Развивающие цифры: Хайнер, Кан и Ко открыли новую выставочную зону
Хайнер, Кан и Ко открыли новую выставочную зону
Женщины на футбольном поле? Да! “Бавария” реализует это с 7 июня 1970 года – а теперь еще и в своем музее. Продолжительное время без посетителей было использовано для создания специальной экспозиции по случаю 50-летнего юбилея женской команды. В среду новая выставочная зона была торжественно открыта президентом “Баварии” Хербертом Хайнером, председателем правления Оливером Каном и руководителем департамента женской команды “Баварии” Карин Даннер.
“Выставка очень интересная, захватывающая и богатая на детали. Эта история лишний раз подтверждает, что “Бавария” зачастую является пионером. Мы оказали решающее влияние на развитие женского футбола в Германии”, – заявил во время открытия экспозиции президент “Баварии” Херберт Хайнер.
Оливер Кан добавил: “Не в последнюю очередь великолепный прошлый сезон доказал, что наша женская команда вошла в число лучших в Европе. Ее харизма невероятна. Путь на самый верх стал логичным следствием усердной и постоянной работы”. Двое руководителей Рекордмайстера вели оживленную дискуссию с протагонистами прошлого и настоящего, в то время как рекордсменка по количеству матчей Карина Веннингер установила копию чемпионской салатницы 2021 в специально подготовленную витрину.
Даннер: “Наша история может многое предложить”
Карин Даннер резюмировала: “Для нас большая честь, что наша история будет так интенсивно представлена на этом месте. Я знаю по своему собственному опыту, что она может многое предложить. Тот факт, что сегодня мы являемся лидером в Германии, не является совпадением”. Руководитель департамента внесла такой же большой вклад в развитие женского отделения, как и в создание новой экспозиции. В общей сложности представлено более 700 экспонатов. Около 50 из них останутся в музее на долгое время.
Предметы, фотографии, интересные истории и лица были с любовью собраны и классифицированы. В центре внимания, само собой, путь женской команды “Баварии” к успеху, представленный в общественно значимом контексте. Первые шаги женского футбола более 100 лет назад являются такой же важной частью выставки, как и сегодняшнее становление женщин-футболисток как полупрофессионалов. Главные вехи становления женского футбола, а также история женской команды “Баварии” ярко представлены с помощью видео, фото и экспонатов. Также тематизирован молодежный департамент, в хранилище представлены настоящие “сокровища”.
Хайнер повторяет свой призыв: “Не пропустить развитие”
Особенно впечатляет так называемая „Via Triumphalis”, где по аналогии с мужской командой представлены все главные трофеи. Это кубок Германии 2012 года, а также реплики чемпионской салатницы за победу в чемпионате Германии 2015, 2016 и 2021. Кубок, врученный за первое чемпионство в 1976 году, представлен и вовсе в оригинале – его специально арендовали из музея Немецкого футбольного союза.
Выставка доказывает, что департамент отстаивает себя и рассказывает свою собственную историю. “Мы можем гордиться тем, что являемся единственным клубом Бундеслиги, последовательно развивающим женский футбол с момента его окончательного разрешения – а на самом деле мы начали работу еще тогда, когда запрет на него действовал”, – говорит Хайнер. Президент воспользовался возможностью еще раз повторить свой призыв: “Женский футбол добился огромного прогресса, но еще не достиг своей цели. Я только могу снова и снова подчеркивать, что мы в Германии не должны отставать от ведущих европейских чемпионатов”.
Тенденции рынка труда в логистике
– Существует ли дефицит низкоквалифицированного персонала в логистической отрасли?– Это проблема всех масс-ориентированных сегментов рынка. Работнику, задействованному на низкоквалифицированных специальностях, свойственно чаще, чем персоналу более высокой квалификации, менять не только само место работы, но и в принципе отрасль, в которой он трудится. Как правило, на подобные специальности довольно низкий порог входа в профессию, что обуславливает вероятность ротации/текучки персонала в любой сфере, и транспортной логистике в том числе. Учитывая данный факт, мы понимаем, что конкуренция за подобный персонал идет не только по отрасли, в которой работает компания, а по всему рынку в целом. Например, подсобный рабочий может трудиться на складе логистической компании, в магазине продовольственных товаров, на стройке, на заводе и т. д. Тем самым дефицит такого персонала становится общерыночным. В допандемийные времена такой вопрос решался привлечением мигрантов, которые осуществляли демпинг на рынке труда. Сейчас же мигрант зачастую «стоит» дороже, чем коренное население.
– Как на сферу логистики повлияла оптимизация системы образования?
– Это коснулось персонала всех областей. Особенно больно она ударила по среднему специальному образованию. Чаще всего в транспортно-логистических компаниях именно такие линейные специалисты составляют основной костяк: водители, экспедиторы, логисты, диспетчеры, специалисты, обслуживающие технику, и т. д. Постепенное планомерное закрытие колледжей/техникумов в моменте способствует уменьшению расходной части бюджета, но в перспективе порождает дефицит квалифицированного персонала. Сейчас мы пожинаем плоды ошибок минувших лет. Например, дефицит профессиональных водителей является проблемой не только в РФ, но и в мире в целом.
Программы подготовки специалистов – еще одна боль. Почти всегда они не успевают за быстроразвивающимися сферами и обучают, используя материалы и методики даже не 5-летней давности, в то время как сама отрасль видоизменяется ежегодно. Цифровизация плотно окутала все сферы жизнедеятельности человека, и в итоге на рынке лидируют те компании, которые смогли максимально качественно преобразовать в цифру свои бизнес-процессы. А уже с этими глобальными цифровыми системами в рамках индустрии 4.0 должны работать специалисты, и вот этому их и надо учить. В идеале взращивать персонал под себя.
– Изменилось ли что-то в работе с персоналом после пандемии?
– В России существенно сократились инвестиции в человеческий капитал. Хотя ведущие мировые компании уже отметили для себя, что сокращение расходов на персонал – последняя ступень оптимизации, когда оптимизировать что-либо еще не представляется возможным. Любая организация – это совокупность людей, занимающихся единым делом. Чем профессиональнее команда – тем лучше результат. Профессиональные игроки рынка формируют свою команду, приглашая ведущих заграничных тренеров, инвестируя в человеческий капитал. К сожалению, не все компании следуют современным тенденциям, а пандемийная неопределенность заставляет топ-менеджмент принимать необдуманные решения. Стоит отметить, что на сегодняшний день развитие интернет-технологий позволяет персоналу развиваться и в удаленном формате.
– Есть ли еще какие-то тенденции, которые Вы бы хотели отметить?
– Рост агрегаторных площадок. Безусловно, уберизация значительно упрощает ряд ежедневно происходящих процессов, однако есть риск усиления скрытой монополизации ряда отдельных сфер, в том числе и в логистическом секторе. Сильная монополия не нуждается в квалифицированных специалистах, развивающих рынок. Ее нужда – в огромном количестве исполнителей на простейшие базовые задачи.
Не так давно состоялся примечательный мировой инцидент с огромным контейнеровозом Ever Given тайваньской компании Evergreen. Сев на мель и застопорив в буквальном смысле очень важный с логистической точки зрения Суэцкий канал, он сбил на определенный период отлаженные процессы, выстроенные специалистами по управлению цепями поставок. Сама ситуация, по имеющейся информации, возникла не из-за каких-либо технических факторов, а из-за ошибок команды, человеческого ресурса компании Evergreen. Необходимо не забывать, что только вклад компании в человеческий капитал позволяет формировать эффективные команды, не совершающие ошибок или же сокращающие вероятность их появления до минимума.
Если Вы заметили ошибку, выделите, пожалуйста, необходимый текст и нажмите Ctrl+Enter, чтобы сообщить об этом редактору.
Фильм Голос (2014) смотреть онлайн бесплатно в хорошем HD 1080 / 720 качестве
Стэт дремлет в классе на уроке пения. Он отвечает на вопрос учительницы о размере музыкального произведения издевательской песенкой про училку, которая колотит школьников палкой. Учительница в бешенстве гоняется за Стэтом по классу под хохот его соучеников.
После уроков один из соучеников издевается над матерью Стэта: говорят, ее со скинхедом видели, а я думал, что ей нравятся мексикашки. Мальчишка напевает мотив «Кукарачи», Стэт набрасывается на него, избивает, запихивает ему в рот мусор из опрокинутого им бачка: не смей издеваться над моей матерью!
Стэт возвращается домой. Мать спит. Рядом на столе несколько недопитых бутылок с крепким алкоголем. Стэт упрекает мать: ты же обещала, что больше не будешь. Он дает ей таблетки. Ты не пойдешь сегодня на работу? Нет. Кстати, а где ты работаешь? В одном ресторане. Значит, ты официантка? Нет, я укротительница диких зверей.
Пока мать принимает ванну, Стэт выливает в раковину водку, готовит ужин. Мать спрашивает его: мне тут звонила снова директор твоей школы. Что ты там опять натворил? Драка? Прогулы?
К школе, где учится Стэт, подъезжает автобус. На борту надпись: «Национальный хор мальчиков». Из автобуса выходят дирижер хора мистер Карвелл, преподаватель мистер Дрэйк и хористы, возглавляемые солистом Девоном.Тот выражает недоумение: почему их всемирно прославленный хор приехал в ничем не примечательную школу в Техасе? Карвелл просит Девона отнестись к здешнему выступлению как к обычной репетиции. Хору предстоит бороться за право выступить в Нью-Йорке на пасхальной службе с другими прославленными коллективами, так что лишняя возможность потренироваться не помешает.
Директор школы миссис Стил заходит в класс, где сидит наказанный за непослушание Стэт. Она уводит его на выступление хора, которое происходит в спортивном зале. Миссис Стил просит Стэта внимательно послушать выступление. Она признается, что пригласила хор только ради Стэта: у него замечательный голос, миссис Стил договорилась сКарвеллом о прослушивании.
После выступления хора Карвелл готов прослушать Стэта. Дрэйк интересуется, какая у мальчика вокальная подготовка, где он учился? Карвелл говорит, что у него мало времени, он не хочет отвлекаться на мелочи. Пусть парень споет. Стэт молча поворачивается и выбегает из зала.
Стет идет домой. Миссис Стил пытается дозвониться до матери Стэта, но срабатывает автоответчик. Мать Стэта погибла в дорожной аварии.
Миссис Стил вызывает по телефону из Нью-Йорка мистера Оуэнса. Она нашла этот номер в личном деле Стэта. Мужчина говорит, что не отказывается от факта отцовства. Он всегда помогал матери Стэта деньгами, но самого мальчика не видел на протяжении всех 12 лет его жизни. Ребенок стал плодом случайной связи женатого человека. У мистера Оуэнса есть семья, дети, в ней нет места Стэту. Ему будет лучше в приемной семье. Миссис Стилутверждает, что мальчик музыкально одарен. Поэтому для Стэта существует еще одна возможность, кроме приемной семьи. Есть одна очень хорошая музыкальная школа, где Стэт сможет раскрыть свой талант. И никто не узнает о факте тайного отцовства мистера Оуэнса.
Оуэнс везет Стэта в его новую школу. По дороге он разговаривает по телефону с женой. Стэт запоминает номер телефона, который набирает его отец.
Оуэнс привозит Стэта в академию, где готовят исполнителей для Национального юношеского хора. Коллектив преподавателей во главе с Карвеллом и директором академии Джастин прослушивает Стэта. После этого они говорят Оуэнсу, что мальчика нельзя принять в их школу: учебный год уже начался, у него нет никакой подготовки. Кроме того, Карвелл вспомнил, как Стэтсбежал с прослушивания в своей школе. Оуэнс говорит, что мальчик поет лучше, чем половина учеников школы, он выписывает чек: это полная плата за первый год обучения плюс некоторая сумма «для развития школы». Карвелл отталкивает от себя чек, говорит, что взятки не помогут Оуэнсу, и выходит из кабинета, где проходил разговор. Оуэнс спокойно говорит, что деньги решают все. Он показывает сумму чека Джастин, та немедленно соглашается принять Стэта.
Оуэнс подходит к Стэту, который ждал решения своей судьбы в коридоре, говорит: у тебя есть стол, крыша над головой, деньги на карманные расходы. А мне пора домой.
Преподаватель академии мистер Вули приводит Стэта в его комнату, рассказывает о распорядке дня в их учебном заведении.
Выясняется, что хор академии проигрывает состязание за право выступить в Нью-Йорке другим коллективам. Карвелл говорит, что его подопечные просто поют хуже своих конкурентов. Джастин предлагает приложить усилия для исправления ситуации.
В комнату, где поселили Стэта, приходит его сосед: его зовут Рафаэль (Раффи)Абрамс. Мой дом – твойдом, можешь брать здесь любые ноты, а я тороплюсь на занятия по полифонии. Рафаэль уходит, Стэт включает на полную громкость его стереосистему. Вечером перед сном Раффи говорит, что его стереосистема – святое. Стэт не должен к ней даже прикасаться.
В столовой к Стэту подсаживает парень, знакомится с новичком.Его зовут Фернандо.
На уроке мистер Вули рассказывает о том, с какого интервала нужно начинать петь. Стэт уходит из класса, набирает номер мистера Оуэнса. Трубку берет дочь Оуэнса. Стэт молчит. Девушка сообщает отцу, с каких цифр начинается номер позвонившего. Тот пожимает плечами: не знаю, может быть, это твой тайный поклонник.
Мальчики сидят в комнате отдыха. Андре просит Девона угостить его чипсами. Тот отказывается: купи сам. Стэт подходит к торговому автомату, вскрывает его. Хористы дружно угощаются снеками. Рафаэль говорит Девону: с парнем проблемы будут.
Мистер Дрэйк проводит занятия. Стоп, тут что-то не так. Он подходит к Стэту, дает ему указания и выясняет, что мальчик не знаком с нотной грамотой. Он идет в Джастин, сообщает ей об этом обстоятельстве. Та предлагает Дрэйку заняться обучением Стэта. Дрэйк говорит, что это не его дело. Джастин резко выговаривает ему, сообщает, что ей надоели амбиции ее подчиненных, выгоняет Дрэйка из своего кабинета.
Карвелл проводит занятия, исполняется религиозное произведение XVI века в часовне академии. Начинают солисты, потом вступают вторые голоса, баритоны и басы. Карвелл сообщает ученикам, что правильно исполненное произведение, над которым они работают,– это крест, распятие, храм божий. И хотя он человек не верующий, он считает, что музыка – это нечто божественное. Задача хористов – дарить людям это чудо.
После занятий Стэт пробирается в часовню, берет пару нот, затем передразнивает Карвелла. Тот слышит Стэта: это все, на что ты способен? Карвелл покидает часовню.
Раффи радуется: меня взяли в гастрольную труппу, мы отправляемся в Японию. Гастрольный хор уезжает, в академии остается подготовительный хор, с которым занимается Вули.
Стэт просит Фернандо обучить его нотной грамоте. А что мне за это будет? Стэт угощает Фернандо пиццей, а тот обучает его искусству читать нотные знаки.
Вули ведет занятия: работаем над дикцией. Он заставляет мальчиков петь, держа на голове тяжелые книги, потом укладывает их навзничь, теперь они должны петь, держа книги на животе. Вули говорит Стэту, что он поет горлом. А должен петь так, чтобы звук у шел из глубины диафрагмы.
Вули звонит в Японию, в отель, просит соединить с Карвеллом. Тот спрашивает: совсем ты сдурел, звонить мне посреди ночи? Вули говорит: я знаю, кто приведет нас в Нью-Йорк. И кто это? Стэт. Он очень быстро прогрессирует. И это все? Да. Повесь трубку и дай мне поспать.
Хор возвращается из Японии. Раффи хвастается Стэту: мы с Девоном были звездами, нас встречали как рок-музыкантов. Повсюду были полные залы. Поскорее бы снова попасть на гастроли.
Карвелл на занятиях исполняет начало песни Мендельсона, делает это два раза. Он спрашивает учеников: что поменялось в моем исполнении? Рафаэль говорит: вы сменили тональность. Стэтдобавляет: вы пропустили одну ноту. Ты уверен? Да, шестую ноту в предпоследнем такте. Кто еще заметил, что я пропустил ноту? Никто не поднимает руку. Карвелл говорит: он прав. Хотя бы один человек недаром провел время на занятиях.
Вули объявляет хористам: автобус отбывает через пять минут, нас ждут кино, девочки и прочие глупости в торговом центре. Вули торопит Стэта, который идет в свою комнату из душевой. Стэт заходит в комнату и обнаруживает, что Рафаэль выбросил из окна на улицу его одежду. Рафаэль приветливо машет рукой своему соседу по комнате, усаживаясь в отправляющийся автобус. Стэт кричит ему: я тебя ненавижу!
Педколлектив академии совещается по поводу дальнейшей судьбы Стэта. Вули говорит, что мальчика нужно перевести в гастрольный хор. Дрейк против. Вули говорит, что талантливому мальчику нужна помощьКарвелла. Джастин и преподаватели приходят в спортзал на урок физкультуры. Урок прерывается. Джастин предлагает Стэту спеть. Тот начинает петь. Карвелл кивает головой и выходит из спортзала. Джастин говорит: ты так быстро выучился!
Вули догоняет Карвелла на лестничной площадке: я тебя не понял. Карвелл говорит: одного голоса недостаточно, он еще не готов. Вулиутверждает, что Стет подготовится за рождественские каникулы.
Хористы разъезжаются на рождественские каникулы. Дрэйк вручает Стэту материалы для подготовки при прослушивании в гастрольный хор. Здесь и «Колыбельная» Бриттена. За тобой приезжают? Да. Ладно, школа закрывается на каникулы.
Стэт тайком остается в запертой школе. Он берет ключи от часовни, кухни и спортзала. На протяжении каникул он упорно занимается, питаясь продуктами, обнаруженными на кухне.
Начинается новый семестр. На уроке Вули раздает задания для выполнения письменной работы для приема в гастрольных хор.
В часовню приходит Карвелл. Он говорит, что в гастрольном хоре есть только два вакантных места. Начнем со Стэта, потом выступит Фернандо. Стэт исполняет «Колыбельную» Бриттена. У него срывается голос. Давай сначала. Карвелл прерывает Стэта, вызывает Фернандо.
Стэт разбивает камнем окно в здании академии. Потом он выводит из строя стереосистему Рафаэля, тот приходит в ужас оттого, что при попытке включить агрегат, тот начинает искрить и дымиться.
Карвелл вызывает Стэта в часовню. Он включает софиты и просит мальчика петь. Тот теряется. Карвелл выговаривает ему: ты должен петь не горлом, а диафрагмой, нужно хотеть петь всей душой, а для тебя музыка ничего не значит. Нет, я хочу петь. Ты не уважаешь меня, не уважаешь школу – испортил стереосистему Рафаэля, разбил камнем окно, сломал торговый автомат.
Расстроенный Стэт приходит в свою комнату, обнаруживает на своей кровати парадную униформу участника гастрольного хора. Он надевает форму, смотрит на себя в зеркало.
Хор едет на гастроли, с успехом выступает. На обратном пути к Стэту в автобусе подсаживается Девон. Добро пожаловать в основу. Ты отлично выступал. Чего такой мрачный? Ничего, еще привыкнешь. Я буду первый номер, а ты – второй.Мы всех покорим.
В пустом зале Карвелл играет на рояле. Подходит Стэт. Вы меня вызывали? Я не знал, что вы так хорошо играете на рояле. Рахманинову было 20 лет, когда он написал эту музыку, чуть старше тебя. Я выучил ее в 13 лет. Тогда я играл лучше. У Андре проблемы, так что ты займешь его место: третий справа в первом ряду.
Выступает хор. Девон и Стэт солируют по очереди. Хор посещает Вашингтон.
Жена Оуэнса Салли говорит мужу, что им прислали четыре билета на выступление Национального юношеского хора. Концерт состоится на территории Йельского университета, в котором они не были с момента его окончания. Оуэнс говорит, что молодежи классика не нравится. Но его дочери возражают.
Карвеллу сообщают, что Девон заболел, выступить он не сможет. Карвелл предлагает отменить концерт. Но Вули утверждает, что Стэт вполне может заменить Девона. Стэту поручают исполнить арию королевы Анны в произведении Генделя. Стэт паникует, он говорит Карвеллу, что не сможет исполнить эту сложную вещь, что он ненавидит Генделя. Карвелл его утешает: Гендель тоже ненавидел певцов.Начинается концерт. Карвелл говорит Стэту, чтобы он следил за глазами дирижера, сам садится в зрительном зале.
Приступая к исполнению своей партии, Стэт открывает папку с нотами и обнаруживает, что она пуста. Из-за кулис выглядывает Девон. Это он украл ноты. В зале Сидит Оуэнс с семьей. Карвелл говорит Дрэйку: у него пустая папка. Он мимикой напоминает Стэту, чтобы тот обратил внимание на глаза дирижера. Стэт блестяще исполняет партию.
Дрэйк на лестнице подходит к Девону, требует, чтобы тот вернул ноты. Если снова будешь жульничать – делай это умней.
Хористы поздравляют Стэта с успехом. Они видят крадущегося по лестнице Девона, бросаются за ним, настигают, требуют, чтобы Стэт«врезал по роже» своему сопернику. Но Стэт говорит, что не станет так поступать, ведь за это он будет исключен из школы.
Джастин сообщают, что ее хор выбран для исполнения в пасхальную службу в Нью-Йорке «Мессию» Генделя. Преподаватели обсуждают, как они справятся с этой задачей. Карвелл говорит, что допишет партию дисканта, поскольку Гендель не предусмотрел сольной партии в этом произведении. Но кто сможет взять самую высокую «ре»? Это под силу только Стэту и Девону.Джастин сообщает: Стета переводят в другую школу, в Швейцарии.
За Стэтом приехал Оуэнс: лететь до Швейцарии девять часов, так что Стэт сможет как следует выспаться. Оуэнса останавливает Карвелл, он говорит, что Стэт никуда не поедет. И если Оуэнс оставит Стэта в академии, то никто не узнает о его тайном отцовстве. Так это вы прислали нам билеты? Да, мы рассылаем билеты семьям всеххористов. Но родители, как правило, интересуются успехами своих детей.
Вули раздает хористам ноты: с такой сложной задачей вы еще никогда не сталкивались. Что это? Карвел говорит: ваш ночной кошмар. А теперь «ре» третьей октавы! Мальчишки пищат из последних сил. Карвелл говорит: кто вытянет эту ноту – тот и будет солировать в Нью-Йорке.
Девону удалось выкрасть у секретарши академии личное дело Стэта. Они просматривают его вместе с Раффи. Смотри, чего тут только нет: прогулы, драки. Похоже, яблоко от яблоньки недалеко упало. В деле обнаруживается фото, на котором мать Стэта снята при задержании полицией.
Девон размножает эту фотографию и развешивает снимки в столовой, снабдив их надписью: «Это мать Стэта». Стэт набрасывается на Девона и избивает его. Карвелл говорит Стэту, что он может собирать вещи: его исключат из академии.
На следующий день дело Стэта рассматривает школьный дисциплинарный комитет под председательством Джастин. В своем последнем слове Стэт говорит, что раскаивается в содеянном, просит его простить и оставить в академии. Его просят удалиться, Джастин ставит вопрос на голосование. Карвелл голосует за исключение. Но он требует, чтобы из академии был исключен и Девон, поскольку именно он своим жестоким поступком спровоцировал Стэта на драку. Часть вины Карвелл берет и на себя: из личных амбиций я поощрял их соперничество. Поэтому Карвеллпринял решение немедленно уйти на пенсию.Джастин говорит, что уход сразу двух солистов и дирижера хора ставит под угрозу выступление коллектива в Нью-Йорке. Она требует от Карвелла, чтобы хор выступил так, словно ангелы спустились с неба. Вы должны заставить публику рыдать, а стекла в витражах собора сотрясаться. Идите, работайте над воплощением моих желаний в жизнь.
Перед выступлением в Нью-Йорке к Стэту подходит приехавшая на концерт из Техаса миссисСтил: твоя жизнь налаживается, продолжай идти вперед.
На выступление хора приходит Оуэнс с семьей.
Хор исполняет «Аллилуйя», солирует Стэт. Публика устраивает овацию.
Ночью после концерта Оуэнс не может заснуть. Салли спрашивает его: что с тобой? Муж ей говорит, что он должен кое в чем признаться.
Стэт в пустой часовне пытается взять высокую ноту. Голос срывается. Появляется Девон: у тебя голос ломается. Поздравляю, ты взрослеешь.
Хористы разъезжаются на летние каникулы. Стэт покидает академию, не желая оставаться там в роли обычного альта. Вулиего спрашивает: за тобой приедут? Нет, я сам доберусь на поезде, сначала в летний лагерь, потом в пансион за границу. Стет подходит кКарвеллу попрощаться. Тот написал ему рекомендательное письмо, в котором назвал своим лучшим учеником. В вестибюле академии появляются Оуэнс и Салли. Карвелл говорит Стету: проваливай, и в добрый путь. Оуэнс знакомит сына со своей женой. Он говорит, что подыскал для него в Нью-Йорке приличную школу, во время обучения в которой Стэт может жить в его семье. Он помогает донести Стэту вещи до своей машины.
20 тренажёров для мозга, которые прокачают память, концентрацию и логику
1. NeuroNation
Титулованный немецкий проект предлагает тренировать память, концентрацию и интеллект. Программа создана профессором экспериментальной психологии Михаэлем Нидеггеном и экспертами по искусственному интеллекту Рояном Амади и Яковом Футорянски.
После регистрации пользователь должен пройти тестирование, которое выявит его способности в нескольких сферах умственной деятельности. Затем ему предложат выбрать навыки, которые он хочет потренировать.
Сервис будет подбирать упражнения специально для вас. По мнению создателей, персонализированные тренировки помогают раскрыть потенциал, а не просто улучшить способности. Однако в бесплатной версии будет доступна только часть мини‑игр.
NeuroNation →
2. Peak
Peak работает по тому же принципу, что и NeuroNation. Это набор упражнений на память, быстроту мышления, знание языка, внимательность, эмоциональность и навыки решения проблем. Чем дольше вы играете, тем выше сложность тренировок.
Например, в одной из игр нужно расставить числа в порядке возрастания. Первые несколько раундов даются легко, но потом в головоломку добавляются отрицательные числа и цифры, обозначенные точками, как на игральном кубике.
3. Викиум
По данным создателей, регулярные занятия на тренажёрах «Викиум» позволяют улучшить скорость реакции на 17% за неделю. Память — на 19% за 2–3 недели. Концентрация повысится в два раза за два месяца. Упражнения помогают создавать новые и укреплять старые связи в мозге.
Ежедневные занятия включают разминку и непосредственно разгадывание головоломок, в которых надо искать мелкие предметы, решать примеры или запоминать изображения. Тренировка занимает 15 минут.
«Викиум» →
4. BrainApps
Сервис составляет индивидуальную программу для тренировок по результатам первичного теста. Пользователю предстоит развивать память, мышление, креативность, логику и внимание. Тренировки рассчитаны на 5 минут.
На сайте собрано более 90 игр, в которых нужно разгадывать анаграммы, запоминать положение закрашенных клеток, находить пару предмету и так далее. Но не все из них доступны в бесплатной версии.
BrainApps →
Сейчас читают 🔥
5. Lumosity
Сайт и приложение не русифицированы, но для тренировок школьного уровня английского языка его будет достаточно. Принцип действия сервиса всё тот же: с помощью головоломок вы развиваете память, внимание, скорость, гибкость ума и навык решения проблем. К созданию программы приложили руку нейробиологи.
Lumosity →
6. BrainExer 2.0
Сервис выглядит лаконично и просто, но при этом он довольно функционален. Вы проходите головоломки и зарабатываете баллы, которыми можете расплачиваться за доступ к новым мини‑играм. Среди базовых упражнений вам будет нужно, например, найти пропущенное число или указать совпадения в картинках.
В отличие от предыдущих сервисов, в BrainExer 2.0 сложно будет сразу.
BrainExer 2.0 →
7. Cognifit
Сервис оценивает 23 когнитивные способности пользователя, причём речь идёт не только о склонности к вычислениям или умении запоминать. Система проверяет на бессонницу, депрессию, СДВГ и так далее.
На основании нейропсихологических тестов создаются персонализированные тренировки. Причём создатели уверяют, что важен и набор упражнений, и их последовательность. Занятия прокачивают когнитивные способности и, по уверениям авторов, могут корректировать лёгкие расстройства вроде бессонницы.
Cognifit →
8. Chisloboi
Узкоспециализированный сайт на развитие скорости счёта. Есть пять игровых режимов для взрослых и один детский, облегчённый. Пользователь может поучаствовать в марафоне из 20 вопросов, выбрать игру, в которой нельзя ошибаться, или режим, где на ответ даётся всего три секунды.
Сервис прокачивает навыки счёта, скорость реакции, а в режимах с ограничением по времени — ещё и стрессоустойчивость.
Chisloboi →
9. Geist
Более 20 игр, рассчитанных на тренировку скорости мышления, памяти, концентрации и логики. Как и в других подобных сервисах, упражнения нацелены на укрепление существующих синапсов — нейронных связей — и создание новых. Разработчики сравнивают процесс с автострадой: если открыть дублирующую дорогу, то сигналы мозга смогут двигаться быстрее. В дополнение к развивающим играм в программе доступны упражнения, которые помогут успокоиться и снять стресс.
10. Elevate
С помощью приложения можно развивать 14 способностей мозга. Правда, в платной версии. В бесплатной доступны только три. Помимо стандартных упражнений, направленных на развитие логики, скорости, навыков решения задач, в Elevate есть игры для тренировки устной речи и понимания прочитанного. Причём приложение не русифицировано, поэтому подойдёт для изучающих английский язык.
11. Happymozg
Этот сервис не отличается стильным современным дизайном, но хорошо подойдёт для тех, кто хочет провести время с пользой. Здесь собраны классические головоломки вроде «Ханойской башни», «Распознай цвет» и нестандартные для аналогичных сервисов мини‑игры, где, например, для тренировки памяти задействуется не визуальный ряд, а звуки.
Happymozg →
12. Games for the Brain
На сайте собраны интеллектуальные игры разной направленности: «Сапёр», поиск различий на двух версиях шедевров мировой живописи, обычные и китайские шашки, шахматы — все варианты, которые традиционно использовались для развития мозга до появления смартфонов.
Games for the Brain →
13. Real Kakuro
Головоломка в стиле числового кроссворда — судоку. На экране появляется поле с клетками, частично заполненное цифрами. Вам нужно разгадать закономерности уже доступных чисел, чтобы правильно подобрать новые для пустых клеток. Сложность в том, что каждая добавленная цифра должна встречаться в «слове» только один раз. Интерфейс игры англоязычный, но текста в ней немного.
14. Загадки Да’Винчи: Викторина
В этой познавательной игре нужно отвечать на вопросы из различных областей: географии, искусства, математики, кино и так далее. Есть два режима. В одном игроку доступны варианты ответов, в другом — только наводящие подсказки. Если ответите неправильно, приложение подскажет верный ответ, чтобы вы заполнили пробел в знаниях. При желании можно подключиться к случайному игроку и отвечать по очереди, соревнуясь в количестве набранных баллов.
15. DOOORS — room escape game
Цель игры — пройти все комнаты. Для этого придётся решить множество непохожих друг на друга головоломок, которые откроют перед вами все виртуальные двери. Некоторые пазлы можно собрать интуитивно, над другими придётся хорошо подумать.
16. 1001 задача для счёта в уме
Сборник задач, взятых из одноимённого школьного учебника XIX века. Если вы соскучились по урокам математики или просто хотите узнать, как этот предмет преподавали в старину, это приложение для вас.
17. Математические хитрости
Это приложение содержит множество математических примеров и подсказывает трюки, которые помогают быстрее их решать. Справляться с заданиями можно в свободном режиме или на скорость. Также есть соревновательный режим, который позволяет играть вместе со вторым пользователем — вдвоём на одном смартфоне.
18. Brain Wars
Brain Wars даёт возможность посоревноваться в остроте ума с игроками со всего мира. Приложение подключает вас к случайному сопернику и запускает различные мини‑игры. Кто быстрее будет схватывать правила и применять их для решения задач, тот наберёт больше очков и выйдет победителем. По мере использования программа оценивает память, скорость мышления и другие мыслительные способности игроков, показывая соответствующую статистику.
19. Math
И ещё одна игра для любителей считать. В Math вам предстоит искать закономерности в геометрических фигурах и числах, чтобы определять недостающие цифры. Приложение хорошенько разомнёт ваш мозг и поможет испытать аналитические способности.
Этот материал впервые был опубликован в мае 2018 года. В июле 2020‑го мы обновили текст.
Читайте также 🧠🧠🧠
Данные и статистика о детском развитии
Следующие веб-сайты предоставляют информацию и инструменты, связанные с данными о развитии ребенка.
Kids Count Данные переписи населения США внешний значок
KIDS COUNT – это национальный проект Фонда Кейси по отслеживанию статуса детей в Соединенных Штатах. Доступные для анализа данные включают демографические данные семьи и детей, а также показатели образовательного, социального, экономического и физического благополучия детей.
Национальное исследование здоровья детей (NSCH) external icon
NSCH изучает физическое и эмоциональное здоровье детей в возрасте 0-17 лет.Обследование предоставляет данные для оценки распространенности физических, эмоциональных и поведенческих показателей здоровья ребенка на национальном и государственном уровне, а также информацию о семейном окружении ребенка и окружающем его окружении.
Национальное обследование употребления наркотиков и здоровья (бывшее Национальное обследование домашних хозяйств по злоупотреблению наркотиками) external icon
NSDUH – это ежегодное общенациональное обследование, включающее интервью примерно с 70 000 случайно выбранных лиц в возрасте от 12 лет и старше. Обзор предоставляет данные на национальном и государственном уровне об употреблении табака, алкоголя, запрещенных наркотиков (включая немедицинское использование рецептурных препаратов) и психическом здоровье в Соединенных Штатах.
Национальное интервью по вопросам здоровья (NHIS)
NHIS отслеживает состояние здоровья нации с 1957 года. NHIS представляет собой крупномасштабное интервью с домашними хозяйствами статистически репрезентативной выборки гражданского неинституционализированного населения США. Данные интервью собираются по широкому кругу вопросов, касающихся здоровья, включая отчеты воспитателей о здоровье ребенка, психическом здоровье и статусе инвалидности.
Национальное обследование здоровья и питания (NHANES)
NHANES оценивает состояние здоровья и питания репрезентативной на национальном уровне выборки из примерно 5000 взрослых и детей в Соединенных Штатах.Опрос сочетает в себе интервью и медицинские осмотры и включает демографические, социально-экономические, диетические вопросы и вопросы, связанные со здоровьем. Компонент обследования состоит из медицинских, стоматологических и физиологических измерений, а также лабораторных тестов, проводимых высококвалифицированным медицинским персоналом.
Национальное исследование роста семьи (NSFG) NSFG собирает информацию о семейной жизни, браке и разводе, беременности, бесплодии, использовании противозачаточных средств, а также общем и репродуктивном здоровье.
Национальная система статистики естественного движения населения (NVSS)
NVSS содержит статистику естественного движения населения из официальных записей живорождений, смертей, внутриутробных смертей, браков, разводов и аннулирований, зарегистрированных штатами и независимыми областями регистрации
Система наблюдения за рискованным поведением молодежи (YRBSS)
YRBSS – это постоянное национальное школьное обследование, предназначенное для мониторинга приоритетных рискованных для здоровья форм поведения и распространенности ожирения и астмы среди молодежи и молодых людей в 9-12 классах в США.S. Данные собирались у студентов раз в два года, начиная с 1991 года. Около 16 000 студентов прошли опрос в последней волне сбора данных в 2009 году.
Инструменты для обработки данных
America’s Childrenexternal icon
America’s Children – это отчет о ключевых национальных показателях благополучия, ежегодно публикуемый Федеральным межведомственным форумом по статистике детей и семьи. В серии «Дети Америки» федеральные данные о детях и семьях доступны в нетехническом, удобном для использования формате, чтобы стимулировать обсуждение между поставщиками данных, политиками и общественностью.
Healthy People 2030external icon
Healthy People ставит научно обоснованные 10-летние национальные цели по улучшению здоровья всех американцев, включая младенцев, детей и подростков
Межуниверситетский консорциум политических и социальных исследованийвнешний значок
ICPSR предлагает более 500 000 цифровых файлов, содержащих данные исследований в области социальных наук. Представленные дисциплины включают политологию, социологию, демографию, экономику, историю, геронтологию, уголовное правосудие, общественное здравоохранение, внешнюю политику, терроризм, здравоохранение и медицинское обслуживание, раннее образование, образование, расовые и этнические меньшинства, психологию, право, злоупотребление психоактивными веществами и психическое здоровье. здоровье и многое другое.
Каталог показателей обследования NCHS
Каталог показателей обследования Национального центра статистики здравоохранения предоставляет обзор вопросов о психическом здоровье детей и подростков, а также о функционировании и инвалидности в различных обследованиях систем данных NCHS. Некоторые из показателей обследования включены как в раздел «Психическое здоровье», так и в раздел каталога, посвященный функционированию и инвалидности.
показателей мирового развития | DataBank
Правила агрегирования Функция определяет методологии, которые будут использоваться при получении пользовательских агрегатов.Эти правила применяются только к созданным вами индивидуальным группам стран. Они не распространяются на официальные группы, представленные в выбранной вами базе данных.
Для каждой выбранной серии выберите правило агрегирования и Весовой индикатор (при необходимости) из соответствующих раскрывающихся списков. Установите флажок Применить ко всем, если вы хотите использовать одну и ту же методологию для всех выбранных серий.
Правила агрегирования включают:
1. Макс .: Агрегаты устанавливаются на максимальное доступное значение для каждого периода времени.
2. Среднее значение: Агрегаты рассчитываются как среднее значение имеющихся данных за каждый период времени.
3. Среднее 66: Агрегаты рассчитываются как среднее значение имеющихся данных за каждый период времени. Значения не отображаются, если отсутствует более одной трети наблюдений в серии.
4. Медиана: Агрегаты рассчитываются как медиана доступных данных за каждый период времени.
5. Медиана 66: Агрегаты рассчитываются как медиана доступных данных для каждого периода времени. Значения не вычисляются, если отсутствует более трети наблюдений в серии.
6. Min: Агрегаты устанавливаются на самое низкое доступное значение для каждого периода времени.
7. Сумма: Агрегаты рассчитываются как сумма доступных данных за каждый период времени.
8. Sum 66: Агрегаты рассчитываются как сумма доступных данных за каждый период времени.Суммы не отображаются, если отсутствует более одной трети наблюдений в серии.
9. Средневзвешенное значение: Агрегаты рассчитываются как средневзвешенные значения имеющихся данных за каждый период времени. Выберите подходящую весовую переменную (ВНД, население, ВВП, экспорт, импорт, рабочая сила или земельная площадь) в поле «Индикатор веса», как показано выше.
10. Средневзвешенное значение 66: Агрегаты рассчитываются как средневзвешенные значения имеющихся данных за каждый период времени.Совокупность не отображается, если на недостающие данные приходится более одной трети наблюдений в серии. Выберите подходящую весовую переменную (ВНД, население, ВВП, экспорт, импорт, рабочая сила или земельная площадь) в поле «Индикатор веса», как показано выше.
11. Средневзвешенное значение 66POP: Агрегаты рассчитываются как средневзвешенные значения имеющихся данных за каждый период времени. Совокупность не отображается, если страны, в которых отсутствуют данные, составляют более одной трети всего населения вашей настраиваемой группы.Выберите подходящую весовую переменную (ВНД, население, ВВП, экспорт, импорт, рабочая сила или земельная площадь) в поле «Индикатор веса», как показано выше.
Примечание 1. Ни в одной из вышеперечисленных методологий отсутствующие значения не исчисляются. Следовательно, агрегированные показатели для групп стран следует рассматривать как приближение неизвестных итогов или средних значений.
Примечание 2: результаты агрегирования применимы только к вашим группам, определенным пользователем, и не отражают официальные агрегированные показатели Всемирного банка, основанные на региональной классификации и классификации экономик по доходам.Результаты могут быть неподходящими (например, суммирование рядов в процентах), поэтому при использовании этой функции следует соблюдать осторожность.
Эпидемиология распространенных нарушений развития
Fombonne E 2003 Эпидемиологические исследования аутизма и других распространенных нарушений развития: обновленная информация. J Autism Dev Disord 33 : 365–382
Статья Google Scholar
Fombonne E 2005 Эпидемиология аутистического расстройства и других распространенных нарушений развития. J Clin Psychiatry 66 : 3–8
PubMed Google Scholar
Кроен Л.А., Гретер Дж. К., Хугстрат Дж., Селвин С. 2002 г. Изменение распространенности аутизма в Калифорнии. J Autism Dev Disord 32 : 207–215
Статья Google Scholar
Герни Дж. Г., Фриц М. С., Несс К. К., Сиверс П., Ньюшаффер К. Дж., Шапиро Э. Г. Анализ тенденций распространенности расстройств аутистического спектра в Миннесоте [комментарий]. Arch Pediatr Adolesc Med 157 : 622–627
Статья Google Scholar
Fombonne E, Zakarian R, Bennett A, Meng L., McLean-Heywood D 2006 Распространенные нарушения развития в Монреале, Квебек, Канада: распространенность и связь с прививками. Педиатрия 118 : e139 – e150
Артикул Google Scholar
Madsen KM, Hviid A, Vestergaard M, Schendel D, Wohlfahrt J, Thorsen P, Olsen J, Melbye M 2002 Популяционное исследование вакцинации против кори, эпидемического паротита и краснухи и аутизма. N Engl J Med 347 : 1477–1482
Артикул Google Scholar
Сеть наблюдения за аутизмом и пороками развития 2000 г. Ведущие исследователи; Центр по контролю и профилактике заболеваний, 2007 г. Распространенность расстройств аутистического спектра – сеть мониторинга аутизма и пороков развития, шесть участков, США, 2000 г. MMWR Surveill Summ 56 : 1–11
Google Scholar
Сеть наблюдения за аутизмом и пороками развития 2002 г. Ведущие исследователи; Центр по контролю и профилактике заболеваний, 2007 г. Распространенность расстройств аутистического спектра – сеть мониторинга аутизма и пороков развития, 14 сайтов, США, 2002 г. MMWR Surveill Summ 56 : 12–28
Google Scholar
Килинен М., Линна С.Л., Мойланен I 2000 Аутизм в Северной Финляндии. Eur Детская подростковая психиатрия 9 : 162–167
CAS Статья Google Scholar
Lotter V 1966 Эпидемиология аутистических состояний у маленьких детей: I. Распространенность. Социальная психиатрия 1 : 124–137
Статья Google Scholar
Браск Б. 1972 Исследование распространенности детских психозов. Северный симпозиум по уходу за детьми-психотиками . Барнепсихиатр Форенин: Осло
Google Scholar
Treffert DA 1970 Эпидемиология детского аутизма. Arch Gen Psychiatry 22 : 431–438
CAS Статья Google Scholar
Винг Л., Йейтс С., Брайерли Л., Гулд Дж. 1976 Распространенность аутизма в раннем детстве: сравнение административных и эпидемиологических исследований. Psychol Med 6 : 89–100
CAS Статья Google Scholar
Хосино Й., Кумаширо Х., Яшима Й, Татибана Р., Ватанабэ М. 1982 Эпидемиологическое исследование аутизма в Фукусима-кен. Folia Psychiatr Neurol Jpn 36 : 115–124
CAS PubMed Google Scholar
Бохман М., Бохман И., Бьорк П., Шохольм Э. 1983 Детский психоз в северном шведском округе: некоторые предварительные результаты эпидемиологического исследования.В: Schmidt M, Remschmidt H (eds) Эпидемиологические подходы в детской психиатрии . Георг Тиме Верлаг, Штутгарт, Германия, стр. 164–173
Google Scholar
Маккарти П., Фицджеральд М., Смит М. 1984 Распространенность детского аутизма в Ирландии. Ir Med J 77 : 129–130
CAS PubMed Google Scholar
Steinhausen H-C, Gobel D, Breinlinger M, Wohlloben B 1986 Общественное обследование детского аутизма. J Am Acad Child Psychiatry 25 : 186–189
CAS Статья Google Scholar
Бурд Л., Фишер В., Кербешан Дж. 1987 Исследование распространенности общих нарушений развития в Северной Дакоте. J Am Acad Детская подростковая психиатрия 26 : 700–703
CAS Статья Google Scholar
Мацуиси Т., Сиотсуки М., Йошимура К., Сёдзи Х., Имута Ф., Ямасита Ф. 1987 Высокая распространенность детского аутизма в городе Куруме, Япония. J Детский нейрол 2 : 268–271
CAS Статья Google Scholar
Tanoue Y, Oda S, Asano F, Kawashima K 1988 Эпидемиология детского аутизма в Южном Ибараки, Япония: различия в распространенности среди рожденных когорт. J Autism Dev Disord 18 : 155–166
CAS Статья Google Scholar
Брайсон С.Е., Кларк Б.С., Смит И.М. 1988 Первый отчет канадского эпидемиологического исследования аутистических синдромов. J Детская психическая психиатрия 29 : 433–445
CAS Статья Google Scholar
Сугияма Т., Абэ Т. 1989 Распространенность аутизма в Нагое, Япония: исследование общей популяции. J Autism Dev Disord 19 : 87–96
CAS Статья Google Scholar
Сиалделла П., Мамель Н. 1989 Эпидемиологическое исследование детского аутизма во французском отделении (Рона): заметка об исследовании. J Детская психическая психиатрия 30 : 165–175
CAS Статья Google Scholar
Ritvo ER, Freeman BJ, Pingree C, Mason-Brothers A, Jorde L, Jenson W., McMahon WM, Petersen PB, Mo A, Ritvo A 1989 Эпидемиологическое исследование аутизма UCLA-Университета штата Юта: распространенность. Am J Psychiatry 146 : 194–199
CAS Статья Google Scholar
Gillberg C 1984 Детский аутизм и другие детские психозы в шведском городском районе.Эпидемиологические аспекты. J Детская психическая психиатрия 25 : 35–43
CAS Статья Google Scholar
Fombonne E, du Mazaubrun C 1992 Распространенность детского аутизма в четырех регионах Франции. Социальная психиатрия Психиатр Эпидемиол 27 : 203–210
CAS Статья Google Scholar
Wignyosumarto S, Mukhlas M, Shirataki S 1992 Эпидемиологическое и клиническое исследование аутичных детей в Джокьякарте, Индонезия. Kobe J Med Sci 38 : 1–19
CAS PubMed Google Scholar
Honda H, Shimizu Y, Misumi K, Niimi M, Ohashi Y 1996 Совокупная заболеваемость и распространенность детского аутизма у детей в Японии. Br J Психиатрия 169 : 228–235
CAS Статья Google Scholar
Fombonne E, Du Mazaubrun C, Cans C, Grandjean H 1997 Аутизм и связанные с ним заболевания во французском эпидемиологическом исследовании. J Am Acad Детская подростковая психиатрия 36 : 1561–1569
CAS PubMed Google Scholar
Webb EV, Lobo S, Hervas A, Scourfield J, Fraser WI 1997 Изменение распространенности аутистического расстройства в уэльском медицинском округе. Dev Med Child Neurol 39 : 150–152
CAS Статья Google Scholar
Арвидссон Т., Даниэльссон Б., Форсберг П., Гиллберг С., Йоханссон М., Кьеллгрен Г. 1997 Аутизм у детей 3–6 лет в пригороде Гетеборга, Швеция. Аутизм 1 : 163–173
Статья Google Scholar
Sponheim E, Skjeldal O 1998 Аутизм и родственные расстройства: эпидемиологические данные норвежского исследования с использованием диагностических критериев МКБ-10. J Autism Dev Disord 28 : 217–227
CAS Статья Google Scholar
Тейлор Б., Миллер Э., Фаррингтон С., Петропулос М.С., Фаво-Мейо I, Ли Дж., Уэйт П. 1999. Вакцина от аутизма и кори, эпидемического паротита и краснухи: нет эпидемологических доказательств причинно-следственной связи. Ланцет 353 : 2026–2029
CAS Статья Google Scholar
Кадесджо Б., Гиллберг С., Хагберг Б. 1999 Краткий отчет: аутизм и синдром Аспергера у семилетних детей: исследование общей популяции. J Autism Dev Disord 29 : 327–331
CAS Статья Google Scholar
Baird G, Charman T, Baron-Cohen S, Cox A, Swettenham J, Wheelwright S, Drew A 2000 Инструмент для скрининга аутизма в возрасте 18 месяцев: последующее исследование через 6 лет. J Am Acad Детская подростковая психиатрия 39 : 694–702
CAS Статья Google Scholar
Пауэлл Дж. Э., Эдвардс А., Эдвардс М., Пандит Б. С., Сунгам-Паливал С. Р., Уайтхаус В. 2000. Изменения в заболеваемости детским аутизмом и другими расстройствами аутистического спектра у детей дошкольного возраста из двух районов Уэст-Мидлендс, Великобритания. Dev Med Child Neurol 42 : 624–628
CAS Статья Google Scholar
Бертран Дж., Марс А., Бойл С., Бове Ф., Йеггин-Оллсопп М., Декуфл П. 2001. Распространенность аутизма среди населения США: городок Брик, Нью-Джерси, расследование. Педиатрия 108 : 1155–1161
CAS Статья Google Scholar
Фомбонн Э., Симмонс Х., Форд Т., Мельцер Х., Гудман Р. 2001 г. Распространенность общих расстройств развития в общенациональном британском исследовании психического здоровья детей. J Am Acad Детская подростковая психиатрия 40 : 820–827
CAS Статья Google Scholar
Magnusson P, Saemundsen E 2001 Распространенность аутизма в Исландии. J Autism Dev Disord 31 : 153–163
CAS Статья Google Scholar
Chakrabarti S, Fombonne E 2001 Распространенные нарушения развития у детей дошкольного возраста. JAMA 285 : 3093–3099
CAS Статья Google Scholar
Давидович М., Хольцман Г., Тирош Э. 2001 Аутизм в районе Хайфы – эпидемиологическая перспектива. Isr Med Assoc J 3 : 188–189
CAS PubMed Google Scholar
Chakrabarti S, Fombonne E 2005 Общие нарушения развития у детей дошкольного возраста: подтверждение высокой распространенности. Am J Psychiatry 162 : 1133–1141
Статья Google Scholar
Барбарези В.Дж., Катусик С.К., Коллиган Р.К., Уивер А.Л., Якобсен С.Дж., 2005 г. Заболеваемость аутизмом в округе Олмстед, Миннесота, 1976–1997 гг .: результаты популяционного исследования. Arch Pediatr Adolesc Med 159 : 37–44
Статья Google Scholar
Honda H, Shimizu Y, Rutter M 2005 Отсутствие влияния отмены вакцины MMR на заболеваемость аутизмом: исследование в общей популяции. J Детская психическая психиатрия 46 : 572–579
Статья Google Scholar
Эллефсен А., Кампманн Х., Билстедт Э., Гиллберг И.К., Гиллберг С. 2007 Аутизм на Фарерских островах: эпидемиологическое исследование. J Autism Dev Disord 37 : 437–444
Статья Google Scholar
Baird G, Simonoff E, Pickles A, Chandler S, Loucas T., Meldrum D, Charman T. 2006 Распространенность расстройств аутистического спектра в популяционной когорте детей в Южной Темзе: проект с особыми потребностями и аутизмом ( ЩЕЛЧОК). Ланцет 368 : 210–215
Артикул Google Scholar
Оливейра Г., Атаиде А., Маркес С., Мигель Т.С., Коутиньо А.М., Мота-Виейра Л., Гонсалвес Е., Лопес Н.М., Родригеш В., Кармона да Мота Х, Висенте А.М. 2007 Эпидемиология расстройства аутистического спектра в Португалии: распространенность, клиническая характеристика и медицинские условия. Dev Med Child Neurol 49 : 726–733
Артикул Google Scholar
Латиф А.Х., Уильямс В.Р. 2007 Тенденции диагностики расстройств аутистического спектра в долинах Южного Уэльса. Аутизм 11 : 479–487
CAS Статья Google Scholar
Wing L, Gould J 1979 Серьезные нарушения социального взаимодействия и связанные с ними аномалии у детей: эпидемиология и классификация. J Autism Dev Disord 9 : 11–29
CAS Статья Google Scholar
Элерс С., Гиллберг С. 1993 Эпидемиология синдрома Аспергера: исследование общей популяции. J Детская психическая психиатрия 34 : 1327–1350
CAS Статья Google Scholar
Fombonne E 2006 Прошлые и будущие перспективы эпидемиологии аутизма.В: Moldin S, Rubenstein J (eds) Понимание аутизма: от основ неврологии к лечению . CRC Press, Бока-Ратон, Флорида
Google Scholar
Скотт Ф.Дж., Барон-Коэн С., Болтон П., Брейн С. 2002 Краткий отчет: распространенность состояний аутистического спектра у детей в возрасте 5–11 лет в Кембриджшире, Великобритания. Аутизм 6 : 231–237
Статья Google Scholar
Yeargin-Allsopp M, Rice C, Karapurkar T., Doernberg N, Boyle C, Murphy C. 2003 Распространенность аутизма в пригородах США [комментарий]. JAMA 289 : 49–55
Артикул Google Scholar
Wong VC, Hui SL 2008 Эпидемиологическое исследование расстройства аутистического спектра в Китае. J Детский нейрол 23 : 67–72
Артикул Google Scholar
Икасиано Ф., Хьюсон П., Мачет П., Купер С., Маршалл А. Расстройство детского аутистического спектра, 2004 г., в регионе Барвон: исследование на уровне сообщества. J Paediatr Child Health 40 : 696–701
CAS Статья Google Scholar
Николас Дж. С., Чарльз Дж. М., Карпентер Л. А., Кинг Л. Б., Дженнер В., Спратт Е. Г. 2008 Распространенность и характеристики детей с расстройствами аутистического спектра. Ann Epidemiol 18 : 130–136
Статья Google Scholar
Харрисон М.Дж., О’Хара А.Е., Кэмпбелл Х., Адамсон А., Макнилладж Дж. 2006 г. Распространенность расстройств аутистического спектра в Лотиане, Шотландия: оценка с использованием метода «захват-повторный захват». Arch Dis Child 91 : 16–19
CAS Статья Google Scholar
Кавамура Ю., Такахаши О., Исии Т. 2008 Переоценка частоты распространенных нарушений развития: влияние повышенных показателей выявления посредством внедрения интегрированной системы скрининга в компании Toyota, Япония. Psychiatry Clin Neurosci 62 : 152–159
Статья Google Scholar
Eagle RS 2004 Комментарий: Дальнейший комментарий к дискуссии о росте аутизма в Калифорнии. J Autism Dev Disord 34 : 87–88
Статья Google Scholar
Shattuck PT 2006 Диагностическая замена и изменение распространенности аутизма. Педиатрия 117 : 1438–1439
Артикул Google Scholar
Вазана А., Бреснахан М., Клайн Дж. 2007 Эпидемия аутизма: факт или артефакт ?. J Am Acad Детская подростковая психиатрия 46 : 721–730
Статья Google Scholar
Джик Х., Кей Дж. А., Блэк С. 2003 Эпидемиология и возможные причины аутизма Изменения риска аутизма в США.К. для когорт 1990–1998 гг. Фармакотерапия 23 : 1524–1530
Артикул Google Scholar
Бишоп Д.В., Уайтхаус А.Дж., Ватт Г.Дж., Линия Е.А. 2008. Аутизм и диагностическая замена: данные исследования взрослых с нарушением языка в анамнезе. Dev Med Child Neurol 50 : 341–345
Артикул Google Scholar
Гиллберг С., Штеффенбург С., Шауманн Х. 1991. Сейчас аутизм более распространен, чем десять лет назад ?. Br J Психиатрия 158 : 403–409
CAS Статья Google Scholar
Смит Л., Кук С., Фомбонн Е., Хиви Л., Родригес Л.С., Смит П.Г., Холл А.Дж. Вакцинация MMR и распространенные нарушения развития: исследование случай-контроль. Ланцет 364 : 963–969
Артикул Google Scholar
| Когнитивные и коммуникативные этапы | |||||||||
| Болтовня с выражением и копирование звуков, которые он или она слышит | 4 | 51 | |||||||
| Копирует звуки и жесты других людей | 9 | Копирует звуки, которые вы делаете | 44 | 93 | |||||
| Отвечает на собственное имя | 6 | Выглядит, когда вы называете его или ее имя 63 | 97 | ||||||
| Играет «пика-а-бу» | 9 | Играет в такие игры, как «пика-бу» или «похлопай» | 49 | 90 | |||||
| Воспроизведение игры, такие как «peek-a-boo» и «pat-a-cake» | 12 | Играет в такие игры, как «peek-a-boo» или «pat-a-cake» | 80 | 98 | |||||
| 12 | Называет вас «мама» или «дада» или похожее имя | 66 | 91 | ||||||
| Выполняет простые инструкции, такие как «возьми игрушку». | 12 | Следит за такими инструкциями, как «Иди сюда. »Или« Дай мне мяч » | 41 | 94 | |||||
| Выполняет простые инструкции | 24 | Выполняет такие указания, как« Иди сюда »или« Дай мне мяч » | > 99 | > 99 | |||||
| Говорит несколько отдельных слов | 18 | Называет не менее 5 знакомых предметов, например, мяч или молоко | 82 | 97 | |||||
| Говорит предложения из 2–4 слов | 24 | Помещения ≥2 слова вместе, такие как «больше воды» или «иди на улицу» | 93 | > 99 | |||||
| Говорит достаточно хорошо, чтобы незнакомцы понимали большую часть времени | 36 | Говорит, чтобы другие люди могли его понять или ее большую часть времени | 90 | > 99 | |||||
| Начинает понимать время | 48 | Правильно использует такие слова, как «вчера» и «завтра» | 79 | 98 | |||||
| Рассказывает истории | 48 | Рассказывает вам историю из книги или телевизора | 98 | > 99 | |||||
| Играет в настольные или карточные игры | 48 | При игре в настольную или карточную игру следует простым правилам | 73 | 98 | |||||
| Основные этапы развития моторики | |||||||||
| Может переворачиваться с живота на спину | 4 | Перевертывается | 27 | 78 | передает|||||
| 6 | Передает игрушку из одной руки в другую | 75 | 97 | ||||||
| Может принимать сидячее положение 907 44 | 9 | Самостоятельно садится | 78 | 94 | |||||
| Тянется, чтобы встать | 9 | Удерживает 2 предмета и стучит их вместе | 59 | 84 | 12 | Удерживает 2 предмета и стучит их вместе | 98 | > 99 | |
| Ходит в одиночестве | 18 | Ходит по комнате без посторонней помощи | > 99 | > 99 | 907Может подниматься по ступенькам и бежать | 18 | Бежит | 85 | 97 |
| Начинает бежать | 24 | Бежит | > 99 | > 99 | 18 | Поднимается по лестнице с помощью | 82 | 96 | |
| Поднимается и спускается по лестнице, держась за перила 9074 4 | 24 | Поднимается по лестнице с помощью | 98 | > 99 | |||||
| Удар по мячу | 24 | Удар по мячу | 89 | > 99 | |||||
| круги | 24 | Рисует линии | 58 | 92 | |||||
| Хорошо карабкается | 36 | Взбирается по лестнице на детской площадке | 96 | > 99 | 36 | Рисует простые формы, такие как круг или квадрат | 48 | 94 |
Frontiers | Гарвардский конвейер автоматизированной обработки данных для электроэнцефалографии (HAPPE): стандартизированное программное обеспечение для обработки данных о развитии и данных с высоким уровнем артефактов
Введение
Электроэнцефалография (ЭЭГ) – это чувствительный метод неинвазивного захвата нейрофизиологической активности, который может использоваться в клинической и фундаментальной науке во многих областях.Однако во время регистрации сигнал ЭЭГ загрязнен как экспериментальными артефактами, такими как электрические помехи и смещение электродов, так и артефактами, вызванными участниками, такими как движения глаз и мышц. Эти артефактные сигналы во многих случаях гораздо более заметны, чем нейрофизиологический сигнал, значительно искажая ЭЭГ как показатель функции мозга, если их не исправить (Cuevas et al., 2014; Keil et al., 2014). Поэтому к сигналу ЭЭГ обычно применяется серия преобразований обработки после сбора данных для устранения этих артефактов и подготовки данных для анализа, включая фильтрацию, удаление артефактов и привязку сигнала (Keil et al., 2014). Однако конвейеры и параметры обработки ЭЭГ различаются в разных исследованиях с небольшой стандартизацией. Например, один из распространенных подходов к удалению артефактов – это трудоемкий и требующий интенсивного обучения выбор исследователем незагрязненных данных ЭЭГ, критерии для которого частично субъективны и, следовательно, непоследовательны для разных людей. Таким образом, стандартизованные автоматизированные конвейеры обработки ЭЭГ предлагают несколько преимуществ, включая единообразное применение критериев удаления артефактов, эффективный рабочий процесс с большими размерами выборки и облегчение сравнения данных между исследованиями, лабораториями и площадками в проектах с несколькими учреждениями.Соответственно, программные инструменты, автоматизирующие различные этапы обработки ЭЭГ, стали методологическим центром (например, PREP, Bigdely-Shamlo et al., 2015, FASTER, Nolan et al., 2010, ADJUST, Mognon et al., 2011, TAPEEG, Hatz et al., 2015, ASR, Mullen et al., 2013, MARA, Winkler et al., 2014, SASICA, Chaumon et al., 2015), но в основном они были разработаны и протестированы на данных ЭЭГ здоровых взрослых с низкими уровнями загрязнения артефактов (Nolan et al., 2010; Mognon et al., 2011; Mullen et al., 2013; Bigdely-Shamlo et al., 2015; Chaumon et al., 2015; Hatz et al., 2015).
Примечательно, что данные ЭЭГ от групп населения, страдающих развитием, таких как младенцы, маленькие дети и люди с нарушениями развития нервной системы, представляют дополнительные проблемы для извлечения незараженного сигнала. Сигналы ЭЭГ от этих групп населения имеют самый высокий уровень загрязнения артефактами (например, младенцы не могут следовать инструкциям, чтобы воздерживаться от движения ртом или глазами во время сбора данных), и протоколы обычно имеют гораздо более короткое время сбора ЭЭГ, чем у здоровых взрослых, чтобы приспособиться к пониженной переносимости. для тестирования (Tran et al., 2004; Cuevas et al., 2014). Более того, дополнительные полиграфические измерения, используемые для идентификации физиологических артефактов, такие как электроды ЭОГ, обычно не используются во время регистрации ЭЭГ с популяциями, находящимися в процессе развития, из-за снижения толерантности к их обнаружению и снижения качества сигнала. Сочетание этих факторов затруднило прямое применение современных подходов к обработке из литературы по ЭЭГ для взрослых, таких как анализ независимых компонентов (ICA), который требует более длительных записей для наиболее эффективного анализа артефакта из сигнала (Makeig et al., 1996; Делорм и Макейг, 2004; Альбера и др., 2012; Grandchamp et al., 2012) (хотя см. Zima et al., 2012; Piazza et al., 2016). Однако типичные ручные подходы к отторжению артефактов, используемые для этих данных ЭЭГ развития, обычно удаляют большую часть записи ЭЭГ, снижая экспериментальную мощность и жертвуя нейрофизиологически значимыми аспектами ЭЭГ, также содержащимися в отклоненных сегментах (Tran et al., 2004; Tierney et al. al., 2012; Cuevas et al., 2014; Gabard-Durnam et al., 2015). Более того, растущее внимание к сбору больших наборов данных через репозитории и крупномасштабные исследования наряду с использованием сетей ЭЭГ с более высокой плотностью делает ручной выбор данных все более непрактичным в качестве стратегии обработки (Bigdely-Shamlo et al., 2015). В настоящее время существует неудовлетворенная и растущая потребность в инструментах автоматической обработки, подходящих для записей ЭЭГ, подобных тем, которые генерируются этими популяциями.
Целью Гарвардского конвейера автоматизированной предварительной обработки ЭЭГ (HAPPE) является предоставление автоматизированного стандартизованного подхода к обработке этих классов данных ЭЭГ.В частности, HAPPE разработан для данных с высоким уровнем артефактов или очень короткой продолжительностью записи (в масштабе нескольких минут), хотя конвейер может надлежащим образом использоваться с более длинными или менее загрязненными данными. HAPPE интегрирует код на основе Matlab (The Mathworks, Inc.) со свободно доступным академическим программным обеспечением, включая функции EEGLAB (Delorme and Makeig, 2004), для автоматической пакетной обработки данных ЭЭГ состояния покоя и связанных с событиями данных из необработанного формата в подготовленный скорректированный сигнал. для анализа в частотной области.HAPPE включает в себя как полностью автоматизированную, так и полуавтоматическую настройку, так что пользователи могут визуализировать производительность обработки отдельных файлов ЭЭГ на нескольких этапах в полуавтоматической настройке и при необходимости настраивать вводимые пользователем данные, прежде чем запускать полный набор данных через полностью автоматизированный трубопровод. В следующих разделах подробно описываются этапы обработки предлагаемого конвейера HAPPE и показатели отчета постобработки, демонстрируется эффективность HAPPE в различных условиях артефакта ЭЭГ и длины записи, включая анализ 10 файлов развития, и сравнивается производительность HAPPE с производительностью семи альтернатив. широко используемые подходы к обработке.
Гарвардский автоматизированный конвейер предварительной обработки для ЭЭГ (HAPPE)
Входы HAPPE EEG
HAPPE поддерживает несколько типов ЭЭГ с разными параметрами сбора данных в качестве входных данных. HAPPE считывает данные из файлов Matlab, экспортированных в EGI (Electrical Geodesics, Inc.), для ЭЭГ в состоянии покоя, и данные могут иметь разные идентифицирующие имена переменных в разных файлах. В настоящее время HAPPE считывает экспортированные в EGI простые двоичные файлы для ЭЭГ, связанной с событиями. Однако пользователи могут легко изменить код импорта для чтения любого формата файла для любого состояния покоя или связанной с событием ЭЭГ, которую принимает EEGLAB.Отдельный запуск HAPPE должен включать только данные о состоянии покоя или только данные, связанные с событиями, и пользователи должны указать один или другой в качестве типа входного файла. HAPPE в настоящее время совместим с раскладками ЭЭГ на 64 и 128 каналов. Каждый запуск HAPPE должен включать файлы, собранные с одинаковой компоновкой каналов (компания и номер электрода), и пользователи должны указать соответствующую компоновку каналов в данном прогоне HAPPE. Пользователи, желающие включить различные схемы каналов ЭЭГ в один проход конвейера, могут легко сделать это, обратившись к HAPPE через программное обеспечение Batch EEG Automated Processing Platform (BEAPP), доступное по адресу https: // github.com / lcnbeapp / beapp. HAPPE обрабатывает собранные данные с любой частотой дискретизации, а файлы в рамках одного запуска HAPPE могут отличаться по своей индивидуальной частоте дискретизации. Схема этапов обработки HAPPE, вариантов и выходных данных представлена (рис. 1).
Рисунок 1 . Схема, иллюстрирующая этапы обработки трубопровода HAPPE. Промежуточные выходные файлы ЭЭГ обозначаются суффиксом, добавленным после этого конкретного шага обработки в синих полях. Также указаны пользовательские параметры для этапов сегментации и визуализации нескольких этапов в HAPPE с полуавтоматической настройкой.Независимый компонентный анализ сокращенно обозначается ICA.
HAPPE состоит из следующих этапов обработки данных ЭЭГ:
1. Фильтрация
2. Выбор подмножества каналов ЭЭГ
3. Устранение электрических (линейных) помех
4. Отклонение плохого канала
5. Пороговая обработка с использованием вейвлетов (W-ICA)
6. ICA с автоматическим отбраковкой компонентов
7. Автоматическое отклонение сегмента (опционально)
а. Сегментация (необязательно)
г.Интерполяция плохих каналов для каждой эпохи (опционально)
8. Интерполяция плохих каналов
9. Ссылка
Ниже подробно описывается реализация каждого шага обработки в HAPPE.
Фильтрация
Все файлы подвергаются фильтру высоких частот с частотой 1 Гц. Фильтр удаляет нестационарный дрейф сигнала по записи и служит этапом предварительной обработки для удаления электрического шума и последующих этапов ICA (Bigdely-Shamlo et al., 2015; Винклер и др., 2015). Было показано, что ICA лучше всего справляется с разделением сигналов после высокочастотного фильтра 1-2 Гц для данных (Winkler et al., 2015). Для файлов, собранных с частотой дискретизации, равной или превышающей 500 Гц, фильтр 1 Гц включен в полосовой фильтр от 1 до 249 Гц, чтобы ограничить сигнал, разложенный с помощью ICA.
Выбор подмножества каналов ЭЭГ
Пользователи должны указать подмножество из 19 каналов, соответствующих электродам системы International 10–20 (без эталонного электрода Cz) для своей схемы каналов (для использования в дальнейшем с автоматическим подавлением артефактов ICA) и любых дополнительных каналов, которые они хотят обрабатывать в HAPPE. .Каналы, не указанные в списке подмножеств, удаляются из последующей обработки и не могут быть восстановлены позже. Например, для данных из 128-канальной сети, где пользователь выбирает 50 каналов, данные, обработанные после HAPPE, будут содержать только данные для этих 50 выбранных каналов. Выбор подмножества каналов облегчает использование ICA в контексте коротких записей ЭЭГ, где надежное разложение ICA маловероятно, если все каналы с высокой плотностью являются входными. Как правило, ICA разбивает сигнал на то же количество источников сигнала, что и сетевые каналы (при условии, что интерполяция каналов еще не произошла) (Makeig et al., 1996). Чтобы создать надежную, стабильную декомпозицию ICA и избежать повторного изучения данных, существуют рекомендуемые ограничения на то, сколько каналов может быть разложено с учетом длины и частоты дискретизации записи ЭЭГ (Särelä et al., 2003). В частности, в настоящее время рекомендуется, чтобы запись ЭЭГ содержала не менее 30 * (количество каналов) 2 выборок данных для разложения ICA (например, Onton and Makeig, 2006). Например, для ЭЭГ, полученной при 128-канальной сети и частоте дискретизации 500 Гц (500 отсчетов в секунду), потребуется не менее 491 520 отсчетов (30 * 128 2 отсчетов), то есть 983.04 с записи (491 520 отсчетов / 500 Гц) для надежного разложения с помощью ICA.
Тем не менее, короткие записи ЭЭГ, подобные тем, которые обычно фиксируются с популяциями, живущими в процессе развития, и особенно короткие записи ЭЭГ, сделанные с разметкой каналов с высокой плотностью (например, 128, 256 каналов), не обеспечивают достаточного количества выборок данных для надежного разложения ICA без уменьшения размера данных. . Поэтому HAPPE реализует выбор подмножества каналов, чтобы повысить надежность декомпозиции ICA для этих типов данных.Таким образом, количество каналов, которые могут быть обработаны за один прогон HAPPE, будет зависеть от продолжительности записи ЭЭГ пользователя и частоты дискретизации во время сбора данных. Например, выбор 40 из 128 каналов для обработки базовой записи ЭЭГ с частотой дискретизации 250 Гц потребует 48000 выборок для адекватного ICA (30 * 40 2 = 48000). 5-минутная запись с 75 000 выборок легко обеспечит адекватные выборки данных. 19 каналов из 10–20 электродов должны быть включены в общее количество электродов, выбираемых пользователем (т.е.е., в этом примере пользователь может выбрать дополнительный 21 электрод из своей схемы каналов, чтобы включить их вместе с 10–20 электродами в их подмножество каналов). Следует отметить, что если длина и частота дискретизации файлов ЭЭГ в исследовании допускают декомпозицию ICA по всему количеству каналов, то полный набор каналов может быть введен пользователем в качестве «подмножества» каналов.
Удаление электрического (линейного) шума
HAPPE удаляет электрический шум (например, артефактный сигнал 60 или 50 Гц) из ЭЭГ с помощью подхода многократной регрессии, реализованного программой CleanLine (Mullen, 2012).Многоступенчатая регрессия может удалить электрический шум, не жертвуя и не искажая лежащий в основе сигнал ЭЭГ на соседних частотах, что является недостатком метода режекторной фильтрации для удаления линейного шума (Mitra and Pesaran, 1999). В частности, HAPPE применяет многоступенчатую регрессию CleanLine с включенным сканированием для точной частоты линейного шума около заданной пользователем частоты ± 2 Гц, 4-секундным окном с размером шага 1 с и тау сглаживания 100 во время быстрого преобразования Фурье. преобразовать, и порог значимости p = 0.01 для коэффициентов регрессии синусоиды при устранении электрических помех. Любой оставшийся линейный шум в данных после регрессии CleanLine дополнительно устраняется с помощью следующих этапов определения пороговых значений вейвлетов, ICA и повторной ссылки (если выбрана средняя повторная ссылка).
Отклонение плохого канала
HAPPE определяет и удаляет каналы, включая каналы с высоким импедансом или смещением во время записи. HAPPE помечает такие каналы как «плохие каналы», и их данные не включаются в дальнейшую обработку или анализ.HAPPE определяет плохие каналы, оценивая нормированную совместную вероятность средней логарифмической мощности от 1 до 125 Гц по заданному пользователем подмножеству включенных каналов. Каналы, вероятность которых падает более чем на 3 стандартных отклонения от среднего, удаляются как плохие. Оценка плохого канала выполняется дважды для каждого файла данных, поскольку каналы, которые в противном случае были бы вручную идентифицированы как плохие (например, отсутствие сигнала, смещение визуально очевидно), остались в данных после первоначальной совместной оценки вероятности, но были успешно идентифицированы. во время второй оценки при разработке HAPPE.Для каналов, удаленных как плохие каналы, на более позднем этапе обработки (после декомпозиции ICA) данные интерполируются из соседних каналов, чтобы сохранить полный набор каналов, выбранных пользователем, для анализа постобработки.
Пороговое значение вейвлета (W-ICA)
Для исследований с более низкими уровнями артефактов ЭЭГ сегменты данных с очевидным артефактом контаминации, особенно нестереотипным артефактом (например, прерыванием сигнала), обычно отклоняются перед выполнением ICA в качестве подхода отклонения артефактов (Грин-Яценко и др., 2010; Piazza et al., 2016). Шаг начального отклонения данных улучшает последующее разделение ICA на артефакты и нейронные компоненты. Однако в файлах данных ЭЭГ развития высокая степень артефактов в сочетании с часто коротким временем записи может привести к неэффективной потере данных из-за этого подхода отклонения сегментов (Cuevas et al., 2014). Таким образом, HAPPE реализует подход ICA с вейвлет-усилением (W-ICA), подробно описанный ниже в качестве предварительного шага для исправления артефакта ЭЭГ с сохранением всей длины файла данных перед выполнением ICA для отклонения компонентов артефакта.Этот подход W-ICA, за которым следует ICA, подтверждается предыдущей работой, показывающей, что использование подходов с вейвлет-порогом до ICA улучшает результирующую декомпозицию ICA данных ЭЭГ (Rong-Yi and Zhong, 2005). На этапе W-ICA удаляются несколько классов артефактов, включая артефакты, генерируемые глазами и мышцами, артефакты высокой амплитуды (например, мигание) и разрывы сигнала (например, электроды теряют контакт с кожей головы).
W-ICA влечет за собой сначала выполнение ICA-разложения сигнала ЭЭГ на компоненты, после чего все временные ряды компонентов подвергаются вейвлет-преобразованию и устанавливаются пороговые значения для удаления артефактов, прежде чем все временные ряды компонентов будут переведены обратно в формат канала ЭЭГ ( Кастелланос, Макаров, 2006).То есть все компоненты ICA подвергаются пороговой обработке вейвлетов для удаления артефактов в каждом компоненте, но ни один компонент ICA не отклоняется полностью на этом этапе конвейера. Хотя исходный ICA недостаточно разделяет данные на нейронные компоненты и компоненты артефактов для оптимального отклонения компонентов ICA на этом этапе, артефакт более кластеризован на определенные компоненты по сравнению с необработанными данными по каналам. Вейвлет-пороговая обработка компонентов, полученных из ICA, вместо необработанных данных, увеличивает контраст между величинами артефактов и нейронных сигналов, чтобы обойти параметры настройки порога, а также улучшить производительность W-ICA (Castellanos and Makarov, 2006).HAPPE выполняет этап ICA W-ICA с использованием расширенного алгоритма Infomax для повышения чувствительности к любому оставшемуся электрическому шуму и другим источникам с субгауссовым или сверхгауссовым распределением активности (Jung et al., 1998). По сравнению с другими алгоритмами ICA и методами разложения, расширенный алгоритм Infomax оказался оптимальным подходом для разложения электрофизиологических сигналов, таких как ЭЭГ (Delorme et al., 2007).
На этапе определения порогового значения вейвлета W-ICA сначала выполняется вейвлет-преобразование компонентного временного ряда, которое создает ряд коэффициентов для описания сигнала ЭЭГ.Здесь стационарное вейвлет-преобразование полного набора независимых компонентов выполняется с помощью вейвлета Койфлета (уровень 5). Было выбрано семейство вейвлетов Coiflets, поскольку было обнаружено, что оно обеспечивает оптимальное извлечение нервных импульсов из сигнала артефакта как в типичных, так и в эпилептических записях ЭЭГ (Gandhi et al., 2011). HAPPE разлагает данные на детальные коэффициенты для частот ниже примерно 125 Гц и выше примерно 8 Гц (то есть частотное разрешение вейвлет-преобразования; хотя HAPPE не тестировался на данных ЭЭГ с патологическими формами волны, такими как эпилептическая ЭЭГ, HAPPE должен сохранять низкий уровень частотные аномалии, такие как комплексы спайк-медленных волн, наблюдаемые в этих популяциях.Дальнейшее тестирование эпилептических или других аномальных данных ЭЭГ должно быть выполнено в будущем, чтобы подтвердить, что HAPPE является надежной стратегией обработки в этих случаях). Затем коэффициенты подвергаются пороговой обработке, так что коэффициенты со значениями, меньшими порогового значения, существенно подавляют свой вклад в данные (аналогично Rong-Yi and Zhong, 2005; Jansen, 2012). Установление пороговых значений в HAPPE выполняется с помощью функции Matlab ddencmp. Глобальный мягкий порог определяется автоматически для каждого файла с использованием дисперсии и длины сигнала по формуле:
Порог = медиана [абс (D)] 0.6745 * 2log (N), где D – набор подробных коэффициентов, предоставляемых вейвлет-преобразованием, а N – длина компонентов ICA
Эта формула представляет собой масштабированную версию универсального порога, впервые предложенного Донохо и Джонстон (1994), которая также включает надежную оценку дисперсии сигнала. Мягкая пороговая обработка (Donoho, 1995) была реализована в предыдущих исследованиях электрофизиологических данных с вейвлет-пороговой обработкой для отклонения артефактов (например,г., Аль-Каззаз и др., 2017). Как и в предыдущих исследованиях W-ICA, учитывая, что величина артефактов может быть намного больше, чем у нейрофизиологических сигналов, составляющие временные ряды, амплитуды которых достаточно велики, чтобы выдержать пороговое значение вейвлета, принимаются как временные ряды артефактов (аналогичные временным рядам Кастелланоса и Кастелланоса). Макаров, 2006). Эти временные ряды артефактов затем вычитаются из временных рядов с предварительно заданными пороговыми значениями, чтобы удалить эти артефакты из данных ЭЭГ.
ICA с автоматическим отклонением компонентов
После того, как W-ICA удалит некоторые из наиболее серьезных артефактов, данные ЭЭГ больше подходят для декомпозиции ICA с автоматическим отклонением компонентов для устранения оставшихся артефактов.HAPPE, как и раньше, реализует алгоритм расширенного Infomax ICA. Автоматическое отклонение компонентов достигается с помощью алгоритма отклонения множественных артефактов (MARA), алгоритма машинного обучения, который оценивает компоненты, производные от ICA (Winkler et al., 2011, 2014). Хотя существуют другие алгоритмы для автоматического обнаружения определенных категорий артефактов (например, артефакты движения глаз и прерывания сигнала, Mognon et al., 2011), MARA была обучена ручной классификации компонентов и, таким образом, улавливает широкий спектр артефактов, которые отклоняются вручную. обнаруживает.MARA оказалась особенно эффективной при обнаружении и удалении компонентов мышечных артефактов (см. Сравнение подходов в разделе HAPPE по сравнению с другими общими подходами к обработке ниже). В частности, MARA оценивает каждый компонент по 6 признакам алгоритма, описанным ниже, а затем присваивает компоненту вероятность того, что в нем преобладает сигнал артефакта. Эту вероятность можно интерпретировать как процент загрязнения артефактом, который, по оценкам, присутствует в компоненте. Как и в исходных приложениях MARA, HAPPE автоматически отклоняет любые компоненты с вероятностью артефактов больше 0.5 (то есть с вероятностью более 50% это компонент артефакта) (Winkler et al., 2011, 2014). Статистика для вероятностей артефактов всех сохраненных компонентов используется для генерации показателей качества данных, подробно описанных в разделе Median_Artifact_Probability_of_Kept_ICs Mean_Artifact_Probability_of_Kept_ICs Range_Artifact_ Probability_of_Kept_ICs Min_Artifact_Probability_of_Kept_ICs Min_Artifact_Probability_IC_OF_Ke_Artifact_Artifact_Probability_of_Cept_Probability_of_Ke_Ke_Artifact_Artifact_Probability_of_Cept_Anc_
MARA использует 6 функций данных, основанных на временной, спектральной и пространственной информации, чтобы назначить вероятность артефакта независимому компоненту, как кратко описано ниже (и подробно описано в Winkler et al., 2014).
1. Средняя локальная асимметрия: первая характеристика – это средняя локальная асимметрия данных (временная характеристика, рассчитанная с шагом 15 с). Функция локальной асимметрии идентифицирует компоненты с выбросами временного ряда, где более высокие значения асимметрии указывают на вероятный артефакт (например, мигание компонента или потеря контакта электрода с кожей головы).
Все следующие три функции полагаются на информацию из частотной области.
2. Логарифмическая альфа-мощность: Вторая характеристика – это средняя логарифмическая мощность в альфа-диапазоне (определяется как 8–13 Гц).Компоненты, производные от мозга, обычно демонстрируют устойчивые уровни мощности альфа-диапазона, тогда как компоненты, управляемые артефактами, нет (эта функция не отмечает какие-либо конкретные типы артефактов, а вместо этого отражает общую общую характеристику компонентов артефактов). Применение этой функции к данным о развитии подробно обсуждается ниже.
3. Лямбда: Третья характеристика, лямбда, отражает степень отклонения спектра мощности компонента от прототипного распределения 1 / f, наблюдаемого в компонентах, полученных из головного мозга.Мощность для шести частот в спектре мощности отбирается для каждого компонента, чтобы сгенерировать его кривую мощности спектра и вычислить лямбда. Эта функция особенно чувствительна к мышечным артефактам, которые обычно проявляются как спектр мощности с очень плохим соответствием распределению 1 / f (включая резко увеличенную мощность на более высоких частотах, таких как бета и гамма, после начального уменьшения мощности на более низких частотах). .
4. Ошибка аппроксимации: аналогично, четвертая характеристика, ошибка аппроксимации, представляет собой среднеквадратичную ошибку аппроксимации распределения f к распределению каждого компонента, особенно в диапазоне 8–15 Гц, который фиксирует мощность альфа-диапазона и переход к бета-диапазону. мощность.Функция ошибки соответствия неспецифична для типов артефактов, но вместо этого служит обобщенным маркером вероятности артефакта.
Последние две функции используют пространственную информацию для обнаружения компонентов артефактов.
5. Диапазон в шаблоне: В частности, пятая особенность, диапазон в шаблоне, берет (логарифмическую) разницу между наибольшей и наименьшей величинами активации на коже черепа для компонента, в то время как компоненты артефактов обычно демонстрируют больший диапазон в пределах шаблонов (например.(g., глазные артефакты и движение мышц приводят к образованию концентрированных областей очень высокой величины по сравнению с величиной других электродов, тогда как компоненты мозгового происхождения имеют тенденцию иметь более постоянные величины на электродах и, следовательно, меньшие диапазоны величин).
6. Норма плотности тока: последняя характеристика, норма плотности тока, использует данные о 10–20 местоположениях каналов, вводимые в MARA, и отражает решение для моделирования компонента с использованием модели, которая была разработана для соответствия церебральной активности ( минимальное значение нормы плотности тока отражает простейшую модель источника, которая, скорее всего, является церебральной активностью).Поскольку внешние артефакты не предназначены для моделирования с помощью этого подхода, компоненты, управляемые артефактами, возвращают очень высокие нормы плотности тока (отражающие слишком сложные исходные модели). Функция нормы плотности тока также неспецифична для определенных типов компонентов артефактов, но вместо этого фиксирует общую вероятность артефакта.
Вместе эти 6 функций устраняют широкий спектр артефактов, наблюдаемых в независимых компонентах.
MARA не проходил обучение специально на основе данных о развитии или пациентах, но некоторые результаты подтверждают его применение в этих контекстах.Во-первых, анатомические корреляции 10-20 электродов, которые MARA использует для вычисления своих пространственных характеристик, очень согласованы в мозге младенцев и взрослых (Kabdebon et al., 2014). То есть сопоставимая информация предоставляется о пространственных характеристиках MARA от 10–20 электродов независимо от возраста. Во-вторых, потенциальное беспокойство при разработке HAPPE заключалось в том, что одна из спектральных характеристик MARA оценивает мощность альфа-диапазона ЭЭГ, когда у очень маленьких детей или клинических групп может наблюдаться пик мощности, отличный от альфа-диапазона, наблюдаемого у здоровых взрослых (Строганова и др., 1999; Lansbergen et al., 2011). Тем не менее, эмпирически, даже у самых маленьких протестированных младенцев (возраст 3 месяца) в настоящем наборе данных было достаточно альфа-мощности в компонентах, чтобы надлежащим образом использовать этот критерий MARA. Действительно, трехмесячные файлы в приведенном ниже примере анализа имели самые низкие показатели отклонения компонента MARA в выборке. Вариация пиков альфа-диапазона также сохранялась во всех наборах данных о развитии и была согласованной в отдельных файлах до и после отклонения компонента MARA, предполагая, что альфа-пики не были нарушены во время алгоритма отклонения компонента.Наконец, уровни отклонения компонентов MARA для наборов данных, проходящих через HAPPE, были сопоставимы как с коэффициентами отклонения для данных взрослых, используемых для проверки MARA (Winkler et al., 2011, 2014), так и с коэффициентами отклонения компонентов вручную с разложенными данными развития. с ICA (Piazza et al., 2016). Таким образом, HAPPE включает MARA в качестве надежного инструмента оценки отторжения компонентов, подходящего для данных развития и клинических данных.
Сегментация (необязательно)
HAPPE включает дополнительный этап сегментации данных вместе с несколькими дополнительными этапами отклонения артефактов для дальнейшей оптимизации обработки.Для данных с маркерами событий (например, данных ЭЭГ, связанных с событиями) данные могут быть сегментированы по событиям, как указано пользователем. Для данных без маркеров событий (например, ЭЭГ в состоянии покоя) регулярно отмечаемые сегменты любой продолжительности, указанной пользователем, генерируются с начала файла ЭЭГ на время записи.
После сегментации доступно несколько дополнительных параметров уменьшения артефактов, хотя пользователи также могут сегментировать свои данные, не применяя следующие параметры.Параметры уменьшения артефактов после сегментации, которые выбирает пользователь, могут зависеть от количества доступных сегментов, а также от степени загрязнения артефактов, остающегося в отдельных сегментах после предыдущих этапов предварительной обработки.
Пользователи с относительно короткими файлами данных, для которых отклонение сегмента приведет к неприемлемо низкому оставшемуся количеству сегментов для анализа, могут выбрать дополнительный этап пост-сегментации, включающий интерполяцию данных для каналов, определенных как загрязненные артефактами в каждом отдельном сегменте. , как реализовано в программном обеспечении FASTER (Nolan et al., 2010). Каждый канал в каждом сегменте оценивается по четырем критериям БЫСТРЕЕ (дисперсия, средний градиент, диапазон амплитуд и отклонение от средней амплитуды), и создается Z-оценка (мера стандартного отклонения от среднего) для каждого канала в этом сегменте. для каждого из четырех показателей. Любые каналы с одним или несколькими Z-баллами, превышающими 3 стандартных отклонения от среднего для отдельного сегмента, помечаются как плохие для этого сегмента. Эти критерии могут идентифицировать сегменты с остаточными артефактами большой амплитуды (например,ж., артефакты глаза), нарушение целостности электрода (например, электрод временно потерял контакт с кожей головы) и мышечный артефакт. Впоследствии для каждого сегмента данные плохих каналов интерполируются с помощью сферических сплайнов, как в FASTER. Это позволяет пользователям поддерживать максимальное количество доступных сегментов, при этом максимально отклоняя артефакты в отдельных сегментах.
В качестве альтернативы, для пользователей с относительно длинными файлами данных (для которых отклонение некоторых сегментов не вызывает беспокойства) или для пользователей, которые хотят избежать интерполяции данных внутри отдельных сегментов, вторым необязательным шагом является отклонение сегмента на основе как амплитуды, так и совместной вероятности. критерии.Отклонение на основе амплитуды полезно для артефактов с высокой амплитудой, таких как моргание глаз, в то время как совместное отклонение на основе вероятности улавливает другие классы артефактов, особенно высокочастотные артефакты, такие как мышечные артефакты. Вместе эти два критерия представляют собой эффективную и экономичную по времени комбинацию для определения сегментов, загрязненных артефактами. Эта комбинация ранее использовалась с данными ЭЭГ развития (Delorme et al., 2007; Piazza et al., 2016). Пользователи задают пороговое значение амплитуды артефакта для шага отклонения на основе амплитуды, так что любой сегмент, по крайней мере, с одним каналом, амплитуда которого пересекает пороговое значение, будет отмечен для отклонения.По умолчанию HAPPE для порога артефакта составляет 40 микровольт, что отражает меньшую общую амплитуду сигнала, которая возникает в результате пороговой обработки вейвлетов и шагов ICA. Тем не менее, пользователям рекомендуется запускать полуавтоматическую настройку HAPPE по крайней мере для нескольких файлов, чтобы визуально проверить, приводит ли эта амплитуда по умолчанию к соответствующему отклонению сегмента в их собственных наборах данных. Затем вычисляются две совместные вероятности с помощью функции pop_jointprob EEGLAB. Вычисляется совместная вероятность активности электрода в сегменте с учетом активности того же электрода во всех других сегментах (вероятность одного электрода), и рассчитывается совместная вероятность активности электрода в сегменте с учетом активности всех других электродов для этого же сегмента. (вероятность группы электродов).Эти совместные вероятности оцениваются таким образом, что любой сегмент помечается для отклонения, когда либо (1) вероятность одиночного электрода канала, либо (2) вероятность его группы электродов выходит за пределы 3 стандартных отклонений от среднего значения, помечаются для отклонения. Этот критерий наиболее успешно идентифицировал сегменты с остающимся высокочастотным артефактом во время развития HAPPE. Все сегменты, отмеченные либо из критериев амплитуды, либо из критериев совместной вероятности, затем одновременно отбрасываются за один шаг.
Примечательно, что этот этап отклонения сегмента может выполняться на всех каналах, указанных пользователем, или на подмножестве каналов для конкретной области интереса (ROI). Опция подмножества каналов ROI позволяет пользователям настраивать отклонение сегмента для конкретного анализа ROI, если несколько ROI были включены в каналы, выбранные для обработки HAPPE.
Интерполяция плохих каналов
Для всех прогонов HAPPE (независимо от параметров сегментации) любые каналы, удаленные на этапе обработки отклонения плохих каналов, теперь подвергаются сферической интерполяции (с полиномами Лежандра до 7-го порядка) их сигнала.Интерполяция каналов повторно заполняет данные для всего подмножества каналов, указанного пользователем, и снижает смещение при повторных ссылках, если выбрана опция среднего повторного задания. Идентификационные данные всех интерполированных каналов, если таковые имеются, для файла записываются в отчете об обработке HAPPE для пользователей, которые хотят отслеживать процент или идентичность интерполированных каналов в своих наборах данных перед дальнейшим анализом.
Ссылка
Последний этап обработкиHAPPE – это повторная ссылка на данные ЭЭГ.Пользователь может указать либо повторную ссылку, используя среднее значение по всем каналам (т. Е. Среднюю повторную ссылку), либо используя подмножество каналов из одного или нескольких каналов. Для обоих вариантов повторной ссылки для повторной ссылки могут использоваться только каналы в указанном пользователем наборе каналов, выбранном для обработки HAPPE. Референция также уменьшает артефакты сигналов, которые постоянно существуют на электродах, включая остаточный линейный шум.
Выходы HAPPE EEG
HAPPE создает несколько папок, содержащих файлы ЭЭГ, которые находятся в указанной пользователем папке файлов для обработки.Файлы ЭЭГ сохраняются после нескольких промежуточных этапов обработки, чтобы пользователи могли подробно изучить и визуализировать, как эти этапы повлияли на сигнал ЭЭГ в своих собственных наборах данных. Промежуточные файлы включают в себя минимально обработанные данные ЭЭГ, данные после вейвлет-пороговой обработки, данные после ICA с неизмененной информацией о компонентах, данные ЭЭГ после отклонения компонентов и, если выбраны параметры сегментации, файлы с данными ЭЭГ после сегментации. HAPPE выводит полностью обработанные файлы, которые подходят для дальнейшего анализа (например,g., частотно-временное разложение) в одном из нескольких форматов для повышения совместимости с другим программным обеспечением для визуализации данных или статистического анализа. HAPPE также выводит отчет об обработке HAPPE (описанный ниже) для пакета файлов и, если пользователи запускали HAPPE в полуавтоматической настройке, изображение для каждого файла ЭЭГ, содержащего полностью обработанный спектр мощности ЭЭГ.
Отчет об обработке HAPPE
Для каждого прогона HAPPE создает таблицу отчета с описательной статистикой и метриками данных для каждого файла ЭЭГ в пакете в единой электронной таблице, чтобы помочь быстро и эффективно оценить производительность конвейера и качество данных среди участников в рамках исследований или между ними (см. Пример в таблице 1).Таблица отчета со всеми этими показателями предоставляется в виде файла .csv в «обработанной» папке, созданной во время HAPPE.
Таблица 1 . Пример отчета об обработке HAPPE для 10 файлов в примере набора данных.
Каждая метрика данных кратко описана ниже. Кроме того, чтобы лучше понять распределение значений для каждой метрики, которое можно ожидать в популяции развития, мы предоставляем описательные распределения из выборки из 867 ЭЭГ развития.Этот набор данных включает ЭЭГ участников в возрасте от 3 до 36 месяцев и содержит три группы участников в рамках более крупного продольного исследования возникновения расстройства аутистического спектра (РАС) (см. Подробное описание в Tierney et al., 2012). проекта). Типично развивающиеся младенцы (группа «Низкий риск / отсутствие аутизма»), младенцы с высоким риском развития РАС из-за наличия старшего брата или сестры с РАС, но которым самим не был поставлен диагноз РАС («Высокий риск / отсутствие аутизма. »), И младенцы с высоким риском РАС, которым был поставлен диагноз РАС (группа« Высокий риск / Аутизм »), вносят свой вклад в эту выборку.Проект был одобрен Наблюдательным советом учреждения (местным комитетом по этике) Бостонского университета и Бостонской детской больницы (№ X06-08-0374) и проводился с письменного информированного согласия всех воспитателей до участия их ребенка в исследовании. . Для каждого показателя распределение значений по этой большой выборке представлено сгруппированными по возрасту и отдельно по статусу клинического риска. Описательная статистика для всей выборки файлов 867 по всем показателям также представлена в таблице 2.Эти распределения могут помочь пользователям в установке пороговых значений для удаления файлов из дальнейшего анализа из-за низкого качества данных, а также в сравнении производительности HAPPE в их собственных данных с производительностью HAPPE с настоящим образцом.
Таблица 2 . Описательная статистика для показателей качества данных в образце развития.
Number_Epochs_Post_Epoch_Rejection
Во-первых, если пользователь выбрал опцию отклонения сегмента в HAPPE, он может оценить количество сегментов данных, оставшихся после отклонения для каждого файла, чтобы определить любые файлы, которые не могут предоставить достаточно чистых данных для включения в дальнейший анализ (на усмотрение пользователя).Пользователь также может легко свести в таблицу описательную статистику для оставшихся сегментов для отчета в разделе «Методы» своей рукописи (например, среднее и стандартное отклонение количества используемых сегментов данных для каждого файла в своем исследовании).
Percent_Good_Channels_Selected
Interpolated_Channel_IDs
Далее предоставляется процент каналов, дающих неинтерполированные данные («хорошие каналы»), и идентичность интерполированных каналов. Пользователи, желающие ограничить объем интерполированных данных в дальнейшем анализе, могут легко идентифицировать файлы для удаления с помощью этих двух показателей.Распределение процента хороших каналов для включенной здесь выборки развития визуализировано на Рисунке 2.
Рисунок 2 . Сохранено процентное соотношение хороших каналов. Распределение процента каналов, оставшихся в качестве хороших каналов во время отторжения каналов, показано как функция возраста, когда была получена ЭЭГ (A) , или статуса клинической группы (B) для образца развития.
Number_ICs_Rejected
Percent_ICs_Rejected
Также приведены количество и процент независимых компонентов, отклоненных MARA как компоненты артефактов после поствейвлет-пороговой декомпозиции ICA.Эти меры могут быть полезны для оценки того, как ICA с MARA работает с данными пользователя в файлах, поскольку плохое разделение артефактов от нейронного сигнала приведет к тому, что MARA будет последовательно отклонять большинство компонентов в файлах. Распределение процента компонентов, отклоненных в включенной здесь экспериментальной выборке, визуализировано на Рисунке 3.
Рисунок 3 . Процент отклоненных независимых компонентов (ИС). Распределение процента независимых компонентов, отклоненных MARA после разложения ICA, показано как функция возраста, когда была получена ЭЭГ (A) , или статус клинической группы (B) для образца развития.
Percent_Variance_Kept_of_Post_Waveleted_Data
Дополнительным показателем к переменным отклонения компонентов является мера отклонения данных, сохраненных после отклонения MARA, по сравнению с отклонением компонентов до MARA. Здесь остаточная дисперсия для всех электродов рассчитывается с использованием функции compvar (Delorme et al., 2001) в EEGLAB. Степень разброса данных, учитываемых каждым независимым компонентом, может существенно различаться для разных компонентов файла.Таким образом, данный процент отклоненных компонентов не обязательно указывает на то, была ли удалена небольшая часть сигнала ЭЭГ или даже большая часть сигнала ЭЭГ. Эта связь проиллюстрирована на включенной здесь большой выборке развития (рис. 4). Соответственно, метрика с сохранением дисперсии может быть полезна для определения того, какая часть сигнала ЭЭГ была отклонена MARA, хотя пользователи должны учитывать, что артефактный сигнал в первую очередь влияет на дисперсию сигнала больше, чем нейронный сигнал.Показатели сохраненного отклонения и отклоненного компонента вместе могут использоваться для установки порога допуска (например, 20%) для степени отклонения данных с простой идентификацией файлов для удаления из дальнейшего анализа. Распределение процента дисперсии ЭЭГ, сохраненных в включенной здесь выборке развития, см. На Рисунке 5.
Рисунок 4 . Связь между отклонением независимого компонента (IC) и сохраняемым процентом дисперсии данных. Связь между процентом вариации в ЭЭГ, сохраняющейся после отклонения MARA от IC (ось x), и процентом IC, отклоненного MARA (ось y), показана для образца развития.Распределения для каждой метрики в той же выборке показаны напротив помеченных осей; верхнее распределение – процент сохраненной дисперсии, правое распределение – процент отклоненных интегральных схем.
Рисунок 5 . Процентное отклонение сохраняется после отклонения MARA. Распределение процента дисперсии сигнала ЭЭГ, сохраняющегося после отклонения независимых компонентов MARA, показано как функция возраста, когда ЭЭГ была получена (A) , или статуса клинической группы (B) для образца развития.
Median_Artifact_Probabilityof_Kept_ICs
Artifact_Probability_of_Kept_ICs
Range_Artifact_Probability_of_Kept_ICs
Min_Artifact_Probability_of_Kept_ICs
Max_Artifact_Off
Окончательный набор показателей, предоставляемых HAPPE, включает описательную статистику для генерируемых MARA вероятностей того, что независимые компоненты, оставшиеся после отбраковки, загрязнены артефактами (показатели вероятности артефактов). Следует отметить, что эти значения получаются до того, как произойдет отклонение сегмента или интерполяция канала на уровне сегмента, поэтому эти показатели будут переоценивать уровни артефактов в полностью обработанных данных, если были выбраны варианты отклонения сегмента или интерполяции.Тем не менее, показатели вероятности артефактов, особенно средняя и средняя вероятности артефактов, могут указывать на то, какие файлы остаются слишком загрязненными артефактами, чтобы вносить вклад в дальнейший анализ. Распределения для средней и средней вероятностей артефактов для включенной здесь выборки развития представлены (рисунки 6, 7, соответственно).
Рисунок 6 . Средняя вероятность артефакта сохраненной ЭЭГ. Распределение среднего значения вероятности артефакта для оставшихся независимых компонентов после отторжения MARA показано как функция возраста, когда была получена ЭЭГ (A) , или статуса клинической группы (B) для образца развития.
Рисунок 7 . Средняя вероятность артефакта сохраненной ЭЭГ. Распределение среднего (среднего) значения вероятности артефакта для оставшихся независимых компонентов после отторжения MARA показано как функция возраста, когда была получена ЭЭГ (A) , или статуса клинической группы (B) для развивающегося образец.
Посредством этой таблицы показателей в отчете HAPPE стремится предоставить богатый, поддающийся количественной оценке, но легко доступный способ эффективной оценки качества данных даже для очень больших наборов данных в контексте автоматизированной обработки.Визуальный осмотр каждого файла не требуется, хотя он имеется. Помимо целей отклонения файлов, которые больше не соответствуют стандартам качества для исследования, и оценки эффективности HAPPE для определенного набора данных, мы также надеемся поощрять более строгие отчеты о показателях качества данных в рукописях, предоставляя эти выходные данные, уже сведенные в таблицы и легко преобразованные в описательная статистика для включения. Пользователи могут также пожелать включить один или несколько из этих показателей в качестве непрерывных ковариат помех в статистический анализ, чтобы лучше учесть различия в качестве данных между файлами или проверить, есть ли статистически значимые различия в постобработке качества данных между интересующими исследовательскими группами.Для получения дополнительных указаний по использованию показателей отчета об обработке для оценки данных пользователи могут обратиться к файлу HAPPE README, распространяемому с программным обеспечением HAPPE.
Пример анализа с HAPPE
В этом разделе представлены спецификации и результаты одного запуска HAPPE с 10 файлами ЭЭГ развития. К файлам ЭЭГ, входящим в этот пример набора данных, можно получить свободный доступ через Zenodo по адресу: https://zenodo.org/record/998965#.WdBg2BNSxBw. Параметры сбора данных для каждого из 10 файлов данных приведены в таблице 3.В соответствии с целью HAPPE предоставить стратегию обработки, совместимую с короткими записями ЭЭГ, средняя длина 10 образцов файлов ЭЭГ составляет всего 3,8 мин (с файлами в диапазоне от 2,4 до 13 мин). Сценарий HAPPE с конфигурациями, выбранными для запуска в этом примере, представлен в дополнительных материалах (обратите внимание, что пользователям все равно потребуется изменить путь, указав папку с загруженными данными, чтобы он соответствовал назначению на их собственных машинах). Эта итерация HAPPE была реализована в MATLAB версии 2017a и EEGLAB версии 14.0,0b на iMac под управлением OS X El Capitan (версия 10.11.6) с одним процессором Intel Core i5 с тактовой частотой 2,7 ГГц. Этот пример анализа включен, чтобы пользователи могли независимо воспроизводить производительность HAPPE и упростить реализацию HAPPE с их собственными наборами данных после проработки этого примера.
Таблица 3 . Параметры сбора для набора данных из 10 файлов.
Ниже приводится анализ состояния покоя данных ЭЭГ развития, собранных с помощью 128-канальных геодезических сенсорных сетей HydroCel (EGI, Eugene, OR).Подмножество из 39 каналов, выбранное для предварительной обработки, содержит двусторонние фронтальные и временные каналы (в дополнение к 10–20 каналам), так как в этих местах обычно наблюдаются самые экстремальные уровни артефактов, и поэтому они представляют наибольшую проблему для производительности HAPPE. Чтобы проиллюстрировать степень артефакта, возникающего в этих файлах примеров, и производительность HAPPE для одних и тех же ЭЭГ, данные в течение первых 30 секунд нескольких ЭЭГ представлены до и после обработки HAPPE (рис. 8). HAPPE был запущен в полуавтоматической настройке для создания визуализаций для каждого файла на нескольких этапах конвейера (эти визуализации для каждого файла примера включены в дополнительные материалы).Данные были сегментированы на 2-секундные сегменты с выбранной опцией отклонения сегмента с использованием пороговых значений амплитуды артефактов -40 и 40 микровольт. Для повторной ссылки на данные использовалась средняя повторная ссылка. Следует отметить, что во время обработки ICA не возвращает идентичные результаты каждый раз, когда выполняется на одних и тех же данных, потому что поиск решения декомпозиции начинается каждый раз со случайно сгенерированной весовой матрицы (Onton and Makeig, 2006). Поэтому пользователи, реплицирующие эти анализы на одних и тех же данных, могут обнаружить небольшие расхождения между их собственным набором результатов и результатами, описанными здесь, в отношении процентной дисперсии, учитываемой в каждом компоненте, и вероятности артефакта MARA, назначенной каждому компоненту (и, соответственно, количества компонентов отклонено MARA, вероятности артефактов оставшихся компонентов и дисперсия, сохраненная в данных после MARA).Отчет об обработке HAPPE для этого примера анализа представлен в таблице 1.
Рисунок 8 . Сигнал ЭЭГ до и после обработки HAPPE. Три файла из примера набора данных показаны (A-C) с 14-секундными данными, извлеченными из первых 30 секунд записи. Сигнал ЭЭГ после минимальной обработки (т. Е. Фильтрации, выбора подмножества каналов и среднего переоснащения) показан на левой панели. Сигнал ЭЭГ после обработки HAPPE, как описано в разделе результатов анализа примера, показан на правой панели.Все шкалы в микровольтах.
Качество данных и эффективность HAPPE для этого набора данных сначала обсуждаются с помощью показателей отчета об обработке HAPPE. Первым критерием оценки качества данных является количество каналов, передающих неинтерполированные данные для дальнейшего анализа (т. Е. Хороших каналов, которые не были отклонены во время обработки). В текущем наборе данных в среднем 88% каналов из выбранного пользователем подмножества каналов для каждого файла были сохранены в качестве хороших каналов для дальнейшей обработки.Только один файл содержал менее 80% хороших каналов (79%, baselineEEG11), при этом большинство плохих каналов покрывали правую фронтальную область интереса (ROI) для этого файла. Этот файл может потребовать исключения из дальнейшего анализа в зависимости от исследуемых областей интереса (т. Е. Фронтальных или временных областей интереса). Для этого примера обработки, исключая конкретный статистический анализ, базовый уровень EEG11 сохраняется.
Затем эффективность W-ICA и ICA в сегрегации и отклонении артефактов от нейрофизиологического сигнала оценивается с использованием показателей данных после MARA.Для этой выборки из 10 файлов в среднем 42% компонентов были отклонены на файл во время HAPPE, что сопоставимо как со скоростью отклонения компонента MARA во взрослой ЭЭГ (Winkler et al., 2014), так и со скоростью отклонения компонента вручную с данные ЭЭГ младенцев (Piazza et al., 2016). Более того, после отклонения компонента в среднем сохранялось 68% дисперсии ЭЭГ для каждого файла, что позволяет предположить, что отклонение компонента на основе MARA не привело к неприемлемому уровню потери данных в целом. Только один файл (baselineEEG9) сохранил минимальную дисперсию после отклонения MARA (сохранена вариация 24%), что заслуживает дальнейшего рассмотрения или визуализации данных, чтобы определить, следует ли их удалить из анализа постобработки.(Он был сохранен в наборе данных для этого примера анализа). Кроме того, в среднем медиана и средняя вероятность артефактов оставшихся компонентов после отторжения MARA составляли только 0,10 и 0,13 соответственно, что позволяет предположить, что W-ICA и ICA с MARA достигли надежной сегрегации нейрофизиологических и артефактных сигналов во время разложения в процессе развития. набор данных. Ни один из отдельных файлов после отклонения MARA не имел средней или медианной вероятности артефактов более 0,30 или даже более консервативного 0.25, поэтому файлы не рассматривались для удаления из дальнейшего анализа на основе остаточного артефакта на этом этапе конвейера.
Наконец, количество сегментов, оставшихся после шага отклонения сегмента, если оно выбрано, может быть оценено, чтобы определить, не могут ли какие-либо файлы больше предоставлять достаточно данных для дальнейшего анализа. В данном примере каждый файл ЭЭГ был сегментирован на 2-х секундные окна, и каждый сегмент оценивался на предмет отклонения. Для данного образца в среднем 66% 2-секундных сегментов были сохранены в файле ЭЭГ после этого шага.Пост-сегментное отклонение, ни один отдельный файл не имел менее 20 сохраненных сегментов (среднее количество сохраненных сегментов = 99), достаточное количество сегментов выборки для расчета мощности (Cuevas et al., 2014; Gabard-Durnam et al., 2015) , поэтому отдельные файлы не рассматривались для удаления из анализа постобработки. Таким образом, несмотря на исходные высокие уровни загрязнения артефактами в наборе данных, все 10 файлов были успешно обработаны в HAPPE с возможностью включения в дальнейшие анализы.
Качество данных для этих 10 файлов также можно оценивать субъективно, исследуя спектр мощности ЭЭГ для каждого файла после каждого шага обработки в HAPPE (см. Рисунок 9). После обработки HAPPE наблюдается резкое снижение сигнала электрического шума (пик 60 Гц) в 10 файлах по сравнению с самыми ранними этапами обработки. В некоторых случаях (особенно базовая линия EEG06 и базовая линия EEG07) альфа-пики мощности, нормативная характеристика спектров мощности ЭЭГ, выявляются после обработки HAPPE относительно самых ранних этапов обработки.Более того, baselineEEG12 изначально содержал очень большое количество артефактов, видимых в спектре мощности для частот выше 20 Гц, которые надежно удаляются во время обработки HAPPE. В 10 файлах спектры мощности после обработки HAPPE кажутся более однородными по форме и масштабу, чем спектры для самых ранних этапов обработки, где загрязнение артефактами еще не было устранено. Следовательно, при визуальном осмотре спектров мощности для 10 файлов примеров, обработка отдельных файлов после HAPPE не заслуживает исключения из дальнейшего анализа.Когда HAPPE запускается в полуавтоматической настройке, как в этом примере анализа, пользователи могут также отслеживать эти функции спектра мощности, созданные после обработки HAPPE, для своих собственных файлов.
Рисунок 9 . Результаты этапов обработки HAPPE и сравнение с альтернативными подходами. Для каждого файла в примере набора данных мощность ЭЭГ (ось y, в микровольтах в квадрате) в диапазоне частот сигналов ЭЭГ (ось x) показана как функция нескольких этапов обработки в HAPPE.Спектры мощности генерируются после этапа фильтрации (фильтр), после базовой предварительной обработки (фильтр, CleanLine, отклонение плохого канала), анализа независимых компонентов с вейвлет-улучшением (пороговое определение вейвлетов), анализа независимых компонентов с отклонением MARA (ICA с отклонением MARA), сегмент отклонение сохраненных данных (отклонение сегмента) и после этапов заключительной интерполяции канала и повторного обращения (полностью обработано) (A) . Все 8 подходов к отклонению артефактов сравниваются с точки зрения процентной дисперсии сохраняемых данных ЭЭГ (ось x) и среднего уровня артефактов в сохраненных данных ЭЭГ (ось y), при этом оптимальная производительность помещает подход в нижний правый угол. диаграммы, сохраняя большую часть дисперсии ЭЭГ с низкими уровнями артефакта (B) .
HAPPE в сравнении с другими распространенными подходами к обработке
Здесь HAPPE сравнивается с семью альтернативными подходами к обработке для удаления экспериментальных и индуцированных участниками артефактов с теми же 10 файлами развития. Из этих альтернативных подходов один (БЫСТРЕЕ) представляет собой комплексный конвейер обработки, который, как и HAPPE, принимает необработанные файлы ЭЭГ в качестве входных данных и производит полностью обработанные данные ЭЭГ, пригодные для анализа. Остальные шесть альтернативных подходов состоят из этапов отклонения артефактов.Следовательно, для этих альтернативных подходов к отклонению артефактов данные обрабатываются в HAPPE для всех этапов, кроме альтернативных этапов отклонения. Эффективность каждого подхода оценивается с использованием показателей качества данных, представленных в отчете об обработке HAPPE для согласованности между методами (рисунок 9B). В частности, процент независимых компонентов, отклоненных каждым методом, и процент отклонений ЭЭГ, сохраняемых после показателей отклонения компонентов, количественно определяют сохранение сигнала ЭЭГ в процессе отклонения артефактов (обобщены в таблице 4), в то время как средние и медианные показатели вероятности артефактов индекса сохраненных компонентов успешное отклонение артефактов (сведено в Таблицу 5).Наиболее успешные подходы должны сочетать высокий процент сохраненной дисперсии и компонентов ЭЭГ с низкими оценками артефактов в сохраненных данных, что указывает на отличное разделение и отклонение артефактов от интересующего сигнала ЭЭГ. В качестве альтернативы подходы с высоким или низким процентом дисперсии и компонентами, сохраненными наряду с высокими уровнями сохраняемых артефактов, указывают на неполное отклонение артефактов. Парная выборка Стьюдента t -тесты были выполнены на метриках данных для формального сравнения подходов.Сравнение HAPPE и каждого альтернативного подхода приведено ниже (рисунок 9B и см. Рисунок 10, на котором кратко описаны этапы обработки каждого подхода).
Таблица 4 . Метрики качества данных, измеряющие количество данных ЭЭГ, которые сохраняются после обработки, по сравнению с HAPPE и альтернативными подходами.
Таблица 5 . Метрики качества данных, измеряющие количество артефактов, оставшихся после обработки в данных ЭЭГ, по сравнению с HAPPE и альтернативными подходами.
Рисунок 10 . Схема, иллюстрирующая конвейер HAPPE в отношении семи альтернативных подходов к обработке. Шаги обработки, согласованные для разных подходов и реализованные в HAPPE, выделены светло-зеленым. Шаги обработки, уникальные для альтернативных подходов, выделены голубым цветом. Независимый компонентный анализ сокращенно обозначается ICA. Алгоритм отклонения множественных артефактов сокращенно MARA. ICA с пороговыми значениями вейвлета сокращенно обозначается W-ICA.Реконструкция подпространства артефакта сокращенно ASR. Полностью автоматизированное статистическое определение пороговых значений для отклонения артефактов ЭЭГ сокращенно – БЫСТРЕЕ. Автоматический детектор артефактов ЭЭГ, основанный на совместном использовании пространственных и временных функций, сокращенно ADJUST. Полуавтоматический выбор независимых компонентов для коррекции артефактов в ЭЭГ сокращенно SASICA.
Независимый компонентный анализ (ICA)
Альтернативный подход ICA остается полностью автоматизированным и просто удаляет этап определения порога вейвлета из последовательности обработки HAPPE.То есть данные вводятся непосредственно в единую декомпозицию ICA с целью отклонения артефакта. Как и HAPPE, этот альтернативный подход не жертвует какими-либо сегментами данных во время отклонения артефактов, что является привлекательной функцией для обработки коротких записей данных. Данные обрабатывались в HAPPE на начальных этапах фильтрации, выбора подмножества каналов, удаления линейного шума с помощью CCleanLine и обнаружения плохих каналов, поскольку все эти этапы могут улучшить производительность декомпозиции ICA (Winkler et al., 2015).Там, где в HAPPE следует этап пороговой обработки вейвлетов, данные вместо этого извлекались из конвейера HAPPE и вводились в ICA с теми же расширенными настройками алгоритма Infomax, что и в HAPPE. Затем было выполнено отклонение компонента MARA с использованием тех же настроек, что и в HAPPE. Затем данные после обработки MARA сравнивали с данными HAPPE после MARA (до отторжения сегмента) (см. Таблицы 4, 5).
Во-первых, уровни отклонения независимых компонентов и остаточная дисперсия сравнивались между подходами в качестве индикатора того, насколько хорошо ICA отделил артефакт от сигнала.Альтернативный подход ICA отклонял значительно больше компонентов (86,3%) по сравнению с HAPPE (42%) [ t (9) = 5,31, p = 0,00058, n = 10]. Для половины файлов (5) только один компонент был сохранен в качестве нейрофизиологического сигнала, что является неприемлемо низким показателем сохранения. Подход ICA также удалил значительно большую дисперсию данных, чем HAPPE [ t (9) = 5,48, p = 0,00039, n = 10], оставив только 24.В среднем 8% дисперсии данных, что чуть выше порога отклонения для оценки HAPPE. Затем, чтобы оценить качество сохраненных данных после отклонения MARA для разных подходов, сравнивались средние и средние показатели вероятности артефактов. Несмотря на более высокие показатели отклонения компонентов, оставшиеся компоненты после альтернативного подхода ICA имели медианную и среднюю вероятности артефактов примерно в два раза больше, чем компоненты после обработки HAPPE [средняя вероятность артефакта: t (9) = 2.52, p = 0,0033, n = 10; средняя вероятность артефакта: t (9) = 2,07, p = 0,068, n = 10]. Применяя даже более либеральный порог вероятности остаточных артефактов 0,3, используемый для оценки производительности HAPPE, подход ICA привел к тому, что 3 файла соответствовали критериям для удаления из дальнейшего анализа, по сравнению с 0 файлами в HAPPE. В целом, альтернативный подход ICA без предшествующего ему шага отклонения артефактов (например, W-ICA в HAPPE) работал намного хуже с файлами разработки по сравнению с HAPPE, отклоняя гораздо больше компонентов, но также сохраняя более высокие уровни артефактов в данных.
Ручное отклонение сегмента с помощью ICA (ручное)
При альтернативном ручном подходе повторно вводится отклонение артефактов до этапов декомпозиции ICA и отклонения MARA. Однако ручной подход нельзя автоматизировать и приводит к потере данных из файлов, которые уже имеют небольшую длину. При ручном подходе файлы данных обрабатывались в HAPPE для фильтрации, выбора подмножества каналов, удаления линейных шумов и обнаружения плохих каналов. Затем данные были удалены из HAPPE и сегментированы на 2-секундные сегменты для ручного отклонения артефактов (экспериментатором с обширным обучением ручной обработке ЭЭГ, который также был слеп к результатам HAPPE).После ручного отклонения каждый файл был введен в ICA (как в HAPPE) с отклонением компонента MARA.
HAPPE сохранил больше данных ЭЭГ, чем метод ручного отклонения по всем параметрам. Во-первых, поскольку ручной подход включает в себя отклонение сегмента, количество сохраненных сегментов данных сравнивалось с количеством сохраненных сегментов после необязательного этапа автоматического отклонения сегментов в HAPPE. HAPPE сохранил значительно большее количество сегментов данных по сравнению с методом отклонения сегментов вручную [ t (9) = 3.11, p = 0,0125, n = 10], с сохранением в 2,9 раза большего количества сегментов, оставшихся посредством ручного отбраковки (средний номер сегмента HAPPE: 98,9; номер сегмента вручную: 33,6). При ручном подходе осталось 3 файла с менее чем 20 сегментами, что может быть недостаточно для дальнейшего анализа постобработки. Ручной подход также привел к тому, что MARA отклонила значительно больше компонентов ICA, чем HAPPE [ t (9) = 3,02, p = 0,0145, n = 10], и сохранила значительно меньшую дисперсию данных после отбраковки компонентов [ t (9) = 3.18, p = 0,0112, n = 10], сохраняя в среднем только около половины дисперсии, сохраняемой посредством HAPPE. Действительно, 3 файла, обработанные с помощью ручного подхода, не сохранили минимум 20% дисперсии данных, которая должна быть включена в анализ постобработки (критерии, установленные для оценки производительности HAPPE ранее). Несмотря на более высокий уровень отклонения данных, ручной подход также имел медианную и среднюю вероятность артефактов более чем в два раза выше, чем полученные в HAPPE, [средний артефакт: t (8) = 3.15, p = 0,0117, n = 9; средний артефакт: t (8) = 3,42, p = 0,0070, n = 9]. Соответственно, половина файлов имела вероятность артефактов выше порога 0,3 для отклонения от дальнейшего анализа. Следовательно, в дополнение к недостатку необходимости ручного ввода для каждого файла, ручной подход не привел ни к большему количеству сохраняемых данных, ни к лучшему сохраняемому качеству данных по сравнению с HAPPE.
Реконструкция подпространства артефакта (ASR) с помощью ICA
Подход ASR интерполирует загрязненные артефактами области в непрерывных данных, руководствуясь периодом чистых данных в том же файле (здесь чистые данные были определены алгоритмом ASR).Хотя ASR остается полностью автоматизированным, в отличие от HAPPE, он не подходит для обработки ЭЭГ, связанной с событиями. Тем не менее, производительность ASR сравнивалась с HAPPE для обработки данных ЭЭГ в состоянии покоя. Данные обрабатывались как в HAPPE для этапов фильтрации, выбора канала и удаления электрических шумов. Затем подход ASR был реализован с помощью функций Clean_rawdata EEGlab, заимствованных из BCILAB (Kothe and Makeig, 2013; Mullen et al., 2015). Clean_rawdata содержит шаги интерполяции ошибочного канала и артефакта ASR.Каналы удалялись, если они были плоскими более 10 с или имели корреляцию ниже 0,8 с данными других каналов. Каналы не удалялись при наличии линейного шума из-за предыдущего использования CleanLine. ASR использовался для интерполяции «всплесков» артефактов с дисперсией более чем на 5 стандартных отклонений, отличных от автоматически обнаруженных чистых данных, как и в предыдущей работе с клиническими популяциями (Grummett et al., 2014). Постинтерполяция сегментов данных была удалена с установкой отклонения временного окна равной 0.05 (агрессивный отказ от сегмента). Затем данные были отправлены на отклонение компонентов ICA и MARA (как в HAPPE).
HAPPE сохранил больше данных ЭЭГ, чем подход ASR по всем параметрам. Хотя ASR был разработан для кратковременных «всплесков» артефактов в чистых данных, из-за высокой степени загрязнения артефактов в данных развития, подход ASR интерполировал в среднем 35,7% данных ЭЭГ на файл, что может представлять собой недопустимо высокая скорость интерполяции. Даже с высокой скоростью интерполяции артефактов, MARA отклонила гораздо более высокий процент независимых компонентов [ t (9) = 4.86, p = 0,001, n = 10] и сохранялась гораздо меньшая дисперсия данных ЭЭГ [ t (9) = 4,02, p = 0,003, n = 10] на ASR-леченных данных, чем в HAPPE. Подход ASR также сохранил более высокое среднее [ t (9) = 3,04, p = 0,014, n = 10] и медианное значение [ t (9) = 2,55, p = 0,031 , n = 10] уровней артефактов в отклонении посткомпонентных данных по сравнению с HAPPE.Следовательно, подход ASR привел к тому, что половина файлов примеров соответствовала критериям сохраненной дисперсии или сохраненных артефактов для удаления из дальнейшего анализа.Таким образом, отклоняя больше данных ЭЭГ, но также сохраняя более высокие уровни артефактов, подход ASR работал менее успешно, чем HAPPE. по всем параметрам в контексте файлов ЭЭГ в состоянии покоя.
Полностью автоматизированное статистическое определение порога артефакта ЭЭГ (БЫСТРЕЕ)
FASTER – это полностью автоматизированный конвейер, который преобразует данные ЭЭГ из необработанных файлов в обработанные входные данные для анализа, при этом здесь реализованы этапы отклонения артефактов на уровне канала, эпохи и независимых компонентов.Для каждого шага отклонения FASTER вычисляет статистические параметры для данных и отклоняет каналы, эпохи или компоненты с Z-оценкой выше заранее заданного порога как выбросы (здесь были применены настройки по умолчанию для Z-оценок, равные 3). Одноканальный шаг интерполяции для одной эпохи FASTER не был включен в сравнение с HAPPE, потому что эта опция была интегрирована в HAPPE (дополнительная настройка отклонения сегмента) с подтверждением FASTER для этой возможности. FASTER оптимально работает с большим количеством точек данных и каналов и предполагает нормальное распределение незагрязненных данных ЭЭГ, условия, которые могут не соблюдаться при сильно загрязненных коротких записях ЭЭГ.FASTER также использует информацию из каналов EOG как одно из средств отклонения независимых компонентов, но записи каналов EOG обычно не выполняются с популяциями, находящимися в процессе развития (включая существующие файлы данных), что может еще больше ухудшить производительность FASTER в этом контексте. Здесь данные сначала проходили через этапы выбора канала и удаления шума линии CleanLine, как в HAPPE. Затем данные вводились в FASTER, где выполнялись фильтрация, отклонение канала, сегментация (на обычные 2-секундные эпохи, как в HAPPE), отклонение сегмента и ICA с этапами отклонения компонентов.Чтобы сгенерировать показатели сохраненных артефактов для БЫСТРЕЕ обработанных данных для сравнения между подходами, данные затем были классифицированы (но не отклонены) в соответствии с 6 функциями артефактов в MARA.
Подход FASTER сохранил больше данных, чем HAPPE, но также сохранил гораздо более высокие показатели артефактов. В частности, FASTER отклонил более низкий процент независимых компонентов [ t (9) = -4,79, p = 0,001, n = 10] и сохранил значительно большую дисперсию данных ЭЭГ [ t (9) = 3.07, p = 0,013, n = 10]. Однако FASTER также сохранил гораздо более высокое среднее [ t (9) = 17,36, p = 0,000000031, n = 10] и медианное значение [ t (9) = 16,14, p = 0,00000006, n = 10] уровней артефактов в данных, при этом средние уровни артефактов почти в 6 раз выше, а медианные уровни артефактов более чем в 8 раз выше, чем в данных, обработанных HAPPE. Каждый из примеров файлов соответствовал критериям сохранения артефактов для удаления из дальнейшего анализа после БЫСТРОЙ обработки.Этот образец высокого уровня сохраняемых данных вместе с высоким уровнем сохраняемых артефактов благодаря БЫСТРОЙ обработке согласуется с неполным разделением и отклонением артефактов. Таким образом, в контексте файлов ЭЭГ развития HAPPE превосходит БЫСТРЕЕ в отклонении артефактов ЭЭГ.
БЫСТРЕЕ с отклонением компонентов MARA (FASTER-MARA)
Затем мы проверили, приведет ли объединение подхода FASTER с отклонением независимого компонента MARA к лучшему отклонению артефактов для файлов ЭЭГ развития по сравнению с комбинацией W-ICA с отклонением MARA в HAPPE.Данные обрабатывались, как указано выше, в FASTER [см. Раздел Полностью автоматизированная статистическая пороговая обработка для артефакта ЭЭГ (FASTER)], и все оставшиеся независимые компоненты затем подвергались классификации MARA и отбрасывались. Комбинированный подход FASTER-MARA отклонил значительно больше компонентов [ t (9) = 4,4, p = 0,002, n = 10] и сохранил гораздо меньшую дисперсию данных ЭЭГ, чем HAPPE [ t (9 ) = -5,23, p = 0,001, n = 10].Более того, подход FASTER-MARA привел к более высокому среднему значению [ t (9) = 7,41, p = 0,00018, n = 10] и медиане [ t (9) = 7,41, p = 0,000040, n = 10] уровней артефактов в сохраненных компонентах по сравнению с HAPPE. Действительно, 6 из 10 файлов примеров соответствовали критериям либо сохраненной дисперсии, либо сохраненных артефактов для удаления из дальнейшего анализа с использованием подхода FASTER-MARA. Следовательно, HAPPE сохранял дисперсию данных ЭЭГ, отклоняя артефакт ЭЭГ более успешно, чем подход FASTER-MARA для этих файлов ЭЭГ развития.
W-ICA с автоматическим обнаружением артефактов ЭЭГ на основе совместного использования пространственных и временных характеристик (W-ICA с ADJUST)
ADJUST – это полностью автоматизированный алгоритм классификации и отбраковки независимых компонентов с использованием комбинации пространственных и временных характеристик данных, оптимизированных для обнаружения морганий, движений глаз и общих разрывов. Важно отметить, что ADJUST не был разработан для надежного обнаружения других видов артефактов, включая артефакты ЭМГ, которые часто возникают в популяциях пациентов, страдающих развитием, и пациентов.Здесь фильтрация, выбор канала, удаление электрического шума, отклонение плохого канала, этапы W-ICA и ICA выполнялись так же, как в HAPPE, чтобы оптимизировать декомпозицию ICA, классифицированную ADJUST. Затем данные подвергались отклонению компонента ADJUST вместо отклонения на основе MARA. Как и в случае с подходом FASTER, оставшиеся метрики артефактов для сравнения между подходами были затем сгенерированы с помощью классификации признаков артефактов в MARA (без отклонения компонентов).
Подход ADJUST сохранил несколько большую дисперсию данных ЭЭГ, чем HAPPE [ t (9) = 2.33, p = 0,044, n = 10], хотя он не отклонял значительно меньше компонентов, чем HAPPE [ t (9) = -1,64, p = 0,14, n = 10] . Однако ADJUST сохранил более высокое среднее [ t (9) = 3,48, p = 0,007, n = 10] и медианное значение [ t (9) = 2,27, p = 0,050, n = 10] уровней артефактов по сравнению с HAPPE, и половина файлов примеров соответствовала критериям сохранения артефактов для удаления из дальнейшего анализа с помощью подхода ADJUST.Взятые вместе, этот образец увеличенного сохранения дисперсии данных наряду с повышенными уровнями артефактов предполагает более неполное разделение и отклонение артефактов во время ADJUST по сравнению с HAPPE, скорее всего, из-за артефактов EMG, которые ADJUST не был разработан для надежного устранения.
W-ICA с полуавтоматическим выбором независимых компонентов для коррекции артефактов в ЭЭГ (W-ICA с SASICA)
Последним подходом по сравнению с HAPPE был SASICA, полуавтоматическое программное обеспечение для классификации и отбраковки независимых компонентов с использованием комбинации функций данных и статистических пороговых значений для ручного отклонения компонентов.SASICA не была разработана для полной автоматизации, что является недостатком при обработке больших наборов данных. К сожалению, как и в FASTER, SASICA работает оптимально, когда присутствует информация о канале EOG и информация о соответствии диполя, которая обычно отсутствует или надежно рассчитывается для данных развития. Таким образом, наблюдаемые характеристики SASICA с ЭЭГ развития могут не отражать все его возможности с более низкими артефактами, данными ЭЭГ взрослых, на которых он был протестирован. Здесь фильтрация, выбор канала, удаление электрического шума, отклонение плохого канала, этапы W-ICA и ICA выполнялись так же, как в HAPPE, чтобы оптимизировать декомпозицию ICA, классифицированную SASICA.Затем данные были сегментированы на регулярные 2-секундные эпохи и подвергнуты классификации компонентов SASICA с ручным отклонением всех рекомендованных компонентов. Все функции, которые можно было вычислить с помощью файлов примеров разработки, были использованы для классификации компонентов, включая функцию автокорреляции (с автоматическим порогом корреляции с выбранным лагом 20 мс), функцию фокального компонента (выбран автоматический порог Z), пробную активность фокуса (автоматический порог Z). выбрано), соотношение сигнал / шум (с настройками по умолчанию и пороговым отношением 1) и корреляция с функцией других каналов (автоматическое сравнение с другими каналами и порог 4).Сохраненные показатели артефактов для сравнения между подходами были затем сгенерированы, как и раньше, с помощью классификации признаков артефактов в MARA без отклонения.
SASICA существенно не отличался от HAPPE по количеству остаточного сигнала ЭЭГ после отторжения компонентов по любой метрике. То есть, SASICA статистически не отличался от HAPPE ни по проценту отклоненных компонентов [ t (9) = -1,530, p = 0,160, n = 10], либо по величине дисперсии ЭЭГ, сохраняющейся после отклонение [ т (9) = 1.61, p = 0,143, n = 10]. Однако SASICA сохранил значительно более высокие средние [ t (9) = 3 302, p = 0,009, n = 10] уровней артефактов после отторжения компонента по сравнению с HAPPE. Действительно, половина файлов данных соответствовала критериям сохранения артефактов для удаления из дальнейшего анализа с помощью подхода SASICA. Также наблюдалась разница в уровне тренда с более высокими средними уровнями артефактов в сохраненных данных через SASICA по сравнению с HAPPE [ t (9) = 1.96, p = 0,082, n = 10]. Таким образом, в то время как SASICA сохраняет сопоставимые количества дисперсии ЭЭГ, более высокий уровень сохраняемых артефактов делает его менее успешным, чем обработка данных развития HAPPE.
Обсуждение
ЗаписиЭЭГ, подобные тем, которые собираются с популяциями, находящимися в процессе развития, представляют особые проблемы с точки зрения обработки данных, поскольку они обычно содержат высокую степень загрязнения артефактами, могут по необходимости быть короче, чем записи, собранные у взрослых, и часто записываются в отсутствие полиграфических сигналов. для локализации физиологического артефакта.Существует множество наборов инструментов и конвейеров для различных этапов обработки ЭЭГ (например, FASTER, SASICA, ADJUST, ASR, TAPEEG), но это программное обеспечение часто оптимизировано для условий, которые не выполняются для этих классов ЭЭГ из-за ограничений данных. На сегодняшний день существует нехватка ресурсов, протестированных или ориентированных на данные ЭЭГ с высоким уровнем артефактов, короткой длиной записи или отсутствующими совместными записями физиологических сигналов. Как показано выше, прямое применение современных стратегий обработки, используемых с типично функционирующими взрослыми людьми, такими как ICA, без дополнительных соображений предварительной обработки неэффективно в условиях короткой длины и высокого уровня шума.Однако по мере того, как поля стремятся к большему размеру выборки с более высокой плотностью расположения каналов ЭЭГ, традиционный подход ручного отклонения данных, используемый во многих лабораториях, становится неустойчивым. Более того, несмотря на повышенную важность мониторинга качества данных ЭЭГ и отчетности в областях с наивысшим уровнем загрязнения артефактами, в настоящее время в литературе систематически не упоминаются стандартизованные показатели (Cuevas et al., 2014; Keil et al., 2014).
HAPPE решает каждую из этих проблем как автоматизированный конвейер ЭЭГ, оптимизированный для коротких записей и / или высоких уровней артефактов.HAPPE также поощряет стандартизированные отчеты о производительности обработки посредством отчета о показателях качества данных и выборочных распределений для этих показателей из большого набора данных о развитии для справки. Оценка с помощью этих показателей качества данных показала, что комбинация HAPPE из W-ICA и ICA с отклонением компонентов на основе MARA превзошла семь альтернативных подходов отклонения артефактов в условиях высоких артефактов и коротких ЭЭГ. То есть, по сравнению с этими другими подходами, HAPPE отклонял большую часть артефактов и почти во всех случаях одновременно сохранял большую часть основного сигнала.HAPPE также сохранил больше файлов на набор данных с достаточным объемом данных для анализа, чем любой из альтернативных подходов. Эта надежная производительность, достигнутая с помощью небольшого набора данных примера, поддерживается распределением показателей качества данных после HAPPE по гораздо большему набору данных разработки из 867 файлов. Таким образом, HAPPE представляет собой надежный подход и конвейер для удовлетворения растущей потребности в автоматизированных и доступных конвейерах для обработки ЭЭГ, особенно в областях нейробиологии и психологии развития.
У HAPPE есть несколько ограничений, которые также следует учитывать. Прежде всего, в большинстве случаев пользователи должны выбрать подмножество каналов для обработки в HAPPE, записи ЭЭГ высокой плотности в образцах развития, скорее всего, не будут соответствовать требованиям к длине данных для надежной декомпозиции ICA без этапа уменьшения размерности. Альтернативный подход к сокращению выбора подмножества каналов состоит в том, чтобы выполнить анализ главных компонентов (PCA) для всего набора каналов, а затем передать подмножество результирующих компонентов PCA в ICA (вместо данных уровня канала).Однако следует отметить, что подход PCA привносит нелинейность в данные (небольшое искажение сигнала), и, выбирая подмножество компонентов PCA, некоторая часть сигнала мозгового происхождения отбрасывается вместе с отклоненными компонентами (Onton and Makeig , 2006). По этим причинам текущая версия HAPPE реализует подход подмножества каналов, гарантируя, что все данные выбранных каналов обрабатываются и сохраняются как собственный сигнал ЭЭГ. Второе ограничение заключается в том, что HAPPE в настоящее время не подходит для предварительной обработки данных, предназначенных для анализа потенциала, связанного с событиями (ERP), из-за использования в нем высокочастотного фильтра с частотой 1 Гц (Acunzo et al., 2012). В настоящее время разрабатывается дополнительный конвейер HAPPE, подходящий для предварительной обработки ERP, и он будет общедоступен. Наконец, амплитуда сигнала ЭЭГ (и, следовательно, любые оценки мощности ЭЭГ) часто уменьшается с помощью подходов W-ICA и ICA. Предыдущие исследования также обнаружили искажения спектра мощности и измерения когерентности после использования ICA. Тем не менее, эти нарушения можно устранить с помощью подхода W-ICA (хотя формальных статистических сравнений не сообщалось; Castellanos and Makarov, 2006).В той степени, в которой W-ICA снижает количество компонентов, отклоняемых посредством последующего ICA в HAPPE, это потенциальное искажение также может быть уменьшено по сравнению с альтернативными подходами ICA в HAPPE. В представленных файлах примеров морфология сигнала ЭЭГ и форма спектра мощности ЭЭГ кажутся сохраненными (см. Также Левин и др., В обзоре, для иллюстраций этого эффекта). Тем не менее, величина абсолютных (необработанных) значений мощности, полученных на обработанных HAPPE данных ЭЭГ, не должна напрямую сравниваться с данными, обработанными без W-ICA или ICA, из-за установленных различий в величине сигнала.
HAPPE находится в свободном доступе на условиях Стандартной общественной лицензии GNU (версия 3) (Free Software Foundation, 2007). HAPPE можно использовать как автономное программное обеспечение, как представлено здесь, а также через программное обеспечение Batch EEG Automated Processing Platform (BEAPP) (см. Сопроводительную отправку рукописи к этому выпуску). Доступ к HAPPE и связанным файлам можно получить по адресу: https://github.com/lcnhappe/happe.
Авторские взносы
LG-D задумал HAPPE и подготовил рукопись.LG-D, AM предоставили и протестировали код. LG-D, AM, CW и AL внесли свой вклад в разработку HAPPE, анализ и интерпретацию данных, критически отредактировали рукопись на предмет интеллектуального содержания и одобрили окончательную версию для подачи.
Финансирование
Поддержка этой работы была предоставлена Американским фондом мозга (для AL), Фондом науки об аутизме (для AL), Фондом семьи Нэнси Лурье Маркс (для AL), Фондом исследований мозга и поведения (для AL) и Национальными институтами. of Health (R01-DC010290, Helen Tager-Flusberg и Charles Alexander Nelson, для набора данных ЭЭГ, использованного в этой рукописи).Поддержка этой работы была предоставлена NIH грантом 1T32Mh212510 для CW.
Заявление о конфликте интересов
Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.
Благодарности
Авторы выражают признательность доктору Чарльзу А. Нельсону и доктору Хелен Тагер-Флусберг за предоставление набора данных ЭЭГ, на котором HAPPE был первоначально разработан и протестирован.
Дополнительные материалы
Дополнительные материалы к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fnins.2018.00097/full#supplementary-material
Список литературы
Акунзо, Д., Маккензи, Г., и Ван Россум, М. (2012). Систематические ошибки в ранних компонентах ERP и ERF в результате фильтрации верхних частот. J. Neurosci. Методы 209, 212–218. DOI: 10.1016 / j.jneumeth.2012.06.011
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Альбера, Л., Kachenoura, A., Comon, P., Karfoul, A., Wendling, F., Senhadji, L., et al. (2012). Шумоподавление ЭЭГ на основе ВСА: сравнительный анализ пятнадцати методов. Бык. Польский акад. Sci. Tech. Sci . 60, 407-418. DOI: 10.2478 / v10175-012-0052-3
CrossRef Полный текст | Google Scholar
Аль-Каззаз, Н., Хамид бин Мохд Али, С., Ахмад, С., Ислам, М., и Эскудеро, Дж. (2017). Автоматическое удаление артефактов в ЭЭГ нормальных и сумасшедших людей с помощью ICA – WT во время задач на рабочую память. Датчики 17: 1326. DOI: 10.3390 / s17061326
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Бигдели-Шамло, Н., Маллен, Т., Коте, К., Су, К.-М., и Роббинс, К.А. (2015). Конвейер PREP: стандартизованная предварительная обработка для крупномасштабного анализа ЭЭГ. Фронт. Нейроинформ. 9:16. DOI: 10.3389 / fninf.2015.00016
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Кастелланос, Н. П., Макаров, В. А. (2006). Восстановление сигналов мозга ЭЭГ: подавление артефактов с помощью вейвлет-анализа независимых компонентов. J. Neurosci. Методы 158, 300–312. DOI: 10.1016 / j.jneumeth.2006.05.033
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Шаумон М., Бишоп Д. В. и Буш Н. А. (2015). Практическое руководство по выбору независимых компонентов электроэнцефалограммы для коррекции артефактов. J. Neurosci. Методы . 205, 47–63. DOI: 10.1016 / j.jneumeth.2015.02.025
CrossRef Полный текст | Google Scholar
Куэвас, К., Кэннон, Э.Н., Ю К. и Фокс Н. А. (2014). Мю-ритм ЭЭГ младенцев: методологические соображения и передовой опыт. Dev. Ред. 34, 26–43. DOI: 10.1016 / j.dr.2013.12.001
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Делорм, А., Макейг, С. (2004). EEGLAB: набор инструментов с открытым исходным кодом для анализа динамики ЭЭГ в одном исследовании, включая независимый компонентный анализ. J. Neurosci. Методы 134, 9–21. DOI: 10.1016 / j.jneumeth.2003.10.009
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Делорм, А., Макейг, С., Сейновски, Т. (2001). Автоматическое отклонение артефактов для данных ЭЭГ с использованием статистики высокого порядка и независимого компонентного анализа. Труды Третьей Международной конференции ICA (Сан-Диего, Калифорния). Доступно в Интернете по адресу: http://www.sccn.ucsd.edu/arno/indexpubli.html
Делорм А., Сейновски Т. и Макейг С. (2007). Улучшенное обнаружение артефактов в данных ЭЭГ с использованием статистики более высокого порядка и независимого компонентного анализа. Нейроизображение 34, 1443–1449.DOI: 10.1016 / j.neuroimage.2006.11.004
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Донохо Д. Л. и Джонстон И. М. (1994). Идеальная пространственная адаптация за счет вейвлет-усадки. Биометрика 81, 425–455. DOI: 10.1093 / biomet / 81.3.425
CrossRef Полный текст | Google Scholar
Габард-Дурнам, Л., Тирни, А. Л., Фогель-Фарли, В., Тагер-Флусберг, Х., и Нельсон, К. А. (2015). Альфа-асимметрия у младенцев из группы риска расстройств аутистического спектра. J. Autism Dev. Disord. 45, 473-480. DOI: 10.1007 / s10803-013-1926-4
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Ганди, Т., Паниграхи, Б., и Ананд, С. (2011). Сравнительное исследование семейств вейвлетов для классификации сигналов ЭЭГ. Neurocomputing 74, 3051–3057. DOI: 10.1016 / j.neucom.2011.04.029
CrossRef Полный текст | Google Scholar
Грин-Яценко В., Баас И., Пономарев В., Кропотов Дж. (2010). Независимый компонентный подход к анализу записей ЭЭГ на ранних стадиях депрессивных расстройств. Clin. Neurophysiol. 121, 281–289. DOI: 10.1016 / j.clinph.2009.11.015
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Груммет Т., Фитцгиббон С. П., Льюис Т., ДеЛос-Анджелес Д., Уизэм Э., Поуп К. и др. (2014). Конститутивные спектральные пики ЭЭГ в гамма-диапазоне: подавляются сном, уменьшаются умственной активностью и устойчивы к сенсорной стимуляции. Фронт. Гм. Neurosci. 8: 927. DOI: 10.3389 / fnhum.2014.00927
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Hatz, F., Хардмайер, М., Буслейман, Х., Рюегг, С., Шиндлер, К., и Фур, П. (2015). Надежность полностью автоматизированной и контролируемой визуально пре- и постобработки ЭЭГ в состоянии покоя. Clin Neurophysiol. 126, 268–274. DOI: 10.1016 / j.clinph.2014.05.014
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Jung, T.-P., Humphries, C., Lee, T.-W., Makeig, S., Mckeown, M.J., Iragup, V., et al. (1998). Расширенный ICA удаляет артефакты из электроэнцефалографических записей .Доступно в Интернете по адресу: http://papers.nips.cc/paper/1343-extended-ica-removes-artifacts-from-electroencephalographic-recordings.pdf
Кабдебон, К., Лерой, Ф., Симмонет, Х., Перро, М., Дюбуа, Дж., И Дехане-Ламбертц, Г. (2014). Анатомические корреляции международной системы размещения датчиков 10–20 у младенцев. Neuroimage 99, 342–356. DOI: 10.1016 / j.neuroimage.2014.05.046
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Кейл, А., Дебенер, С., Gratton, G., Junghöfer, M., Kappenman, E. S., Luck, S. J., et al. (2014). Отчет комитета: руководство по публикации и рекомендации по исследованиям с использованием электроэнцефалографии и магнитоэнцефалографии. Психофизиология 51, 1–21. DOI: 10.1111 / psyp.12147
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Лансберген, М., Арнс, М., ван Донген-Бумсма, М., Спронк, Д., и Буйтелаар, Дж. (2011). Увеличение соотношения тета / бета на ЭЭГ у мальчиков с синдромом дефицита внимания / гиперактивности опосредовано медленной частотой альфа-пиков. Прог. Neuro-Psychopharmacol. Биол. Психиатрия 35, 47–52. DOI: 10.1016 / j.pnpbp.2010.08.004
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Mognon, A., Jovicich, J., Bruzzone, L., and Buiatti, M. (2011). ADJUST: автоматический детектор артефактов ЭЭГ, основанный на совместном использовании пространственных и временных характеристик. Психофизиология 48, 229–240. DOI: 10.1111 / j.1469-8986.2010.01061.x
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Маллен Т.(2012). Плагин CleanLine EEGLAB . Сан-Диего, Калифорния: Информационный центр инструментов и ресурсов нейровизуализации (NITRC).
Mullen, T., Kothe, C., Chi, Y. M., Ojeda, A., Kerth, T., Makeig, S., et al. (2013). Моделирование в реальном времени и 3D-визуализация динамики источника и связи с помощью носимой ЭЭГ. конф. Proc. IEEE Eng. Med. Биол. Soc. 2013, 2184–2187. DOI: 10.1109 / EMBC.2013.6609968
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Маллен Т., Kothe, C., Chi, Y., Ojeda, A., Kerth, T., Makeig, S., et al. (2015). Нейровизуализация и когнитивный мониторинг в реальном времени с использованием носимой сухой ЭЭГ. IEEE Trans. Биомед. Англ. 62, 2553-2567. DOI: 10.1109 / TBME.2015.2481482
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Нолан, Х., Уилан, Р., Рейли, Р. Б. (2010). БЫСТРЕЕ: полностью автоматизированная статистическая обработка пороговых значений для отклонения артефактов ЭЭГ. J. Neurosci. Методы 192, 152–162. DOI: 10.1016 / j.jneumeth.2010.07.015
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Онтон Дж. И Макейг С. (2006). «Информационное моделирование динамики мозга, связанной с событиями», в Progress in Brain Research , eds C. Neuper и W. Klimesch (Амстердам: Elsevier), 99–120.
Google Scholar
Piazza, C., Cantiani, C., Akalin-Acar, Z., Miyakoshi, M., Benasich, A.A., Reni, G., et al. (2016). Корковые ответы, полученные на основе ICA, индексируют быструю многофункциональную обработку слуха у шестимесячных младенцев. Neuroimage 133, 75-87. DOI: 10.1016 / j.neuroimage.2016.02.060
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Rong-Yi, Y., and Zhong, C. (2005). Слепое разделение источников многоканальной электроэнцефалограммы на основе вейвлет-преобразования и ICA. китайский. Phys. 14, 2176–2180. DOI: 10.1088 / 1009-1963 / 14/11/006
CrossRef Полный текст | Google Scholar
Сэреля, Дж., Фи, Дж. С., Вигарио, Р., и Фи, Р. В. (2003). Изучение ICA на основе маржинального распределения: анализ и решения. J. Mach. Учить. Res. 4, 1447–1469.
Google Scholar
Тирни А. Л., Габард-Дурнам Л., Фогель-Фарли В., Тагер-Флусберг Х. и Нельсон К. А. (2012). Траектории развития ээг-мощности покоя: эндофенотип расстройства аутистического спектра. PLoS ONE 7: e39127. DOI: 10.1371 / journal.pone.0039127
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Тран, Ю., Крейг, А., Борд, П., и Крейг, Д. (2004). Использование независимого компонентного анализа для удаления артефактов из электроэнцефалографических измерений во время заикания речи. Med. Биол. Англ. Comput. 42, 627–633. DOI: 10.1007 / BF02347544
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Винклер И., Брандл С., Хорн Ф., Вальдбургер Э., Аллефельд К. и Тангерманн М. (2014). Надежная классификация независимых артефактов для практиков BCI. J. Neural. Англ. 11: 035013. DOI: 10.1088 / 1741-2560 / 11/3/035013
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Винклер, И., Дебенер, С., Мюллер, К.-Р., Тангерманн, М. (2015). О влиянии высокочастотной фильтрации на уменьшение артефактов на основе ICA в EEG-ERP. конф. Proc. IEEE Eng. Med. Биол. Soc. 2015, 4101–4105. DOI: 10.1109 / EMBC.2015.7319296
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Винклер И., Хауфе С. и Тангерманн М. (2011). Автоматическая классификация артефактных ВСА-компонентов для удаления артефактов в сигналах ЭЭГ. Behav. Brain Funct. 7:30.DOI: 10.1186 / 1744-9081-7-30
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Зима М., Тихавский П., Пол К. и Крайца В. (2012). Надежное удаление кратковременных артефактов в длинных записях ЭЭГ новорожденных с использованием ICA с вейвлет-усилением и адаптивного комбинирования предварительных реконструкций. Physiol. Измер. 33, N39 – N49. DOI: 10.1088 / 0967-3334 / 33/8 / N39
PubMed Аннотация | CrossRef Полный текст | Google Scholar
Что такое раннее развитие детей? Руководство по развитию мозга
Здоровое развитие в первые годы жизни (особенно от рождения до трех лет) обеспечивает строительные блоки для образовательных достижений, экономической производительности, ответственного гражданства, здоровья на протяжении всей жизни, сильных сообществ и успешного воспитания детей следующего поколения.Что мы можем сделать в этот невероятно важный период, чтобы у детей был прочный фундамент для будущего развития? Центр развития детей в раннем возрасте создал это Руководство по развитию детей в раннем возрасте (РДРВ), чтобы помочь родителям, опекунам, практикам и политикам понять важность развития детей в раннем возрасте и узнать, как поддерживать детей и семьи на этом критическом этапе.
Шаг 1: Почему важно раннее детство?
Этот раздел знакомит вас с наукой, которая связывает ранний опыт от рождения (и даже до рождения) с будущими способностями к обучению, поведением, а также физическим и психическим здоровьем.
Мозг героя
В этом 3-минутном видео показано, как действия родителей, учителей, политиков и других лиц могут повлиять на результаты жизни как ребенка, так и окружающего сообщества.
Вкратце: Наука о раннем детском развитии
В этом видео из серии InBrief рассматриваются основные концепции развития детей в раннем возрасте, выработанные за десятилетия нейробиологии и поведенческих исследований.
Вкратце: Наука о раннем детском развитии
В этом кратком изложении объясняется, как наука о раннем развитии мозга может способствовать инвестициям в раннее детство, и помогает проиллюстрировать, почему развитие ребенка – особенно от рождения до пяти лет – является основой процветающего и устойчивого общества.
Шаг 2: Как происходит развитие детей в раннем возрасте?
Теперь, когда вы понимаете важность РДРВ, в этом разделе мы углубимся в науку, включая то, как ранние переживания и отношения влияют и формируют схемы мозга и как воздействие токсического стресса может ослабить архитектуру развивающегося мозга.
Три основные концепции на раннем этапе разработки
Достижения в области нейробиологии, молекулярной биологии и геномики теперь дают нам гораздо лучшее понимание того, как ранние переживания встроены в наши тела и мозг, к лучшему или к худшему. Эта серия видео из трех частей объясняет.
8 вещей, которые следует помнить о развитии ребенка
В этом важном списке, представленном в отчете «От передовой практики к прорывным воздействиям», Центр по вопросам развития ребенка устанавливает четкую запись о некоторых аспектах раннего развития ребенка.
Вкратце: Наука устойчивости
В этом кратком обзоре обобщается наука об устойчивости и объясняется, почему ее понимание поможет нам разработать политику и программы, которые позволят большему количеству детей полностью раскрыть свой потенциал.
Шаг 3: Что мы можем сделать для поддержки развития ребенка?
Понимание того, насколько важны ранние опыты и отношения для развития на протяжении всей жизни, – один из шагов в поддержке детей и семей.Следующим шагом будет применение этих знаний в текущей практике и политике. В этом разделе представлены практические способы, с помощью которых специалисты-практики и политики могут поддержать РДРВ и улучшить результаты для детей и семей.
От передовой практики к революционным воздействиям
В этом отчете обобщены 15 лет значительных достижений в науке о раннем детстве и развитии мозга в раннем возрасте и представлена основа для внедрения научно обоснованных инноваций в политику и практику в раннем детстве.
Три принципа улучшения результатов жизни детей и семей
Понимание того, как опыт, полученный детьми с момента рождения, даже до рождения, влияет на результаты на протяжении всей жизни, а также на основные способности, необходимые взрослым для развития, обеспечивает прочную основу, на которой политики и общественные лидеры могут разработать общую и более эффективную повестку дня.
Чаевые чаши весов: игра на устойчивость
Играя в эту игру, вы узнаете, как сделанный нами выбор может помочь детям и сообществу в целом стать более устойчивыми перед лицом серьезных проблем.
Расстройства аутистического спектра
Люди с аутизмом часто имеют сопутствующие состояния, включая эпилепсию, депрессию, тревогу и синдром дефицита внимания с гиперактивностью, а также вызывающее поведение, такое как проблемы со сном и самоповреждение. Уровень интеллектуального функционирования людей с аутизмом широко варьируется, от глубоких нарушений до более высоких уровней.
Эпидемиология
По оценкам, во всем мире примерно у каждого 160 ребенка есть РАС.Эта оценка представляет собой среднюю цифру, и заявленная распространенность существенно различается в разных исследованиях. Однако некоторые хорошо контролируемые исследования показали, что цифры значительно выше. Распространенность РАС во многих странах с низким и средним уровнем доходов неизвестна.
Причины
Имеющиеся научные данные свидетельствуют о том, что, вероятно, существует множество факторов, повышающих вероятность развития РАС у ребенка, включая факторы окружающей среды и генетические факторы.
Имеющиеся эпидемиологические данные позволяют сделать вывод об отсутствии доказательств причинно-следственной связи между вакцинами против кори, эпидемического паротита и краснухи и РАС.Предыдущие исследования, предполагающие наличие причинно-следственной связи, были заполнены методологическими недостатками (2) (3).
Также нет доказательств того, что какие-либо другие детские вакцины могут повышать риск РАС. Обзоры доказательств потенциальной связи между консервантом тиомерсалом и алюминиевыми адъювантами, содержащимися в инактивированных вакцинах, и риском РАС убедительно сделали вывод о том, что вакцины не увеличивают риск РАС.
Оценка и уход
Широкий спектр вмешательств, начиная с раннего детства и на протяжении всей жизни, может оптимизировать развитие, здоровье, благополучие и качество жизни людей с аутизмом.Своевременный доступ к ранним научно-обоснованным психосоциальным вмешательствам может улучшить способность детей с аутизмом эффективно общаться и взаимодействовать в обществе. Рекомендуется мониторинг развития ребенка в рамках повседневной заботы о здоровье матери и ребенка.
Важно, чтобы после диагностики аутизма детям, подросткам и взрослым с аутизмом и их опекунам предлагалась соответствующая информация, услуги, направления и практическая поддержка в соответствии с их индивидуальными и меняющимися потребностями и предпочтениями.
Медицинские потребности людей с аутизмом сложны и требуют ряда интегрированных услуг, включая укрепление здоровья, уход и реабилитацию. Важное значение имеет сотрудничество между сектором здравоохранения и другими секторами, особенно в сфере образования, занятости и социального обеспечения.
Вмешательства для людей с аутизмом и другими нарушениями развития должны разрабатываться и проводиться с участием людей, живущих с этими условиями. Забота должна сопровождаться действиями на уровне сообщества и общества \ r \ n для большей доступности, инклюзивности и поддержки.
Права человека
Все люди, включая людей с аутизмом, имеют право на наивысший достижимый уровень физического и психического здоровья.
И все же люди с аутизмом часто подвергаются стигме и дискриминации, включая несправедливое лишение здоровья, образования и возможностей участвовать в жизни своих сообществ.
Люди с аутизмом имеют те же проблемы со здоровьем, что и все население. Однако они могут, кроме того, иметь особые медицинские потребности, связанные с РАС или другими сопутствующими состояниями.Они могут быть более уязвимы к развитию хронических неинфекционных состояний из-за поведенческих факторов риска, таких как отсутствие физической активности и плохие предпочтения в питании, и подвергаются большему риску насилия, травм и жестокого обращения.
Людям с аутизмом, как и остальному населению, требуются доступные медицинские услуги для удовлетворения общих потребностей в области здравоохранения, включая профилактические и профилактические услуги, а также лечение острых и хронических заболеваний. Тем не менее, у людей с аутизмом больше неудовлетворенных потребностей в медицинской помощи по сравнению с населением в целом.Они также более уязвимы во время чрезвычайных гуманитарных ситуаций. \ R \ nОбычный барьер создается неадекватными знаниями и пониманием медицинских работников об аутизме.
Резолюция ВОЗ по расстройствам аутистического спектра (WHA67.8)
В мае 2014 г. Шестьдесят седьмая сессия Всемирной ассамблеи здравоохранения приняла резолюцию под названием \ “Комплексные и скоординированные усилия по лечению расстройств аутистического спектра (РАС) \” , который поддержали более 60 стран.
Резолюция призывает ВОЗ сотрудничать с государствами-членами и партнерскими агентствами в целях укрепления национального потенциала по борьбе с РАС и другими нарушениями развития.
Ответ ВОЗ
ВОЗ и партнеры признают необходимость усиления возможностей стран по обеспечению оптимального здоровья и благополучия всех людей с аутизмом.
Усилия ВОЗ сосредоточены на:
- повышении приверженности правительств действиям по улучшению качества жизни людей с аутизмом;
- , содержащее рекомендации по политике и планам действий, направленных на борьбу с аутизмом в более широких рамках здоровья, психического здоровья и инвалидности;
- способствует укреплению способности лиц, обеспечивающих уход, и медицинских работников оказывать надлежащую и эффективную помощь людям с аутизмом; и
- содействие созданию инклюзивной и благоприятной среды для людей с аутизмом и другими нарушениями развития.
Список литературы
( 1) Mayada et al. Глобальная распространенность аутизма и других распространенных нарушений развития. Autism Res. 2012 июн; 5 (3): 160–179.
(2) Дело Уэйкфилда: 12 лет неопределенности, в то время как связь между аутизмом и вакциной MMR не доказана. Maisonneuve H, Floret D. Presse Med. 2012 сен; Французский (https://www.ncbi.nlm.nih.gov/pubmed/22748860).\r\n
(3) Lancet отозвал статью о MMR Уэйкфилда.Дайер К. BMJ 2010; 340: c696. 2 февраля 2010 г. (https://www.bmj.com/content/340/bmj.c696.long).
“,” datePublished “:” 2021-06-01T14: 30: 00.0000000 + 00: 00 “,” image “:” https://www.who.int/images/default-source/fallback/icons/factsheet .jpg? sfvrsn = ff4e4ba1_0 “,” publisher “: {” @ type “:” Organization “,” name “:” Всемирная организация здравоохранения: ВОЗ “,” logo “: {” @ type “:” ImageObject “,” url “:” https://www.who.int/Images/SchemaOrg/schemaOrgLogo.