Электроды озл: Электроды ОЗЛ-6. Характеристики, применение, цены и аналоги

Содержание

характеристики, применение, минимальные цены на электроды ЛЭЗ ОЗЛ 8

Какой тип электрода выбрать, чтобы произвести сварку листов из аустенитной нержавейки

К аустенитным нержавеющим сталям в большинстве случаев относят высоколегированные хромоникелевые стали типа 12Х18Н9Т, 08Х18Н10Т, 08Х18Н10 и подобные. Действительно, для их сварки необходимы специальные электроды с соответствующим химическим составом. Если к контролю межкристаллитной коррозии не предъявляются жесткие требования, то мы рекомендуем электроды ОЗЛ-8 на базе сварочной проволоки Св-04Х19Н9 по ГОСТ 2240-70.

Помогите произвести расшифровку условных обозначений и маркировки электродов ЛЭЗ ОЗЛ-8

Маркировка сварочных электродов включает в себя данные о его характеристиках и рекомендуемых технологических параметрах применения. В нее вносятся данные о размерах и марке электрода, допустимых режимах сварки, данные о наплавляемом металле.

Для примера, расшифруем маркировку электрода марки ОЗЛ-8 диаметром 4 мм, производства ЛЭЗ (Лосиноостровский электродный завод): Э-04Х19Н9-ОЗЛ-8-4-ВД /Е-2004-Б20 ГОСТ 9466-75, ГОСТ 10052-75

Основные сведения, которые можно получить из маркировки:

  • 04Х19Н9 – тип электрода
  • ОЗЛ-8 – марка электрода
  • 4 – диаметр электрода в мм (от 2 до 5 мм)
  • В – назначение электрода (сварка высоколегированных сталей с особыми свойствами)
  • Д – индекс толщины покрытия (толстое)
  • 2004 – группа индексов, обозначающих характеристики сварного шва (2 – нет склонности к межкристаллитной коррозии при испытании методами АМ и АМУ, 0 – данные о температурной применимости шва отсутствуют, 0 – данные о температурной применимости электрода отсутствуют, 4 – количество структурно-свободного феррита в шве 2-8%)
  • Б – тип покрытия – основной
  • 2 – способ сварки (расположение электрода по отношению к изделию)
  • 0 – ток обратной полярности

От чего зависит цена на нержавеющие электроды

Как вы уже знаете, электроды по нержавейке ОЗЛ-8, которые продает METAL БЮРО, имеют одну из самых низких цен на рынке. Например, для популярных диаметров 3 и 4 мм цена не превышает 395-409 руб/кг. Для таких изделий, как электроды ОЗЛ-8, цена определяется, в основном, стоимостью сварочной проволоки для стержня. Чем больше в стали никеля и других легирующих элементов, тем выше цена. Однако для сварки нержавеющих и других высоколегированных сталей сложно-легированные электроды – незаменимы.

Какие особенности технологических параметров сварки электродами ОЗЛ-8 при работе с нержавеющими сталями

Электроды ОЗЛ-8, характеристики которых можно определить из их маркировки, предназначены для сварки аустенитных высоколегированных сталей с нижним, потолочным, горизонтальным и вертикальным снизу вверх и сверху вниз расположением сварных швов. Ограничение: к сварному шву не должны предъявляться очень жесткие требования по межкристаллитной коррозии.

Надежная сварка достигается при регламентации сварочных токов в зависимости от диаметра электрода, в частности: для электрода 2,0 мм – 30…50А; 2,5 мм – 40…60А; 3,0 мм – 50…70А; 4,0 мм – 110…130А; 5,0 мм – 150…170А.

Для электродов ОЗЛ-8 применению обязательно должна предшествовать прокалка при 180-200

0С в течение часа. Сварку необходимо проводить короткой дугой по очищенному металлу.

При соблюдении технологии обеспечиваются следующие показатели процесса сварки (данные для электрода 4,0 мм):

  • экономичность (коэффициент расхода) – 1,6 кг на 1 кг наплавленного металла
  • производительность наплавочного процесса – 1,6 кг/ч
  • выход наплавленного металла – 95
  • коэффициент интенсивности наплавки – 13 г/А

Каковы механические свойства сварного шва при использовании электродов ОЗЛ-8

Сварка нержавеющих сталей электродом ОЗЛ-8 позволяет получить такие механические свойства сварного шва:

  • временное сопротивление разрыву (предел прочности) – не менее 540 Н/мм2
  • относительное удлинение – не менее 30%
  • ударная вязкость – не менее 100 Дж/см2

Если сравнить эти данные со свойствами стали свариваемой 12Х18Н9Т, то увидим, что по прочностным и пластичным свойствам шов и свариваемый металл близки, вязкость шва несколько ниже за счет крупного зерна аустенита.

ОЗЛ-32

ОЗЛ-32. Сварочные электроды ОЗЛ-32.

 

Основное назначение электродов ОЗЛ-32:

Электроды с рутилово-основным покрытием, предназначены для сварки узлов из никеля марокНП-2, НА-1, наплавки коррозионно-стойких слоев науглеродистую и коррозиционно-стойкие стали в аппаратуре, работающей в щелочных и хлорсодержащих средах, а также для выполнения разнородных соединений узлов никеля со сталями. Сварка в нижнем и вертикальном положениях на постоянном токе обратной полярности. сталей. Сварка во всех пространственных положениях на постоянном токе любой полярности и переменном токе.

НТД ТУ 14-4-786-76

Технологические характеристики: Стержень из проволоки НМцАТК 1-1,5-2,5-0,15 по ТУ 48-21-284-73 или другим нормативным документам. Диаметр выпускаемых электродов; 3,0 и 4,0мм.

 

 

Химический состав наплавленного металла, %

Хим.состав

C

Si

Mn

Ni

Fe

Al

Ti

S

P

Нормы

≤0,10

0,6-1,4

≤2,5

Остальное

≤2,1

≤0,5

0,7-1,5

<=0,010

≤0,012

Типичный

0,07

1,2

1,85

94,2

1,85

0,34

1,1

0,006

0,009

 

Механические свойства металла шва при нормальной температуре

Мех.св-ва

Временное сопротивление, Мпа

Предел текучести, МПа

Относительное удлинение, %

Ударная вязкость, Дж/см2

Нормы

≥440

≥290

≥25

≥150

Типичный

461

338

30,4

184

 

Рекомендуемая сила тока,  А

Ø

Положение шва

мм.

Нижнее

Вертикальное

3

120-140

110-130

4

150-180

140-160

 

ХАРАКТЕРИСТИКА ПЛАВЛЕНИЯ ЭЛЕКТРОДОВ

.  Производительность (для диаметра 4,0мм) 12  г/(А* ч): 1,9 кг/ч. Расход электродов на 1 кг наплавленного металла 1,7 кг.

ОСОБЫЕ СВОЙСТВА. Металл шва обладает высокой коррозионной стойкостью в средах содового производства, мыловарения, производства синтетических волокон, пищевой и химической промышленности, содержащих хлориды.

ТЕХНОЛОГИЧЕСКИЕ ОСОБЕННОСТИ СВАРКИ. Сварку ведут ниточными швами с амплитудой поперечных колебаний электрода не более двух его диаметров. Электрод держат почти перпердикулярно к изделию. Дугу обрывают постепенно, отводя на наплавленный металл.

 

УСЛОВНОЕ ОБОЗНАЧЕНИЕ ЭЛЕКТРОДОВ

ОЗЛ-32 – Ø                                                                           ГОСТ 9466-75, ГОСТ 9467-75, ТУ 14-4-786-76

Электроды ОЗЛ-22

Темы: Электроды сварочные, Сварка стали, Ручная дуговая сварка.


Электроды ОЗЛ-22 предназначены для сварки изделий из коррозионно-стойких низкоуглеродистых хромоникелевых сталей04Х18Н10, 03Х18Н12, 03Х18Н11 и им подобных, работающих в окислительных средах типа азотной кислоты и др.
Сварка в нижнем, вертикальном и ограниченно потолочном положениях шва постоянным током обратной полярности.

Характеристика электродов
Покрытие – специальное.
Коэффициент наплавки – 13,0 г/А• ч.
Производительность наплавки (для диаметра 4,0 мм) – 1,6 кг/ч.
Расход электродов на 1 кг наплавленного металла – 1,8 кг.

Типичные механические свойства металла шва

Временное сопротивление sв, МПа

Предел текучести sт, МПа

Относительное удлинение d5, %

Ударная вязкость aн, Дж/см2

670

470

34

200

Типичный химический состав наплавленного металла, %

C

Mn

Si

Ni

Cr

S

P

0,025

1,73

0,48

9,9

22,2

0,010

0,019

Геометрические размеры и сила тока при сварке

Диаметр, мм

Длина, мм

Ток, А

Среднее количество электродов в 1 кг, шт.

3,0

280

55 – 85

45

4,0

330

90 – 130

22

Особые свойства
Электроды ОЗЛ-22 обеспечивают получение металла шва, стойкого к межкристаллитной коррозии при испытаниях по методу АМУ ГОСТ 6032-89 с провоцирующим отпуском при температуре 650°С в течение 2 ч. Содержание ферритной фазы в наплавленном металле 4-10% (типичное 6,3%).
Возможна сварка способом сверху вниз.

Технологические особенности сварки
Сварка после обязательной прокалки: 190-210°С; 1 ч.

Соответствие стандартам:

ГОСТ

Э-02Х21Н10Г2

ISO

E19.9LS10

DIN

E19.9MnCS10

Условное обозначение

Другие материалы по теме:

  • < Электроды ОЗЛ-20
  • Электроды ОЗЛ-24 >

Сварочные электроды ОЗЛ-6 (МЭЗ)

Заказать

Электроды для сварки ОЗЛ-6 предназначены для ручной дуговой сварки ответственного оборудования из литья и проката жаростойких сталей марок 20Х23Н13, 20Х23Н18 и им подобных, работающих в окислительных средах при температуре до 10000С. Сварка во всех пространственных положениях кроме вертикального сверху вниз.

ОЗЛ-6Тип Э-10Х25Н13Г2
ГОСТ 9466-75
ГОСТ 10052-75
ТУ 25.93.15-010-16302447-2018
Э-10Х25Н13Г2-ОЗЛ-6-Ø-ВД
Е 2975 -Б20

Рекомендуемые значения тока (А)

Диаметр, ммПространственное положение сварки
нижнеевертикальноепотолочное
3,060-8050-7050-70
4,0120-140100-120100-110
5,0140-160120-140

Род тока — постоянный обратной полярности (на электроде плюс)

Длина дуги — короткая

Характеристики плавления электродов

Коэффициент наплавки, г/Ач11-12
Расход электродов на 1 кг наплавленного металла, кг1,59

Химический состав наплавленного металла

Массовая доля элементов,%
углеродмарганецкремнийхромникельсерафосфор
не болеене болеене болеене более
0,121,0-2,51,022,5-27,011,5-14,00,020,03

Механические свойства металла шва и наплавленного металла

Временное сопротивление разрыву, σв, Н/мм2Относительное удлинение, δ5, %Ударная вязкость, КСU, Дж/см2
не менее
5402588

Электроды ОЗЛ-6 в Москве и области с гарантией качества

Условное обозначение электродов ОЗЛ-6:

Э-10Х25Н13Г2- ОЗЛ-6-?-ВД

Е-2975-Б20

AWS A 5.4 тип E 309-15

ISO 3581 тип E 25.12В20

ГОСТ 10052-75, ГОСТ 9466-75 тип Э-10Х25Н13Г2

Электроды сварочные ОЗЛ-6 предназначены для дуговой ручной сварки жаростойких сталей, используемых в окислительных средах при температуре до 1000°С, хромистых сталей, а также сварка углеродистых и низколегированных сталей с высоколегированными сталями аустенитного класса. Сварка производится на постоянном токе обратной полярности, то есть электрод положительный, а свариваемый элемент отрицательный. Сварка выполняется во всех пространственных положениях, кроме вертикального сверху-вниз.

Электроды для сварки ОЗЛ-6 относятся к электродам с основным покрытием. В составе покрытия содержатся карбонаты и фтористые соединения. При достижении высоких температур дуги происходит процесс распада карбонатов, вследствие которого образовывается окись углерода, окислы кальция и магния, углекислого газа. Металл шва выполненный электродами ОЗС-6 имеет химическую структуру соответствующую спокойной стали (без кипения).

Преимущества электродов для сварки ОЗЛ-6

Благодаря уникальной рецептуре, высокотехнологичному процессу производства электроды для сварки ОЗЛ-6 характеризуются:

1. высокой жаростойкостью металла шва до 1000°С;

2. стойкостью наплавляемого металла к межкристаллитной коррозии;

3. пластичностью и высокой ударной вязкостью швов;

4. такой стабильностью механических свойств и химического состава, которая дает сварной шов высокого качества с аустенитно-ферритной структурой;

5. минимальным разбрызгивания металла;

6. высоким товарным видом швов.

Значительной особенность электродов ОЗЛ-6 является – применение при сварке изделий из высоколегированных сталей, в том числе ответственных конструкций из жаростойких сталей, используемых в окислительных средах при температуре до 1000°С. Эти электроды применяются для сварки сталей марок 20Х23Н13, 20Х23Н18, 20Х20Н14С2, 25Х25Н20С2, 15Х25Т, и других хромистых сталей, с возможностью использования в условиях высоких температур.

Сравнение особенностей электродов ОЗЛ-6 с другими электродами для сварки высоколегированных сталей можно найти в статье «Электроды для нержавеющей стали»

Применение сварочных электродов ОЗЛ6

Электроды сварочные ОЗЛ6 относятся к классу электродов для сварки высоколегированных сталей с особыми свойствами, что соответствует букве «В» в условном обозначение Э-10Х25Н13Г2-ОЗЛ-6-?-ВД по ГОСТ 10052-75. Преимущества электродов ОЗЛ6 связаны с использованием этих электродов в работе с жаростойкими сталями. Жаропрочные стали способны работать под напряжением в условиях повышенных температур без заметной остаточной деформации. Поэтому электроды ОЗЛ6 активно используются при сварке жаровых труб и различных элементов камер сгорания, направляющих аппаратов газовых турбин, лопаток, диафрагм, труб электролизных установок, подвесок и опор в котлах, паропроводов и коллекторов энергетических установок; арматуры паровых котлов и паропроводов, труб для гидрогенизационных установок и нефтехимической аппаратуры и т.д. Благодаря отличным сварочным свойствам, электроды для сварки ОЗЛ6 нашли применение в энергетической, нефтехимической, пищевой и других отраслях промышленности.

Качество электродов для высоколегированных сталей ОЗЛ-6

Согласно международно-признанным стандартом сварки американского общество по сварке American Welding Society (AWS), электроды ОЗЛ 6, соответствуют типу E 309-15. По международной классификации ISO 3581 и немецким стандартам DIN 8575 соответствует E 25.12В20. А в соответствии с российскими стандартами, согласно ГОСТ 10052-75, электроды сварочные ОЗЛ 6, отвечают требованиям типу Э-10Х25Н13Г2.

Электроды для сварки ОЗЛ 6, различных диаметров, тип: E 309-15 в соответствии с AWS А5.1 или Э-10Х25Н13Г2 согласно ГОСТ 10052-75, аттестованы Национальным Агентством Контроля и Сварки (НАКС) по требованиям РД 03-613-03 для группы технических устройств используемых: КО, ОХНВП.

Химический состав наплавленного металла, % :

Углерод (C) Кремний (Si) Марганец (Mn) Хром (Cr) Никель (Ni) Сера (S) Фосфор (P)

< 0,12

< 1,00

1,0-2,5

22,5-27,0

11,5-14,0

<0,020

<0,030

Механические свойства металла сварного шва (не менее):

Тем-ра испытаний, 0C

Предел прочности (МПа)

Предел текучести, (МПа)

Относит. Сужение, (%)

Ударная вязкость, (Дж/см2)

20

540

340

25

90

Рекомендуемые параметры силы тока, А

Диаметр, мм

Нижнее положение шва

Вертикальное положение шва

Потолочное положение шва

2,5

40-70

40-60

40-60

3,0

50-90

50-70

50-70

4,0

90-140

90-110

90-110

5,0

120-170

120-140

Положение электрода при сварке:

Все пространственные положения:

кроме сверху в низ:

Расход электродов ОЗЛ-6 на 1 кг наплавленного металла – 1,6 кг

Условия прокалки: 190-210 оС в течение 1 часа.

Упаковка электродов ОЗЛ-6

Упаковка электродов ОЗЛ-6 должна соответствовать требованиям п. 6 ГОСТа 9466-75 и обеспечивать сохранность электродов от влаги и повреждений. Наши сварочные электроды ОЗЛ-6 упаковываются в коробки из гофрированного картона для диаметров от 3 мм по 5 килограммов, обтянутые полиэтиленовой термоусадочной пленкой. Для удобства выполнения погрузочно-разгрузочных работ и для дополнительной герметизации, четыре коробки с готовой продукцией обтягиваются дополнительной пленкой. Поставка крупных партий осуществляется на деревянных поддонах по 1-ой тонне, также обтянуты в пленку и обвязаны полосой. Такая многоуровневая защита позволяет надежно предохранить сварочные электроды от повреждений в процессе перевозки и защищает от попадания влаги.

Диаметр ОЗЛ-6 (мм)

Длина ОЗЛ-6 (мм)

Вес коробки ОЗЛ-6 (кг)

Вес доп. упаковки ОЗЛ-6 (кг)

Вес одного электрода ОЗЛ-6 (г)

Количество электродов ОЗЛ-6 в пачке (шт)

2,0

250

5

20

2,5

250

5

20

3,0

350

5

20

25

198

4,0

350

5

20

45

110

5,0

350

5

20

границ | Понимание влияния эталонной ЭЭГ: перспектива крупномасштабной мозговой сети

Введение

Электроэнцефалография (ЭЭГ) – это неинвазивный метод измерения нейрональной активности в реальном времени, который считается ценным и экономичным инструментом для изучения функции мозга в широком диапазоне клинических и фундаментальных исследований. Последние разработки ЭЭГ позволили повысить топографическую точность с помощью систем монтажа высокой плотности, улучшить качество данных за счет обновления оборудования и сократить время подготовки с использованием сухого электрода (Kleffner-Canucci et al., 2012; Mullen et al., 2015). Кроме того, возможности комбинировать ЭЭГ кожи головы с другими методами визуализации, а также с робототехникой или нейростимуляцией, сделали этот метод более привлекательным для многих новых областей исследований.

Однако нерешенной критической проблемой для исследований ЭЭГ является выбор эталона ЭЭГ. Фактически, как вызванные, так и спонтанные потенциалы нервной активности находятся под влиянием эталона, потому что каждый электрод ЭЭГ дает информацию только о разнице электрической активности между двумя положениями на голове (Nunez, 1981; Hagemann et al., 2001; Яо, 2001). Необходимо установить физический эталон во время записи ЭЭГ, и сигнал в каждом электроде получается как разность между электрическими потенциалами в его положении и в положении электрода сравнения. Здесь физические ссылки, используемые во время записи, отличаются от вычислительных ссылок, используемых во время повторных ссылок. Первый включает FCz, Oz, сцепленные кольца ушей, носа и шеи, а второй включает средние сосцевидные отростки, среднее значение и метод стандартизации электрода сравнения (REST) ​​(Yao, 2001).Если нейронный электрический потенциал около электрода сравнения не является нейтральным, измерение неизбежно будет загрязнено на всех других участках электродов и еще больше искажает временной динамический анализ и анализ спектров мощности записи ЭЭГ. В результате предпочтительное использование различных справочных схем развилось для отдельных исследовательских групп и привело к фактическим соглашениям для конкретных областей исследований или клинической практики (Kayser and Tenke, 2010).

В настоящее время не существует общепринятой эталонной схемы, что затрудняет сопоставимость результатов исследований (Kayser and Tenke, 2010; Nunez, 2010).Одним из часто используемых эталонов является средний сосцевидный отросток, который предполагает, что участки вокруг сосцевидного отростка свободны от активности нейронного источника. Это предположение всегда нарушается, потому что не существует единого места, где потенциал можно было бы считать полностью нейтральным. Средний эталон получил широкое согласие благодаря предположению, что поверхностный интеграл электрического потенциала по объемному проводнику, содержащему все источники тока, равен нулю (Bertrand et al., 1985). По мере того как количество электродов увеличивается и становится доступным покрытие всего мозга, все больше полагают, что средний потенциал по всем электродам обеспечивает виртуальную точку с нулевым потенциалом.Альтернативный подход, предложенный Яо, был REST (Yao, 2001). REST преобразует потенциалы ЭЭГ, относящиеся к любым точкам кожи головы, в потенциалы, относящиеся к точке, расположенной на бесконечности, вдали от всех возможных нейронных источников и, таким образом, действуя как идеальное нейтральное референсное местоположение. Достоинства REST были доказаны в связанных с событиями потенциалах (ERP) (Tian and Yao, 2013), спектре ЭЭГ (Yao et al., 2005), когерентности ЭЭГ (Marzetti et al., 2007) и сетевом анализе (Qin et al., 2010; Chella et al., 2016).

Предыдущие исследования ограничиваются связыванием выбора эталона с некоторыми экспериментальными парадигмами (Hagemann et al., 2001) или конфигурациями источников (Marzetti et al., 2007), и в редких случаях исследовалось влияние локализации источника ЭЭГ на выбор эталона. , из-за отсутствия масштабных шаблонов функциональных сетей мозга. К счастью, Yeo et al. (2011) применили подход к кластеризации на основе данных с использованием 1000 исследований фМРТ в состоянии покоя и сегментировали семь корковых нейронных сетей из коры головного мозга: зрительное, соматомоторное, дорсальное внимание, вентральное внимание, лимбическое, фронтопариентальное и сети режима по умолчанию.Основываясь на общем предположении, что эксперименты ЭЭГ и ERP над одним и тем же психологическим процессом обычно активируют определенные сети мозга, сравнение эффектов различных ссылок в шаблоне сети мозга может раскрыть потенциально эффективный выбор ссылки в каждой области поведения. Наша цель состояла в том, чтобы изучить сигнал ЭЭГ, связанный с местоположениями, из общей сетевой разбивки функции человеческого мозга, предлагая системно-нейробиологическую перспективу влияния эталонного сигнала ЭЭГ.

Мы использовали каноническую кортикальную сетку высокой плотности с 8 196 вершинами для имитации сигнала ЭЭГ скальпа, и каждая вершина была равномерно распределена в восьми крупномасштабных сетях мозга. Смоделированный сигнал был привязан к FCz, Oz, средним сосцевидным отросткам (MM), общему среднему значению (AVE) всех электродов и бесконечному эталону, полученному с помощью метода стандартизации референсных электродов (REST). Количество электродов с 32, 64 и 128 и отношения сигнал / шум с 2, 4, 8, 16 и 32 были включены как факторы, влияющие на эффект электрода сравнения.Наши систематические нейробиологические сравнения крупномасштабных мозговых сетей могут дать ценные рекомендации по выбору эталонов для исследований ЭЭГ и ERP.

Методы

Влияние эталонных электродов (FCz, Oz, MM, AVE) и эталона бесконечности, восстановленного методом REST, было исследовано с помощью смоделированных потенциалов ЭЭГ при различных плотностях электрода и соотношении сигнал / шум. Пространственное распределение и временной ход для каждой крупномасштабной функциональной сети мозга описаны ниже.

Пространственное распределение источника ЭЭГ и модель головы

Прямая модель ЭЭГ ограничена канонической кортикальной сеткой высокой плотности (рис. 1). Сетка имеет 8196 вершин и была извлечена из структурной МРТ нейротипичного мужчины в программе Fieldtrip (http://fieldtrip.fcdonders.nl/download.php). Вершины были равномерно распределены на границе серого и белого вещества и предполагались как потенциальные диполи, ориентированные перпендикулярно поверхности. Электроды системы ЭЭГ были зарегистрированы на поверхности скальпа, и матрица поля свинца была рассчитана аналитически с использованием модели сферической головы из трех частей, включая скальп, череп и мозг (de Munck, 1988).Поскольку прямые задачи ЭЭГ были решены с помощью аналитического разложения, неявное предположение состоит в том, что поле отведений основано на эталоне на бесконечности. Нормализованные радиусы сфер с тремя оболочками составляли 0,87 (внутренний радиус черепа), 0,92 (внешний радиус черепа) и 1,0 (радиус черепа). Нормализованная проводимость была 1,0, 0,0125 и 1,0 для головного мозга, черепа и скальпа соответственно. При количестве электродов n поле свинца L представляло собой матрицу размером n × 8,196.

Рис. 1. Модель головы и распределение восьми крупномасштабных функциональных сетей мозга. (A) Модель головы : каноническая кортикальная сетка высокой плотности (внутренний неправильный объект) с 8 196 вершинами в концентрической трехсферной модели головы с электродами (белые точки) на верхней поверхности. (B) Vertex, который использовался для генерации сигнала ЭЭГ при моделировании, распределен в одной из восьми крупномасштабных сетей мозга, т. Е. Зрительной, соматомоторной, дорсальной, вентральной, лимбической, лобно-теменной, сети по умолчанию, и глубокая структура мозга.

Каждая вершина была адаптирована для генерации записи ЭЭГ скальпа при моделировании. Поскольку вершина принадлежит одной из восьми крупномасштабных сетей мозга, мы усреднили все характеристики вершин, принадлежащих сети, чтобы оценить влияние разделения сети на данные ЭЭГ. Было идентифицировано семь крупномасштабных сетей на основе 1000 функциональных связей в состоянии покоя, включая зрительное, соматомоторное, дорсальное внимание, вентральное внимание, лимбическую, лобно-теменную и стандартные сети (Yeo et al., 2011). Учитывая важность глубокой структуры мозга (таламус, хвостатое, гиппокамп, миндалевидное тело и обонятельные органы), мы использовали атлас парцелляции с автоматизированной анатомической маркировкой (AAL) (Tzourio-Mazoyer et al., 2002), чтобы построить восьмую крупномасштабную сеть, включающую эти конструкции. 8196 вершин были разделены на восемь подмножеств в зависимости от вокселя ближайшего соседа в шаблонах крупномасштабных сетей мозга. Число вершин каждой сети варьировалось от 428 до 1572 (1255 вершин в зрительной сети, 1539 вершин в соматомоторной сети, 979 вершин в дорсальной сети внимания, 842 вершины в вентральной сети внимания, 513 вершин в лимбической сети, 1068 вершин в лобно-теменной сети, 1572 вершины в сети по умолчанию и 428 вершин в глубинной структуре мозга (пространственный паттерн каждой сети см. На Рисунке 1B).

Сила сигнала и чувствительный / нейтральный электрод

Так как матрица свинцового поля L была рассчитана для каждого диполя с единичной силой, столбец i L i (соответствует диполю i и i = 1,…, 8,196) – это измерение того, насколько сильный сигнал источника можно наблюдать от каждого электрода на поверхности кожи головы. Относительные силы в L i имеют прямую связь с чувствительностью электродов (Rush and Driscoll, 1969).Например, если абсолютное значение L im ( м -я строка в L i ) больше, чем абсолютное значение L в ( n -я строка в L i ), это означает, что электрод м более чувствителен, чем электрод n . Теорема взаимности показывает, что чувствительность электрода максимальна к дипольным источникам, ориентированным в направлении поля свинца (перпендикулярно линиям), и спадает как косинус угла между направлениями источника и поля свинца ( Раш и Дрисколл, 1969).Мы определили электроды, соответствующие максимальным и минимальным абсолютным значениям в L i , как наиболее чувствительные и нейтральные электроды соответственно. Мы рассчитали глобальную чувствительность диполя и к отражению в коже черепа как:

где || L i || – норма Фробениуса столбца свинцового поля, соответствующего диполю i , а n – количество электродов.Мы будем использовать усредненную глобальную чувствительность в сети k th для сравнения между монтажами с разным количеством электродов.

Поскольку 64-электроды широко применяются в экспериментальных исследованиях, мы сосредоточили наш анализ на уровне электродов с матрицей свинцового поля 64-электродного электрода. Поскольку максимальное или минимальное абсолютное значение в L i соответствует наиболее чувствительному или нейтральному электроду для отражения активности источника, мы подсчитали время электрода j , который был выбран как наиболее чувствительный или нейтральный. электрод для сети к .

S k j = 1mk ∑ (i ∈ network k) bi (2) N k j = 1mk ∑ (i ∈ network k) wi (3)

, где b i = 1 ( w i = 1), если j -я строка в векторе L i имеет максимум (минимум) абсолютного значение, иначе b i = 0 ( w i = 0). m k – количество вершин в мозговой сети k .Обратите внимание, что Skj или Nkj будет равно 1/64, если все электроды имеют одинаковый шанс быть наиболее чувствительным или нейтральным электродом.

Описание моделирования

Мы смоделировали временной процесс диполярного нейронного источника, используя затухающую функцию Гаусса:

yk = exp (-2πτ × k × dt) × cos (2πf × k × dt), k = 1,…, 500 (4)

, где dt = 2 мс, τ = 2 Гц и f = 10 Гц. Мы выбрали эту функцию, потому что она выглядит как вызванный потенциал и использовалась в предыдущих симуляциях (Yao, 2001).Используя функцию y и поле свинца L , мы получили пространственно-временные записи i -й вершины ( i = 1,…, 8,196, и каждая симуляция использовала одну вершину для генерации сигнала): V sim = L i y с размером n × 500, где L i – это i -й столбец L .

Мы исследовали влияние количества электродов n , сравнивая характеристики конфигурации электродов с 32, 64 и 128 электродами. Все конфигурации электродов были взяты из стандартной системы 10-5 (Oostenveld and Praamstra, 2001), чтобы получить приблизительный однородный образец верхней части головы. Для каждой конфигурации были включены FCz, Oz, TP9 и TP10, чтобы имитировать электроды сравнения. TP9 и TP10 были усреднены для построения эталона среднего сосцевидного отростка (MM).Эффекты гауссовского белого шума Σ были исследованы путем изменения отношения сигнал / шум со значениями 2, 4, 8, 16 и 32, которые были рассчитаны как отношение между средней дисперсией по каналам сигнала V sim и дисперсия шума Σ. Другими словами, запись ЭЭГ скальпа: В rec = V sim + Σ с размером n × 500, что является входом для следующих эталонных методов.Очевидно, что ссылка на эти смоделированные данные V sim находится на бесконечности.

Ссылки на ЭЭГ

Потенциалы, относящиеся к головному (FCz), затылочному (Oz), среднему сосцевидным отросткам (MM) и среднему значению (AVE), обозначены как V FCz , V Oz , V MM и V AVE соответственно, были получены из смоделированной ЭЭГ V rec согласно соответствующему линейному преобразованию (Yao, 2001).В частности, опорный сигнал MM был смоделирован средним значением электродов TP9 и TP10, расположенных вблизи сосцевидных отростков. Смоделированная запись ЭЭГ была преобразована в соответствии с методом REST (Yao, 2001), и реконструкция опорного потенциала бесконечности V REST была получена из V AVE на основе бесплатного программного обеспечения. REST (http://www.neuro.uestc.edu.cn/rest).

Относительная ошибка для оценки

Пересмотренные потенциалы В * сравнивались с теоретическим потенциалом В sim для оценки влияния различных опорных сигналов, а В * было альтернативным обозначением записи V FCz , V Oz , V MM , V AVE , а также V REST .Степень подобия между повторно привязанными потенциалами и теоретическим потенциалом моделирования оценивалась путем вычисления относительной погрешности (RE) по формуле:

RE = || Vsim-V * || / || Vsim || (5)

где || · || обозначает матричную норму Фробениуса. Поскольку преобразования ссылок являются линейными операциями, мы моделировали производительность только в соответствии с потенциалом одной вершины в каждой модели, а производительность в соответствии с различными комбинациями диполей можно вывести в соответствии с линейностью операции.Мы провели 128 реализаций с различными случайными начальными числами гауссовского белого шума Σ для каждого диполя, в каждом соотношении сигнал / шум и каждом количестве электродов. И RE было усреднено в этих 128 реализациях, чтобы получить производительность одной вершины. Затем все диполи, принадлежащие крупномасштабной мозговой сети, были усреднены, чтобы получить производительность одной сети.

Результаты

Сила сигнала и чувствительный / нейтральный электрод

На основе усредненной нормы Фробениуса матрицы свинцового поля мы получили глобальную чувствительность каждой крупномасштабной сети для каждой конфигурации электродов.Мы обнаружили, что увеличение количества электродов не означает увеличения глобальной чувствительности крупномасштабной сети, которую можно наблюдать с поверхности кожи головы, поскольку усредненная норма соответствовала тому же уровню (см. Рисунок 2). Еще одна интересная закономерность заключалась в том, что визуальная сеть всегда имела наибольшую чувствительность (0,1171, среднее значение для всех конфигураций электродов), в то время как лимбическая система имела наименьшую (0,0882).

Рисунок 2. Глобальная чувствительность (усредненная норма Фробениуса) крупномасштабной сети, которую можно наблюдать на ЭЭГ волосистой части головы .Норма вершин Фробениуса была усреднена по каждой крупномасштабной сети мозга, а также была рассчитана стандартная ошибка. Количество электродов: 32, 64 и 128.

Для широко используемых 64-электродов мы дополнительно рассмотрели чувствительность для наблюдения за крупномасштабными сетями на уровне электродов. На рисунке 3 проиллюстрирована топография в процентах каждого электрода, который был выбран в качестве наиболее чувствительного или нейтрального электрода. Обратите внимание, что было бы 1/64 (отмечено в легенде на Рисунке 3), если бы у каждого электрода была одинаковая вероятность быть наиболее чувствительным или нейтральным электродом.Для наиболее чувствительного электрода топография имела симметричный рисунок слева направо, и наибольший процент электродов находился рядом с поверхностными областями сети. Этот феномен был очевиден для зрительного (PO3, PO4 и POz), соматомоторного (C3 и C4), дорсального внимания (P3 и P4), вентрального внимания (FC3 и FC4), лимбической функции (FT9, FT10, TP9). , и TP10) и глубинную структуру мозга (FC5 и FC6). Вышеуказанные электроды имели процентное содержание более 5%, что было в три раза больше случайной вероятности.Мы не нашли какого-либо специфического чувствительного электрода для лобной части или сети по умолчанию, поскольку ни один из них не имел процентного содержания электрода более 4,2%.

Рис. 3. Наиболее чувствительные (A) и нейтральные электроды (B) для каждой крупномасштабной мозговой сети с номером электрода 64. Обратите внимание, что это будет 1/64 (отмечено на цветной полосе), если все электроды имеют равные шансы быть наиболее чувствительным или нейтральным электродом. Наиболее чувствительный электрод имел симметричное распределение и концентрировался на определенном электроде, в то время как наиболее нейтральный электрод был случайным.

Было трудно найти нейтральный электрод на поверхности кожи головы, за исключением глубоких структур мозга. Для визуального, соматомоторного, дорсального внимания, вентрального внимания, лимбической, лобно-теменной и стандартной сети все электроды имели шанс быть выбранными как наиболее нейтральный электрод с процентным соотношением менее 3,5%. Что касается глубинной структуры мозга, Oz и FCz имели процентное соотношение 6,8% и 6,1% соответственно, что означает, что они были потенциально хорошим эталоном для изучения глубинной структуры мозга.

Относительная ошибка референсного сигнала относительно теоретического истинного сигнала была рассчитана для каждого отношения сигнал / шум и конфигурации электродов для каждой крупномасштабной сети. Как показано на рисунке 4, относительная погрешность соответствует шаблону REST p <0.0001) и F значения варьировались от 342,51 (глубокая структура мозга) до 2106,78 (сомато-моторная сеть).

Рис. 4. Относительная погрешность сигнала повторной ссылки относительно теоретического истинного сигнала была рассчитана для каждого уровня отношения сигнал-шум и конфигурации электродов для каждой крупномасштабной сети . Значение относительной ошибки соответствует шаблону REST

Таблица 1. Относительная ошибка референсного сигнала к теоретическому истинному сигналу была рассчитана для каждого уровня отношения сигнал-шум для каждой крупномасштабной сети с числом электродов 64 .

Сильный соперник – AVE, который по характеристикам намного ближе к REST, особенно из-за небольшого отношения сигнал / шум и высокой плотности электрода. В наихудших условиях отношения сигнал / шум, равного 2, REST значительно снизил свою производительность с относительной погрешностью более 40% для 64-электродов (последняя полужирная строка в таблице 1).При сравнении с AVE с отношением сигнал / шум, равным 2, хотя REST (39,11%) был лучше, чем AVE (41,18%) для 32-электродов, он стал хуже, когда плотность увеличилась до 64-электродов (REST: 49,02% vs. AVE 43,3) и даже вдвое большую относительную ошибку для 128-электродов (REST: 81,38% против AVE 43,31%). Наш статистический анализ в каждой мозговой сети с отношением сигнал / шум, равным 2, и количеством электродов, равным 64, дополнительно подтвердил низкую производительность REST, поскольку все парные t -тесты между REST и AVE имели p <0. .0001 и t значение находилось в диапазоне от -55,43 (сомато-моторная сеть) до -11,49 (зрительная сеть).

Хотя каждый эталон имел относительную постоянную производительность для разного количества электродов и отношения сигнал / шум, мы обнаружили, что каждая сеть мозга имела свой собственный образец относительной ошибки. В наихудших условиях с числом электродов 32 и соотношением сигнал / шум 2 относительная ошибка варьировалась от 100,7% (глубокая структура мозга) до 140,5% (визуальная), что подразумевает важность выбора эталона.Интересно, что при сравнении эталонов FCz и Oz, FCz был лучше в сетях визуального, дорсального и стандартного внимания, тогда как Oz был лучше в соматомоторных, вентральных, лимбических, лобно-теменных сетях и глубокой структуре мозга.

Обсуждение

В текущем исследовании влияние ссылки было изучено в рамках общей сетевой разбивки функции человеческого мозга, содержащей восемь крупномасштабных сетей. Основываясь на матрице свинцового поля, мы обнаружили, что распределение наиболее чувствительных электродов имело симметричный рисунок, и каждая сеть предпочитала определенные электроды.Напротив, электроды на поверхности кожи головы имели примерно равные шансы быть наиболее нейтральным электродом. Мы сосредоточили наше моделирование на некоторых эталонных системах, включая FCz, Oz, MM, AVE и REST. Результаты показали, что величина относительной ошибки соответствует модели REST

Чувствительный / нейтральный электрод для крупномасштабной сети

Для широко принятой плотности 64-электродов мы исследовали вероятность того, что каждый электрод может быть выбран в качестве наиболее чувствительного или нейтрального электрода.Фактически, матрица свинцового поля обеспечивала чистую меру активности: диполь с единичной силой может быть представлен электродом на поверхности кожи головы, и вероятность была бы 1/64, если бы каждый электрод имел равные шансы быть выбранным. Для наиболее чувствительного электрода топография имела симметричный рисунок полусферы, а электроды с наибольшей вероятностью находились рядом с поверхностными областями сети. Эти электроды обеспечивали потенциальное окно наблюдения для экспериментальных исследований, сосредоточенных на конкретной мозговой сети.

На основе минимального абсолютного значения матрицы свинцового поля мы предложили количественную меру для относительно нейтрального или «тихого» эталонного местоположения. В предыдущих исследованиях упоминалось, что нейтрального эталонного местоположения нигде на теле не существует (Kayser and Tenke, 2010; Nunez, 2010), это казалось правдой, поскольку все электроды для семи крупных сетей имеют процентное соотношение менее 3,5%. . Единственным исключением является глубокая структура мозга, которая имеет наибольшую вероятность наличия нейтральных электродов вокруг OIz и FCz.

Электроды рядом с теменно-затылочным переходом (PO3, PO4 и POz) с высокой вероятностью были наиболее чувствительным электродом для зрительной сети. Например, зрительный вызванный потенциал, такой как компонент P100, наблюдается над электродом вокруг теменно-затылочной области (Hillyard and Anllo-Vento, 1998). В классической экспериментальной парадигме пространственного избирательного внимания внимание к местоположению стимула увеличивало амплитуду P100. Еще одна широко используемая парадигма, сосредоточенная на визуальной сети, – это устойчивые визуально вызванные потенциалы (SSVEP), которые представляют собой сигналы, которые являются ответами на визуальную стимуляцию с определенными частотами в диапазоне от 3.От 5 до 75 Гц (Herrmann, 2001). Электрод вокруг теменно-затылочного соединения будет регистрировать электрическую активность на той же частоте, что и визуальные стимулы.

Электроды рядом с центральным (C3 и C4) имели высокую вероятность быть наиболее чувствительным электродом для соматодвигательной сети (рис. 3A). В интерфейсе мозг-компьютер, основанном на моторных образах, C3 и C4 используются для записи Mu- и бета-ритмов во время моторного имиджа (Lei et al., 2009). Было доказано, что они обладают сильным сигналом, перекрывающим сенсомоторные области.Другой потенциал, сконцентрированный в соматомоторной сети, – это потенциал латерализованной готовности (LRP), который рассматривается как представление активации процессов, связанных с ответом, начиная с выбора руки для ответа и в начале моторного программирования (Coles, 1989). LRP извлекаются из массива электродов, расположенных над центральной и соседней областями.

Электроды около теменной доли (P3 и P4) с большой вероятностью были наиболее чувствительными электродами для дорсальной сети внимания.Эти дорсальные париетальные электроды расположены близко к внутри теменной борозде и верхней теменной доле, которые являются основными структурами дорсальной сети внимания (Yeo et al., 2011). В парадигме целенаправленного внимания P300, зарегистрированный во время внимания с усилием, значительно коррелирует с теменными процессами, требующими усилий, под активным контролем субъекта (Ford et al., 1994). FC3 и FC4 с большой вероятностью могут быть наиболее чувствительными электродами для вентральной сети внимания. Мы должны подчеркнуть, что вентральная сеть внимания представляет собой совокупность множества сетей, таких как выделенные и цингулооперкулярные сети в литературе (Yeo et al., 2011).

Выбор эталона для крупномасштабной сети

У нас было систематическое моделирование эталона FCz, Oz, средних сосцевидных отростков, среднего и эталона бесконечности, с количеством электродов от 32 до 128 и уровнем отношения сигнал-шум от 2 до 32. Наши симуляции продемонстрировали, что автономные методы переориентации имеют отличную производительность для различных крупномасштабных сетей и всегда следуют шаблону REST

Поскольку FCz и Oz всегда являются электрически чувствительными позициями, в литературе существует определенный консенсус в отношении того, что все цефалические эталоны, такие как FCz и Oz, не могут быть предпочтительным выбором для измерения локальной активности в цефалической целевой позиции (Hagemann et al., 2001). Мы обнаружили, что эталоны как FCz, так и Oz могут существенно искажать потенциалы ЭЭГ. В наихудших условиях с 32 электродами и отношением сигнал / шум 2 оба эталона имели относительную погрешность более 100% в некоторых сетях.Поскольку FCz и Oz были близки к лобному полю глаза и затылочным областям соответственно, были затронуты крупномасштабные сети вокруг этих областей. Мы обнаружили, что FCz был лучше в отношении зрительного, дорсального внимания, по умолчанию, в то время как Oz был лучше в соматомоторном, вентральном внимании, лимбической, лобно-теменной и глубокой структуре мозга. В одновременном исследовании ЭЭГ-фМРТ FCz часто использовался в качестве онлайн-справочника в немагнитной МРТ-совместимой системе ЭЭГ (Lei et al., 2014). Это может быть связано с тем, что его легко прикрепить к поверхности кожи головы, и он имеет типичный артефакт МРТ, а последний имеет решающее значение в автономном процессе для удаления градиентных и баллистокардиографических (БЦЖ) артефактов.

Хотя утверждалось, что сосцевидные отростки относительно неактивны, было убедительно доказано, что это неверно (Hagemann et al., 2001). В нашем моделировании средние сосцевидные отростки (MM) всегда были лучше, чем FCz и Oz, потому что среднее значение двусторонних областей сосцевидных отростков было значительно менее активным для большинства сетей. Однако было исключение для лимбической сети, которая с относительной ошибкой следовала паттерну Oz

Обычно рекомендуется использовать средний эталон, и предполагается, что среднее значение по всем электродам кожи головы в каждый момент времени существенно менее активно, чем целевые участки. Теоретически, если предполагается, что голова представляет собой концентрическую сферическую структуру с однородной проводимостью внутри каждой сферы, то ансамбль диполей внутри сферы будет генерировать такое электрическое поле, что интеграл потенциала на поверхности сферы равен нулю в любой момент. в данный момент времени (Бертран и др., 1985). Это справедливо только при достаточной плотности электродов и полном покрытии поверхности головы (Yao, 2017). В противном случае эталон AVE не был полностью свободен от предвзятости, поскольку пространственная выборка ограничивалась верхней частью головы (Nunez and Srinivasan, 2006). Наше моделирование показало, что эталон AVE был довольно нейтральным эталоном и имел лучшую производительность по сравнению с FCz, Oz или MM. Что еще более важно, производительность AVE может быть даже лучше, чем REST для электрода высокой плотности, и мы вернемся к этому моменту в дальнейшем.

С применением электрода высокой плотности и современной вычислительной техники был разработан лучший эталон, названный бесконечным эталоном, на основе методики стандартизации эталонных электродов (REST) ​​(Yao, 2001). Поскольку REST приблизительно реконструировал точку, расположенную далеко от всех электродов на коже черепа, REST предоставил нейтральный ориентир. Предыдущие исследования моделирования и эксперименты показали, что REST очень эффективен для наиболее важной поверхностной кортикальной области. Мы определили эту симуляцию для всего мозга с общим распределением функций человеческого мозга по сети, предлагая системную перспективу производительности REST.Предыдущие исследования показали, что наличие систем ЭЭГ с высокой плотностью записи и точное знание модели головы являются ключевыми элементами для улучшения эффективности REST (Zhai and Yao, 2004; Liu et al., 2015; Chella et al., 2016).

В этой работе особый акцент был сделан на сравнении ссылок на REST и AVE, причем превосходство одного метода над другим было предметом некоторых дискуссий (Kayser and Tenke, 2010; Nunez, 2010). Основываясь на результатах нашего моделирования, мы пришли к выводу, что REST может обеспечить лучшую производительность, чем AVE, в снижении опорного смещения, даже когда отношение сигнал / шум уменьшилось до 4.Однако, когда шум был чрезвычайно большим или электроды имели высокую плотность, AVE может стать сильным конкурентом REST. Это согласуется с предыдущими выводами о том, что REST был чувствителен к шуму и количеству электродов (Liu et al., 2015). Хотя REST (38,3%) был лучше, чем AVE (40,3%) при количестве электродов 32, он был хуже, когда электрод увеличивали до 64 (REST: 47,8% против AVE 42,1%) и 128 (REST: 79,4% против AVE 42,2%). По сути, это связано с тем, что REST предполагает, что источники записей ЭЭГ находятся внутри эквивалентного распределения источников (ESD).Поскольку инструментальный шум не создается источниками внутри ESD, эффективность стандартизации до опорной точки на бесконечности становится менее точной по сравнению со случаем без шума (Zhai and Yao, 2004).

Ссылка на ЭЭГ с точки зрения крупномасштабной сети

Выбор ссылки оказывает существенное влияние на анализ и интерпретацию, а оптимальный выбор справочного сайта зависит от области исследования и цели анализа. В нашем текущем исследовании мы рассмотрели особый сценарий применения: поведенческая парадигма сосредоточена на некоторых особых крупномасштабных сетях мозга.Это рационально для большинства экспериментов по моделированию, потому что области мозга всегда включаются в предположения перед исследованиями ЭЭГ или ERP. И вызванные, и спонтанные потенциалы нейронной активности в настоящее время интерпретируются в терминах компонентов, генерируемых отдельной крупномасштабной сетью. Из-за комплексного влияния пространственно-временных характеристик проводимости объема черепа на сигнал ЭЭГ все еще трудно оценить соответствующие крупномасштабные сети по сигналу на поверхности кожи головы (Lei et al., 2011). Однако применение ЭЭГ высокой плотности, особенно широкое применение фМРТ, делает приемлемым и даже нормальным включение некоторых предположений о локализации источника до исследования ЭЭГ или ERP.

Было обнаружено, что крупномасштабные мозговые сети, которые построены из внутренней спонтанной активности МРТ с функцией состояния покоя, имеют постоянный пространственный паттерн в условиях выполнения задачи (Smith et al., 2009; Yeo et al., 2015). Как показано на рисунке 5, мы думали, что крупномасштабная сеть мозга может быть мостом для связи компонентов ЭЭГ и ERP, с одной стороны, и выбором эталона ЭЭГ, с другой стороны.Предыдущие исследования нейровизуализации показали, что каждая сеть является функциональной специализацией, и мы думали, что это приведет к отображению «многие к одному» между электрофизиологическими компонентами и крупномасштабной сетью.

Рис. 5. Крупномасштабная сеть мозга является мостом, связывающим поведенческую парадигму с исследованиями ЭЭГ, что может упростить выбор эталона . Поведенческая парадигма (первая строка) часто включает несколько компонентов ЭЭГ или ERP (вторая строка), которые, в свою очередь, поддерживаются несколькими областями мозга, которые построили крупномасштабную сеть (третья строка).Кроме того, каждая крупномасштабная сеть имеет свои специфические чувствительные или нейтральные электроды. Выбор электрода упрощается, если связь от электрофизиологических компонентов (четвертый ряд) до крупномасштабной сети конечна и последовательна.

Атрибуция функциональной специализации, показанная на рисунке 5, может рассматриваться в различных пространственных масштабах (Gilbert et al., 2010). Например, в макромасштабе визуальная сеть может быть описана как специализированная для визуальной обработки, и эталонная схема визуальных ERP, таких как P100 или N170, может быть выведена в этом макромасштабе.В более мелком масштабе подобласти визуальной сети можно различать на основе их чувствительности к различным визуальным характеристикам. Разрез коры головного мозга с высоким разрешением может повысить точность выбора электрода. Например, N170 может указать свою опорную схему из подсети вокруг боковых визуальных областей. Шаблон, который мы использовали, также имеет высокое разрешение с 17-сетевым разбиением коры головного мозга человека на основе 1000 субъектов (Yeo et al., 2011). Эта подробная разбивка соответствует иерархической классификации доменов поведения (Poldrack and Yarkoni, 2016) и может привести к выбору более релевантных ссылок.

Наши текущие симуляции имеют несколько ограничений, особенно разделение вершины на конкретную крупномасштабную сеть. Фактически одна и та же вершина может принадлежать разным сетям. Кроме того, если все или большинство вершин в сети активны одновременно, наиболее чувствительные \ нейтральные электроды и относительная погрешность каждого метода повторного эталона будут сильно отличаться от текущих результатов. Что еще более важно, именно таким образом результаты можно интерпретировать с точки зрения того, что происходит, когда конкретная сеть функционирует.И эксперименты могут найти руководство по тому, какие ссылки и какой тип анализа подходят, когда интересующая деятельность связана с определенной мозговой сетью или генерируется из нее.

Резюме и заключение

Выбор эталона ЭЭГ – важный начальный шаг для анализа ЭЭГ, и результаты различных эталонных схем следует рассматривать как взаимозаменяемые (Hagemann et al., 2001). Наши результаты показали, что REST является потенциальным эталоном для всех крупномасштабных сетей, а AVE по производительности намного ближе к REST.Этот крупномасштабный сетевой подход, основанный на большой выборке опубликованных исследований нейровизуализации, может переназначать большие массивы сигналов ЭЭГ и ERP для различных задач с новыми организационными функциями на системном уровне, тем самым предлагая потенциальный эталонный электрод для клинических исследований и исследований с использованием ЭЭГ и ССП.

Авторские взносы

Задумал и спланировал эксперименты, выполнил эксперименты и проанализировал данные: XL. Предоставленные реагенты / материалы / инструменты анализа: XL и KL.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Это исследование было поддержано грантами Национального фонда естественных наук Китая (31571111), Фонда фундаментальных исследований для центральных университетов (SWU1609109) и Фонда специализированных исследований для докторской программы высшего образования Китая (20120182120001).

Список литературы

Бертран О., Перрен Ф. и Пернье Дж. (1985). Теоретическое обоснование среднего эталона в топографических исследованиях вызванного потенциала. Электроэнцефалогр. Clin. Neurophysiol. 62, 462–464. DOI: 10.1016 / 0168-5597 (85) -9

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Челла Ф., Пиццелла В., Заппасоди Ф. и Марцетти Л. (2016). Влияние выбора эталона на оценку связности ЭЭГ кожи головы. J. Neural Eng. 13: 036016. DOI: 10.1088 / 1741-2560 / 13/3/036016

PubMed Аннотация | CrossRef Полный текст | Google Scholar

де Манк, Дж. К. (1988). Распределение потенциала в слоистом анизотропном объемном сфероидальном проводнике. J. Appl. Phys. 64, 464–470. DOI: 10.1063 / 1.341983

CrossRef Полный текст | Google Scholar

Форд, Дж. М., Салливан, Э. В., Марш, Л., Уайт, П. М., Лим, К. О. и Пфеффербаум, А. (1994). Взаимосвязь между амплитудой P300 и региональными объемами серого вещества зависит от задействованной системы внимания. Электроэнцефалогр. Clin. Neurophysiol. 90, 214–228. DOI: 10.1016 / 0013-4694 (94) -0

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Гилберт, С. Дж., Хенсон, Р. Н. А., и Саймонс, Дж. С. (2010). Шкала функциональной специализации префронтальной коры головного мозга человека. J. Neurosci. 30, 1233–1237. DOI: 10.1523 / JNEUROSCI.3220-09.2010

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Хагеманн, Д., Науманн, Э.и Тайер, Дж. Ф. (2001). Возвращение к поискам эталона ЭЭГ: взгляд из исследования асимметрии мозга. Психофизиология 38, 847–857. DOI: 10.1111 / 1469-8986.3850847

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Херрманн, К. С. (2001). Ответы ЭЭГ человека на мерцание 1–100 Гц: резонансные явления в зрительной коре и их потенциальная корреляция с когнитивными явлениями. Exp. Brain Res. 137, 346–353. DOI: 10.1007 / s002210100682

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Хиллард, С.А., и Анлло-Венто, Л. (1998). Событийные потенциалы мозга в исследовании зрительного избирательного внимания. Proc. Natl. Акад. Sci. США 95, 781–787. DOI: 10.1073 / pnas.95.3.781

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кайзер, Дж., И Тенке, К. Э. (2010). В поисках розеттского камня для ЭЭГ кожи головы: использование безреферентных методик. Clin. Neurophysiol. 121, 1973–1975. DOI: 10.1016 / j.clinph.2010.04.030

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Клеффнер-Кануччи, К., Луу, П., Нэлевэй, Дж., И Такер, Д. М. (2012). Новый гидрогелевый наполнитель электролита для быстрого применения датчиков ЭЭГ и расширенных записей. J. Neurosci. Методы 206, 83–87. DOI: 10.1016 / j.jneumeth.2011.11.021

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лей, X., Ван, Ю., Юань, Х., и Мантини, Д. (2014). Нейрональные колебания и функциональные взаимодействия между сетями состояния покоя: последствия алкогольного опьянения. Хум. Brain Mapp. 35, 3517–3528. DOI: 10.1002 / hbm.22418

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лэй, X., Сюй, П., Луо, К., Чжао, Дж., Чжоу, Д., и Яо, Д. (2011). ФМРТ Функциональные сети для визуализации источников ЭЭГ. Хум. Brain Mapp. 32, 1141–1160. DOI: 10.1002 / HBM.21098

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лей, X., Ян, П., и Яо, Д. (2009). Эмпирическая байесовская основа для интерфейсов мозг-компьютер. IEEE Trans.Neural Syst. Rehabil. Англ. 17, 521–529. DOI: 10.1109 / TNSRE.2009.2027705

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Лю, К., Балстерс, Дж. Х., Бэчингер, М., ван дер Гроен, О., Вендерот, Н., и Мантини, Д. (2015). Оценка нейтрального эталона для электроэнцефалографических записей: важность использования высокоплотного монтажа и реалистичной модели головы. J. Neural Eng. 12: 056012. DOI: 10.1088 / 1741-2560 / 12/5/056012

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Марцетти, Л., Нольте, Г., Перруччи, М. Г., Романи, Г. Л., и Дель Гратта, К. (2007). Использование стандартизированного эталона бесконечности в исследованиях когерентности ЭЭГ. Нейроизображение 36, 48–63. DOI: 10.1016 / j.neuroimage.2007.02.034

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Mullen, T. R., Kothe, C. A., Chi, Y. M., Ojeda, A., Kerth, T., Makeig, S., et al. (2015). Нейровизуализация и когнитивный мониторинг в режиме реального времени с использованием портативной сухой ЭЭГ. IEEE Trans. Биомед. Англ. 62, 2553–2567.DOI: 10.1109 / TBME.2015.2481482

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Нуньес, П. Л., Сринивасан, Р. (2006). Теоретическая основа для стоячих и бегущих мозговых волн, измеренных с помощью ЭЭГ человека, с последствиями для интегрированного сознания. Clin. Neurophysiol. 117, 2424–2435. DOI: 10.1016 / j.clinph.2006.06.754

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Остенвельд Р. и Праамстра П. (2001).Пятипроцентная электродная система для измерений ЭЭГ и ERP с высоким разрешением. Clin. Neurophysiol. 112, 713–719. DOI: 10.1016 / S1388-2457 (00) 00527-7

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Полдрак Р. А., Яркони Т. (2016). От карт мозга до когнитивных онтологий: информатика и поиск ментальной структуры. Annu. Rev. Psychol. 67, 587–612. DOI: 10.1146 / annurev-psycho-122414-033729

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Цинь, Ю., Сюй П. и Яо Д. (2010). Сравнительное исследование различных эталонов для сети режима ЭЭГ по умолчанию: использование эталона бесконечности. Clin. Neurophysiol. 121, 1981–1991. DOI: 10.1016 / j.clinph.2010.03.056

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Смит, С. М., Фокс, П. Т., Миллер, К. Л., Глан, Д. К., Фокс, П. М., Маккей, К. Е. и др. (2009). Соответствие функциональной архитектуры мозга при активации и отдыхе. Proc. Natl.Акад. Sci. США 106, 13040–13045. DOI: 10.1073 / pnas.07106

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Тиан, Ю., Яо, Д. (2013). Почему нам нужно использовать нулевую ссылку? Эталонные влияния на ERP аудиовизуальных эффектов. Психофизиология 5, 1282–1290. DOI: 10.1111 / psyp.12130

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Tzourio-Mazoyer, N., Landeau, B., Papathanassiou, D., Crivello, F., Etard, O., Delcroix, N., et al. (2002). Автоматическая анатомическая маркировка активаций в SPM с использованием макроскопической анатомической разбивки мозга одного пациента MNI MRI. Нейроизображение 15, 273–289. DOI: 10.1006 / nimg.2001.0978

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Яо Д. (2017). Всегда ли интеграл поверхностного потенциала диполя в объемном проводнике равен нулю? Облако над средним эталоном ЭЭГ и ERP. Мозг Топогр .30, 161–171. DOI: 10.1007 / s10548-016-0543-x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Яо Д., Ван Л., Остенвельд Р., Нильсен К. Д., Арендт-Нильсен Л. и Чен А. С. (2005). Сравнительное исследование различных эталонов для спектрального картирования ЭЭГ: проблема нейтрального эталона и использование эталона бесконечности. Physiol. Измер. 26, 173–184. DOI: 10.1088 / 0967-3334 / 26/3/003

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Йео, Б.Т., Криенен, Ф. М., Эйкхофф, С. Б., Яакуб, С. Н., Фокс, П. Т., Бакнер, Р. Л. и др. (2015). Функциональная специализация и гибкость ассоциативной коры человека. Cereb. Cortex 25, 3654–3672. DOI: 10.1093 / cercor / bhu217

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Йео, Б. Т., Кринен, Ф. М., Сепулькр, Дж., Сабунку, М. Р., Лашкари, Д., Холлинсхед, М., и др. (2011). Организация коры головного мозга человека оценивается по внутренней функциональной связности. J. Neurophysiol. 106, 1125–1165. DOI: 10.1152 / jn.00338.2011

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Чжай, Ю., Яо, Д. (2004). Исследование методики стандартизации электрода сравнения для реалистичной модели головы. Comput. Методы Программы Биомед. 76, 229–238. DOI: 10.1016 / j.cmpb.2004.07.002

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Датчики

| Бесплатный полнотекстовый | Мониторинг ЭЭГ возможен и надежен при одновременной чрескожной электростимуляции спинного мозга

1.Введение

Чрескожная электрическая стимуляция спинного мозга (tSCS) – это неинвазивный нейромодуляторный метод, который в последние годы показал себя многообещающим в ускорении восстановления моторики у пациентов с травмой спинного мозга [1,2,3]. Этот метод использует поверхностный электрод, расположенный над местом повреждения позвоночника, для подачи высокочастотных токов, и был связан с функциональными улучшениями в верхних конечностях, туловище [4] и нижних конечностях [1], часто в сочетании с физическая практика.Было высказано предположение, что tSCS повышает моторный порог мотонейронов дорсальных корешков, облегчая волевой контроль за счет остаточных нисходящих путей [5]. Однако точные механизмы, лежащие в основе выздоровления, полностью не изучены. В недавних исследованиях использовались различные методы для измерения изменений кортикоспинальной возбудимости, в одном даже сообщалось об изменениях корковой возбудимости после tSCS [6]. В дальнейшем будет крайне важно изучить многочисленные направления исследований с использованием ряда методов, таких как электроэнцефалография (ЭЭГ), чтобы установить точные механизмы выздоровления.Как и другие методы, основанные на стимуляции – функциональная электрическая стимуляция [7], транскраниальная стимуляция постоянным током [8], транскраниальная стимуляция переменным током (tACS) [9], глубокая стимуляция мозга [10], например, введение ЭЭГ в Когда дело доходит до интерпретации, эксперимент может представлять серьезную проблему из-за значительных артефактов стимуляции в записанном сигнале. Стимуляция часто применяется с интенсивностью, намного превышающей амплитуду, связанную с ЭЭГ. Ловушка может возникнуть в частотной области, если частота стимуляции перекрывается с интересующим частотным диапазоном, действительно, цервикальная цервикальная цервикальная цервикальная система часто доставляется с частотой 30 Гц в пределах сенсомоторного спектра ЭЭГ (7–40 Гц) [11].Многие исследования tACS преодолели этот конфликт, ограничив анализ ЭЭГ до и после стимуляции. Это устраняет проблему артефактов, но лишает исследование доступа к активности мозга во время стимуляции. Недавно во время непрерывного tACS отслеживалась ЭЭГ, и артефакты удалялись с помощью методов подавления артефактов [12], что позволяло анализировать ритмы мозга во время стимуляции. Транскраниальная стимуляция переменным током (tACS) имеет периодическую форму волны, аналогичную tSCS.Методы подавления артефактов, разработанные для tACS, являются хорошей отправной точкой для изучения tSCS и ЭЭГ. Насколько нам известно, не сообщалось, усложняет ли tSCS извлечение нейронной информации. Это исследование направлено на то, чтобы пролить свет на то, как tSCS проявляется на ЭЭГ во время одновременного сбора данных, чтобы количественно оценить его эффекты и определить, можно ли использовать методы подавления артефактов для минимизации загрязнения. Чтобы ответить на эти вопросы, мы собрали набор данных ЭЭГ от здоровых добровольцев, в то время как стимуляция проводилась чрескожно в шейную область на задней стороне шеи.Расположение параметров стимуляции и стимуляции – несущая частота, частота импульсов, ширина импульса и т. Д. – было выбрано таким образом, чтобы отразить параметры, типичные для современного состояния реабилитации верхних конечностей с использованием tSCS [2,3]. Мы выполнили автономный анализ, чтобы проиллюстрировать, как tSCS проявляется во временной и частотной области, и рассмотрели влияние местоположения электродов ЭЭГ и интенсивности стимуляции на выступление артефакта. Наша гипотеза заключалась в том, что, как и другие методы электростимуляции, tSCS будет присутствовать на ЭЭГ в виде узких пиков с большой амплитудой и что методы подавления артефактов могут уменьшить воздействие стимуляции.В целом, наши результаты предполагают, что получение физиологически значимой ЭЭГ во время tSCS возможно, и прокладывают путь к будущим исследованиям, направленным на раскрытие сенсомоторных нейронных механизмов, лежащих в основе терапии на основе tSCS.

2. Материалы и методы

2.1. Участники

В исследовании участвовал 21 здоровый доброволец (7 женщин, 14 мужчин; 28 ± 5 лет). Критерии исключения включали предыдущие неврологические симптомы нервной или опорно-двигательного аппарата, металлические или электронные имплантаты, лекарства, влияющие на нервную возбудимость (противоэпилептические, антипсихотические или антидепрессанты), аллергию на электродный материал, эпилепсию и беременность.

Сеансы проводились в одно и то же время дня, чтобы минимизировать исходные отклонения ЭЭГ, и испытуемым разрешалось делать перерывы между запусками экспериментов для предотвращения утомления. Письменное информированное согласие было получено от всех участников. Это исследование было одобрено Подкомитетом по этике человека в качестве субъекта при Политехническом университете Гонконга и проводилось в соответствии с принципами и указаниями Хельсинкской декларации.

2.2. Протокол эксперимента

Участники прошли два сеанса записи ЭЭГ в разные дни на основе двухдневного кроссовера.ЭЭГ и ЭМГ предплечья измерялись, когда участники выполняли двигательное задание. Сеанс А выполнялся с применением tSCS в шейном отделе шеи, а сеанс B проводился без tSCS в разные дни, чтобы минимизировать потенциальные изменения активности мозга, вызванные стимуляцией. Порядок сеансов был рандомизирован для каждого участника.

Участники выполняли два действия во время каждого сеанса: задачу состояния покоя и задачу выполнения перемещения. Во время выполнения первого задания участникам предлагалось посидеть неподвижно в течение 90 секунд, пока записывалась их ЭЭГ.Это повторялось дважды: с открытыми и закрытыми глазами.

Чтобы оценить влияние tSCS на связанную с событием десинхронизацию сенсомоторных ритмов во время движения, участники были проинструктированы выполнять ритмическое сгибание пальцев правой рукой или бимануальное сгибание пальцев по сигналу экрана компьютера. Стрелка вправо указывает на правое движение, а двойная стрелка, указывающая влево и вправо, указывает на бимануальные движения. Каждое движение выполнялось в течение четырех секунд и повторялось 30 раз с рандомизированным 1.Интервал между испытаниями от 5 до 2,5 с. Одновременно регистрировалась ЭМГ мышц предплечья для измерения начала движения.

2.3. Сбор данных ЭЭГ / ЭМГ

ЭЭГ регистрировали при 1200 Гц с помощью усилителя биосигнала g.USBamp (g.tec, Schiedlberg, Австрия). Использовались девятнадцать пассивных электродов: Fz, FC3, FC1, FCz, FC2, FC4, C3, C1, Cz, C2, C4, CP3, CP1, CPz, CP2, CP4, Pz, POz и Oz, согласно международному стандарту 10. -20 система. Заземляющий и контрольный электроды помещали в AFz и правую мочку уха соответственно.ЭЭГ подвергалась внутренней фильтрации с помощью полосового фильтра на 0,01–100 Гц и режекторного фильтра на 50 Гц для ослабления шума линии электропередач. Особое внимание было уделено тому, чтобы импеданс электродов был ниже 5 кОм на протяжении всего сеанса записи, и чтобы участники минимизировали свои движения тела. Это было важно, поскольку традиционные методы очистки данных усложнялись из-за присутствия tSCS. Для согласованности типичные пороги отклонения по размаху амплитуды не использовались при обработке данных tSCS-off или tSCS-on.ЭЭГ была предварительно обработана с применением полосового фильтра Баттерворта 3-го порядка с частотой среза 3 и 50 Гц.

Поверхностная электромиография (ЭМГ) записывалась с левого и правого предплечья для определения начала движения и использовалась только при анализе классификации движений. Два электрода (Ag / AgCl; F-301, Skintact, Инсбрук, Австрия) располагали на животе каждой мышцы-разгибателя лучевого сустава (ERC) с расстоянием между электродами 20 мм. К боковым надмыщелкам прикрепляли заземляющие электроды.ЭМГ регистрировали одновременно с ЭЭГ с помощью усилителя биосигналов g.USBamp (g.tec, Schiedlberg, Австрия) (полосовой фильтр: 5–1200 Гц; режекторный фильтр: 50 Гц). В автономном режиме применялись полосовой фильтр 20–500 Гц и фильтр нижних частот 10 Гц. Начало движения определялось как момент, когда сигнал ЭМГ превышал среднее значение фазы покоя плюс два раза его стандартное отклонение в течение не менее 100 мс. Эпоха ЭЭГ составляла от -2 до 6 с относительно начала движения.

2.4. Чрескожная стимуляция спинного мозга (tSCS)

Стимуляция осуществлялась сериями из десяти двухфазных прямоугольных импульсов длиной 100 мкс с частотой 30 Гц с помощью двухфазного стимулятора постоянного тока DS8R (Digitimer, Хартфордшир, Великобритания).Катодный электрод (диаметр 3,2 см; Axelgaard Manufacturing Co, Fallbrook, CA, USA) помещали между межпозвонковым пространством C5-C6. Гипоаллергенная лента прикрепляла катод к коже для обеспечения плотного контакта на протяжении всего сеанса. Связанные между собой анодные электроды (8,9 × 5,0 см; Axelgaard Manufacturing Co, Fallbrook, CA, USA) размещали симметрично на плечах над акромионом. Сила тока была определена как наивысшая допустимая для участника (40 ± 10 мА).

2.5. Подавление артефактов

Чтобы удалить шум, создаваемый tSCS, мы исследовали ряд методов подавления артефактов, которые можно было бы реализовать в приложениях реального времени.

2.5.1. Суперпозиция скользящих средних (SMA)
Впервые разработанный для ослабления эффектов транскраниальной стимуляции переменным током в ЭЭГ, фильтр SMA создает шаблон, аппроксимирующий артефакт стимуляции, и вычитает его из загрязненной ЭЭГ [12]. Когда каждый канал разделен на N неперекрывающихся окон, длина которых равна частоте стимуляции, SMA-фильтр усредняет M окон и вычитает результат из текущего окна n.Следовательно, если x (n) – это один канал, разделенный на N сегментов,

Х (п) = х (п) −1M + 1∑n − M2n + M2x (п),

(1)

где X (n) представляет собой очищенный или «реконструированный» канал. Шаблон артефакта обновляется по мере его перемещения по временному ряду, адаптируясь к изменениям формы артефакта. В этом исследовании для M было установлено значение 5, что было эвристически установлено для максимальной точности классификации, как описано ниже. Этот анализ был выполнен с использованием кода из репозитория с открытым исходным кодом [13].
2.5.2. Адаптивный фильтр
Мы также исследовали технику адаптивной фильтрации. В отличие от обычных фильтров с фиксированными коэффициентами, адаптивный фильтр регулирует свои параметры фильтрации с течением времени, чтобы удовлетворить алгоритм оптимизации. Многие адаптивные фильтры полагаются на два входа: искаженный сигнал и сигнал, отражающий известный шум, часто на выходе самого стимулятора. Однако мы реализовали версию адаптивного фильтра, который полагается только на искаженный сигнал. Аналогичный метод был использован для удаления артефактов функциональной электростимуляции (ФЭС) из ЭМГ [14,15].Метод делит входящий сигнал x (n) на M неперекрывающихся окон из N выборок и делает прогноз артефакта стимуляции, используя линейную комбинацию M предыдущих кадров, взвешенных с помощью коэффициентов фильтра b. Предполагается, что если фильтр может удалить истинную ЭЭГ, то энергия результирующего сигнала будет иметь минимальное значение. Следовательно, коэффициент b определяется алгоритмом наименьших квадратов, который минимизирует энергию текущего кадра по отношению к этому коэффициенту.Подробное объяснение этой процедуры было описано Sennels et al. [14]. Затем предсказанный артефакт вычитается из текущего кадра:

y (n) = x (n) −∑j = 1Mbjx (n − jN),

(2)

где N – отношение частоты стимуляции к частоте дискретизации, обеспечивающее выравнивание артефакта стимуляции в каждом окне. Вычитание предсказанного артефакта из текущего кадра x (n) направлено на то, чтобы удалить вклады от стимулятора, оставив после себя очищенную версию сигнала y (n).

Это исследование показало, что M из 6 обычно достаточно, чтобы устранить артефакт моделирования.

2.5.3. Срединный фильтр
Нервно-мышечная электрическая стимуляция (NMES) была доставлена ​​в периферическую мускулатуру и, как было показано, проявляется на ЭЭГ в виде коротких латентных периодов и пиков высокой амплитуды. Insautsti-Delago et al. применил короткое скользящее окно к каждому каналу ЭЭГ, взяв среднее значение, чтобы уменьшить влияние NMES [7]. В текущем исследовании применялся аналогичный метод со скользящим окном из 7 выборок или длиной около 6 мс.
2.5.4. Режекторный фильтр

Фильтр Баттерворта 3-го порядка использовался для ослабления частоты стимуляции путем установки низких и высоких частот среза на 29 и 31 Гц, соответственно.

2.6. Артефакт стимуляции во временной области

Чтобы проиллюстрировать влияние tSCS на ЭЭГ во временной области, мы построили предварительно обработанную ЭЭГ в состоянии покоя с закрытыми глазами. Чтобы изучить эффекты интенсивности стимуляции, мы показали ЭЭГ участников, которые были наиболее и наименее толерантными к tSCS.Кроме того, мы исследовали влияние расстояния на видимость артефакта, представив данные от ближайшего и самого дальнего канала к месту стимуляции: Fz и Oz, соответственно. ЭЭГ из состояния tSCS-off также показана для лучшего сравнения.

2.7. Артефакт стимуляции в частотной области

Поскольку tSCS доставляется в фиксированное место на задней стороне шеи, мы ожидали, что артефакты будут проявляться на ЭЭГ в зависимости от расстояния. Для простоты мы рассмотрели только срединные электроды, так как не ожидали латерализованного эффекта из-за относительной однородности состава кожи головы.Чтобы наблюдать эффект, мы рассмотрели спектральную плотность мощности (СПМ) ЭЭГ в состоянии покоя с закрытыми глазами на частоте стимуляции (28–32 Гц) и около нее. Мы ожидали, что задние электроды (Oz и т. Д.) Будут иметь больший вклад 30 Гц, чем передние электроды (Fz и т. Д.). PSD оценивалась многожильным методом с полосой пропускания 0,1.

2,8. Пространственное распределение загрязнения tSCS

Используя метод, описанный выше, мы нашли PSD ЭЭГ в состоянии покоя с закрытыми глазами при 30 Гц и около этого, чтобы определить спектральный образец стимуляции на топографии кожи головы.Средняя мощность каждого канала во время tSCS была вычтена и разделена на мощность в состоянии tSCS-off, что выявило увеличение или уменьшение мощности в процентах на частоте стимуляции. Процесс был повторен для отфильтрованной ЭЭГ. Статистические различия в мощности 30 Гц между условиями tSCS-off и tSCS-on и его отфильтрованными производными определялись с помощью попарного t-критерия, при котором данные соответствовали параметрическому распределению и критерию знакового ранга Вилкоксона, где данные были непараметрически распределенный.Значения p были скорректированы с использованием метода коррекции частоты ложных открытий Бенджамини / Хохберга.

2.9. Временная область: описательная статистика ЭЭГ
Чтобы количественно охарактеризовать сигнал ЭЭГ и оценить влияние tSCS и методов подавления артефактов, мы использовали ряд описательных статистических данных. А именно, эксцесс, среднеквадратичный (RMS), фрактальная размерность Хигучи и переходы через нуль. Этот подход был мотивирован методом, предложенным Kohli et al. оценить эффективность удаления артефактов транскраниальной стимуляции переменным током из ЭЭГ [12].Для этого анализа использовалась ЭЭГ с открытыми глазами, состояние покоя. ЭЭГ из каждого канала была разделена на 10-секундные неперекрывающиеся сегменты. Описательная статистика была рассчитана для каждого сегмента и усреднена. Среднее значение было снова взято для всех участников и отображено графически.

Описательная статистика по каждому состоянию ЭЭГ и положению электродов сравнивалась на предмет значительных различий. Во-первых, тесты Левена и Шапиро-Уилка были выполнены для определения однородности дисперсии и нормальности данных.Когда эти тесты были удовлетворены, использовался двухфакторный дисперсионный анализ (ANOVA) с описательной статистикой в ​​качестве зависимой переменной и состоянием ЭЭГ и положением электрода в качестве независимых факторов. Тест Шайрера-Рея-Хара был проведен там, где не выполнялись предположения о статистическом распределении. Апостериорные тесты для множественных сравнений включали попарный t-критерий для описательной статистики после параметрического распределения и знаковый ранговый критерий Вилкоксона для непараметрической статистики.Значения p были скорректированы с использованием метода коррекции частоты ложных открытий Бенджамини / Хохберга.

2.10. Частотная область: влияние на индивидуальную альфа-частоту
Альфа-ритм – характерная особенность ЭЭГ, которую приписывают многим когнитивным процессам [16]. Чтобы оценить возможность мониторинга экспрессии альфа-ритма во время tSCS, мы извлекли пиковую частоту из диапазона 8–12 Гц во время выполнения задачи в состоянии покоя с открытыми и закрытыми глазами. PSD рассчитывали, как описано выше.Нормальность и однородность определяли с помощью теста Шапиро-Уилка и Левена соответственно. Когда предположения о распределении были выполнены, мы выполнили односторонний дисперсионный анализ, чтобы определить, была ли индивидуальная альфа-частота существенно затронута состоянием ЭЭГ (tSCS-off, tSCS-on, tSCS-on с фильтрами). Мы провели несколько односторонних дисперсионных анализов для определения местоположения электродов (Fz, Oz) и состояния покоя (глаза открыты, глаза закрыты) с учетом сильных различий в индивидуальных альфа-частотах, ожидаемых от нормальной ЭЭГ. Апостериорные тесты для множественных сравнений были выполнены, как описано выше.
2.11. Классификация сенсомоторных ритмов
Чтобы определить возможность классификации движений на основе сенсомоторных ритмов во время tSCS, мы использовали современное состояние: полосовая фильтрация и фильтрация общих пространственных паттернов (CSP) с последующим выделением характеристик мощности полосы и линейной классификация дискриминантного анализа (LDA) [17]. ЭЭГ была разделена на 2-секундные отрезки по 0,5–2,5 с относительно начала движения. Для классификации учитывались два условия: правая рука по сравнению с бимануальным ритмичным сгибанием пальцев.Для обучения и тестирования классификатора CSP-LDA использовалось тридцать испытаний на каждое условие. Подход CSP заключался в нахождении пространственных фильтров w таких, чтобы дисперсия отфильтрованных сигналов ЭЭГ была максимальной для одного класса и минимальной для другого. Пространственные фильтры w были найдены путем увеличения следующего выражения посредством обобщенного разложения на собственные значения: где T обозначает транспонирование, а Xi – многоканальная ЭЭГ с полосовой фильтрацией из класса i. Фильтр w содержит ряд собственных векторов (пространственных фильтров), соответствующих количеству каналов ЭЭГ.Однако лучше всего выбирать несколько собственных векторов с каждого конца спектра собственных значений в качестве пространственных фильтров для облегчения классификации. В этом исследовании мы использовали шесть пар фильтров. Затем логарифмическая дисперсия сигналов ЭЭГ, отфильтрованных с помощью CSP, использовалась в качестве характеристик для обучения классификатора LDA. Мы использовали 10-кратную перекрестную проверку, чтобы оценить производительность обученного классификатора. Точность классификатора определялась как количество правильно классифицированных испытаний по сравнению с общим количеством испытаний.Для определения статистически значимых различий между средними точностями использовался попарный t-критерий. Значения textitp были скорректированы с использованием метода коррекции ложного обнаружения Бенджамини / Хохберга.

3. Результаты

3.1. Артефакт стимуляции во временной области
Эффекты интенсивности стимуляции и положения электродов во временной области на ЭЭГ показаны на рисунке 1. На рисунках 1A, E показаны репрезентативные сегменты ЭЭГ с закрытыми глазами в состоянии покоя от участника, чья ЭЭГ была наименее затронута tSCS, благодаря им получалось всего 10 мА стимуляции.Сплошная черная линия представляет собой ЭЭГ, записанную без tSCS, а серая пунктирная линия – с tSCS. Визуально сигналы на рис. 1А имеют схожую амплитуду и оба имеют компонент 8–10 Гц, типичный для ЭЭГ в состоянии покоя с закрытыми глазами. Похоже, что при такой интенсивности фронтальные каналы ЭЭГ избавляются от визуально наблюдаемых искажений. С другой стороны, задние электроды, представленные каналом Oz (рис. 1E), показывают четкую составляющую 30 Гц. Размах амплитуды при Oz составляет 120 мкВ во время tSCS по сравнению с 30 мкВ без tSCS, что в 4 раза больше.На другом конце спектра интенсивности на рис. 1C, G показана ЭЭГ в состоянии покоя за одну секунду от участника, получившего наибольшую силу тока, 60 мА. Как в Fz, так и в Oz временной ряд ЭЭГ включает существенный артефакт стимуляции 30 Гц, который характеризуется узкими пиками высокой амплитуды. Наиболее отчетливо это видно на канале Оз. При 60 мА в условиях стимуляции размах амплитуды увеличивался в 8,6 раза, с 30 мкВ до 260 мкВ. Амплитуда артефакта стимуляции на Fz менее интенсивна, примерно в 4 раза больше, чем у нормальной ЭЭГ.
3.2. Артефакт стимуляции в частотной области
На рис. 1B, F показана спектральная плотность мощности (PSD) ЭЭГ в состоянии покоя для участника, получившего 10 мА tSCS. В отличие от временной области, где наличие артефакта стимуляции неясно в канале Fz, на рисунке 1B отображается заметный пик на частоте 30 Гц, и он еще более выражен в канале Oz, рисунок 1F. Эта тенденция отражена на Рисунке 1D, H. Мощность намного выше в обоих каналах, что отражает гораздо более сильный ток (60 мА).За пределами диапазона частот 30 Гц tSCS не влияет на спектры ЭЭГ по сравнению с PSD, когда tSCS выключен.
3.3. Эффект наложения
Артефакт tSCS недостаточно улавливается системой ЭЭГ, что приводит к постоянно модулирующей амплитуде артефакта во временной области (Рисунок 2A) и переменной мощности в частотной области (Рисунок 2B). Об эффекте наложения спектров сообщалось и для других неосцилляторных периодических методов стимуляции, например, для глубокой стимуляции мозга [10].
3.4. Пространственное распределение загрязнения tSCS
Чтобы определить, как артефакты tSCS проявляются в многоканальной ЭЭГ в зависимости от расстояния от места стимуляции, мы показали нормализованную спектральную мощность на частоте стимуляции (30 Гц) по средней линии электродов (рис. 3C). Топографическое распределение мощности 30 Гц относительно tSCS-off также показано на рисунке 3A. Далее мы исследовали, можно ли удалить этот артефактный компонент в частотной области до такой степени, чтобы он был статистически неотличим от tSCS-off.Тест Шапиро-Уилка показал, что значения мощности имеют тенденцию следовать непараметрическому распределению. Следующие парные сравнения, таким образом, использовали знаковый ранговый критерий Вилкоксона для оценки статистически значимых различий между распределениями мощности. Из рисунка 3В видно, что мощность при 30 Гц существенно увеличивается с помощью tSCS во всех электродах с возрастающей интенсивностью в зависимости от функции. расстояния до места стимуляции. На рисунке 3A показано это увеличение мощности, когда tSCS присутствует по всей голове.По сравнению с тем, когда стимуляция не применяется, мощность при 30 Гц увеличивается на 900% в задних каналах с постепенным снижением мощности, поступающей из затылочной области, но никогда не возвращающейся к уровням tSCS-off. Рисунок 3C показывает мощность при 30 Гц. когда-то были применены методы уменьшения артефактов. Мощность 30 Гц в каждом из отфильтрованных сигналов была значительно снижена и лучше напоминала мощность состояния tSCS-off, представленного синей линией. Распределение мощности 30 Гц, когда tSCS выключено, имеет тенденцию к уменьшению от канала Fz к Pz, прежде чем увеличиваться с Pz до Oz.Два фильтра смогли воспроизвести это распределение: SMA (зеленая линия) и адаптивный фильтр (красная линия).

Фильтр SMA удалил спектральный образец, наблюдаемый до подавления артефактов, оставив более равномерно распределенную топографию мощности. Мощность при 30 Гц уменьшается во всех каналах с максимальной разницей в -40%.

Адаптивный фильтр (A) значительно уменьшил артефакт стимуляции, но все еще был выше по сравнению с одним tSCS-on, мощность значительно уменьшилась всего на 58% по сравнению с сеансом tSCS-off.Интересно, что адаптивный фильтр лучше работал на задних электродах, которые имели тенденцию к 0% модуляции по сравнению с отсутствием стимуляции и без статистически значимой разницы в средних значениях (p> 0,05). Это, возможно, предполагает, что адаптивный фильтр более эффективен там, где артефакт стимуляции имеет более сильное отношение сигнал / шум.

Срединный фильтр привел к наибольшему занижению мощности 30 Гц во всех каналах. Режекторный фильтр (N), с другой стороны, показал лучшие результаты среди фильтров, подавляя артефакт 30 Гц, со статистически одинаковой мощностью на всех срединных электродах (p> 0.05), за исключением Poz (p <0,05) и Oz (p <0,01).

3.5. Временная область: описательная статистика ЭЭГ
Для количественной оценки сигналов ЭЭГ во временной области мы использовали описательную статистику, см. Рисунок 4. Тест Левена и тест Шапиро-Уилка показали, что каждая описательная статистика не соответствовала предположениям об однородности дисперсии (описательная статистика ppAll показали статистически значимые различия в зависимости от состояния (эксцесс: pppppppppppp Таблица 1.

Знаковый тест Вилкоксона показал, что эксцесс значительно отличался в CPz, Pz, POz и Oz при включении tSCS.Фильтру SMA удалось преобразовать эксцесс на этих каналах в диапазоны, статистически аналогичные таковым для ЭЭГ с выключенным tSCS. Адаптивный фильтр также хорошо работал при POz и Oz, но приводил к худшей реконструкции сигнала со значительно разными значениями эксцесса (p <0,01) при Fz, FCz, Cz и Pz по сравнению с tSCS-off, что, возможно, означает, что адаптивный фильтр лучше работает на сигналы с четко выраженными артефактами.

Среднеквадратичное значение было значительно повышено во всех каналах, но в большей степени на задних электродах: с 5.От 87 до 8,37 мкВ при Fz (p <0,01) и от 5,29 до 25,40 мкВ при Oz (p <0,001). Не было фильтров, которые могли бы подавить вклад tSCS на всех электродах. Тем не менее, режекторный фильтр показал наилучшие результаты при возврате среднеквадратичного значения к уровням, статистически подобным таковому для чистой ЭЭГ, в пяти из семи исследованных срединных электродов.

Фрактальная размерность Хигучи, мера сложности сигнала, была значительно изменена на всех каналах после применения tSCS (p <0,001).Единственным фильтром, способным подавить увеличение сложности, вызванное tSCS, был фильтр SMA, который приводил к статистически схожим значениям (p> 0,05) во всех каналах. Адаптивный фильтр также хорошо показал себя в режимах POz и Oz. Интересно, что режекторный фильтр увеличил фрактальную размерность во всех каналах даже в большей степени, чем только tSCS.

Количество переходов через ноль, статистика, которая частично отражает частоту сигнала, также было значительно изменено во всех каналах с помощью tSCS. В среднем количество переходов через ноль за 10 с значительно увеличилось с 22.От 12 до 29,0 (p <0,001) на канале Fz и от 26,55 до 41,90 (p <0,001) на канале Oz. Опять же, фильтр SMA смягчил эффекты tSCS во всех каналах с 20,84 пересечения за 10 секунд в Fz (несущественная разница -1,28, p = 0,077) и 23,60 в Oz (несущественная разница -1,16, p = 0,96). Ни один другой фильтр не возвращал средние значения переходов через ноль к уровням, статистически подобным уровню tSCS-off EEG. Медианный фильтр значительно занижен (p <0,001), а адаптивный и режекторный фильтр значительно переоценил количество переходов через ноль за 10 с (p <0.001).

3.6. Частотная область: индивидуальная альфа-частота
Чтобы оценить, как tSCS повлияла на спектральные характеристики за пределами частоты стимуляции, мы рассмотрели индивидуальную альфа-частоту для каждого участника в каналах Fz и Oz, как показано на рисунке 5. Ясно, что характерное увеличение альфа пика от Состояние «глаза открыты – глаза закрыто» отображается независимо от того, применяется tSCS или нет. Нормальность и однородность подтверждены тестами Шапиро – Уилка и Левена соответственно.Односторонний дисперсионный анализ выполнялся для сравнения влияния состояния ЭЭГ (tSCS-off, tSCS-on, tSCS-on с фильтрами) на частоту индивидуальных альфа-пиков во время различных состояний и каналов покоя. Анализ показал, что не было статистически значимой разницы в индивидуальном альфа в Fz или Oz с открытыми или закрытыми глазами, см. Таблицу 2. Попарный t-тест для множественных сравнений показал, что средняя индивидуальная частота альфа-пика существенно не различалась между любыми условиями. (р> 0.05), однако в канале Fz адаптивно фильтрованная ЭЭГ при открытых глазах приближалась к значимой разнице (p = 0,06).
3,7. Классификация сенсомоторных ритмов
Чтобы определить возможность классификации сенсомоторных ритмов во время tSCS, мы использовали ЭЭГ из задачи выполнения движения, чтобы сформировать задачу классификации двух классов. 10-кратные баллы перекрестной проверки приведены в таблице 3. Метод CSP-LDA смог правильно предсказать правостороннее и бимануальное сгибание пальца в среднем 76,14 ± 12.42% времени, когда стимуляция была выключена, и 75,71 ± 10,62, когда стимуляция была включена. Обе оценки превышают уровень вероятности для двухклассного ИМК с 30 испытаниями на класс (67%, p18). Парный t-критерий не выявил статистически значимых различий между этими баллами (p> 0,05). Значения p были скорректированы с использованием метода коррекции частоты ложных открытий Бенджамини / Хохберга.

Отфильтрованная ЭЭГ показала такие же хорошие результаты: фильтр SMA, 76,79 ± 9,51%; режекторный фильтр: 77,29 ± 11,17%; медианный фильтр: 77,14 ± 10.22%. Интересно, что эти оценки превышают точность, полученную с использованием условий tSCS-off и tSCS-on, однако незначительно (p> 0,05). Адаптивный фильтр работал плохо с точностью 53,64 ± 12,24%, что ниже случайного уровня и поэтому не подходит для приложений BCI.

4. Обсуждение

В этом исследовании впервые были охарактеризованы артефакты, связанные с чрескожной электрической стимуляцией спинного мозга в записях электроэнцефалографии. Мы обнаружили, что tSCS производит узкие пики с большой амплитудой во временной области со скоростью, равной частоте стимуляции, почти на порядок более мощной, чем нормальная ЭЭГ.Из-за объемной проводимости все электроды в большей или меньшей степени были затронуты tSCS. Степень загрязнения сильно зависела от интенсивности стимуляции и положения электрода. Однако мы также обнаружили, что можно использовать ЭЭГ во время tSCS после применения методов подавления артефактов. Это исследование поддерживает использование фильтра наложения скользящих средних (SMA), поскольку это привело к описательной статистике, наиболее напоминающей статистику нормальной ЭЭГ. Kohli et al. пришли к аналогичным выводам в своем отчете об удалении электрических артефактов из ЭЭГ, в котором использовалась аналогичная стратегия оценки фильтров [12].Однако идеальной реконструкции ЭЭГ с помощью SMA-фильтра добиться не удалось. Даже после фильтрации мощность на частоте стимуляции отличалась от нормальной ЭЭГ. Вопрос о том, необходима ли идеальная реконструкция для проведения законных анализов, является предметом споров. Анализы, которые не перекрываются с частотой стимуляции, могут вообще не требовать обработки подавления артефактов. Например, мы показали, что отдельные альфа-частоты могут быть точно извлечены во время tSCS из всех каналов ЭЭГ, даже без фильтрации.Если анализ должен совпадать с частотой стимуляции, то режекторного фильтра может быть достаточно для снижения загрязнения tSCS до уровней, статистически аналогичных нормальной ЭЭГ, по крайней мере, в лобных и центральных электродах. В затылочной области мы показали, что адаптивный фильтр был наиболее эффективным в подавлении артефактов tSCS. Режекторный фильтр, однако, может оказаться слишком тупым инструментом, поскольку он не может восстановить пространственное распределение спектральной мощности, обычно связанное с ЭЭГ [19]. Адаптивный метод, однако, показал лучшие результаты при восстановлении более высокой спектральной мощности, связанной с задними каналами, возможно, поскольку артефакт стимуляции лучше определен и, следовательно, его было легче удалить алгоритмом.Интересно, что результаты нашего анализа классификации движений показали, что стимуляция позвоночника не препятствовала выполнению ИМК. SMA, notch и медианная фильтрация на самом деле повысили эффективность классификации, но не значительно, что, возможно, предполагает потенциальный нейромодулирующий эффект tSCS. Действительно, было показано, что высокоинтенсивная функциональная электрическая стимуляция приводит к более сильной десинхронизации, связанной с событием, в бета-диапазоне (14–30 Гц) при применении к периферической мускулатуре с усиленным эффектом в зависимости от времени [7,20].Однако задача выполнения движения в этом исследовании включала только 30 повторений каждого движения. В ходе будущей работы следует выяснить, будет ли это повышение производительности иметь тенденцию к значимости, если стимуляция применяется в течение более длительного времени. Адаптивный фильтр, однако, не следует применять в будущих анализах, учитывая его низкую эффективность в этом исследовании, постоянно приводящую к показателям ниже уровня вероятности для двухклассового BCI. Как показано в описанном выше анализе статистики, адаптивный фильтр работает лучше там, где артефакт стимуляции особенно заметен; то есть на ЭЭГ от задних электродов.Учитывая, что большинство дискриминирующих моторных сигналов поступает из центральной области, а эффекты стимуляции среди этих каналов менее заметны, адаптивный фильтр, вероятно, плохо аппроксимирует артефакт стимуляции и вместо этого удаляет ценную сенсомоторную информацию. Хотя этот фильтр продемонстрировал эффективность в других работах, эти исследования включали реконструкцию сигналов ЭМГ [14,15]. Следовательно, он, вероятно, не подходит для сохранения низкоамплитудных и низкочастотных сенсомоторных сигналов от ЭЭГ.Тем не менее, даже без подавления артефактов ЭЭГ, зараженная tSCS, оказалась пригодной для классификации с помощью стандартных методов BCI. Это несколько неожиданный результат, учитывая искажение, наблюдаемое на частоте стимуляции. BCI часто строятся на основе линейных классификаторов, которым требуются квазистационарные характеристики мощности полосы для прогнозирования состояний мозга. Если спектр мощности ЭЭГ модулируется экзогенно, то характеристики мощности полосы, вероятно, несут меньшую дискриминирующую способность. Возможно, наложение спектров не было достаточно заметным, учитывая нашу частоту дискретизации 1200 Гц, чтобы повлиять на производительность BCI.Однако в будущих исследованиях следует учитывать этот эффект, поскольку более низкая частота дискретизации, вероятно, приведет к усилению наложения спектров. В будущих исследованиях следует учитывать передискретизацию, где это возможно [10]. Еще одним практическим соображением при выполнении анализа ЭЭГ, записанного во время tSCS, является то, что это затрудняет некоторые традиционные этапы предварительной обработки. Например, многие конвейеры предварительной обработки ЭЭГ полагаются на пороги отклонения, основанные на описательной статистике – например, амплитуда канала, эксцесс, среднеквадратичный – для автоматического удаления некорректных диапазонов данных [21,22].Как мы продемонстрировали здесь, tSCS существенно изменяет описательную статистику ЭЭГ, а это означает, что методы определения пороговых значений устранят интервалы данных, которые в остальном хороши. Это может быть само по себе причиной для применения методов подавления артефактов в качестве основного шага в конвейере анализа tSCS, особенно при работе с ЭЭГ из задних отделов.

Потенциальным ограничением этого исследования является то, что средняя интенсивность стимуляции, применяемая к здоровым добровольцам (10–60 мА), была, вероятно, ниже, чем та, которая может применяться в клинической практике.Люди с травмой спинного мозга, как правило, имеют снижение чувствительности ниже уровня травмы и, вероятно, в среднем могут переносить более высокие токи (40–200 мА). Таким образом, результаты этого исследования могут не отражать того, что возможно на практике. В будущих анализах следует повторить это исследование с использованием популяции с травмой спинного мозга, чтобы подтвердить возможность мониторинга ЭЭГ при более высоких интенсивностях стимуляции.

Результаты этого исследования не следует рассматривать как окончательное утверждение о влиянии tSCS на ЭЭГ.Из-за различий в параметрах стимуляции, используемых в исследованиях tSCS, выводы могут быть сделаны только в отношении параметров, которые мы использовали здесь. Например, мы выбрали импульс длиной в одну миллисекунду с несущей частотой 10 кГц, доставляемый с частотой 30 Гц в шейный отдел позвоночника, что отражает недавние исследования двигательной реабилитации верхних конечностей [2,3,23,24]. В других исследованиях, направленных на реабилитацию нижних конечностей или уменьшение спастичности, использовались другие параметры: последовательности импульсов 20 или 50 Гц, несущие частоты 5 кГц, монофазные вместо двухфазных импульсов [25, 26, 27].

ВИЗУАЛЬНЫХ ПОТЕНЦИАЛОВ У ВЫЖИВШИХ ЭКСТРАКОРПОРАТИВНОГО ОКСИГЕНАЦИИ МЕМБРАН (ЭКМО) СООТВЕТСТВУЮТ С КОГНИТИВНЫМ ТЕСТОМ РАЗВИТИЯ. 1521

Ранее мы продемонстрировали, что судороги во время ЭКМО являются фактором риска задержки развития. Исследования пятилетних детей, страдающих асфиксией (не получавших ЭКМО), показали корреляцию амплитуды и латентности зрительных вызванных потенциалов (ЗВП) с состоянием новорожденного. Не было проведено исследований VEP у выживших после неонатальной веноартериальной ЭКМО.Цель этого исследования состояла в том, чтобы определить, будут ли ЗВП, записанные в школьном возрасте, прогнозировать состояние новорожденного (судороги или отсутствие приступов) и исход. Две группы были отобраны случайным образом из нашей когорты выживших после ЭКМО в возрасте от пяти до девяти лет [Группа 1, (n = 9) без приступов; Группа 2, (11) приступы]. Регистрируемые данные: масса тела при рождении, гестационный возраст, оценка по шкале Апгар, возраст и образование матери, а также диагнозы. Всем детям была проведена VEP с изменением паттерна, записанная с помощью поверхностных электродов, OZ-FZ, OZ-A1, PZ-A1 и FZ-A1 (Nicolet Compact 4; временная развертка 200 мс, 4.1 Гц, чувствительность 100 мкВ). ЗВП измерялись и оценивались неврологом, не знающим статуса пациента. Все испытуемые прошли шкалу интеллекта Стэндфорда-Бине (4-е изд.), Тест на визуально-моторную интеграцию Берри и пересмотренный тест на достижения в широком диапазоне. Демографические показатели не различались между двумя группами. VEP для всех испытуемых были нормальными по латентности и амплитуде волны P100. Однако амплитуда правой и левой амплитуды отрицательно коррелировала с диагнозом приступов. Субъекты в группе судорожных припадков имели значительно более низкие амплитуды для обоих левых (p = 0.01) и справа (p = 0,001) по сравнению с группой без приступов. Для всех субъектов нижние левые амплитуды значимо коррелировали с потребностью в физической или профессиональной терапии (p = 0,014), более низкими баллами для абстрактного визуального мышления и более низкими баллами для всех трех подмножеств WRAT-R; то есть арифметика, чтение и правописание. Абсолютная разница между правой и левой задержкой (мера асимметрии) отрицательно коррелировала с подмножествами WRAT-R для чтения (p = 0,003) и орфографии (p = 0.021). Наличие приступов не коррелировало ни с одним из результатов тестирования. ЗВП, по-видимому, являются чувствительным индикатором успеваемости по WRAT-R у детей школьного возраста, получавших лечение ЭКМО. Эта взаимосвязь требует дальнейшего исследования, чтобы определить, могут ли ЗВП предсказать исход у новорожденного, недавно пролеченного ЭКМО. При поддержке MCG Research Grant.

Страница не найдена – ScienceDirect

  • Пандемия COVID-19 и глобальное изменение окружающей среды: новые потребности в исследованиях

    Environment International, том 146, январь 2021 г., 106272

    Роберт Баруки, Манолис Кожевинас, […] Паоло Винеис

  • Исследование количественной оценки риска изменения климата в городском масштабе: обзор последних достижений и перспективы будущего направления

    Обзоры возобновляемых и устойчивых источников энергии, Том 135, Январь 2021 г., 110415

    Бинь Йеа, Цзинцзин Цзян, Джунго Лю, И Чжэн, Нань Чжоу

  • Воздействие изменения климата на экосистемы водно-болотных угодий: критический обзор экспериментальных водно-болотных угодий

    Журнал экологического менеджмента, Том 286, 15 мая 2021 г., 112160

    Шокуфе Салими, Сухад А.A.A.N. Алмуктар, Миклас Шольц

  • Обзор воздействия изменения климата на общество в Китае

    Достижения в исследованиях изменения климата, Том 12, выпуск 2, апрель 2021 г., страницы 210-223

    Юн-Цзянь Дин, Чен-Ю Ли, […] Цзэн-Ру Ван

  • Общественное мнение об изменении климата и готовности к стихийным бедствиям: данные Филиппин

    2020 г.

    Винченцо Боллеттино, Тилли Алкайна-Стивенса, Манаси Шарма, Филип Ди, Фуонг Пхама, Патрик Винк

  • Воздействие бытовой техники на окружающую среду в Европе и сценарии снижения их воздействия

    Журнал чистого производства, Том 267, 10 сентября 2020 г., 121952

    Роланд Хишье, Франческа Реале, Валентина Кастеллани, Серенелла Сала

  • Влияние глобального потепления на смертность апрель 2021 г.

    Раннее человеческое развитие, Том 155, апрель 2021 г., 105222

    Жан Каллея-Агиус, Кэтлин Инглэнд, Невилл Каллеха

  • Понимание и противодействие мотивированным корням отрицания изменения климата

    Текущее мнение об экологической устойчивости, Том 42, февраль 2020 г., страницы 60-64

    Габриэль Вонг-Пароди, Ирина Фейгина

  • Это начинается дома? Климатическая политика, нацеленная на потребление домашних хозяйств и поведенческие решения, является ключом к низкоуглеродному будущему

    Энергетические исследования и социальные науки Том 52, июнь 2019, страницы 144-158

    Гислен Дюбуа, Бенджамин Совакул, […] Райнер Зауэрборн

  • Трансформация изменения климата: определение и типология для принятия решений в городской среде

    Устойчивые города и общество, Том 70, июль 2021 г., 102890

    Анна К. Херлиманн, Саре Мусави, Джеффри Р. Браун

  • «Глобальное потепление» против «изменения климата»: повторение связи между политической самоидентификацией, формулировкой вопроса и экологическими убеждениями.

    Журнал экологической психологии, Том 69, 2020 июнь, 101413

    Алистер Раймонд Брайс Сауттер, Рене Мыттус

  • Быстрая категоризация естественных изображений лица в правом полушарии младенца

    1) В разделе «Результаты» неясно, почему и когда авторы решили использовать тесты t по сравнению с тестами z .Например, в третьем абзаце сообщается о тесте t для отношения сигнал / шум на уровне группы на частоте 6 Гц. В следующем абзаце сообщается о тесте z для отношения сигнал / шум на уровне группы на частоте 1,2 Гц. Было бы полезно добавить описание в начало раздела результатов с описанием используемой статистики (и почему). Пожалуйста, поясните в тексте; предпочтительно в начале раздела «Результаты», в котором для анализа требуется тест t по сравнению с тестом z (особенно для больших усредненных данных).Общее описание используемой статистики и ее причин будет полезно тем, кто планирует использовать этот метод в будущем .

    Это хороший момент, и эта неоднозначность возникла из-за того, что мы не указали Z-оценку при 6 Гц в эксперименте 1, а также потому, что раздел «Методы» находится в конце статьи. Как и в наших предыдущих исследованиях у взрослых с этим подходом (быстрая периодическая эксцентричная стимуляция в ЭЭГ, например, Liu-Shuang et al., 2014; Джелева, Россион, 2014; Россион и др., 2015), Z-оценка рассчитывается по большие усредненные данные для определения значимых электродов.Процедура Z-оценки объясняется в разделе «Методы» (в подразделе «Предварительная обработка анализов ЭЭГ»), и мы ссылаемся на первое (взрослое) исследование, в котором использовался этот подход (Liu-Shuang et al., 2014): «На большие усредненные данные, Z-баллы были вычислены при 6 Гц и 1,2 Гц как разность между амплитудой на интересующей частоте и средней амплитудой 20 окружающих интервалов, деленная на стандартное отклонение 20 окружающих интервалов. Учитывая, что гипотеза состоит в том, что сигнал выше шума, порог значимости был помещен на односторонний Z-балл, равный 1.64 (p <0,05) ».

    Для согласованности в пересмотренной версии рукописи мы указываем Z-балл для группы как при 1,2 Гц (P8: Z = 12,16, p <0,001), так и при 6 Гц (Oz: Z = 52,9, p <0,00001), для обоих экспериментов. В начале раздела «Результаты» мы также объясняем процедуру Z-оценки и различные используемые статистические тесты.

    2) Пожалуйста, поясните значение диапазонов SNR, которые указаны для всех младенцев. Например, в разделе «Результаты» авторы утверждают: «У 12 младенцев из 15 он выше уровня шума (диапазон SNR при P8: 0.52-6.13) ». Насколько я понимаю, SNR = 1.0 является базой для сравнения, чтобы определить, превышает ли ответ уровень шума. Однако в приведенном выше предложении указанный диапазон включает значения ниже 1,0. Пожалуйста, поясните, что этот диапазон относится к , , поскольку он не является диапазоном для младенцев, чьи ответы были значительно выше уровня шума?

    Это действительно сбивало с толку. В скобках мы предоставили диапазон SNR для всех 15 младенцев, и 3 младенца из 15 имеют SNR ниже 1 при P8 (т.е., отсутствие сигнала выше уровня шума). В пересмотренной версии, в подразделе «Выделение лицевой селективной реакции правого полушария», мы уточнили это: диапазон SNR всех 15 младенцев на P8.

    3) В конце подраздела, озаглавленного «Эксперимент 2: воспроизведение и исключение низкоуровневых вкладов», авторы сообщают, что величина отклика базовой частоты (6 Гц) была «значимой для каждого младенца и не различалась. между условиями (t (9) = 1,103, p = 0,3; Рисунок 4 ).«Получается, что тест t имеет в виду сравнение между условиями? Не могли бы авторы предоставить статистические данные для утверждения, что величина была значимой для каждого младенца, как это было сделано в пятом параграфе результатов?

    Что касается эксперимента 1, мы добавили, что: «Эта реакция на канале Oz была значимой для каждого младенца в каждом из условий (диапазон Z-баллов 10 младенцев для естественных изображений: 1,66–29,58 и для зашифрованных изображений: 2,81–27.76; Диапазон SNR для естественных изображений: 1,9–13,65 и для зашифрованных изображений: 2,57–13,55) ».

    4) Я думаю, что сильной стороной этой статьи является то, что авторы приводят статистические данные для больших усредненных данных, а также для отдельных младенцев. Это демонстрирует, что ответы ssVEP относительно стабильно наблюдаются у младенцев и что 1-2 младенца не влияют на результаты. Однако текущая организация раздела «Результаты» заставляет читателя постоянно переключаться между статистикой для больших усредненных данных и для индивидуальных данных о младенцах.Авторы могут подумать о переформатировании этих разделов, чтобы сделать это более понятным. Например, может быть полезно иметь помеченные подразделы, посвященные большим усредненным данным и индивидуальным данным младенца.

    Действительно, этот подход позволяет составлять статистические отчеты для больших усредненных данных, используя вариации по множеству частотных интервалов вокруг интересующего частотного интервала. Однако такой эффект может быть вызван 1-2 младенцами, у которых реакция значительно превышает уровень шума, поэтому важно дополнить его анализом, который учитывает изменчивость у младенцев только в интересующем интервале частот.Кроме того, мы можем провести статистический тест на каждом отдельном младенце, используя оценку шума по 20 ячейкам, окружающим интересующий диапазон частот. Мы изменили раздел «Результаты», чтобы прояснить это, описав результаты по большим усредненным данным в другом абзаце, чем анализ, основанный на отдельных младенцах. Мы также обеспечили согласованность результатов двух экспериментов в статистическом отчете.

    5) Авторы не сообщают о пределе импеданса для записи ЭЭГ, который обычно указан в документах ERP, а также в предыдущих документах ssVEP для взрослых (например,g., Prieto et al., 2013 ; Rossion & Boremanse, 2011) и предыдущая статья ssVEP для младенцев ( Farzin, Hou, & Norcia, 2012 ). Добавление этого ограничения полезно для тех, кто пытается использовать этот метод в будущем .

    В настоящем исследовании, в отличие от предыдущих исследований, мы используем биополуактивные электроды, обеспечивающие наилучшее подавление помех за счет преобразования импеданса непосредственно на электроде (http: // www.biosemi.com/faq/shielding против активных электродов.htm (http://www.biosemi.com/faq/shielding против активных электродов.htm).

    Активные электроды обеспечивают преобразование импеданса на электроде: входное сопротивление очень высокое (поэтому напряжения ЭЭГ не подвержены влиянию даже при высоком импедансе электродов), а выходное сопротивление очень низкое (<1 Ом). Следовательно, токи помех теперь проходят через очень низкие импедансы (выход активного электрода) и больше не могут генерировать значительные напряжения помех.Кроме того, импеданс электрода больше не влияет на уровень помех.

    Поскольку фактический импеданс электрода не является очень важной переменной, при использовании активных электродов уровень смещения постоянного тока используется в качестве альтернативного индикатора качества контакта электрода. Мы добавили эту информацию в обновленную версию документа: «Смещение электрода было уменьшено на ± 25 микровольт для каждого отдельного электрода путем введения в электрод солевого геля».

    6) В разделе «Предварительная обработка анализов ЭЭГ» авторы заявляют, что 1-5 последовательностей были исключены на каждого младенца с применением 2 перечисленных критериев.Означает ли это, что у каждого младенца в окончательном анализе было исключено от 1 до 5 последовательностей по этим критериям?

    Да, у каждого младенца в окончательном анализе было исключено от 1 до 5 последовательностей. Критерии отклонения последовательностей были уточнены в переработанной рукописи.

    Какое минимальное количество последовательностей необходимо было включить в анализ? В начале раздела «Результаты» авторы отмечают, что все младенцы выполнили минимум 5 последовательностей, но, как написано, это предполагает, что все младенцы, которые участвовали, выполнили как минимум 5 последовательностей, прежде чем были применены какие-либо критерии исключения последовательности .

    Могут ли авторы добавить минимальное количество последовательностей, необходимых для сохранения данных младенца в анализах? Если это пороговое значение 5, уточните, исключалась ли по крайней мере 1 последовательность из младенцев, которые просмотрели только 5 последовательностей. Если да, не должны ли эти младенцы оставаться на анализах?

    Минимум для включения участника в выборку заключался в том, чтобы полностью уделить внимание более чем одной последовательности по условию. Младенцы, выполнившие наименьшее количество последовательностей, просмотрели не менее пяти последовательностей в дополнение к исключенным последовательностям.Термин «минимум», использованный в разделе «Результаты», вводил в заблуждение и был удален: он не был критерием.

    7) В подразделе «Предварительная обработка анализов ЭЭГ» авторы заявляют, что данные были «субдискретизированы до 250 Гц». Почему это было сделано? Какая была исходная частота дискретизации?

    Исходная частота дискретизации составляла 1024 Гц. Затем файлы данных подвергались субдискретизации до 250 Гц, чтобы уменьшить размер файла и время обработки данных. Это было разъяснено в разделе “Методы”. Обратите внимание, что мы использовали эту процедуру во всех наших предыдущих исследованиях SSVEP с участием взрослых, и нет потери разрешения по частоте.

    8) Раздел «Эксперимент 2, предварительная обработка анализов» должен содержать более подробную информацию о том, сколько последовательностей для каждого ребенка было удалено на основании критериев исключения, в соответствии с форматом раздела Эксперимента 1.

    Были использованы те же критерии исключения, что и в эксперименте 1, и это привело к исключению от 1 до 8 последовательностей. Это было исправлено.

    https://doi.org/10.7554/eLife.06564.013

    Влияние комбинации стимулов переворота и масштабирования на производительность визуального интерфейса мозг-компьютер для орфографии

    Ссылки

    [1] Aloise F, Schettini F, Aricò P, et al.Интерфейс мозг-компьютер на базе P300 для контроля окружающей среды: асинхронный подход. J Neural Eng 2011; 8: 025025.10.1088 / 1741-2560 / 8/2 / 02502521436520Поиск в Google Scholar

    [2] Arvaneh M, Guan C, Ang KK, Quek C. Оптимизация выбора канала и точности классификации в BCI на основе ЭЭГ. IEEE Trans Biomed Eng 2011; 58: 1865–1873.10.1109 / TBME.2011.213114221427014Поиск в Google Scholar

    [3] Бенджамин Б., Стивен Л., Маттиас Т., Стефан Х., Клаус-Роберт М. Анализ отдельных испытаний и классификация компонентов ERP – учебное пособие.Neuroimage 2011; 56: 814–825.2060097610.1016 / j.neuroimage.2010.06.048Поиск в Google Scholar

    [4] Ченг М., Гао X, Гао С., Сюй Д. Разработка и реализация интерфейса мозг-компьютер с высокой скоростью передачи данных. IEEE Trans Biomed Eng 2002; 49: 1181–1186.1237434310.1109 / TBME.2002.803536 Поиск в Google Scholar

    [5] Ковингтон Дж. У., Полич Дж. P300, интенсивность и модальность стимула. Электроэнцефалор Клин Нейрофизиол 1996; 100: 579–584.10.1016 / S0168-5597 (96) 96013-X8980423 Искать в Google Scholar

    [6] Curran T, Hancock J.FN400 индексирует распознавание лиц на основе знакомства. Neuroimage 2007; 36: 464–471.10.1016 / j.neuroimage.2006.12.01617258471 Поиск в Google Scholar

    [7] Delon-Martin C, Gobbelé R, Buchner H, et al. Временной паттерн исходной активности, вызванной различными типами стимулов начала движения. Neuroimage 2006; 31: 1567–1579.1658084610.1016 / j.neuroimage.2006.02.013Поиск в Google Scholar

    [8] Дончин Э., Спенсер К.М., Вийесингхе Р. Психологический протез: оценка скорости интерфейса мозг-компьютер на основе P300.IEEE Trans Rehabil Eng 2000; 8: 174–179.10.1109 / 86.84780810896179Поиск в Google Scholar

    [9] Фарвелл Л.А., Дончин Э. Разговор с головы до ног: к мысленному протезу, использующему связанные с событием потенциалы мозга. Электроэнцефалогр Клин Нейрофизиол 1988; 70. J Neural Eng 2012; 9: 334–348.Искать в Google Scholar

    [11] Guo F, Hong B, Gao X, Gao S. Интерфейс мозг-компьютер, использующий вызванный визуальный потенциал движения. J Neural Eng 2009; 5: 477–485. Поиск в Google Scholar

    [12] Hill J, Farquhar J, Martens SMM и др. Влияние типа стимула и дизайна кода с исправлением ошибок на производительность словаря BCI. Adv Neural Inf Proces Syst 2009; 21: 665–672. Поиск в Google Scholar

    [13] Хоффманн У., Весин Дж. М., Эбрахими Т., Дизеренс К. Эмпирическая байесовская основа для интерфейса мозг-компьютер.J Neurosci Methods 2008; 167: 115–125. Поиск в Google Scholar

    [14] Hong B, Guo F, Liu T, Gao S. N200-Speller, использующий зрительный отклик при движении. Clin Neurophysiol 2009; 120: 1658–1666.1964078310.1016 / j.clinph.2009.06.026 Искать в Google Scholar

    [15] Янсен Б.Х., Аллам А., Кота П., Лашанс К., Ошо А., Сундарин К. Предварительное исследование факторов, влияющих на одно испытание P300 обнаружение. IEEE Trans Biomed Eng 2004; 51: 975–978.10.1109 / TBME.2004.82668415188867 Поиск в Google Scholar

    [16] Джин Дж, Эллисон Б.З., Селлерс Э.В. и др.Адаптивная система управления на базе P300. J Neural Eng 2011; 8: 036006.2147487710.1088 / 1741-2560 / 8/3/036006 Поиск в Google Scholar

    [17] Джин Дж, Эллисон Б.З., Селлерс Э.В. и др. Оптимизированные шаблоны представления стимулов для связанного с событием потенциального интерфейса мозг-компьютер на основе ЭЭГ. Med Biol Eng Comput 2010; 49.J Neurosci Methods 2012; 205: 265–276.10.1016 / j.jneumeth.2012.01.00422269596Поиск в Google Scholar

    [19] Jin J, Allison BZ, Zhang Y, Wang XY, Cichocki A. BCI на основе ERP с использованием парадигмы странностей с разными лицами и уменьшение количества ошибок в критических функциях. Int J Neural Syst 2014; 24.J Neural Eng 2014; 11: 1082–1088. Поиск в Google Scholar

    [21] Джин Дж, Хорки П., Бруннер К., Ван Х, Нойпер К., Пфурчеллер Г. Новый образец представления стимула P300 для орфографических систем на основе ЭЭГ. Biomed Tech 2010; 55: 203–210.10.1515 / bmt.2010.029Поиск в Google Scholar

    [22] Джин Дж, Чжан ХХ, Ян Д., Ван XY, Цичок А. Улучшенный шаблон P300 в BCI для привлечения внимания пользователя. J Neural Eng 2017; 14: 036001.10.1088 / 1741-2552 / aa621328224970Поиск в Google Scholar

    [23] Капер М., Мейнике П., Гроссекатхофер У., Лингнер Т., Риттер Х.BCI Competition 2003 – набор данных IIb: вспомогательные векторные машины для парадигмы орфографии P300. IEEE Trans Biomed Eng 2004; 51: 1073–1076.10.1109 / TBME.2004.82669815188881 Поиск в Google Scholar

    [24] Кауфманн Т., Кюблер А. За пределами максимальной скорости – новая парадигма двух стимулов для интерфейсов мозг-компьютер, основанная на потенциалах, связанных с событиями (P300- BCI). J Neural Eng 2014; 11: 056004.10.1088 / 1741-2560 / 11/5 / 056004Поиск в Google Scholar

    [25] Кауфманн Т., Шульц С.М., Грюнцингер С., Кюблер А.Мигающие символы со знаменитыми лицами улучшают производительность интерфейса мозг-компьютер на основе ERP. J Neural Eng 2011; 8: 056016.2193418810.1088 / 1741-2560 / 8/5 / 056016Поиск в Google Scholar

    [26] Ленхардт А., Капер М., Риттер Х.Дж. Адаптивный онлайн-интерфейс мозг-компьютер на базе P300. IEEE Trans Neural Syst Rehabil Eng 2008; 16: 121–130.1840328010.1109 / TNSRE.2007.912816Поиск в Google Scholar

    [27] Лю Т., Голдберг Л., Гао С., Хун Б. Интернет-интерфейс мозг-компьютер, использующий немигающие вызванные зрительные потенциалы.J Neural Eng 2010; 7: 036003.10.1088 / 1741-2560 / 7/3 / 03600320404396Поиск в Google Scholar

    [28] Лю И, Чжоу З., Ху Д. Сравнение типов стимулов в визуальном написании P300 интерфейсов мозг-компьютер. IEEE Int Conf Cogn Inform 2010; 273–279. Доступно по адресу: .Search in Google Scholar

    [29] Martens SM, Hill NJ, Farquhar J, Schölkopf B. Перекрывающиеся и рефрактерные эффекты в написании интерфейса мозг-компьютер на основе визуального потенциала, связанного с событием P300. J Neural Eng 2009; 6: 026003.10.1088 / 1741-2560 / 6/2 / 026003Поиск в Google Scholar

    [30] Мейсон М.Ф., Нортон М.И., Хорн JDV, Вегнер Д.М., Grafton ST, Macrae CN. Блуждающие умы: стандартная сеть и мысль, независимая от стимулов. Наука 2007; 315. когерентного и некогерентного движения. Neuroimage 1997; 5: 1–12.10.1006 / немг.1996.0246

    80Поиск в Google Scholar

    [32] Mugler E, Bensch M, Halder S, et al. Управление интернет-браузером с помощью событийного потенциала P300. Int J Bioelectromagn 2008; 10: 56–63. Поиск в Google Scholar

    [33] Цю З.Й., Эллисон Б.З., Джин Дж и др. Оптимизированная парадигма моторных образов, основанная на представлении движений письма китайскими иероглифами. IEEE Trans Neural Syst Rehabil Eng 2017; 1: 2655542. Искать в Google Scholar

    [34] Терлингс М.Э., Брауэр А.М., Ван Эрп Дж. Б., Бланкерц Б., Веркховен П. Дж..Увеличивает ли бимодальное представление стимула компоненты ERP, используемые в BCI? J Neural Eng 2012; 9: 045005.2283198910.1088 / 1741-2560 / 9/4/045005 Искать в Google Scholar

    [35] Tootell RBH, Mendola JD, Hadjikhani NK, et al. Функциональный анализ V3A и связанных областей зрительной коры головного мозга человека. J Neurosci 1997; 17: 7060–7078.927854210.1523 / JNEUROSCI.17-18-07060.1997 Искать в Google Scholar

    [36] Торриенте И., Вальдес-Соса М., Рамирес Д., Бобс Массачусетс. Зрительные вызванные потенциалы, связанные с началом движения, модулируются вниманием.Vis Res 1999; 39: 4122–4139.10.1016 / S0042-6989 (99) 00113-3 Поиск в Google Scholar

    [37] Ван XY, Jin J, Zhang Y, Wang B. Управление мозгом: управление интеграцией человека и компьютера на основе компьютера мозга интерфейс. Acta Autom Sin 2013; 39: 208–221. Поиск в Google Scholar

    [38] Ян Т., Сингх Х., Хайнс Э.Л. и др. Выбор канала и классификация сигналов электроэнцефалограммы: искусственная нейронная сеть и подход на основе генетических алгоритмов. Artif Intell Med 2012; 55: 117–126.10.1016 / j.artmed.2012.02.00122503644Поиск в Google Scholar

    [39] Инь Э, Зейл Т., Сааб Р., Ху Д., Чжоу З., Чау Т. Не зависящий от слуховой / тактильной саккады интерфейс мозг-компьютер P300. Int J Neural Syst 2015; 26: 1650001.Search in Google Scholar

    [40] Чжан Д., Сонг Х., Сюй Р., Чжоу В., Лин З, Хун Б. К минимально инвазивному интерфейсу мозг-компьютер с использованием единственного субдурального канала: исследование визуального написания. Neuroimage 2013; 71: 30–41.10.1016 / j.neuroimage.2012.12.069 Поиск в Google Scholar

    [41] Чжан Й, Джин Дж, Цин Х, Ван Б., Ван XY.Модель распознавания частоты стимулов на основе LASSO для SSVEP BCI. Биомедицинский сигнальный процесс 2012; 7: 104–111.10.1016 / j.bspc.2011.02.002 Поиск в Google Scholar

    [42] Zhou SJ, Allison BZ, Kübler A, Cichocki A, Wang XY, Jin J. Влияние фоновой музыки на объективную и субъективную производительность измерения в слуховом BCI. Front Comput Neurosci 2016; 10: 265. Поиск в Google Scholar

    Амплитуда альфа-канала до стимула —Bio-101

    Для анализа альфа-амплитуд данные теменно-затылочных электродов O1, O2, Oz, POz, PO3, PO4, PO7 и PO8 были подвергнуты полосовой фильтрации с частотой 8–12 Гц с помощью фильтра Баттерворта 4-го порядка, а затем преобразованы по Гильберту.Затем мы рассмотрели абсолютные значения преобразования Гильберта, эквивалентные огибающей отфильтрованного сигнала, во временном окне, охватывающем секунду до начала стимула RDM (предварительное окно), объединенных по теменно-затылочным электродам для статистического анализа предстимульный альфа-амплитуда. Базовая коррекция данных не производилась. Выбранные электроды покрывают затылочную кору и были выбраны на основе наших ожиданий возможных модуляций, происходящих в зрительной системе, а также для согласованности с предыдущими исследованиями, в которых изучалась сила предстимульного альфа в том же наборе электродов 20 .Для основного сравнения результатов видимости цели мы рассмотрели испытания, в которых испытуемые сообщали, что обе цели исчезают («невидимы»), и испытания, в которых сообщалось, что обе цели остаются видимыми («видимыми»). Чтобы определить индивидуальную альфа-частоту (IAF) испытуемых, мы дополнительно рассчитали быстрое преобразование Фурье (БПФ) временного окна до стимула для всех теменно-затылочных электродов по результатам восприятия от 1 до 30 Гц с разрешением 1 Гц и определили пиковую частоту от 5 до 15 Гц у каждого испытуемого.Затем мы вычислили эквивалентные БПФ отдельно для видимых и невидимых испытаний и сравнили мощность предварительного БПФ в IAF, которая была определена для каждого испытуемого, между результатами восприятия. Для топографического представления мы вычислили среднее абсолютное значение фильтрованного преобразования Гильберта с частотой 8–12 Гц за секунду до начала RDM для каждого канала отдельно. Затем рассчитывалась разница между видимыми и невидимыми состояниями путем вычитания средней предстимульной альфа-амплитуды невидимых испытаний из средней предстимульной альфа-амплитуды видимых испытаний у каждого испытуемого.Для сравнения альфа-амплитуд в левом и правом полушарии мы опускали центральные электроды Oz и POz первоначального выбора и считали боковые электроды O1, PO3 и PO7 левыми, а O2, PO4 и PO8 – областями интереса правого полушария, соответственно. Для сравнения предстимульной альфа-амплитуды с вызванными стимулом изменениями вариабельности от испытания к испытанию мы вычислили среднюю предстимульную альфа-амплитуду для каждого субъекта во всех экспериментальных испытаниях, независимо от их перцептивного результата.В связи с тем, что большинство переменных не имели нормального распределения, мы применяли непараметрические статистические методы на протяжении всего анализа, а для сравнений внутри субъектов использовались знаковые ранговые критерии Вилкоксона. Поскольку мы не использовали поправку на множественное сравнение, мы использовали более строгий статистический порог p <0,01.

    Информация об авторских правах и лицензии: Автор (ы) © 2021

    Открытый доступ. Эта статья находится под лицензией Creative Commons Attribution 4.0 Международная лицензия, которая разрешает использование, совместное использование, адаптацию, распространение и воспроизведение на любом носителе или в любом формате, при условии, что вы укажете соответствующую ссылку на первоначального автора (авторов) и источник, предоставите ссылку на лицензию Creative Commons и укажете если были внесены изменения.

    Автор: alexxlab

    Добавить комментарий

    Ваш адрес email не будет опубликован.