Waiting
Login processing...

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

Neuroscience

Analysera Neural aktivitet och anslutning med intrakraniell EEG Data med SPM mjukvara

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

Vi presenterar två analytiska protokoll som kan användas för att analysera intrakraniell elektroencefalografi data med hjälp av statistiska parametriska mappning (SPM) programvara: tidsfrekvens statistiska parametriska kartläggning analys för neural aktivitet och dynamiska orsakssamband modellering av inducerad Svaren för intra - och inter - regional anslutning.

Abstract

Mäta neural aktivitet och anslutning är associerad med kognitiva funktioner vid höga rumsliga och tidsmässiga upplösningar är ett viktigt mål i kognitiv neurovetenskap. Intrakraniell elektroencefalografi (EEG) kan direkt registrera elektriska neural aktivitet och har unika potential att uppnå detta mål. Traditionellt, har genomsnitt analys använts för att analysera intrakraniell EEG data; flera nya tekniker är dock tillgängliga för föreställande neural aktivitet och intra - och inter - regional anslutning. Här, vi införa två analytiska protokoll vi nyligen ansökt om för att analysera intrakraniell EEG data med hjälp av statistiska parametriska mappning (SPM) programvara: tid-frekvensanalys SPM för neural aktivitet och dynamiska kausala modellering av inducerad Svaren för intra - och inter - regional anslutning. Vi rapporterar vår analys av intrakraniell EEG data under observationen av ansikten som representativa resultat. Resultaten visade att den sämre occipital gyrus (IOG) visade gamma-band aktivitet i mycket tidiga skeden (110 ms) som svar på ansikten, och både IOG och amygdala visade snabba intra - och inter - regional anslutning med olika typer av svängningar. Dessa analytiska protokoll har potential att identifiera de neurala mekanismerna bakom kognitiva funktioner med hög rumsliga och tidsmässiga profiler.

Introduction

Mäta neural aktivitet och anslutning är associerad med kognitiva funktioner vid höga rumsliga och tidsmässiga upplösningar är en av de primära målen i kognitiv neurovetenskap. Uppnå detta mål är dock inte lätt. En populär metod som används för att registrera neural aktivitet är funktionell magnetisk resonanstomografi (MRT). Även om funktionell MRI erbjuder flera fördelar, såsom en hög rumslig upplösning på millimeter och icke-invasiv inspelning, är en klar nackdel av funktionell MRI dess låga temporal upplösning. Dessutom mäter funktionell MRI blod-syre-nivå-beroende signaler, som endast indirekt speglar elektriska neural aktivitet. Populära elektrofysiologiska metoder, inklusive elektroencefalografi (EEG) och Magnetencefalografi (MEG), har hög temporal upplösning på nivån millisekund. Men, de har förhållandevis låga rumsliga upplösningar, eftersom de registrera elektriska/magnetiska signaler vid hårbotten och måste lösa svåra inversionsproblem för att avbilda hjärnaktivitet.

Intrakraniell EEG kan direkt registrera elektriska neural aktivitet på hög temporal (millisekund) och rumsliga (centimeter) resolutioner1. Denna åtgärd kan ge möjligheter att förstå neural aktivitet och anslutning, även om det har tydliga begränsningar (t.ex., mätbara regioner är begränsade till kliniska kriterier). Flera intrakraniell EEG-studier har använt traditionella genomsnitt analys för att skildra neural aktivitet. Även om genomsnitt analys kan känsligt upptäcka tid-låst och låg frekvens band aktiveringen, den skränande upptäcka icke-fas-låst och/eller hög-frekvens (t.ex. gamma band) aktivering. Dessutom har funktionella neurala koppling inte har analyserats ingående i litteraturen om intrakraniell EEG inspelningar. Flera nya tekniker har nyligen framtagits för att skildra neural aktivitet och intra - och inter - regional anslutning i funktionell MRI och EEG/MEG inspelningar, som kan användas för att analysera intrakraniell EEG data.

Här introducerar vi analytiska protokoll som vi nyligen har tillämpat för att analysera intrakraniell EEG data med hjälp av statistiska parametriska mappning (SPM) programvara. Första att avslöja när och på vilken frekvens, områden i hjärnan kunde aktiveras, vi utfört tidsfrekvens SPM analys2. Denna analys förmultnar tid och frekvens domäner samtidigt använder en kontinuerlig wavelet transform och på lämpligt sätt korrigerar family-wise (FWE) felprocenten i tidsfrekvens kartor med hjälp av den slumpmässiga fältteori. Andra, för att avslöja hur regioner av hjärnan kommunicerar, vi tillämpat dynamiska kausala modellering (DCM) av inducerad Svaren4. DCM gör utredningen av effektiv anslutning (dvs. de kausala och riktad influenserna bland hjärnan regioner5). Även om DCM föreslogs ursprungligen som ett verktyg för att analysera funktionell MRI data5, har DCM av inducerad Svaren förlängts för att analysera tidsvarierande power spektra av elektrofysiologiska signaler4. Denna analys tillåter skildringen av både intra - och inter - regional neurala anslutningar. Flera neurofysiologiska studier har föreslagit att lokala intraregionalt uträkningar och långväga interregionala kommunikation främst använder gamma - och theta-band svängningar, respektive, och deras interaktioner (t.ex., entrainments) kan återspeglas av theta-gamma cross-frekvens koppling3,6,7,8. Denna rapport fokuserar på den analytiska dataprotokoll; för en översikt av bakgrund information9,10 och inspelning protokoll11 av intrakraniell EEG, hänvisas till litteraturen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Vår studie godkändes av lokala institutionella etikkommittén.

1. grundläggande Information

Obs: De analytiska protokoll kan tillämpas på olika typer av data utan begränsningar när det gäller specifika deltagare, elektroder, referensmetoder eller elektrod platser. I vårt exempel testade vi sex patienter lider av farmakologiskt svårlösta fokal epilepsi. Vi testade patienter som hade ingen epileptiska foci i regionerna av intresse.

  1. Intrakraniell EEG postdata under kognitiv experimentet på target elektroderna.
    1. Implantatet djup elektroder använda stereotaktisk metod12.
    2. Använda subdural platina elektroder (diameter: 2,3 mm) och djup platina elektroder (diameter: 0.8 mm) att samtidigt mäta kortikala och subkortikala aktivitet, respektive.
    3. Placera referenselektroder på ytan av skallen av mittlinjen dorsala frontal regionen, med kontakterna av elektroderna vänd bort från skallen att undvika refererande aktiveringen12.
    4. Förstärka data, filtrera nätet (band passera: 0,5 – 300 Hz), och prov vid 1000 Hz.
    5. För att registrera och statistiskt bort artefakter som är associerad med ögonrörelser, dessutom registrera electrooculograms. Välj målet elektroderna baserat på teoretiska intressen. Dessutom använda enskilda MRI och datortomografi uppgifter för att kontrollera de elektrod platserna.
  2. Prova och Förbearbeta intrakraniell EEG prövningsdata (figur 1).
    Obs: De analytiska protokoll kan tillämpas på olika typer av data utan inskränkning till viss data-längd eller förbearbetning metoder.
    1. Här, exempeldata under 3.000 ms (före stimulans: 1000 ms; efter stimulans: 2,000 ms) för varje prövning.
    2. Eftersom deltagarna här visade onormalt hög amplitud aktivitet i vissa studier, som möjligen är relaterade till epilepsi, utesluta dessa avvikare prövningar med hjälp av fördefinierade tröskelvärden (> 800 μV och > 5 SD). Andra förbehandling åtgärder, inklusive visuell inspektion och oberoende komponent analyser, kan krävas beroende på experimentella mål och villkor.
  3. Konvertera formatet EEG system infödda till ett MATLAB-baserade SPM format (jfr SPM12 manuell 12.1 och 12.2).
    Obs: De flesta EEG dataformat kan importeras direkt till SPM programvara genom att välja Conversion i SPM Batch Editor-gränssnittet och ange alla ingående parametrar. Ett annat sätt är att använda ett exempel på ett script ”spm_eeg_convert_arbitrary_data.m” i underkatalogen mannen/example_scripts av SPM programkatalogen. Skriptet ger ett bekvämt sätt att konvertera en ASCII-fil eller matta som kan exporteras av många EEG systemet med SPM format.

2. tid-frekvens SPM analys

  1. Ställa in SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) och använda den M/EEG analytiska meny13 (figur 2).
  2. Utföra den tidsfrekvens – SPM analys2 genom att välja ”Time-frekvensanalys” i menyn SPM för förbehandlas intrakraniell EEG data för varje prövning med kontinuerlig wavelet nedbrytning Morlet wavelets baserat på fördefinierade parametrar ( Figur 3).
    Obs: Wavelet transformeringar avslöja den tidsmässiga utvecklingen av spektrala komponenter av convolving intrakraniell EEG data med wavelets flera frekvenser14.
    1. Här, genomföra wavelet nedbrytning med hjälp av sju-cykel Morlet wavelets för hela epoken (-1 000 – 2 000 ms) och frekvensområdet 4 – 300 Hz.
    2. Fastställa mor wavelet och antal cykler baserat på en tidigare studie15. Observera att antalet cykler i wavelet styr tidsfrekvens – resolutioner och rekommenderas att vara större än 5 för att säkerställa uppskattning stabilitet13.
    3. Bestämma tid och frekvens spänner baserat på forskning intresset.
  3. Beskär de resulterande tidsfrekvens – kartorna automatiskt genom att välja ”Crop” i menyn SPM ta bort kanteffekter. Här, beskära tidsfrekvens – kartor till -200 – 500 ms.
  4. Utföra dataomvandling (tillval) och Baslinjejustering genom att välja ”Time-frekvens skala” i menyn SPM för tidsfrekvens – kartor att visualisera evenemangsrelaterade power förändringarna bättre och förbättra normaliteten av data.
    Obs: Här, tidsfrekvens – kartorna var logg-omvandlad och baslinje (-200 – 0 ms)-korrigerade.
  5. Konvertera tidsfrekvens – kartor till tvådimensionella (2D) bilder genom att välja ”Convert2Images” i menyn SPM.
    1. Smidigt med en Gaussisk kärna med ett fördefinierat full bredd halv-maximum (FWHM) värde att kompensera för variationer mellan försökspersonerna och överensstämmer med antagandena om den slumpmässiga fältteori används i Statistisk inferens2,13 .
      Obs: Här, tidsfrekvens – kartorna var slätade med k├ñrna Gaussisk FWHM för 96 ms i tidsplanet och 12 Hz i frekvensplanet baserat på en tidigare studie2.
  6. Ange de 2D-bilderna till den allmänna linjära modellen genom att välja ”Ange 1-nivå” i menyn SPM.
  7. Uppskatta den allmänna linjära modellen genom att välja ”modell estimation” i menyn SPM.
  8. Utföra statistiska slutsatser på tidsfrekvens – SPM {T} data baserat på slumpmässiga fältteori2 genom att välja ”resultat” i menyn SPM. Upptäcka betydligt aktiverade tidsfrekvens – kluster med fördefinierade tröskelvärden (eventuellt korrigerat för multipla jämförelser).
    Obs: Här, mån tröskeln till p < 0,05, som var FWE-korrigerade för multipla jämförelser, med en höjd tröskel p < 0,001 (okorrigerad) användes.

3. DCM inducerad svar

  1. Ställa in SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) och använda den M/EEG analytiska meny13 (figur 4).
    1. Starta DCM analys genom att klicka ”DCM” i menyn SPM. Aktivera DCM för inducerad Svaren genom att välja ”IND” i listrutan. Importera förbehandlas intrakraniell EEG data genom att klicka på ”nya uppgifter” i DCM för M/EEG-menyn.
  2. Ange tidsramen av räntor, villkor för ränta, kontraster för de valda villkor (detta definierar de modulering insatsvaror som senare används i nätverket specifikation), frekvens fönster av intresse och antalet wavelet cyklerna i DCM för M/EEG menyn ( (Se figur 5).
    1. Använda fem-cykel Morlet wavelets (4 – 100 Hz i 1-Hz steg) och ange tidsramen till 1 – 500 ms.
    2. Bestämma cykelns wavelet enligt standardinställningen. Observera att programvara rekommendation är värdet som är större än 5 för att säkerställa uppskattning stabilitet13. Tid – frekvensområden bestämdes utifrån vårt forskningsintresse. Observera att ett tidsfönster med en ytterligare ± 512 ms automatiskt användes under beräkningen ta bort kanteffekter.
  3. Baserat på DCM ram4,5, definiera (1) körning ingångar, som representerar de sensoriska input på neurala stater; (2) inneboende anslutningar, som förkroppsligar baslinjen anslutning mellan neurala stater och själv anslutningar; och (3) immunmodulerande effekter på inneboende anslutningar via experimentella manipulationer för null och hypotetisk modeller. Också definiera typ av modulering som linjär (inom-frekvens) eller icke-linjär (mellan-frekvens).
    1. Ange inneboende (linjära och olinjära) anslutningar, drivande ingångar och modulering ingångar i DCM för M/EEG-menyn.
    2. Ändra standardinställningarna för vissa relaterade parametrar (t.ex. tidigare stimulus debut tid och varaktighet) vid behov. Uppskatta modellerna genom att välja ”Invertera DCM” i DCM för M/EEG-menyn. Efter det väljer du Spara resultaten som img att spara frekvens immunmodulerande koppling parametern bilder.
  4. Genomföra en random-effekter Bayesian modell urval (BMS) analys17 genom att klicka på ”BMS” i DCM för M/EEG-menyn att identifiera optimala nätverksmodellen. Använd den modell som förväntat sannolikheter eller överskridande sannolikheter som utvärderingsåtgärder.
  5. Göra slutledningar angående cross-frekvens mönster av immunmodulerande anslutningar med vinnande modellparametrar med hjälp av SPM-menyn (se steg 2).
    1. Slät immunmodulerande koppling parametern bilder genom att välja ”Convert2Images” i menyn SPM.
    2. Utföra generell linjär modell analyser genom att välja ”Ange 2nd-nivå” i menyn SPM.
    3. Beräkna 2D SPM {T} värdena genom att välja ”resultat” i menyn SPM.
      Obs: Här, FWHM fastställdes till 8 Hz baserat på en tidigare studie4. Betydande värden identifierades exploratorily använder en höjd tröskel p < 0,05 (okorrigerad).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Med hjälp av protokollet som presenteras häri, analyserade vi intrakraniell EEG data i svar till ansikten18,19. Vi spelade in data från sex patienter under passiva visning av ansikten, mosaiker och hus i upprätt och inverterad riktlinjer. Kontrasterna av upprätt ansikten kontra upprätt mosaiker och upprätt ansikten kontra upprätt hus avslöjade ansikte effekten (dvs ansikte-specifika hjärnans aktivitet i förhållande till andra objekt). Kontrasten i upprätt ansikten kontra inverterad ansikten avslöjade ansikte-inversion effekten (dvs., ansikte-specifik visuell bearbetning möjligen relaterade till configural/Holistisk behandling20). Som målregionen för tid – frekvensanalys och fas – amplitud cross-frekvens koppling valt vi just sämre occipital gyrus (IOG) baserat på tidigare neuropsykologiska21 och neuroimaging22 fynd. För DCM testade vi modellen där de IOG och amygdala utgör ett funktionellt nätverk under ansikte bearbetning baserat på tidigare anatomiska bevis23.

Tid-frekvensanalys

Tidsfrekvens analyser utfördes för att undersöka tidsmässiga och frekvens profiler av IOG aktivitet under bearbetningen av ansikten. Tidsfrekvens kartor var omvandlas till 2D-bilder och in i allmänna linjär modell med faktorer för stimulans typ (ansikte, hus och mosaik) och orientering (stående och inverterad). Betydande Svaren identifierades med hjälp av ett tröskelvärde för FWE-korrigerat omfattningen av p < 0,05 med en höjd tröskel p < 0,001 (okorrigerad). Kontrasterna testa ansikte effekten (upprätt ansikte vs. upprätt mosaik) konsekvent avslöjat betydande rapid (110-500 ms) gamma-band aktivitet (figur 6a). Kontrasterna testa ansikte-inversion effekten (upprätt ansikte vs inverterad ansikte) avslöjade betydande gamma bandet aktivitet vid en senare period (195-500 ms).

DCM inducerad svar

DCM av inducerad Svaren tillämpades för att testa de funktionella nätverksmodeller IOG och amygdala. För både ansikte och ansikte-inversion effekter, överskridande sannolikheterna för slumpmässiga-effekter Bayesian modell valet visade att modellen med intraregionalt immunmodulerande connectivity i både regioner och dubbelriktad interregionala immunmodulerande anslutning var mest sannolikt bland alla möjliga modeller (figur 6b).

Nästa, vi inspekterade de spektrala profilerna av de immunmodulerande kopplingarna i den bästa modellen. Signifikanta effekter bedömdes för det hela spektralområdet med en höjd tröskel p < 0,05 (okorrigerad). Betydande samma - och cross-frekvens immunmodulerande kopplingar observerades för både intra - och inter - regional anslutning både ansikte och ansikte-inversion effekter (figur 6 c). Exempelvis som intraregionalt moduleringen av effekten ansikte visade amygdala negativa gamma-gamma samma - och beta-gamma cross-frekvens kopplingar. Under tiden, intra-IOG moduleringen visade en positiv cross-frekvens-koppling i theta alpha/beta-gamma-bandet. Dessutom, som interregionala kopplingen av ansikte effekten, IOG -> amygdala modulering avslöjade en profil där theta/alpha bandet i IOG underlättas gamma bandet i amygdala. För amygdala -> IOG modulering, gamma bandet i amygdala inhiberad theta/alpha bandet och samma frekvens gamma bandet i IOG. För ansiktet-inversion effekt,-liknande amygdala > IOG modulering, där gamma bandet i amygdala hämmade gamma bandet i IOG, observerades. Dock för IOG -> amygdala modulering, alpha, theta-gamma föreningen observerats i ansiktet effekten var inte uppenbar.

Figure 1
Figur 1: Illustration av generation av rättegång intrakraniell elektroencefalografi data. Klicka här för att se en större version av denna siffra.

Figure 2
Figur 2: grafiska användargränssnitt av statistiska parametriska mappning (SPM) programvaran för tid-frekvens analyser. (1) SPM-menyn. (2) tid-frekvensanalys. (3) beskärning. (4) Baslinjejustering. (5) konvertering. (6) Bildutjämning. (7) statistisk modell. (8) modell uppskattning. (9) kontrast. (10) Statistisk inferens. Klicka här för att se en större version av denna siffra.

Figure 3
Figur 3: flödesschema över tid-frekvens analys med programvaran statistiska parametriska mappning (SPM). (en) förbereda den förbehandlade intrakraniell elektroencefalografi (EEG) data om varje prövning. (b) beteende tid-frekvens (TF) nedbrytning för EEGEN data med hjälp av kontinuerlig wavelet transform. (c), gröda, log-transform och baslinjen rätt TF kartor. (d), konvertera TF kartor i tvådimensionella (2D) bilder. (e), retur 2D bilder till den allmänna linjära modellen. (f), utföra statistiska slutsatser på TF SPM {T} data. Klicka här för att se en större version av denna siffra.

Figure 4
Figur 4: grafiska användargränssnitt av statistiska parametriska mappning (SPM) programvaran för dynamisk kausala modellering (DCM) analyser. (1) SPM-menyn. (2) DCM-menyn. (3) Bayesian val av modell. (4) utjämning. (5) statistisk modell. (6) modell uppskattning. (7) kontrast. (8) Statistisk inferens. Klicka här för att se en större version av denna siffra.

Figure 5
Figur 5: flödesschema för dynamisk kausala modellering av inducerad svaren. (en) beräkna de tid-frekvensdiagram för varje prov av riktade flera elektroder (sämre occipital gyrus (IOG) och amygdala i vårt exempel) med kontinuerlig wavelet nedbrytning. Genomsnittliga spektral omfattningen av tid-frekvens Svaren till ger den inducerade svaren. Definiera sedan den drivande input, inneboende anslutningar och modulering av inneboende anslutningar av experimentella manipulationer. Konstruera modeller för att testa hypoteser och uppskatta modellerna. (b) genomföra en random-effekter Bayesian modell urval analys för att identifiera den optimala modellen. (c), konvertera frekvens-frekvensen immunmodulerande koppling parametrar i tvådimensionella (2D) bilder (med utjämning). Sedan utföra slumpmässiga-effekter generell linjär modell analyser och beräkna 2D SPM {T} värdena. Klicka här för att se en större version av denna siffra.

Figure 6
Figur 6: representativa resultat. (en) tidsfrekvens kartor över just sämre occipital gyrus (IOG) aktivitet för upprätt ansiktet (FU, vänster) och upprätt mosaik (MU; mitten) villkor. SPM {T} data för FU kontra MU visas också (höger). (b), funktionella modeller i IOG och amygdala i nätverk. Åtta möjlighetkombinationer av immunmodulerande input av FU kontra MU på anslutningar mellan IOG och amygdala och egen anslutning till varje region undersöktes. (c)-frekvens immunmodulerande koppling parametrar och SPM {T} värden för FU kontra MU för IOG -> amygdala och amygdala -> IOG modulering visas. Röd-gul och blå-cyan blobbar anger signifikant positiv/retande och negativa/hämmande anslutning, respektive. Klicka här för att se en större version av denna siffra.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

De analytiska protokoll för intrakraniell EEG data med SPM programvaran introducerade häri har flera fördelar jämfört med funktionell MRI. Först, protokollen kan skildra neural aktivering med hög temporal upplösning. Resultaten tyder därför huruvida de kognitiva korrelat av neural aktivering genomförs på tidiga eller sena stadier av bearbetning. I vårt exempel identifierades ansikte effekten under de mycket tidiga skeden (dvs. 110 ms) av visuell bearbetning. Jämförelse av temporal profiler av neural aktivitet i samband med olika psykologiska funktioner dessutom intressanta konsekvenser. I synnerhet visade vårt exempel olika aktivering gånger för ansikte och ansikte-inversion effekter, början på 115 ms och 165 ms, respektive i IOG. Sådan rik temporal information kan fördjupa vår förståelse av neurokognitiva mekanismer.

Protokollen kan dessutom skildra intra - och inter - regional neurala anslutningar. Data från andra neurovetenskapliga åtgärder, såsom hemodynamiska signaler och hårbotten-inspelade elektromagnetiska signaler, innehåller en stor mängd buller och kräver uppskattning baserad på flera antaganden att extrahera ursprungliga elektriska signaler, som kan snedvrida den resulterande neurala connectivity. Analysen av direkt inspelade elektriska signaler är därför värdefull. Som en illustration, även om våra resultat visade funktionell koppling mellan IOG och amygdala under ansikte bearbetning, upptäcktes sådan koppling inte i en tidigare analys av funktionell MRI data24. Förstå de neurala mekanismerna krävs identifiering av kausala relationer mellan neurala kretsar, vilket kräver temporal information av neural aktivering.

Det är dock viktigt att notera att den optimala protokoll som används för att registrera och analysera intrakraniell EEG förblir omdiskuterad. Till exempel har metodologiska studier föreslagit att referenselektroder kan plocka upp kroppsliga fysiologiska artefakter (t.ex., ögonrörelser och muskelaktivitet) och omgivningsbuller och referenselektroder för lämplig position intrakraniell EEG återstår för att vara beslutsamma25,26. Flera förbehandling metoder (t.ex., filtrering och icke-linjära transformationer) ta bort artefakter (t.ex., epileptiska aktiviteten) har föreslagits, även om de är under debatt27. En studie rapporterade också att tid-frekvens analyser med hjälp av wavelet nedbrytning kunde oskärpa topparna i ursprungliga data28och alternativa analysmetoder, såsom Hilbert-Huang transformeringen, kan erbjuda bättre temporal resolutioner29. Utvinning av de höga frekvenserna kan också förbättras med hjälp av sådana metoder30. Det har konstaterats att cross-frekvens koppling kunde vara partisk av skarpa icke-linjära transienter och styra för sådana störande effekter är behövs31,32,33. Flera olika analytiska metoder har föreslagits för analys av intra - och inter - regional koppling, såsom den fas-låsning värde16, vägda fas eftersläpning index34, och finare kausalitet35, och det är fortfarande oklart vilka analyser och parametrar (t.ex., frekvens) som är mest relevanta för kognitiv behandling3. I vissa fall intrakraniell EEG data kan inte tillfredsställa parametriska antaganden och icke-parametriska analyser kan vara optimal36. Nyligen har har andra analytiska protokoll varit föreslagna37; jämfört med andra protokoll, kanske som bygger på programvaran SPM unik potential att ge en enhetlig ram för analys av olika typer av neurovetenskapliga data38. Forskare bör ägna stor uppmärksamhet åt framsteg i analytiska protokoll för intrakraniell EEG data.

Sammanfattningsvis infört vi analytiska protokoll som vi nyligen ansökt om för att analysera intrakraniell EEG-data, vilket inkluderar tid-frekvensanalys med SPM, cross-frekvens koppling och DCM inducerad svar. Vi anser att dessa analytiska protokoll kan identifiera neurala korrelat till kognitiva funktioner med hög rumsliga och tidsmässiga profiler.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har något att avslöja.

Acknowledgments

Denna studie stöddes av medel från Benesse Corporation, Japan Society för främjande av vetenskap (JSPS) finansiering Program för nästa generations världsledande forskare (LZ008), organisationen för att främja forskning i nervsystemets utveckling, och den JSPS 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

Neurovetenskap fråga 140 cross-frekvens koppling dynamisk kausala modellering (DCM) ansikte gamma svängning sämre occipital gyrus intrakraniell elektroencefalografi (EEG) tid-frekvensanalys
Analysera Neural aktivitet och anslutning med intrakraniell EEG Data med SPM mjukvara
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