用于追踪认知任务期间的亚秒级脑动态的高密度脑电

《本文同步发布于“脑之说”微信公众号,欢迎搜索关注~~》

这项工作为社区提供了高密度脑电图(HD-EEG, 256个通道)数据集,这些数据集是在无任务和任务相关范式下收集的。它包括43名健康的参与者执行视觉命名和拼写任务,视觉和听觉命名任务和视觉工作记忆任务,以及静息状态。HD-EEG数据以脑成像数据结构(bid)格式提供。这些数据集可以用来(i)追踪大脑网络动力学和在不同条件下(命名/拼写/其他)的次秒级时间尺度,和模态(听觉、视觉)的快速重新配置和相互比较,(ii)验证几个方法中包含的参数,这些方法是用来通过头皮脑电图估计大脑皮层网络,例如最优通道数量和感兴趣区域数量的问题,以及(iii)允许到目前为止使用HD-EEG获得的结果的再现性。我们希望,这些数据集的发布将推动新方法的发展,可以用来评估大脑皮层网络,并更好地了解大脑在休息和工作时的一般功能。
数据可从https://openneuro.org免费获取。
1.1.背景和概要
新的证据表明,来自于空间上遥远的大脑区域之间的通信导致大脑功能(失能)。尽管在过去的几十年里,功能性磁共振成像已经给神经科学带来了革命性的变化,但其固有的时间分辨率较差,这是限制其用于跟踪快速大脑网络动态的主要缺陷,而这种网络动态是多个大脑(认知和感知运动)过程执行的基础。脑电图/脑磁图(EEG/MEG)是一种独特的非侵入性技术,能够在毫秒的时间尺度上跟踪大脑动态。
在无任务范式和任务相关范式下,已经有一些研究使用脑电图/脑磁图源连通性方法来跟踪大脑皮层网络。然而,尽管人类连接组项目(HCP)和几个脑电图数据集的MEG数据集模型得到了人们的称赞,但只有很少的数据可以同时用于休息和任务,并且在不同任务中开放获取的高密度脑电图(HD-EEG, 256个通道)数据仍然缺失。
HD-EEG与复杂的信号处理算法相结合,正日益将EEG转变为一种潜在的神经成像模式。最近的脑电图研究揭示了在休息和认知任务期间跟踪快速功能连接动态的可能性。此外,一些研究报告了HD-EEG数据(与低脑电通道密度相比)在某些病理条件下的潜在应用,如癫痫网络的定位和神经退行性疾病中认知功能下降的检测。此外,新出现的证据表明,在一定程度上,使用HD-EEG可以捕获皮层下的结构。在这种背景下,无任务和任务相关的可用性开放HD-EEG数据库正在快速成为强制性的(i)解读(次秒级)重组的脑功能网络在认知,(ii)开发新的信号处理方法,充分估计大脑皮层网络和(iii)允许使用HD-EEG到目前为止结果的再现性。
在此,我们提供了第一个开放获取的HD-EEG(256通道)数据集,在休息状态和4种不同的任务(视觉命名、听觉命名、视觉拼写和工作记忆)下记录。部分数据已经被用于开发和分析各种信号处理方法。
特别地,我们的努力集中在对休息和图片命名期间的脑功能网络的估计上。然而,这些研究都没有描述数据集的细节,而且到目前为止的工作只用了小部分数据。在这项工作中,我们提供了所有必要的细节和一个开放的数据库,以便国际科学界能够在无任务和与任务相关的范式中*地产生对大脑功能的更好的理解。这也将有助于新方法的开发,以提高目前使用的HD-EEG评估皮质脑网络的技术的准确性,并通过比较结果和未来的meta分析来使得这些技术互相面对。我们希望这个数据集将有助于使脑电图源空间网络分析成为一种成熟的技术,以解决认知和临床神经科学中的一些问题。
1.2 方法
1.2.1 数据采集
数据是2012年至2017年在法国雷恩进行的两项不同实验中收集的。第一数据集包括视觉对象名字的命名和拼写(图1)。第二个数据集包括静息状态、视觉/听觉命名和视觉工作记忆任务(图2)。同样的设备中使用的数据集和录音都在同一个地方(雷恩大学医院中心)。采用HD-EEG系统(EGI,256个电极)以1 KHz采样率记录脑活动,电极阻抗保持在50 k ω以下。两项研究的参与者是不同的。他们提供了参与的书面知情同意,并完成了一些纳入/排除标准问卷(总结见表1)。参与者坐在法拉第结构房间的扶手椅上。房间由百叶窗减弱的自然光照亮。我们的参与者的头大约位于屏幕前1米。图像以白色背景上的黑色图画的形式集中呈现,没有任何尺寸修改(10厘米x 10厘米)。这种设置对应于从注视点的最大靠近度2.86度的视角,从而使整个图像处于参与者的中心凹视野内。声音通过50瓦的罗技扬声器显示,没有任何音频隔离的可能性。
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

图1 数据集1 (a)23人,(b)HD-EEG系统,©数据集1采集过程,(d)任务设计
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

图2 数据集2
表1 纳入排除标准
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

数据集1
1) 被试
23名健康志愿者,右利手,其中12名女性,年龄在19 - 40岁之间(平均年龄28岁),11名男性,年龄在19 - 33岁之间(平均年龄23岁)。
2) 实验过程和设计
实验从验证纳入/排除标准开始。参与者阅读信息通知和同意书。
然后,那些签名参加的人完成了两份问卷。第一份问卷收集与纳入/排除标准和个人信息(姓名、年龄、性别、地址)相关的信息,而第二份问卷允许使用法国的爱丁堡惯用手测量量表(爱丁堡利手量表,Oldfield, 1971)来确定参与者的用手。随后,向参与者解释了获取过程(见图1c)。实验范式包括两种条件,第一种条件对应于图片命名任务,第二种条件对应于图片拼写任务。拼写任务总是跟随命名任务,命名任务完成之前没有给出指令,以避免任何单词正字法结构的回忆。
命名和拼写任务都被分为两组74个刺激,以避免参与者疲劳。
每次run包含平衡数量的动物和物体,以及长词和短词。图片用电脑呈现在屏幕上,实验范式用E-prime心理学软件工具进行编写。参与者产生的回应是通过一个罗科麦克风收集,并分析检测言语启动。
任务1:图片命名
参与者被要求以正常速度说出屏幕上显示的148幅图片,2runs,每run 8分钟。这些图片是从一个包含400张法国标准图片的数据库中挑选出来的。所展示的图片分为两类(动物(74)和工具(74))。图像的命名一致性很高,在恢复与图像相关的单词时很少出现错误。单词的长度是被控制的,这样的范例包括74个3到5个字母的短单词(37只动物和37个工具)和74个7到10个字母的长单词(37只动物和37个工具)。控制其他心理语言学参数以获得等效的数据集(名称一致性、图像一致性、习得年龄以及口头频率、书面频率、字母/音素/音节和语素数等语言参数),见表2。
表2 控制心理语言学参数,为数据集1中的每一类图片获得等价的数据集
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

所有的图片都以白色背景上的黑色图画的形式展示。在74个刺激物中呈现的顺序是完全随机的。命名潜伏期是系统记录的从开始拍照到开始发声的时间。没有被正确识别或根本没有被识别的图像的脑电图触发器被丢弃,这样它们就不会出现在数据集中。
任务2:图片拼写
在这个任务中,参与者被要求拼写在图片命名任务中使用的图片。
关于拼写任务的说明是在命名任务完成后给出的,以便让参与者了解我们对拼写的兴趣。此外,这个任务总是在图片命名任务之后发生,以避免重新激活图片名称的拼写。每个参与者都进行了两次视觉拼写测试,每次测试的持续时间约为9到10分钟。这个任务与前一个任务非常相似,不同之处在于它涉及了与命名图像对应的单词的正字法。
人们可以很容易地认出这幅画并命名它,而不需要激活单词的正字法。
在拼写方面,用字母序列恢复准确的正字法结构是关闭拼写和书写的额外步骤。这个任务包含了从400张法语标准图片数据库中挑选出来的148张图片,这些图片用于命名任务。
这些数据并没有被广泛的分析,特别是在心理语言学的角度下。
它们也从未与图片命名任务相提并论。

数据集2
1) 被试

20名右利手健康志愿者(女性10名,男性10名,平均年龄23岁,见图2a)参加了本次实验。
2) 实验过程与设计
实验由静息状态、图片命名、听觉命名和工作记忆四个任务组成。
前三项任务在小组内以平衡的方式分配。内存任务总是在会话结束时发生,因为它在显示的80个图像中包含了前一个命名任务中的40个图像。任务中每个试验的所有响应都可以通过数据得到。与错误响应或无响应对应的触发器将从数据集中简单地丢弃。

静息状态EEG
参与者被要求在录音过程中睁着眼睛放松10分钟。参与者面对着电脑屏幕,屏幕上显示着一个固定的十字架。他们被告知不要盯着十字架,而是要把眼睛盯在十字架附近,这样静息run也可以用来控制视觉或听觉上的命名。
任务1:图片命名
第二个数据集的命名任务是在Alario和Ferrand数据库拍摄的80张有意义的图片之上包含40个无法识别的打乱的对象(所展示图片的典型示例见图3)。Alario和Ferrand的数据库通过混合线条生成了混乱的图片,并要求参与者在观看这些图片时什么也不说。图片以白底黑图的形式显示在屏幕上。选择图片获得较高的名称一致性,数据集2的图像参数见表3。
我们还控制我们的数据集,在一些主成分连续体的每端都有尽可能多的语义代表,这些主成分连续体在大脑表面的空间分布已经被证明了(移动/非移动:40 vs. 40;有生命/无生命: 46 vs 34;社交/非社交:30 vs. 50;文明/自然:41 vs. 39;动物/非动物:41 vs. 39;生物/非生物48 vs. 32)。人们也可以检查这些维度效应与被认为不会产生任何独特空间簇的受控语义信息,例如:可移植与不可移植(44 vs. 36)。其中一些类别可以根据文化进行调整。
任务2:听觉命名
研究人员要求参与者从NESSTI数据库中说出80种不同的声音,并通过耳机显示出来。每个声音的持续时间为1秒,也使用Praat v5.3.13计算从开始到口头反应的反应时间。所有参与者对播放声音的反应都记录在反应时间里。参与者被要求等到声音结束后再给出答案。这就意味着,对于这个任务来说,声音开始的时间并不能告诉我们认知过程的快慢。事实上,声音识别可以在倾听过程中开始,甚至结束。
正如NESSTI的研究1中提到的,声音的选择是根据50%或更多的正确识别的标准。就像物体命名任务的图片一样,我们也控制我们的数据集在一些主成分连续体的每端有尽可能多的语义代表,这些主成分连续体在大脑表面的空间分布已经被证明了(移动/非移动:45 vs 35;生命/无生命: 39 vs 41;社交/非社交:27 vs. 53;文明/自然:45 vs. 35;动物/不是动物:39 vs.41;生物/非生物39 vs. 41)。研究人员也可以用被认为不会产生任何独特空间簇的受控语义信息来检验这些维度效应,例如:比鸽子更小或更大(41 vs. 39)。同样,这些语义标准中的大多数可以根据文化进行调整。
任务3:工作记忆
这个任务是每个参与者的最后一个session。展示了80张图片,其中40张已经在命名任务中展示过了。新图片和已经看到的图片随机出现在屏幕上,参与者必须通过按下一个按钮来表明他们之前是否见过这些图片。这项任务中使用的40幅新图像被控制,以与40幅已经看到的图像的平均心理语言学参数相匹配。
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

图3 呈现图片的典型示例

表3 数据集2的心理语言学参数控制
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

1.2.2 数据记录
数据记录格式如图4
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

图4 一个被试的数据记录示例

1.3 技术验证
1.3.1 预处理/数据质量

首先,我们对两种数据集的脑电信号质量进行了定性和定量评价。结果如图5所示。事件相关电位(ERPs)的典型例子如图5a、b(左)所示,图中分别显示了视觉(数据集1)和听觉(数据集2)。图5a、b(右)显示了全球平均ERPs(经过试验和参与者)。用于进行眼电图(EOG)回归的通道和被移除的通道(来自Automagic)如图5c所示。总共保留了195个脑电通道(在EGI系统的256个通道)。图5d提供了四个被Automagic使用的定量指标作为标准,以确保预处理信号的质量。
首先,图5d(上/左)显示了插值的通道数量,表明只有少数通道被插值(低于15%的通道)。
从图中可以看出,与数据集1相比,在数据集2中插入了更多的通道,并且可以删除一些试验(黄线以上表示15%阈值)。所有其他指标都显示了非常低的值,低于用于接受/拒绝试验的自动设置的阈值。
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

图5 预处理和数据质量

1.3.2脑动态分析
可以对这些数据进行一些分析,比如时间、频率、时频或基于连接的分析等等。在这里,我们提供了一个可以使用这些数据集来探索头皮、源和网络层面的大脑活动动力学的分析示例。为此,我们只使用开源工具,以简化这些示例的再现性。将使用名为Automagic https://github.com/methlabUZH/automagic预处理工具,和EEGLAB https://archive.compute.dtu.dk/files/public/users/atpo/Microstate
的用于自动分割(分割为微状态)的另一个工具。结果可以EEGLAB来显示电压地形图,用BrainNetviewer https://www.nitrc.org/projects/bnv/来显示网络。
数据集1
在头皮和皮层水平对数据集1的图像命名任务进行验证。首先,使用自动Matlab toolbox对数据进行预处理。预处理后的数据被上传到EEGLAB toolbox中,然后对所有23名参与者和试验计算事件反应电位(ERP)。ERP是使用一个叫做Microstate eeglab toolbox 的工具箱进行分割的。使用K-means改进算法进行分割,结果显示出5种地形状态(图6a)。
第一状态(T1)起始时间为1 ~94ms;第二状态(T2)起始时间为94 ~ 154 ms;第三状态(T3)起始时间为154 ~ 227 ms;整体结果显示枕-颞叶(T2,视觉处理)向额叶(T3)过渡,在T4和第二次出现T3之间重复这种空间模式。值得注意的是,这两个序列之前都有T1模式,似乎对应于额内侧激活。
其次,使用Brainstormtoolbox和Destrieux 地图集对脑电图数据和MRI模板进行配准,将皮质表面分割到148个区域。利用Brainstorm中可用的加权最小范数估计(wMNE)方法重构源时间序列。然后使用集成在EEGLAB微状态工具箱中的k-means改进算法对所有参与者的平均区域时间序列进行分割。使用相同的工具对头皮进行自动分割,显示7种状态(图6b):第一状态(S1)在194ms,第二状态(S2)94143ms,第三个状态(S3)143204ms,第四状态(S4)204250ms,第五状态(S5)250297ms,第六状态(S6)297380ms和第七状态(S7)380~500ms。结果再次表明,从枕颞叶(S1-S2,视觉处理)到额*区域(S3)的过渡,并且在S4和S5之间重复这种模式。
S7处枕部的重新激活与前面分析的两个地形图(第二个T3和T5)重叠。尽管两种情况状态数不同,但结果显示全局相似的额枕活动时空激活以及非常精确的时间削减,特别是前三个地形图和源地图。
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

图6 图片命名任务ERP微状态分割算法结果
第三,利用EEGNETtoolbox对重建的区域时间序列进行gamma波段(30-45 Hz)滤波,利用相视值(PLV)计算功能连通性。为了探索大脑网络如何随时间重塑,我们使用最近提出和验证的算法检测了时变动态模块状态。也可以使用其他算法,如源分离或聚类方法。简而言之,该算法试图提取主要的模块结构(称为模块状态),这些模块结构在时间上反复波动。图7所示的结果显示了六种模块化状态。
在图7中,我们展示了在每个时间窗口中表现出最高隔离(模块之间更多的通信,称为Mod_S)和最高集成(模块内部更多的通信,称为Mod_I)的模块。图中显示了在视觉处理和识别过程中枕颞分离/整合连接(MS2)向分离额*功能连接(MS4)的转变。从MS2到MS4的转变增加了大脑区域之间的沟通信息,这在之前的两项分析中都无法得到。事实上,脑区之间的gamma带相关性已经被解释为结合现象或更广泛的解释;对记忆内容和刺激相关信息的匹配和使用。然而,使用这种方法的人应该记住,它只是在gamma范围内,它很难与以前使用不同的宽信号特性的结果相比较。
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

图7 利用基于模块化的分割算法获得脑电图像命名任务的顺序模块化状态
三个层次的结果(头皮,源和网络)是互补的,研究人员可以肯定地运行其他类型的分析。在这里,我们想展示一个关于如何在亚秒的时间尺度上观察大脑活动动态的协调分析。使用上面描述的工具,可以很容易地再现这三种类型的分析。总的来说,这三种方法显示了在这个要求参与者说出视觉刺激的任务中视觉皮层的作用。这三种方法都可以用来检测认知过程的局限性,但认知不能被归结为信号的全局混合,也不能被归结为特定的频率范围。这就是为什么网络法和地形法在MS2和T3上收敛得很好,而源振幅的升降使这种划分很难进行,除非信号振幅处于危险状态(过渡S1 =>S2;T1 =>T2在94ms)。
数据集2
在这里,我们对听觉命名任务进行了同样的分析,就像对视觉刺激的分析一样。参与者被要求说出他们所听到的物体的名字。图8总结了头皮和源级分析,图9说明了基于源空间连接度的分析(在beta波段)。
图8显示,在头皮和源水平,可以观察到顶叶和颞叶皮层的激活(T2和S2)。但是这个时间活动最引人注目的结果是MS2,它在时间上移动了30ms。同样,命名过程的时间限制与地形学和源方法之间的第一步很匹配。结果还表明,枕叶皮层也可能参与其中(在T4和S4的激活较少)。至于图像命名任务,我们在这里观察到专门处理刺激的感觉区域(颞顶叶)和涉及平面化和任务处理的额叶区域之间相同的重复转移。在源区域,S2-S3序列和S4-S6序列很好地说明了这一点,S3和S6携带额叶区域的簇,而S2和S4仅显示颞顶叶源。最后,图9主要显示了处理/识别听觉刺激(MS2)时的顶叶-颞叶连接的影响,然后观察到一个与颞叶-额叶连接的网络(MS5),然后是涉及*皮层的网络(MS6和MS7)。
就像在图片命名任务中,这段时间只持续了58毫秒;用网络方法分析听觉任务,揭示了认知过程中的一个步骤,即在300ms到623ms之间,网络既没有分离也没有整合,而是完全融合。有趣的是;
我们观察的是反映警惕性的活动,而不是由活动增加所支持或转换的学习或记忆检索等具体过程。这个测试网络(MS3-MS4)持续323ms,与参与者试图识别听到的声音的时间相对应。因此,参与者完全处于警觉状态。
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

图8 ERP微状态分割算法结果
用于追踪认知任务期间的亚秒级脑动态的高密度脑电

图9 使用基于模块化的分割算法得到的脑电听觉任务的顺序模块化状态
对数据集2的第二次分析再次表明,这三种方法是互补的。研究还表明,尽管参与者较少,正确的反应也较少(听觉识别导致正确的反应较少),但结果仍然是一致的。最后,给出了网络方法在不同频带下的分析结果。

注:解读不易,请多多转发支持,您的每一次转发是对我们最好的支持!本文原文及附加材料,请添加赵老师微信索要(微信号:15560177218)

上一篇:[NeN-A] 脑电测量


下一篇:基于EEG功能连接的多变量模式分析:抑郁症的分类研究