뇌전도

Electroencephalography
뇌전도
간질성 스파이크 및 파동 방전 모니터링 뇌파

뇌전도(EEG)는 의 자발적인 전기적 활동에 대한 전기그램을 기록하는 방법입니다.뇌파에 의해 감지된 생체 신호신피질알락토텍스에서 피라미드 뉴런의 시냅스잠재력을 나타내는 것으로 나타났습니다.[1]일반적으로 비침습적이며, 국제 10-20 시스템 또는 그 변형을 사용하여 두피를 따라 뇌파 전극이 배치됩니다(일반적으로 "스칼프 뇌파"라고 함).전극의 수술적 배치를 수반하는 전기피질검사는 때때로 "두개내 뇌파"라고 불립니다.뇌파 기록의 임상적 해석은 추적 또는 정량적 뇌파 분석의 육안 검사에 의해 수행되는 경우가 가장 많습니다.

뇌파 생체 증폭기전극에 의해 측정된 전압 변동은 정상적인 뇌 활동을 평가할 수 있게 합니다.뇌파에 의해 감시되는 전기적 활동이 기저 뇌 조직뉴런에서 유래함에 따라, 두피 표면의 전극에 의한 기록은 그들의 방향과 활동의 근원에 대한 거리에 따라 달라집니다.또한, 기록된 값은 중간 조직 및 뼈에 의해 왜곡되며, 이는 전기 회로에서 저항기 및 커패시터와 유사한 방식으로 작용합니다.이것은 모든 뉴런이 뇌전도 신호에 동등하게 기여하지 않을 것이라는 것을 의미하며, 뇌전도는 두피의 전극 근처에 있는 피질 뉴런의 활동을 주로 반영합니다.전극으로부터 더 멀리 떨어진 뇌 속의 깊은 구조는 뇌파에 직접적으로 기여하지 않을 것입니다; 이것들은 피질 회전자의 기저부, 주요 의 중간 벽, 해마, 시상 그리고 뇌간을 포함합니다.[2]

건강한 인간 뇌파는 사람이 얼마나 깨어있는지와 상관되는 특정한 활동 패턴을 보여줄 것입니다.한 사람이 관측하는 주파수의 범위는 1~30Hz이며 진폭은 20~100μV 사이에서 다양합니다.관측된 주파수는 알파(8~13Hz), 베타(13~30Hz), 델타(0.5~4Hz), 세타(4~7Hz) 등 다양한 그룹으로 세분됩니다.알파파는 사람이 편안한 각성 상태에 있을 때 관측되며 주로 두정 부위와 후두 부위에서 두드러집니다.격렬한 정신 활동 동안, 베타파는 다른 영역뿐만 아니라 정면 영역에서 더 두드러집니다.편안한 사람에게 눈을 뜨라고 하면 알파 활동이 감소하고 베타 활동이 증가하는 것을 관찰합니다.각성 상태에서는 세타파와 델타파가 보이지 않고, 만약 그렇다면 뇌 기능 이상의 징후입니다.[2]

뇌파는 뇌전증을 가진 사람들에게 나타나는 날카로운 파도, 스파이크 또는 스파이크와 파동 복합체와 같은 비정상적인 전기 방전을 감지할 수 있으므로 종종 의학적 진단을 알리는 데 사용됩니다.뇌파는 발작의 시작과 시공간적(위치와 시간) 진화와 간질 상태의 존재를 감지할 수 있습니다.또한 수면 장애, 마취 깊이, 혼수, 뇌병증, 심정지 후 뇌 저산소증, 뇌사 등을 진단하는 데도 사용됩니다.뇌파는 종양, 뇌졸중 및 기타 초점 뇌 질환에 대한 1차 진단 방법이었지만 [3][4]자기 공명 영상(MRI) 및 컴퓨터 단층 촬영(CT)과 같은 고해상도 해부학적 영상 기술의 등장으로 사용이 감소했습니다.제한된 공간 해상도에도 불구하고 뇌파는 연구 및 진단을 위한 귀중한 도구로 계속 사용되고 있습니다.사용 가능한 몇 안 되는 모바일 기술 중 하나이며, CT, PET 또는 MRI에서는 불가능한 밀리초 범위의 시간 분해능을 제공합니다.

EEG 기법의 파생물에는 일종의 자극(시각, 신체 감각 또는 청각)을 제시하기 위해 시간 고정된 EEG 활동을 평균화하는 것을 포함하는 EP(evokeed potential)가 포함됩니다.사건 관련 잠재력(ERP)은 더 복잡한 자극의 처리에 시간 고정된 평균 뇌파 반응을 말합니다. 이 기술은 인지 과학, 인지 심리학 및 심리 생리학 연구에서 사용됩니다.

사용하다

뇌전증

10-10 전극 배치 시스템을 이용한 뇌파 기록 설정

뇌전증은 뇌전증을 확인하기 위한 금본위제 진단 절차입니다.뇌전증 센터에서 간질성 뇌전증 방전을 감지하는 일상적인 뇌전증 민감도는 29-55%[5] 범위인 것으로 보고되었습니다.낮은 민감도에서 중간 정도의 민감도를 고려할 때, 뇌전증을 가진 사람들에게 일상적인 뇌파(일반적으로 20-30분의 지속 시간)는 정상적일 수 있습니다.뇌전증이 간질간질성 방전(예: 날카로운 파도, 스파이크, 스파이크 및 웨이브 등)을 보일 때 거의 모든 경우(고특이도) 뇌전증을 확인할 수 있습니다. 그러나 최대 3.일반 인구의 5%는 발작(낮은 위양성률)[5]이 없었거나 미래에 뇌전증이 발생할 위험이 매우 낮거나 발작을 일으키지 않고 뇌전증에 이상이 있을 수 있습니다.[6]

일상적인 뇌파가 정상적이고 뇌전증을 의심하거나 확인할 필요가 있을 때, 뇌전증 모니터링 유닛(EMU)에서 더 오랜 기간 동안 반복되거나 또는 이동식 뇌파로 가정에서 수행될 수 있습니다.또한, 뇌파의 진단 수율을 증가시킬 수 있는 광 자극, 과호흡 및 수면 부족과 같은 활성화 동작이 있습니다.[5]

뇌전증 감시 장치

일상적인 뇌파는 치료 측면에서 진단을 확립하거나 최선의 조치 과정을 결정하기에 충분하지 않을 때가 있습니다.이 경우, 발작이 발생하는 동안 뇌파를 기록하려고 시도할 수 있습니다.이것은 발작 사이의 뇌파 기록을 의미하는 인터테릭 레코딩(interctional recording)과는 달리, 인테이셔널 레코딩(inctional recording)이라고 알려져 있습니다.연장 뇌파는 일반적으로 시간 동기화된 비디오 및 오디오 레코딩을 동반하여 인공음향 녹음을 획득하기 위해 수행됩니다.이 작업은 외래 환자(집에서) 또는 병원 입원 중에 수행할 수 있으며, 가급적이면 간호사 및 발작 환자를 치료하는 기타 인력과 함께하는 뇌전증 모니터링 장치(EMU)에 수행할 수 있습니다.외래 환자의 이동식 비디오 뇌파는 일반적으로 하루에서 3일 정도 지속됩니다.뇌전증 감시 장치의 입원은 일반적으로 며칠 동안 지속되지만 일주일 이상 지속될 수도 있습니다.입원 중 발작이 일어날 확률을 높이기 위해 발작 치료제는 대개 철수합니다.안전상의 이유로 병원 밖에서 뇌파검사를 하는 동안에는 약물을 회수하지 않습니다.따라서, 이동식 비디오 뇌파는 편리하다는 장점이 있고 병원 입원보다 비용이 적게 들지만, 임상 사건을 기록할 확률이 떨어진다는 단점도 있습니다.[citation needed]

뇌전증 모니터링은 환자가 발작 방지 약물을 복용했음에도 불구하고 사건이 계속 발생하거나 환자의 사건이 대체 진단을 받을 우려가 있는 경우(예: 심인성 비간질 발작, 실신), 피질하 이동 장애, 편두통 변형, 뇌졸중 등) 종종 고려됩니다.간질 발작의 경우, 지속적인 뇌파 모니터링은 발작을 특성화하고 발작이 발생하는 뇌 영역을 국소화/측방화하는 데 도움이 됩니다.이를 통해 적절한 비 약물 치료 옵션을 확인할 수 있습니다.[7]임상에서 뇌파 흔적은 다양한 특징을 관찰하기 위해 신경과 의사에 의해 시각적으로 분석됩니다.뇌파의 정량적 분석은 점점 시각적 분석과 함께 사용되고 있습니다.전력 스펙트럼 분석, 알파-델타 비율, 진폭 통합 뇌파 및 스파이크 탐지와 같은 정량 분석 디스플레이는 면밀한 시각적 분석이 필요한 뇌파의 세그먼트를 신속하게 식별하거나 경우에 따라 장기 기록에서 발작을 신속하게 식별하기 위한 대용품으로 사용할 수 있습니다.

뇌파는 경동맥내막절제술에서 뇌관류를 간접적으로 나타내는 지표로 마취 깊이를 모니터링하거나 Wada 검사모바비탈 효과를 모니터링하는 데 사용될 수 있습니다.뇌파는 또한 알파 대역의 역학을 기반으로 마취의 깊이를 예측하는 데 사용될 수 있습니다.

기타뇌장애

뇌파는 다음과 같은 장애를 진단하거나 치료하는 데에도 도움이 될 수 있습니다.[9]

  • 뇌종양
  • 두부 손상으로 인한 뇌 손상
  • 다양한 원인이 있을 수 있는 뇌 기능 장애(뇌병증)
  • GLUT1 결핍 증후군[10]
  • 뇌의 염증(뇌염)
  • 스트로크
  • 수면장애

다음을 수행할 수도 있습니다.

  • 간질 발작을 심인성 비 epile 발작, 실신(실신), cort하 운동 장애편두통 변형과 같은 다른 유형의 주문과 구별합니다.
  • 카타토니아와 같은 주요 정신과적 증후군으로부터 "유기적" 뇌증 또는 섬망을 구별합니다.
  • 혼수상태 환자의 뇌사에 대한 보조적인 검사의 역할을 합니다.
  • 혼수상태에 있는 환자(특정한 경우) 또는 출생 시 즈음에 다양한 원인으로 인한 뇌 손상을 입은 신생아의 예후
  • 항 epileptic 의약품의 사용 여부를 결정합니다.

중환자실(ICU)

뇌 기능 모니터링을 위해 중환자실에서도 뇌 기능 모니터링을 위해 비경련 발작/비경련 상태 간질을 모니터링하고, 의학적으로 유도된 혼수 상태에 있는 환자의 진정제/마취의 영향을 모니터링하는 데 사용할 수 있습니다(불응 발작 또는 두개내압 증가의 치료를 위해).지주막하출혈과 같은 상태에서 2차 뇌 손상 여부를 모니터링하는 것(현재 연구 방법).

심정지 후와 같이 심각한 뇌 손상이 의심되는 경우 뇌파는 몇 가지 예후 정보를 제공할 수 있습니다.

뇌전증 환자가 절제 수술을 고려하고 있다면, 종종 두피 뇌파가 제공하는 것보다 더 큰 해상도로 뇌전증 활동의 초점(소스)을 국소화해야 합니다.이러한 경우에, 신경 외과 의사들은 일반적으로 전극의 스트립과 그리드 또는 관통 깊이 전극을 경막 아래에, 개두술 또는을 통해 이식합니다.이러한 신호의 기록은 ECoG(electrocorticography), 경막하 뇌파(sdEEG), 두개내 뇌파(icEEG), 또는 입체 뇌파(stereotactic 뇌파)로 지칭됩니다.ECoG로부터 기록된 신호는 두피 뇌파로부터 기록된 뇌 활동과는 다른 활동 규모입니다.두피 뇌파에서 쉽게(또는 전혀) 볼 수 없는 저전압, 고주파 성분은 ECoG에서 뚜렷하게 볼 수 있습니다.또한 작은 전극(뇌 표면의 작은 부분을 덮는 전극)을 사용하면 공간 해상도가 향상되어 발작 시작 및 전파에 중요한 영역을 좁힐 수 있습니다.일부 임상 현장에서는 침투한 마이크로 전극의 데이터를 기록합니다.[11]

EEG는 두통을 진단하는 데 사용되지 않습니다.[12]반복되는 두통은 흔한 통증 문제이며, 이 시술은 진단을 위한 탐색에 사용되기도 하지만, 일상적인 임상 평가에 비해 이점이 없습니다.[12]

홈 앰뷸런스 뇌파

때로는 환자의 집에서 이동식 뇌파 기록을 수행하는 것이 더 편리하거나 임상적으로 필요할 때도 있습니다.이러한 연구의 기간은 일반적으로 24-72시간입니다.[citation needed]

연구용

뇌파와 ERP의 관련 연구는 연하와 같은 인간의 기능을 연구하는 것뿐만 아니라 신경과학, 인지과학, 인지심리학, 신경언어학, 심리 생리학 연구에 광범위하게 사용됩니다.[13][14][15]연구에 사용되는 모든 뇌파 기술은 임상용으로 충분히 표준화되어 있지 않으며, 많은 ERP 연구가 데이터 수집 및 감소에 필요한 모든 처리 단계를 보고하지 못하여 많은 연구의 재현성과 복제성을 제한합니다.[16]그러나 청각처리장애(APD), ADD, 또는 ADHD와 같은 정신장애에 대한 연구가 점점 널리 알려지고 있으며, 뇌파는 연구와 치료에 사용되고 있습니다.[citation needed]

이점

기능적 자기공명영상(fMRI), 양전자방출단층촬영(PET), 자기뇌전도(MEG), 핵자기공명분광학(NMR 또는 MRS), 전기피질촬영(ECoG), 단일광자방출컴퓨터단층촬영(SPEC), 근적외선분광학(NIRS),이벤트 관련 광신호(EROS).EEG의 상대적으로 열악한 공간 민감도에도 불구하고, "머리의 국소화된 주변 영역에서 오는 1차원 신호는 단순한 충실도를 매력적으로 만들고 높은 임상 및 기초 연구 처리량을 허용했습니다."[17]따라서 EEG는 다음과 같은 다른 기술보다 몇 가지 이점을 가지고 있습니다.

  • 하드웨어 비용이 대부분의 다른 기술에 비해 현저히 낮습니다.
  • 뇌파는 교통이 많은 병원에서 즉각적인 치료를 제공하기 위한 기술자의 제한된 가용성을 방지합니다.[19]
  • EEG는 조용한 방과 서류 가방 크기의 장비만 필요한 반면, fMRI, SPECT, PET, MRS 또는 MEG는 부피가 크고 움직이지 않는 장비가 필요합니다.예를 들어, MEG는 자기적으로 차폐된 방에서만 사용할 수 있는 액체 헬륨 냉각 검출기로 구성된 장비를 필요로 하며, 이는 모두 수백만 달러 이상의 비용이 듭니다.[20] fMRI는 차폐된 방에서 1톤 자석을 사용해야 합니다.
  • EEG는 높은 시간 해상도를 쉽게 가질 수 있지만(밀리초 미만의 해상도는 덜 의미 있는 데이터를 생성하지만), 그 수만큼의 전극에 의해 생성된 2-32개의 데이터 스트림은 쉽게 저장되고 처리되는 반면, 3D 공간 기술은 수천 또는 수백만 배의 입력 데이터 스트림을 제공하기 때문에,따라서 하드웨어와 소프트웨어에 의해 제한됩니다.[21]뇌파는 일반적으로 임상 및 연구 환경에서 250~2000Hz 사이의 샘플링 속도로 기록됩니다.
  • 뇌파는 대부분의 다른 신경 영상 기술과 달리 피험자의 움직임에 상대적으로 관대합니다.뇌파 데이터에서 움직임 아티팩트를 최소화하고 심지어 제거하는 방법도 있습니다.
  • 뇌파는 조용해서 청각 자극에 대한 반응을 더 잘 연구할 수 있습니다.
  • EEG는 fMRI, PET, MRS, SPECT, 때로는 MEG와[23] 달리 폐쇄공포증을 악화시키지 않습니다.
  • EEG는 일부 다른 기술, 특히 MRI 및 MRS에서와 같이 고강도(>1 Tesla) 자기장에 대한 노출을 수반하지 않습니다.이는 데이터에 여러 가지 바람직하지 않은 문제를 야기할 수 있으며, 또한 금속 함유 페이스메이커와[24] 같이 체내에 금속 임플란트가 있는 참가자에게 이러한 기술을 사용하는 것을 금지할 수 있습니다.
  • 뇌파는 양전자 방출 단층 촬영과 달리 방사선 리간드에 노출되지 않습니다.[25]
  • ERP 연구는 IE 블록 설계 fMRI 연구에 비해 비교적 간단한 패러다임으로 수행할 수 있음
  • 뇌의 실제 표면에 전극을 배치해야 하는 전기피질촬영과는 달리 비교적 비침습적입니다.

뇌파는 또한 행동 테스트와 호의적으로 비교되는 몇 가지 특징을 가지고 있습니다.

  • EEG는 은밀한 처리(즉, 응답을 필요로 하지 않는 처리)를 감지할 수 있습니다.[26]
  • 뇌파는 운동 반응을[27] 할 수 없는 피험자에게 사용될 수 있습니다.
  • 피험자가 자극에 주의를 기울이지 않을 때에도 일부 ERP 성분이 감지될 수 있음
  • 반응 시간을 연구하는 다른 수단과 달리, ERP는 (단순한 결과가 아닌) 처리 단계를 설명할 수 있습니다.[28]
  • EEG의 단순성은 삶의 다양한 단계 동안 뇌의 변화를 추적하는 것을 쉽게 제공합니다.뇌파 수면 분석은 청소년의 뇌 성숙도를 평가하는 것을 포함하여 뇌 발달 시기의 중요한 측면을 나타낼 수 있습니다.

[29]

  • 뇌파에서는 MRI의 BOLD 반응과 같은 다른 연구 기술과 비교하여 어떤 신호로 측정되는지 더 잘 이해할 수 있습니다.

단점들

  • 두피의 낮은 공간 해상도. 예를 들어 fMRI는 뇌의 활동적인 영역을 직접적으로 표시할 수 있는 반면, 뇌파는 특정 반응에 의해 어떤 영역이 활성화되는지 가설을 세우기 위해 집중적인 해석이 필요합니다.[30]
  • 뇌파 변화를 일으키는 쌍극자의 방향과 위치에 따라 역문제로 인한 잘못된 국소화가 발생할 수 있습니다.[31]
  • 뇌파는 뇌의 상층 아래에서 일어나는 신경 활동을 잘 측정하지 못합니다.
  • PET, MRS와 달리 뇌에서 다양한 신경전달물질, 약물 등이 발견될 수 있는 특정한 위치를 확인할 수 없습니다.[25]
  • 피검자를 뇌파에 연결하는 데는 종종 오랜 시간이 걸리는데, 이는 우수한 전도도를 유지하기 위해 머리 주위에 수십 개의 전극을 정밀하게 배치하고 다양한 젤, 식염수 및/또는 페이스트를 사용해야 하기 때문입니다. 그리고 캡을 사용하여 이들을 제자리에 고정시킵니다.사용되는 특정 뇌파 장치에 따라 시간 길이가 다르지만, 일반적으로 MEG, fMRI, MRS 및 SPECT에 대한 피험자를 준비하는 데 상당히 적은 시간이 소요됩니다.
  • 신호 대 잡음비가 좋지 않아 뇌파에서 유용한 정보를 추출하기 위해서는 정교한 데이터 분석과 비교적 많은 수의 피험자가 필요합니다.[32]

다른 신경 영상 기술과 함께

동시 뇌파 기록 및 fMRI 스캔이 성공적으로 획득되었지만,[33][34][35][36] 동시에 기록하려면 탄도 초음파 아티팩트의 존재와 같은 몇 가지 기술적 문제를 극복해야 합니다.MRI 펄스 아티팩트 및 MRI의 강한 자기장 내에서 이동하는 뇌파 와이어의 전류 유도.이는 어려운 가운데 많은 연구에서 성공적으로 극복되었습니다.[37][38]

MRI는 잠재적으로 유해한 변위력과 토크를 유발할 수 있는 강력한 자기장을 발생시켜 생성된 세부 이미지를 생성합니다.이러한 필드는 잠재적으로 유해한 무선 주파수 가열을 생성하고 이미지 아티팩트를 생성하여 이미지를 쓸모없게 만듭니다.이러한 잠재적 위험으로 인해 MR 환경에서는 특정 의료 기기만 사용할 수 있습니다.

마찬가지로, MEG 및 뇌파와의 동시 녹음도 수행되었으며, 이는 두 가지 기술을 단독으로 사용하는 것에 비해 몇 가지 이점이 있습니다.

  • 뇌파는 두개골의 반지름과 다양한 두개골 위치의 전도성과 같이 추정만 가능한 두개골의 특정 측면에 대한 정확한 정보를 요구합니다.MEG는 이러한 문제가 없으며, 동시 분석을 통해 이 문제를 해결할 수 있습니다.
  • MEG와 EEG는 모두 피질 표면 아래의 활동을 매우 불량하게 감지하고, EEG와 마찬가지로 검사하려는 피질 표면 아래의 깊이에 따라 오차 수준이 증가합니다.그러나 오류는 기법마다 매우 다르며, 이를 결합하면 이 소음의 일부를 수정할 수 있습니다.
  • MEG는 피질 아래 몇 센티미터 이하에서는 사실상 뇌 활동의 원천이 없습니다.반면, EEG는 높은 수준의 잡음에도 불구하고 더 깊은 깊이에서 신호를 수신할 수 있습니다.이 둘을 결합하면 뇌파 신호가 표면에서 무엇이 나오는지(MEG는 뇌 표면의 신호를 조사하는 데 매우 정확하기 때문에), 뇌 깊숙한 곳에서 무엇이 나오는지 판단하기가 쉬워지므로 뇌파나 MEG 중 하나보다 더 깊은 뇌 신호를 분석할 수 있습니다.[39]

최근, 뇌전증 진단에서 소스 재구성을 목적으로 하는 결합 뇌파/MEG(EMEG) 접근법이 연구되고 있습니다.[40]

뇌파는 또한 양전자 방출 단층촬영과 결합되었습니다.이것은 연구자들이 뇌의 다양한 약물 작용과 연관된 뇌파 신호를 볼 수 있게 해주는 장점을 제공합니다.[41]

전두엽 뇌파 데이터에서 추출된 통계적 시간 특징을 가진 신경망과 같은 기계 학습 기술을 사용하는 최근의 연구는 정신 상태(완화, 중립, 집중),[42] 정신 감정 상태(음성, 중립, 양성)[43] 및 시상 피질 이상 리듬을 분류하는 데 높은 성공 수준을 보여주었습니다.[44]

매커니즘

뇌의 전하는 수십억 개의 뉴런에 의해 유지됩니다.[45]뉴런은 막을 가로질러 이온을 주입하는 막 수송 단백질에 의해 전기적으로 대전(또는 "편파")됩니다.뉴런은 세포 외 환경과 지속적으로 이온을 교환하는데, 예를 들어 휴지 전위를 유지하고 활동 전위를 전파하기 위해서입니다.비슷한 전하를 가진 이온들은 서로 밀어내고, 많은 이온들이 동시에 많은 뉴런들에서 밀려날 때, 그들은 이웃을 밀어낼 수 있고, 그들은 이웃을 밀어낼 수 있습니다.이 과정을 볼륨 전도(volume conduction(볼륨 전도)라고 합니다.이온의 파동이 두피의 전극에 도달하면, 그들은 전극의 금속 위에 전자를 밀거나 당길 수 있습니다.금속은 전자의 밀당을 쉽게 수행하기 때문에 어느 두 전극 사이의 밀당 전압 차이를 전압계로 측정할 수 있습니다.이러한 전압을 시간에 따라 기록하면 뇌파가 발생합니다.[46]

개별 뉴런에 의해 생성된 전위는 너무 작아서 EEG나 MEG에 의해 픽업되지 않습니다.[47] 따라서 뇌파 활동은 항상 유사한 공간적 방향을 가진 수천 또는 수백만 개의 뉴런의 동기 활동의 총합을 반영합니다.셀이 유사한 공간 방향을 가지고 있지 않으면 이온이 정렬되지 않고 감지할 파동이 생성됩니다.피질의 피라미드 뉴런은 잘 정렬되어 함께 발사되기 때문에 뇌파 신호를 가장 많이 생성하는 것으로 생각됩니다.전압장 구배는 거리의 제곱에 따라 떨어지기 때문에 깊은 소스로부터의 활동은 두개골 근처의 전류보다 감지하기가 더 어렵습니다.[48]

두피 뇌파 활동은 다양한 주파수에서 진동을 보여줍니다.이러한 진동 중 몇 가지는 특징적인 주파수 범위, 공간 분포를 가지며 다양한 뇌 기능 상태(예: 각성 및 다양한 수면 단계)와 관련이 있습니다.이러한 진동은 뉴런 네트워크를 통한 동기화된 활동을 나타냅니다.이러한 진동들 중 일부의 기초가 되는 뉴런 네트워크는 (예를 들어, 수면 스핀들들의 기초가 되는 시상피질 공진) 이해되지만, 다른 많은 것들은 (예를 들어, 후방 기본 리듬을 생성하는 시스템) 이해되지 않습니다.뇌파와 뉴런 스파이킹 둘 다를 측정하는 연구는 감마 밴드의 뇌파 파워와 델타 밴드의 위상의 조합이 뉴런 스파이크 활성과 가장 강하게 관련되어 둘 사이의 관계가 복잡하다는 것을 발견했습니다.[49]

방법

러시아에서 생산, 제공되는 컴퓨터 뇌파계 Neurovisor-BMM 40

종래의 두피 뇌파에서, 레코딩은 전도성 겔 또는 페이스트로 두피에 전극을 위치시킴으로써 얻어지는데, 보통 각질로 인한 임피던스 감소를 위해 가벼운 마모에 의해 두피 부위를 준비한 후에 이루어진다.대부분의 시스템은 일반적으로 전극을 사용하며, 전극 각각은 개별 와이어에 부착됩니다.일부 시스템은 전극이 내장된 캡 또는 그물을 사용합니다. 특히 고밀도 전극 어레이가 필요할 때 흔히 사용됩니다.[citation needed]

전극 위치와 이름은 대부분의 임상 및 연구 애플리케이션(고밀도 어레이를 사용하는 경우는 제외)에 대해 국제 10–20 시스템[50] 의해 지정됩니다.이 시스템은 실험실 전체에서 전극 이름을 일관되게 지정합니다.대부분의 임상 애플리케이션에서는 19개의 기록 전극(접지 및 시스템 참조)이 사용됩니다.[51]신생아의 뇌파를 기록할 때 일반적으로 더 적은 수의 전극이 사용됩니다.임상 또는 연구 애플리케이션에서 뇌의 특정 영역에 대한 공간 해상도를 높여야 할 때 추가 전극을 표준 설정에 추가할 수 있습니다.고밀도 어레이(일반적으로 캡 또는 네트를 통해)는 두피 주위에 약 256개의 전극을 균일하게 배치할 수 있습니다.

각 전극은 차동 증폭기(전극 쌍당 하나의 증폭기)의 한 입력에 연결되며, 공통 시스템 기준 전극은 각 차동 증폭기의 다른 입력에 연결됩니다.이러한 증폭기는 활성 전극과 기준 사이의 전압을 증폭합니다(일반적으로 1,000 ~ 100,000배 또는 60 ~ 100dB의 전압 이득).아날로그 뇌파에서, 신호는 그 다음에 필터링되고(다음 단락), 종이가 아래를 지나갈 때 펜의 편향에 따라 뇌파 신호가 출력됩니다.그러나 요즘 대부분의 뇌파 시스템은 디지털이며, 증폭된 신호는 안티 앨리어싱 필터를 통과한 후 아날로그-디지털 변환기를 통해 디지털화됩니다.아날로그-디지털 샘플링은 일반적으로 임상 두피 뇌파에서 256–512 Hz에서 발생합니다. 일부 연구 애플리케이션에서는 최대 20 kHz의 샘플링 속도가 사용됩니다.

녹화 중에는 일련의 활성화 절차가 사용될 수 있습니다.이러한 절차는 그렇지 않으면 볼 수 없는 정상적이거나 비정상적인 뇌파 활동을 유발할 수 있습니다.이러한 절차에는 과호흡, 광 자극(스트로브 라이트 사용), 안구 폐쇄, 정신 활동, 수면 및 수면 부족이 포함됩니다.(입원) 뇌전증 모니터링 중 환자의 일반적인 발작 약물이 철회될 수 있습니다.

디지털 뇌파 신호는 전자적으로 저장되며 표시를 위해 필터링될 수 있습니다.고역 통과 필터저역 통과 필터의 일반 설정은 각각 0.5~1Hz와 35~70Hz입니다.일반적으로, 고역 통과 필터는 전기은반 신호 및 이동 아티팩트와 같은 느린 아티팩트를 필터링하고, 저역 통과 필터는 근전도 신호와 같은 고주파 아티팩트를 필터링합니다.일반적으로 전기 전원선(미국의 경우 60Hz, 다른 많은 국가의 경우 50Hz)에 의해 발생하는 아티팩트를 제거하기 위해 노치 필터를 추가로 사용합니다.[11]

뇌파 신호는 OpenBCI와 같은 오픈 소스 하드웨어로 캡처할 수 있으며 신호는 뇌파 소프트웨어(EEGLAB 또는 Neurophysiological Biomarker Toolbox)를 통해 자유롭게 처리할 수 있습니다.

뇌전증 수술을 위한 평가의 일환으로 뇌의 표면 근처, 경막의 표면 아래에 전극을 삽입하는 것이 필요할 수 있습니다.이것은 버홀이나 개두술을 통해 이루어집니다.이것은 "전기피질검사(ECoG)", "두개내 뇌파(I-EEG)" 또는 "경막하 뇌파(SD-EEG)"로 다양하게 언급됩니다.깊이 전극은 또한 뇌 구조, 예를 들어 편도체 또는 해마에 배치될 수 있는데, 이 구조는 일반적인 간질 초점이며 두피 뇌파로 명확하게 "보이지 않을 수도 있습니다.전기피질 신호는 디지털 두피 뇌파(위)와 동일한 방식으로 처리되며, 몇 가지 주의 사항이 있습니다.나이퀴스트 정리(Nyquist theorem)의 요구 조건 때문에 ECoG는 일반적으로 두피 뇌파보다 더 높은 샘플링 속도로 기록됩니다. 즉, 경막하 신호는 더 높은 주파수 성분의 더 높은 우세로 구성됩니다.또한 두피 뇌파에 영향을 미치는 많은 인공물은 ECoG에 영향을 미치지 않으므로 디스플레이 필터링이 필요하지 않은 경우가 많습니다.

일반적인 성인 인간 뇌파 신호는 두피에서 측정했을 때 진폭이 약 10 µV에서 100 µV입니다.

뇌파 전압 신호는 두 전극의 전압 간 차이를 나타내므로 판독 뇌전도 검사기에 대한 뇌파 표시는 여러 가지 방법 중 하나로 설정할 수 있습니다.뇌파 채널의 표현은 몽타주(montage)라고 합니다.

순차 몽타주
각 채널(즉, 파형)은 인접한 두 전극 간의 차이를 나타냅니다.전체 몽타주는 이러한 일련의 채널로 구성되어 있습니다.예를 들어, 채널 "Fp1-F3"은 Fp1 전극과 F3 전극 사이의 전압 차이를 나타냅니다.몽타주의 다음 채널인 "F3-C3"은 전체 전극 배열을 통해 F3와 C3 사이의 전압 차이를 나타냅니다.
참조 몽타주
각 채널은 특정 전극과 지정된 기준 전극 사이의 차이를 나타냅니다.이 기준에 대한 표준 위치는 없지만 "기록" 전극과 다른 위치에 있습니다.중간선 위치는 온라인 기준으로 Cz, Oz, Pz 등과 같이 한 반구 대 다른 반구에서 신호를 증폭하지 않기 때문에 종종 사용됩니다.다른 인기있는 오프라인 참조는 다음과 같습니다.
  • REST 기준: 전위가 0인 무한대에서 오프라인 계산 기준입니다.REST(기준 전극 표준화 기법)는 두피 기록 세트의 뇌 내부에 있는 동등한 소스를 스프링보드로 사용하여 무한대 0을 기준으로 하는 새로운 기록에 대한 0이 아닌 온라인 또는 오프라인(평균, 연결된 귀 등)의 기준과 실제 기록을 연결합니다.[53]
  • 연결 귀(linked ear): 양쪽 귓불 또는 마스토이드에 부착된 전극의 물리적 또는 수학적 평균을 의미합니다.
평균기준몽타주
모든 증폭기의 출력이 합산되고 평균화되며, 이 평균화된 신호가 각 채널의 공통 기준으로 사용됩니다.
라플라시안 몽타주
각 채널은 전극과 주변 전극의 가중 평균 사이의 차이를 나타냅니다.[54]

아날로그(종이) 뇌파가 사용되는 경우, 기술자는 뇌파의 특정한 특징을 강조하거나 더 잘 특성화하기 위해 녹음 중에 몽타주 사이를 전환합니다.디지털 뇌파를 사용하면 일반적으로 모든 신호가 디지털화되어 특정(일반적으로 참조) 몽타주에 저장됩니다. 어떤 몽타주든 다른 몽타주에서 수학적으로 구성할 수 있으므로 뇌파는 원하는 모든 디스플레이 몽타주에서 뇌파 지도자가 볼 수 있습니다.

뇌파는 임상 신경 생리학자 또는 신경학자(의료 전문 분야에 관한 현지 관습 및 법률에 따라)에 의해 판독되며, 최적으로 임상 목적을 위한 뇌파 해석에 대한 특정 훈련을 받은 사람입니다.이 작업은 그래프 요소라고 하는 파형을 육안으로 검사하여 수행됩니다.뇌파의 컴퓨터 신호 처리(정량적 뇌파도법)의 사용은 임상적 목적으로 사용될 때 다소 논란이 있습니다(많은 연구 용도는 많지만).

건식 뇌파 전극

1990년대 초, 캘리포니아 대학의 바박 타헤리(Babak Taheri)는 마이크로 기계 가공을 이용한 최초의 단일 채널 및 다채널 건식 활성 전극 어레이를 시연했습니다.단일 채널 건식 뇌파 전극 구축 및 결과는 1994년에 발표되었습니다.[55]배열된 전극은 또한 /염화은 전극과 비교하여 우수한 성능을 나타냈습니다.이 장치는 임피던스 매칭을 통해 노이즈를 줄이기 위해 전자 장치가 통합된 센서의 네 곳으로 구성되었습니다.이러한 전극의 장점은 다음과 같습니다: (1) 전해질을 사용하지 않음, (2) 피부 준비 없음, (3) 센서 크기의 현저한 감소, 그리고 (4) 뇌파 모니터링 시스템과의 호환성.능동형 전극 어레이는 회로에 전원을 공급하기 위해 배터리와 함께 패키지에 내장된 로컬 통합 회로가 있는 정전식 센서 어레이로 구성된 통합 시스템입니다.전극에 의해 얻어지는 기능적 성능을 달성하기 위해서는 이러한 수준의 통합이 필요했습니다.전극은 전기 테스트 벤치와 인간 피실험자를 대상으로 (1) 자발적 뇌파, (2) 감각 이벤트 관련 잠재력, (3) 뇌간 잠재력, (4) 인지 이벤트 관련 잠재력의 네 가지 방식으로 테스트되었습니다.건조 전극의 성능은 피부 준비, 겔 요구량 없음(건조), 신호 대 잡음비의 증가 등에서 표준 습윤 전극의 성능과 비교하여 양호했습니다.[56]

1999년, 오하이오클리블랜드에 있는 케이스 웨스턴 리저브 대학의 헌터 페컴이 이끄는 연구원들은 제한된 손의 움직임을 사지 마비에 걸린 짐 재티치에게 되돌려 주기 위해 64개의 전극 뇌파 두개골 캡을 사용했습니다.Jatich가 위와 아래와 같은 단순하지만 반대 개념에 집중했기 때문에, 그의 베타 리듬 뇌파 출력은 잡음에서 패턴을 식별하기 위해 소프트웨어를 사용하여 분석되었습니다.기본 패턴을 식별하여 스위치를 제어하는 데 사용했습니다. 평균 이상의 활동은 켜짐, 평균 이하는 꺼짐으로 설정되었습니다.Jatich가 컴퓨터 커서를 제어할 수 있게 해줄 뿐만 아니라, 그 신호들은 그의 손에 내장된 신경 제어기들을 구동하는 데에도 사용되었고, 약간의 움직임을 회복했습니다.[57]

2018년 전도성 탄소나노섬유로 채워진 폴리디메틸실록산 엘라스토머로 구성된 기능성 건조전극이 보고되었습니다.이 연구는 미군 연구소에서 수행되었습니다.[58]뇌파 기술은 종종 강력한 신호 대 잡음비를 촉진하는 젤을 두피에 바르는 것을 수반합니다.이를 통해 보다 재현성 있고 신뢰할 수 있는 실험 결과를 얻을 수 있습니다.환자들은 머리카락이 젤로 채워진 것을 싫어하고 긴 설정은 훈련된 직원이 현장에 있어야 하기 때문에 실험실 밖에서 뇌파를 사용하는 것은 어려울 수 있습니다.[59]또한, 습식 전극 센서는 시간이 경과하면 성능이 저하되는 것이 관찰되고 있습니다.[58]따라서, 건조 및 반건조 뇌파 생체전자 인터페이스를 개발하기 위한 연구가 진행되어 왔습니다.[citation needed]

건식 전극 신호는 기계적 접촉에 따라 달라집니다.따라서, 피부와 전극 사이의 임피던스 때문에 사용 가능한 신호를 얻는 것이 어려울 수 있습니다.[59][58]일부 뇌파 시스템은 식염수를 적용하여 이 문제를 회피하려고 시도합니다.[60]다른 것들은 반건조한 성질을 가지고 있고 두피에 닿으면 적은 양의 젤을 배출합니다.[59]또 다른 솔루션은 스프링 로드 핀 설정을 사용합니다.이것들은 불편할 수 있습니다.충격 외상 후 박힐 수 있어 환자가 머리를 부딪칠 수 있는 상황에서 사용할 경우 위험할 수도 있습니다.[58]

ARL은 또한 두 개의 뇌가 얼마나 잘 동기화되는지 보여주는 시각화 도구인 Customizable Lighting Interface for the Visualization of EEGs 또는 CLIVE를 개발했습니다.[61]

현재 헤드셋은 최대 30채널의 건식 전극을 통합하여 사용할 수 있습니다.[62]이러한 설계는 사전 증폭, 차폐 및 지원 메커니즘을 최적화함으로써 높은 임피던스와 관련된 신호 품질 저하의 일부를 보상할 수 있습니다.[63]

한계

뇌파에는 몇 가지 한계가 있습니다.가장 중요한 것은 낮은 공간 해상도입니다.[64]EEG는 시냅스 후의 특정한 잠재력에 가장 민감합니다. 피질의 표면층, 두개골에 직접 맞닿은 고리의 꼭대기에서 발생하고 두개골에 방사형으로 도달하는 잠재력입니다.피질의 더 깊은 곳, 설시 내부, 중간선 또는 깊은 구조(싱귤레이트 자이러스 또는 해마와 같은), 또는 두개골에 접선하는 전류를 생성하는 덴드라이트는 뇌파 신호에 훨씬 덜 기여합니다.

뇌파 기록은 축삭 작용 가능성을 직접적으로 포착하지는 않습니다.활동전위는 현재의 4중극으로 정확하게 표현될 수 있는데, 이는 결과적인 장이 시냅스 후 전위의 현재 쌍극자에 의해 생성된 것보다 더 빠르게 감소한다는 것을 의미합니다.[20]또한 뇌파는 수천 개의 뉴런의 평균을 나타내기 때문에 동기 활동을 하는 세포의 많은 수가 기록에 상당한 편향을 일으키는데 필요합니다.활동 가능성은 매우 빠르며, 결과적으로 현장 합산 가능성은 희박합니다.그러나, 일반적으로 더 긴 수지상 전류 쌍극자로서, 신경 역전파는 뇌파 전극에 의해 픽업될 수 있고, 신경 출력의 발생에 대한 신뢰할 수 있는 지표입니다.

EEG는 축류 전류와 반대로 수지상 전류를 거의 독점적으로 포착할 뿐만 아니라 평행 수지상 및 동일한 방향으로 전류를 전달하는 집단의 활동에 대한 선호도를 보여줍니다.피질층 II/III 및 V의 피라미드 뉴런은 층 I로 에피칼 덴드라이트를 확장합니다.이러한 과정을 따라 위 또는 아래로 이동하는 전류가 뇌전도에 의해 생성되는 대부분의 신호의 기초가 됩니다.[65]

따라서 뇌파는 뉴런 유형을 선택하기 위해 큰 편향을 가진 정보를 제공하며, 일반적으로 글로벌 뇌 활동에 대한 주장을 하는 데 사용되어서는 안 됩니다.뇌수막, 뇌척수액, 두개골이 뇌파 신호를 '비린내' 내며 두개내 공급원을 흐리게 합니다.

일부 전류가 서로 상쇄되는 전위를 생성하기 때문에 주어진 뇌파 신호에 대해 고유한 두개내 [11]전류원을 재구성하는 것은 수학적으로 불가능합니다.이를 역문제라고 합니다.그러나 적어도 기록된 전류를 나타내는 국부적인 전기 쌍극자의 추정치를 현저하게 좋게 만들기 위해 많은 노력이 이루어졌습니다.[citation needed]

EEG vis-a-vis fMRI, fNIRS, fUS 및 PET

뇌파는 뇌 활동을 탐구하는 도구로서 몇 가지 장점이 있습니다.뇌파는 밀리초에 걸쳐 변화를 감지할 수 있는데, 뉴런의 종류에 따라 하나의 뉴런을 통해 전파하는 데 약 0.5~130밀리초의 활동 전위가 걸린다는 점을 고려하면 매우 우수합니다.[66]PET, fMRI 또는 fUS와 같은 뇌 활동을 보는 다른 방법들은 초에서 분 사이의 시간 분해능을 갖습니다.뇌파는 뇌의 전기 활동을 직접적으로 측정하는 반면, 다른 방법들은 뇌의 전기 활동의 간접적인 지표인 혈류의 변화(예: SPECT, fMRI, fUS) 또는 대사 활동(예: PET, NIRS)을 기록합니다.

EEG는 fMRI 또는 fUS와 동시에 사용하여 고시간 해상도 데이터를 고공간 해상도 데이터와 동시에 기록할 수 있지만, 각각의 데이터에서 파생된 데이터가 다른 시간 과정에 걸쳐 발생하기 때문에 데이터 세트가 반드시 정확히 동일한 뇌 활동을 나타내는 것은 아닙니다.MRI 획득 중에 존재하는 MRI 구배 아티팩트를 제거해야 하는 것을 비롯하여 뇌파와 fMRI의 결합과 관련된 기술적 어려움이 있습니다.또한, MRI의 자기장에 의해 움직이는 뇌파 전극선에 전류가 유도될 수 있습니다.

EEG는 큰 기술적 문제 없이 NIRS 또는 fUS와 동시에 사용할 수 있습니다.이러한 양식이 서로에게 미치는 영향은 없으며 측정을 결합하면 중간 공간 해상도에서 혈액 역학뿐만 아니라 전기 활동에 대한 유용한 정보를 얻을 수 있습니다.

MEG 대비 뇌파

뇌파는 피질 뉴런시냅스전위에 의해 야기되는 상관된 시냅스 활성을 반영합니다.빠른 활동 전위의 생성과 관련된 이온 전류는 뇌파를 나타내는 평균 필드 전위에 크게 기여하지 않을 수 있습니다.[47][67]보다 구체적으로, 뇌파를 생성하는 두피 전기 전위는 일반적으로 수지상 전기 활동에 의해 발생하는 세포 외 이온 전류에 의해 발생하는 것으로 생각되는 반면, 자기 뇌파 신호를[20] 생성하는 분야는 세포 내 이온 전류와 관련이 있습니다.[68]

정상활동

뇌파는 일반적으로 (1) 리듬 활동과 (2) 과도로 설명됩니다.리듬 활동은 주파수에 따라 밴드로 나뉩니다.어느 정도 이러한 주파수 대역은 명명법의 문제이며(즉, 8-12Hz 사이의 리듬 활동을 "알파"라고 설명할 수 있습니다), 특정 주파수 범위 내의 리듬 활동이 두피에 일정한 분포를 가지고 있거나 생물학적인 중요성을 가지고 있는 것으로 주목받았기 때문에 이러한 명칭이 생겨났습니다.주파수 대역은 일반적으로 EEGLAB 또는 신경생리학적 바이오마커 툴박스와 같은 자유롭게 이용 가능한 뇌파 소프트웨어에 구현된 것처럼 스펙트럼 방법(예를 들어, Welch)을 사용하여 추출됩니다.뇌파의 계산 처리는 종종 정량적 뇌전도(qEEG)로 명명됩니다.

두피 뇌파에서 관찰되는 대부분의 뇌 신호는 1~20Hz 범위에 속합니다. (이 범위 아래 또는 위의 활동은 표준 임상 기록 기술 하에서 인공적일 가능성이 높습니다.)파형은 알파, 베타, 세타 및 델타로 알려진 대역폭으로 세분화되어 임상에서 사용되는 뇌파의 대부분을 나타냅니다.[69]

뇌파 밴드 비교

뇌파 밴드 비교
밴드 주파수(Hz) 위치 보통. 병적으로
델타 < 4 앞에서는 어른이, 뒤에서는 아이가; 높은 amplitude의 파도
  • 성인의 느린 수면
  • 갓난아기에
  • 일부 지속적인 주의 집중 작업 중에[70] 발견됨
  • 피질하 병변
  • 확산성 병변
  • 대사성 뇌증 수두증
  • 심중선 병변
세타 4–7 당면한 작업과 관련이 없는 위치에서 발견됨
  • 어린아이일수록
  • 성인과 청소년의 졸음
  • 빈둥빈둥
  • 유도된 반응의 억제와 관련됨(사람이 적극적으로 반응이나 행동을 억제하려고 하는 상황에서 급증하는 것으로 확인됨).[70]
  • 초점 피질하 병변
  • 대사성 뇌증
  • 심중선 장애
  • 수두증의 몇 가지 예
알파 8–12 머리 뒤쪽, 양쪽, 우세한 쪽에서 진폭이 더 높습니다.정지한 중앙 지점(c3-c4)
  • 느긋한/반성하는
  • 눈감기
  • 또한 억제 조절과 관련이 있으며, 겉보기에는 뇌 전체의 다른 위치에서 억제 활동의 타이밍을 맞추기 위한 목적과 관련이 있습니다.
  • 혼수 상태의
베타. 13–30 양쪽, 대칭 분포, 정면으로 가장 명백함; 낮은 amplitude 파동
  • 범위 범위: 적극적인 침착 → 강렬한 → 스트레스 → 가벼운 강박증
  • 적극적인 사고, 집중, 고도의 경계심, 불안
감마 > 32 소마토감각피질
  • 크로스 모달 감각 처리 중 표시(소리와 시각 등 서로 다른 두 감각을 결합한 지각)[72][73]
  • 또한 인식된 물체, 소리 또는 촉각의 단기 메모리 매칭 시에도 표시됩니다.
  • 감마 밴드 활동의 감소는 특히 세타 밴드와 관련된 경우 인지 저하와 관련이 있을 수 있습니다. 그러나 이는 임상 진단 측정으로 사용하기 위해 입증되지 않았습니다.
8–12 감각운동피질
  • 정지 상태 운동 뉴런을 보여줍니다.[74]
  • 뮤 억제는 운동 미러 뉴런이 작동하고 있음을 나타낼 수 있습니다.뮤 억제의 결손, 즉 거울 신경세포들이 자폐증에 역할을 할 수도 있습니다.[75]

정의에서 정수만을 사용하는 관행은 종이 기록에서 전 주기만 셀 수 있었던 시대의 실제적인 고려 사항에서 비롯됩니다.따라서 이 페이지의 다른 부분에서 볼 수 있듯이 정의에 차이가 발생합니다.이론적 정의는 항상 모든 주파수를 포함하도록 보다 신중하게 정의되어 왔습니다.불행히도 표준 참조 작업에서는 이러한 범위가 무엇이어야 하는지에 대한 일치된 의견이 없습니다. 알파의 상단과 베타의 하단에 대한 값은 12, 13, 14 및 15를 포함합니다.임계값을 14Hz로 설정하면 가장 느린 베타 파형의 길이는 가장 긴 스파이크(70ms)와 거의 같으므로 이 값이 가장 유용합니다.

Human EEG with prominent alpha-rhythm
알파-리듬이 두드러지는 인간 뇌파

물결무늬

델타파
  • 델타파는 최대 4Hz 주파수 범위입니다.진폭이 가장 높고 파동이 가장 느린 경향이 있습니다.그것은 일반적으로 느린 파도 수면을 취하는 성인들에게서 볼 수 있습니다.아기들에게서도 흔히 볼 수 있습니다.이는 피질하 병변과 함께 초점적으로 발생할 수 있으며, 확산 병변, 대사성 뇌증, 심중선 병변과 함께 일반적으로 분포할 수 있습니다.대개 성인(예: FIRDA – 전두엽 간헐 리듬 델타)과 소아(예: OIRDA – 후두부 간헐 리듬 델타)에서 가장 두드러집니다.
세타파
  • 세타는 4Hz에서 7Hz의 주파수 범위입니다.세타는 어린 아이들에게서 흔히 볼 수 있습니다.그것은 나이든 아이들과 어른들의 졸음이나 각성에서 볼 수 있습니다; 그것은 명상에서도 볼 수 있습니다.[76]나이에 대한 초과 세타는 비정상적인 활동을 나타냅니다.그것은 초점 피질하 병변의 초점 장애로 볼 수 있습니다; 확산 장애나 대사성 뇌증, 심중선 장애 또는 수두증의 일부 사례에서 일반화된 분포로 볼 수 있습니다.반대로 이 범위는 편안하고 명상적이며 창조적인 상태에 대한 보고와 관련이 있습니다.
알파파
  • 알파8Hz ~ 12Hz 주파수 범위입니다.[77]한스 버거는 그가 관찰한 최초의 리듬 뇌파 활동을 "알파파파"라고 이름 지었습니다.이것은 "후 기본 리듬"(후 기본 리듬 또는 "후 기본 리듬"이라고도 불림)으로, 양쪽의 머리 뒤쪽 영역에서 볼 수 있으며, 우세한 쪽에서 진폭이 더 높습니다.그것은 눈을 감고 긴장을 풀면서 나타나며, 눈을 뜨거나 정신적인 노력으로 약화됩니다.후 기본 리듬은 실제로 어린 아이들의 경우 8Hz보다 느립니다(따라서 엄밀히 말하면 세타 범위입니다).
감각운동리듬 일명 뮤리듬
손과 팔이 한가할 때 나타나는 뮤 리듬(상대측 감각운동 피질 영역의 알파 활동)과 세 번째 리듬(측두엽 또는 전두엽의 알파 활동)과 같은 다른 정상적인 알파 리듬이 있습니다.[78][79]알파는 비정상적일 수 있습니다. 예를 들어, 혼수 상태에서 확산 알파가 발생하고 외부 자극에 반응하지 않는 뇌파를 "알파 혼수"라고 합니다.
베타파
  • 베타는 13Hz에서 약 30Hz 사이의 주파수 범위입니다.이것은 보통 대칭적인 분포로 양쪽에서 보이며 정면으로 가장 분명합니다.베타 활동은 운동 행동과 밀접한 관련이 있으며 일반적으로 활동적인 운동 중에 약화됩니다.[80]다양하고 다양한 빈도를 가진 저진도 베타는 종종 활동적이거나 바쁘거나 불안한 사고와 적극적인 집중과 관련이 있습니다.우세한 주파수 세트를 가진 리듬 베타는 Dup15q 증후군과 같은 다양한 병리학 및 약물 효과, 특히 벤조디아제핀과 관련이 있습니다.피질 손상 부위에는 없을 수도 있고 줄어들 수도 있습니다.경계심이 있거나 불안하거나 눈을 뜨고 있는 환자에게 지배적인 리듬입니다.
감마파
  • 감마는 약 30~100Hz 주파수 범위입니다.감마 리듬은 특정 인지 또는 운동 기능을 수행하기 위한 목적으로 뉴런의 다양한 집단이 함께 네트워크로 결합하는 것을 나타내는 것으로 생각됩니다.[11]
  • 범위는 8~13Hz이며 다른 주파수와 부분적으로 겹칩니다.정지 상태에서 운동 뉴런의 동기 발화를 반영합니다.뮤 억제는 운동 미러 뉴런 시스템을 반영하는 것으로 생각되는데, 동작이 관찰되면 패턴이 소멸되는데, 아마도 정상 뉴런 시스템과 미러 뉴런 시스템이 "동기를 잃어서" 서로 간섭하기 때문일 것입니다.[75]

"초저속" 또는 "근직류" 활동은 일부 연구 맥락에서 DC 증폭기를 사용하여 기록됩니다.이러한 주파수의 신호는 다수의 아티팩트에 영향을 받기 쉽기 때문에 일반적으로 임상 상황에서 기록되지 않습니다.

뇌파의 일부 특징들은 리듬적이라기 보다는 일시적입니다.스파이크와 날카로운 파도는 뇌전증을 가진 사람이나 뇌전증 성향이 있는 사람의 발작이나 간막 활동을 나타낼 수 있습니다.다른 일시적인 특징은 정상입니다: 정상적인 수면에서 꼭지점파와 수면 스핀들이 보입니다.

통계적으로 흔하지 않지만 기능 장애나 질병과 관련이 없는 활동 유형이 있습니다.이러한 것들을 흔히 "정상 변형"이라고 합니다.뮤 리듬은 정상적인 변형의 한 예입니다.

정상 뇌파는 나이에 따라 다릅니다.태교 뇌파와 신생아 뇌파는 성인 뇌파와는 상당히 다릅니다.임신 3기의 태아와 신생아는 "불연속적"과 "추적 교대제"라는 두 가지 공통적인 뇌 활동 패턴을 보여줍니다. "불연속적" 전기 활동은 급격한 전기 활동의 폭발과 낮은 주파수의 파동을 말합니다."추적 대체 물질" 전기 활동은 급격한 폭발에 이어 짧은 고진폭 간격을 나타내며 일반적으로 신생아의 조용한 수면을 나타냅니다.[81]소아 뇌전도는 일반적으로 성인 뇌전도보다 주파수 진동이 느립니다.

정상 뇌파는 상태에 따라서도 달라집니다.뇌파는 수면다원검사에서 수면 단계를 정의하기 위해 다른 측정(EOG, EMG)과 함께 사용됩니다.1단계 수면(일부 시스템에서 졸음에 해당)은 뇌파에서 후방 기본 리듬의 탈락으로 나타납니다.세타 주파수가 증가할 수 있습니다.산타마리아와 키아파는 졸음과 관련된 다양한 패턴들을 목록화했습니다.2단계 수면은 수면 스핀들(sleep spindle)로 특징지어지는데, 12-14 Hz 범위(때로는 "시그마" 대역이라고도 함)의 리듬 활동의 일시적인 실행으로 전두-중앙 최대치를 가집니다.II 단계의 대부분의 활동은 3-6Hz 범위입니다.단계 III 및 IV 수면은 델타 주파수의 존재에 의해 정의되며 종종 "느린 파도 수면"으로 통칭됩니다.1단계 -IV는 비 REM (또는 "NREM") 수면으로 구성됩니다.렘수면의 뇌파는 깨어있는 뇌파와 다소 유사하게 보입니다.

전신마취 중인 뇌파는 사용되는 마취제의 종류에 따라 다릅니다.할로탄과 같은 할로겐화 마취제 또는 급속(알파 또는 저베타) 프로포폴과 같은 정맥 주사제의 경우 비반응 뇌파 패턴이 두피의 대부분, 특히 전방에서 보입니다. 일부 오래된 용어에서 이것은 WAR(Widefread afterraded after rapid) 패턴으로 알려져 있습니다.고용량의 아편제와 관련된 WAIS(widefread slow) 패턴과 대조됩니다.뇌파 신호에 대한 마취 효과는 다양한 종류의 시냅스와 동기화된 뉴런 활동을 허용하는 회로에 대한 약물 작용의 수준에서 이해되기 시작하고 있습니다.[82]

아티팩트

Main types of artifacts in human EEG
인간 뇌파에서 인공물의 주요 유형

뇌파는 뇌 활동을 연구하는 데 매우 유용한 기술이지만, 측정된 신호는 항상 인공물에 의해 오염되어 데이터 분석에 영향을 미칠 수 있습니다.아티팩트는 뇌 안에서 발생하지 않는 측정된 신호입니다.인공물 제거를 위한 여러 알고리즘이 존재하지만, 이를 어떻게 처리할 것인지에 대한 문제는 여전히 미해결 문제로 남아 있습니다.아티팩트의 근원은 결함 전극, 라인 노이즈 또는 높은 전극 임피던스와 같은 기기와 관련된 문제일 수도 있고, 기록 중인 대상의 생리학적 요인일 수도 있습니다.여기에는 눈 깜빡임과 움직임, 심장 활동 및 근육 활동이 포함될 수 있으며 이러한 유형의 인공물은 제거하기가 더 복잡합니다.인공물은 알츠하이머병이나 수면 장애와 같은 문제의 진단에 영향을 미칠 수 있는 인지 활동을 모방할 수 있기 때문에 뇌파 데이터의 시각적 해석에 편향이 있을 수 있습니다.따라서 실제 응용에 사용되는 뇌파 데이터에서 이러한 아티팩트를 제거하는 것이 가장 중요합니다.[83]

아티팩트 제거

뇌파 데이터의 잘못된 해석을 방지하기 위해서는 인공물과 진짜 뇌 활동을 구별할 수 있어야 합니다.데이터에서 아티팩트를 제거하는 일반적인 방법은 예방, 거부 및 취소입니다.모든 접근법의 목표는 뇌파 신호의 품질에 영향을 주지 않고 인공물을 식별하고 제거할 수 있는 방법론을 개발하는 것입니다.아티팩트 소스가 상당히 다르기 때문에 대부분의 연구자들은 신호에서 단일 유형의 노이즈를 식별하고 제거하는 알고리즘 개발에 집중합니다.일반적으로 노치 필터를 이용한 간단한 필터링은 50/60Hz 주파수의 구성 요소를 제거하는 데 사용됩니다.그러나 그러한 간단한 필터는 일부의 경우 주파수가 뇌파 주파수와 겹치기 때문에 모든 아티팩트를 다루는 데 적합한 선택이 아닙니다.

회귀 알고리즘은 적당한 계산 비용을 가지며 간단합니다.이들은 1990년대 중반까지 '블라인드 소스 분리' 방식으로 대체되기까지 가장 대중적인 보정 방식을 대표했습니다.회귀 알고리즘은 모든 아티팩트가 하나 이상의 참조 채널로 구성된다는 전제 하에 작동합니다.기준 채널이 다른 채널에 미치는 영향을 추정하여 시간 또는 주파수 영역에서 오염된 다른 채널에서 이러한 기준 채널을 빼면 아티팩트에 대한 채널이 수정됩니다.참조 채널의 요구 사항이 궁극적으로 이러한 종류의 알고리즘을 대체하도록 유도하지만, 이는 여전히 현대 알고리즘이 평가되는 벤치마크를 나타냅니다.[84]인공물을 제거하기 위해 사용되는 블라인드 소스 분리(BSS) 알고리즘에는 주성분 분석(PCA)과 독립성분 분석(ICA)이 포함되며, 이 클래스의 여러 알고리즘은 대부분의 생리학적 인공물을 성공적으로 처리했습니다.[84]

단일 전극에서 아티팩트 제거는 아티팩트가 시작되기 직전에 얻은 기준 세그먼트를 사용합니다.이 방법은 아티팩트의 웨이블릿 누적 계수를 기준 신호의 누적 계수로 전송하는 것으로 구성됩니다.이 정규화 전송은 신호를 부드럽게 하여 아티팩트 대신 교체된 신호가 기준과 유사한 통계적 속성을 갖도록 합니다.이 방법은 웨이블릿 퀀틸 정규화 WQN이라고[85] 하며, 뇌파 세드라인 모니터에서 아티팩트를 제거하는 데 실시간으로 사용할 수 있습니다.이 접근 방식은 기존의 소프트 및 하드 임계값보다 성능이 뛰어납니다.[86]

생리학적 유물

안구유물

안구 아티팩트는 뇌파 신호에 상당한 영향을 미칩니다.이것은 눈을 둘러싼 전기장의 변화를 수반하는 눈의 움직임이 두피 위의 전기장을 왜곡시키고, 따라서 뇌파가 두피에 기록되면서 기록된 신호를 왜곡하기 때문입니다.연구자들 사이에 의견의 차이가 존재하며, 일부는 안구 인공물이 단일 생성기로 또는 합리적으로 설명될 수 있다고 주장하는 반면, 다른 이들은 잠재적으로 복잡한 메커니즘을 이해하는 것이 중요하다고 주장합니다.안구 아티팩트를 설명하기 위해 세 가지 잠재적 메커니즘이 제안되었습니다.

첫 번째는 각막 망막 쌍극자 운동으로 각막과 망막 사이에 전기 쌍극자가 형성된다고 주장합니다. 전자는 양으로, 후자는 음으로 대전되어 있기 때문입니다.눈이 움직일 때 두피 위의 전기장에 영향을 주는 이 쌍극자도 마찬가지입니다. 이것이 가장 표준적인 시각입니다.두 번째 메커니즘은 망막 쌍극자 운동으로, 첫 번째와 비슷하지만 잠재적인 차이가 있다고 주장한다는 점에서 다르므로 각막이 거의 영향을 미치지 않는 망막을 가로지르는 쌍극자입니다.세 번째 메커니즘은 눈꺼풀 움직임입니다.안구가 움직이지 않더라도 눈꺼풀이 움직일 때 눈 주위에 전압의 변화가 있는 것으로 알려져 있습니다.눈꺼풀은 슬라이딩 잠재적 원인으로 설명될 수 있으며 눈 깜빡임의 영향은 기록된 뇌파의 눈 움직임과 다를 것으로 생각됩니다.[87]

특징적인 유형의 눈꺼풀 펄럭이는 아티팩트를 이전에는 Kappa 리듬(또는 Kappa 웨이브)이라고 불렀습니다.이것은 보통 전두엽의 선, 즉 눈 바로 위에서 볼 수 있습니다.때때로 그들은 정신적인 활동과 함께 보입니다.일반적으로 세타(4~7Hz) 또는 알파(7~14Hz) 범위입니다.그들은 뇌에서 유래된 것으로 믿어졌기 때문에 이름 지어졌습니다.이후의 연구에 따르면 눈꺼풀이 빠르게 펄럭이며, 때로는 너무 작아서 잘 보이지 않는 것으로 밝혀졌습니다.그것들은 사실 뇌파 판독에서 소음이고, 엄밀히 말하면 리듬이나 파동이라고 불려서는 안 됩니다.따라서 현재 뇌파 검사에서 사용되는 것은 카파 리듬(또는 파동)이 아니라 눈꺼풀이 펄럭이는 인공물로 현상을 가리킵니다.[88]

안구 아티팩트의 전파는 피험자의 두개골, 신경 조직 및 피부의 특성을 포함한 여러 요인에 의해 영향을 받지만 신호는 눈의 사각형 거리에 반비례하는 것으로 근사될 수 있습니다.EOG(electrooculogram)는 눈 근처의 전압 변화를 측정하는 일련의 전극으로 구성되며, 뇌파 신호에서 안구 운동 아티팩트를 처리하는 가장 일반적인 도구입니다.[87]

근육질의 인공물

인공물의 또 다른 원천은 몸 전체에 걸친 다양한 근육 운동입니다.이러한 특정 유형의 아티팩트는 일반적으로 근생성 활성(혈압 상승 또는 감소)으로 인해 두피의 모든 전극에 의해 기록됩니다.이러한 아티팩트의 기원은 단일 위치가 없으며 기능적으로 독립적인 근육 그룹에서 발생합니다. 즉, 아티팩트의 특성이 일정하지 않습니다.근육 조직으로 인해 관찰되는 패턴은 대상자의 성별, 특정 근육 조직 및 수축 정도에 따라 달라질 것입니다.근육 아티팩트의 주파수 범위는 넓고 모든 고전 뇌파 리듬과 겹칩니다.그러나 대부분의 전력이 20~300Hz의 관측된 주파수의 낮은 범위에 집중되어 감마 밴드가 근육 아티팩트에 특히 취약합니다.일부 근육 아티팩트는 주파수가 2Hz 정도로 낮고 델타와 세타 밴드도 근육 활동에 영향을 받을 수 있습니다.무의식적으로 치아를 갈거나 를 골면 기록된 뇌파의 질에 심각한 영향을 미칠 수 있기 때문에 근육질 인공물은 수면 연구에 영향을 미칠 수 있습니다.게다가 뇌전증 환자들에 대한 녹음은 근육 인공물의 존재에 의해 상당한 영향을 받을 수 있습니다.[89]

심장 인공물

심장 활동으로 인한 잠재력은 뇌파에 심전도(ECG) 오류를 유발합니다.[90]심장 활동으로 인해 발생하는 아티팩트는 심전도 참조 신호를 사용하여 제거할 수 있습니다.[83]

기타 생리학적 유물

글로소키네틱 아티팩트는 기저부와 혀 끝 사이의 잠재적인 차이에 의해 발생합니다.사소한 혀의 움직임은 특히 파킨슨병떨림 장애에서 뇌파를 오염시킬 수 있습니다.[citation needed]

환경유물

신체에서 생성된 아티팩트 외에도 신체 외부에서 생성된 아티팩트가 많습니다.환자에 의한 이동이나 심지어 전극의 침강은 전극의 순간적인 임피던스 변화에서 비롯되는 전극 팝, 스파이크를 유발할 수 있습니다.뇌파 전극의 접지 불량은 로컬 전원 시스템의 주파수에 따라 50Hz 또는 60Hz의 아티팩트를 유발할 수 있습니다.세 번째 간섭 요인은 링거 점적의 존재일 수 있습니다. 이러한 장치는 리드미컬하고 빠르고 낮은 전압의 폭발을 일으킬 수 있으며, 이는 스파이크와 혼동될 수 있습니다.[citation needed]

비정상활동

비정상적인 활동은 크게 간질성 활동과 비간질성 활동으로 나눌 수 있습니다.초점 또는 확산으로 분리할 수도 있습니다.

초점 간질형 방전은 뇌의 다소 분리된 영역에 있는 많은 수의 뉴런에서 빠르고 동기적인 전위를 나타냅니다.이러한 것들은 발작 사이의 간질 활동으로 발생할 수 있으며, 간질 발작을 일으키기 쉬운 피질 과민성 영역을 나타냅니다.간질성 퇴원은 환자가 간질을 앓고 있는지, 발작이 어디서 발생할 수 있는지를 판단하는 데 전적으로 신뢰할 수는 없습니다.(초점 뇌전증 참조)

일반적인 간질성 방전은 종종 전방 최대치를 갖지만, 이는 뇌 전체에 걸쳐 동시에 나타납니다.그들은 일반적인 뇌전증을 강하게 암시합니다.

뇌의 피질이나 백질의 초점 손상이 있는 부분에서 초점 비간막형 이상 활동이 일어날 수 있습니다.느린 주파수 리듬의 증가 및/또는 정상적인 고주파 리듬의 손실로 구성되는 경우가 많습니다.또한 뇌파 신호의 초점 또는 일방적인 진폭 감소로 나타날 수 있습니다.

확산성 비간막성 이상 활동은 확산성 비정상적으로 느린 리듬 또는 PBR과 같은 정상적인 리듬의 양측 감속으로 나타날 수 있습니다.

피질내 뇌전도 전극과 경막하 전극을 함께 사용하여 간질형 및 기타 심각한 신경 사건과 아티팩트를 구별할 수 있습니다.

비정상적인 뇌파 신호의 더 발전된 측정은 또한 최근 알츠하이머병과 같은 다양한 질병에 대한 가능한 바이오마커로서 주목을 받고 있습니다.[91]

원격통신

뇌파로부터 상상된 음성을 해독하는 시스템은 뇌-컴퓨터 인터페이스와 같은 응용 프로그램을 가지고 있습니다.[92]

뇌전도 진단

국방부(DoD)와 보훈처(VA), 그리고 미군 연구소(ARL)는 전투병들의 가벼운 정도에서 중간 정도의 외상성 뇌손상(mTBI)을 발견하기 위해 뇌파 진단에 협력했습니다.[93]2000년에서 2012년 사이에 미군의 뇌 손상의 75%가 mTBI로 분류되었습니다.이에 따라 국방부는 이러한 부상을 해결하기 위해 신속하고 정확하며 비침습적이며 현장에서 사용 가능한 mTBI 검출이 가능한 새로운 기술을 추구했습니다.[93]

전투요원들은 종종 PTSD와 mTBI의 상관관계를 발전시킵니다.두 조건 모두 변경된 저주파 뇌파 진동을 동반합니다.[94]저주파 진동이 감소한 PTSD 환자의 변화된 뇌파는 저주파 진동이 증가한 반면 mTBI 부상은 저주파 진동 증가와 관련이 있습니다.효과적인 뇌파 진단은 의사들이 장기적인 영향을 완화하기 위해 상태를 정확하게 파악하고 부상을 적절히 치료하는 데 도움을 줄 수 있습니다.[95]

전통적으로 뇌파의 임상적 평가는 육안 검사를 포함했습니다.뇌파 진동 지형을 시각적으로 평가하는 대신, 컴퓨터화된 알고리즘 방법론인 정량적 뇌전도(qEEG)는 뇌의 특정 영역을 분석하고 데이터를 그 영역의 의미 있는 "파워 스펙트럼"으로 변환합니다.[93]mTBI와 PTSD를 정확하게 구별하면 특히 초기 mTBI 사고 이후 신경 의사소통의 장기적인 변화가 지속될 수 있기 때문에 환자에게 긍정적인 회복 결과를 크게 증가시킬 수 있습니다.[95]

EEG 데이터에서 수행되는 또 다른 일반적인 측정은 특정 병리학 또는 병리학 단계와 관련된 [17]Lempel-Ziv 복잡성, 프랙탈 차원 및 스펙트럼 평탄도와 같은 복잡성 측정입니다.

경제학

저렴한 뇌파 장치는 저가의 연구 및 소비자 시장을 위해 존재합니다.최근 몇몇 회사들은 일반 대중이 접근할 수 있는 버전을 만들기 위해 의학 등급 뇌파 기술을 소형화했습니다.이러한 회사들 중 일부는 미화 100달러 미만의 가격으로 판매되는 상업용 뇌파 장치를 만들었습니다.

  • 2004년 OpenEEG는 ModularEEG를 오픈 소스 하드웨어로 출시했습니다.호환 가능한 오픈 소스 소프트웨어는 공의 균형을 맞추기 위한 게임을 포함합니다.
  • 2007년 NeuroSky는 게임 NeuroBoy와 함께 저렴한 가격의 소비자 기반 뇌파를 최초로 출시했습니다.이것은 드라이 센서 기술을 사용한 최초의 대형 뇌파 장치이기도 했습니다.[96]
  • 2008년 OCZ 테크놀로지는 주로 근전도에 의존하는 비디오 게임에 사용할 장치를 개발했습니다.
  • 2008년 파이널 판타지 개발사 스퀘어 에닉스(Square Enix)는 뉴로스카이(NeuroSky)와 협력하여 게임 유데카(Judeca)[97][98]를 제작한다고 발표했습니다.
  • 2009년 Mattel은 NeuroSky와 협력하여 장애물 코스를 통과하는 공을 조종하기 위해 뇌파를 사용하는 게임인 마인드플렉스를 출시했습니다.지금까지 가장 많이 팔린 소비자용 EEG.[97][99]
  • 2009년 Uncle Milton Industries는 NeuroSky와 협력하여 포스를 소유한 것 같은 착각을 일으키도록 고안된 게임인 Star Wars Force Trainer를 출시했습니다.[97][100]
  • 2010년 NeuroSky는 마인드셋에 눈 깜빡임과 근전도 기능을 추가했습니다.[101]
  • 2011년 NeuroSky는 교육 목적과 게임을 위해 고안된 뇌파 장치인 마인드웨이브를 출시했습니다.[102]마인드웨이브는 "뇌 제어 인터페이스를 사용하여 움직이는 가장 무거운 기계"로 기네스북 세계 기록 상을 수상했습니다.[103]
  • 2012년, 일본의 장치 프로젝트인 뉴로웨어는 엔진이 달린 고양이 귀를 가진 헤드셋인 네코미미를 출시했습니다.그 헤드셋은 고양이의 귀가 있을 수 있는 머리띠에 두 개의 모터가 있는 NeuroSky MindWave 장치입니다.고양이 귀와 같은 모양의 슬립 커버가 모터 위에 앉아 기기가 감정 상태를 기록할 때 귀가 서로 관련되도록 움직입니다.예를 들어, 긴장을 풀면 귀가 옆으로 떨어지고 다시 흥분하면 일어선답니다.
  • 2014년, OpenBCI는 2013년 성공적인 킥스타터 캠페인 이후에 오픈 소스 뇌-컴퓨터 인터페이스라는 이름을 발표했습니다.베이직 오픈BCI는 8개의 채널을 가지고 있으며, 16개로 확장 가능하며, EEG, EKG, EMG를 지원합니다. OpenBCI는 텍사스 인스트루먼트 ADS1299 IC와 아두이노 또는 PIC 마이크로컨트롤러를 기반으로 하며 기본 버전의 가격은 399달러입니다.표준 금속 컵 전극과 전도성 페이스트를 사용합니다.
  • 2015년 Mind Solutions Inc.는 현재까지 가장 작은 소비자 BCI인 NeuroSync를 출시했습니다.이 장치는 블루투스 이어피스보다 크지 않은 크기로 드라이 센서 기능을 합니다.[104]
  • 2015년 중국에 본사를 둔 마크로텔렉애플안드로이드 앱스토어에서 20개의 뇌 건강 향상 앱을 제공하는 소비자 등급 뇌파 웨어러블 제품인 브레인링크 프로브레인링크 라이트를 출시했습니다.[105]
  • 2021년 바이오세레니티는 기존 컵 전극과 동등한 품질로 녹화가 가능한 일회용 뇌파 헤드셋 뉴로노와 아이스캡을 출시합니다.[106][107]

향후연구

뇌파는 임상 진단과 기존 인지 신경 과학의 전통적인 사용 이외에도 다양한 목적으로 사용되어 왔습니다.제2차 세계대전 중 미 육군 항공대가 발작 위험에 처한 조종사를 가려내기 위해 사용한 것이 초기의 일입니다.[108] 뇌전증 환자의 장기 뇌파 기록은 오늘날에도 발작 예측을 위해 사용되고 있습니다.신경 피드백은 여전히 중요한 확장으로 남아 있으며, 가장 발전된 형태로 뇌 컴퓨터 인터페이스의 기초로도 시도되고 있습니다.[109]뇌파는 또한 신경 마케팅 분야에서 매우 광범위하게 사용됩니다.

뇌파는 뇌 기능에 영향을 미치는 약물들에 의해 변화되는데, 정신약리학의 기초가 되는 화학물질들입니다.버거의 초기 실험은 약물이 뇌파에 미치는 영향을 기록했습니다.약전뇌조영술의 과학은 치료 및 오락용으로 뇌 기능을 체계적으로 변화시키는 물질을 확인하는 방법을 개발했습니다.

혼다는 운영자가 궁극적으로 자동차에 포함시키기를 희망하는 기술인 뇌파를 사용하여 아시모 로봇을 제어할 수 있도록 하는 시스템 개발을 시도하고 있습니다.[110]

뇌파는 인도마하라슈트라 주에서 형사재판에서 증거로 사용되어 왔습니다.[111][112]뇌파 기술인 BEOS(Brain Electrical Oscillation Signature Profiling)는 마하라슈트라주샤르마 재판에서 사용되었는데, 이는 BEOS의 신뢰성과 과학적 근거는 논란이 있지만 비소를 사용하여 전 약혼자를 독살한 것으로 기억되는 샤르마를 보여주기 위한 것입니다.[113]

뇌파 장치를 더 작고, 더 휴대하기 쉽고, 사용하기 쉽게 만들기 위해 현재 많은 연구가 진행되고 있습니다.이른바 "Wearable EEG"는 전도성 젤을 사용할 필요가 없는 저전력 무선 수집 전자 장치와 '드라이' 전극을 만드는 데 기반을 두고 있습니다.[114]웨어러블 뇌파는 머리에만 존재하며 한 번에 며칠, 몇 주 또는 몇 달 동안 뇌파를 기록할 수 있는 작은 뇌파 장치를 귀-EEG로 제공하는 것을 목표로 합니다.이렇게 길고 사용하기 쉬운 모니터링은 뇌전증과 같은 만성 질환 진단에 단계적인 변화를 가져올 수 있으며, BCI 시스템의 최종 사용자 수용도를 크게 향상시킬 수 있습니다.[115]데이터 감소 접근법을 이용하여 웨어러블 뇌파 디바이스의 배터리 수명을 증가시키기 위한 구체적인 해결책을 찾는 연구도 진행되고 있습니다.

연구에서, 현재 뇌파는 종종 기계 학습과 함께 사용됩니다.[116]뇌파 데이터는 사전 처리된 후 기계 학습 알고리즘에 전달됩니다.그리고 나서 이 알고리즘들은 조현병,[117] 뇌전증[118] 또는 치매와 같은 다양한 질병을 인식하도록 훈련됩니다.[119]게다가, 그것들은 점점 더 압수 탐지를 연구하는데 사용됩니다.[120][121][122][123]머신 러닝을 이용하면 데이터를 자동으로 분석할 수 있습니다.장기적으로 이 연구는 의사의 임상 실습을 지원하는 알고리즘을 구축하고 질병에 대한 더 많은 통찰력을 제공하기 위한 것입니다.[125]이러한 맥락에서, EEG 데이터의 복잡도 측정치는 종종 렘펠-지브 복잡도, 프랙탈 차원스펙트럼 평탄도와 같이 계산됩니다.[17]그러한 측정을 조합하거나 곱하면 뇌파 데이터에 이전에 숨겨진 정보가 드러날 수 있는 것으로 나타났습니다.[17]

Brad GartonDave Solder에 의해 콜럼비아 대학컴퓨터 음악 센터에서 운영되는 Brainwave Music Project에 의해 음악 연주자들의 뇌파 신호가 즉석 작곡과 CD 한 장을 만드는 데 사용되었습니다.[citation needed]마찬가지로 앤 드루얀의 뇌파를 기록한 1시간 분량이 1977년 보이저 탐사선에서 발사된 '보이저 골든 레코드'에 수록됐는데, 이는 외계 정보기관이 그녀의 생각을 해독할 수 있는 경우로, 사랑에 빠지는 것이 어떤 것인지를 포함하고 있습니다.[citation needed]

역사

1924년 한스 버거가 입수한 최초의 인간 뇌파 기록.위쪽 추적은 뇌파이고 아래쪽은 10Hz 타이밍 신호입니다.
한스 버거

1875년, 리버풀에서 의사로 일하고 있는 리차드 케이튼(Richard Caton, 1842–1926)은 영국 의학 저널에 토끼와 원숭이의 노출된 대뇌 반구의 전기적 현상에 대한 연구 결과를 발표했습니다.1890년 폴란드의 생리학자 아돌프 벡은 빛에 의해 변화된 리듬 진동을 포함한 토끼와 개의 뇌의 자발적인 전기적 활동에 대한 조사를 발표했습니다.벡은 동물들의 전기 뇌 활동에 대한 실험을 시작했습니다.벡은 감각 자극을 테스트하기 위해 뇌 표면에 전극을 직접 배치했습니다.그의 요동치는 뇌 활동에 대한 관찰은 뇌파의 결론으로 이어졌습니다.[126]

1912년, 우크라이나의 생리학자 블라디미르 블라디미로비치 프라브디치-네민스키는 최초의 동물 뇌파와 포유류잠재력을 일깨워주는 뇌전도 현상을 발표했습니다.[127]1914년 나폴레옹 시불스키와 옐렌스카-마시에시나는 실험적으로 유발된 발작에 대한 뇌파 기록을 촬영했습니다.[citation needed]

독일의 생리학자이자 정신과 의사인 한스 버거 (1873–1941)는 1924년에 최초의 인간 뇌파를 기록했습니다.[128]이전에 리처드 캐턴과 다른 사람들에 의해 동물들에게 행해진 연구를 확장하면서, 버거는 또한 "임상 신경학의 역사에서 가장 놀랍고, 놀랍고, 중대한 발전 중 하나"로 묘사되는 뇌전도를 발명했습니다.[129]그의 발견은 영국 과학자 에드거 더글러스 애드리안과 B에 의해 처음으로 확인되었습니다.1934년 H. C. 매튜스가 개발했습니다.

1934년에 피셔와 로웬바흐는 간질형 스파이크를 처음으로 보여줬습니다.1935년 깁스, 데이비스, 레녹스는 인터인터칼 스파이크 파와 임상적 부재 발작의 3주기/s 패턴에 대해 설명했으며, 이는 임상 뇌파 검사 분야를 시작했습니다.[130]그 후 1936년 깁스와 재스퍼는 뇌전증의 초점징후로서 인터폴 스파이크를 보고했습니다.같은 해 매사추세츠 종합병원에 첫 뇌파 실험실이 문을 열었습니다.[citation needed]

노스웨스턴 대학의 생물물리학 교수인 Franklin Offner (1911–1999)는 Crystograph라고 불리는 압전 잉크라이터를 통합한 뇌파의 원형을 개발했습니다.

1947년, 미국 뇌파 학회가 설립되었고 첫번째 국제 뇌파 대회가 열렸습니다.1953년 아세린스키와 클라이트만은 렘수면을 묘사했습니다.

1950년대에 윌리엄 그레이 월터뇌파 지형이라고 불리는 뇌파의 부가물을 개발했는데, 이것은 뇌의 표면을 가로질러 전기적인 활동의 지도를 만드는 것을 가능하게 했습니다.이것은 1980년대에 잠깐의 인기를 누렸고 특히 정신 의학에 유망해 보였습니다.그것은 신경학자들에게 결코 받아들여지지 않았고 주로 연구 도구로 남아있습니다.

뇌전도 전극과 제미니 프로젝트에 사용하기 위한 신호 컨디셔너를 갖춘 Chuck Kayser, 1965

베크먼 인스트루먼츠가 제작한 뇌파계 시스템은 제미니 계획(1965-1966) 중 적어도 하나에서 비행 중인 우주 비행사들의 뇌파를 감시하기 위해 사용되었습니다.그것은 나사에 특화되어 사용되는 많은 베크맨 인스트루먼트 중 하나였습니다.[131]

EEG가 물리적인 물체인 로봇을 제어하기 위해 사용된 첫 번째 사례는 1988년이었습니다.로봇은 피험자의 알파 활동에 따라 선을 따르거나 정지합니다.만약 피험자가 긴장을 풀고 눈을 감아서 알파 활동을 증가시킨다면, 로봇은 움직일 것입니다.눈을 뜨면 알파 활동이 감소하여 로봇이 궤도에서 정지하게 됩니다.[132]

2018년 10월, 과학자들은 생각을 나누는 과정을 실험하기 위해 세 사람의 뇌를 연결시켰습니다.3명씩 다섯 그룹이 뇌파를 이용한 실험에 참여했습니다.실험의 성공률은 81%[133]였습니다.

참고 항목

참고문헌

  1. ^ Amzica, Florin; Lopes da Silva, Fernando H. (November 2017). Schomer, Donald L.; Lopes da Silva, Fernando H. (eds.). Cellular Substrates of Brain Rhythms. Vol. 1. Oxford University Press. doi:10.1093/med/9780190228484.003.0002.
  2. ^ a b Principles of neural science. Eric R. Kandel, John Koester, Sarah Mack, Steven Siegelbaum (6th ed.). New York. 2021. p. 1450. ISBN 978-1-259-64223-4. OCLC 1199587061.{{cite book}}: CS1 maint: 위치 누락 게시자 (링크) CS1 maint: 기타 (링크)
  3. ^ "EEG: MedlinePlus Medical Encyclopedia". medlineplus.gov. Archived from the original on 2016-07-05. Retrieved 2022-07-24.
  4. ^ Chernecky CC, Berger BJ (2013). Laboratory tests and diagnostic procedures (6th ed.). St. Louis, Mo.: Elsevier. ISBN 9781455706945.
  5. ^ a b c Pillai, Jyoti; Sperling, Michael R. (2006). "Interictal EEG and the diagnosis of epilepsy". Epilepsia. 47 (Suppl 1): 14–22. doi:10.1111/j.1528-1167.2006.00654.x. ISSN 0013-9580. PMID 17044820. S2CID 8668713. Archived from the original on 2022-10-23. Retrieved 2022-10-23.
  6. ^ So, Elson L. (August 2010). "Interictal epileptiform discharges in persons without a history of seizures: what do they mean?". Journal of Clinical Neurophysiology. 27 (4): 229–238. doi:10.1097/WNP.0b013e3181ea42a4. ISSN 1537-1603. PMID 20634716. Archived from the original on 2022-10-23. Retrieved 2022-10-23.
  7. ^ van Rooij LG, Hellström-Westas L, de Vries LS (August 2013). "Treatment of neonatal seizures". Seminars in Fetal & Neonatal Medicine. 18 (4): 209–215. doi:10.1016/j.siny.2013.01.001. PMID 23402893.
  8. ^ Sun, Christophe; Holcman, David (2022-08-01). "Combining transient statistical markers from the EEG signal to predict brain sensitivity to general anesthesia". Biomedical Signal Processing and Control. 77: 103713. doi:10.1016/j.bspc.2022.103713. ISSN 1746-8094. S2CID 248488365.
  9. ^ "EEG (Electroencephalogram) – Mayo Clinic". Mayo Clinic. Archived from the original on 2019-08-30. Retrieved 2019-08-30.
  10. ^ von Moers A, Brockmann K, Wang D, Korenke CG, Huppke P, De Vivo DC; et al. (2002). "EEG features of glut-1 deficiency syndrome". Epilepsia. 43 (8): 941–5. doi:10.1046/j.1528-1157.2002.50401.x. PMID 12181017. S2CID 46407588.{{cite journal}}: CS1 유지 : 여러 이름 : 저자 목록 (링크)
  11. ^ a b c d Niedermeyer E, da Silva FL (2004). Electroencephalography: Basic Principles, Clinical Applications, and Related Fields. Lippincott Williams & Wilkins. ISBN 978-0-7817-5126-1.[페이지 필요]
  12. ^ a b American Academy of Neurology. "Five Things Physicians and Patients Should Question". Choosing Wisely: An Initiative of the ABIM Foundation. Archived from the original on September 1, 2013. Retrieved August 1, 2013.American Academy of Neurology. "Five Things Physicians and Patients Should Question". Choosing Wisely: An Initiative of the ABIM Foundation. Archived from the original on September 1, 2013. Retrieved August 1, 2013.다음을 인용합니다.
    • Gronseth GS, Greenberg MK (July 1995). "The utility of the electroencephalogram in the evaluation of patients presenting with headache: a review of the literature". Neurology. 45 (7): 1263–1267. doi:10.1212/WNL.45.7.1263. PMID 7617180. S2CID 26022438.
  13. ^ Yang H, Ang KK, Wang C, Phua KS, Guan C (2016). Neural and cortical analysis of swallowing and detection of motor imagery of swallow for dysphagia rehabilitation-A review. Progress in Brain Research. Vol. 228. pp. 185–219. doi:10.1016/bs.pbr.2016.03.014. ISBN 9780128042168. PMID 27590970.
  14. ^ Jestrović I, Coyle JL, Sejdić E (October 2015). "Decoding human swallowing via electroencephalography: a state-of-the-art review". Journal of Neural Engineering. 12 (5): 051001. Bibcode:2015JNEng..12e1001J. doi:10.1088/1741-2560/12/5/051001. PMC 4596245. PMID 26372528.
  15. ^ Cuellar M, Harkrider AW, Jenson D, Thornton D, Bowers A, Saltuklaroglu T (July 2016). "Time-frequency analysis of the EEG mu rhythm as a measure of sensorimotor integration in the later stages of swallowing". Clinical Neurophysiology. 127 (7): 2625–2635. doi:10.1016/j.clinph.2016.04.027. PMID 27291882. S2CID 3746307.
  16. ^ Clayson PE, Carbine KA, Baldwin SA, Larson MJ (November 2019). "Methodological reporting behavior, sample sizes, and statistical power in studies of event-related potentials: Barriers to reproducibility and replicability". Psychophysiology. 56 (11): e13437. doi:10.1111/psyp.13437. PMID 31322285. S2CID 197665482. Archived from the original on 2022-10-07. Retrieved 2022-10-07.
  17. ^ a b c d Burns T, Rajan R (2015). "Combining complexity measures of EEG data: multiplying measures reveal previously hidden information". F1000Research. 4: 137. doi:10.12688/f1000research.6590.1. PMC 4648221. PMID 26594331.
  18. ^ Vespa PM, Nenov V, Nuwer MR (January 1999). "Continuous EEG monitoring in the intensive care unit: early findings and clinical efficacy". Journal of Clinical Neurophysiology. 16 (1): 1–13. doi:10.1097/00004691-199901000-00001. PMID 10082088.
  19. ^ Schultz TL (March 2012). "Technical tips: MRI compatible EEG electrodes: advantages, disadvantages, and financial feasibility in a clinical setting". The Neurodiagnostic Journal. 52 (1): 69–81. PMID 22558648.
  20. ^ a b c Hämäläinen M, Hari R, Ilmoniemi RJ, Knuutila J, Lounasmaa OV (1993). "Magnetoencephalography-theory, instrumentation, and applications to noninvasive studies of the working human brain". Reviews of Modern Physics. 65 (2): 413–97. Bibcode:1993RvMP...65..413H. doi:10.1103/RevModPhys.65.413. Archived from the original on 2019-01-26. Retrieved 2018-09-10.
  21. ^ Montoya-Martínez J, Vanthornhout J, Bertrand A, Francart T (2021). "Effect of number and placement of EEG electrodes on measurement of neural tracking of speech". PLOS ONE. 16 (2): e0246769. doi:10.1101/800979. PMC 7877609. PMID 33571299. S2CID 208592165.
  22. ^ O'Regan S, Faul S, Marnane W (2010). "Automatic detection of EEG artifacts arising from head movements". 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology. pp. 6353–6. doi:10.1109/IEMBS.2010.5627282. ISBN 978-1-4244-4123-5.
  23. ^ Murphy KJ, Brunberg JA (1997). "Adult claustrophobia, anxiety and sedation in MRI". Magnetic Resonance Imaging. 15 (1): 51–54. doi:10.1016/S0730-725X(96)00351-7. PMID 9084025.
  24. ^ Schenck JF (June 1996). "The role of magnetic susceptibility in magnetic resonance imaging: MRI magnetic compatibility of the first and second kinds". Medical Physics. 23 (6): 815–850. Bibcode:1996MedPh..23..815S. doi:10.1118/1.597854. PMID 8798169.
  25. ^ a b Yasuno F, Brown AK, Zoghbi SS, Krushinski JH, Chernet E, Tauscher J, et al. (January 2008). "The PET radioligand [11C]MePPEP binds reversibly and with high specific signal to cannabinoid CB1 receptors in nonhuman primate brain". Neuropsychopharmacology. 33 (2): 259–269. doi:10.1038/sj.npp.1301402. PMID 17392732.
  26. ^ Mulholland T (2012). "Objective EEG Methods for Studying Covert Shifts of Visual Attention". In McGuigan FJ, Schoonover RA (eds.). The Psychophysiology of Thinking: Studies of Covert Processes. Elsevier. pp. 109–51. ISBN 978-0-323-14700-2.
  27. ^ Hinterberger T, Kübler A, Kaiser J, Neumann N, Birbaumer N (March 2003). "A brain-computer interface (BCI) for the locked-in: comparison of different EEG classifications for the thought translation device". Clinical Neurophysiology. 114 (3): 416–425. doi:10.1016/S1388-2457(02)00411-X. PMID 12705422. S2CID 11857440.
  28. ^ Sereno SC, Rayner K, Posner MI (July 1998). "Establishing a time-line of word recognition: evidence from eye movements and event-related potentials". NeuroReport. 9 (10): 2195–2200. doi:10.1097/00001756-199807130-00009. PMID 9694199. S2CID 19466604.
  29. ^ Feinberg I, Campbell IG (February 2013). "Longitudinal sleep EEG trajectories indicate complex patterns of adolescent brain maturation". American Journal of Physiology. Regulatory, Integrative and Comparative Physiology. 304 (4): R296–R303. doi:10.1152/ajpregu.00422.2012. PMC 3567357. PMID 23193115.
    • 요약 표시 위치:
  30. ^ Srinivasan R (1999). "Methods to Improve the Spatial Resolution of EEG". International Journal. 1 (1): 102–11.
  31. ^ Grech R, Cassar T, Muscat J, Camilleri KP, Fabri SG, Zervakis M, et al. (November 2008). "Review on solving the inverse problem in EEG source analysis". Journal of Neuroengineering and Rehabilitation. 5 (1): 25. doi:10.1186/1743-0003-5-25. PMC 2605581. PMID 18990257.
  32. ^ Schlögl A, Slater M, Pfurtscheller G (2002). "Presence research and EEG" (PDF). Archived (PDF) from the original on 2017-08-11. Retrieved 2013-08-24.
  33. ^ Huang-Hellinger FR, Breiter HC, McCormack G, Cohen MS, Kwong KK, Sutton JP, et al. (1995). "Simultaneous Functional Magnetic Resonance Imaging and Electrophysiological Recording". Human Brain Mapping. 3: 13–23. doi:10.1002/hbm.460030103. S2CID 145788101.
  34. ^ Goldman RI, Stern JM, Engel J, Cohen MS (November 2000). "Acquiring simultaneous EEG and functional MRI". Clinical Neurophysiology. 111 (11): 1974–1980. doi:10.1016/s1388-2457(00)00456-9. PMID 11068232. S2CID 11716369.
  35. ^ Horovitz SG, Skudlarski P, Gore JC (May 2002). "Correlations and dissociations between BOLD signal and P300 amplitude in an auditory oddball task: a parametric approach to combining fMRI and ERP". Magnetic Resonance Imaging. 20 (4): 319–325. doi:10.1016/S0730-725X(02)00496-4. PMID 12165350.
  36. ^ Laufs H, Kleinschmidt A, Beyerle A, Eger E, Salek-Haddadi A, Preibisch C, Krakow K (August 2003). "EEG-correlated fMRI of human alpha activity". NeuroImage. 19 (4): 1463–1476. CiteSeerX 10.1.1.586.3056. doi:10.1016/S1053-8119(03)00286-6. PMID 12948703. S2CID 6272011.
  37. ^ 미국 특허 7286871, Mark S.Cohen, "전기 신호의 오염을 감소시키는 방법 및 장치", 2004-05-20 출판
  38. ^ Difrancesco MW, Holland SK, Szaflarski JP (October 2008). "Simultaneous EEG/functional magnetic resonance imaging at 4 Tesla: correlates of brain activity to spontaneous alpha rhythm during relaxation". Journal of Clinical Neurophysiology. 25 (5): 255–264. doi:10.1097/WNP.0b013e3181879d56. PMC 2662486. PMID 18791470.
  39. ^ Huizenga HM, van Zuijen TL, Heslenfeld DJ, Molenaar PC (July 2001). "Simultaneous MEG and EEG source analysis". Physics in Medicine and Biology. 46 (7): 1737–1751. Bibcode:2001PMB....46.1737H. CiteSeerX 10.1.1.4.8384. doi:10.1088/0031-9155/46/7/301. PMID 11474922. S2CID 250761006.
  40. ^ Aydin Ü, Vorwerk J, Dümpelmann M, Küpper P, Kugel H, Heers M, et al. (2015). "Combined EEG/MEG can outperform single modality EEG or MEG source reconstruction in presurgical epilepsy diagnosis". PLOS ONE (Review). 10 (3): e0118753. Bibcode:2015PLoSO..1018753A. doi:10.1371/journal.pone.0118753. PMC 4356563. PMID 25761059.
  41. ^ Schreckenberger M, Lange-Asschenfeldt C, Lange-Asschenfeld C, Lochmann M, Mann K, Siessmeier T, et al. (June 2004). "The thalamus as the generator and modulator of EEG alpha rhythm: a combined PET/EEG study with lorazepam challenge in humans". NeuroImage. 22 (2): 637–644. doi:10.1016/j.neuroimage.2004.01.047. PMID 15193592. S2CID 31790623.
  42. ^ Bird J, Manso LJ, Ekart A, Faria DR (September 2018). A Study on Mental State Classification using EEG-based Brain-Machine Interface. Madeira Island, Portugal: 9th international Conference on Intelligent Systems 2018. Retrieved 3 December 2018.
  43. ^ Bird JJ, Ekart A, Buckingham CD, Faria DR (2019). Mental Emotional Sentiment Classification with an EEG-based Brain-Machine Interface. St Hugh's College, University of Oxford, United Kingdom: The International Conference on Digital Image and Signal Processing (DISP'19). Archived from the original on 3 December 2018. Retrieved 3 December 2018.
  44. ^ Vanneste S, Song JJ, De Ridder D (March 2018). "Thalamocortical dysrhythmia detected by machine learning". Nature Communications. 9 (1): 1103. Bibcode:2018NatCo...9.1103V. doi:10.1038/s41467-018-02820-0. PMC 5856824. PMID 29549239.
  45. ^ Herculano-Houzel S (2009). "The human brain in numbers: a linearly scaled-up primate brain". Frontiers in Human Neuroscience. 3: 31. doi:10.3389/neuro.09.031.2009. PMC 2776484. PMID 19915731.
  46. ^ Tatum WO, Husain AM, Benbadis SR (2008). Handbook of EEG Interpretation. Demos Medical Publishing.[페이지 필요]
  47. ^ a b Nunez PL, Srinivasan R (1981). Electric fields of the brain: The neurophysics of EEG. Oxford University Press. ISBN 9780195027969.[페이지 필요]
  48. ^ Klein S, Thorne BM (3 October 2006). Biological psychology. New York, N.Y.: Worth. ISBN 978-0-7167-9922-1.[페이지 필요]
  49. ^ Whittingstall K, Logothetis NK (October 2009). "Frequency-band coupling in surface EEG reflects spiking activity in monkey visual cortex". Neuron. 64 (2): 281–289. doi:10.1016/j.neuron.2009.08.016. PMID 19874794. S2CID 17650488.
  50. ^ Towle VL, Bolaños J, Suarez D, Tan K, Grzeszczuk R, Levin DN, et al. (January 1993). "The spatial location of EEG electrodes: locating the best-fitting sphere relative to cortical anatomy". Electroencephalography and Clinical Neurophysiology. 86 (1): 1–6. doi:10.1016/0013-4694(93)90061-Y. PMID 7678386.
  51. ^ "Guideline seven: a proposal for standard montages to be used in clinical EEG. American Electroencephalographic Society". Journal of Clinical Neurophysiology. 11 (1): 30–36. January 1994. doi:10.1097/00004691-199401000-00008. PMID 8195424.
  52. ^ Aurlien H, Gjerde IO, Aarseth JH, Eldøen G, Karlsen B, Skeidsvoll H, Gilhus NE (March 2004). "EEG background activity described by a large computerized database". Clinical Neurophysiology. 115 (3): 665–673. doi:10.1016/j.clinph.2003.10.019. PMID 15036063. S2CID 25988980.
  53. ^ Yao D (November 2001). "A method to standardize a reference of scalp EEG recordings to a point at infinity". Physiological Measurement. 22 (4): 693–711. doi:10.1088/0967-3334/22/4/305. PMID 11761077. S2CID 250847914.
  54. ^ Nunez PL, Pilgreen KL (October 1991). "The spline-Laplacian in clinical neurophysiology: a method to improve EEG spatial resolution". Journal of Clinical Neurophysiology. 8 (4): 397–413. doi:10.1097/00004691-199110000-00005. PMID 1761706. S2CID 38459560.
  55. ^ Taheri BA, Knight RT, Smith RL (May 1994). "A dry electrode for EEG recording". Electroencephalography and Clinical Neurophysiology. 90 (5): 376–383. doi:10.1016/0013-4694(94)90053-1. PMID 7514984. Archived from the original on 2019-12-22. Retrieved 2019-12-10.
  56. ^ Alizadeh-Taheri B (1994). Active Micromachined Scalp Electrode Array for Eeg Signal Recording (PhD thesis). University of California, Davis. p. 82. Bibcode:1994PhDT........82A.
  57. ^ Hockenberry J (August 2001). "The Next Brainiacs". Wired Magazine.
  58. ^ a b c d Slipher GA, Hairston WD, Bradford JC, Bain ED, Mrozek RA (2018). "Carbon nanofiber-filled conductive silicone elastomers as soft, dry bioelectronic interfaces". PLOS ONE. 13 (2): e0189415. Bibcode:2018PLoSO..1389415S. doi:10.1371/journal.pone.0189415. PMC 5800568. PMID 29408942.
  59. ^ a b c Wang F, Li G, Chen J, Duan Y, Zhang D (August 2016). "Novel semi-dry electrodes for brain-computer interface applications". Journal of Neural Engineering. 13 (4): 046021. Bibcode:2016JNEng..13d6021W. doi:10.1088/1741-2560/13/4/046021. PMID 27378253. S2CID 26744679.
  60. ^ Fiedler P, Griebel S, Pedrosa P, Fonseca C, Vaz F, Zentner L, et al. (2015-01-01). "Multichannel EEG with novel Ti/TiN dry electrodes". Sensors and Actuators A: Physical. 221: 139–147. doi:10.1016/j.sna.2014.10.010. ISSN 0924-4247.
  61. ^ "Army neuroscientists foresee intelligent agents on the battlefield". U.S. Army Research Laboratory. Archived from the original on 2018-08-29. Retrieved 2018-08-29.
  62. ^ "Dry EEG Headsets Products CGX". CGX 2021. Archived from the original on 2020-02-13. Retrieved 2020-02-13.
  63. ^ "Dry EEG Technology". CGX LLC. Archived from the original on 2020-02-13. Retrieved 2020-02-13.
  64. ^ Kondylis ED, Wozny TA, Lipski WJ, Popescu A, DeStefino VJ, Esmaeili B, et al. (2014). "Detection of high-frequency oscillations by hybrid depth electrodes in standard clinical intracranial EEG recordings". Frontiers in Neurology. 5: 149. doi:10.3389/fneur.2014.00149. PMC 4123606. PMID 25147541.
  65. ^ Murakami S, Okada Y (September 2006). "Contributions of principal neocortical neurons to magnetoencephalography and electroencephalography signals". The Journal of Physiology. 575 (Pt 3): 925–936. doi:10.1113/jphysiol.2006.105379. PMC 1995687. PMID 16613883.
  66. ^ Anderson J (22 October 2004). Cognitive Psychology and Its Implications (Hardcover) (6th ed.). New York, NY: Worth. p. 17. ISBN 978-0-7167-0110-1.
  67. ^ Creutzfeldt OD, Watanabe S, Lux HD (January 1966). "Relations between EEG phenomena and potentials of single cortical cells. I. Evoked responses after thalamic and erpicortical stimulation". Electroencephalography and Clinical Neurophysiology. 20 (1): 1–18. doi:10.1016/0013-4694(66)90136-2. PMID 4161317.
  68. ^ Buzsaki G (2006). Rhythms of the brain. Oxford University Press. ISBN 978-0-19-530106-9.[페이지 필요]
  69. ^ Tatum WO (March 2014). "Ellen R. Grass Lecture: extraordinary EEG". The Neurodiagnostic Journal. 54 (1): 3–21. PMID 24783746.
  70. ^ a b Kirmizi-Alsan E, Bayraktaroglu Z, Gurvit H, Keskin YH, Emre M, Demiralp T (August 2006). "Comparative analysis of event-related potentials during Go/NoGo and CPT: decomposition of electrophysiological markers of response inhibition and sustained attention". Brain Research. 1104 (1): 114–128. doi:10.1016/j.brainres.2006.03.010. PMID 16824492. S2CID 18850757.
  71. ^ Frohlich J, Senturk D, Saravanapandian V, Golshani P, Reiter LT, Sankar R, et al. (December 2016). "A Quantitative Electrophysiological Biomarker of Duplication 15q11.2-q13.1 Syndrome". PLOS ONE. 11 (12): e0167179. Bibcode:2016PLoSO..1167179F. doi:10.1371/journal.pone.0167179. PMC 5157977. PMID 27977700.
  72. ^ Kisley MA, Cornwell ZM (November 2006). "Gamma and beta neural activity evoked during a sensory gating paradigm: effects of auditory, somatosensory and cross-modal stimulation". Clinical Neurophysiology. 117 (11): 2549–2563. doi:10.1016/j.clinph.2006.08.003. PMC 1773003. PMID 17008125.
  73. ^ Kanayama N, Sato A, Ohira H (May 2007). "Crossmodal effect with rubber hand illusion and gamma-band activity". Psychophysiology. 44 (3): 392–402. doi:10.1111/j.1469-8986.2007.00511.x. PMID 17371495.
  74. ^ Gastaut H (1952). "[Electrocorticographic study of the reactivity of rolandic rhythm]". Revue Neurologique. 87 (2): 176–182. PMID 13014777.
  75. ^ a b Oberman LM, Hubbard EM, McCleery JP, Altschuler EL, Ramachandran VS, Pineda JA (July 2005). "EEG evidence for mirror neuron dysfunction in autism spectrum disorders". Brain Research. Cognitive Brain Research. 24 (2): 190–198. doi:10.1016/j.cogbrainres.2005.01.014. PMID 15993757.
  76. ^ Cahn BR, Polich J (March 2006). "Meditation states and traits: EEG, ERP, and neuroimaging studies". Psychological Bulletin. 132 (2): 180–211. doi:10.1037/0033-2909.132.2.180. PMID 16536641. S2CID 2151810.
  77. ^ Gerrard P, Malcolm R (June 2007). "Mechanisms of modafinil: A review of current research". Neuropsychiatric Disease and Treatment. 3 (3): 349–364. PMC 2654794. PMID 19300566.
  78. ^ Niedermeyer E (June 1997). "Alpha rhythms as physiological and abnormal phenomena". International Journal of Psychophysiology. 26 (1–3): 31–49. doi:10.1016/S0167-8760(97)00754-X. PMID 9202993.
  79. ^ Feshchenko VA, Reinsel RA, Veselis RA (July 2001). "Multiplicity of the alpha rhythm in normal humans". Journal of Clinical Neurophysiology. 18 (4): 331–344. doi:10.1097/00004691-200107000-00005. PMID 11673699.
  80. ^ Pfurtscheller G, Lopes da Silva FH (November 1999). "Event-related EEG/MEG synchronization and desynchronization: basic principles". Clinical Neurophysiology. 110 (11): 1842–1857. doi:10.1016/S1388-2457(99)00141-8. PMID 10576479. S2CID 24756702.
  81. ^ Anderson AL, Thomason ME (November 2013). "Functional plasticity before the cradle: a review of neural functional imaging in the human fetus". Neuroscience and Biobehavioral Reviews. 37 (9 Pt B): 2220–2232. doi:10.1016/j.neubiorev.2013.03.013. PMID 23542738. S2CID 45733681.
  82. ^ "The MacIver Lab". Stanford University. Archived from the original on 2008-11-23. Retrieved 2006-12-16.
  83. ^ a b Jiang, Xiao; Bian, Gui-Bin; Tian, Zean (2019-02-26). "Removal of Artifacts from EEG Signals: A Review". Sensors (Basel, Switzerland). 19 (5): 987. Bibcode:2019Senso..19..987J. doi:10.3390/s19050987. ISSN 1424-8220. PMC 6427454. PMID 30813520.
  84. ^ a b Alsuradi, Haneen; Park, Wanjoo; Eid, Mohamad (2020). "EEG-Based Neurohaptics Research: A Literature Review". IEEE Access. 8: 49313–49328. doi:10.1109/ACCESS.2020.2979855. ISSN 2169-3536. S2CID 214596892.
  85. ^ Dora, Matteo; Holcman, David (2022). "Adaptive Single-Channel EEG Artifact Removal With Applications to Clinical Monitoring". IEEE Transactions on Neural Systems and Rehabilitation Engineering. 30: 286–295. doi:10.1109/TNSRE.2022.3147072. ISSN 1558-0210. PMID 35085086.
  86. ^ Dora, Matteo; Jaffard, Stéphane; Holcman, David (2022-11-01). "The WQN algorithm to adaptively correct artifacts in the EEG signal". Applied and Computational Harmonic Analysis. 61: 347–356. arXiv:2207.11696. doi:10.1016/j.acha.2022.07.007. ISSN 1063-5203. S2CID 251040553.
  87. ^ a b Croft, R. J.; Barry, R. J. (2000-02-01). "Removal of ocular artifact from the EEG: a review". Neurophysiologie Clinique/Clinical Neurophysiology. 30 (1): 5–19. doi:10.1016/S0987-7053(00)00055-1. ISSN 0987-7053. PMID 10740792. S2CID 13738373. Archived from the original on 2020-07-31. Retrieved 2022-12-19.
  88. ^ Epstein CM (1983). Introduction to EEG and evoked potentials. J. B. Lippincott Co. ISBN 978-0-397-50598-2.[페이지 필요]
  89. ^ Chen, Xun; Xu, Xueyuan; Liu, Aiping; Lee, Soojin; Chen, Xiang; Zhang, Xu; McKeown, Martin J.; Wang, Z. Jane (15 July 2019). "Removal of Muscle Artifacts From the EEG: A Review and Recommendations". IEEE Sensors Journal. 19 (14): 5353–5368. Bibcode:2019ISenJ..19.5353C. doi:10.1109/JSEN.2019.2906572. ISSN 1558-1748. S2CID 116693954.
  90. ^ Kaya, İbrahim (2022-05-18), "A Brief Summary of EEG Artifact Handling", in Asadpour, Vahid (ed.), Brain-Computer Interface, Artificial Intelligence, vol. 9, IntechOpen, doi:10.5772/intechopen.99127, ISBN 978-1-83962-522-0, S2CID 209832569, archived from the original on 2022-12-20, retrieved 2022-12-20
  91. ^ Montez T, Poil SS, Jones BF, Manshanden I, Verbunt JP, van Dijk BW, et al. (February 2009). "Altered temporal correlations in parietal alpha and prefrontal theta oscillations in early-stage Alzheimer disease". Proceedings of the National Academy of Sciences of the United States of America. 106 (5): 1614–1619. Bibcode:2009PNAS..106.1614M. doi:10.1073/pnas.0811699106. PMC 2635782. PMID 19164579.
  92. ^ Panachakel JT, Ramakrishnan AG (2021). "Decoding Covert Speech From EEG-A Comprehensive Review". Frontiers in Neuroscience. 15: 642251. doi:10.3389/fnins.2021.642251. PMC 8116487. PMID 33994922.
  93. ^ a b c Rapp PE, Keyser DO, Albano A, Hernandez R, Gibson DB, Zambon RA, et al. (2015). "Traumatic brain injury detection using electrophysiological methods". Frontiers in Human Neuroscience. 9: 11. doi:10.3389/fnhum.2015.00011. PMC 4316720. PMID 25698950.
  94. ^ Franke LM, Walker WC, Hoke KW, Wares JR (August 2016). "Distinction in EEG slow oscillations between chronic mild traumatic brain injury and PTSD". International Journal of Psychophysiology. 106: 21–29. doi:10.1016/j.ijpsycho.2016.05.010. PMID 27238074.
  95. ^ a b "Study: EEG can help tell apart PTSD, mild traumatic brain injury". www.research.va.gov. Archived from the original on 2019-10-09. Retrieved 2019-10-09.
  96. ^ "Mind Games". The Economist. 2007-03-23. Archived from the original on 2009-12-12. Retrieved 2010-08-12.
  97. ^ a b c Li S (2010-08-08). "Mind reading is on the market". Los Angeles Times. Archived from the original on 2013-01-04.
  98. ^ Fruhlinger J (9 October 2008). "Brains-on with NeuroSky and Square Enix's Judecca mind-control game". Engadget. Archived from the original on 2010-10-30. Retrieved 2010-12-02.
  99. ^ "New games powered by brain waves". Physorg.com. Archived from the original on 2011-06-06. Retrieved 2010-12-02.
  100. ^ Snider M (2009-01-07). "Toy trains 'Star Wars' fans to use The Force". USA Today. Archived from the original on 2012-10-23. Retrieved 2010-05-01.
  101. ^ "News – NeuroSky Upgrades SDK, Allows For Eye Blink, Brainwave-Powered Games". Gamasutra. 2010-06-30. Archived from the original on 2017-02-22. Retrieved 2010-12-02.
  102. ^ Fiolet E. "NeuroSky MindWave Brings Brain-Computer Interface to Education". www.ubergizmo.com. Ubergizmo. Archived from the original on 2017-12-12. Retrieved 2015-05-18.
  103. ^ "NeuroSky MindWave Sets Guinness World Record for "Largest Object Moved Using a Brain-Computer Interface"". NeuroGadget.com. NeuroGadget. Archived from the original on 2013-10-15. Retrieved 2011-06-02.
  104. ^ "Product Launch! Neurosync – The World's Smallest Brain-Computer-Interface". www.prnewswire.com. July 15, 2015. Archived from the original on December 9, 2018. Retrieved July 21, 2017.
  105. ^ "APP – Macrotellect". o.macrotellect.com. Archived from the original on 2017-01-23. Retrieved 2016-12-08.
  106. ^ "510(k) Premarket Notification". www.accessdata.fda.gov. Archived from the original on 2021-11-12. Retrieved 2021-11-12.
  107. ^ niamhcurran (2021-01-08). "BioSerenity receives FDA clearance for EEG wearable device system". NeuroNews International. Archived from the original on 2021-11-12. Retrieved 2021-11-12.
  108. ^ Keiper A (2006). "The age of neuroelectronics". New Atlantis. The New Atlantis. 11: 4–41. PMID 16789311. Archived from the original on 2016-02-12.
  109. ^ Wan F, da Cruz JN, Nan W, Wong CM, Vai MI, Rosa A (June 2016). "Alpha neurofeedback training improves SSVEP-based BCI performance". Journal of Neural Engineering. 13 (3): 036019. Bibcode:2016JNEng..13c6019W. doi:10.1088/1741-2560/13/3/036019. PMID 27152666. S2CID 206099640.
  110. ^ "Mind over matter: Brain waves control Asimo". Japan Times. 1 April 2009. Archived from the original on 2009-04-03.
  111. ^ Natu N (21 July 2008). "This brain test maps the truth". The Times of India. Archived from the original on 2012-07-18. Retrieved 2021-04-14.
  112. ^ Puranik DA, Jospeh SK, Daundkar BB, Garad MV (November 2009). Brain Signature Profiling In India: It's Status As An Aid In Investigation And As Corroborative Evidence-As Seen From Judgments (PDF). Proceedings of XX All India Forensic Science Conference. pp. 815–822. Archived from the original (PDF) on 2016-03-03.
  113. ^ Gaudet LM (2011). "Brain Fingerprinting, Scientific Evidence, and "Daubert": A Cautionary Lesson from India". Jurimetrics. 51 (3): 293–318. ISSN 0897-1277. JSTOR 41307131. Archived from the original on 2021-04-16. Retrieved 2019-03-20.
  114. ^ Casson A, Yates D, Smith S, Duncan J, Rodriguez-Villegas E (2010). "Wearable electroencephalography. What is it, why is it needed, and what does it entail?". IEEE Engineering in Medicine and Biology Magazine. 29 (3): 44–56. doi:10.1109/MEMB.2010.936545. hdl:10044/1/5910. PMID 20659857. S2CID 1891995.
  115. ^ Looney D, Kidmose P, Park C, Ungstrup M, Rank M, Rosenkranz K, Mandic D (2012-11-01). "The in-the-ear recording concept: user-centered and wearable brain monitoring". IEEE Pulse. 3 (6): 32–42. doi:10.1109/MPUL.2012.2216717. PMID 23247157. S2CID 14103460.
  116. ^ Lotte F, Bougrain L, Cichocki A, Clerc M, Congedo M, Rakotomamonjy A, Yger F (June 2018). "A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update". Journal of Neural Engineering. 15 (3): 031005. Bibcode:2018JNEng..15c1005L. doi:10.1088/1741-2552/aab2f2. PMID 29488902.
  117. ^ Shim M, Hwang HJ, Kim DW, Lee SH, Im CH (October 2016). "Machine-learning-based diagnosis of schizophrenia using combined sensor-level and source-level EEG features". Schizophrenia Research. 176 (2–3): 314–319. doi:10.1016/j.schres.2016.05.007. PMID 27427557. S2CID 44504680.
  118. ^ Buettner R, Frick J, Rieg T (2019-11-12). "High-performance detection of epilepsy in seizure-free EEG recordings: A novel machine learning approach using very specific epileptic EEG sub-bands". ICIS 2019 Proceedings. Archived from the original on 2021-01-21. Retrieved 2021-01-13.
  119. ^ Ieracitano C, Mammone N, Hussain A, Morabito FC (March 2020). "A novel multi-modal machine learning based approach for automatic classification of EEG recordings in dementia". Neural Networks. 123: 176–190. doi:10.1016/j.neunet.2019.12.006. PMID 31884180. S2CID 209510497.
  120. ^ Bhattacharyya A, Pachori RB (September 2017). "A Multivariate Approach for Patient-Specific EEG Seizure Detection Using Empirical Wavelet Transform". IEEE Transactions on Bio-Medical Engineering. 64 (9): 2003–2015. doi:10.1109/TBME.2017.2650259. PMID 28092514. S2CID 3522546.
  121. ^ Saab K, Dunnmon J, Ré C, Rubin D, Lee-Messer C (2020-04-20). "Weak supervision as an efficient approach for automated seizure detection in electroencephalography". npj Digital Medicine. 3 (1): 59. doi:10.1038/s41746-020-0264-0. PMC 7170880. PMID 32352037.
  122. ^ Bomela W, Wang S, Chou CA, Li JS (May 2020). "Real-time Inference and Detection of Disruptive EEG Networks for Epileptic Seizures". Scientific Reports. 10 (1): 8653. Bibcode:2020NatSR..10.8653B. doi:10.1038/s41598-020-65401-6. PMC 7251100. PMID 32457378.
  123. ^ Paesschen WV (March 2018). "The future of seizure detection". The Lancet. Neurology. 17 (3): 200–202. doi:10.1016/S1474-4422(18)30034-6. PMID 29452676. S2CID 3376296.
  124. ^ Chen PC, Liu Y, Peng L (May 2019). "How to develop machine learning models for healthcare". Nature Materials. 18 (5): 410–414. Bibcode:2019NatMa..18..410C. doi:10.1038/s41563-019-0345-0. PMID 31000806. S2CID 122563425.
  125. ^ Rudin C (May 2019). "Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead". Nature Machine Intelligence. 1 (5): 206–215. arXiv:1811.10154. doi:10.1038/s42256-019-0048-x. PMC 9122117. PMID 35603010.
  126. ^ Coenen A, Fine E, Zayachkivska O (2014). "Adolf Beck: a forgotten pioneer in electroencephalography". Journal of the History of the Neurosciences. 23 (3): 276–286. doi:10.1080/0964704x.2013.867600. PMID 24735457. S2CID 205664545.
  127. ^ Pravdich-Neminsky VV (1913). "Ein Versuch der Registrierung der elektrischen Gehirnerscheinungen". Zentralblatt für Physiologie. 27: 951–60.
  128. ^ Haas LF (January 2003). "Hans Berger (1873–1941), Richard Caton (1842–1926), and electroencephalography". Journal of Neurology, Neurosurgery, and Psychiatry. 74 (1): 9. doi:10.1136/jnnp.74.1.9. PMC 1738204. PMID 12486257.
  129. ^ Millet D (June 2002). The origins of EEG. 7th Annual Meeting of the International Society for the History of the Neurosciences (ISHN).[데드링크]
  130. ^ Gibbs FA, Davis H, Lennox WG (December 1935). "The Electro-Encephalogram in Epilepsy and in Conditions of Impaired Consciousness". Archives of Neurology and Psychiatry. 34 (6): 1133. doi:10.1001/archneurpsyc.1935.02250240002001.
  131. ^ "Beckman Instruments Supplying Medical Flight Monitoring Equipment" (PDF). Space News Roundup. March 3, 1965. pp. 4–5. Archived (PDF) from the original on 7 August 2019. Retrieved 7 August 2019.
  132. ^ Bozinovski, Stevo (2013). "Controlling Robots Using EEG Signals, Since 1988". In Markovski, Smile; Gusev, Marjan (eds.). ICT Innovations 2012. Advances in Intelligent Systems and Computing. Vol. 207. Berlin, Heidelberg: Springer. pp. 1–11. doi:10.1007/978-3-642-37169-1_1. ISBN 978-3-642-37169-1. Archived from the original on 2023-01-13. Retrieved 2023-01-13.
  133. ^ Jiang L, Stocco A, Losey DM, Abernethy JA, Prat CS, Rao RP (April 2019). "BrainNet: A Multi-Person Brain-to-Brain Interface for Direct Collaboration Between Brains". Scientific Reports. 9 (1): 6115. arXiv:1809.08632. Bibcode:2019NatSR...9.6115J. doi:10.1038/s41598-019-41895-7. PMC 6467884. PMID 30992474.

추가열람

외부 링크