Vázlat. Az EEG generátorai. Az EEG története. EEG elvezetése AZ EKP-ELEMZÉS ALAPJAI. Az EEG regisztrálható, ha a generátorok...

Átírás

1 Tóth Dénes AZ -ELEMZÉS ALAPJAI Felhasznált anyagok: Luck, S. J. (2005): An introduction to the event-related potential technique Handy, T. C. (2004): Event-related potentials: A methods handbook Háden Gábor: EEG alapok (ea, MTA) EEGLAB tutorial ( ERPLAB tutorial ( Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 1 Vázlat elektroenkefalogram (EEG) eseményekhez kötött potenciálok () a feldolgozás főbb lépései példák: BrainVision Analyzer, EEGLAB/ERPLAB (2. alkalom) statisztikai elemzés az elemzés főbb lépései EEGLAB/ERPLAB/... + R (2. alkalom) egyéb EEG-elemzési lehetőségek Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 2 Az EEG története Elektroenkefalogram = elektro [elektromos] + enkefal(o) [agy] + gram(ma) [kép] Hans Berger: első mérések 1924-ben, publ ben 1958: a 10/20-as nemzetközi standard bevezetése 1960-as évek: első kognitív komponensek (CNV, P3) Az EEG generátorai Az agykérgi dipólus keletkezésének vázlata. A piramissejt testeket és dendriteket tartalmazó rétegek közötti töltéskülönbség áramot indukál. Az EEG jel posztszinaptikus potenciálok (EPSP, IPSP) és a sejtmembránok lokális potenciálváltozásait kompenzáló extracelluláris-hosszanti áramok eredője. Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 3 Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 4 Az EEG regisztrálható, ha a generátorok... Nyitott elektromos mezőt hoznak létre Elég nagy számban vannak Szinkron aktiválódnak A kérgi terület térbeli orientációja kedvező A kérgi terület és az elektród helyzete megfelelő EEG elvezetése Egy standard rendszer részei: elektródák (többnyire sapkán vagy hálón) erősítő AD-konverter ingeradó számítógép regisztráló számítógép Mintavételi frekvencia: minimum duplája a várható maximális frekvenciának (Nyquist) -> manapság többnyire min. 500 Hz Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 5 Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 6 1

2 Az EEG elvezetése kognitív idegtudományban többnyire 10/20-as rendszer, de előfordul más is (pl. EGI: egyenlő táv.) Az EEG elvezetése monopoláris vagy bipoláris elvezetés aktív elektróda + föld + referencia Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 7 Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 8 A nyers EEG Mire jó a nyers EEG? kognitív idegtudomány: szinte semmire kognitív idegtudomány kognitív pszichológia + idegtudomány fő kérdés: a mentális működés idegrendszeri háttere két fő stratégia: 1. Személyek azonosak, feltételek különböznek 2. Személyek különböznek, feltételek azonosak kulcs: esemény Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 9 Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 10 Az EEG-től az -ig EEG átlagolása -> eseményhez kötött potenciálok (, angol: event related potentials, ERPs) Lényeg: a jel-zaj viszony javítása Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 11 csúcs (peak) ~ görbe (wave) ~ komponens (component) -komponens: a skalpról elvezetett idegi aktivitás, amelyet egy adott neuroanatómiai modul generál egy bizonyos számítási művelet végrehajtásakor (Luck, 2005, 59. o.) -> az -görbe a látens komponens(ek) valamilyen szintű manifesztációja Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 12 2

3 lényeges feltétel: inger- és fázis-kötöttség ha a komponens latenciája nem állandó, komoly probléma Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 13 néhány nevezetes komponens: P1 - szenzoros kérgi válasz N1 - inger észlelése P2 - inger feldolgozása N2a (MMN) mismatch negativity/eltérési negativitás N2 - automatikus kiértékelés/az inger kategorizációja P3a - orientáció az új inger felé P3b - inger kiértékelése/a figyelem irányítása a kiugró ingerre P600 - nyelvtani hibák észlelése, újrafeldolgozás N400 - szemantikus anomália felismerése CNV - orientáció a figyelmeztetés felé/készenlét a válaszadásra ERN - belső jel hiba elkövetéséről Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 14 N400, szemantikus inkongruencia N200, MMN, eltérési negativitás néhány szabály csúcs komponens, azaz önmagában a csúcs amplitúdója és latenciája nem kitüntetett (B) Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 15 Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 16 néhány szabály Az -görbe alakjából nem feltétlenül következtethetünk a mögöttes komponens(ek) idői lefutására vagy csúcsamplitúdójára (C) Egy kísérleti hatást (pl. különbségi görbét) nem ajánlott összevetni a nyers -val (D) Az -görbe csúcsamplitúdójának különbségei nem feltétlenül jelentik azt, hogy a látens komponens amplitúdója is különbözik, és ugyanez fennáll a latenciára is (E-F, az amplitúdó és a latencia a komponensek átfedése miatt nem fgtlen) Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 17 néhány szabály Ne feltételezd, hogy az átlagolt görbe jól reprezentálja az egyedi görbéket Ideális esetben a kísérletben csak a pszichológiai feltételeket variáljuk, az ingerek fizikailag azonosak Ha az előző szabály nem alkalmazható, futtass kontroll-kísérleteket Kerüld az olyan átlagolt görbék összevetését, amelyeket eltérő számú egyedi görbéből számoltál Légy nagyon óvatos, ha a motoros válasz különbözik a feltételekben A kísérleti feltételeket lehetőleg blokkokon belül változtasd, és ne blokkok között Ne vedd biztosra (de tesztelheted), hogy egy -komponens latenciája és/vagy amplitúdója lineáris vagy legalábbis monoton kapcsolatban van a kognitív folyamat minőségével Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 18 3

4 - stratégiák Koncentrálj egy specifikus komponensre Alaposan tanulmányozott, jól dokumentált kísérleti dizájnt alkalmazz Nagy, robusztus komponensekre koncentrálj Izoláld a komponenseket különbségi görbékkel Koncentrálj jól izolálható komponensekre Alkalmazz komponens-független kísérleti dizájnt Kölcsönözz komponenseket más kutatási területekről Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 19 EEG -> ; a feldolgozás lépései 1. Szűrés (filter) 2. Mintavételi frekvencia csökkentése* (resample) 3. Új referencia* (re-reference) 4. Műtermék-szűrés vagy korrekció (artifact rejection/correction) 5. Szegmentálás (segmenting vagy epoching) 6. Alapvonal (baseline) korrekció 7. Átlagolás 8. Amplitúdó és/vagy terület és/vagy latencia mérése 9. Statisztikai elemzés Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 20 Szűrés az EEG releváns frekvenciatartománya: delta (0,5-4 Hz) theta (4-8 Hz) alpha (8-12 Hz) beta (13-30 Hz) gamma ( Hz) Szűrés szűrők fajtái: analóg / digitális aluláteresztő (low-pass) / felüláteresztő (high-pass) / sáváteresztő (band) / sávzáró (notch) egyirányú (causal) / kétirányú (non-causal) konvolúciós vagy FIR (finite impulse response) / rekurzív vagy IIR (infinite impulse resp.) alapszabály: a szűrő torzítja a jelet, a különböző szűrők különböző módon Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 21 Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 22 Szűrés Analóg: lehetőleg minimális szűrés (pl. 0,01 Hz-100 Hz) Digitális: többnyire FIR, lehetőleg minimális felüláteresztő (0,1 Hz), kicsit bátrabb aluláteresztő (30 vagy 40 Hz) Opcionális lépések mintavételi frekvencia csökkentése: kizárólag praktikus szempontok (kevesebb adatpont, kisebb memóriaigény, gyorsabb számolás) az szempontjából szinte mindegy, hogy 4 msonként (250 Hz) vagy 1 ms-onként (1000 Hz) mintavételezünk új referencia: pl. kapcsolt mastoid vagy átlagos referencia megváltoztathatja a komponenseket! referencia-független összegzés: Global Field Power (GFP) Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 23 Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 24 4

5 Műtermékek Technikai eredetű: elektromos zaj (pl. nem árnyékolt elektronikai eszköz, rosszul szigetelt kábel stb.) rossz impedanciájú elektróda hibás elektróda összefolyt elektródapaszta rosszul beállított erősítő elektródák elvezetései közötti interferencia ezek többnyire már mérés közben kiderülnek Műtermékek Személy-eredetű: pislogás szemmozgás izomműködés EKG bőr potenciálváltozása (pl. izzadás) intenzív alfa-aktivitás Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 25 Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 26 Műtermékek kezelése műtermékek szűrése: abszolút vagy relatív (peak-to-peak) amplitúdó-limit (alsó / felső határ) amplitúdó-meredekség félautomata üzemmód a legjobb műterméket tartalmazó szakasz kidobása: ha kevés a műtermék, és független a kísérleti manipulációktól jól működik (nem torzítjuk a jelet) ha sok a műtermék (pl. gyerekek, speciális csoportok) sok lesz az érvénytelen epoch, rossz lesz a jel-zaj arány műtermékek korrekciója legjobb: ICA (independent component analysis) a markánsan és következetesen jelentkező műtermékekre ideális Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 27 lehet ingerhez vagy válaszhoz kötötten rendszerint min ms és +600 ms Szegmentálás Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 28 Baseline korrekció az -k elemzésénél kell egy referencia-szint lehetőleg olyan szakasz, amelyben nincsen esemény-releváns feldolgozás pl. CNV bezavarhat! Átlagolás többnyire sima átlag, de lehet robusztus átlagot is számolni ha egy faktornak nincs hatása, érdemes lehet összevonni a szinteket, és együtt átlagolni Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 29 Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 30 5

6 Amplitúdó mérése látszólag egyszerű, mégis sok (sokszor implicit) döntéssel jár csúcsamplitúdó: érzékeny a zajra lehet pl. +-2 adatpont területmérés: többnyire robosztusabb Latencia mérése lehet csúcskeresés alapján igen bizonytalan + kérdés, hogy pontosan mit jelent a mért adat lehet robusztusabban, pl. felezett görbe alatti terület alapján Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 31 Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 32 Skalpeloszlás vizsgálata többnyire csak vizualizáció, de nagyon fontos Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 33 Statisztikai elemzés Legtöbbször: ismételt méréses ANOVA kísérleti faktorok X anterior-poszterior X bal-jobb ha kiegyensúlyozott a design, és teljesül a szfericitási feltétel, és nem túlzottan tér el a normális eloszlástól, és nincsenek súlyos outlierek OK utána post-hoc összehasonlítások vagy simple-effect ANOVA Egyéb módszer: lineáris kevert modell gyakorlatilag mindenben jobb, mint a hagyományos ANOVA sima t-próbák: nagyon egyszerű, és bizonyos kérdések megválaszolásához bőven elég lehet fontos a megfelelő korrekció! Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 34 Egyéb (nem-) módszerek idő-frekvencia forráselemzés eseményhez kötött (de)szinkronizáció, ERSP hálózatelemzés, kapcsolatvizsgálatok Budapest, Neuroinformatika kurzus / Szentágothai Doktori Iskola 35 6