilizando un z-Método de puntuación con la media del conjunto del grupo correspondiente y la desviación estándar a lo largo de la dimensión de la muestra. Posteriormente, se construyeron matrices de grupo para una mayor descomposición de la fuente y análisis de conectividad. Había dos tipos de matrices: matrices de grupo filtrado y matrices de grupo sin filtrar. Cada matriz de grupo tenía la forma de (sujetos * segmentos, canales, muestras).

2.2.2. Descomposición de la fuente cerebral.

Los datos de EEG filtrados con alta SNR fueron más adecuados para la estimación de fuentes cerebrales. La caja de herramientas SCoT implementó la descomposición de fuente ciega y el ajuste del modelo VAR con el enfoque MVARICA [18, 36]. Siguiendo el trabajo de Billinger et al ([18]), las señales de EEG se asumieron como la mezcla lineal de activaciones de fuente, la relación fue como se define en la ecuación (1), la matriz de mezcla METRO transformó cada muestra norte de las activaciones de fuentes snorte en la muestra norte de las señales EEG de grupo filtradas Xnorte. El detalle de las activaciones de la fuente fue como se presenta en la ecuación (2), snorte fue modelado usando anterior pag muestras (también denominadas como el orden del modelo) multiplicadas por las matrices de coeficientes MVAR correspondientes A (k) y agregado con un proceso de innovación mi, mi se asumió que era un proceso de ruido no gaussiano independiente del modelo MVAR ajustado.

La descomposición de la fuente funcionó en cuatro pasos (como se muestra en la figura 1). En primer lugar, se aplicó el análisis de componentes principales (PCA) en el registro de EEG Xnorte para reducir los componentes con menor contribución a la varianza total del EEG y limitar el número de fuentes en la ecuación (3), en la que C es la matriz de transformación PCA. En segundo lugar, el modelo MVAR de ynorte se ajustó utilizando las muestras anteriores k (de 1 a pag) de componentes principales (PC) multiplicado por B (k) y añadido con residuos de ruido blanco. r en la ecuación (4) De las ecuaciones (1) - (4), obtuvimos la relación entre dos residuos de ruido blanco en la ecuación (5):

Figura 1. Descomposición de la fuente con MVARICA. Bajo esta tubería, las activaciones de fuente estimadas se derivaron del EEG filtrado. Señales EEG filtradas X se transformaron en componentes principales y por PCA. Después y ajustado un modelo MVAR usando el orden del modelo pag, los residuos r ICA descompuso el modelo ajustado para obtener una estimación de la matriz combinada CM. En última instancia, esta matriz junto con la transformación C se utilizó para obtener una estimación [18].

En tercer lugar, se adoptó una prueba de blancura para comprobar si los residuos no eran blancos: cuando el pag-El valor estimado de la prueba de blancura fue superior a 0,05, los residuos de los modelos MVAR ajustados se consideraron blancos [18, 37]; de lo contrario, la cantidad de PC o muestras anteriores tuvo que ajustarse para ajustarse bien al modelo MVAR.

En cuarto lugar, ICA descompuso los residuos del modelo de PC para obtener el estimado [38]. Finalmente, la matriz de desmezcla se obtuvo a partir de la ecuación (6), señales EEG X se transfirieron a activaciones de fuente estimadas en la ecuación (7):

La topografía de las fuentes descompuestas se estimó mediante la combinación y las posiciones de los electrodos de EEG [18, 20].

Estudios previos de adicción a la heroína indicaron anomalías en las cortezas temporal, frontal, parietal y occipital [1, 16]. En este trabajo, tomamos cuatro, seis y ocho como candidatos para la cantidad de componentes principales (PC) que esperábamos que los PC descompuestos fueran de las áreas anormales del cerebro inducidas por la adicción a la heroína. Con base en el procedimiento anterior, la matriz de desmezcla de los grupos HA y NA se llevó a cabo de la siguiente manera: (1) Se aplicó PCA a las señales EEG del grupo HA y NA por separado (2) se ajustaron dos modelos VAR utilizando componentes principales del grupo HA y NA (3) se probó la blancura de los residuos de los dos modelos VAR (4) los dos residuos blancos de los dos modelos VAR se concatenaron y el ICA se ejecutó en los residuos concatenados (5) se generó la matriz de no mezcla y las fuentes de varianza entre los dos grupos estimados.

2.2.3. Análisis de conectividad eficaz.

Los métodos de filtrado que siguen al análisis de causalidad pueden influir en la fiabilidad de los resultados de causalidad [32], por lo que se utilizaron matrices de EEG de grupo sin filtrar para un modelado eficaz de la red. Siempre que las fuentes fueran espacialmente estacionarias, la matriz de desmezcla estimada a partir de los datos de EEG filtrados podría servir como un filtro espacial para extraer las señales de la fuente de las matrices de EEG de grupo sin filtrar [18, 39]. La estacionariedad de las fuentes sin filtrar se puede verificar probando la constante de la matriz de mezcla. METRO el mismo orden de modelo pag se utilizó para construir el modelo MVAR X = Milisegundo, los valores propios de METRO se probaron cuando el orden del modelo se varió de 1 a pag. Si todos los valores propios fueran & lt1, las fuentes sin filtrar se consideraron adecuadas para la misma matriz sin mezclar [18, 40].

Aplicando la misma matriz de descomposición, los datos de dos grupos diferentes podrían utilizar las mismas poblaciones de origen, lo que facilitó la comparación de las redes cerebrales de los dos grupos de sujetos [18]. Una vez que se extrajeron las fuentes sin filtrar de estas regiones descompuestas, se aplicó la función GPDC para el análisis de causalidad entre las señales de la fuente dentro de cada grupo. GPDC era una versión modificada de coherencia dirigida parcial (PDC). PDC proporcionó una descripción de la interacción mutua entre pares de fuentes de señales mientras se deducía el efecto de otras fuentes simultáneas [41]. En comparación con PDC, GPDC introdujo el peso de la variación de ruido de cada serie de tiempo involucrada, lo que lo hizo adecuado para distinguir entre conexiones directas e indirectas. Mientras tanto, era más robusto para series de tiempo sin filtrar [28, 29].

Como se muestra en la figura 2, hubo cinco pasos para el análisis de conectividad efectivo de los grupos HA y NA: (1) sin filtrar y z-Datos de EEG puntuados (norte_sujetos * 24, 63, 10 000) se descompusieron en matrices fuente (norte_sujetos * 24, PC, 10000) para cada grupo, norte_subjects fue el número de sujetos de cada grupo, y PCs fue el número de regiones de origen o componentes principales (2), luego las fuentes descompuestas de cada grupo se ajustaron al modelo MVAR con el mismo orden de modelo pag, se probaron la blancura y la estacionariedad del modelo ajustado; si las pruebas fallaban, la matriz de desmezcla se volvería a estimar utilizando un orden de modelo superior (3) el modelo MVAR ajustado se transformó en el dominio de frecuencia por Z- enfoque de transformación [28] (4) Se realizó GPDC para cada grupo, y se construyeron redes efectivas tanto del grupo HA como del grupo NA. (5) Las diferencias estadísticas de conectividad de los dos grupos se obtuvieron realizando estimaciones de bootstrap [18].

Figura 2. Procedimiento del análisis de conectividad efectiva con GPDC. Según este procedimiento, las interacciones causales de cada par de fuentes se derivaron de datos de EEG sin filtrar. Señales EEG estables sin filtrar X fueron descompuestos por la matriz unificada sin mezclar. Las señales fuente estimadas posteriormente se ajustaron a un modelo MVAR utilizando el orden del modelo pag, wnorte era el vector aditivo de ruido blanco y Ak Fueron los coeficientes del modelo MVAR, se realizaron pruebas de estabilidad y blancura en el modelo MVAR construido. Luego Z-transform se aplicó para transferir el modelo VAR estable a la representación de frecuencia. Además, las redes efectivas de dos grupos se estimaron mediante el método GPDC, la influencia causal de una señal fuente j a una señal de destino I fue estimado por la medida de GPDC, (Cii es el Iel elemento diagonal de la matriz de covarianza de ruido C, METRO es el número de fuentes descompuestas, Aij(F) es la matriz de transferencia espectral de j para I). Finalmente, se estimaron las diferencias estadísticas de conectividad entre los dos grupos.

2.2.4. Estadísticas.

En este trabajo, aplicamos la estrategia de fases de barajado para estimar la importancia de las interacciones causales entre las señales fuente descompuestas dentro de cada grupo. Se aplicó el método bootstrap para revelar las diferencias de red entre dos sujetos del grupo [18]. Las interacciones causales se infirieron principalmente a partir de la relación de fase entre las señales de la fuente real, por lo que los datos sustitutos se obtuvieron mediante la mezcla aleatoria de fases sin cambiar la magnitud de las fuentes. El proceso de barajado de fases destruyó las interacciones causales originales, manteniendo la estructura espectral de las fuentes reales. Posteriormente, se aplicó GPDC a los datos sustitutos. Correspondiendo a cada grupo de redes efectivas, los procedimientos de estimación de causalidad y barajado se repitieron 1000 veces, luego se generó una distribución de valores de GPDC bajo la hipótesis nula de que no existían interacciones causales entre las regiones de origen. Este trabajo tomó el percentil 99,99 de los valores sustitutos de GPDC como el umbral significativo de las interacciones causales reales [27, 28, 42, 43].

Las diferencias de conectividad de grupo se evaluaron estadísticamente mediante el método bootstrap. El presente trabajo aplicó la función Bootstrap de la caja de herramientas SCoT para las estimaciones de conectividad efectiva anormal. Se extrajeron muestras de Bootstrap a nivel de prueba, para 29 sujetos (HA: 15 sujetos, NA: 14 sujetos) * 24 ensayos = 696 ensayos en total. La distribución de las diferencias en la conectividad efectiva se obtuvo mediante el arranque de los grupos HA y NA. Las repeticiones de las estimaciones de Bootstrap fueron 10 000. Para cada estimación de Bootstrap, se generaron 696 muestras de todos los 696 ensayos utilizando el método de muestreo aleatorio con reemplazo. Se garantizó que la proporción de diferencias significativas detectadas falsamente sería inferior a 0,01 [18].


5 CONCLUSIÓN Y TRABAJOS FUTUROS

Este estudio proporciona una prueba de concepto sobre la posibilidad de obtener imágenes de las bases neuronales de la navegación espacial basada en puntos de referencia en configuraciones móviles y ecológicas. Primero, el análisis de EEG presentado identifica un conjunto de estructuras cerebrales que también se encuentran en los estudios de resonancia magnética funcional de la cognición espacial basada en puntos de referencia. En segundo lugar, nuestro enfoque revela el papel de las áreas cerebrales involucradas en un comportamiento espacial activo y totalmente atractivo (como los grupos en la corteza sensoriomotora relacionados con la ejecución motora y la propiocepción), cuya contribución generalmente se pasa por alto en los paradigmas de resonancia magnética funcional estática. Presentamos nuevos conocimientos sobre la actividad cortical que media la reorientación espacial exitosa cuando las entradas sensoriales visuales, propioceptivas y vestibulares son coherentes. Específicamente, la desincronización de la banda alfa en el cíngulo posterior cuando los participantes recopilan información visual proporciona un apoyo adicional a la idea de que RSC juega un papel importante en la interfaz entre la percepción de los puntos de referencia y la representación espacial. A pesar de mostrar pocos efectos de la condición experimental, nuestros resultados ilustran el beneficio, en términos de descifrar la dinámica neuronal dentro del curso de un ensayo, de imágenes cerebrales de resolución temporal fina emparejadas con marcadores de comportamiento significativos durante la navegación espacial.

La metodología asociada con el enfoque MoBI sigue siendo bastante nueva y tales experimentos ayudan a identificar vectores de mejora. En la etapa de preprocesamiento, sería beneficiosa una mayor caracterización de los parámetros y la comparación de la robustez con otras tuberías (como Automagic, Pedroni et al., 2019). Los pasos complementarios, como los enfoques de ventana deslizante para aislar artefactos transitorios mediante el análisis de componentes principales y / o el análisis de correlación canónica, pueden mejorar la separación de fuentes en comparación con ICA solo (Artoni et al., 2017 Nordin et al., 2020). También se ha demostrado que la adición simultánea de ruidos y grabaciones electromiográficas del cuello ayuda con éxito a la identificación y eliminación de artefactos relacionados con el movimiento (Nordin et al., 2019, 2020). Con respecto a la recopilación de conocimientos sobre comportamientos específicos de la estrategia, también son deseables mejoras adicionales del protocolo. El uso de un recorrido guiado pasivamente del laberinto como línea de base para contrastar con la tarea principal puede ayudar a desenredar los correlatos neuronales del control de locomoción y la navegación espacial activa basada en puntos de referencia. La adición de un sistema de seguimiento ocular integrado en la pantalla de realidad virtual montada en la cabeza también brindaría más información sobre el papel diferencial de las señales visuoespaciales (Bécu et al., 2020a).


Descomposición espacioespectral de EEG de múltiples sujetos: evaluación de algoritmos de separación de fuente ciega en datos simulados reales y realistas

Las oscilaciones electroencefalográficas (EEG) aparecen predominantemente con períodos entre 1 s (1 Hz) y 20 ms (50 Hz), y se subdividen en distintas bandas de frecuencia que parecen corresponder a distintos procesos cognitivos. En las últimas décadas se han desarrollado e implementado una variedad de enfoques de separación ciega de fuentes (BSS), que proporcionan un aislamiento mejorado de estos distintos procesos. Dentro del presente estudio, demostramos la viabilidad de BSS de múltiples sujetos para derivar distintos mapas espacio-espectrales de EEG. Se implementaron descomposiciones de EEG espacioespectrales de múltiples sujetos utilizando la caja de herramientas EEGIFT (http://mialab.mrn.org/software/eegift/) con conjuntos de datos simulados reales y realistas (el código de simulación está disponible en http://mialab.mrn.org / software / simeeg). Se evaluaron doce algoritmos de descomposición diferentes. Dentro de los datos simulados, WASOBI y COMBI parecían ser los algoritmos de mejor rendimiento, ya que descomponían las cuatro fuentes en un rango de números de componentes y niveles de ruido. RADICAL ICA, ERBM, INFOMAX ICA, ICA EBM, FAST ICA y JADE OPAC descompusieron un subconjunto de fuentes dentro de un rango más pequeño de números de componentes y niveles de ruido. INFOMAX ICA, FAST ICA, WASOBI y COMBI generaron el mayor número de fuentes estables dentro del conjunto de datos real y proporcionaron vistas parcialmente distintas de los mapas espacioespectrales subyacentes. Recomendamos el enfoque BSS de múltiples sujetos y los algoritmos seleccionados para estudios adicionales que examinen distintas redes espacio-espectrales dentro de poblaciones sanas y clínicas.

Esta es una vista previa del contenido de la suscripción, acceda a través de su institución.


Materiales y métodos

Diagnóstico y estado clínico del paciente

La recopilación de datos retrospectivos tuvo la aprobación de la investigación de Oxford University Hospitals NHS Trust. Se obtuvieron EEG retrospectivos anonimizados de pacientes con un diagnóstico clínico de encefalitis por anticuerpos NMDAR basado en una o más características clínicas típicas (comportamiento psiquiátrico anormal o disfunción cognitiva, disfunción del habla (habla presurizada, disfasia / mutismo), convulsiones, trastornos del movimiento (discinesia, rigidez, distonías), disminución de la conciencia, disfunción autónoma) y serología positiva para anticuerpos NMDAR durante su enfermedad (ya sea anticuerpos en suero o LCR contra la subunidad GluN1 del NMDAR) (Graus et al., 2016). Se sometieron a un electroencefalograma de rutina en el centro terciario, ya sea temprano en el curso de su enfermedad o después de una evaluación de recaída o síntomas persistentes y serología positiva a pesar del tratamiento inmunosupresor. Además, se recopilaron datos de pacientes con encefalopatía por diversas causas metabólicas, inflamatorias y estructurales, así como de una cohorte separada de pacientes no encefalopáticos con síntomas neurológicos que requerían un EEG como parte del tratamiento clínico estándar. Los detalles clínicos de los pacientes incluidos se resumen en las Tablas complementarias 1-3.

Adquisición y preprocesamiento de EEG

Se habían recopilado datos clínicos de rutina de EEG de adultos (pacientes hospitalizados y ambulatorios) en reposo durante 30 a 60 min. La adquisición utilizó una configuración de montaje estándar de 10-20 con grabación de 21 canales y amplificadores de grado clínico (Natus). Las impedancias de todos los electrodos eran & lt5 kΩ antes de la adquisición de datos. Durante la adquisición, los datos se muestrearon a 250–500 Hz. Los datos se exportaron y se clasificaron en segmentos de 5 segundos y se inspeccionaron visualmente para eliminar las épocas que contenían grandes cambios en la línea de base, parpadeo o artefactos de movimiento, o descargas abiertas utilizando la caja de herramientas Fieldtrip en MATLAB (Mathworks, Natick, EE. UU.). Esto resultó en un promedio de 12 min de datos del estado de reposo de la estela después de la corrección del artefacto (∼144 ensayos de épocas de 5 s). Estos datos se filtraron en paso bajo a 42 Hz. Para el procesamiento de datos utilizamos las rutinas de análisis disponibles en el software académico de código abierto SPM12 (Wellcome Trust Centre for Neuroimaging, Londres, Reino Unido, http://www.fil.ion.ucl.ac.uk/spm/). Estos datos de sensores de 21 canales se descompusieron en ocho modos principales espaciales para reducir la complejidad en el ajuste del modelo mediante la descomposición de valores singulares.

Análisis espectral

Para resumir los datos del estado de reposo de la época y obtener las características de los datos para el ajuste del modelo, usamos una representación del espacio del sensor. Retenemos específicamente ocho vectores singulares que resumían la distribución espacial de las respuestas en el cuero cabelludo. Usando estas series de tiempo, aplicamos un método autorregresivo desarrollado para calcular la energía espectral cruzada compleja a través de estos ocho modos espaciales, incluidas las energías autoespectrales reales y las energías espectrales cruzadas complejas. Esto produjo una matriz simétrica de 8 × 8 de energía espectral cruzada en el espacio del sensor. Por lo tanto, teníamos una matriz de 1856 puntos de datos reales y 1856 complejos para ajustar para cada sujeto para la banda beta-gamma DCM (20-48 Hz) y 320 puntos de datos reales y 320 complejos para ajustar a cada sujeto para el delta-theta. DCM de banda (2–6 Hz). Para producir la recapitulación basada en modelos de estos datos, primero generamos datos en el espacio fuente con el modelo utilizando la dinámica descrita en la Fig.7 complementaria. Luego pasamos estos datos de 4 fuentes a través del campo de derivación, calculado a partir de un modelo de elementos finitos (procedimiento estándar de campo de derivación de EEG de SPM) y reproducimos los modos espaciales con una mezcla idéntica de canales que la solución original basada en datos. Por lo tanto, ajustamos el modelo en función de estos datos a nivel de sensor y réplicas modeladas basadas en sensores. Ilustramos este procedimiento en su totalidad en la Fig.1 complementaria.

Resumimos el ajuste del modelo como el porcentaje de varianza explicado (es decir, R 2). Esto se calculó como el coeficiente de correlación al cuadrado entre las respuestas espectrales cruzadas complejas derivadas de los datos y predichas por el modelo (concatenamos la matriz de respuestas espectrales cruzadas en un vector de valores absolutos para realizar el cálculo).

Para probar las diferencias de resumen entre los grupos en los espectros beta-gamma, utilizamos un análisis de varianza sobre la potencia absoluta promedio de 28 a 40 Hz. Esta medida de potencia se tomó de la respuesta autoespectral del primer modo principal. Para la banda delta-theta más corta, realizamos un análisis resumido de la respuesta promedio de 2 a 4 Hz, aquí tomando el segundo modo principal. Para investigar la dirección de los efectos de grupo. post hoc, aplicamos t-pruebas y corregido para múltiples comparaciones.

Modelado causal dinámico

En DCM, los modelos de masa neural se han desarrollado basándose en la anatomía y fisiología cortical conocidas. Implementamos un modelo basado en conductancia, con regiones cerebrales modeladas como masas neuronales interconectadas con conectividad inter e intrarregional específica. Estos mismos modelos se han aplicado previamente ampliamente a datos electrofisiológicos en animales y humanos (una discusión completa y una descripción general del desarrollo e implementación de estos modelos se puede encontrar en Marreiros et al., 2009 Moran et al., 2013).

Usamos el modelo de microcircuito canónico (CMC) para DCM (Bastos et al., 2012), con NMDAR (spm_fx_cmm_nmda), que explica las diferencias laminares en el origen de las conexiones hacia adelante y hacia atrás en el cerebro (células piramidales superficiales versus profundas, respectivamente). Aplicamos antecedentes anatómicos correspondientes a una red de modo predeterminado (estado de reposo) con cuatro ubicaciones de origen basadas en informes MEG anteriores (Baker et al., 2014), con fuentes corticales parietales izquierda y derecha en ubicaciones MNI [−29-68 49] y [29-68 49], respectivamente, y fuentes prefrontales izquierda y derecha en ubicaciones MNI [−33 45 28] y [33 45 28], respectivamente (Fig. 2A). La CMC que usamos comprendía parámetros de conexión extrínseca excitadores e inhibitorios de cuatro capas celulares distintas: células piramidales superficiales, células estrelladas espinosas, células piramidales profundas e interneuronas inhibidoras (Fig. 2B). Dentro del modelo, las células piramidales superficiales en las fuentes parietales transportan señales a las células estrelladas espinosas y a las células piramidales profundas en forma de alimentación hacia arriba en la jerarquía cortical, mientras que las células piramidales profundas llevan señales de arriba hacia abajo en forma de retroalimentación desde la corteza frontal a ambas piramidales superficiales. células e interneuronas inhibidoras en las fuentes parietales.

En términos de los mecanismos fisiológicos de conectividad, la dinámica de las respuestas postsinápticas se modela como un flujo de corriente sináptica capacitiva a través de la membrana sináptica, en la figura complementaria 7 se muestra un resumen de las ecuaciones genéricas que dictan la dinámica de una población celular, y las ecuaciones detalladas pueden ser encontrado en Moran et al. (2011B). Las corrientes activas a través de la membrana postsináptica incluyen inhibidor (Cl -) y excitador (Na + / Ca 2+) activado por ligando y flujo iónico mediado por GABA rápidoA y receptores AMPA y NMDAR más lentos, respectivamente. Cada subpoblación neuronal tiene un estado de despolarización de voltaje / membrana y tres conductancias (AMPA, GABAA y NMDA). Por tanto, cada subpoblación tiene cuatro estados. Con cuatro poblaciones por fuente y cuatro fuentes, lo que equivale a 64 ecuaciones diferenciales ordinarias acopladas (EDO) para una determinada inversión. Por lo tanto, hay 64 "polos" potenciales, regiones de respuesta de frecuencia infinita que son soluciones a la ecuación característica del sistema dinámico, que son todas mezclas de los parámetros del modelo. El bloque de magnesio en los NMDAR está activado por voltaje y no es lineal. En nuestro modelo, la conductancia NMDAR se ve aumentada por una función de ganancia sigmoidea no lineal parametrizada (Fig.7, con tres parámetros propuestos por Durstewitz et al., 2000). Los potenciales de inversión para sodio, calcio y cloruro se fijaron en 60 mV, 10 mV y -70 mV, respectivamente. Se utilizó una corriente de fuga de potasio para tener en cuenta todas las corrientes iónicas pasivas, con V_L (potencial de inversión) -70 mV. El modelo también incluyó una entrada de corriente impulsora, que ingresa a las células estrelladas espinosas. Las conductancias de estos canales iónicos activados por ligandos son estados dinámicos en nuestro modelo descritos por ecuaciones diferenciales (Fig. 7 complementaria). La conductancia refleja el número de canales abiertos, que depende del acoplamiento de la entrada presináptica a la respuesta postsináptica, y la constante de tiempo del canal con valores previos de 12 ms, 8 ms y 100 ms, para AMPA, GABAA y NMDAR, respectivamente. Es importante destacar que la inversa de las constantes de tiempo se conoce como constantes de velocidad y son parámetros críticos de nuestro modelo, ya que representan la velocidad de apertura del canal. La descarga presináptica está controlada por el potencial de membrana de la población de células eferentes. El código específico para esta implementación se puede encontrar en el software gratuito académico en http://www.fil.ion.ucl.ac.uk/spm/toolbox/DCMMEEG.

Para los análisis de DCM, la actividad de EEG se ajustó en dos bandas de frecuencia (20-48 Hz y 2-6 Hz) utilizando dos DCM idénticos. DCM optimiza una densidad posterior sobre los parámetros libres (parametrizados por su media y covarianza) a través de un procedimiento de inversión bayesiana variacional que ofrece una compensación en precisión y complejidad (Friston et al., 2007). Para establecer los valores de los parámetros anteriores, invertimos los DCM para tres controles de pacientes neurológicos seleccionados al azar y usamos sus valores de parámetros posteriores promedio como valores previos para las inversiones de DCM de todos los demás sujetos en todos los grupos. Esto fue para asegurarnos de que habíamos encontrado un máximo (local), es decir, una configuración de parámetros óptima para los grupos en general y evitar cualquier sesgo en los parámetros del modelo entre los grupos. Recolectamos las estimaciones de los parámetros de los DCM optimizados para los dos modelos y usamos un análisis de variables canónicas (spm_CVA) para evaluar las diferencias de grupo entre los conjuntos de parámetros. Estos conjuntos comprendían parámetros específicos de NMDA, AMPA y GABAA receptores (Fig. complementaria 3 y Tabla complementaria 4). El análisis de variantes canónicas es un método general que subsume la regresión lineal (multivariante), el análisis de correlación canónica, el análisis multivariado de varianza, el análisis discriminante y la prueba T de Hotelling (Hair et al., 1998). Las estimaciones específicas del sujeto de los parámetros del modelo entre los grupos se envían a una prueba de análisis lineal específicamente para las diferencias de grupo. Los resultados de esto producen un vector canónico principal (pesos sobre parámetros) y una variante canónica (pesos sobre sujetos). El vector canónico especifica los pesos de la mezcla de parámetros que arroja la mayor correlación con la mezcla de variables explicativas (aquí, diferencias de grupo). Es decir, el vector canónico proporciona el contraste óptimo sobre los parámetros para producir las diferencias de grupo máximas.

Para el análisis bayesiano, aplicamos una extensión de modelado de segundo nivel reciente a DCM que permite efectos aleatorios entre grupos. Este llamado esquema bayesiano empírico paramétrico reajusta un "modelo completo" (donde todos los parámetros pueden covariar según la designación del grupo) y produce modelos reducidos donde todas las combinaciones más pequeñas de variación de parámetros son consideradas e informadas por los promedios del grupo. Aquí aplicamos dos designaciones de grupo, presencia o ausencia de etiqueta de diagnóstico de encefalitis por anticuerpos NMDAR y presencia o ausencia de encefalopatía. Estos dos grupos se incluyeron en nuestra matriz de diseño de segundo nivel, que tenía tres columnas. La primera columna representaba el efecto promedio (y los contenidos), la segunda columna describía los efectos de la encefalitis (y comprendía los de los pacientes con encefalitis por anticuerpos NMDAR, los de otros pacientes con encefalopatía y los ceros de los pacientes no encefalopáticos), la tercera columna describía los efectos de la encefalitis. efecto de la encefalitis por anticuerpo NMDAR (y compuesto por unos para pacientes con encefalitis por anticuerpo NMDAR, ceros para otros pacientes con encefalopatía y ceros para pacientes no encefalopáticos). Estábamos más interesados ​​en cómo la tercera columna de la matriz de diseño estaba representada por las diferencias en los parámetros de DCM dentro de nuestra cohorte. Presumimos que el segundo efecto (encefalopatía) debería estar representado por cambios en múltiples canales iónicos. Planteamos la hipótesis de que el tercer efecto (de la encefalitis por anticuerpos NMDAR) debería estar representado únicamente por cambios en los parámetros de NMDA. Reportamos aquellos parámetros que exhiben efectos significativos de encefalitis por anticuerpos NMDAR y aquellos parámetros que exhiben efectos significativos de encefalopatía usando una probabilidad de PAG & gt 0,95. Es de destacar que aquí examinamos los efectos específicos de los parámetros en lugar de los específicos del modelo. La energía libre subyacente del modelo empírico paramétrico de Bayes pertenece a todos los datos de sujetos de todos los grupos, asumiendo efectos paramétricos aleatorios en el nivel entre sujetos, así como efectos específicos de grupo en el modelo jerárquico (Friston et al., 2016B).


Ver el vídeo: EEGLAB preprocessing #2: Events and channel locations (Junio 2022).