Elektroenzephalographie

Aus Wikipedia, der freien Enzyklopädie
Zur Navigation springen Zur Suche springen
Elektroenzephalographie
Spike-Wellen.png
Mit EEG überwachte epileptische Spike- und Wellenentladungen

Die Elektroenzephalographie ( EEG ) ist eine elektrophysiologische Überwachungsmethode zur Aufzeichnung der elektrischen Aktivität auf der Kopfhaut , von der gezeigt wurde, dass sie die makroskopische Aktivität der Oberflächenschicht des darunter liegenden Gehirns darstellt . Es ist normalerweise nicht invasiv, da die Elektroden entlang der Kopfhaut platziert sind . Die Elektrokortikographie mit invasiven Elektroden wird manchmal als intrakranielles EEG bezeichnet.

Das EEG misst Spannungsschwankungen, die sich aus dem Ionenstrom in den Neuronen des Gehirns ergeben . [1] Klinisch bezieht sich das EEG auf die Aufzeichnung der spontanen elektrischen Aktivität des Gehirns über einen bestimmten Zeitraum, die von mehreren auf der Kopfhaut platzierten Elektroden aufgezeichnet wurde . [1] Diagnoseanwendungen konzentrieren sich im Allgemeinen entweder auf ereignisbezogene Potenziale oder auf den spektralen Inhalt des EEG. Ersteres untersucht mögliche zeitliche Schwankungen, die an ein Ereignis gebunden sind, wie z. B. "Beginn des Stimulus" oder "Knopfdruck". Letzterer analysiert die Art der neuronalen Schwingungen (im Volksmund "Gehirnwellen" genannt), die in EEG-Signalen im Frequenzbereich beobachtet werden können.

Das EEG wird am häufigsten zur Diagnose von Epilepsie verwendet , die zu Anomalien bei den EEG-Werten führt. [2] Es wird auch zur Diagnose von Schlafstörungen , Anästhesietiefe , Koma , Enzephalopathien und Hirntod verwendet . Das EEG war früher eine First-Line-Diagnosemethode für Tumoren , Schlaganfall und andere fokale Hirnstörungen [3] [4]. Mit dem Aufkommen hochauflösender anatomischer Bildgebungstechniken wie der Magnetresonanztomographie (MRT) hat diese Verwendung jedoch abgenommen. und Computertomographie(CT). Trotz begrenzter räumlicher Auflösung ist das EEG weiterhin ein wertvolles Instrument für Forschung und Diagnose. Es ist eine der wenigen verfügbaren mobilen Techniken und bietet eine zeitliche Auflösung im Millisekundenbereich, die mit CT, PET oder MRT nicht möglich ist.

Derivate der EEG-Technik umfassen evozierte Potentiale (EP), bei denen die EEG-Aktivität gemittelt wird, die zeitlich an die Präsentation eines Stimulus gebunden ist (visuell, somatosensorisch oder auditorisch). Ereignisbezogene Potenziale (ERPs) beziehen sich auf gemittelte EEG-Antworten, die zeitlich an eine komplexere Verarbeitung von Stimuli gebunden sind. Diese Technik wird in der Kognitionswissenschaft , der kognitiven Psychologie und der psychophysiologischen Forschung eingesetzt.

Geschichte [ bearbeiten ]

Die erste menschliche EEG-Aufzeichnung, die 1924 von Hans Berger erhalten wurde. Die obere Verfolgung ist das EEG, und die untere ist ein 10- Hz- Zeitsignal.
Hans Berger

1875 präsentierte Richard Caton (1842–1926), ein in Liverpool praktizierender Arzt , seine Erkenntnisse über elektrische Phänomene der exponierten Gehirnhälften von Kaninchen und Affen im British Medical Journal . 1890 veröffentlichte der polnische Physiologe Adolf Beck eine Untersuchung der spontanen elektrischen Aktivität des Gehirns von Kaninchen und Hunden, die durch Licht veränderte rhythmische Schwingungen beinhaltete. Beck begann Experimente zur elektrischen Gehirnaktivität von Tieren. Beck platzierte Elektroden direkt auf der Oberfläche des Gehirns, um die sensorische Stimulation zu testen. Seine Beobachtung der schwankenden Gehirnaktivität führte zum Abschluss von Gehirnwellen. [5]

Der ukrainische Physiologe Vladimir Vladimirovich Pravdich-Neminsky veröffentlichte 1912 das erste Tier-EEG und das evozierte Potenzial des Säugetiers (Hundes). [6] 1914 fotografierten Napoleon Cybulski und Jelenska-Macieszyna EEG-Aufzeichnungen experimentell induzierter Anfälle.

Der deutsche Physiologe und Psychiater Hans Berger (1873–1941) zeichnete 1924 das erste menschliche EEG auf. [7] Berger erfand das Elektroenzephalogramm (das dem Gerät seinen Namen gab), eine Erfindung beschrieben "als eine der überraschendsten, bemerkenswertesten und bedeutendsten Entwicklungen in der Geschichte der klinischen Neurologie". [8] Seine Entdeckungen wurden erstmals 1934 von den britischen Wissenschaftlern Edgar Douglas Adrian und BHC Matthews bestätigt und von ihnen entwickelt.

1934 zeigten Fisher und Lowenbach erstmals epileptiforme Spikes. Im Jahr 1935 beschrieben Gibbs, Davis und Lennox interiktale Spike-Wellen und das Drei-Zyklen-Muster klinischer Abwesenheitsanfälle , mit denen das Gebiet der klinischen Elektroenzephalographie begann. [9] Anschließend berichteten Gibbs und Jasper 1936 über die interiktale Spitze als zentrale Signatur der Epilepsie. Im selben Jahr wurde das erste EEG-Labor im Massachusetts General Hospital eröffnet.

Franklin Offner (1911–1999), Professor für Biophysik an der Northwestern University, entwickelte einen Prototyp des EEG, der einen piezoelektrischen Tintenschreiber namens Crystograph enthielt (das gesamte Gerät war typischerweise als Offner Dynograph bekannt ).

1947 wurde die American EEG Society gegründet und der erste internationale EEG-Kongress abgehalten. 1953 beschrieben Aserinsky und Kleitman den REM-Schlaf.

In den 1950er Jahren entwickelte William Gray Walter einen Zusatz zum EEG namens EEG-Topographie , der die Abbildung der elektrischen Aktivität über die Oberfläche des Gehirns ermöglichte. Dies erfreute sich in den 1980er Jahren einer kurzen Zeit der Popularität und schien für die Psychiatrie besonders vielversprechend. Es wurde von Neurologen nie akzeptiert und bleibt in erster Linie ein Forschungsinstrument.

Chuck Kayser mit Elektroenzephalographenelektroden und einem Signalaufbereiter zur Verwendung in Project Gemini , 1965

Ein von Beckman Instruments hergestelltes Elektroenzephalographiesystem wurde in mindestens einem der bemannten Raumflüge des Projekts Gemini (1965-1966) verwendet, um die Gehirnwellen von Astronauten auf dem Flug zu überwachen. Es war eines von vielen Beckman-Instrumenten, die auf die NASA spezialisiert und von ihr verwendet wurden. [10]

1988 berichteten Stevo Bozinovski, Mihail Sestakov und Liljana Bozinovska über die EEG-Kontrolle eines physischen Objekts, eines Roboters. [11] [12]

Im Oktober 2018 verbanden Wissenschaftler das Gehirn von drei Personen, um mit dem Prozess des Gedankenaustauschs zu experimentieren. Fünf Gruppen von drei Personen nahmen mit EEG an dem Experiment teil. Die Erfolgsrate des Experiments betrug 81%. [13]

Medizinische Verwendung [ Bearbeiten ]

Ein EEG-Aufnahme-Setup

Das EEG ist einer der wichtigsten diagnostischen Tests für Epilepsie. Eine routinemäßige klinische EEG-Aufzeichnung dauert normalerweise 20 bis 30 Minuten (plus Vorbereitungszeit). Es ist ein Test, der die elektrische Aktivität im Gehirn mithilfe kleiner Metallscheiben (Elektroden) erkennt, die an der Kopfhaut angebracht sind. Routinemäßig wird das EEG unter klinischen Umständen verwendet, um Veränderungen der Gehirnaktivität zu bestimmen, die bei der Diagnose von Hirnstörungen, insbesondere Epilepsie oder einer anderen Anfallsleiden, nützlich sein können. Ein EEG könnte auch hilfreich sein, um die folgenden Störungen zu diagnostizieren oder zu behandeln: [14]

  • Gehirntumor
  • Hirnschaden durch Kopfverletzung
  • Hirnfunktionsstörung, die verschiedene Ursachen haben kann (Enzephalopathie)
  • Entzündung des Gehirns (Enzephalitis)
  • Schlaganfall
  • Schlafstörungen

Es kann auch:

  • unterscheiden epileptische Anfälle von anderen Arten von Zaubern wie psychogener nicht-epileptischen Anfälle , Synkope (Ohnmacht) , sub-kortikalen Bewegungsstörungen und Migräne - Varianten
  • Unterscheiden Sie "organische" Enzephalopathie oder Delir von primären psychiatrischen Syndromen wie Katatonie
  • dienen als Zusatztest für den Hirntod bei komatösen Patienten
  • Prognose bei komatösen Patienten (in bestimmten Fällen)
  • festzustellen, ob Antiepileptika abgesetzt werden sollen.

Manchmal reicht ein Routine-EEG nicht aus, um die Diagnose zu stellen oder die beste Vorgehensweise in Bezug auf die Behandlung zu bestimmen. In diesem Fall kann versucht werden, ein EEG aufzuzeichnen, während ein Anfall auftritt. Dies ist als Iktalaufzeichnung bekannt , im Gegensatz zu einer Interiktalaufzeichnung, die sich auf die EEG-Aufzeichnung zwischen Anfällen bezieht. Um eine Iktalaufzeichnung zu erhalten, wird typischerweise ein verlängertes EEG durchgeführt, das von einer zeitsynchronisierten Video- und Audioaufzeichnung begleitet wird. Dies kann entweder ambulant (zu Hause) oder während einer Krankenhauseinweisung erfolgen, vorzugsweise in einer Epilepsie-Überwachungseinheit(WWU) mit Krankenschwestern und anderem Personal, das in der Versorgung von Patienten mit Anfällen geschult ist. Ambulante ambulante Video-EEGs dauern in der Regel ein bis drei Tage. Die Aufnahme in eine Epilepsie-Überwachungseinheit dauert in der Regel mehrere Tage, kann jedoch eine Woche oder länger dauern. Im Krankenhaus werden Anfallsmedikamente normalerweise abgesetzt, um die Wahrscheinlichkeit zu erhöhen, dass während der Aufnahme ein Anfall auftritt. Aus Sicherheitsgründen werden Medikamente während eines EEG außerhalb des Krankenhauses nicht abgesetzt. Ambulante Video-EEGs haben daher den Vorteil der Bequemlichkeit und sind kostengünstiger als eine Krankenhauseinweisung, haben jedoch den Nachteil einer verringerten Wahrscheinlichkeit, ein klinisches Ereignis aufzuzeichnen.

Die Überwachung der Epilepsie wird typischerweise durchgeführt, um epileptische Anfälle von anderen Arten von Zaubersprüchen zu unterscheiden, wie z. B. psychogenen nicht-epileptischen Anfällen , Synkope (Ohnmacht) , subkortikalen Bewegungsstörungen und Migränevarianten , um Anfälle für die Zwecke der Behandlung zu charakterisieren und die zu lokalisieren Region des Gehirns, aus der ein Anfall zur Aufarbeitung einer möglichen Anfallschirurgie stammt.

Zusätzlich kann das EEG verwendet werden, um die Tiefe der Anästhesie als indirekten Indikator für die zerebrale Perfusion bei der Karotisendarteriektomie zu überwachen oder um den Amobarbitaleffekt während des Wada-Tests zu überwachen .

Das EEG kann auch auf Intensivstationen zur Überwachung der Gehirnfunktion verwendet werden, um nicht konvulsive Anfälle / nicht konvulsiven Status epilepticus zu überwachen und die Wirkung von Sedativa / Anästhesie bei Patienten im medizinisch induzierten Koma zu überwachen (zur Behandlung von refraktären Anfällen oder erhöhtem intrakraniellem Anfall) Druck ) und zur Überwachung auf sekundäre Hirnschäden bei Erkrankungen wie Subarachnoidalblutung (derzeit eine Forschungsmethode).

Wenn ein Patient mit Epilepsie für eine resektive Operation in Betracht gezogen wird , ist es häufig erforderlich, den Fokus (die Quelle) der epileptischen Gehirnaktivität mit einer Auflösung zu lokalisieren, die größer ist als die des Kopfhaut-EEG. Dies liegt daran, dass die Liquor cerebrospinalis , der Schädel und die Kopfhaut die vom EEG der Kopfhaut aufgezeichneten elektrischen Potentiale verschmieren . In diesen Fällen implantieren Neurochirurgen typischerweise Streifen und Gitter von Elektroden (oder eindringenden Tiefenelektroden) unter die Dura Mater , entweder durch eine Kraniotomie oder ein Bohrloch . Die Aufzeichnung dieser Signale wird als Elektrokortikographie bezeichnet(EKG), subdurales EEG (sdEEG) oder intrakranielles EEG (icEEG) - alle Begriffe für dasselbe. Das vom EKG aufgezeichnete Signal hat eine andere Aktivitätsskala als die vom EEG der Kopfhaut aufgezeichnete Gehirnaktivität. Niederspannungs- und Hochfrequenzkomponenten, die im EEG der Kopfhaut nicht leicht (oder überhaupt nicht) zu sehen sind, sind im EKG deutlich zu erkennen. Darüber hinaus ermöglichen kleinere Elektroden (die ein kleineres Paket der Gehirnoberfläche bedecken), dass noch niedrigere Spannungen und schnellere Komponenten der Gehirnaktivität sichtbar werden. Einige klinische Standorte weisen auf eindringende Mikroelektroden hin. [1]

Das EEG ist für die Diagnose von Kopfschmerzen nicht angezeigt. [15] Wiederkehrende Kopfschmerzen sind ein häufiges Schmerzproblem, und dieses Verfahren wird manchmal bei der Suche nach einer Diagnose verwendet, hat jedoch keinen Vorteil gegenüber der routinemäßigen klinischen Bewertung. [fünfzehn]

Forschungsnutzung [ Bearbeiten ]

Das EEG und die damit verbundene Untersuchung von ERPs werden in den Bereichen Neurowissenschaften , Kognitionswissenschaft , Kognitionspsychologie , Neurolinguistik und psychophysiologische Forschung, aber auch zur Untersuchung menschlicher Funktionen wie Schlucken in großem Umfang eingesetzt . [16] [17] [18] Viele in der Forschung verwendete EEG-Techniken sind für den klinischen Einsatz nicht ausreichend standardisiert, und in vielen ERP-Studien werden nicht alle erforderlichen Verarbeitungsschritte für die Datenerfassung und -reduzierung angegeben, [19] was die Reproduzierbarkeit und Reproduzierbarkeit einschränkt von vielen Studien. Forschung zu geistigen Behinderungen wie der auditorischen Verarbeitungsstörung (APD),ADS oder ADHS wird immer bekannter und EEGs werden als Forschung und Behandlung verwendet.

Vorteile [ bearbeiten ]

Es gibt verschiedene andere Methoden zur Untersuchung der Gehirnfunktion, darunter funktionelle Magnetresonanztomographie (fMRT), Positronenemissionstomographie (PET), Magnetenzephalographie (MEG), Kernspinresonanzspektroskopie (NMR oder MRS), Elektrokortikographie (EKG) und Einzelphotonenemission Tomographie (SPECT), Nahinfrarotspektroskopie (NIRS) und ereignisbezogenes optisches Signal (EROS). Trotz der relativ geringen räumlichen Empfindlichkeit des EEG machen die "eindimensionalen Signale von lokalisierten peripheren Regionen am Kopf es für seine vereinfachte Wiedergabetreue attraktiv und haben einen hohen Durchsatz in der klinischen Forschung und in der Grundlagenforschung ermöglicht".[20] Somit besitzt das EEG einige Vorteile gegenüber einigen dieser anderen Techniken:

  • Die Hardwarekosten sind erheblich niedriger als bei den meisten anderen Techniken [21].
  • Das EEG verhindert die begrenzte Verfügbarkeit von Technologen für die sofortige Versorgung in stark frequentierten Krankenhäusern. [22]
  • Das EEG erfordert nur einen ruhigen Raum und Geräte in Aktentaschengröße, während für fMRI, SPECT, PET, MRS oder MEG sperrige und unbewegliche Geräte erforderlich sind. Zum Beispiel benötigt MEG Geräte, die aus flüssig heliumgekühlten Detektoren bestehen, die nur in magnetisch abgeschirmten Räumen verwendet werden können und insgesamt mehrere Millionen Dollar kosten. [23] und fMRI erfordern die Verwendung eines 1-Tonnen-Magneten in einem abgeschirmten Raum.
  • Das EEG kann leicht eine hohe zeitliche Auflösung haben (obwohl eine Auflösung von weniger als einer Millisekunde weniger aussagekräftige Daten erzeugt), da die zwei bis 32 Datenströme, die von dieser Anzahl von Elektroden erzeugt werden, leicht gespeichert und verarbeitet werden können, während räumliche 3D-Technologien das Tausend- oder Millionenfache liefern ebenso viele Eingabedatenströme und sind somit durch Hardware und Software begrenzt. [24] Das EEG wird üblicherweise mit Abtastraten zwischen 250 und 2000 Hz in klinischen und Forschungsumgebungen aufgezeichnet.
  • Das EEG ist im Gegensatz zu den meisten anderen bildgebenden Verfahren relativ tolerant gegenüber Bewegungen des Subjekts. Es gibt sogar Methoden zur Minimierung und sogar Eliminierung von Bewegungsartefakten in EEG-Daten [25]
  • Das EEG ist stumm, was eine bessere Untersuchung der Reaktionen auf auditive Reize ermöglicht.
  • Das EEG verschlimmert die Klaustrophobie nicht , im Gegensatz zu fMRT, PET, MRS, SPECT und manchmal MEG [26].
  • Das EEG beinhaltet keine Exposition gegenüber hochintensiven (> 1 Tesla ) Magnetfeldern, wie bei einigen anderen Techniken, insbesondere MRT und MRS. Diese können eine Vielzahl unerwünschter Probleme mit den Daten verursachen und verbieten auch die Verwendung dieser Techniken bei Teilnehmern, die Metallimplantate in ihrem Körper haben, wie z. B. metallhaltige Herzschrittmacher [27].
  • Das EEG beinhaltet im Gegensatz zur Positronenemissionstomographie keine Exposition gegenüber Radioliganden . [28]
  • ERP-Studien können mit relativ einfachen Paradigmen durchgeführt werden, verglichen mit IE-Blockdesign-fMRI-Studien
  • Relativ nicht-invasiv im Gegensatz zur Elektrokortikographie , bei der Elektroden auf der tatsächlichen Oberfläche des Gehirns platziert werden müssen.

Das EEG weist auch einige Merkmale auf, die im Vergleich zu Verhaltenstests günstig sind:

  • Das EEG kann verdeckte Verarbeitung erkennen (dh Verarbeitung, für die keine Antwort erforderlich ist) [29]
  • Das EEG kann bei Probanden angewendet werden, die nicht in der Lage sind, eine motorische Reaktion hervorzurufen [30].
  • Einige ERP-Komponenten können auch dann erkannt werden, wenn sich das Subjekt nicht um die Stimuli kümmert
  • Im Gegensatz zu anderen Methoden zur Untersuchung der Reaktionszeit können ERPs Verarbeitungsstufen (und nicht nur das Endergebnis) aufklären [31].
  • Die Einfachheit des EEG ermöglicht die Verfolgung von Gehirnveränderungen in verschiedenen Lebensphasen. Die EEG-Schlafanalyse kann wichtige Aspekte des Zeitpunkts der Gehirnentwicklung anzeigen, einschließlich der Bewertung der Gehirnreifung bei Jugendlichen. [32]
  • Im EEG gibt es ein besseres Verständnis dafür, welches Signal im Vergleich zu anderen Forschungstechniken gemessen wird, z. B. die BOLD-Reaktion in der MRT.

Nachteile [ bearbeiten ]

  • Geringe räumliche Auflösung auf der Kopfhaut. fMRT kann beispielsweise Bereiche des Gehirns, die aktiv sind, direkt anzeigen, während das EEG eine intensive Interpretation erfordert, um zu hypothetisieren, welche Bereiche durch eine bestimmte Reaktion aktiviert werden. [33]
  • Das EEG misst schlecht die neuronale Aktivität, die unterhalb der oberen Schichten des Gehirns (der Kortikalis) auftritt.
  • Im Gegensatz zu PET und MRS können keine spezifischen Stellen im Gehirn identifiziert werden, an denen verschiedene Neurotransmitter, Medikamente usw. gefunden werden können. [28]
  • Das Anschließen eines Probanden an das EEG dauert oft lange, da Dutzende Elektroden präzise um den Kopf gelegt und verschiedene Gele, Kochsalzlösungen und / oder Pasten verwendet werden müssen, um eine gute Leitfähigkeit aufrechtzuerhalten. Zur Aufbewahrung wird eine Kappe verwendet sie an Ort und Stelle. Während die Zeitdauer je nach verwendetem EEG-Gerät unterschiedlich ist, dauert die Vorbereitung eines Probanden für MEG, fMRI, MRS und SPECT in der Regel erheblich kürzer.
  • Das Signal-Rausch-Verhältnis ist schlecht, so dass eine ausgefeilte Datenanalyse und eine relativ große Anzahl von Probanden erforderlich sind, um nützliche Informationen aus dem EEG zu extrahieren. [34]

Mit anderen Neuroimaging-Techniken [ Bearbeiten ]

Gleichzeitige EEG-Aufzeichnungen und fMRT-Scans wurden erfolgreich durchgeführt, [35] [36] [37] [38], obwohl die gleichzeitige Aufzeichnung beider effektiv die Überwindung mehrerer technischer Schwierigkeiten erfordert, wie z. B. das Vorhandensein eines ballistokardiographischen Artefakts oder eines MRT-Pulsartefakts und die Induktion elektrischer Ströme in EEG-Drähten, die sich innerhalb der starken Magnetfelder der MRT bewegen. Diese sind zwar herausfordernd, wurden jedoch in einer Reihe von Studien erfolgreich überwunden. [39] [40]

MRTs erzeugen detaillierte Bilder, die durch die Erzeugung starker Magnetfelder erzeugt werden, die möglicherweise schädliche Verschiebungskräfte und Drehmomente induzieren können. Diese Felder erzeugen möglicherweise schädliche Hochfrequenzerwärmung und erzeugen Bildartefakte, die Bilder unbrauchbar machen. Aufgrund dieser potenziellen Risiken können nur bestimmte medizinische Geräte in einer MR-Umgebung verwendet werden.

In ähnlicher Weise wurden auch gleichzeitige Aufzeichnungen mit MEG und EEG durchgeführt, was mehrere Vorteile gegenüber der alleinigen Verwendung beider Techniken hat:

  • Das EEG erfordert genaue Informationen über bestimmte Aspekte des Schädels, die nur geschätzt werden können, wie z. B. den Schädelradius und die Leitfähigkeit verschiedener Schädelpositionen. MEG hat dieses Problem nicht und eine gleichzeitige Analyse ermöglicht es, dies zu korrigieren.
  • MEG und EEG erkennen beide die Aktivität unter der Oberfläche des Kortex sehr schlecht, und wie beim EEG steigt das Fehlerniveau mit der Tiefe unter der Oberfläche des Kortex, die untersucht werden soll. Die Fehler sind jedoch zwischen den Techniken sehr unterschiedlich, und ihre Kombination ermöglicht somit die Korrektur eines Teils dieses Rauschens.
  • MEG hat Zugang zu praktisch keinen Quellen für Gehirnaktivität unterhalb einiger Zentimeter unter der Kortikalis. Das EEG hingegen kann Signale aus größerer Tiefe empfangen, wenn auch mit einem hohen Rauschgrad. Die Kombination der beiden erleichtert die Bestimmung, was im EEG-Signal von der Oberfläche kommt (da MEG bei der Untersuchung von Signalen von der Oberfläche des Gehirns sehr genau ist) und was aus der Tiefe des Gehirns kommt, wodurch eine Analyse des tieferen Gehirns ermöglicht wird Signale als entweder EEG oder MEG allein. [41]

Kürzlich wurde ein kombinierter EEG / MEG (EMEG) -Ansatz zum Zweck der Quellenrekonstruktion in der Epilepsiediagnose untersucht. [42]

Das EEG wurde auch mit der Positronenemissionstomographie kombiniert . Dies bietet den Vorteil, dass Forscher sehen können, welche EEG-Signale mit verschiedenen Arzneimittelwirkungen im Gehirn verbunden sind. [43]

Neuere Studien mit Maschinenlerntechniken wie neuronale Netze mit statistischen zeitlichen Merkmalen extrahierten aus Frontallappen EEG Gehirnwellen - Daten bei der Klassifizierung von mentalen Zuständen (Relaxed, Neutral, Concentrating), eine hohes Maß an Erfolg gezeigt [44] psychische emotionale Zustände (Negative, Neutral, Positiv) [45] und thalamokortikale Dysrhythmie . [46]

Mechanismen [ bearbeiten ]

Die elektrische Ladung des Gehirns wird von Milliarden von Neuronen aufrechterhalten . [47] Neuronen werden durch Membrantransportproteine , die Ionen über ihre Membranen pumpen, elektrisch geladen (oder "polarisiert") . Neurone sind ständig Ionen mit dem extrazellulären Milieu, zum Beispiel den Austausch zu pflegen Ruhepotential und zu propagieren Aktionspotentiale. Ionen mit ähnlicher Ladung stoßen sich gegenseitig ab, und wenn viele Ionen gleichzeitig aus vielen Neuronen herausgedrückt werden, können sie ihre Nachbarn, die ihre Nachbarn schieben, und so weiter in einer Welle schieben. Dieser Vorgang wird als Volumenleitung bezeichnet. Wenn die Ionenwelle die Elektroden auf der Kopfhaut erreicht, können sie Elektronen auf das Metall in den Elektroden drücken oder ziehen. Da Metall das Drücken und Ziehen von Elektronen leicht leitet, kann der Unterschied in den Druck- oder Zugspannungen zwischen zwei beliebigen Elektroden mit einem Voltmeter gemessen werden . Die Aufzeichnung dieser Spannungen über die Zeit gibt uns das EEG. [48]

Das von einem einzelnen Neuron erzeugte elektrische Potential ist viel zu klein, um vom EEG oder MEG aufgenommen zu werden. [49] Die EEG-Aktivität spiegelt daher immer die Summe der synchronen Aktivität von Tausenden oder Millionen von Neuronen mit ähnlicher räumlicher Ausrichtung wider . Wenn die Zellen keine ähnliche räumliche Ausrichtung haben, richten sich ihre Ionen nicht aus und erzeugen zu detektierende Wellen. Es wird angenommen, dass pyramidale Neuronen des Kortex das meiste EEG-Signal erzeugen, da sie gut ausgerichtet sind und zusammen feuern. Da Spannungsfeldgradienten mit dem Quadrat der Entfernung abfallen, ist die Aktivität von tiefen Quellen schwieriger zu erfassen als Ströme in der Nähe des Schädels. [50]

Die EEG-Aktivität der Kopfhaut zeigt Schwingungen bei verschiedenen Frequenzen. Einige dieser Schwingungen haben charakteristische Frequenzbereiche , räumliche Verteilungen und sind mit unterschiedlichen Zuständen der Gehirnfunktion verbunden (z. B. Aufwachen und die verschiedenen Schlafstadien ). Diese Schwingungen repräsentieren eine synchronisierte Aktivität über ein Netzwerk von Neuronen. Die neuronalen Netzwerke, die einigen dieser Schwingungen zugrunde liegen, werden verstanden (z. B. die Thalamokortikalresonanz, die den Schlafspindeln zugrunde liegt ), während viele andere dies nicht tun (z. B. das System, das den posterioren Grundrhythmus erzeugt). Forschungen, die sowohl das EEG als auch das Neuronenspiken messen, stellen fest, dass die Beziehung zwischen beiden komplex ist, mit einer Kombination der EEG-Leistung in derGammaband und Phase im Delta- Band, die am stärksten mit der Aktivität der Neuronenspitzen zusammenhängen. [51]

Methode [ bearbeiten ]

Computer-Elektroenzephalograph Neurovisor-BMM 40

Beim herkömmlichen Kopfhaut-EEG wird die Aufzeichnung durch Platzieren von Elektroden auf der Kopfhaut mit einem leitfähigen Gel oder einer leitfähigen Paste erhalten, üblicherweise nachdem der Kopfhautbereich durch leichten Abrieb vorbereitet wurde , um die Impedanz aufgrund abgestorbener Hautzellen zu verringern . Viele Systeme verwenden typischerweise Elektroden, von denen jede an einem einzelnen Draht befestigt ist. Einige Systeme verwenden Kappen oder Netze, in die Elektroden eingebettet sind. Dies ist besonders häufig, wenn hochdichte Elektrodenarrays benötigt werden.

Die Positionen und Namen der Elektroden werden vom International 10–20-System [52] für die meisten klinischen und Forschungsanwendungen festgelegt (außer bei Verwendung von Arrays mit hoher Dichte). Dieses System stellt sicher, dass die Benennung der Elektroden in allen Labors einheitlich ist. In den meisten klinischen Anwendungen werden 19 Aufzeichnungselektroden (plus Masse- und Systemreferenz) verwendet. [53] Bei der Aufzeichnung des EEG von Neugeborenen wird normalerweise eine geringere Anzahl von Elektroden verwendet . Zusätzliche Elektroden können zum Standardaufbau hinzugefügt werden, wenn eine klinische oder Forschungsanwendung eine erhöhte räumliche Auflösung für einen bestimmten Bereich des Gehirns erfordert. Arrays mit hoher Dichte (normalerweise über Kappe oder Netz) können bis zu 256 Elektroden enthalten, die mehr oder weniger gleichmäßig um die Kopfhaut verteilt sind.

Jede Elektrode ist mit einem Eingang eines Differenzverstärkers verbunden (ein Verstärker pro Elektrodenpaar); Eine gemeinsame Systemreferenzelektrode ist mit dem anderen Eingang jedes Differenzverstärkers verbunden. Diese Verstärker verstärken die Spannung zwischen der aktiven Elektrode und der Referenz (normalerweise 1.000 bis 100.000 Mal oder 60 bis 100 dB Spannungsverstärkung). Im analogen EEG wird das Signal dann gefiltert (nächster Absatz), und das EEG-Signal wird als Auslenkung der Stifte ausgegeben, wenn Papier darunter läuft. Die meisten EEG-Systeme sind heutzutage jedoch digital, und das verstärkte Signal wird über einen Analog-Digital-Wandler digitalisiert , nachdem es durch ein Anti-Aliasing-Filter geleitet wurde. Analog-Digital-Abtastung erfolgt typischerweise bei 256–512 Hz im klinischen EEG der Kopfhaut; In einigen Forschungsanwendungen werden Abtastraten von bis zu 20 kHz verwendet.

Während der Aufzeichnung kann eine Reihe von Aktivierungsverfahren verwendet werden. Diese Verfahren können eine normale oder abnormale EEG-Aktivität hervorrufen, die sonst möglicherweise nicht sichtbar ist. Diese Verfahren umfassen Hyperventilation, Photostimulation (mit einem Blitzlicht), Schließen der Augen, geistige Aktivität, Schlaf und Schlafentzug. Während der (stationären) Epilepsieüberwachung können die typischen Anfallsmedikamente eines Patienten abgesetzt werden.

Das digitale EEG-Signal wird elektronisch gespeichert und kann zur Anzeige gefiltert werden. Typische Einstellungen für das Hochpassfilter und ein Tiefpassfilter sind 0,5–1  Hz bzw. 35–70 Hz. Das Hochpassfilter filtert typischerweise langsame Artefakte wie elektrogalvanische Signale und Bewegungsartefakte heraus, während das Tiefpassfilter hochfrequente Artefakte wie elektromyographische Signale herausfiltert . Ein zusätzlicher Sperrfilter wird normalerweise verwendet, um Artefakte zu entfernen, die durch Stromleitungen verursacht werden (60 Hz in den USA und 50 Hz in vielen anderen Ländern). [1]

Die EEG-Signale können mit OpenSource-Hardware wie OpenBCI erfasst und das Signal mit frei verfügbarer EEG-Software wie EEGLAB oder der Neurophysiological Biomarker Toolbox verarbeitet werden .

Im Rahmen einer Bewertung für Epilepsieoperationen kann es erforderlich sein, Elektroden nahe der Oberfläche des Gehirns unter der Oberfläche der Dura Mater einzuführen . Dies wird durch Bohrloch oder Kraniotomie erreicht . Dies wird verschiedentlich als "Elektrokortikographie (EKG)" , "intrakranielles EEG (I-EEG)" oder "subdurales EEG (SD-EEG)" bezeichnet. Tiefenelektroden können auch in Gehirnstrukturen wie der Amygdala oder dem Hippocampus platziert werden, Strukturen, die häufige epileptische Herde sind und vom Kopfhaut-EEG möglicherweise nicht klar "gesehen" werden. Das elektrokortikographische Signal wird auf die gleiche Weise wie das EEG der digitalen Kopfhaut (oben) mit einigen Einschränkungen verarbeitet. Das EKG wird aufgrund der Anforderungen des Nyquist-Theorems typischerweise mit höheren Abtastraten als das Kopfhaut-EEG aufgezeichnet - das subdurale Signal besteht aus einer höheren Dominanz höherfrequenter Komponenten. Viele der Artefakte, die das EEG der Kopfhaut beeinflussen, wirken sich auch nicht auf das EKG aus. Daher ist eine Anzeigefilterung häufig nicht erforderlich.

Ein typisches menschliches EEG-Signal für Erwachsene hat eine Amplitude von etwa 10 µV bis 100 µV, wenn es von der Kopfhaut aus gemessen wird. [54]

Da ein EEG-Spannungssignal eine Differenz zwischen den Spannungen an zwei Elektroden darstellt, kann die Anzeige des EEG für den Lese-Enzephalographen auf eine von mehreren Arten eingerichtet werden. Die Darstellung der EEG-Kanäle wird als Montage bezeichnet.

Sequentielle Montage
Jeder Kanal (dh Wellenform) repräsentiert die Differenz zwischen zwei benachbarten Elektroden. Die gesamte Montage besteht aus einer Reihe dieser Kanäle. Beispielsweise repräsentiert der Kanal "Fp1-F3" die Spannungsdifferenz zwischen der Fp1-Elektrode und der F3-Elektrode. Der nächste Kanal in der Montage, "F3-C3", repräsentiert die Spannungsdifferenz zwischen F3 und C3 usw. durch die gesamte Anordnung von Elektroden.
Referenzmontage
Jeder Kanal repräsentiert den Unterschied zwischen einer bestimmten Elektrode und einer bestimmten Referenzelektrode. Für diese Referenz gibt es keine Standardposition. es befindet sich jedoch an einer anderen Position als die "Aufzeichnungs" -Elektroden. Mittellinienpositionen werden häufig verwendet, weil sie das Signal in einer Hemisphäre gegenüber der anderen nicht verstärken, wie z. B. Cz, Oz, Pz usw. als Online-Referenz. Die anderen beliebten Offline-Referenzen sind:
  • REST-Referenz: Dies ist eine Offline-Berechnungsreferenz im Unendlichen, bei der das Potenzial Null ist. REST (Referenzelektroden-Standardisierungstechnik) verwendet die entsprechenden Quellen im Gehirn einer Reihe von Kopfhautaufzeichnungen als Sprungbrett, um die tatsächlichen Aufzeichnungen mit einer Online- oder Offline-Referenz (Durchschnitt, verknüpfte Ohren usw.) ungleich Null zu den neuen Aufzeichnungen zu verknüpfen mit unendlich Null als standardisierte Referenz. Eine kostenlose Software finden Sie unter (Dong L, Li F, Liu Q, Wen X, Lai Y, Xu P und Yao D (2017) MATLAB-Toolboxen für die Referenzelektroden-Standardisierungstechnik (REST) ​​von Scalp EEG. Front. Neurosci. 11 : 601. Doi : 10.3389 / fnins.2017.00601), und für weitere Einzelheiten und seine Leistung wird auf das Originalpapier (Yao, D. (2001) verwiesen. Eine Methode zur Standardisierung einer Referenz von EEG-Aufzeichnungen der Kopfhaut auf einen Punkt im Unendlichen. Physiol. Meas. 22, 693–711 . doi : 10,1088 / 0967-3334 / 22/4/305 )
  • "verbundene Ohren": Dies ist ein physikalischer oder mathematischer Durchschnitt von Elektroden, die sowohl an Ohrläppchen als auch an Mastoiden angebracht sind .
Durchschnittliche Referenzmontage
Die Ausgänge aller Verstärker werden summiert und gemittelt, und dieses gemittelte Signal wird als gemeinsame Referenz für jeden Kanal verwendet.
Laplace-Montage
Jeder Kanal repräsentiert die Differenz zwischen einer Elektrode und einem gewichteten Durchschnitt der umgebenden Elektroden. [55]

Wenn analoge (Papier-) EEGs verwendet werden, wechselt der Technologe während der Aufnahme zwischen den Montagen, um bestimmte Merkmale des EEG hervorzuheben oder besser zu charakterisieren. Beim digitalen EEG werden normalerweise alle Signale digitalisiert und in einer bestimmten (normalerweise referenziellen) Montage gespeichert. Da jede Montage mathematisch aus jeder anderen konstruiert werden kann, kann das EEG vom Elektroenzephalographen in jeder gewünschten Anzeigemontage betrachtet werden.

Das EEG wird von einem klinischen Neurophysiologen oder Neurologen (abhängig von den örtlichen Gepflogenheiten und Gesetzen in Bezug auf medizinische Fachgebiete ) gelesen , der optimalerweise über eine spezielle Ausbildung in der Interpretation von EEGs für klinische Zwecke verfügt. Dies erfolgt durch visuelle Inspektion der Wellenformen, die als Graphoelemente bezeichnet werden. Die Verwendung der Computersignalverarbeitung des EEG - die sogenannte quantitative Elektroenzephalographie - ist für klinische Zwecke etwas umstritten (obwohl es viele Forschungsanwendungen gibt).

Trockene EEG-Elektroden [ Bearbeiten ]

In den frühen neunziger Jahren demonstrierte Babak Taheri von der University of California in Davis die ersten einkanaligen und auch mehrkanaligen trockenen aktiven Elektrodenarrays mittels Mikrobearbeitung. Der Einkanal-Trocken-EEG-Elektrodenaufbau und die Ergebnisse wurden 1994 veröffentlicht. [56] Es wurde auch gezeigt, dass die angeordnete Elektrode im Vergleich zu Silber / Silberchlorid- Elektroden eine gute Leistung erbringt. Das Gerät bestand aus vier Sensorstellen mit integrierter Elektronik, um das Rauschen durch Impedanzanpassung zu reduzieren. Die Vorteile solcher Elektroden sind: (1) kein Elektrolyt verwendet, (2) keine Hautvorbereitung, (3) signifikant reduzierte Sensorgröße und (4) Kompatibilität mit EEG-Überwachungssystemen. Das aktive Elektrodenarray ist ein integriertes System, das aus einem Array kapazitiver Sensoren mit lokaler integrierter Schaltung besteht, die in einem Gehäuse mit Batterien zur Stromversorgung der Schaltung untergebracht sind. Dieser Integrationsgrad war erforderlich, um die von der Elektrode erzielte Funktionsleistung zu erreichen. Die Elektrode wurde auf einem elektrischen Prüfstand und an menschlichen Probanden in vier Modalitäten der EEG-Aktivität getestet, nämlich: (1) spontanes EEG, (2) sensorische ereignisbezogene Potentiale, (3) Hirnstammpotentiale und (4) kognitives Ereignis -bezogene Potentiale. Die Leistung der Trockenelektrode war im Vergleich zu den Standard-Nasselektroden in Bezug auf die Hautvorbereitung günstig.Keine Gelanforderungen (trocken) und höheres Signal-Rausch-Verhältnis.[57]

Im Jahr 1999 Forscher an der Case Western Reserve University in Cleveland , Ohio , angeführt von Hunter Peckham, verwendet 64-Elektrode EEG Scheitelkäppchen beschränkt Handbewegungen zurückzukehren Tetraplegiker Jim Jatich. Da sich Jatich auf einfache, aber gegensätzliche Konzepte wie Auf und Ab konzentrierte, wurde seine Beta-Rhythmus-EEG-Ausgabe mithilfe von Software analysiert, um Muster im Rauschen zu identifizieren. Ein Grundmuster wurde identifiziert und zur Steuerung eines Schalters verwendet: Überdurchschnittliche Aktivität wurde auf Ein, unterdurchschnittlich Aus eingestellt. Die Signale ermöglichten Jatich nicht nur die Steuerung eines Computercursors, sondern wurden auch verwendet, um die in seinen Händen eingebetteten Nervensteuerungen anzutreiben und eine gewisse Bewegung wiederherzustellen. [58]

Im Jahr 2018, eine funktionelle Trockenelektrode eines Polydimethylsiloxan - Elastomer mit leitender Kohlenstoff gefüllten Nanofasern wurde berichtet. Diese Forschung wurde am US Army Research Laboratory durchgeführt . [59] Bei der EEG-Technologie wird häufig ein Gel auf die Kopfhaut aufgetragen, was ein starkes Signal-Rausch-Verhältnis ermöglicht. Dies führt zu reproduzierbareren und zuverlässigeren experimentellen Ergebnissen. Da Patienten es nicht mögen, wenn ihre Haare mit Gel gefüllt sind und die langwierige Einrichtung geschultes Personal erfordert, kann die Verwendung des EEG außerhalb der Laborumgebung schwierig sein. [60] Zusätzlich wurde beobachtet, dass die Leistung von Sensoren für feuchte Elektroden nach einer Zeitspanne von Stunden abnimmt. [59] Daher wurde die Forschung auf die Entwicklung trockener und halbtrockener bioelektronischer EEG-Grenzflächen gerichtet.

Trockene Elektrodensignale hängen vom mechanischen Kontakt ab. Daher kann es aufgrund der Impedanz zwischen der Haut und der Elektrode schwierig sein, ein verwendbares Signal zu erhalten. [60] [59] Einige EEG-Systeme versuchen, dieses Problem durch Anwendung einer Kochsalzlösung zu umgehen. [61] Andere sind halbtrocken und setzen bei Kontakt mit der Kopfhaut geringe Mengen des Gels frei. [60] Eine andere Lösung verwendet federbelastete Stiftaufbauten. Diese können unangenehm sein. Sie können auch gefährlich sein, wenn sie in einer Situation verwendet werden, in der ein Patient sich den Kopf stoßen könnte, da sie sich nach einem Aufpralltrauma festsetzen könnten. [59]

ARL entwickelte auch ein Visualisierungstool, Customizable Lighting Interface zur Visualisierung von EEGs oder CLIVE, das zeigte, wie gut zwei Gehirne synchronisiert sind. [62]

Derzeit sind Headsets mit Trockenelektroden mit bis zu 30 Kanälen erhältlich. [63] Solche Konstruktionen können einen Teil der durch hohe Impedanzen verursachten Verschlechterung der Signalqualität durch Optimierung der Vorverstärkung, Abschirmung und unterstützenden Mechanik kompensieren. [64]

Einschränkungen [ Bearbeiten ]

Das EEG weist mehrere Einschränkungen auf. Am wichtigsten ist die schlechte räumliche Auflösung. [65] Das EEG reagiert am empfindlichsten auf eine bestimmte Reihe von postsynaptischen Potentialen: jene, die in oberflächlichen Schichten des Kortex auf den Gyri- Kämmen erzeugt werden, die direkt am Schädel anliegen und radial zum Schädel liegen. Dendriten, die tiefer in der Kortikalis, innerhalb von Sulci , in Mittellinien oder tiefen Strukturen (wie dem cingulösen Gyrus oder Hippocampus ) liegen oder Ströme erzeugen, die tangential zum Schädel sind, tragen weitaus weniger zum EEG-Signal bei.

EEG-Aufzeichnungen erfassen axonale Aktionspotentiale nicht direkt . Ein Aktionspotential kann genau als aktueller Quadrupol dargestellt werden , was bedeutet, dass das resultierende Feld schneller abnimmt als diejenigen, die durch den aktuellen Dipol der postsynaptischen Potentiale erzeugt werden. [66] Da EEGs im Durchschnitt Tausende von Neuronen darstellen, ist außerdem eine große Population von Zellen mit synchroner Aktivität erforderlich, um eine signifikante Ablenkung der Aufzeichnungen zu bewirken. Aktionspotentiale sind sehr schnell und infolgedessen sind die Chancen einer Feldsummierung gering. Die neuronale Rückausbreitung als typischerweise längerer dendritischer Stromdipol kann jedoch von EEG-Elektroden aufgenommen werden und ist ein zuverlässiger Hinweis auf das Auftreten einer neuronalen Ausgabe.

EEGs erfassen nicht nur fast ausschließlich dendritische Ströme im Gegensatz zu axonalen Strömen, sondern zeigen auch eine Präferenz für Aktivitäten in Populationen paralleler Dendriten und zur gleichzeitigen Übertragung von Strom in dieselbe Richtung. Pyramidale Neuronen der kortikalen Schichten II / III und V erstrecken sich über apikale Dendriten bis zur Schicht I. Ströme, die diese Prozesse nach oben oder unten bewegen, liegen den meisten Signalen zugrunde, die durch Elektroenzephalographie erzeugt werden. [67]

Daher liefert das EEG Informationen mit einer großen Tendenz zur Auswahl von Neuronentypen und sollte im Allgemeinen nicht verwendet werden, um Aussagen über die globale Gehirnaktivität zu machen. Die Meningen , die Liquor cerebrospinalis und der Schädel "verschmieren" das EEG-Signal und verdecken dessen intrakranielle Quelle.

Es ist mathematisch unmöglich, eine eindeutige intrakranielle Stromquelle für ein bestimmtes EEG-Signal zu rekonstruieren [1], da einige Ströme Potentiale erzeugen, die sich gegenseitig aufheben. Dies wird als inverses Problem bezeichnet . Es wurde jedoch viel Arbeit geleistet, um bemerkenswert gute Schätzungen zumindest eines lokalisierten elektrischen Dipols zu erstellen , der die aufgezeichneten Ströme darstellt. [ Zitat benötigt ]

EEG vs fMRI, fNIRS, fUS und PET [ Bearbeiten ]

Das EEG hat mehrere Stärken als Instrument zur Erforschung der Gehirnaktivität. EEGs können Änderungen über Millisekunden hinweg erkennen. Dies ist hervorragend, wenn man bedenkt, dass ein Aktionspotential je nach Neuronentyp etwa 0,5 bis 130 Millisekunden benötigt, um sich über ein einzelnes Neuron auszubreiten. [68] Andere Methoden zur Untersuchung der Gehirnaktivität wie PET , fMRT oder fUS haben eine Zeitauflösung zwischen Sekunden und Minuten. Das EEG misst die elektrische Aktivität des Gehirns direkt, während andere Methoden Änderungen des Blutflusses (z. B. SPECT , fMRI , fUS ) oder der Stoffwechselaktivität (z. B. PET , NIRS ) aufzeichnen), die indirekte Marker für die elektrische Aktivität des Gehirns sind.

Das EEG kann gleichzeitig mit fMRI oder fUS verwendet werden, so dass Daten mit hoher zeitlicher Auflösung gleichzeitig mit Daten mit hoher räumlicher Auflösung aufgezeichnet werden können, da die von jedem abgeleiteten Daten über einen anderen Zeitverlauf auftreten, werden die Datensätze repräsentieren nicht unbedingt genau die gleiche Gehirnaktivität. Mit der Kombination von EEG und fMRT sind technische Schwierigkeiten verbunden, einschließlich der Notwendigkeit, das während der MRT-Erfassung vorhandene MRT-Gradientenartefakt zu entfernen . Darüber hinaus können aufgrund des Magnetfelds der MRT Ströme in sich bewegenden EEG-Elektrodendrähten induziert werden.

Das EEG kann ohne größere technische Schwierigkeiten gleichzeitig mit NIRS oder fUS verwendet werden. Es gibt keinen Einfluss dieser Modalitäten aufeinander und eine kombinierte Messung kann nützliche Informationen über die elektrische Aktivität sowie die Hämodynamik bei mittlerer räumlicher Auflösung liefern.

EEG vs MEG [ Bearbeiten ]

Das EEG spiegelt die korrelierte synaptische Aktivität wider, die durch postsynaptische Potentiale kortikaler Neuronen verursacht wird . Die Ionenströme, die an der Erzeugung schneller Aktionspotentiale beteiligt sind, tragen möglicherweise nicht wesentlich zu den gemittelten Feldpotentialen bei, die das EEG darstellen. [49] [69] Insbesondere wird allgemein angenommen, dass die elektrischen Potentiale der Kopfhaut, die EEG erzeugen, durch die extrazellulären Ionenströme verursacht werden, die durch dendritische elektrische Aktivität verursacht werden , während die Felder, die magnetoenzephalographische Signale erzeugen [23] , mit intrazellulären Ionenströmen assoziiert sind. [70]

Das EEG kann gleichzeitig mit dem MEG aufgezeichnet werden, so dass Daten aus diesen komplementären Techniken mit hoher Zeitauflösung kombiniert werden können.

Studien zur numerischen Modellierung von EEG und MEG wurden ebenfalls durchgeführt. [71]

Normale Aktivität [ Bearbeiten ]

Das EEG wird typischerweise in Bezug auf (1) rhythmische Aktivität und (2) Transienten beschrieben. Die rhythmische Aktivität ist nach Frequenz in Bänder unterteilt. Bis zu einem gewissen Grad sind diese Frequenzbänder eine Frage der Nomenklatur (dh jede rhythmische Aktivität zwischen 8 und 12 Hz kann als "Alpha" bezeichnet werden), aber diese Bezeichnungen entstanden, weil festgestellt wurde, dass die rhythmische Aktivität innerhalb eines bestimmten Frequenzbereichs eine bestimmte hat Verteilung über die Kopfhaut oder eine bestimmte biologische Bedeutung. Frequenzbänder werden normalerweise mit spektralen Methoden (z. B. Welch) extrahiert, wie sie beispielsweise in frei verfügbarer EEG-Software wie EEGLAB oder der Neurophysiological Biomarker Toolbox implementiert sind . Die rechnergestützte Verarbeitung des EEG wird häufig als quantitative Elektroenzephalographie bezeichnet (qEEG).

Der größte Teil des im EEG der Kopfhaut beobachteten zerebralen Signals fällt in den Bereich von 1 bis 20 Hz (Aktivität unterhalb oder oberhalb dieses Bereichs ist unter klinischen Standardaufzeichnungstechniken wahrscheinlich künstlich). Wellenformen werden in Bandbreiten unterteilt, die als Alpha, Beta, Theta und Delta bekannt sind, um den Großteil des in der klinischen Praxis verwendeten EEG zu kennzeichnen. [72]

Vergleich der EEG-Bänder [ Bearbeiten ]

Vergleich der EEG-Banden
BandFrequenz (Hz)OrtNormalerweisePathologisch
Delta<4frontal bei Erwachsenen, posterior bei Kindern; Wellen mit hoher Amplitude
  • Langsamer Schlaf für Erwachsene
  • bei Babys
  • Wurde bei einigen Aufgaben mit kontinuierlicher Aufmerksamkeit gefunden [73]
  • subkortikale Läsionen
  • diffuse Läsionen
  • metabolische Enzephalopathie Hydrocephalus
  • tiefe Mittellinienläsionen
Theta4–7Gefunden an Orten, die nicht mit der jeweiligen Aufgabe zusammenhängen
  • höher bei kleinen Kindern
  • Schläfrigkeit bei Erwachsenen und Jugendlichen
  • Leerlauf
  • Verbunden mit der Hemmung ausgelöster Reaktionen (es wurde festgestellt, dass sie in Situationen ansteigen, in denen eine Person aktiv versucht, eine Reaktion oder Handlung zu unterdrücken). [73]
  • fokale subkortikale Läsionen
  • metabolische Enzephalopathie
  • tiefe Mittellinienstörungen
  • einige Fälle von Hydrozephalus
Alpha8–15hintere Regionen des Kopfes, beide Seiten, mit höherer Amplitude auf der dominanten Seite. Zentrale Standorte (c3-c4) in Ruhe
  • entspannt / reflektierend
  • die Augen schließen
  • Wird auch mit der Kontrolle der Hemmung in Verbindung gebracht, anscheinend mit dem Ziel, die Hemmaktivität an verschiedenen Stellen im Gehirn zu steuern.
  • Koma
Beta16–31beide Seiten, symmetrische Verteilung, am deutlichsten frontal; Wellen mit niedriger Amplitude
  • Reichweite: aktive Ruhe → intensiv → gestresst → mild obsessiv
  • aktives Denken, Fokus, hohe Alarmbereitschaft, ängstlich
  • Benzodiazepine
  • Dup15q- Syndrom [74]
Gamma> 32Somatosensorischer Kortex
  • Anzeigen während der modalübergreifenden sensorischen Verarbeitung (Wahrnehmung, die zwei verschiedene Sinne wie Ton und Bild kombiniert) [75] [76]
  • Wird auch während des Kurzzeitgedächtnisabgleichs von erkannten Objekten, Geräuschen oder taktilen Empfindungen angezeigt
  • Eine Abnahme der Gammabandaktivität kann mit einer kognitiven Abnahme verbunden sein, insbesondere wenn sie mit der Theta-Bande zusammenhängt; Dies wurde jedoch nicht für die Verwendung als klinisch-diagnostische Messung nachgewiesen
Mu8-12Sensomotorischer Kortex
  • Zeigt Motoneuronen im Ruhezustand. [77]
  • Mu Unterdrückung könnte darauf hindeuten , dass die Motorspiegelneuronen arbeiten. Defizite bei der Mu-Unterdrückung und damit bei Spiegelneuronen könnten bei Autismus eine Rolle spielen . [78]

Die Praxis, in den Definitionen nur ganze Zahlen zu verwenden, beruht auf praktischen Überlegungen in den Tagen, in denen nur ganze Zyklen auf Papierunterlagen gezählt werden konnten. Dies führt zu Lücken in den Definitionen, wie an anderer Stelle auf dieser Seite zu sehen ist. Die theoretischen Definitionen wurden immer sorgfältiger definiert, um alle Frequenzen einzuschließen. Leider gibt es in Standard-Nachschlagewerken keine Übereinstimmung darüber, wie diese Bereiche aussehen sollten - Werte für das obere Ende von Alpha und das untere Ende von Beta umfassen 12, 13, 14 und 15. Wenn der Schwellenwert als 14 Hz angenommen wird, dann das langsamste Beta Die Welle hat ungefähr die gleiche Dauer wie die längste Spitze (70 ms), was dies zum nützlichsten Wert macht.

EEG-Frequenzbänder: Verbesserte Definitionen [79]
BandFrequenz (Hz)
Delta<4
Theta≥ 4 und <8
Alpha≥ 8 und <14
Beta≥ 14

Andere unterteilen die Bänder manchmal zum Zwecke der Datenanalyse in Unterbänder.

Menschliches EEG mit prominentem Alpha-Rhythmus

Wellenmuster [ Bearbeiten ]

Delta-Wellen
  • Delta Waves ist der Frequenzbereich bis 4 Hz. Es hat tendenziell die höchste Amplitude und die langsamsten Wellen. Es wird normalerweise bei Erwachsenen im langsamwelligen Schlaf beobachtet . Es wird auch normalerweise bei Babys gesehen. Es kann fokal bei subkortikalen Läsionen und im Allgemeinen bei diffusen Läsionen, metabolischer Enzephalopathie hydrocephalus oder tiefen Mittellinienläsionen auftreten. Es ist in der Regel frontal bei Erwachsenen (z. B. FIRDA - frontales intermittierendes rhythmisches Delta) und posterior bei Kindern (z. B. OIRDA - okzipitales intermittierendes rhythmisches Delta) am stärksten ausgeprägt.
Theta winkt
  • Theta ist der Frequenzbereich von 4 Hz bis 7 Hz. Theta tritt normalerweise bei kleinen Kindern auf. Es kann in Schläfrigkeit oder Erregung bei älteren Kindern und Erwachsenen gesehen werden; es kann auch in der Meditation gesehen werden . [80] Überschüssiges Theta für das Alter steht für abnormale Aktivität. Es kann als fokale Störung bei fokalen subkortikalen Läsionen angesehen werden; Es kann in einer verallgemeinerten Verteilung bei diffusen Störungen oder metabolischer Enzephalopathie oder tiefen Mittellinienstörungen oder einigen Fällen von Hydrozephalus gesehen werden. Im Gegenteil, dieser Bereich wurde mit Berichten über entspannte, meditative und kreative Zustände in Verbindung gebracht.
Alpha-Wellen
  • Alpha ist der Frequenzbereich von 7 Hz bis 13 Hz. [81] Hans Berger nannte die erste rhythmische EEG-Aktivität, die er beobachtete, die "Alpha-Welle". Dies war der "hintere Grundrhythmus" (auch "hinterer dominanter Rhythmus" oder "hinterer Alpha-Rhythmus" genannt), der in den hinteren Regionen des Kopfes auf beiden Seiten gesehen wurde und auf der dominanten Seite eine höhere Amplitude aufwies. Es entsteht beim Schließen der Augen und bei der Entspannung und schwächt sich beim Öffnen der Augen oder bei geistiger Anstrengung ab. Der hintere Grundrhythmus ist bei kleinen Kindern tatsächlich langsamer als 8 Hz (daher technisch im Theta-Bereich).
Sensomotorischer Rhythmus alias Mu-Rhythmus
Zusätzlich zum posterioren Grundrhythmus gibt es andere normale Alpha-Rhythmen wie den Mu-Rhythmus (Alpha-Aktivität in den kontralateralen sensorischen und motorischen kortikalen Bereichen), der auftritt, wenn Hände und Arme untätig sind; und der "dritte Rhythmus" (Alpha-Aktivität in den Temporal- oder Frontallappen). [82] [83] Alpha kann abnormal sein; Beispielsweise wird ein EEG, bei dem diffuses Alpha im Koma auftritt und nicht auf externe Reize reagiert, als "Alpha-Koma" bezeichnet.
Beta-Wellen
  • Beta ist der Frequenzbereich von 14 Hz bis ca. 30 Hz. Es ist normalerweise auf beiden Seiten in symmetrischer Verteilung zu sehen und am deutlichsten frontal. Die Beta-Aktivität ist eng mit dem motorischen Verhalten verbunden und wird im Allgemeinen bei aktiven Bewegungen abgeschwächt. [84] Beta mit niedriger Amplitude mit mehreren und variierenden Frequenzen ist häufig mit aktivem, beschäftigtem oder ängstlichem Denken und aktiver Konzentration verbunden. Rhythmisches Beta mit einem dominanten Satz von Frequenzen ist mit verschiedenen Pathologien wie dem Dup15q-Syndrom und Arzneimittelwirkungen, insbesondere Benzodiazepinen, verbunden . Es kann in Bereichen mit kortikaler Schädigung fehlen oder reduziert sein. Es ist der dominierende Rhythmus bei Patienten, die wachsam oder ängstlich sind oder deren Augen offen sind.
Gammawellen
  • Gamma ist der Frequenzbereich von ca. 30–100 Hz. Es wird angenommen, dass Gammarhythmen die Bindung verschiedener Populationen von Neuronen zu einem Netzwerk darstellen, um eine bestimmte kognitive oder motorische Funktion auszuführen. [1]
  • Der Mu- Bereich beträgt 8–13 Hz und überlappt sich teilweise mit anderen Frequenzen. Es spiegelt das synchrone Abfeuern von Motoneuronen im Ruhezustand wider. Es wird angenommen, dass die Mu-Unterdrückung Motorspiegelneuronensysteme widerspiegelt, da bei Beobachtung einer Aktion das Muster erlischt, möglicherweise weil das normale und das Spiegelneuronensystem "nicht mehr synchron sind" und sich gegenseitig stören. [78]

"Ultra-langsame" oder "Near- DC " -Aktivität wird in einigen Forschungskontexten unter Verwendung von DC-Verstärkern aufgezeichnet. Es wird normalerweise nicht in einem klinischen Kontext aufgezeichnet, da das Signal bei diesen Frequenzen für eine Reihe von Artefakten anfällig ist.

Einige Merkmale des EEG sind eher vorübergehend als rhythmisch. Spitzen und scharfe Wellen können Anfallsaktivität oder interiktale Aktivität bei Personen mit Epilepsie oder einer Veranlagung für Epilepsie darstellen. Andere vorübergehende Merkmale sind normal: Scheitelwellen und Schlafspindeln sind im normalen Schlaf zu sehen.

Beachten Sie, dass es Arten von Aktivitäten gibt, die statistisch ungewöhnlich sind, aber nicht mit Funktionsstörungen oder Krankheiten verbunden sind. Diese werden oft als "normale Varianten" bezeichnet. Der Mu-Rhythmus ist ein Beispiel für eine normale Variante.

Das normale Elektroenzephalogramm (EEG) variiert je nach Alter. Das pränatale EEG und das neonatale EEG unterscheiden sich stark vom adulten EEG. Feten im dritten Trimester und Neugeborene weisen zwei häufige Gehirnaktivitätsmuster auf: "diskontinuierlich" und "Spurenalternative". "Diskontinuierliche" elektrische Aktivität bezieht sich auf scharfe Ausbrüche elektrischer Aktivität, gefolgt von niederfrequenten Wellen. Die elektrische Aktivität "Alternative alternieren" beschreibt scharfe Ausbrüche, gefolgt von kurzen Intervallen mit hoher Amplitude, und zeigt normalerweise einen ruhigen Schlaf bei Neugeborenen an. [85] Das EEG im Kindesalter weist im Allgemeinen langsamere Frequenzschwingungen auf als das EEG bei Erwachsenen.

Das normale EEG variiert auch je nach Zustand. Das EEG wird zusammen mit anderen Messungen ( EOG , EMG ) verwendet, um Schlafstadien in der Polysomnographie zu definieren. Schlaf im Stadium I (in einigen Systemen gleichbedeutend mit Schläfrigkeit) erscheint im EEG als Ausfall des hinteren Grundrhythmus. Es kann zu einem Anstieg der Theta-Frequenzen kommen. Santamaria und Chiappa katalogisierten eine Reihe von Mustern, die mit Schläfrigkeit verbunden sind. Der Schlaf im Stadium II ist durch Schlafspindeln gekennzeichnet - vorübergehende Läufe rhythmischer Aktivität im Bereich von 12 bis 14 Hz (manchmal als "Sigma" -Band bezeichnet) mit einem frontal-zentralen Maximum. Der größte Teil der Aktivität in Stufe II liegt im Bereich von 3 bis 6 Hz. Schlaf im Stadium III und IV wird durch das Vorhandensein von Delta-Frequenzen definiert und häufig zusammen als "Schlaf mit langsamen Wellen" bezeichnet. Die Stufen I - IV umfassen Nicht-REM-Schlaf (oder "NREM"). Das EEG im REM-Schlaf (Rapid Eye Movement) scheint dem wachen EEG etwas ähnlich zu sein.

Das EEG unter Vollnarkose hängt von der Art des eingesetzten Anästhetikums ab. Bei halogenierten Anästhetika wie Halothan oder intravenösen Mitteln wie Propofol wird über den größten Teil der Kopfhaut, insbesondere anterior, ein schnelles (Alpha oder niedriges Beta), nicht reaktives EEG-Muster beobachtet. In einigen älteren Begriffen war dies als WAR-Muster (weit verbreitet anterior schnell) bekannt, im Gegensatz zu einem WAIS-Muster (weit verbreitet langsam), das mit hohen Opiatdosen verbunden ist . Anästhetische Effekte auf EEG-Signale beginnen auf der Ebene der Arzneimittelwirkungen auf verschiedene Arten von Synapsen und die Schaltkreise, die eine synchronisierte neuronale Aktivität ermöglichen, zu verstehen (siehe: http://www.stanford.edu/group/maciverlab/ ).

Artefakte [ bearbeiten ]

Biologische Artefakte [ Bearbeiten ]

Hauptarten von Artefakten im menschlichen EEG

Elektrische Signale, die von einem EEG entlang der Kopfhaut erfasst werden, aber nicht zerebralen Ursprungs sind, werden als Artefakte bezeichnet . EEG-Daten sind fast immer durch solche Artefakte kontaminiert. Die Amplitude von Artefakten kann relativ zur Amplitudengröße der interessierenden kortikalen Signale ziemlich groß sein. Dies ist einer der Gründe, warum es viel Erfahrung erfordert, EEGs klinisch richtig zu interpretieren. Einige der häufigsten Arten von biologischen Artefakten sind:

  • Augeninduzierte Artefakte (einschließlich Augenzwinkern, Augenbewegungen und Aktivität der Augenmuskulatur)
  • EKG (Herz) Artefakte
  • EMG (Muskelaktivierung) -induzierte Artefakte
  • glossokinetische Artefakte
  • Schädeldefektartefakte, wie sie bei Patienten gefunden wurden, die sich einer Kraniotomie unterzogen haben, die als "Verletzungseffekt" oder "Bruchrhythmus" bezeichnet werden kann [86].

Die auffälligsten augeninduzierten Artefakte werden durch die Potentialdifferenz zwischen Hornhaut und Netzhaut verursacht , die im Vergleich zu zerebralen Potentialen ziemlich groß ist. Wenn die Augen und Augenlider vollständig ruhig sind, beeinflusst dieser corneo-retinale Dipol das EEG nicht. Blinzeln treten jedoch mehrmals pro Minute auf, die Augenbewegungen treten mehrmals pro Sekunde auf. Augenlidbewegungen, die hauptsächlich während blinkender oder vertikaler Augenbewegungen auftreten, lösen ein großes Potenzial aus, das hauptsächlich im Unterschied zwischen den Elektrookulographiekanälen (EOG) über und unter den Augen zu sehen ist. Eine etablierte Erklärung dieses Potenzials betrachtet die Augenlider als Gleitelektroden, die die positiv geladene Hornhaut mit der extraokularen Haut kurzschließen. [87] [88]Die Drehung der Augäpfel und folglich des korneo-retinalen Dipols erhöht das Potential in den Elektroden, in die die Augen gedreht werden, und verringert die Potentiale in den gegenüberliegenden Elektroden. [89] Augenbewegungen, sogenannte Sakkaden, erzeugen auch vorübergehende elektromyographische Potentiale, sogenannte Sakkadenspitzenpotentiale (SPs). [90] Das Spektrum dieser SPs überlappt das Gammaband (siehe Gammawelle ) und verwirrt die Analyse induzierter Gammabandantworten ernsthaft, [91] was maßgeschneiderte Artefaktkorrekturansätze erfordert. [90] Durch gezieltes oder reflexives Augenzwinkern wird auch eine Elektromyographie erzeugtPotentiale, aber was noch wichtiger ist, es gibt eine reflexive Bewegung des Augapfels während des Blinkens, die ein charakteristisches künstliches Erscheinungsbild des EEG ergibt (siehe Bell-Phänomen ).

Augenlid flatternde Artefakte eines charakteristischen Typs wurden früher als Kappa-Rhythmus (oder Kappa-Wellen) bezeichnet. Es wird normalerweise in den präfrontalen Ableitungen gesehen, dh direkt über den Augen. Manchmal werden sie mit geistiger Aktivität gesehen. Sie liegen normalerweise im Bereich Theta (4–7 Hz) oder Alpha (7–14 Hz). Sie wurden benannt, weil angenommen wurde, dass sie aus dem Gehirn stammen. Spätere Studien ergaben, dass sie durch schnelles Flattern der Augenlider erzeugt wurden, manchmal so winzig, dass es schwer zu sehen war. Sie sind in der Tat Rauschen in der EEG-Messung und sollten technisch nicht als Rhythmus oder Welle bezeichnet werden. Daher bezieht sich die derzeitige Verwendung in der Elektroenzephalographie eher auf das Phänomen als ein flatterndes Augenlidartefakt als auf einen Kappa-Rhythmus (oder eine Welle). [92]

Einige dieser Artefakte können in verschiedenen Anwendungen nützlich sein. Die EOG-Signale können zum Beispiel verwendet werden, um Augenbewegungen zu erfassen [90] und zu verfolgen , die in der Polysomnographie sehr wichtig sind , und sind auch im konventionellen EEG zur Beurteilung möglicher Veränderungen von Wachsamkeit, Schläfrigkeit oder Schlaf.

EKG- Artefakte sind recht häufig und können mit Spike-Aktivität verwechselt werden. Aus diesem Grund umfasst die moderne EEG-Erfassung üblicherweise ein Einkanal- EKG von den Extremitäten. Dies ermöglicht es dem EEG auch, Herzrhythmusstörungen zu identifizieren , die eine wichtige Differentialdiagnose für Synkope oder andere episodische / Attack-Störungen darstellen.

Glossokinetische Artefakte werden durch die Potentialdifferenz zwischen der Basis und der Zungenspitze verursacht. Kleinere Zungenbewegungen können das EEG kontaminieren, insbesondere bei Parkinson- und Tremorstörungen .

Umweltartefakte [ Bearbeiten ]

Zusätzlich zu den vom Körper erzeugten Artefakten stammen viele Artefakte von außerhalb des Körpers. Eine Bewegung des Patienten oder auch nur das Absetzen der Elektroden kann zu Elektrodenknallen führen , Spitzen, die von einer kurzzeitigen Änderung der Impedanz einer bestimmten Elektrode herrühren . Eine schlechte Erdung der EEG-Elektroden kann abhängig von der Frequenz des lokalen Stromversorgungssystems zu erheblichen Artefakten von 50 oder 60 Hz führen . Eine dritte mögliche Störquelle kann das Vorhandensein eines Infusionstropfens sein . Solche Geräte können rhythmische, schnelle Niederspannungsstöße verursachen, die für Spitzen verwechselt werden können.

Bewegungsartefakte führen zu Signalrauschen, das das interessierende neuronale Signal maskieren kann. [93]

Ein mit einem EEG ausgestatteter Phantomkopf kann auf einer Bewegungsplattform platziert und sinusförmig bewegt werden. Diese Erfindung ermöglichte es den Forschern, die Wirksamkeit von Algorithmen zur Entfernung von Bewegungsartefakten zu untersuchen. [93]  Unter Verwendung des gleichen Modells von Phantomkopf und Bewegungsplattform wurde festgestellt, dass das Schwanken des Kabels ein Hauptgrund für Bewegungsartefakte ist. Die Vergrößerung der Oberfläche der Elektrode hatte jedoch einen kleinen, aber signifikanten Effekt auf die Verringerung des Artefakts. [93] Diese Forschung wurde vom US Army Research Laboratory als Teil der Cognition and Neuroergonomics Collaborative Technical Alliance gefördert .

Artefaktkorrektur [ Bearbeiten ]

Ein einfacher Ansatz zum Umgang mit Artefakten besteht darin, Datenepochen, die einen bestimmten Kontaminationsschwellenwert überschreiten, einfach zu entfernen, z. B. Epochen mit Amplituden über ± 100 μV. Dies kann jedoch zum Verlust von Daten führen, die noch artefaktfreie Informationen enthalten. Ein anderer Ansatz besteht darin, räumliche und Frequenzbandfilter anzuwenden, um Artefakte zu entfernen. Artefakte können sich jedoch mit dem interessierenden Signal im Spektralbereich überlappen, was diesen Ansatz ineffizient macht. [94] In jüngster Zeit wurden ICA-Techniken ( Independent Component Analysis ) verwendet, um EEG-Verunreinigungen zu korrigieren oder zu entfernen. [90] [95] [96] [97] [98] [99]Diese Techniken versuchen, die EEG-Signale in eine Reihe von zugrunde liegenden Komponenten zu "entmischen". Es gibt viele Quellentrennungsalgorithmen, die häufig unterschiedliche Verhaltensweisen oder Naturen des EEG annehmen. Unabhängig davon erlaubt das Prinzip hinter einer bestimmten Methode normalerweise nur das "Remixen" der Komponenten, die zu einem "sauberen" EEG führen würden, indem das Gewicht unerwünschter Komponenten auf Null gesetzt (auf Null gesetzt) ​​wird.

Normalerweise wird die Artefaktkorrektur von EEG-Daten, einschließlich der Klassifizierung von Artefaktkomponenten von ICA, von EEG-Experten durchgeführt. Mit dem Aufkommen eines EEG-Arrays mit 64 bis 256 Elektroden und vermehrten Studien mit großen Populationen ist die manuelle Artefaktkorrektur jedoch äußerst zeitaufwändig geworden. Um dies sowie die Subjektivität vieler Korrekturen von Artefakten zu bewältigen, wurden auch vollautomatische Pipelines zur Zurückweisung von Artefakten entwickelt. [100] [101] [102] [103]

In den letzten Jahren wurde durch den Vergleich von Daten von gelähmten und nicht gelähmten Probanden gezeigt, dass die EEG-Kontamination durch Muskeln weitaus häufiger auftritt als bisher, insbesondere im Gammabereich über 20 Hz. [104] Es wurde jedoch gezeigt, dass Surface Laplacian Muskelartefakte wirksam beseitigt, insbesondere für Zentralelektroden, die weiter von den stärksten Verunreinigungen entfernt sind. [105] Die Kombination von Surface Laplacian mit automatisierten Techniken zur Entfernung von Muskelkomponenten mithilfe von ICA erwies sich in einer Folgestudie als besonders effektiv. [106]

Abnormale Aktivität [ Bearbeiten ]

Abnormale Aktivität kann grob in epileptiforme und nicht epileptiforme Aktivität unterteilt werden. Es kann auch in fokale oder diffuse unterteilt werden.

Fokale epileptiforme Entladungen repräsentieren schnelle, synchrone Potentiale in einer großen Anzahl von Neuronen in einem etwas diskreten Bereich des Gehirns. Diese können als interiktale Aktivität zwischen Anfällen auftreten und stellen einen Bereich kortikaler Reizbarkeit dar, der für die Entstehung epileptischer Anfälle prädisponiert sein kann. Interiktale Entladungen sind nicht ganz zuverlässig, um festzustellen, ob ein Patient an Epilepsie leidet oder wo sein Anfall entstehen könnte. (Siehe fokale Epilepsie .)

Generalisierte epileptiforme Entladungen haben oft ein vorderes Maximum, aber diese werden synchron im gesamten Gehirn gesehen. Sie deuten stark auf eine generalisierte Epilepsie hin.

Eine fokale nicht-epileptiforme abnormale Aktivität kann über Bereichen des Gehirns auftreten, in denen eine fokale Schädigung des Kortex oder der weißen Substanz vorliegt . Es besteht oft aus einer Zunahme langsamer Rhythmen und / oder einem Verlust normaler Rhythmen höherer Frequenzen. Es kann auch als fokale oder einseitige Abnahme der Amplitude des EEG-Signals auftreten.

Eine diffuse nicht-epileptiforme abnormale Aktivität kann sich in diffusen ungewöhnlich langsamen Rhythmen oder einer bilateralen Verlangsamung normaler Rhythmen wie der PBR manifestieren.

Intrakortikale Enzephalogrammelektroden und subdurale Elektroden können zusammen verwendet werden, um Artefakte von epileptiformen und anderen schweren neurologischen Ereignissen zu unterscheiden und zu diskretisieren.

Fortgeschrittenere Messungen abnormaler EEG-Signale haben in jüngster Zeit auch als mögliche Biomarker für verschiedene Erkrankungen wie die Alzheimer-Krankheit Beachtung gefunden . [107]

Fernkommunikation [ Bearbeiten ]

Das United States Army Research Office hat 2009 4 Millionen US-Dollar für Forscher an der University of California in Irvine veranschlagt, um EEG-Verarbeitungstechniken zu entwickeln, mit denen Korrelate von imaginärer Sprache und beabsichtigter Richtung identifiziert werden können , damit Soldaten auf dem Schlachtfeld über computergestützte Rekonstruktion von Teammitgliedern kommunizieren können EEG-Signale in Form von verständlichen Signalen wie Wörtern. [108]

EEG-Diagnose [ Bearbeiten ]

Das Verteidigungsministerium (DoD) und Veteranenangelegenheiten (VA) sowie das US Army Research Laboratory (ARL) arbeiteten bei der EEG-Diagnostik zusammen, um leichte bis mittelschwere traumatische Hirnverletzungen (mTBI) bei Kampfsoldaten festzustellen. [109] Zwischen 2000 und 2012 wurden 75 Prozent der Hirnverletzungen bei US-Militäroperationen als mTBI eingestuft. Als Reaktion darauf verfolgte das Verteidigungsministerium neue Technologien, mit denen mTBI schnell, genau, nicht invasiv und vor Ort erkannt werden kann, um diese Verletzung zu beheben. [109]

Kampfpersonal leidet häufig unter PTBS und mTBI in Korrelation. Beide Zustände treten mit veränderten niederfrequenten Gehirnwellenschwingungen auf. [110] Veränderte Gehirnwellen von PTBS-Patienten weisen eine Abnahme der niederfrequenten Schwingungen auf, während mTBI-Verletzungen mit erhöhten niederfrequenten Wellenschwingungen verbunden sind. Eine effektive EEG-Diagnostik kann Ärzten helfen, Zustände genau zu identifizieren und Verletzungen angemessen zu behandeln, um Langzeiteffekte abzuschwächen. [111]

Traditionell umfasste die klinische Bewertung von EEGs eine visuelle Inspektion. Anstelle einer visuellen Beurteilung der Topographie von Gehirnwellenoszillationen analysiert die quantitative Elektroenzephalographie (qEEG), computergestützte algorithmische Methoden, eine bestimmte Region des Gehirns und wandelt die Daten in ein aussagekräftiges „Leistungsspektrum“ des Gebiets um. [109] Eine genaue Unterscheidung zwischen mTBI und PTBS kann die positiven Genesungsergebnisse für Patienten signifikant verbessern, insbesondere da langfristige Veränderungen in der neuronalen Kommunikation nach einem anfänglichen mTBI-Vorfall bestehen bleiben können. [111]

Eine weitere häufige Messung von EEG - Daten vorgenommen wird , dass das Komplexitätsmaß wie Lempel-Ziv - Komplexität , fraktale Dimension und spektrale Flachheit , [112] , die mit bestimmten Erkrankungen oder Krankheitsstadien assoziiert ist.

Wirtschaft [ Bearbeiten ]

Es gibt kostengünstige EEG-Geräte für den kostengünstigen Forschungs- und Verbrauchermarkt. Vor kurzem haben einige Unternehmen die EEG-Technologie für medizinische Zwecke miniaturisiert, um Versionen zu erstellen, die für die breite Öffentlichkeit zugänglich sind. Einige dieser Unternehmen haben kommerzielle EEG-Geräte für weniger als 100 US-Dollar im Einzelhandel gebaut.

  • Im Jahr 2004 veröffentlichte OpenEEG sein ModularEEG als Open Source Hardware. Kompatible Open-Source-Software enthält ein Spiel zum Balancieren eines Balls.
  • 2007 veröffentlichte NeuroSky zusammen mit dem Spiel NeuroBoy das erste erschwingliche verbraucherorientierte EEG. Dies war auch das erste große EEG-Gerät, das die Trockensensortechnologie einsetzte. [113]
  • Im Jahr 2008 entwickelte OCZ Technology ein Gerät für Videospiele, das hauptsächlich auf Elektromyographie basiert .
  • 2008 gab der Final Fantasy- Entwickler Square Enix bekannt, dass er mit NeuroSky zusammenarbeitet, um ein Spiel namens Judecca zu entwickeln. [114] [115]
  • 2009 ging Mattel eine Partnerschaft mit NeuroSky ein, um den Mindflex zu veröffentlichen , ein Spiel, bei dem ein Ball mithilfe eines EEG durch einen Hindernisparcours gesteuert wurde. Mit Abstand das meistverkaufte verbraucherorientierte EEG bis heute. [114] [116]
  • 2009 hat sich Onkel Milton Industries mit NeuroSky zusammengetan, um den Star Wars Force Trainer herauszubringen , ein Spiel, das die Illusion erzeugen soll, die Macht zu besitzen . [114] [117]
  • 2009 veröffentlichte Emotiv das EPOC, ein 14-Kanal-EEG-Gerät. Das EPOC ist das erste kommerzielle BCI, das keine Trockensensortechnologie verwendet. Daher müssen Benutzer eine Kochsalzlösung auf Elektrodenpads auftragen (die nach ein oder zwei Stunden erneut angefeuchtet werden müssen). [118]
  • Im Jahr 2010 hat NeuroSky das MindSet um eine Blink- und Elektromyographie-Funktion erweitert. [119]
  • Im Jahr 2011 veröffentlichte NeuroSky das MindWave, ein EEG-Gerät, das für Lernzwecke und Spiele entwickelt wurde. [120] The MindWave wurde mit dem Guinness-Buch der Rekorde für "Schwerste Maschine, die mithilfe einer Gehirnsteuerungsschnittstelle bewegt wurde" ausgezeichnet. [121]
  • Im Jahr 2012 veröffentlichte ein japanisches Gadget-Projekt, Neurowear , Necomimi: ein Headset mit motorisierten Katzenohren. Das Headset ist ein NeuroSky MindWave-Gerät mit zwei Motoren am Stirnband, an denen sich möglicherweise die Ohren einer Katze befinden. Schonbezüge in Form von Katzenohren sitzen über den Motoren, sodass sich die Ohren bewegen, wenn das Gerät emotionale Zustände registriert. Wenn Sie zum Beispiel entspannt sind, fallen die Ohren zur Seite und werden bei erneuter Erregung munterer.
  • Im Jahr 2014 veröffentlichte OpenBCI nach einer erfolgreichen Kickstarter-Kampagne im Jahr 2013 eine gleichnamige Open-Source -Schnittstelle zwischen Gehirn und Computer. Das grundlegende OpenBCI verfügt über 8 Kanäle, die auf 16 erweiterbar sind, und unterstützt EEG, EKG und EMG . Der OpenBCI basiert auf dem Texas Instruments ADS1299 IC und dem Arduino- oder PIC-Mikrocontroller und kostet für die Basisversion 399 US-Dollar. Es werden Standard-Metallbecherelektroden und leitfähige Paste verwendet.
  • Im Jahr 2015 veröffentlichte Mind Solutions Inc den bislang kleinsten BCI für Verbraucher, den NeuroSync . Dieses Gerät fungiert als Trockensensor in einer Größe, die nicht größer als ein Bluetooth- Ohrstück ist. [122]
  • Im Jahr 2015 veröffentlichte ein in China ansässiges Unternehmen, Macrotellect , BrainLink Pro und BrainLink Lite , ein tragbares EEG-Produkt für Endverbraucher , das 20 Apps zur Verbesserung der Gehirnfitness in Apple- und Android-App-Stores bietet . [123]

Zukünftige Forschung [ Bearbeiten ]

Das EEG wurde neben den herkömmlichen Anwendungen der klinischen Diagnose und der konventionellen kognitiven Neurowissenschaften für viele Zwecke verwendet. Während des Zweiten Weltkriegs wurde das US Army Air Corps frühzeitig eingesetzt, um Piloten auszusondern, bei denen die Gefahr von Anfällen bestand. [124] Langzeit-EEG-Aufzeichnungen bei Epilepsiepatienten werden heute noch zur Vorhersage von Anfällen verwendet . Neurofeedback bleibt eine wichtige Erweiterung und wird in seiner fortschrittlichsten Form auch als Grundlage für Gehirn-Computer-Schnittstellen versucht . [125] Das EEG wird auch im Bereich des Neuromarketings häufig eingesetzt .

Das EEG wird durch Medikamente verändert, die die Gehirnfunktionen beeinflussen, die Chemikalien, die die Grundlage für die Psychopharmakologie bilden . In den frühen Experimenten von Berger wurden die Auswirkungen von Arzneimitteln auf das EEG aufgezeichnet. Die Wissenschaft der Pharmako-Elektroenzephalographie hat Methoden entwickelt, um Substanzen zu identifizieren, die die Gehirnfunktionen systematisch für therapeutische und Freizeitzwecke verändern.

Honda versucht, ein System zu entwickeln, mit dem ein Bediener seinen Asimo- Roboter mithilfe des EEG steuern kann , einer Technologie, die er schließlich in seine Automobile integrieren möchte. [126]

EEGs wurden als Beweismittel in Strafverfahren im indischen Bundesstaat Maharashtra verwendet . [127] [128] BEOS ( Brain Electrical Oscillation Signature Profiling ), eine EEG-Technik, wurde im Prozess gegen Maharashtra v. Sharma verwendet, um zu zeigen, dass Sharma sich daran erinnerte, Arsen zur Vergiftung ihres Ex-Verlobten verwendet zu haben, obwohl dies die Zuverlässigkeit und die wissenschaftliche Grundlage war von BEOS ist umstritten. [129]

Derzeit wird viel geforscht, um EEG-Geräte kleiner, tragbarer und benutzerfreundlicher zu machen. Das sogenannte "tragbare EEG" basiert auf der Entwicklung einer drahtlosen Sammelelektronik mit geringem Stromverbrauch und "trockenen" Elektroden, für deren Verwendung kein leitfähiges Gel erforderlich ist. [130] Das tragbare EEG zielt darauf ab, kleine EEG-Geräte bereitzustellen, die nur am Kopf vorhanden sind und die das EEG tagelang, wochen- oder monatelang als Ohr-EEG aufzeichnen können . Eine solche langwierige und benutzerfreundliche Überwachung könnte die Diagnose chronischer Erkrankungen wie Epilepsie schrittweise ändern und die Akzeptanz von BCI-Systemen durch den Endbenutzer erheblich verbessern. [131]Es werden auch Untersuchungen durchgeführt, um spezifische Lösungen zur Verlängerung der Batterielebensdauer tragbarer EEG-Geräte mithilfe des Datenreduktionsansatzes zu ermitteln. Beispielsweise wurde im Zusammenhang mit der Epilepsiediagnose die Datenreduktion verwendet, um die Batterielebensdauer tragbarer EEG-Geräte zu verlängern, indem diagnostisch relevante EEG-Daten intelligent ausgewählt und nur übertragen werden. [132]

In der Forschung wird das EEG derzeit häufig in Kombination mit maschinellem Lernen eingesetzt . [133] EEG-Daten werden vorverarbeitet, um an Algorithmen für maschinelles Lernen weitergegeben zu werden. Diese Algorithmen werden dann trainiert, um verschiedene Krankheiten wie Schizophrenie , [134] Epilepsie [135] oder Demenz zu erkennen . [136] Darüber hinaus werden sie zunehmend zur Untersuchung der Anfallserkennung eingesetzt. [137] [138] [139] [140] Durch maschinelles Lernen können die Daten automatisch analysiert werden. Langfristig soll diese Forschung Algorithmen entwickeln, die Ärzte in ihrer klinischen Praxis unterstützen [141].und weitere Einblicke in Krankheiten zu geben. [142] In diesem Sinne werden häufig Komplexitätsmaße von EEG-Daten berechnet, wie z. B. Lempel-Ziv-Komplexität , fraktale Dimension und spektrale Ebenheit . [143] Es wurde gezeigt, dass das Kombinieren oder Multiplizieren solcher Maßnahmen zuvor verborgene Informationen in EEG-Daten aufdecken kann. [144]

EEG - Signale von Musical - Darstellern wurden verwendet , um Instant - Kompositionen und eine CD von dem Brainwave - Musik - Projekt, lief am erstellen Computer Music - Center an der Columbia University von Brad Garton und Dave Soldaten .

Siehe auch [ Bearbeiten ]

  • 10-20 System (EEG)
  • Amplitudenintegrierte Elektroenzephalographie
  • Binaurale Beats
  • Gehirn-Computer-Schnittstelle
  • Gehirnwellensynchronisation
  • Überwachung der Gehirnfunktion
  • Vergleich von Geräten für die Gehirn-Computer-Schnittstelle von Verbrauchern
  • Direkte Gehirnschnittstellen
  • EEG-Messungen während der Anästhesie
  • EEG-Mikrozustände
  • Elektrokortikographie
  • Elektromagnetischer Puls
  • Elektroneurogramm
  • Elektropalatograph
  • Emotionale Systeme
  • Europäisches Datenformat
  • Ereignisbezogenes Potenzial
  • Evoziertes Potenzial
  • Exkursion
  • Gott Helm
  • Hämoenzephalographie
  • Hypersynchronisation der elektrophysiologischen Aktivität bei Epilepsie
  • Imaginierte Sprache
  • Induzierte Aktivität
  • Intrakranielles EEG
  • Lokale Feldpotentiale
  • Magnetenzephalographie
  • Mind Machine
  • Neuronale Schwingungen
  • Neurofeedback
  • Laufende Gehirnaktivität
  • Spontanes Potential
  • EEG-Analyse

Referenzen [ bearbeiten ]

  1. ^ a b c d e f Niedermeyer E.; da Silva FL (2004). Elektroenzephalographie: Grundprinzipien, klinische Anwendungen und verwandte Bereiche . Lippincott Williams & Wilkins. ISBN 978-0-7817-5126-1.[ Seite benötigt ]
  2. ^ Tatum, William O. (2014). Handbuch der EEG-Interpretation . Demos Medical Publishing. S. 155–190. ISBN 9781617051807. OCLC  874563370 .
  3. ^ "EEG" .
  4. ^ Chernecky, Cynthia C.; Berger, Barbara J. (2013). Labortests und diagnostische Verfahren (6. Aufl.). St. Louis, Mo.: Elsevier. ISBN 9781455706945.
  5. ^ Coenen, Anton; Edward Fine; Oksana Zayachkivska (2014). "Adolf Beck: Ein vergessener Pionier in der Elektroenzephalographie". Zeitschrift für die Geschichte der Neurowissenschaften . 23 (3): 276–286. doi : 10.1080 / 0964704x.2013.867600 . PMID 24735457 . S2CID 205664545 .  
  6. ^ Pravdich-Neminsky, VV. (1913). "Ein Versuch der persönlichen der Gehirnerscheinungen". Zentralblatt für Physiologie . 27 : 951–60.
  7. ^ Haas, LF (2003). "Hans Berger (1873-1941), Richard Caton (1842-1926) und Elektroenzephalographie" . Zeitschrift für Neurologie, Neurochirurgie und Psychiatrie . 74 (1): 9. doi : 10.1136 / jnnp.74.1.9 . PMC 1738204 . PMID 12486257 .  
  8. ^ Millet, David (2002). "Die Ursprünge des EEG". Internationale Gesellschaft für Geschichte der Neurowissenschaften (ISHN).
  9. ^ Gibbs, FA (1. Dezember 1935). "Das Elektroenzephalogramm bei Epilepsie und unter Bewusstseinsstörungen". Archiv für Neurologie und Psychiatrie . 34 (6): 1133. doi : 10.1001 / archneurpsyc.1935.02250240002001 .
  10. ^ "Beckman Instruments liefert medizinische Flugüberwachungsgeräte" (PDF) . Space News Roundup . 3. März 1965. S. 4–5 . Abgerufen am 7. August 2019 .
  11. ^ S. Bozinovski, M. Sestakov, L. Bozinovska: Verwenden des EEG-Alpha-Rhythmus zur Steuerung eines mobilen Roboters, In G. Harris, C. Walker (Hrsg.) Proc. IEEE-Jahreskonferenz der Medizinischen und Biologischen Gesellschaft, p. 1515-1516, New Orleans, 1988
  12. ^ S. Bozinovski: Mobile Robotertrajektorienkontrolle: Von festen Schienen zur direkten bioelektrischen Kontrolle, In O. Kaynak (Hrsg.) Proc. IEEE-Workshop zu intelligenter Bewegungssteuerung, S. 22. 63-67, Istanbul, 1990.
  13. ^ Jiang, Linxing Preston; Stocco, Andrea; Losey, Darby M.; Abernethy, Justin A.; Prat, Chantel S.; Rao, Rajesh PN (2019). "BrainNet: Eine Gehirn-zu-Gehirn-Schnittstelle für mehrere Personen für die direkte Zusammenarbeit zwischen Gehirnen" . Wissenschaftliche Berichte . 9 (1): 6115. arXiv : 1809.08632 . Bibcode : 2019NatSR ... 9.6115J . doi : 10.1038 / s41598-019-41895-7 . ISSN 2045-2322 . PMC 6467884 . PMID 30992474 .   
  14. ^ https://www.mayoclinic.org/tests-procedures/eeg/about/pac-20393875
  15. ^ a b Amerikanische Akademie für Neurologie . "Fünf Dinge, die Ärzte und Patienten in Frage stellen sollten" . Mit Bedacht wählen: Eine Initiative der ABIM Foundation . Abgerufen am 1. August 2013 ., die zitiert
    • Gronseth, GS; Greenberg, MK (1995). "Die Nützlichkeit des Elektroenzephalogramms bei der Beurteilung von Patienten mit Kopfschmerzen: Eine Überprüfung der Literatur". Neurologie . 45 (7): 1263–1267. doi : 10.1212 / WNL.45.7.1263 . PMID  7617180 . S2CID  26022438 .
  16. ^ Yang, H.; Ang, KK; Wang, C.; Phua, KS; Guan, C. (2016), "Neuronale und kortikale Analyse des Schluckens und Erkennung motorischer Bilder von Schwalben für die Dysphagie-Rehabilitation - Ein Überblick", Progress in Brain Research , 228 : 185–219, doi : 10.1016 / bs.pbr.2016.03 .014 , ISBN 9780128042168, PMID  27590970
  17. ^ Jestrović, Iva; Coyle, James L; Sejdić, Ervin (15.09.2015). "Entschlüsselung des menschlichen Schluckens mittels Elektroenzephalographie: eine Überprüfung auf dem neuesten Stand der Technik" . Journal of Neural Engineering . 12 (5): 051001. Bibcode : 2015JNEng..12e1001J . doi : 10.1088 / 1741-2560 / 12/5/051001 . ISSN 1741-2560 . PMC 4596245 . PMID 26372528 .   
  18. ^ Cuellar, M.; Harkrider, AW; Jenson, D.; Thornton, D.; Bowers, A.; Saltuklaroglu, T. (Juli 2016). "Zeit-Frequenz-Analyse des EEG-Mu-Rhythmus als Maß für die sensomotorische Integration in den späteren Stadien des Schluckens". Klinische Neurophysiologie . 127 (7): 2625–2635. doi : 10.1016 / j.clinph.2016.04.027 . ISSN 1388-2457 . PMID 27291882 . S2CID 3746307 .   
  19. ^ Clayson, Peter E.; Carbine, Kaylie A.; Baldwin, Scott A.; Larson, Michael J. (2019). "Methodisches Berichtsverhalten, Stichprobengröße und statistische Aussagekraft bei Studien zu ereignisbezogenen Potenzialen: Hindernisse für die Reproduzierbarkeit und Reproduzierbarkeit" . Psychophysiologie . 56 (11): e13437. doi : 10.1111 / psyp.13437 . ISSN 1469-8986 . PMID 31322285 .  
  20. ^ Burns, T.; Rajan, R. (2015). "Burns & Rajan (2015) Kombinieren von Komplexitätsmaßen von EEG-Daten: Multiplizieren von Maßen enthüllt zuvor verborgene Informationen. F1000Research. 4: 137" . F1000Forschung . 4 : 137. doi : 10.12688 / f1000research.6590.1 . PMC 4648221 . PMID 26594331 .  
  21. ^ Vespa, Paul M.; Nenov, Val; Nuwer, Marc R. (1999). "Kontinuierliche EEG-Überwachung auf der Intensivstation: Frühbefunde und klinische Wirksamkeit". Journal of Clinical Neurophysiology . 16 (1): 1–13. doi : 10.1097 / 00004691-199901000-00001 . PMID 10082088 . 
  22. ^ Schultz, Teal L. (2012). "Technische Tipps: MRT-kompatible EEG-Elektroden: Vorteile, Nachteile und finanzielle Machbarkeit in einem klinischen Umfeld". Neurodiagnostic Journal 52.1 . 52 (1): 69–81. PMID 22558648 . 
  23. ^ a b Hämäläinen, Matti; Hari, Riitta; Ilmoniemi, Risto J.; Knuutila, Jukka; Lounasmaa, Olli V. (1993). "Magnetoenzephalographie-Theorie, Instrumentierung und Anwendungen für nichtinvasive Studien des arbeitenden menschlichen Gehirns" . Rezensionen zur modernen Physik . 65 (2): 413–97. Bibcode : 1993RvMP ... 65..413H . doi : 10.1103 / RevModPhys.65.413 .
  24. ^ Montoya-Martínez, Jair (2021). "Einfluss von Anzahl und Platzierung der EEG-Elektroden auf die Messung der neuronalen Sprachverfolgung" . bioRxiv . doi : 10.1101 / 800979 .
  25. ^ O'Regan, S; Faul, S; Marnane, W (2010). "Automatische Erkennung von EEG-Artefakten aufgrund von Kopfbewegungen". 2010 Internationale Jahreskonferenz des IEEE Engineering in Medicine and Biology . S. 6353–6. doi : 10.1109 / IEMBS.2010.5627282 . ISBN 978-1-4244-4123-5.
  26. ^ Murphy, Kieran J.; Brunberg, James A. (1997). "Klaustrophobie, Angst und Sedierung bei Erwachsenen im MRT". Magnetresonanztomographie . 15 (1): 51–4. doi : 10.1016 / S0730-725X (96) 00351-7 . PMID 9084025 . 
  27. ^ Schenck, John F. (1996). "Die Rolle der magnetischen Suszeptibilität in der Magnetresonanztomographie: MRT-Magnetkompatibilität der ersten und zweiten Art". Medizinische Physik . 23 (6): 815–50. Bibcode : 1996MedPh..23..815S . doi : 10.1118 / 1.597854 . PMID 8798169 . 
  28. ^ a b Yasuno, Fumihiko; Brown, Amira K; Zoghbi, Sami S; Krushinski, Joseph H; Chernet, Eyassu; Tauscher, Johannes; Schaus, John M; Phebus, Lee A; Chesterfield, Amy K; Felder, Christian C; Gladding, Robert L; Hong, Jinsoo; Halldin, Christer; Pike, Victor W; Innis, Robert B (2007). "Der PET-Radioligand \ 11C] MePPEP bindet reversibel und mit einem hohen spezifischen Signal an Cannabinoid-CB1-Rezeptoren im nichtmenschlichen Gehirn von Primaten" . Neuropsychopharmakologie . 33 (2): 259–69. doi : 10.1038 / sj.npp.1301402 . PMID 17392732 . 
  29. ^ Mulholland, Thomas (2012). "Objektive EEG-Methoden zur Untersuchung verdeckter Verschiebungen der visuellen Aufmerksamkeit" . In McGuigan, FJ; Schoonover, RA (Hrsg.). Die Psychophysiologie des Denkens: Studien über verdeckte Prozesse . S. 109–51. ISBN 978-0-323-14700-2.
  30. ^ Hinterberger, Thilo; Kübler, Andrea; Kaiser, Jochen; Neumann, Nicola; Birbaumer, Niels (2003). "Eine Gehirn-Computer-Schnittstelle (BCI) für das Locked-In: Vergleich verschiedener EEG-Klassifikationen für das Gedankenübersetzungsgerät". Klinische Neurophysiologie . 114 (3): 416–25. doi : 10.1016 / S1388-2457 (02) 00411-X . PMID 12705422 . S2CID 11857440 .  
  31. ^ Sereno, SC; Rayner, K; Posner, MI (1998). "Festlegung eines Zeitrahmens für die Worterkennung: Hinweise auf Augenbewegungen und ereignisbezogene Potenziale". NeuroReport . 9 (10): 2195–200. doi : 10.1097 / 00001756-199807130-00009 . PMID 9694199 . S2CID 19466604 .  
  32. ^ Feinberg, I.; Campbell, IG (2012). "Längsschlaf-EEG-Trajektorien weisen auf komplexe Muster der Reifung des Gehirns bei Jugendlichen hin" . AJP: Regulatorische, integrative und vergleichende Physiologie . 304 (4): R296–303. doi : 10.1152 / ajpregu.00422.2012 . PMC 3567357 . PMID 23193115 . Laienzusammenfassung - ScienceDaily (19. März 2013).  
  33. ^ Srinivasan, Ramesh (1999). "Methoden zur Verbesserung der räumlichen Auflösung des EEG". Internationale Zeitschrift . 1 (1): 102–11.
  34. ^ Schlögl, Alois; Slater, Mel; Pfurtscheller, Gert (2002). "Präsenzforschung und EEG" (PDF) .
  35. ^ Huang-Hellinger, F.; Breiter, H.; McCormack, G.; Cohen, M.; Kwong, K. (1995). "Simultane funktionelle Magnetresonanztomographie und elektrophysiologische Aufzeichnung". Human Brain Mapping . 3 : 13–23. doi : 10.1002 / hbm.460030103 . S2CID 145788101 . 
  36. ^ Goldman, Robin; Stern, John; Engel, John; Cohen, Mark (2000). "Erfassung des simultanen EEG und der funktionellen MRT". Klinische Neurophysiologie . 111 (11): 1974–80. doi : 10.1016 / s1388-2457 (00) 00456-9 . PMID 11068232 . S2CID 11716369 .  
  37. ^ Horovitz, Silvina G.; Skudlarski, Pawel; Gore, John C. (2002). "Korrelationen und Dissoziationen zwischen dem BOLD-Signal und der P300-Amplitude in einer auditorischen Oddball-Aufgabe: Ein parametrischer Ansatz zur Kombination von fMRI und ERP". Magnetresonanztomographie . 20 (4): 319–25. doi : 10.1016 / S0730-725X (02) 00496-4 . PMID 12165350 . 
  38. ^ Laufs, H; Kleinschmidt, A; Beyerle, A; Eger, E; Salek-Haddadi, A; Preibisch, C; Krakau, K (2003). "EEG-korrelierte fMRI der menschlichen Alpha-Aktivität". NeuroImage . 19 (4): 1463–76. CiteSeerX 10.1.1.586.3056 . doi : 10.1016 / S1053-8119 (03) 00286-6 . PMID 12948703 . S2CID 6272011 .   
  39. ^ US-Patent 7286871 , Mark S. Cohen, "Verfahren und Vorrichtung zum Reduzieren der Kontamination eines elektrischen Signals", veröffentlicht am 20.05.2004 
  40. ^ Difrancesco, Mark W.; Holland, Scott K.; Szaflarski, Jerzy P. (2008). "Simultane EEG / funktionelle Magnetresonanztomographie bei 4 Tesla: Korrelate der Gehirnaktivität zum spontanen Alpha-Rhythmus während der Entspannung" . Journal of Clinical Neurophysiology . 25 (5): 255–64. doi : 10.1097 / WNP.0b013e3181879d56 . PMC 2662486 . PMID 18791470 .  
  41. ^ Huizenga, HM; Van Zuijen, TL; Heslenfeld, DJ; Molenaar, PC (2001). "Simultane MEG- und EEG-Quellenanalyse". Physik in Medizin und Biologie . 46 (7): 1737–51. Bibcode : 2001PMB .... 46.1737H . CiteSeerX 10.1.1.4.8384 . doi : 10.1088 / 0031-9155 / 46/7/301 . PMID 11474922 .  
  42. ^ Aydin Ü, Vorwerk J., Dümpelmann M., Küpper P., Kugel H., Heers M., Wellmer J., Kellinghaus C., Haueisen J., Rampp S., Stefan H., Wolters CH (2015). "Das kombinierte EEG / MEG kann die EEG- oder MEG-Quellenrekonstruktion mit einer Modalität bei der Diagnose einer präoperativen Epilepsie übertreffen . " PLOS ONE (Rückblick). 10 (3): e0118753. Bibcode : 2015PLoSO..1018753A . doi : 10.1371 / journal.pone.0118753 . PMC 4356563 . PMID 25761059 .  
  43. ^ Schreckenberger, Mathias; Lange-Asschenfeldt, Christian; Lochmann, Matthias; Mann, Klaus; Siessmeier, Thomas; Buchholz, Hans-Georg; Bartenstein, Peter; Gründer, Gerhard (2004). "Der Thalamus als Generator und Modulator des EEG-Alpha-Rhythmus: Eine kombinierte PET / EEG-Studie mit Lorazepam-Herausforderung beim Menschen". NeuroImage . 22 (2): 637–44. doi : 10.1016 / j.neuroimage.2004.01.047 . PMID 15193592 . S2CID 31790623 .  
  44. ^ Vogel, Jordan J.; Manso, Luis J.; Ekart, Aniko; Faria, Diego R. (September 2018). Eine Studie zur Klassifizierung des mentalen Zustands unter Verwendung einer EEG-basierten Gehirn-Maschine-Schnittstelle . Madeira Island, Portugal: 9. internationale Konferenz über intelligente Systeme 2018 . Abgerufen am 3. Dezember 2018 .
  45. ^ Vogel, Jordan J.; Ekart, Aniko; Buckingham, Christopher D.; Faria, Diego R. (2019). Mental Emotional Sentiment Classification mit einer EEG-basierten Gehirn-Maschine-Schnittstelle . St. Hugh's College, Universität Oxford, Vereinigtes Königreich: Die internationale Konferenz über digitale Bild- und Signalverarbeitung (DISP'19) . Abgerufen am 3. Dezember 2018 .
  46. ^ Vanneste S, Lied JJ, De Ridder D (März 2018). "Thalamokortikale Dysrhythmie durch maschinelles Lernen erkannt" . Naturkommunikation . 9 (1): 1103. Bibcode : 2018NatCo ... 9.1103V . doi : 10.1038 / s41467-018-02820-0 . PMC 5856824 . PMID 29549239 .  
  47. ^ Herculano-Houzel S (2009). "Das menschliche Gehirn in Zahlen" . Grenzen der menschlichen Neurowissenschaften . 3 : 31. doi : 10.3389 / neuro.09.031.2009 . PMC 2776484 . PMID 19915731 .  
  48. ^ Tatum, WO, Husain, AM, Benbadis, SR (2008) "Handbuch der EEG-Interpretation" Demos Medical Publishing. [ Seite benötigt ]
  49. ^ a b Nunez PL, Srinivasan R (1981). Elektrische Felder des Gehirns: Die Neurophysik des EEG . Oxford University Press. ISBN 9780195027969.[ Seite benötigt ]
  50. ^ Klein, S.; Thorne, BM (3. Oktober 2006). Biologische Psychologie . New York, NY: Wert. ISBN 978-0-7167-9922-1.[ Seite benötigt ]
  51. ^ Whittingstall, Kevin; Logothetis, Nikos K. (2009). "Frequenzbandkopplung im Oberflächen-EEG spiegelt die Spikeaktivität im visuellen Kortex von Affen wider". Neuron . 64 (2): 281–9. doi : 10.1016 / j.neuron.2009.08.016 . PMID 19874794 . S2CID 17650488 .  
  52. ^ Towle, Vernon L.; Bolaños, José; Suarez, Diane; Tan, Kim; Grzeszczuk, Robert; Levin, David N.; Cakmur, Raif; Frank, Samuel A.; Spire, Jean-Paul (1993). "Die räumliche Position von EEG-Elektroden: Lokalisierung der am besten passenden Kugel in Bezug auf die kortikale Anatomie". Elektroenzephalographie und Klinische Neurophysiologie . 86 (1): 1–6. doi : 10.1016 / 0013-4694 (93) 90061-Y . PMID 7678386 . 
  53. ^ "Leitlinie Sieben Ein Vorschlag für Standardmontagen zur Verwendung im klinischen EEG". Journal of Clinical Neurophysiology . 11 (1): 30–6. 1994. doi : 10.1097 / 00004691-199401000-00008 . PMID 8195424 . 
  54. ^ Aurlien, H; Gjerde, IO; Aarseth, JH; Eldøen, G; Karlsen, B; Skeidsvoll, H; Gilhus, NE (2004). "EEG-Hintergrundaktivität, beschrieben von einer großen Computerdatenbank". Klinische Neurophysiologie . 115 (3): 665–73. doi : 10.1016 / j.clinph.2003.10.019 . PMID 15036063 . S2CID 25988980 .  
  55. ^ Nunez, Paul L.; Pilgreen, Kenneth L. (1991). "Der Spline-Laplace in der klinischen Neurophysiologie". Journal of Clinical Neurophysiology . 8 (4): 397–413. doi : 10.1097 / 00004691-199110000-00005 . PMID 1761706 . S2CID 38459560 .  
  56. ^ Taheri, B; Ritter, R; Smith, R. (1994). "Eine trockene Elektrode für die EEG-Aufzeichnung ☆" . Elektroenzephalographie und Klinische Neurophysiologie . 90 (5): 376–83. doi : 10.1016 / 0013-4694 (94) 90053-1 . PMID 7514984 . 
  57. ^ Alizadeh-Taheri, Babak (1994). "Aktives mikrobearbeitetes Kopfhautelektrodenarray für die Eeg-Signalaufzeichnung". Doktorarbeit : 82. Bibcode : 1994PhDT ........ 82A .
  58. ^ Hockenberry, John (August 2001). "Die nächsten Brainiacs" . Kabelgebundenes Magazin .
  59. ^ a b c d Slipher, Geoffrey A.; Hairston, W. David; Bradford, J. Cortney; Bain, Erich D.; Mrozek, Randy A. (2018). "Mit Kohlenstoffnanofasern gefüllte leitfähige Silikonelastomere als weiche, trockene bioelektronische Grenzflächen" . PLOS ONE . 13 (2): e0189415. Bibcode : 2018PLoSO..1389415S . doi : 10.1371 / journal.pone.0189415 . PMC 5800568 . PMID 29408942 .  
  60. ^ a b c Wang, Fei; Li, Guangli; Chen, Jingjing; Duan, Yanwen; Zhang, Dan (06.06.2016). "Neuartige halbtrockene Elektroden für Gehirn-Computer-Schnittstellenanwendungen" . Journal of Neural Engineering . 13 (4): 046021 (15 Seiten). Bibcode : 2016JNEng..13d6021W . doi : 10.1088 / 1741-2560 / 13/4/046021 . PMID 27378253 . 
  61. ^ Fiedler, P; Griebel, S; Pedrosa, P; Fonseca, C; Vaz, F; Zentner, L; Zanow, F; Haueisen, J (01.01.2015). "Mehrkanal-EEG mit neuartigen Ti / TiN-Trockenelektroden". Sensoren und Aktoren A: Physikalisch . 221 : 139–147. doi : 10.1016 / j.sna.2014.10.010 . ISSN 0924-4247 . 
  62. ^ "Armee-Neurowissenschaftler sehen intelligente Agenten auf dem Schlachtfeld vor | US Army Research Laboratory" . www.arl.army.mil . Abgerufen am 29.08.2018 .
  63. ^ "CGX Dry EEG Headsets" .
  64. ^ "Trockene EEG-Technologie" . CGX LLC.
  65. ^ Kondylis, Efstathios D. (2014). "Detektion von Hochfrequenzoszillationen durch hybride Tiefenelektroden in klinischen intrakraniellen Standard-EEG-Aufzeichnungen" . Grenzen in der Neurologie . 5 : 149. doi : 10.3389 / fneur.2014.00149 . PMC 4123606 . PMID 25147541 .  
  66. ^ Hämäläinen, Matti; Hari, Riitta; Ilmoniemi, Risto J.; Knuutila, Jukka; Lounasmaa, Olli V. (1993). "Magnetenzephalographie - Theorie, Instrumentierung und Anwendung auf nichtinvasive Studien des arbeitenden menschlichen Gehirns" . Rezensionen zur modernen Physik . 65 (2): 413–497. Bibcode : 1993RvMP ... 65..413H . doi : 10.1103 / RevModPhys.65.413 .
  67. ^ Murakami, S.; Okada, Y. (13. April 2006). "Beiträge der wichtigsten neokortikalen Neuronen zu Magnetenzephalographie- und Elektroenzephalographiesignalen" . Das Journal of Physiology . 575 (3): 925–936. doi : 10.1113 / jphysiol.2006.105379 . PMC 1995687 . PMID 16613883 .  
  68. ^ Anderson, J. (22. Oktober 2004). Kognitive Psychologie und ihre Auswirkungen (Hardcover) (6. Aufl.). New York, NY: Wert. p. 17. ISBN 978-0-7167-0110-1.
  69. ^ Creutzfeldt, Otto D.; Watanabe, Satoru; Lux, Hans D. (1966). "Beziehungen zwischen EEG-Phänomenen und Potentialen einzelner kortikaler Zellen. I. Evozierte Reaktionen nach Thalamus- und epikortikaler Stimulation". Elektroenzephalographie und Klinische Neurophysiologie . 20 (1): 1–18. doi : 10.1016 / 0013-4694 (66) 90136-2 . PMID 4161317 . 
  70. ^ Buzsaki G (2006). Rhythmen des Gehirns . Oxford University Press. ISBN 978-0-19-530106-9.[ Seite benötigt ]
  71. ^ Tanzer Oguz I. (2006). Numerische Modellierung in der Elektro- und Magnetenzephalographie, Ph.D. Diplomarbeit . Technische Universität Helsinki. ISBN 978-9512280919.
  72. ^ Tatum, William O. (2014). "Ellen R. Grass Lecture: Außergewöhnliches EEG". Neurodiagnostic Journal 54.1 . 54 (1): 3–21. PMID 24783746 . 
  73. ^ a b Kirmizi-Alsan, Elif; Bayraktaroglu, Zubeyir; Gurvit, Hakan; Keskin, Yasemin H.; Emre, Murat; Demiralp, Tamer (2006). "Vergleichende Analyse ereignisbezogener Potentiale während Go / NoGo und CPT: Zersetzung elektrophysiologischer Marker für Reaktionshemmung und anhaltende Aufmerksamkeit". Gehirnforschung . 1104 (1): 114–28. doi : 10.1016 / j.brainres.2006.03.010 . PMID 16824492 . S2CID 18850757 .  
  74. ^ Fröhlich, Joel; Senturk, Damla; Saravanapandian, Vidya; Golshani, Peyman; Reiter, Lawrence; Sankar, Raman; Thibert, Ronald; DiStefano, Charlotte; Cook, Edwin; Jeste, Shafali (Dezember 2016). "Ein quantitativer elektrophysiologischer Biomarker für das Duplikations-15q11.2-q13.1-Syndrom" . PLOS ONE . 11 (12): e0167179. Bibcode : 2016PLoSO..1167179F . doi : 10.1371 / journal.pone.0167179 . PMC 5157977 . PMID 27977700 .  
  75. ^ Kisley, Michael A.; Cornwell, Zoe M. (2006). "Neuronale Gamma- und Beta-Aktivität, hervorgerufen während eines sensorischen Gating-Paradigmas: Auswirkungen der auditorischen, somatosensorischen und crossmodalen Stimulation" . Klinische Neurophysiologie . 117 (11): 2549–63. doi : 10.1016 / j.clinph.2006.08.003 . PMC 1773003 . PMID 17008125 .  
  76. ^ Kanayama, Noriaki; Sato, Atsushi; Ohira, Hideki (2007). "Crossmodaler Effekt mit Gummihandillusion und Gammabandaktivität". Psychophysiologie . 44 (3): 392–402. doi : 10.1111 / j.1469-8986.2007.00511.x . PMID 17371495 . 
  77. ^ Gastaut, H (1952). "Elektrokortikographische Untersuchung der Reaktivität des rolandischen Rhythmus". Revue Neurologique . 87 (2): 176–82. PMID 13014777 . 
  78. ^ a b Oberman, Lindsay M.; Hubbard, Edward M.; McCleery, Joseph P.; Altschuler, Eric L.; Ramachandran, Vilayanur S.; Pineda, Jaime A. (2005). "EEG-Nachweis für Spiegelneuronendysfunktion bei Autismus-Spektrum-Störungen". Kognitive Gehirnforschung . 24 (2): 190–8. doi : 10.1016 / j.cogbrainres.2005.01.014 . PMID 15993757 . 
  79. ^ Empfehlungen für die Praxis der klinischen Neurophysiologie: Richtlinien der Internationalen Föderation für Klinische Physiologie (EEG Suppl. 52) Herausgeber: G. Deuschl und A. Eisen q 1999 Internationale Föderation für Klinische Neurophysiologie. Alle Rechte vorbehalten. Herausgegeben von Elsevier Science BV
  80. ^ Cahn, B. Rael; Polich, John (2006). "Meditationszustände und -merkmale: EEG-, ERP- und Neuroimaging-Studien". Psychologisches Bulletin . 132 (2): 180–211. doi : 10.1037 / 0033-2909.132.2.180 . PMID 16536641 . 
  81. ^ Gerrard P, Malcolm R (Juni 2007). "Mechanismen von Modafinil: Ein Überblick über die aktuelle Forschung" . Neuropsychiatr Dis Treat . 3 (3): 349–64. PMC 2654794 . PMID 19300566 .  
  82. ^ Niedermeyer, E. (1997). "Alpha-Rhythmen als physiologische und abnormale Phänomene". Internationale Zeitschrift für Psychophysiologie . 26 (1-3): 31-49. doi : 10.1016 / S0167-8760 (97) 00754-X . PMID 9202993 . 
  83. ^ Feshchenko, Vladimir A.; Reinsel, Ruth A.; Veselis, Robert A. (2001). "Vielfältigkeit des α-Rhythmus bei normalen Menschen". Journal of Clinical Neurophysiology . 18 (4): 331–44. doi : 10.1097 / 00004691-200107000-00005 . PMID 11673699 . 
  84. ^ Pfurtscheller, G.; Lopes da Silva, FH (1999). "Ereignisbezogene EEG / MEG-Synchronisation und -Desynchronisation: Grundprinzipien". Klinische Neurophysiologie . 110 (11): 1842–57. doi : 10.1016 / S1388-2457 (99) 00141-8 . PMID 10576479 . S2CID 24756702 .  
  85. ^ Anderson, Amy L; Thomason, Moriah E (01.11.2013). "Funktionelle Plastizität vor der Wiege: Ein Überblick über die neuronale funktionelle Bildgebung beim menschlichen Fötus". Neuroscience & Biobehavioral Reviews . 37 (9): 2220–2232. doi : 10.1016 / j.neubiorev.2013.03.013 . ISSN 0149-7634 . PMID 23542738 . S2CID 45733681 .   
  86. ^ PubMed
  87. ^ Barry, W; Jones, GM (1965). "Einfluss der Augenlidbewegung auf die elektrookulographische Aufzeichnung vertikaler Augenbewegungen". Luft- und Raumfahrtmedizin . 36 : 855–8. PMID 14332336 . 
  88. ^ Iwasaki, Masaki; Kellinghaus, Christoph; Alexopoulos, Andreas V.; Burgess, Richard C.; Kumar, Arun N.; Han, Yanning H.; Lüders, Hans O.; Leigh, R. John (2005). "Auswirkungen von Augenlidschluss, Blinzeln und Augenbewegungen auf das Elektroenzephalogramm". Klinische Neurophysiologie . 116 (4): 878–85. doi : 10.1016 / j.clinph.2004.11.001 . PMID 15792897 . S2CID 32674647 .  
  89. ^ Lins, Otavio G.; Picton, Terence W.; Berg, Patrick; Scherg, Michael (1993). "Augenartefakte im EEG und ereignisbezogene Potentiale I: Kopfhaut-Topographie". Gehirntopographie . 6 (1): 51–63. doi : 10.1007 / BF01234127 . PMID 8260327 . S2CID 7954823 .  
  90. ^ a b c d Keren, Alon S.; Yuval-Greenberg, Shlomit; Deouell, Leon Y. (2010). "Sakkadische Spitzenpotentiale im Gammaband-EEG: Charakterisierung, Detektion und Unterdrückung". NeuroImage . 49 (3): 2248–63. doi : 10.1016 / j.neuroimage.2009.10.057 . PMID 19874901 . S2CID 7106696 .  
  91. ^ Yuval-Greenberg, Shlomit; Tomer, Orr; Keren, Alon S.; Nelken, Israel; Deouell, Leon Y. (2008). "Transient induzierte Gammabandantwort im EEG als Manifestation von Miniatursakkaden". Neuron . 58 (3): 429–41. doi : 10.1016 / j.neuron.2008.03.027 . PMID 18466752 . S2CID 12944104 .  
  92. ^ Epstein, Charles M. (1983). Einführung in das EEG und evozierte Potenziale . JB Lippincott Co. ISBN 978-0-397-50598-2.[ Seite benötigt ]
  93. ^ a b c Symeonidou ER, Nordin AD, Hairston WD, Ferris DP (April 2018). "Auswirkungen von Kabelschwankungen, Elektrodenoberfläche und Elektrodenmasse auf die Signalqualität der Elektroenzephalographie während der Bewegung" . Sensoren . 18 (4): 1073. doi : 10.3390 / s18041073 . PMC 5948545 . PMID 29614020 .  
  94. ^ Tatum, William O.; Dworetzky, Barbara A.; Schomer, Donald L. (Juni 2011). "Artefakt- und Aufzeichnungskonzepte im EEG". Journal of Clinical Neurophysiology . 28 (3): 252–263. doi : 10.1097 / WNP.0b013e31821c3c93 . ISSN 0736-0258 . PMID 21633251 . S2CID 9826988 .   
  95. ^ Jung, Tzyy-Ping; Makeig, Scott; Humphries, Colin; Lee, Te-Won; McKeown, Martin J.; Iragui, Vicente; Sejnowski, Terrence J. (2000). "Entfernen elektroenzephalographischer Artefakte durch blinde Quellentrennung". Psychophysiologie . 37 (2): 163–78. doi : 10.1017 / S0048577200980259 . PMID 10731767 . 
  96. ^ Jung, Tzyy-Ping; Makeig, Scott; Westerfield, Marissa; Townsechesne, Eric; Sejnowski, Terrence J. (2000). "Entfernung von Augenaktivitätsartefakten aus visuellen ereignisbezogenen Potentialen bei normalen und klinischen Probanden". Klinische Neurophysiologie . 111 (10): 1745–58. CiteSeerX 10.1.1.164.9941 . doi : 10.1016 / S1388-2457 (00) 00386-2 . PMID 11018488 . S2CID 11044416 .   
  97. ^ Joyce, Carrie A.; Gorodnitsky, Irina F.; Kutas, Marta (2004). "Automatische Entfernung von Augenbewegungen und Blinzelartefakten aus EEG-Daten durch blinde Komponententrennung". Psychophysiologie . 41 (2): 313–25. CiteSeerX 10.1.1.423.5854 . doi : 10.1111 / j.1469-8986.2003.00141.x . PMID 15032997 .  
  98. ^ Fitzgibbon, Sean P; Powers, David MW; Papst Kenneth J; Clark, C. Richard (2007). "Entfernung von EEG-Rauschen und Artefakten durch blinde Quellentrennung". Journal of Clinical Neurophysiology . 24 (3): 232–243. doi : 10.1097 / WNP.0b013e3180556926 . PMID 17545826 . S2CID 15203197 .  
  99. ^ Shackman, Alexander J.; McMenamin, Brenton W.; Maxwell, Jeffrey S.; Greischar, Lawrence L.; Davidson, Richard J. (2010). "Identifizierung robuster und empfindlicher Frequenzbänder zur Abfrage neuronaler Schwingungen" . NeuroImage . 51 (4): 1319–33. doi : 10.1016 / j.neuroimage.2010.03.037 . PMC 2871966 . PMID 20304076 .  
  100. ^ da Cruz, Janir Ramos; Chicherov, Vitaly; Herzog, Michael H.; Figueiredo, Patrícia (01.07.2018). "Eine automatische Vorverarbeitungspipeline für die EEG-Analyse (APP) basierend auf robusten Statistiken" . Klinische Neurophysiologie . 129 (7): 1427–1437. doi : 10.1016 / j.clinph.2018.04.600 . ISSN 1388-2457 . PMID 29730542 . S2CID 13678973 .   
  101. ^ Nolan, H.; Whelan, R.; Reilly, RB (2010). "SCHNELLER: Vollautomatische statistische Schwelle für die Ablehnung von EEG-Artefakten". Journal of Neuroscience Methods . 192 (1): 152–62. doi : 10.1016 / j.jneumeth.2010.07.015 . hdl : 2262/41103 . PMID 20654646 . S2CID 25964213 .  
  102. ^ Debnath, Ranjan; Buzzell, George A.; Morales, Santiago; Bowers, Maureen E.; Leach, Stephanie C.; Fox, Nathan A. (2020). "Die Maryland-Analyse der Entwicklungs-EEG (MADE) -Pipeline". Psychophysiologie . 57 (6): e13580. doi : 10.1111 / psyp.13580 . ISSN 1469-8986 . PMID 32293719 .  
  103. ^ Pedroni, Andreas; Bahreini, Amirreza; Langer, Nicolas (15.10.2019). "Automagic: Standardisierte Vorverarbeitung großer EEG-Daten" . NeuroImage . 200 : 460–473. doi : 10.1016 / j.neuroimage.2019.06.046 . ISSN 1053-8119 . PMID 31233907 . S2CID 195208373 .   
  104. ^ Whitham, Emma M; Papst Kenneth J; Fitzgibbon, Sean P; Lewis, Trent W; Clark, C Richard; Liebeslos, Stephen; Broberg, Marita; Wallace, Angus; DeLosAngeles, Dylan; Lillie, Peter; et al. (2007). "Elektrische Aufzeichnung der Kopfhaut während der Lähmung: Quantitativer Nachweis, dass EEG-Frequenzen über 20 Hz durch EMG kontaminiert sind". Klinische Neurophysiologie . 118 (8): 1877–1888. doi : 10.1016 / j.clinph.2007.04.027 . PMID 17574912 . S2CID 237761 .  
  105. ^ Fitzgibbon, Sean P; Lewis, Trent W; Powers, David MW; Whitham, Emma M; Willoughby, John O; Papst Kenneth J (2013). "Oberflächenlaplace der elektrischen Signale der zentralen Kopfhaut ist unempfindlich gegen Muskelkontamination" . IEEE-Transaktionen zur biomedizinischen Technik . 60 (1): 4–9. doi : 10.1109 / TBME.2012.2195662 . PMID 22542648 . 
  106. ^ Fitzgibbon, Sean P; DeLosAngeles, Dylan; Lewis, Trent W; Powers, David MW; Whitham, Emma M; Willoughby, John O; Papst Kenneth J (2014). "Oberflächenlaplace der elektrischen Signale der Kopfhaut und unabhängige Komponentenanalyse lösen die EMG-Kontamination des Elektroenzephalogramms auf". Journal Internationales Journal für Psychophysiologie . 97 (3): 277–84. doi : 10.1016 / j.ijpsycho.2014.10.006 . PMID 25455426 . 
  107. ^ Montez, Teresa; Poil, S.-S.; Jones, BF; Manshanden, I.; Verbunt, JPA; Van Dijk, BW; Brussaard, AB; Van Ooyen, A.; Stam, CJ; Scheltens, P.; Linkenkaer-Hansen, K. (2009). "Veränderte zeitliche Korrelationen bei parietalen Alpha- und präfrontalen Theta-Oszillationen bei Alzheimer im Frühstadium" . Verfahren der Nationalen Akademie der Wissenschaften . 106 (5): 165–70. Bibcode : 2009PNAS..106.1614M . doi : 10.1073 / pnas.0811699106 . PMC 2635782 . PMID 19164579 .  
  108. ^ MURI: Synthetic Telepathy Archived 2012-07-08 at archive.today . Cnslab.ss.uci.ed m mm mm Abgerufen am 19.07.2011.
  109. ^ a b c Rapp, Paul E.; Keyser, David O.; Albano, Alfonso; Hernandez, Rene; Gibson, Douglas B.; Zambon, Robert A.; Hairston, W. David; Hughes, John D.; Krystal, Andrew; Nichols, Andrew S. (2015). "Traumatische Erkennung von Hirnverletzungen mit elektrophysiologischen Methoden" . Grenzen der menschlichen Neurowissenschaften . 9 : 11. doi : 10.3389 / fnhum.2015.00011 . ISSN 1662-5161 . PMC 4316720 . PMID 25698950 .   
  110. ^ Franke, Laura M.; Walker, William C.; Hoke, Kathy W.; Waren, Joanna R. (August 2016). "Unterscheidung im EEG langsame Oszillationen zwischen chronisch leichter traumatischer Hirnverletzung und PTBS". Internationale Zeitschrift für Psychophysiologie . 106 : 21–29. doi : 10.1016 / j.ijpsycho.2016.05.010 . ISSN 1872-7697 . PMID 27238074 .  
  111. ^ a b "Studie: EEG kann helfen, PTBS, leichte traumatische Hirnverletzung, zu unterscheiden" . www.research.va.gov . Abgerufen am 09.10.2019 .
  112. ^ Burns, T.; Rajan, R. (2015). "Burns & Rajan (2015) Kombinieren von Komplexitätsmaßen von EEG-Daten: Multiplizieren von Maßen enthüllt zuvor verborgene Informationen. F1000Research. 4: 137" . F1000Forschung . 4 : 137. doi : 10.12688 / f1000research.6590.1 . PMC 4648221 . PMID 26594331 .  
  113. ^ "Gedankenspiele" . Der Ökonom. 2007-03-23.
  114. ^ a b c Li, Shan (08.08.2010). "Gedankenlesen ist auf dem Markt" . Los Angeles Times .
  115. ^ "Brains-on mit NeuroSky und Square Enix 'Judecca Mind-Control-Spiel" . Engadget . Abgerufen am 02.12.2010 .
  116. ^ "Neue Spiele mit Gehirnwellen" . Physorg.com. Archiviert vom Original am 06.06.2011 . Abgerufen am 02.12.2010 .
  117. ^ Snider, Mike (2009-01-07). "Toy trainiert 'Star Wars'-Fans, um The Force einzusetzen" . USA heute . Abgerufen am 01.05.2010 .
  118. ^ "Emotiv Systems Homepage" . Emotiv.com . Abgerufen am 29.12.2009 .
  119. ^ "News - NeuroSky aktualisiert SDK, ermöglicht Augenzwinkern, Spiele mit Gehirnwellen" . Gamasutra. 2010-06-30 . Abgerufen am 02.12.2010 .
  120. ^ Fiolet, Eliane. "NeuroSky MindWave bringt Gehirn-Computer-Schnittstelle in die Bildung" . www.ubergizmo.com . Ubergizmo.
  121. ^ „NeuroSky Mindwave - Sets Guinness - Weltrekord für‚Größtes Objekt bewegt ein Brain-Computer Interface Mit . NeuroGadget.com . NeuroGadget. Archiviert vom Original am 15.10.2013 . Abgerufen am 02.06.2011 .
  122. ^ "Produkteinführung! Neurosync - Die kleinste Gehirn-Computer-Schnittstelle der Welt" . www.prnewswire.com . 15. Juli 2015 . Abgerufen am 21. Juli 2017 .
  123. ^ "APP - Macrotellect" . o.macrotellect.com . Abgerufen am 08.12.2016 .
  124. ^ Keiper, Adam (2006). "Das Zeitalter der Neuroelektronik" . New Atlantis (Washington, DC) . Das neue Atlantis. 11 : 4–41. PMID 16789311 . Archiviert vom Original am 12.02.2016. 
  125. ^ Wan, Feng; da Cruz, Janir Nuno; Nan, Wenya; Wong, Chi Man; Vai, Mang I; Rosa, Agostinho (06.05.2016). "Alpha-Neurofeedback-Training verbessert die SSVEP-basierte BCI-Leistung". Journal of Neural Engineering . 13 (3): 036019. Bibcode : 2016JNEng..13c6019W . doi : 10.1088 / 1741-2560 / 13/3/036019 . ISSN 1741-2560 . PMID 27152666 .  
  126. ^ Gedanken über Materie: Gehirnwellen kontrollieren Asimo Archiviert am 03.04.2009 auf der Wayback Machine 1. April 2009, Japan Times
  127. ^ Dieser Gehirntest bildet die Wahrheit ab 21. Juli 2008, 0348 Uhr IST, Nitasha Natu, TNN
  128. ^ "Puranik, DA, Joseph, SK, Daundkar, BB, Garad, MV (2009). Profilierung der Gehirnsignatur in Indien. Sein Status als Ermittlungshilfe und als bestätigender Beweis - wie aus Urteilen hervorgeht. Verfahren von XX All India Forensic Wissenschaftskonferenz, 815 - 822, 15. - 17. November, Jaipur " (PDF) . Archiviert vom Original (PDF) am 03.03.2016 . Abgerufen am 10.07.2014 .
  129. ^ Gaudet, Lyn M. 2011. “BRAIN FINGERPRINTING, WISSENSCHAFTLICHE BEWEISE UND DAUBERT: EINE VORSICHT UNTERRICHT AUS INDIEN. Jurimetrics: The Journal of Law, Science & Technology 51 (3): 293–318. Abgerufen ( https://www.jstor.org/stable/41307131?seq=1#page_scan_tab_contents ).
  130. ^ Casson, Alexander; Yates, David; Smith, Shelagh; Duncan, John; Rodriguez-Villegas, Esther (2010). "Tragbare Elektroenzephalographie. Was ist das, warum wird es benötigt und was beinhaltet es?" . IEEE-Magazin für Ingenieurwissenschaften in Medizin und Biologie . 29 (3): 44–56. doi : 10.1109 / MEMB.2010.936545 . hdl : 10044/1/5910 . PMID 20659857 . S2CID 1891995 .  
  131. ^ Looney, D.; Kidmose, P.; Park, C.; Ungstrup, M.; Rang, ML; Rosenkranz, K.; Mandic, DP (2012-11-01). "Das In-the-Ear-Aufzeichnungskonzept: Benutzerzentrierte und tragbare Gehirnüberwachung". IEEE-Impuls . 3 (6): 32–42. doi : 10.1109 / MPUL.2012.2216717 . ISSN 2154-2287 . PMID 23247157 . S2CID 14103460 .   
  132. ^ Iranmanesh, Saam; Rodriguez-Villegas, Esther (2017). "Ein analoger Datenreduktionschip mit 950 nW für tragbare EEG-Systeme bei Epilepsie". IEEE Journal of Solid-State Circuits . 52 (9): 2362–2373. Bibcode : 2017IJSSC..52.2362I . doi : 10.1109 / JSSC.2017.2720636 . hdl : 10044/1/48764 . S2CID 24852887 . 
  133. ^ Lotte, F.; Bougrain, L.; Cichocki, A.; Clerc, M.; Congedo, M.; Rakotomamonjy, A.; Yger, F. (2018). "Eine Überprüfung der Klassifizierungsalgorithmen für EEG-basierte Gehirn-Computer-Schnittstellen: ein 10-Jahres-Update" . Journal of Neural Engineering . 15 (3): 031005. Bibcode : 2018JNEng..15c1005L . doi : 10.1088 / 1741-2552 / aab2f2 . ISSN 1741-2552 . PMID 29488902 .  
  134. ^ Shim, Miseon; Hwang, Han-Jeong; Kim, Do-Won; Lee, Seung-Hwan; Im, Chang-Hwan (2016). "Auf maschinellem Lernen basierende Diagnose von Schizophrenie unter Verwendung kombinierter EEG-Funktionen auf Sensorebene und Quellenebene" . Schizophrenieforschung . 176 (2–3): 314–319. doi : 10.1016 / j.schres.2016.05.007 . ISSN 1573-2509 . PMID 27427557 . S2CID 44504680 .   
  135. ^ Buettner, Ricardo; Frick, Janek; Rieg, Thilo (12.11.2019). "Hochleistungserkennung von Epilepsie in anfallsfreien EEG-Aufzeichnungen: Ein neuartiger Ansatz für maschinelles Lernen unter Verwendung sehr spezifischer epileptischer EEG-Subbänder" . ICIS 2019 Verfahren .
  136. ^ Ieracitano, Cosimo; Mammone, Nadia; Hussain, Amir; Morabito, Francesco C. (2020). "Ein neuartiger, auf multimodalem maschinellem Lernen basierender Ansatz zur automatischen Klassifizierung von EEG-Aufzeichnungen bei Demenz" . Neuronale Netze . 123 : 176–190. doi : 10.1016 / j.neunet.2019.12.006 . ISSN 0893-6080 . PMID 31884180 .  
  137. ^ Bhattacharyya, A.; Pachori, RB (2017). "Ein multivariater Ansatz zur patientenspezifischen Erkennung von EEG-Anfällen mithilfe der empirischen Wavelet-Transformation" . IEEE-Transaktionen zur biomedizinischen Technik . 64 (9): 2003–2015. doi : 10.1109 / TBME.2017.2650259 . ISSN 1558-2531 . PMID 28092514 . S2CID 3522546 .   
  138. ^ Saab, Khaled; Dunnmon, Jared; Ré, Christopher; Rubin, Daniel; Lee-Messer, Christopher (2020-04-20). "Schwache Überwachung als effizienter Ansatz zur automatisierten Erkennung von Anfällen in der Elektroenzephalographie" . NPJ Digital Medicine . 3 (1): 1–12. doi : 10.1038 / s41746-020-0264-0 . ISSN 2398-6352 . 
  139. ^ Bomela, Walter; Wang, Shuo; Chou, Chun-An; Li, Jr-Shin (2020-05-26). "Echtzeit-Inferenz und Erkennung von störenden EEG-Netzwerken für epileptische Anfälle" . Wissenschaftliche Berichte . 10 (1): 8653. Bibcode : 2020NatSR..10.8653B . doi : 10.1038 / s41598-020-65401-6 . ISSN 2045-2322 . PMC 7251100 . PMID 32457378 .   
  140. ^ Paesschen, Wim Van (2018). "Die Zukunft der Anfallserkennung" . Die Lanzette. Neurologie . 17 (3): 200–202. doi : 10.1016 / S1474-4422 (18) 30034-6 . ISSN 1474-4465 . PMID 29452676 . S2CID 3376296 .   
  141. ^ Chen, Po-Hsuan Cameron; Liu, Yun; Peng, Lily (2019). "Wie man maschinelle Lernmodelle für das Gesundheitswesen entwickelt" . Naturmaterialien . 18 (5): 410–414. Bibcode : 2019NatMa..18..410C . doi : 10.1038 / s41563-019-0345-0 . ISSN 1476-1122 . PMID 31000806 . S2CID 122563425 .   
  142. ^ Rudin, Cynthia (2019). „Erklären Stopp Blackbox Maschine Lernmodelle für hohe Einsätze Entscheidungen und interpretierbare Modelle verwenden stattdessen“ . Natur Maschinenintelligenz . 1 (5): 206–215. arXiv : 1811.10154 . doi : 10.1038 / s42256-019-0048-x . ISSN 2522-5839 . 
  143. ^ Burns, T.; Rajan, R. (2015). "Burns & Rajan (2015) Kombinieren von Komplexitätsmaßen von EEG-Daten: Multiplizieren von Maßen enthüllt zuvor verborgene Informationen. F1000Research. 4: 137" . F1000Forschung . 4 : 137. doi : 10.12688 / f1000research.6590.1 . PMC 4648221 . PMID 26594331 .  
  144. ^ Burns, T.; Rajan, R. (2015). "Burns & Rajan (2015) Kombinieren von Komplexitätsmaßen von EEG-Daten: Multiplizieren von Maßen enthüllt zuvor verborgene Informationen. F1000Research. 4: 137" . F1000Forschung . 4 : 137. doi : 10.12688 / f1000research.6590.1 . PMC 4648221 . PMID 26594331 .  

65. Keiper, A. (2006). Das Zeitalter der Neuroelektronik. The New Atlantis , 11, 4-41.

Weiterführende Literatur [ Bearbeiten ]

  • Nunez Paul L., Srinivasan Ramesh (2007). "PDF" . Scholarpedia . 2 (2): 1348. Bibcode : 2007SchpJ ... 2.1348N . doi : 10.4249 / Scholarpedia.1348 .
  • Arns, Martijn; Sterman, Maurice B. (2019). Neurofeedback: Wie alles begann . Nijmegen, Niederlande: Brainclinics Insights. ISBN 9789083001302.

Externe Links [ Bearbeiten ]

  • Tanzer Oguz I., (2006) Numerische Modellierung in der Elektro- und Magnetenzephalographie, Ph.D. Diplomarbeit , Technische Universität Helsinki, Finnland.
  • Ein Tutorial zur Simulation und Schätzung von EEG-Quellen in Matlab
  • Ein Tutorial zur Analyse der laufenden, evozierten und induzierten neuronalen Aktivität: Leistungsspektren, Wavelet-Analyse und Kohärenz