Orvosbiológiai mérnöki

NIH Nyilvános hozzáférés

Szerzői kézirat

J Neurosci módszerek. Szerzői kézirat; elérhető a PMC 2008. július 30-án.

Sridhar Sunderam 1, Nick Chernyy 1, Nathalia Peixoto 2, Jonathan P Mason 1, Steven L. Weinstein 3, Steven J. Schiff 1,4,5, és Bruce J. Gluckman 1,4, *

1 Mérnöki tudomány és mechanika, Pennsylvania Állami Egyetem, University Park, PA 16802, USA.
2 Villamos- és számítástechnika, George Mason Egyetem, Fairfax, VA 22030, USA.
3 Neurológiai Tanszék, Gyermekek Országos Orvosi Központja és George Washington Egyetem, Washington, DC, 20010, USA.
4 Idegsebészeti Tanszék, Pennsylvania Állami Egyetem, Hershey, PA 17033, USA.
5. Fizikai Tanszék, Pennsylvania Állami Egyetem, University Park, PA 16802, USA.
* Levelező szerző: Bruce J. Gluckman, Engineering Science and Mechanics, 212 Earth-Engineering Sciences Building, The Pennsylvania State University, University Park, PA 16802, USA Tel: 814-865-0178 Fax: 814-865-9974 E-mail: [email protected].

Absztrakt

Az éberség állapotát viselkedési megfigyelések és elektrofiziológiai aktivitás határozzák meg. Itt javítjuk az éberségi megkülönböztetés automatikus állapotát azáltal, hogy a fejgyorsítást kombináljuk az EEG-mérésekkel. Biaxiális DC-érzékeny mikroelektromechanikus rendszer (MEMS) gyorsulásmérőket beépítettünk a rágcsálók fejre szerelt előerősítőibe. A viselkedési videó és az EEG-adatok korszakai (15 s) képzési készleteket képeztek a következő állapotokhoz: Lassú hullámú alvás, Gyors szemmozgás alvás, Csendes ébrenlét, Etetés vagy ápolás és Felfedezés. A viselkedési állapot osztályozásához többváltozós lineáris diszkrimináns analízist alkalmaztunk az EEG jellemzőkről gyorsulásmérővel és anélkül. Az EEG jellemzőkészletek széles választékát tesztelték a rágcsálók állapotdiszkriminációjáról szóló legújabb irodalom alapján. A fejgyorsulás beépítése minden esetben jelentősen javította a megkülönböztető képességet. Megközelítésünk új módszertant kínál az EEG viselkedési kontextusának valós időben történő meghatározására, és potenciálisan alkalmazható az alvás-ébrenlét automatikus stádiumában, valamint mozgászavarok és epilepsziás rohamok idegi protetikai alkalmazásában.

Kulcsszavak

Állapot; EEG; REM; lassú hullám; éberség; osztályozás; MEMS; gyorsulásmérő

Bevezetés

Hosszú múltra tekint vissza az emberek (Broughton, 1999) vagy az állatok (Robert és mtsai, 1999) éber állapotának meghatározása EEG-kritériumok alkalmazásával. Ennek ellenére jelentős bizonytalanság van az éberség állapotának egyedüli EEG alkalmazásával történő meghatározásakor. Ezért az EEG-t általában egyidejű vizuális viselkedésmonitorozással és/vagy elektromiogram (EMG) vagy elektrooculogram (EOG) felvételek beépítésével egészítik ki.

Fejlesztjük az éberségi állapot valós idejű megkülönböztetéséhez szükséges technikai képességeket. Célunk, hogy kontextuális inputot nyújtsunk a rohamok előrejelzéséhez és ellenőrzéséhez. Könnyen elfogadott, hogy az EEG dinamikája figyelemre méltóan változik az ébrenlét és az alvás különböző szakaszaiban (Niedermeyer, 1999). A rohamok észlelésével és előrejelzésével foglalkozó jelenlegi munka nagy része (Mormann és mtsai., 2005) az EEG statisztikai vagy dinamikai változásaira összpontosít az állapottól függetlenül meghatározott alapvonallal szemben. Végső célunk az állapotfüggő rohamfelismerés és -kontroll megvalósítása emberi beültetésre alkalmas orvostechnikai eszközökben a mindennapi élet során, ahol a folyamatos videomegfigyelés nem lenne megvalósítható, és az EMG vagy EOG elektródok invazívak vagy nehézkesek lehetnek.

Ebben a tanulmányban azt vizsgáltuk, hogy a fejgyorsulás méréseit hogyan kombináljuk az EEG-vel annak érdekében, hogy javítsuk képességünket az éberségi állapot megkülönböztetésére rágcsáló kísérletek során. Biaxiális DC-érzékeny mikroelektromechanikus rendszer (MEMS) gyorsulásmérőket illesztettünk az EEG rögzítéséhez használt fejre szerelt előerősítő áramkörbe. Kombinált EEG és viselkedési videókat használtunk képzési és validációs adatkészletek létrehozásához, majd többváltozós lineáris osztályozóban EEG jellemzőket használtunk gyorsulásmérővel és anélkül. Az EEG jellemzőkészletek széles skáláját teszteltük azok alapján, amelyeket a legutóbbi irodalomban rágcsálók állapotdiszkriminációjára használtak (Robert et al., 1999). Megközelítésünk új módszert kínál az EEG viselkedési kontextusának valós időben történő meghatározására. A vizsgálat előzetes eredményeiről korábban beszámoltunk (Peixoto és mtsai, 2004, Sunderam és mtsai, 2005).

Mód

Sebészeti beültetés és adatgyűjtés

Videót (3 kép/mp, beleértve a vizuális és infravörös érzékenységet), az EEG-t és a fej gyorsulását folyamatosan rögzítettük felnőtt 200–300 g súlyú hím Sprague-Dawley patkányoktól (Harlan Ltd., New York), egyedi gyártású elektronika és felvevő rendszer (Labview) felhasználásával, National Instruments Ltd.).

Az állatokat legfeljebb 7 napig kör alakú kamrában (20 hüvelyk átmérőjű) figyeltük, szabad hozzáféréssel az élelemhez és a vízhez. A mesterséges megvilágítás 12 órás ki-be kapcsolási fény-sötét ciklust követett, és 940 nm-en infravörös megvilágítással egészítették ki a fotodióda tömbökből, hogy lehetővé tegye a folyamatos videomegfigyelést. Az infravörös megvilágítást azért választottuk, mert a patkányok érzéketlenek a fényre a 650 vagy 700 nm feletti hullámhosszakon (lásd például Aggelopoulos és Meissl, 2000; vagy Jacobs és mtsai, 2001), és az erre a hullámhosszra érzékeny videokamerák könnyen beszerezhetők. Valamennyi eljárást előzetesen jóváhagyta a George Mason Egyetem IACUC-ja.

Az állam vizuális szakértői pontozása

Egy EEG-szakértő (SLW) a videót és az EEG-t megvizsgálta, hogy két patkány - Patkány I. és Patkány II. Azonosítása esetén - tizenegy órás felvételének egymást követő, egymást nem átfedő korszakait a következő alvás-ébrenlét szakaszaiba jelölje: 1. Lassú hullámú alvás (SWS) ), 2. Rapid Eye Movement (REM) alvás és 3. Ébredj fel. Az ébrenlét mozgását a vizuálisan megfigyelt mozgás szerint tovább osztályoztuk, így összesen öt viselkedési állapotot kaptunk: 1. SWS, 2. REM, 3. Csendes ébrenlét (QW), 4. Etetés vagy ápolás (FG) és 5. Kutatás (EXP) ).

A rögzített 15 s korszakos időtartamot úgy választották meg, hogy az összhangban legyen az alvással és a viselkedési stádiummal kapcsolatos szakirodalommal, amelyben beszámoltak 30 s-ig terjedő korszakok használatáról (Robert et al., 1999). Ez a hosszúság kompromisszum között van ahhoz, hogy elég hosszú legyen ahhoz, hogy megfelelően felismerhessen egy állapotot, és elég rövid ahhoz, hogy túlnyomórészt egyetlen állapotot tartalmazzon.

A szakértői pontozás a következőképpen történt: Először az egyes 15 s korszakok videó- és EEG-szegmenseit áttekintettük és úgy értékeltük, mint akár alvás, azaz mozgás nélküli tevékenység, 90% -os rezgésekkel), függetlenül attól, hogy alvás-ébrenlét vagy viselkedés állapotokat veszünk figyelembe, az alosztályozás Az éber viselkedés viszonylag gyenge. Az FG-t az idő 40% -ában tévesen minősítik QW-nak vagy EXP-nek. Hasonlóképpen, a QW-t gyakran tévesen osztályozzák EXP-nek vagy FG-nek. Úgy tűnik, hogy ennek a hibának fontos forrása a korlátozott 15 s korszakos felbontás. Egy adott viselkedést FG-ként vagy EXP-ként értékeltek, ha az egy korszak során bármikor bekövetkezett, bármennyire is rövid a tevékenység időtartama, tekintet nélkül annak erejére. Ha az ezzel a tevékenységgel összefüggő teljesítményt átlagoljuk 15 másodperc alatt, akkor annak nagysága híg és kevésbé különböztethető meg a QW-től. Ezenkívül több viselkedés is előfordulhat ugyanabban a 15 s korszakban (pl. FG, majd EXP), ebben az esetben a viselkedés pontszám hozzárendeléséhez a korszakban a leghosszabb időtartamú.

Ebben a tanulmányban rögzített 15 s korszakokat használtunk arra, hogy összehasonlítsuk az LDA-t gyorsulásmérővel, összehasonlítva a viselkedési stádiumban végzett korábbi munkával. A választott 15 s korszak időtartama megbízható vizuális pontszámok segítségével megvalósíthatja az osztályozó teljesítményének gyorsulás-változókkal és anélkül történő megfelelő értékelését - ennek a tanulmánynak az elsődleges célja.

Ezeket a módszereket valós idejű használatra valósítjuk meg, jobb idő-frekvencia leírókkal, a mozgás finomabb szemcsés időbeli elhatárolásával és adaptív tanulással, mind az állapot, mind az állapotátmenetek detektálására. Mivel kimutattuk, hogy az állatokon átívelő validációs hibát jelentősen javítja a gyorsulásmérő változók használata, az adaptív tanulási rendszer felhasználhatja a más állatokon létrehozott diszkriminatív funkciókat az állami diszkrimináció kezdeti feltételeként.

Következtetés

Jelentős javulást mutattunk az állami diszkrimináció pontosságában, amelyet a gyorsulási mérések hozzáadása jelentett az EEG-hez. A MEMS gyorsulásmérők könnyűek (0,15 gramm) és olcsók, kevésbé invazívak, mint az EMG vagy az EOG, és az áramkörökben az EEG megszerzéséhez szükséges módosítások minimálisak. Ezt a továbbfejlesztett viselkedési állapot-felderítési képességet kívánjuk használni a detektálási és visszacsatolási vezérlő algoritmusok megfogalmazására és tájékoztatására a rohamok kezelésére.

Köszönetnyilvánítás

Ezt a munkát az R01EB001507, a K02MH01493 és az R01MH50006 Nemzeti Egészségügyi Intézet finanszírozta.

Hivatkozások

Aggelopoulos NC, Meissl H. A patkány suprachiasmaticus magjának neuronjainak válaszai a retina megvilágítására fotopikus és szkotóp körülmények között. J Physiol 2000; 523 (Pt 1): 211–22. [PubMed: 10673556]

Antle, M .; Mistlberger, RE. Cirkadián ritmusok. In: Whishaw, IQ .; Kolb, B., szerkesztők. A laboratóriumi patkány viselkedése. Oxford University Press; New York: 2005. o. 183-94.

Broughton, RJ. Poliszomnográfia: elvek és alkalmazások alvási és izgalmi rendellenességek esetén. In: Niedermeyer, E .; Lopes da Silva, F., szerkesztők. Az elektroencefalográfia alapelvei, klinikai alkalmazásai és a kapcsolódó területek. 4. Lippincott Williams és Wilkins; Baltimore: 1999. o. 858-95.

Costa-Miserachs D, Portell-Cortes I, Torras-Garcia M, Morgado-Bernal I. Automatizált alvási stádium patkányokban, standard táblázattal. J Neurosci Meth 2003; 130: 93–101.

Flury, B. A többváltozós statisztika első tanfolyama. Springer-Verlag; New York: 1997.

Garnier D, Benefice E. Megbízható módszer az alvás és a fizikai inaktivitás jellemzőinek becslésére szabad életkörülmények között, gyorsulásméréssel. AEP 2006; 16: 364–9. [PubMed: 16298144]

Gervasoni D, Lin SC, Ribeiro S, Soares ES, Pantoja J, Nicolelis MA. Az előagy globális dinamikája megjósolja a patkány viselkedési állapotait és azok átmenetét. J Neurosci 2004; 24: 11137–47. [PubMed: 15590930]

Gregory GG, Cabeza R. A REM alvási architektúra kétállapotú sztochasztikus modellje patkányban. J Neurophysiol 2002: 2589–97. [PubMed: 12424296]

Hernandez-Gonzalez M, Guevara MA, Morali G, Cervantes M. Számítógépes programok az agy elektromos aktivitásának elemzésére hím patkányok kopulációs kismedencei tolása során. Physiol Behav 1997; 62: 701–8. [PubMed: 9284487]

Hon KL, Lam MC, Leung TF, Kam WY, Lee KC, Li MC, Fok TF, PC. Az éjszakai csuklómozgások korrelálnak az objektív klinikai pontszámokkal és az atópiás dermatitisben szenvedő gyermekek plazma kemokinszintjével. Br J Dermatol 2006; 154: 629–35. [PubMed: 16536804]

Jacobs GH, Fenwick JA, Williams GA. Patkányok kúp alapú látása ultraibolya és látható fényekért. J Exp Biol 2001; 204 (Pt 14): 2439–46. [PubMed: 11511659]

Karayiannis NB, Tao G, Xiong Y, Sami A, Varughese B, Frost JD Jr, Wise MS, Mizrahi EM. Epilepsziás eredetű videofelvételű újszülöttkori rohamok számítógépes mozgásanalízise. Epilepszia 2005; 46: 901–17. [PubMed: 15946330]

Louis RP, Lee J, Stephenson R. Számítógépes alvásértékelési algoritmus tervezése és validálása. J Neurosci Meth 2004; 133: 71–80.

Mahowald MW, Schenck CH. Betekintés az emberi alvászavarok tanulmányozásából. Nature 2005; 437: 1279–85. [PubMed: 16251953]

Mormann F, Kreuz T, Rieke C, Andrzejak RG, Kraskov A, David P, Elger CE, Lehnertz K. Az epilepsziás rohamok kiszámíthatóságáról. Clin Neurophysiol 2005; 116 (3): 569–87. [PubMed: 15721071]

Mundl WJ, Malmo HP. Gyorsulásmérő laboratóriumi állatok fejmozgásának rögzítésére. Physiol Behav 1979; 23: 391–3. [PubMed: 504426]

Niedermeyer, E. Sleep és EEG. In: Niedermeyer, E .; Lopes da Silva, F., szerkesztők. Az elektroencefalográfia alapelvei, klinikai alkalmazásai és a kapcsolódó területek. 4. Lippincott Williams és Wilkins; Baltimore: 1999. o. 174-189.

Paxinos, G.; Watson, C. Az új koronális készlet. 5. Elsevier; Amszterdam: 2004. A patkányagy sztereotaxiás koordinátákban.

Peixoto N, Rubin G, Richardson KA, Chernyy N, Lovell R, Spencer RG, Weinstein SL, Schiff SJ, Gluckman BJ. Automatikus alvás-ébrenlét diszkrimináció krónikusan beültetett állatokban elektrofiziológiai és kinematikai változók alkalmazásával. Epilepszia 2004; 45 (S7): 46.

Piscopo S, Mandile P, Montagnese P, Cotugno M, Giuditta A, Vescia S. Az alvási szekvenciák vonatainak azonosítása felnőtt patkányokban. Behav Brain Res 2001; 119 (1): 93–101. [PubMed: 11164530]

Renger JJ, Dunn SL, Motzel SL, Johnson C, Koblan KS. A zolpidem szubkrónikus beadása befolyásolja a patkányok alvási felépítésének módosításait. Brain Res 2004; 101: 45–54. [PubMed: 15126116]

Robert C, Guilpin C, Limoge A. Automatizált alvásmegállapító rendszerek patkányokban. J Neurosci Meth 1999; 88: 111–22.

Schiff SJ, Sauer T, Kumar R, Weinstein SL. Neuronális tér-időbeli minták megkülönböztetése: A rohamok dinamikus fejlődése. Neuroimage 2005; 28: 1043–55. [PubMed: 16198127]

Shinomiya K, Shigemoto Y, Omichi J, Utsu Y, Mio M, Kamei C. Három altató hatása az alvás-ébrenléti ciklusra alvászavaros patkányokban. Psychopharmacol 2004; 173: 203–9.

Sunderam S, Peixoto N, Chernyy N, Mason JP, Weinstein SL, Schiff SJ, Gluckman BJ. Az alvás-ébrenlét stádium és a viselkedés megkülönböztetése patkányokban EEG és fejgyorsulás mérések kombinációjával. Epilepszia 200; 46 (S8): 303.

Swerdlow NR, Varty GB, Geyer MA. A klozepin hatása a megdöbbentés prepulse-gátlásánál eltér: a módszer vagy patkány? Neuropsychopharmacol 1998; 18: 50–6.

Tiba PA, Palma BD, Tufik S, Suchecki D. A korai kezelés hatása a bazális és a stressz okozta alvási paraméterekre patkányokban. Brain Res 2003; 975: 158–66. [PubMed: 12763604]

Ábrák

1. ábra. A fejre szerelt áramkör elülső (bal) és hátsó (jobb) nézete az EEG előerősítéséhez MEMS biaxiális gyorsulásmérővel (körözve). Az alsó csatlakozók a patkány fején lévő talapzathoz csatlakoznak.

2. ábra. A gyorsulásmérő tengelyének orientációjának vázlata az állat feje (felső) és a derékszögű tengelyek vonatkozásában, amelyet a fej dőlésszögeinek gravitációs (alsó) becsléséhez használnak. Az A 1 és A 2 fej gyorsulási változóit az ê 1 és ê 2 tengelyek mentén mérjük a MEMS chip felületének síkjában, amely a patkány fejének sagittális síkjában található. A statikus komponensek (f 1 Hz) fejgyorsulás A 1 és A 2, a fej dőlésszöge Θ és Φ, valamint a hippokampus (Hipp) és a kortikális (Cort) EEG a tipikus viselkedéshez. (A) Az ivómozgás erős 6 Hz-es gyorsulási előjellel rendelkezik; (B) Az ápolás nagy amplitúdójú, 8–10 Hz-es gyorsulást eredményez, amelyet a fej forgása szakít meg; (C) A REM alvási aláírások magukban foglalják a gyorsulásmérők által megfigyelt alkalmi rövid rángatózó mozdulatokat és a hosszan tartó EEG theta oszcillációkat (4–8 Hz) mindkét csatornában; és (D) A lassú hullámú alvás csak nagyon kis mértékben változik a dinamikus gyorsulásban vagy a fej billenésében, de delta ritmusa van (0,5–4 Hz) mindkét EEG csatornán.

4. ábra. Hipnogram (középen), amely a viselkedési állapotok sorrendjét ábrázolja a pontozott edzési adatokhoz, és a spektrogramok, amelyek a bal hippokampusz EEG (felső) és a fejgyorsulás A 2 (alsó) frekvenciaspektrumának időbeli változását mutatják 60 percig (240 korszak). A hipnogramban meghatározatlan korszakokat jelöltek meg a legközelebbi viselkedési állapottal. A pillanatnyi viselkedési állapotot legjobban az EEG és a gyorsulási spektrumok vizsgálata jellemzi. Például a REM és az Ébredés állapot alatti hasonló EEG theta teljesítmény megkülönböztethető gyorsulási spektrumukkal, amely REM alatt rövid rángásokat (vékony függőleges sávokat) mutat, és az Ébredés viselkedésre jellemző sávkorlátozott aláírásokat (pl.

5. ábra. Az alvás-ébrenlétek lineáris diszkrimináns elemzése (LDA) az EEG változók (EEG1) felhasználásával (A) és (B) gyorsulási változókkal (ACC2). A Z 1 és Z 2 a bemeneti változók kanonikus lineáris kombinációi, amelyek a legnagyobb eltérést eredményezik a három állapot mintái között. A gyorsulásmérő változók felvétele nagymértékben sűríti és elválasztja a klasztereket, és a C 0 osztályozó hibát 8,0% -ról 4,0% -ra csökkenti. A szaggatott vonalak az állam diszkriminációs határait képviselik.

6. ábra. Állami osztályozási hibaarányok az I. patkányon gyorsulási változókkal és anélkül. Megjelennek az alvás-ébresztés (felső sor) és a viselkedési állapot (alsó sor) osztályozási hibák, kizárólag EEG változók (ACC0, világosszürke), EEG ACC1 (közepes szürke) és EEG ACC2 (fekete) használatával. C 0 = Hagyja el az egyszeri hibaarányt; C 1 = félbehagyott hibaarány; C 2 = A másik állat adataira betanított osztályozóval kiszámított keresztellenőrzési hibaarány. A hibaarányokat százalékban fejezzük ki. Statisztikai tesztek: '*' szignifikáns különbséget jelez (p Vissza a tetejére -> Megjegyzések és terepi áttekintés, Theresa Calcagno készítette. Michel Rouly által a George Mason Egyetem számára készített platform, némi jog fenntartva.