Публичен достъп на NIH

Авторски ръкопис

J Методи на Neurosci. Авторски ръкопис; на разположение в PMC 2008 30 юли.

Шридхар Сундерам 1, Ник Черни 1, Наталия Пейшото 2, Джонатан П Мейсън 1, Стивън Л. Уайнстийн 3, Стивън Дж. Шиф 1,4,5 и Брус Дж. Глюкман 1,4, *

1 Инженерни науки и механика, Държавният университет в Пенсилвания, Университетски парк, PA 16802, САЩ.
2 Електрическо и компютърно инженерство, Университет Джордж Мейсън, Феърфакс, VA 22030, САЩ.
3 Катедра по неврология, Детски национален медицински център и Университет Джордж Вашингтон, Вашингтон, DC, 20010, САЩ.
4 Катедра по неврохирургия, Пенсилвански държавен университет, Хърши, PA 17033, САЩ.
5 Катедра по физика, Държавен университет в Пенсилвания, Университетски парк, PA 16802, САЩ.
* Автор-кореспондент: Брус Дж. Глюкман, Инженерни науки и механика, 212 Сграда за земни инженерни науки, Държавен университет в Пенсилвания, Университетски парк, PA 16802, САЩ Тел: 814-865-0178 Факс: 814-865-9974 E-mail: [email protected].

Резюме

Състоянието на бдителност се определя от поведенчески наблюдения и електрофизиологична активност. Тук подобряваме автоматичното състояние на дискриминация на бдителност, като комбинираме ускорението на главата с ЕЕГ мерки. Вградихме двуаксиални чувствителни на постоянен ток микроелектромеханични системи (MEMS) акселерометри в монтирани на главата предусилватели при гризачи. Епохи (15 сек.) На поведенчески видео и ЕЕГ данни формират обучителни комплекти за следните състояния: Сън с бавна вълна, Сън с бързо движение на очите, Тихо събуждане, Хранене или поддържане и Изследване. За класифициране на поведенческото състояние е използван многовариатен линеен дискриминативен анализ на характеристиките на ЕЕГ със и без характеристики на акселерометъра. Тестван е широк избор от набори от функции за ЕЕГ, базирани на скорошна литература за държавна дискриминация при гризачи. Във всички случаи включването на ускорение на главата значително подобрява дискриминационната способност. Нашият подход предлага нова методология за определяне на поведенческия контекст на ЕЕГ в реално време и има потенциално приложение в автоматични етапи на сън и събуждане и в невронно-протетични приложения за нарушения на движението и епилептични припадъци.

Ключови думи

Държава; ЕЕГ; REM; бавна вълна; бдителност; класификация; MEMS; акселерометър

Въведение

Има дълга история на определяне на състоянието на бдителност за хора (Broughton, 1999) или животни (Robert et al., 1999), използвайки ЕЕГ критерии. Независимо от това, има значителна несигурност при определяне на състоянието на бдителност, използвайки само ЕЕГ. Следователно ЕЕГ обикновено се увеличава с едновременно визуално наблюдение на поведението и/или включване на записи на електромиограма (EMG) или електроокулограма (EOG).

Развиваме техническите възможности за дискриминиране на състоянието на бдителност в реално време. Нашата цел е да предоставим контекстуален вход за прогнозиране и контрол на пристъпите. Приема се лесно, че динамиката на ЕЕГ се променя забележително в различните етапи на будност и сън (Niedermeyer, 1999). И все пак голяма част от настоящата работа по откриване и предсказване на припадъци (Mormann, et al., 2005) се фокусира върху статистически или динамични промени на ЕЕГ по отношение на базова линия, определена без оглед на състоянието. Нашата крайна цел е да внедрим зависими от държавата откриване и контрол на припадъци в медицински устройства, подходящи за човешка имплантация по време на ежедневните дейности, където непрекъснатото видео наблюдение не би било осъществимо и EMG или EOG електродите могат да бъдат инвазивни или тромави.

В това проучване изследвахме комбинирането на измерванията за ускорение на главата с ЕЕГ, за да подобрим способността си да различаваме състоянието на бдителност при експерименти с гризачи. Включихме двуаксиални чувствителни на постоянен ток микроелектромеханични системи (MEMS) акселерометри в монтираната с глава предусилвателна схема, използвана за запис на ЕЕГ. Използвахме комбиниран ЕЕГ и поведенчески видеоклип, за да установим набори от данни за обучение и валидиране, а след това използвахме функции на ЕЕГ със и без акселерометър в многовариантния линеен класификатор. Тествахме широк спектър от функции на ЕЕГ, базирани на тези, използвани в най-новата литература за държавна дискриминация при гризачи (Robert et al., 1999). Нашият подход предлага нова методология за определяне на поведенческия контекст на ЕЕГ в реално време. Предварителните резултати от това разследване бяха съобщени преди това (Peixoto et al., 2004, Sunderam et al., 2005).

Методи

Хирургично имплантиране и събиране на данни

Видео (3 кадъра в секунда, включително визуална и инфрачервена чувствителност), ЕЕГ и ускорение на главата се записват непрекъснато от възрастни мъжки плъхове Sprague-Dawley с тегло 200–300 g (Harlan Ltd., Ню Йорк), използвайки специално изработена система за електроника и придобиване (Labview, National Instruments Ltd.).

Животните се наблюдават до 7 дни в кръгла камера (20 инча в диаметър) със свободен достъп до храна и вода. Изкуственото осветление следва 12-часов цикъл на включване/изключване светлина-тъмнина и е допълнено с инфрачервено осветление при 940 nm от фотодиодни решетки, за да се осигури непрекъснат видео мониторинг. Избрахме инфрачервено осветление, тъй като плъховете са нечувствителни към светлина за дължини на вълните над 650 или 700 nm (вж. Например Aggelopoulos and Meissl, 2000; или Jacobs et al., 2001), а видеокамерите, чувствителни към тази дължина на вълната, са лесно достъпни. Всички процедури бяха одобрени предварително от IACUC на университета Джордж Мейсън.

Визуално експертно оценяване на държавата

Експерт по ЕЕГ (SLW) инспектира видео и ЕЕГ, за да обозначи последователни, неприпокриващи се епохи от единадесет часа запис от два плъха - идентифицирани като Плъх I и Плъх II - в следните етапи на сън-събуждане: 1. Бавно събуждане (SWS) ), 2. Сън с бързо движение на очите (REM) и 3. Събудете се. По-нататък движението „Будно състояние“ беше класифицирано според визуално наблюдаваното движение, за да се получат общо пет поведенчески състояния: 1. SWS, 2. REM, 3. Тиха будност (QW), 4. Хранене или поддържане (FG) и 5. Изследване (EXP ).

Избрана е фиксирана продължителност на епохата от 15 s, която да съответства на съществуващата литература за съня и поведенческите етапи, в която е докладвано използването на епохи с дължина до 30 s (Robert et al., 1999). Тази дължина е компромис между това да бъдеш достатъчно дълъг, за да различиш правилно дадено състояние и достатъчно кратък, за да съдържаш предимно единично състояние.

Експертното точкуване беше извършено, както следва: Първо, видео и ЕЕГ сегментът на всяка 15-та епоха беше прегледан и оценен като Заспал, дефиниран като неподвижна активност с трептения 90%) независимо дали се съблюдават състояния Сън-Събуждане или Поведение, подкласификацията на будно поведение е относително лошо. FG е погрешно класифициран като QW или EXP около 40% от времето. По същия начин QW често е погрешно класифициран като EXP или FG. Изглежда, че важен източник на тази грешка е ограничената епохална резолюция от 15 s. Определено поведение се оценява като FG или EXP, ако се е случило по всяко време по време на епоха, колкото и кратко да е продължителността на дейността, без да се отчита енергичността му. Когато мощността, свързана с тази дейност, е осреднена за 15 s, нейната величина е разредена и по-малко различима от QW. В допълнение, множество поведения могат да се появят в една и съща епоха от 15 s (напр. FG, последвано от EXP), като в този случай този с най-дълга продължителност в епохата е използван за присвояване на оценка на поведението.

В това проучване използвахме фиксирани 15-те епохи, за да сравним LDA с информация за акселерометъра спрямо предишната работа по поведенчески постановки. Избраната продължителност на епохата от 15 s прави правилната оценка на работата на класификатора със и без променливи на ускорението - основната цел на това изследване - осъществима с помощта на надеждни визуални резултати.

Сега ние прилагаме тези методи за използване в реално време с по-добри дескриптори на времевата честота, по-фино гранулирано времево ограничаване на движението и адаптивно обучение, за да открием както състояния, така и състояния на преходи. Тъй като показахме, че грешката при валидиране на кръстосани животни се подобрява значително чрез използването на променливи на акселерометъра, адаптивна учебна система може да използва дискриминантни функции, установени върху други животни като първоначално условие за държавна дискриминация.

Заключение

Показахме значително подобрение в точността на дискриминация на състоянието, предоставено от добавянето на измервания на ускорението към ЕЕГ. Акселерометрите на MEMS са леки (0,15 грама) и евтини, по-малко инвазивни от EMG или EOG, а модификациите в схемите над необходимите за придобиване на ЕЕГ са минимални. Възнамеряваме да използваме тази подобрена способност за откриване на поведенческо състояние, за да формулираме и информираме алгоритми за откриване и контрол на обратна връзка за лечение на гърчове.

Благодарности

Тази работа е финансирана от безвъзмездни средства от Националните здравни институти R01EB001507, K02MH01493 и R01MH50006.

Препратки

Aggelopoulos NC, Meissl H. Отговори на невроните на супрахиазматичното ядро ​​на плъхове към осветяване на ретината при фотопични и скотопични условия. J Physiol 2000; 523 (Pt 1): 211–22. [PubMed: 10673556]

Antle, M .; Mistlberger, RE. Циркадните ритми. В: Whishaw, IQ .; Колб, Б., редактори. Поведението на лабораторния плъх. Oxford University Press; Ню Йорк: 2005. стр. 183-94.

Broughton, RJ. Полисомнография: принципи и приложения при нарушения на съня и възбудата. В: Нидермайер, Е .; Лопес да Силва, Ф., редактори. Основни принципи на електроенцефалографията, клинични приложения и свързани области. 4. Липинкот Уилямс и Уилкинс; Балтимор: 1999. Стр. 858-95.

Costa-Miserachs D, Portell-Cortes I, Torras-Garcia M, Morgado-Bernal I. Автоматизирана постановка на съня при плъхове със стандартна електронна таблица. J Neurosci Meth 2003; 130: 93–101.

Флури, Б. Първи курс по многомерна статистика. Springer-Verlag; Ню Йорк: 1997.

Garnier D, Benefice E. Надежден метод за оценка на характеристиките на съня и физическото бездействие в условия на свободен живот с помощта на акселерометрия. AEP 2006; 16: 364–9. [PubMed: 16298144]

Gervasoni D, Lin SC, Ribeiro S, Soares ES, Pantoja J, Nicolelis MA. Глобалната динамика на предния мозък предсказва поведенчески състояния на плъхове и техните преходи. J Neurosci 2004; 24: 11137–47. [PubMed: 15590930]

Грегъри Г. Г., Кабеза Р. Стохастичен модел на две състояния на REM архитектура на съня при плъхове. J Neurophysiol 2002: 2589–97. [PubMed: 12424296]

Hernandez-Gonzalez M, Guevara MA, Morali G, Cervantes M. Компютърни програми за анализ на електрическата активност на мозъка по време на копулаторен тазов тласък при мъжки плъхове. Physiol Behav 1997; 62: 701–8. [PubMed: 9284487]

Hon KL, Lam MC, Leung TF, Kam WY, Lee KC, Li MC, Fok TF, Ng PC. Нощните движения на китката са свързани с обективните клинични резултати и нивата на хемокин в плазмата при деца с атопичен дерматит. Br J Dermatol 2006; 154: 629–35. [PubMed: 16536804]

Jacobs GH, Fenwick JA, Williams GA. Конусовидна визия на плъхове за ултравиолетови и видими светлини. 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. Компютъризиран анализ на движението на видеозаписани неонатални гърчове от епилептичен произход. Епилепсия 2005; 46: 901–17. [PubMed: 15946330]

Louis RP, Lee J, Stephenson R. Проектиране и валидиране на компютърно базиран алгоритъм за оценяване на съня. J Neurosci Meth 2004; 133: 71–80.

Mahowald MW, Schenck CH. Прозрения от изучаването на нарушенията на съня на човека. Природа 2005; 437: 1279–85. [PubMed: 16251953]

Mormann F, Kreuz T, Rieke C, Andrzejak RG, Kraskov A, David P, Elger CE, Lehnertz K. За предсказуемостта на епилептичните припадъци. Clin Neurophysiol 2005; 116 (3): 569–87. [PubMed: 15721071]

Mundl WJ, Малмьо HP. Акселерометър за регистриране на движението на главата на лабораторни животни. Physiol Behav 1979; 23: 391–3. [PubMed: 504426]

Нидермайер, Е. Сън и ЕЕГ. В: Нидермайер, Е .; Лопес да Силва, Ф., редактори. Основни принципи на електроенцефалографията, клинични приложения и свързани области. 4. Липинкот Уилямс и Уилкинс; Балтимор: 1999. Стр. 174-189.

Paxinos, G .; Уотсън, К. Новият коронален комплект. 5. Elsevier; Амстердам: 2004. Мозъкът на плъховете в стереотаксични координати.

Peixoto N, Rubin G, Richardson KA, Chernyy N, Lovell R, Spencer RG, Weinstein SL, Schiff SJ, Gluckman BJ. Автоматизирана дискриминация на състоянието сън-будност при хронично имплантирани животни, използвайки електрофизиологични и кинематични променливи. Епилепсия 2004; 45 (S7): 46.

Piscopo S, Mandile P, Montagnese P, Cotugno M, Giuditta A, Vescia S. Идентифициране на влакове от последователности на съня при възрастни плъхове. Behav Brain Res 2001; 119 (1): 93–101. [PubMed: 11164530]

Renger JJ, Dunn SL, Motzel SL, Johnson C, Koblan KS. Субхроничното приложение на золпидем засяга модификациите на архитектурата на съня на плъхове. Brain Res 2004; 101: 45–54. [PubMed: 15126116]

Robert C, Guilpin C, Limoge A. Автоматизирани системи за спиране на съня при плъхове. J Neurosci Meth 1999; 88: 111-22.

Schiff SJ, Sauer T, Kumar R, Weinstein SL. Дискриминация на невронален пространствено-времеви модел: Динамичното развитие на гърчовете. Neuroimage 2005; 28: 1043–55. [PubMed: 16198127]

Shinomiya K, Shigemoto Y, Omichi J, Utsu Y, Mio M, Kamei C. Ефекти на три хипнотици върху цикъла на сън-будност при плъхове с нарушен сън. Психофармакол 2004; 173: 203–9.

Sunderam S, Peixoto N, Chernyy N, Mason JP, Weinstein SL, Schiff SJ, Gluckman BJ. Етап на сън и сън и дискриминация на поведението при плъхове, използващи комбинация от измервания на ЕЕГ и ускорение на главата. Епилепсия 2005; 46 (S8): 303.

Swerdlow NR, Varty GB, Geyer MA. Несъответстващи находки на ефектите на клозепин върху инхибирането на препулса на стреса: това ли е пътят или плъхът? Neuropsychopharmacol 1998; 18: 50–6.

Tiba PA, Palma BD, Tufik S, Suchecki D. Ефекти от ранното боравене с базалните и предизвиканите от стреса параметри на съня при плъхове. Brain Res 2003; 975: 158–66. [PubMed: 12763604]

Фигури

статия

Фиг. 1. Изгледи отпред (вляво) и отзад (вдясно) на монтирана на глава верига за предусилване на ЕЕГ с двуосен акселерометър MEMS (кръгъл). Клемите в долната част се включват в пиедестал на главата на плъха.

Фиг. 2. Схема на ориентация на оста на акселерометъра по отношение на главата на животното (горната) и декартовите оси, използвани за оценка на ъглите на наклон на главата по отношение на гравитацията (долната). Променливите за ускорение на главата A 1 и A 2 се измерват по оси ê 1 и ê 2 в равнината на повърхността на чипа MEMS, която е в сагиталната равнина на главата на плъха. Статичните компоненти (f 1 Hz) ускорение на главата A 1 и A 2, ъгли на наклона на главата Θ и Φ и хипокампална (Hipp) и кортикална (Cort) ЕЕГ за типично поведение. (A) Движението за пиене има силен подпис за ускорение от 6 Hz; (Б) Подстригването произвежда импулси на ускорение с висока амплитуда 8–10 Hz, прекъснати от въртене на главата; (C) Подписите на REM за сън включват случайни кратки движения на потрепване, наблюдавани от акселерометрите и продължителни ЕЕГ тета трептения (4-8 Hz) и в двата канала; и (D) Slow Wave Sleep има много малко вариации в динамичното ускорение или наклон на главата, но има делта ритми (0,5–4 Hz) и в двата ЕЕГ канала.

Фиг. 4. Хипнограма (Център), изобразяваща последователността на поведенческите състояния за получени данни за обучение и спектрограми, показващи временни промени в честотните спектри на левия хипокампален ЕЕГ (отгоре) и ускорение на главата A 2 (отдолу) за 60-минутен сегмент (240 епохи). В хипнограмата неопределените епохи са маркирани с най-близкото поведенческо състояние. Моменталното поведенческо състояние се характеризира най-добре чрез изследване както на ЕЕГ, така и на спектрите на ускорение. Например, подобна ЕЕГ тета мощност по време на REM и Awake състояния се отличават със своите спектри на ускорение, което показва кратки потрепвания (тънки вертикални ленти) по време на REM и ограничени в лентата сигнатури, характерни за поведението Awake (например 6 Hz за пиене).

Фиг. 5. Линеен дискриминантен анализ (LDA) на състоянията на сън-събуждане, използвайки EEG променливи (EEG1) без (A) и с (B) променливи за ускорение (ACC2). Z 1 и Z 2 са канонични линейни комбинации от входните променливи, които дават най-голямо разделение между пробите от трите състояния. Включването на променливите на акселерометъра силно кондензира и разделя клъстерите и намалява грешката на класификатора C 0 от 8,0% на 4,0%. Прекъснатите линии представляват държавни граници на дискриминация.

Фиг. 6. Процентни грешки в класификацията на състоянието за Плъх I със и без променливи на ускорение. Показани са грешки в класификацията Sleep-wake (горен ред) и поведенческо състояние (Bottom row), използващи само променливи ЕЕГ (ACC0, светло сиво), ЕЕГ с ACC1 (средно сиво) и ЕЕГ с ACC2 (черно). C 0 = Честота на грешки при отсъствие; C 1 = Честота на грешки при оставяне на половината; C 2 = процент на грешка при кръстосано валидиране, изчислен с класификатор, обучен по данни от другото животно. Честотата на грешки се изразява като процент. Статистически тестове: „*“ показва значителна разлика (p Върнете се в началото -> Анотации и общ преглед, създадени от Theresa Calcagno. Платформа, изградена от Michel Rouly за университета George Mason с някои права запазени.