Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Анализ нейронной активности и подключение с использованием внутричерепных ЭЭГ данных с программным обеспечением УСВ

Published: October 30, 2018 doi: 10.3791/58187
Automatic Translation
*1, *2, 3, 4, 5, 5, 6, 7, 5
1Kokoro Research Center, Kyoto University, 2Brain Activity Imaging Center, Advanced Telecommunications Research Institute International, 3Department of Neurodevelopmental Psychiatry, Habilitation and Rehabilitation, Graduate School of Medicine, Kyoto University, 4National Epilepsy Center, 5Shizuoka Institute of Epilepsy and Neurological Disorders, 6Department of System Neuroscience, Sapporo Medical University, 7Faculty of Human Health Science, Graduate School of Medicine, Kyoto University
* These authors contributed equally

Summary

Мы представляем два аналитических протоколов, которые могут использоваться для анализа внутричерепных электроэнцефалография данных с использованием программного обеспечения статистической параметрический сопоставления (СЗМ): анализ статистических параметрический сопоставление частотно-нейронной активности, и динамические причинно Моделирование искусственных ответов для подключения внутри и между регионального.

Abstract

Измерения нейронной активности и подключения, связанные с когнитивных функций при высоких пространственных и временных резолюций является важной целью в когнитивной нейробиологии. Внутричерепных электроэнцефалография (ЭЭГ) можно непосредственно запись электрической нейронной активности и имеет уникальный потенциал для достижения этой цели. Традиционно в среднем анализ был применен для анализа внутричерепных ЭЭГ данных; Однако несколько новых методов доступны для изображением нейронной активности и внутри и между регионального подключения. Здесь, мы представляем два аналитических протоколов, мы недавно применяется для анализа внутричерепных ЭЭГ данных с использованием программного обеспечения статистической параметрический сопоставления (СЗМ): частотно-РП анализ для нейронной активности и динамического моделирования причинно индуцированной ответов для внутри и между регионального подключения. Мы сообщаем наш анализ данных внутричерепных ЭЭГ во время наблюдения лица как представитель результаты. Результаты показали, что уступает затылочные извилины (ГВН) показал активности гамма полосами на очень ранних стадиях (110 мс) в ответ на лица и ГВН и миндалины, показали быстрый внутри и между регионального подключение, используя различные виды колебаний. Эти аналитические протоколы имеют потенциал для выявления нейронные механизмы, лежащие в основе когнитивных функций с высоким пространственным и временным профилями.

Introduction

Измерения нейронной активности и подключения, связанные с когнитивных функций при высоких пространственных и временных резолюций является одной из основных целей когнитивной нейронауки. Однако достижение этой цели нелегко. Один популярный метод, используемый для записи нейронной активности является функциональная магнитно-резонансная томография (МРТ). Хотя Функциональная МРТ предлагает несколько преимуществ, таких как высокое пространственное разрешение на уровне миллиметр и неинвазивные записи, ясно недостатком функциональной МРТ является его низкая временным разрешением. Кроме того Функциональная МРТ меры крови кислород уровня зависимой сигналы, которые лишь косвенно отражать электрические нейронной активности. Популярные электрофизиологических методов, включая электроэнцефалографии (ЭЭГ) и Магнитоэнцефалография (Мэг), имеют высокого временного разрешения на уровне миллисекунды. Однако они имеют относительно низкого пространственного разрешения, потому что они записывать электрические или магнитные сигналы на волосистой части головы и должны решать сложные проблемы обратной изображать активность мозга.

Внутричерепных ЭЭГ может напрямую записывать электрические нейронной активности в высокой временной (миллисекунды) и пространственных (сантиметр) резолюции1. Эта мера может предоставить ценные возможности понять нейронной активности и связь, хотя он имеет четкие ограничения (например, измеримые регионов ограничены клинические критерии). Несколько внутричерепных ЭЭГ исследования применялись традиционные Усредненный анализ изображать нейронной активности. Хотя усреднения анализ чутко может обнаружить активации время locked и низкочастотного диапазона, он не может обнаружить не этапа-к морю и/или активации высокой частоты (например, группа гамма). Кроме того функциональные нейронные соединения не была проанализирована в глубину в литературе по внутричерепных ЭЭГ записи. Недавно были разработаны несколько новых методы изображать нейронной активности и внутри и между регионального подключения в функциональной МРТ и ЭЭГ/Мэг записей, которые могут быть применены для анализа внутричерепных ЭЭГ данных.

Здесь мы представляем аналитических протоколов, которые мы недавно применены для анализа внутричерепных ЭЭГ данных с использованием программного обеспечения статистической параметрический сопоставления (SPM). Во-первых, чтобы выявить, когда и на какой частоте, области мозга может быть активирован, мы провели время частота РП анализ2. Этот анализ разлагает временной и частотной областях, одновременно используя Непрерывное вейвлет-преобразование и соответствующим образом корректирует уровень family-wise ошибка (FWE) в частотно-карты, используя случайные теории поля. Во-вторых выявить, как мозга общаться, мы применили динамическое моделирование причинной (DCM) индуцированного ответы4. DCM позволяет исследование эффективного подключения (то есть, причинные и направленного влияния среди регионов мозга5). Хотя DCM первоначально был предложен как инструмент для анализа данных функциональной МРТ5, DCM индуцированных ответов был расширен для анализа нестационарных спектры мощности электрофизиологических сигналов4. Этот анализ позволяет изображением оба внутри и между регионального нейронные соединения. Несколько нейрофизиологические исследования показали, что местные внутрирегиональной вычислений и дальней межрегиональных коммуникации главным образом используют гамма - и тета диапазона колебаний, соответственно, и их взаимодействия (например, конференции) можно быть отражены тета гамма кросс частота муфта3,6,,78. Настоящий доклад сосредоточен на протоколе аналитических данных; Обзор справочная информация9,10 и записи протоколов11 внутричерепных ЭЭГ пожалуйста, обратитесь к литературе.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Наше исследование был одобрен Комитетом местных институциональных этики.

1. Основная информация

Примечание: Аналитических протоколов могут применяться для различных типов данных без каких-либо ограничений в отношении конкретных участников, электроды, эталонных методов или расположения электродов. В нашем примере мы протестировали шесть пациентов, страдающих от фармакологически неразрешимыми фокальной эпилепсии. Мы протестировали пациентов, которые не эпилептических очагов в регионах, представляющих интерес.

  1. Внутричерепных ЭЭГ данные записи во время познавательного эксперимента на целевом электродов.
    1. Имплантировать электроды глубины с помощью стереотаксических метод12.
    2. Используйте субдуральной платиновыми электродами (диаметр: 2.3 мм) и глубины платиновые электроды (диаметр: 0,8 мм) одновременно измерять корковых и подкорковых деятельности, соответственно.
    3. Место ссылки электродов на поверхности черепа спинной лобной области срединной линии, с контактами электродов, стоящие вдали от черепа, чтобы избежать ссылочной активации12.
    4. Усиливают данных, фильтровать онлайн (полосовые: 0.5 – 300 Гц) и образец на 1000 Гц.
    5. Для записи и статистически удаления артефактов, связанных с движениями глаз, дополнительно запись electrooculograms. Выберите целевой электродов на основе теоретических интересов. Кроме того использование отдельных МРТ и КТ данных для проверки расположения электродов.
  2. Образцы и предварительной обработки данных испытаний внутричерепных ЭЭГ (рис. 1).
    Примечание: Аналитических протоколов могут применяться для различных типов данных без каких-либо ограничений для конкретной длины данных или методы предварительной обработки.
    1. Здесь образец данных во время 3 000 мс (предварительное стимулом: 1000 мс; после стимул: 2000 мс) для каждого разбирательства.
    2. Потому что участников, здесь показан аномально высокой амплитудой деятельность в некоторых исследованиях, возможно связанные с эпилепсией, исключить эти останец испытания с использованием предопределенных порогов (> 800 МКВ и > 5 SD). Другие шаги предварительной обработки, включая визуальный контроль и анализ независимых компонентов, может потребоваться в зависимости от экспериментальных целей и условий.
  3. Родной формат системы ЭЭГ можно преобразуйте в формат на основе MATLAB СЗМ (см. SPM12 руководство 12.1 и 12.2).
    Примечание: Большинство форматов данных ЭЭГ можно непосредственно импортировать в РП программное обеспечение, выбрав преобразования в РП Пакетный редактор интерфейса и задания всех требуемых входных параметров. Еще одним возможным способом является использование пример сценария «spm_eeg_convert_arbitrary_data.m» в подкаталоге человек/example_scripts каталог программы СЗМ. Этот сценарий предоставляет удобный способ для преобразования файла ASCII или мат файл, который может быть экспортирован системой многие ЭЭГ с форматом УСВ.

2. анализ частотно-РП

  1. Настройка SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) и использовать аналитические меню М/ЭЭГ13 (рис. 2).
  2. Выполнения анализа SPM частотно-2 , выбрав «частотно-анализ» в меню SPM для обработанного внутричерепных ЭЭГ данных каждого испытания с использованием вейвлет-разложения с Morlet вейвлетов, на основе заранее определенных параметров ( Рисунок 3).
    Примечание: Вейвлет-преобразования выявить временная эволюция спектральных составляющих convolving внутричерепных ЭЭГ данных с вейвлеты нескольких частотах14.
    1. Здесь, проводить вейвлет разложения с использованием вейвлетов Morlet семь цикла для всей эпохи (-1,000 – 2000 мс) и диапазон частот 4 – 300 Гц.
    2. Определите, мать вейвлет и количество циклов, основанный на предыдущем исследовании15. Обратите внимание, что количество циклов в вейвлет управляет частотно-резолюций и рекомендуется быть больше 5 для обеспечения оценки стабильности13.
    3. Определение времени и частоты диапазонов на основе научных интересов.
  3. Обрежьте результирующая частотно-карты автоматически, выбрав «Урожай» в меню УСВ, чтобы удалить эффекты краев. Здесь, обрезать частотно-карты в -200 – 500 мс.
  4. Выполняют преобразование данных (необязательно) и коррекция базовой линии, выбрав «время частота перемасштабирование» в меню SPM для карт частотно-лучше визуализировать изменения мощности, связанные с событиями и улучшить нормализации данных.
    Примечание: Здесь, частотно-карты были преобразованы журнала и базовых (-200-0 мс)-исправлена.
  5. Преобразуйте частотно-карты в двухмерные (2D) изображения, выбрав «Convert2Images» в меню «РП».
    1. Гладкая Гаусса ядра с помощью предопределенных полной ширины половину максимум (FWHM) значение для компенсации между предметом изменчивости и соответствовать предположения случайных теории поля, используемые в Статистический вывод2,13 .
      Примечание: Здесь, частотно-карты были сглажены с ядро Gaussian FWHM 96 МС в области времени и 12 Гц в частотной области, на основе предыдущего исследования2.
  6. Введите 2D изображений в общей линейной модели, выбрав «Укажите 1 уровень» в меню «РП».
  7. Оцените общие линейные модели, выбрав «Модель оценки» в меню «РП».
  8. Выполните статистические выводы данных частотно-УСВ {T}, основанный на случайных теория поля2 , выбрав «Результаты» в меню «РП». Обнаружить значительно активированных частотно-кластеры с предопределенных порогов (возможно исправить несколько сопоставлений).
    Примечание: Здесь, степени порог p < 0,05, который был FWE-исправлены несколько сопоставлений, с высоты порог p < 0,001 (некомпенсированная) был использован.

3. DCM индуцированных ответов

  1. Настройка SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) и использовать аналитические меню М/ЭЭГ13 (рис. 4).
    1. Запустите анализ DCM, нажав кнопку «ДКМ» в меню «РП». Активируйте DCM для индуцированного ответы, выбрав в списке «Син» . Импорт предварительно внутричерепных ЭЭГ данных, нажав кнопку «новые данные» в DCM для M/ЭЭГ меню.
  2. Укажите время окно интерес, условий интерес, контрасты для выбранных условий (это определяют модуляции входные данные позднее используется в сети спецификации), частота окно интереса и количество циклов вейвлет в DCM для меню (M/ЭЭГ Рисунок 5).
    1. Использовать вейвлеты Morlet пять цикла (4 – 100 Гц в шагах 1 Гц) и задайте интервал времени 1-500 мс.
    2. Определите вейвлет цикла в соответствии с параметром по умолчанию. Обратите внимание, что программное обеспечение рекомендации значение больше 5 для обеспечения оценки стабильности13. Время частотных диапазонах были определены на основе наших исследований. Обратите внимание, что время окно с дополнительной ± 512 МС автоматически использовался для удаления edge эффекты во время вычисления.
  3. Основываясь на DCM рамки4,5, определить (1) вождение входов, которые представляют сенсорные входы нейронной государств; (2) внутренние соединения, которые воплощают базового подключения нейронных государствами и самостоятельной соединения; и (3) модулирующее воздействие на внутренние соединения через экспериментальных манипуляций для null и гипотетической модели. Также определите тип модуляции как линейная (в частота) или нелинейных (между частота).
    1. Укажите внутренние (линейные и нелинейные) соединения, вождения входы и входы модуляции в DCM для M/ЭЭГ меню.
    2. При необходимости измените параметры по умолчанию некоторых соответствующих параметров (например, предварительное стимулом время начала и продолжительность). Оценка моделей, выбрав «инвертировать ДКМ» в DCM для M/ЭЭГ меню. После этого выберите пункт сохранить результаты как img для сохранения частота частота модулирующее муфты параметр изображения.
  4. Провести анализ выбора (BMS) случайных эффектов Байесу модель17 , нажав «СЭЗ» в DCM для M/ЭЭГ меню для определения оптимальной сетевой модели. Используйте модель ожидается вероятностей и/или вероятности превышения как оценки мер.
  5. Сделать выводы относительно структуры кросс частота модулирующее соединений, используя победы параметров модели с помощью меню СЗМ (см. шаг 2).
    1. Сглаживать изображения параметр модулирующее муфта, выбрав «Convert2Images» в меню «РП».
    2. Анализ общей линейной модели, выбрав «Укажите второго уровня» в меню УСВ.
    3. Вычислить значения 2D УСВ {T}, выбрав «Результаты» в меню «РП».
      Примечание: Здесь, FWHM была установлена в 8 Гц, основанный на предыдущих исследования4. Значительные значения exploratorily были определены с использованием высота порога p < 0,05 (некомпенсированная).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

С помощью протокола, представленные здесь, мы проанализировали внутричерепных ЭЭГ данных в ответ на лица18,19. Мы записали данные из шести пациентов в ходе пассивного просмотра лица, мозаики и дома в вертикальном положении и перевернутый ориентации. Контрасты вертикально лица против вертикально мозаики и вертикальном лица против вертикально домов показали лица эффект (то есть, активность мозга конкретного лица относительно других объектов). Контраст вертикально сталкивается против Перевернутый лица показал лицо инверсии эффект (т.е., лицо-визуальных обработки, возможно, связано с configural/целостного обработки20). Как целевого региона частотно-анализа и фаза – амплитуда кросс частота муфта мы выбрали право уступает затылочные извилины (ГВН) основе предыдущих нейропсихологических заключений22 21 и нейровизуализации. Для DCM мы протестировали модель, в которой ГВН и миндалины представляют собой функциональную сеть во время обработки лица, на основе предыдущих анатомические доказательства23.

-Частотный анализ

Частотно-анализы были проведены расследования временных и частоты профили ГВН активности во время обработки граней. Частотно-карты были преобразованы в 2D изображения и вступил в общие линейные модели с факторов типа раздражитель (лицо, дом и мозаика) и ориентация (прямо и инверсно). Значительные ответы были определены с использованием FWE-исправлены степени порог p < 0,05 с высота порога p < 0,001 (некомпенсированная). Контрасты, тестирование лица эффект (вертикальном лицом против вертикально мозаика) последовательно показали значительные быстрого (110-500 мс) гамма диапазона деятельности (рис. 6a). Контрасты, тестирование лица инверсии эффект (вертикально лицом против перевернутая лицом) показали значительные гамма-активности группы на более поздний период (195-500 мс).

ДКМ индуцированных ответов

ДКМ индуцированных ответов был применен для тестирования моделей функциональной сети ГВН и миндалины. Для лица и лица инверсия эффектов, вероятности превышения выбор модели случайных эффектов Байесу указал, что модель с внутрирегиональное модулирующее подключения в регионах и двунаправленный Межрегиональная модулирующее подключение было скорее среди всех возможных моделей (Рисунок 6b).

Далее мы осмотрели спектральные профили модулирующее муфты в лучшие модели. Были оценены значительные последствия для всего спектра с высота порога p < 0,05 (некомпенсированная). Значительное же - и кросс частота модулирующее муфты наблюдались для оба внутри и между регионального подключения обоих лица и лица инверсия эффектов (рис. 6 c). Например как внутрирегиональной модуляции эффекта лицо, миндалины показал отрицательный гамма гамма же - и бета гамма кросс частота муфты. Тем временем внутри ГВН модуляции показали позитивные муфту кросс частоты в полосе частот тета альфа/бета-гамма. Кроме того, как Межрегиональный муфта лица эффект, ГВН -> миндалины модуляции показали профиль, в котором группа Альфа-тета в ГВН способствовали гамма группы в миндалины. Для миндалины -> ГВН модуляции, гамма группы в миндалина тормозится тета альфа-группы и группы же частота гамма в ГВН. Для лица инверсии эффект аналогичный миндалины -> ГВН модуляции, в котором группа гамма в миндалина тормозится гамма группы в ГВН, было отмечено. Однако, для ГВН -> миндалины модуляции, Ассоциация тета/альфа гамма, наблюдается в лице эффект не был очевидным.

Figure 1
Рисунок 1: Иллюстрация поколения данных пробной внутричерепных электроэнцефалография. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 2
Рисунок 2: графических пользовательских интерфейсов статистической параметрический сопоставления (СЗМ) программного обеспечения для анализа частотно-. (1) РП меню. (2) частотно-анализ. (3) обрезку. (4) коррекция базовой линии. (5) преобразования. (6) Сглаживание. (7) Статистическая модель. (8) модель оценки. (9) контраст. (10) статистический вывод. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 3
Рисунок 3: блок-схема частотно-анализа с использованием программного обеспечения статистической параметрический сопоставления (SPM). () подготовка препроцессированный внутричерепных электроэнцефалография (ЭЭГ) данные каждого судебного разбирательства. (b) поведения частотно-(TF) разложения для ЭЭГ данных с использованием вейвлет преобразования. (c) культур, журнал преобразование и базовых правильным для TF карт. (d) конвертировать TF карты в двухмерный (2D) изображения. (e) введите 2D изображений в общей линейной модели. (f) выполнить статистические выводы о данных TF SPM {T}. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 4
Рисунок 4: графических пользовательских интерфейсов программного обеспечения статистической параметрический сопоставления (СЗМ) для динамического анализа причинных моделирования (DCM). (1) РП меню. (2) DCM меню. (3) выбор модели Байеса. (4) сглаживания. (5) Статистическая модель. (6) модель оценки. (7) контраст. (8) статистический вывод. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 5
Рисунок 5: блок-схема динамического моделирования причинно индуцированных ответов. () рассчитать время частотных спектров для каждого разбирательства целевых несколько электродов (Нижняя затылочная извилины (ГВН) и миндалины в нашем примере) с использованием вейвлет-разложения. Средняя спектральные величины время-частотных приносить индуцированных ответ. Затем определите вождения ввода, внутренние соединения и модуляции внутренних соединений по экспериментальных манипуляций. Конструкция модели для тестирования гипотез и оценки моделей. (b) проведение в случайных эффектов Байесовский модель выбора анализ для определения оптимальной модели. (c) конвертировать модулирующее частота частота муфта параметры в двухмерный (2D) изображения (с сглаживания). Затем анализ общей линейной модели случайных эффектов и вычислить значения 2D УСВ {T}. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 6
Рисунок 6: представитель результаты. () частотно-карты правой нижней затылочной извилины (ГВН) деятельности для вертикально лица (фу; слева) и вертикально мозаика (му; Ближний) условий. УСВ {T} данные для Фу против му также показываются (справа). (b) функциональные модели сети в ГВН и миндалины. Восемь возможных комбинаций модулирующее ввода Фу против му на соединения между ГВН и миндалины и самостоятельного подключения на каждого региона были исследованы. (c) частота частота модулирующее муфты параметры и значения SPM {T} для Фу против му ГВН -> миндалины и миндалины -> ГВН модуляции отображаются. Красный желтый и синий голубой капли указывают значительные положительные/возбуждающих и отрицательным/тормозной подключения, соответственно. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Аналитических протоколов для внутричерепных ЭЭГ данных с помощью программного обеспечения УСВ представил здесь имеют ряд преимуществ по сравнению с функциональной МРТ. Во-первых протоколы можно изобразить нервной активации с высоким временным разрешением. Таким образом результаты указывают, является ли когнитивных коррелятов нейронных активации осуществляются на ранней или поздней стадии обработки. В нашем примере эффект лицо было определено на очень ранних стадиях (т.е. 110 мс) визуальных обработки. Кроме того Сравнение временных характеристики нейронной активности, связанных с различные психологические функции предоставляют интересные последствия. В частности наш пример показал время разные активации для лица и лица инверсия эффектов, начиная 115 МС и 165 МС, соответственно, в ГВН. Такой богатый временной информации может углубить наше понимание нейрокогнитивный механизмов.

Кроме того протоколы могут изображать внутри и между регионального нейронные соединения. Данные из других neuroscientific мер, например гемодинамики сигналов и волосистой части головы Записанная электромагнитных сигналов, содержат большое количество шума и требуют оценки, основанные на ряде предположений для извлечения оригинальные электрические сигналы, которые могут исказить Результирующая нейронные соединения. Таким образом анализ непосредственно записанные электрических сигналов является ценным. В качестве иллюстрации хотя наши результаты показали функциональной связанности между ГВН и миндалины во время обработки лица, такое соединение не был обнаружен в предыдущем анализе функциональной МРТ данных24. Понимания нейронных механизмов требует выявления причинно-следственных связей между нейронных цепей, которая требует временной информации нейронных активации.

Однако важно отметить, что оптимальный протокол, используемый для записи и анализа внутричерепных ЭЭГ по-прежнему обсуждается. Например методологические исследования показали, что ссылка электродов может забрать телесных Физиологические артефакты (например, движения глаз и мышечной деятельности) и шума окружающей среды и подходящую позицию Справочник электродов для внутричерепных ЭЭГ остается решительным25,26. Были предложены несколько предварительной обработки методы (например, фильтрации и нелинейных преобразований), для удаления артефактов (например, эпилептическая активность), хотя они находятся под прений27. Исследование также сообщил, что время частота анализа с использованием вейвлет-разложения может размыть пиков в оригинальных данных28и альтернативных аналитических методов, таких как преобразование Гильберта-Хуан, может предложить лучше временных резолюций29. Извлечение высокочастотного диапазона может быть улучшена с помощью таких методов30. Было отмечено, что кросс частота Муфта может быть предвзятой, резко нелинейной переходные процессы и управление для таких смешанных эффектов является необходимой31,,3233. Такие как фазовой синхронизации значение16, взвешенное фазу запаздывания индекс34и Грандер причинности35и он остается неясным для анализа в интра - и Межамери - регионального муфты, были предложены несколько различных аналитических методов какие анализы и параметры (например, частота) являются наиболее актуальными для когнитивной обработки3. В некоторых случаях внутричерепных ЭЭГ данных может не удовлетворить параметрический предположений и непараметрический анализ может быть оптимальным36. Недавно другие аналитические протоколы были предлагаемые37; по сравнению с другими протоколами, те, которые основаны на по УСВ может иметь уникальный потенциал для обеспечения единой основы для анализа различных видов данных neuroscientific38. Исследователи должны уделять пристальное внимание достижений в аналитических протоколов для внутричерепных ЭЭГ данных.

В целом мы ввели аналитических протоколов, которые мы недавно применены для анализа внутричерепных ЭЭГ данных, которые включают анализ частотно-РП, кросс частота муфта и DCM индуцированных ответов. Мы считаем, что эти аналитические протоколы можно определить нейронные корреляты когнитивных функций с высоким пространственным и временным профили.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Авторы не имеют ничего сообщать.

Acknowledgments

Это исследование было поддержано средств от Benesse Corporation, Япония общества для финансирования программы поощрения науки (JSP) для следующего поколения ведущих исследователей (LZ008), Организации содействия исследованиям в нервной расстройств, и JSP-страницы KAKENHI (15K 04185; 18K 03174).

Materials

Name Company Catalog Number Comments
none

DOWNLOAD MATERIALS LIST

References

  1. Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).
  2. Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
  3. Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
  4. Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
  5. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
  6. Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
  7. Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
  8. Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191 (2010).
  9. Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
  10. Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
  11. Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993 (2012).
  12. Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
  13. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
  14. Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
  15. Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
  16. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  17. Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
  18. Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
  19. Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
  20. Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition? Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
  21. Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
  22. Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
  23. Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
  24. Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
  25. Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
  26. Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
  27. Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
  28. Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
  29. Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
  30. Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
  31. Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
  32. Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351 (2016).
  33. Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
  34. Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
  35. Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
  36. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  37. Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
  38. Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).

Tags

Нейробиологии выпуск 140 кросс частота сцепления динамического моделирования (DCM) причинно лицо гамма колебаний уступает затылочные извилины внутричерепных электроэнцефалография (ЭЭГ) частотно-анализ
Анализ нейронной активности и подключение с использованием внутричерепных ЭЭГ данных с программным обеспечением УСВ
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Sato, W., Kochiyama, T., Uono, S.,… More

Sato, W., Kochiyama, T., Uono, S., Usui, N., Kondo, A., Matsuda, K., Usui, K., Toichi, M., Inoue, Y. Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software. J. Vis. Exp. (140), e58187, doi:10.3791/58187 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter