Summary
Usiamo magneto-e di elettroencefalografia (MEG / EEG), combinata con informazioni anatomiche catturato dalla risonanza magnetica per immagini (MRI), per mappare le dinamiche della rete corticale associata con attenzione uditiva.
Abstract
Magneto-e di elettroencefalografia (MEG / EEG) sono tecniche di neuroimaging che forniscono una alta risoluzione temporale particolarmente adatto per studiare le reti corticali coinvolte in dinamiche compiti percettivi e cognitivi, come la partecipazione a suoni diversi in un cocktail party. Molti studi precedenti hanno impiegato dati registrati a livello solo sensore, cioè., I campi magnetici o le potenziali elettrici registrati all'esterno e sul cuoio capelluto, e sono generalmente concentrato sull'attività che è tempo-locked alla presentazione dello stimolo. Questo tipo di evento correlato campo / analisi potenziale è particolarmente utile quando ci sono solo un piccolo numero di distinti modelli dipolari che può essere isolato ed identificato nello spazio e nel tempo. In alternativa, utilizzando informazioni anatomiche, questi modelli campi distinti possono essere localizzati come sorgenti di corrente sulla corteccia. Tuttavia, per una risposta più sostenuta che non può essere tempo-locked ad uno specifico stimolo (ad es.,in preparazione per ascoltare una delle due cifre presentate simultaneamente vocali basati sulla funzione uditiva cued) o possono essere distribuiti su più posizioni spaziali sconosciuti a priori, l'assunzione di una rete distribuita corticale non può essere adeguatamente catturati utilizzando un numero limitato di fonti di focali.
Qui, si descrive un procedimento che impiega i singoli dati anatomici MRI per stabilire una relazione tra i dati del sensore e l'attivazione dipolo sulla corteccia attraverso l'uso di minimo-norm stime (MNE). Questo approccio di imaging inversa ci fornisce uno strumento per l'analisi distribuita di origine. A titolo illustrativo, si descrivono tutte le procedure che utilizzano FreeSurfer e software multinazionale, sia liberamente disponibile. Noi riassumere le sequenze di risonanza magnetica e le fasi di analisi necessari per produrre un modello in avanti che ci permette di mettere in relazione l'atteso quadro di campo causata dai dipoli distribuite sulla corteccia sulle M / EEG sensori. Next, si passerà attraverso i processi necessari che ci facilitano in denoising i dati del sensore di contaminanti ambientali e fisiologiche. Avremo quindi delineare la procedura per combinare e mappatura MEG / EEG dati del sensore sullo spazio corticale, producendo così una famiglia di serie temporale di attivazione corticale dipolo sulla superficie cerebrale (o "film cerebrali") relativa a ciascuna condizione sperimentale. Infine, si metterà in evidenza alcune tecniche statistiche che ci permettono di fare inferenza scientifica in una popolazione di soggetti (ad es., Eseguire l'analisi a livello di gruppo) sulla base di uno spazio comune di coordinate corticale.
Protocol
1. Anatomica di acquisizione e trattamento
- Acquisire una magnetizzazione preparato rapida gradient echo (MPRAGE) risonanza magnetica del soggetto. Questo può richiedere 5-10 minuti a seconda del protocollo scansione specifica viene utilizzato.
- Acquisire due ulteriori veloce angolo basso (FLASH) risonanza magnetica (angoli a fogli mobili = 5 ° e 30 °) se i dati EEG vengono utilizzati per l'analisi di immagini inversa, come sequenze FLASH il contrasto diversi tessuti a partire dalle sequenze MPRAGE standard 1.
- Utilizzare FreeSurfer software (vedi tabella) 2, 3 per ricostruire la superficie corticale e di istituire M individuale / EEG spazio di origine dipolo.
- Questo spazio sorgente è vincolata al confine sostanza grigia / bianca segmentato dalla scansione MPRAGE. Ogni emisfero contiene circa 100.000 vertici potenziali, distanziati a ~ 1 mm. Per la stima di ampiezza dipolo (vedi sotto), usare una griglia con spaziatura di 7 mm, che produce ~ 3000 dipoli per ogni emisfero.
- Ricostruirela pelle, cranio esterno e le superfici interne del cranio dalle immagini MPRAGE e FLASH con MNE (vedi tabella) e FreeSurfer. Utilizzare queste superfici per generare un modello a tre livelli elemento di contorno (BEM).
2. M / EEG Acquisizione Dati
- Preparare soggetto per M / EEG registrazione.
- Fare riferimento a Liu ed altri 4 per i dettagli e l'elettrodo di elettrooculogramma preparazione di riferimento, nonché la digitalizzazione dei punti di riferimento fiduciali del soggetto, testa di posizione bobine indicatori (HPI) e gli elettrodi EEG.
- Una volta soggetto è seduto nella MEG, misurare la posizione della testa utilizzando le bobine HPI.
- Avviare la registrazione. Inizia la presentazione di stimoli uditivi e visivi.
- Molti hardware e soluzioni software sono disponibili per eseguire presentazione dello stimolo (ad es., Presentazione, E-Prime). Usiamo un Tucker-Davis RZ6 Tecnologie per la presentazione uditiva stimolo e grilletto convalida, con Psychtoolbox 5 per visiva stimulus presentazione, entrambe controllate da MATLAB. Test delle latenze uditivi e visivi utilizzando un microfono e fotodiodo attaccato allo schermo, e, successivamente, avendo cura di evitare il jitter osservabile (che può richiedere l'impostazione della presentazione proiettore la sua risoluzione nativa) prima dell'esperimento aiuta a garantire l'integrità dei tempi.
- Oggetto risponde a stimoli uditivi e visivi mediante un box pulsante ottico durante l'esecuzione di attività comportamentale.
- Salva tutti gli stimoli, i parametri sperimentali e file di dati per analisi off-line.
3. M / EEG Co-registrazione con RMN e di elaborazione dati
- Utilizzando il software multinazionale, caricare i dati digitalizzatore e modello ricostruito soggetto testa di risonanza magnetica. Selezionare punti di riferimento fiduciali per avviare processi di co-registrazione e procedere il ricorso alla procedura di allineamento automatico per completare la trasformazione di coordinate (Figura 2).
- Per mettere in relazione la posizione di ogni dipolo nel sp di origineasso con la posizione di ogni sensore, combinare i dati registrati HPI (vedi 2.2) per calcolare una soluzione in avanti con i tre strati BEM (vedi 1.4)
- Ispezionare tutti i registrati M / EEG dati e identificare i canali che hanno varianza eccezionalmente elevato o sono completamente esaurite. Impostare questi canali come canali cattivi.
- Utilizzare il segnale-spazio di proiezione 6 o altre tecniche di riduzione del rumore (come la separazione del segnale spazio 7) per proiettare o separare modelli di campo spaziali origine da contaminazione ambientale campo ambientale o altri segnali indesiderati fisiologici, come quelli associati con oculari lampeggia e artefatti cardiaci (Figura 3).
- Applicare dominio del tempo rimozione manufatto (ad es., Rimuovendo epoche contenenti segnali di ampiezza anormalmente elevati dovuti alla incurvamento un canale) e nel dominio della frequenza rimozione manufatto (ad es., Band-notch filtraggio a 50 o 60 Hz frequenza di rete) per aumentare ulteriormente rapporto segnale-rumore.
- Identificare un periodo di riferimento in cui il soggetto non è stato di effettuare qualsiasi operazione (ad es., 200 ms periodo prima dell'inizio di ogni prova). Generare una media di queste epoche di base per ottenere una stima del rumore (anche nota come matrice di covarianza).
- Identificare le epoche di interesse (ad esempio, solo di raccogliere epoche con corrette risposte comportamentali.) E definire le condizioni per contrasti sperimentali (ad esempio, epoche associata con oggetto aver collegato la loro attenzione uditiva al hemifield opposta come originariamente cued -. Condizione di "Switch" - rispetto a soggetti mantenere l'attenzione sul hemifield originale - condizione di "Hold"). Generare una risposta medio per ciascuna della condizione definita.
- Queste medie possono essere basale, corretta o meno a seconda dei parametri sperimentali (v. 8), i dati qui riportati sono di riferimento con correzione.
- Combinare la matrice di covarianza (3.5) e la soluzione calcolata in avanti (3.2) per ottenere unadistribuito corticale vincolata minima norma operatore inverso che riguarda le misure dei sensori a dipolo stime correnti nello spazio di origine.
- È possibile limitare o correggere circa l'orientamento dipolo alla direzione corticale normale 9.
- Generare un "film cervello" della stima distribuita dipolo (cioè., La stima corrente in ciascuna posizione dipolo nello spazio sorgente in tempo) per ogni condizione sperimentale (Figura 4).
- A seconda delle caratteristiche temporali del vostro disegno sperimentale, è possibile bin i dati in tempo da una media di stime attuali utilizzano i canali non si sovrappongono finestre temporali.
4. Inferenza statistica Sulla base di un comune di superficie a base di sistema di coordinate
- Morph i "film del cervello" per ogni soggetto su un comune (media) lo spazio corticale sulla base di una superficie a base di sistema di coordinate che si allinea in modo ottimale individuale sulcal-gymodelli ral 3. Questo ci permette di confrontare o media attività corticale in tutte le materie. (Figura 5).
- Ci sono molti approcci diversi di inferenza statistica. Si metterà in evidenza tre possibili approcci qui. Approcci che non sono implementate in software può essere scritto utilizzando il software-in personalizzato nostri esempi usiamo MATLAB per eseguire la non-parametrico di clustering spazio-temporale test di permutazione. Nonostante l'alta dimensionalità (Spazio x Tempo x soggetti) di questi dati, tutti questi approcci possono essere eseguite utilizzando standard moderni computer desktop in pochi secondi (ROI e 4.3 approccio) a ore (non parametrica di clustering, 4.5).
- Regione d'interesse (ROI) approccio
- È possibile definire la ROI anatomicamente (ad es., Definita da parcellizzazione algoritmo automatico 1) e / o funzionalmente (ad es., Registrando un compito funzionale localizzative, come un Go / No Go saccade compito di identificare il oculomotoregioni r).
- Si può ulteriormente limitare l'analisi a un tempo specifico di interessi che è appropriato per il paradigma sperimentale (ad es., Un periodo di tempo immediatamente prima e dopo l'inizio degli stimoli sonori). È inoltre possibile utilizzare altri inferenza statistica associata con analisi delle serie temporali.
- Intero cervello Bonferroni o Falso-Discovery-Rate (FDR) correzione
- Impiegare la correzione di Bonferroni o FDR se avete bisogno di tutto il cervello, tutti i tempi di analisi.
- Genera una mappa statistica in ogni sede dipolo e ogni punto di tempo utilizzando le statistiche di test, come ad esempio una t-test o entro soggetti ANOVA per i dati di circa normalmente distribuiti. Ad esempio, z-score di dinamica mappatura parametro statistico delle stime MNE per le fonti fisse dipolo 10 possono essere utilizzate se accoppiato con una correzione per le correlazioni delle stime (ad esempio il conservatore Greenhouse-Geisser correzione).
- Per Bonferronicorrezione, ottenere significativi spazio-tempo dai punti di soglia ad un livello di significatività di 0,05 diviso per il numero di confronti (numero di dipoli moltiplicato per il numero di punti temporali). Per un approccio meno conservativo, utilizzare FDR p-valore di correzione 11.
- Non parametrica di clustering spazio-temporale
- Utilizzare questo metodo (sulla base di una semplice estensione di 12) per trovare le regioni di grandi dimensioni, l'attivazione coerente spaziale e temporale, ma meno conservatore di correzione di Bonferroni, e meno soggetto a errori statistici di tipo I che FDR controllando per la famiglia-saggio tasso di errore .
- Poiché questo approccio usa permutazione o Monte Carlo tecniche di ricampionamento, non si basa su ipotesi di normalità dei dati, e assume solo che le etichette condizione sono intercambiabili sotto l'ipotesi nulla. Anche se è computazionalmente più intensa rispetto ai precedenti due approcci, può ancora essere eseguita in ore su unasingola macchina con le moderne tecnologie hardware del computer desktop.
- Genera una mappa statistica in ogni sede dipolo e ogni punto temporale utilizzando le statistiche di test, come ad esempio una t-test.
- Soglia questa mappa ad una soglia di significatività preliminare, ad esempio, p <0.05.
- Cluster questi punti significativi putative basato su spazio-temporale di prossimità, ad es. punti significativi all'interno di 5 ms e 5 mm di distanza l'uno dall'altro geodetica sono messi nello stesso cluster. Nota ogni cluster risultante utilizzando ipervolume o significato totale (ad es. Somma di T-score di punti nel cluster).
- Eseguire un ricampionamento standard di permutazione (o Monte Carlo ricampionamento per i più grandi insiemi di dati, ad es. Numero di soggetti N> 10, per risparmiare sul calcolo) prova con una statistica massima (vedere 12 per gli esempi di test di permutazione). In breve, per un sottoinsieme casuale di soggetti (scegliendo ovunque da 0 a N soggetti), etichettare le condizioni being rispetto prima di ottenere la mappa statistica, eseguire il clustering sulla nuova mappa statistica, e di ottenere il punteggio massimo di cluster per questo rietichettatura. Eseguire questa procedura su nuovi relabelings casuali fino a 2 N permutazioni di ottenere una distribuzione della statistica massima; eseguire tutte 2 N relabelings possibili produce il test di permutazione e utilizzando un sottoinsieme casuale di meno di 2 N relabelings produce un Monte Carlo (o casuale ) test di permutazione.
- Ottenere il significato di un dato cluster originale (dall'etichetta originale) determinando la percentuale di tempo le massime dimensioni dei cluster fosse maggiore di quello del cluster originale, ad es. cluster che erano più grandi del 95% dei glomeruli statistici massimi può essere dichiarato significativa.
- Per una discussione approfondita sulla inferenza statistica in Imaging Source MEG distribuita, vedere 13.
- Utilizzare questo metodo (sulla base di una semplice estensione di 12) per trovare le regioni di grandi dimensioni, l'attivazione coerente spaziale e temporale, ma meno conservatore di correzione di Bonferroni, e meno soggetto a errori statistici di tipo I che FDR controllando per la famiglia-saggio tasso di errore .
- I file di dati risultanti possono essere vi sualized in molti modi, tra cui l'uso in modo nativo i formati utilizzati da software multinazionale di memorizzare stime corticali spazio-temporali, vale a dire file di STC. Questi, insieme etichette che possono essere prodotti corrispondenti alle regioni significative, possono essere generati utilizzando toolboxes MNE previste MATLAB e Python.
5. Risultati rappresentativi
La figura 6 mostra una serie di risultati rappresentativi utilizzando il paradigma comportamentale delineato in Figura 4. Utilizzando la procedura non parametrica di clustering spazio-temporale (4.5), il FEF diritto è considerato significativo quando un soggetto sta eseguendo un'operazione riorientamento rispetto ad un compito standard (Figura 6 a sinistra). Utilizzando l'approccio ROI (4.3), l'andamento temporale della FEF destra è mostrato, con il periodo di tempo che queste due condizioni sono significativamente differenti.
p_upload/4262/4262fig1.jpg "/>
Figura 1. Workflow per generare un "film cervello" utilizzando corticale vincolata minimo-norm stime dipolo (cfr. figura 1 in Liu et al., 2010).
Figura 2. Software multinazionale utilizzato per facilitare canali EEG e luoghi HPI co-registrazione su un unico soggetto MRI coordinata spazio.
Figura 3. Dati MEG prima e dopo l'utilizzo di provider di servizi condivisi per rimuovere cardiaca (evidenziata in arancione) e con gli occhi-lampeggia (evidenziato in blu-verde) manufatti e filtro passa basso per eliminare la linea-frequenza. Clicca qui per ingrandire la figura .
Figura 4 A "film di cervelli" sullo spazio nativo corticale del soggetto e la tempistica della presentazione audiovisiva (con stimoli uditivi presentati a 600 ms e uno stimolo visivo presentato a -600 ms) in un paradigma sperimentale (Nota:. Sarà presentato come un film nel clip filmato finale)
Figura 5. Confronto tra un ipotetico ROI mappati sullo spazio nativo corticale del soggetto e dopo trasformata in uno spazio comune corticale.
Figura 6. Rappresentativa spazio-temporale cluster e time-course associata due condizioni sperimentalizioni testato.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Per stimare l'attivazione dipolo sulla corteccia dalle MEG acquisite / dati EEG, dobbiamo risolvere un problema inverso, che non ha una soluzione unica stabile a meno opportuni vincoli anatomicamente e fisiologicamente sane vengono applicati. Utilizzando il vincolo anatomica acquisita per singoli soggetti che utilizzano la risonanza magnetica e adottando il minimo-norma come criterio di stima, si può arrivare ad una stima inversa corticale generatore di corrente che è d'accordo con le misure dei sensori. Questo approccio si è dimostrato utile in studi di elaborazione uditiva non solo il 14, ma anche altri settori come visual 15 e l'elaborazione del linguaggio 16.
Ci sono molti altri approcci inversi. Tuttavia, tutti questi metodi possono essere riassunti in due categorie: localizzazione (ad esempio, equivalente modellazione corrente dipolo.) O immagini (ad esempio, MNE, tecniche di formazione del fascio.). Inoltre, ogni approccio inverso ha la sua tradideoff (vedi 17 per una discussione approfondita). Per esempio, la stima corrente utilizzando il metodo qui presentato deve necessariamente essere distribuiti nello spazio grazie alla sua minima-norm vincolo. Questo minimo-norma approccio preventivo è particolarmente adatto per attività che reclutare una rete distribuita corticale. Mappatura reagire rapidamente agli stimoli che evocano l'attività focale di origine, come ad esempio quelli in audizione, che si ritiene siano localizzati dentro e intorno bilaterale corteccia uditiva (ad es., N1m e la consapevolezza relativa negatività 18), può essere migliorata usando fMRI vincoli co- 14.
Analisi dominio spettrale, ad es., Studiando il ruolo dei diversi ritmi corticali coinvolte nella attenzione, attraverso la corteccia può anche essere eseguita dopo utilizzando una qualsiasi delle tecniche summenzionate inversi. Inoltre, questo tipo di analisi può essere facilmente esteso per rivolgere domande relative a connettività funzionale tra regioni distinte nel brain.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Nessun conflitto di interessi dichiarati.
Acknowledgments
Gli autori desiderano ringraziare Matti S. Hämäläinen, Lilla Zöllei e tre revisori anonimi per i loro utili commenti. Fonti di finanziamento: R00DC010196 (AKCL); T32DC000018 (EDL); T32DC005361 (RKM).
Materials
| Name | Company | Catalog Number | Comments |
| 306-channel Vectorview MEG system | Eleka-Neuromag Ltd, | ||
| 1.5-T Avanto MRI scanner | Siemens Medical Solutions | ||
| FreeSurfer | http://freesurfer.net/ | ||
| MNE software | http://www.nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php | ||
| EEG electrodes | Brain Products, Easycap GmbH | ||
| 3Space Fastrak system | Polhemus | ||
| Optical button box (FIU-932) | Current Designs |
References
- Fischl, B. Automatically parcellating the human cerebral cortex. Cerebral Cortex. 14, 11-22 (2004).
- Dale, A., Sereno, M. Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: A linear approach. Journal of Cognitive Neuroscience. 5, 162-176 (1993).
- Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. NeuroImage. 9, 195-207 (1999).
- Liu, H. Functional Mapping with Simultaneous MEG and EEG. Journal of Visualized Experiments. (40), e1668 (2010).
- Brainard, D. H.
- Uusitalo, M. A., Ilmoniemi, R. J. Signal-space projection method for separating MEG or EEG into components. Med. Biol. Eng. Comput. 35, 135-140 (1997).
- Taulu, S., Simola, J., Kajola, M. Applications of the signal space separation method. IEEE Transactions on Signal Processing. 53, 3359-3372 (2005).
- Urbach, T. P., Kutas, M. Interpreting event-related brain potential (ERP) distributions: Implications of baseline potentials and variability with application to amplitude normalization by vector scaling. Biological Psychology. 72, 333-343 (2006).
- Lin, F. -H., Belliveau, J. W., Dale, A. M., Hämäläinen, M. S. Distributed current estimates using cortical orientation constraints. Human Brain Mapping. 27, 1-13 (2006).
- Dale, A. Dynamic statistical parametric mapping: combining fMRI and MEG for high-resolution imaging of cortical activity. Neuron. 26, 55-67 (2000).
- Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12, 419-446 (2003).
- Nichols, T. E., Holmes, A. P. Nonparametric permutation tests for functional neuroimaging: a primer with examples. Human Brain Mapping. 15, 1-25 (2001).
- Pantazis, D., Leahy, R. M. Statistical Inference in MEG Distributed Source Imaging. MEG: An Introduction to Methods. Hansen, P., Kringelbach, M., Salmelin, R. , Oxford University Press. New York. 245-272 (2010).
- Ahveninen, J. Attention-driven auditory cortex short-term plasticity helps segregate relevant sounds from noise. Proceedings of the National Academy of Sciences. , 1-6 (2011).
- Sharon, D. The advantage of combining MEG and EEG: comparison to fMRI in focally stimulated visual cortex. Neuroimage. 36, 1225-1235 (2007).
- Herrmann, B., Maess, B., Hasting, A. S., Friederici, A. D. Localization of the syntactic mismatch negativity in the temporal cortex: An MEG study. NeuroImage. 48, 590-600 (2009).
- Baillet, S. The Dowser in the Fields: Searching for MEG Sources. MEG: An Introduction to Methods. Hansen, P., Kringelbach, M., Salmelin, R. , Oxford University Press. New York. 83-123 (2010).
- Gutschalk, A., Micheyl, C., Oxenham, A. J. Neural correlates of auditory perceptual awareness under informational masking. PLoS Biology. 6, e138 (2008).
