Waiting
Login processing...

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

Neuroscience

Analysere neurale aktivitet og forbindelse med intrakraniel EEG Data med SPM Software

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 præsentere to analytiske protokoller, der kan bruges til at analysere intrakraniel electroencefalografi data ved hjælp af statistiske parametrisk kortlægning (SPM) software: tid-frekvens statistiske parametrisk kortlægning analyse for neurale aktivitet og dynamisk kausale modellering af inducerede svar for samhandelen og Inter-Diesel regionale connectivity.

Abstract

Måling af neurale aktivitet og connectivity forbundet med kognitive funktioner med en høj rumlige og tidsmæssige opløsning er et vigtigt mål i kognitiv neurovidenskab. Intrakraniel electroencefalografi (EEG) direkte kan optage elektriske neurale aktivitet og er unikke potentiale til at nå dette mål. Traditionelt, er gennemsnit analyse blevet anvendt til at analysere intrakraniel EEG data; dog er flere nye teknikker til rådighed for skildrer neurale aktivitet og intra og Inter-Diesel regionale connectivity. Her, vi introducere to analytiske protokoller vi for nylig anvendt til at analysere intrakraniel EEG data ved hjælp af statistiske parametrisk kortlægning (SPM) software: tid-frekvens SPM analyse for neurale aktivitet og dynamisk kausale modellering af induceret svar for intra og Inter-Diesel regionale connectivity. Vi rapporterer vores analyse af intrakranielle EEG data under observation af ansigter som repræsentative resultater. Resultaterne viste, at den ringere occipital gyrus (IOG) viste gamma-band aktivitet på meget tidlige faser (110 ms) som svar på ansigter, og både IOG og amygdala viste hurtige intra og Inter-Diesel regionale tilslutning ved hjælp af forskellige former for svingninger. Disse analytiske protokoller har potentiale til at identificere de underliggende kognitive funktioner med høj rumlige og tidsmæssige profiler neurale mekanismer.

Introduction

Måling af neurale aktivitet og connectivity forbundet med kognitive funktioner med en høj rumlige og tidsmæssige opløsning er en af de primære mål i kognitiv neurovidenskab. Opstilling af dette mål er imidlertid ikke let. En populær metode til at registrere neurale aktivitet er funktionel magnetisk resonans imaging (MR). Selv om funktionel MRI giver flere fordele, såsom en høj rumlige opløsning millimeter og non-invasiv optagelse, er en klar ulempe ved funktionel Mr dens lav tidsmæssige opløsning. Derudover måler funktionel MRI blod-ilt-niveau-afhængige signaler, som kun indirekte afspejler elektriske neurale aktivitet. Populære elektrofysiologiske metoder, herunder electroencefalografi (EEG) og magnetoencephalography (MEG), har høje tidsmæssige opløsninger på niveauet millisekund. Men de har relativt lave rumlige opløsninger, fordi de optage elektriske/magnetiske signaler på hovedbunden og skal løse vanskelige inverse problemer for at skildre hjerneaktivitet.

Intrakraniel EEG kan direkte optage elektriske neurale aktivitet på høj tidsmæssige (millisekund) og rumlige (centimeter) resolutioner1. Denne foranstaltning kan give værdifulde muligheder for at forstå neurale aktivitet og tilslutningsmuligheder, selv om det har klare begrænsninger (f.eks.målbare regioner er begrænset til kliniske kriterier). Flere intrakraniel EEG undersøgelser har anvendt traditionelle gennemsnit analyse for at skildre neurale aktivitet. Selvom gennemsnit analyse kan nænsomt registrere tid-låst og lavfrekvente band aktivering, det kan ikke registrere ikke-fase-låst og/eller høj-frekvens (fx gamma band) aktivering. Derudover er funktionelle neurale kobling ikke blevet analyseret grundigt i litteratur om intrakraniel EEG optagelser. Flere nye teknikker har udviklet for nylig for at skildre neurale aktivitet og intra og Inter-Diesel regionale connectivity i funktionel MRI og EEG/MEG optagelser, der kan anvendes til at analysere intrakraniel EEG data.

Her introducerer vi analytisk protokoller, som vi har for nylig anvendt til at analysere intrakraniel EEG data ved hjælp af statistiske parametrisk kortlægning (SPM) software. Første, til at afsløre Hvornår og på hvilken frekvens, hjerneregioner kunne aktiveres, vi udførte tidsfrekvens SPM analyse2. Denne analyse nedbrydes tid og frekvens domæner samtidigt ved hjælp af en kontinuerlig wavelet transformering og passende korrigerer family-wise fejl (FWE) sats i den tid-frekvens kort ved hjælp af den tilfældige feltteori. For det andet for at afsløre, hvordan hjerneregioner kommunikerer, anvendte vi dynamisk kausale modellering (DCM) af inducerede svar4. DCM gør det muligt for undersøgelse af effektiv tilslutning (dvs. den kausale og retningsbestemt indflydelse blandt hjernen regioner5). Selv om DCM blev oprindeligt foreslået som et værktøj til at analysere funktionel MRI data5, er DCM induceret svar blevet udvidet til at analysere de tidsvarierende magt spektre af elektrofysiologiske signaler4. Denne analyse giver skildringen af både handelen og Inter-Diesel regionale neurale connectivity. Række neurofysiologiske undersøgelser har antydet, at lokale intra-regionale beregninger og langtrækkende tværregionale kommunikation primært bruger gamma - og theta-band svingninger, henholdsvis, og deres samspil (f.eks., entrainments) kan afspejles af theta-gamma cross-frekvens kobling3,6,7,8. Denne rapport fokuserer på data analytiske protokollen; for en oversigt over baggrunden information9,10 og optagelse protokoller11 af intrakranielle EEG, henvises til litteraturen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Vores undersøgelse blev godkendt af det lokale institutionelle etiske udvalg.

1. grundlæggende oplysninger

Bemærk: De analytiske protokoller kan anvendes til forskellige typer af data uden nogen begrænsninger med hensyn til bestemte deltagere, elektroder, referencemetoder eller elektrode steder. I vores eksempel, vi har testet seks patienter lider af farmakologisk genstridig fokal epilepsi. Vi testede patienter, der havde ingen epileptiske foci i regioner af interesse.

  1. Intrakraniel EEG postdataene under kognitive eksperimentet på target elektroder.
    1. Implantat dybde elektroder ved hjælp af stereotactic metoden12.
    2. Bruge subduralt platin elektroder (diameter: 2,3 mm) og dybde platin elektroder (diameter: 0,8 mm) til samtidig måle kortikale og subkortikale aktivitet, henholdsvis.
    3. Placer referenceelektroder på overfladen af kraniet af midterlinjen dorsale frontal region, med kontakter til elektroderne, vender væk fra kraniet at undgå referentiel aktivering12.
    4. Forstærke data, filtrere online (band pass: 0,5 – 300 Hz), og prøve på 1.000 Hz.
    5. For at registrere og statistisk fjerne artefakter forbundet med øjenbevægelser, desuden optage electrooculograms. Vælg target elektroderne baseret på teoretiske interesser. Derudover bruge enkelte Mr og computertomografi data for at kontrollere elektrode steder.
  2. Prøve og forbehandle retssag intrakraniel EEG data (figur 1).
    Bemærk: De analytiske protokoller kan anvendes til forskellige typer af data uden begrænsning til bestemte datalængde eller forbehandling metoder.
    1. Her, prøve data under 3.000 ms (pre stimulus: 1.000 ms; efter stimulus: 2.000 ms) for hvert forsøg.
    2. Fordi deltagerne her viste unormalt høj amplitude aktivitet i nogle forsøg, muligvis relateret til epilepsi, udelukke disse outlier forsøg ved hjælp af foruddefinerede tærskler (> 800 μV og > 5 SD). Andre forbehandling foranstaltninger, herunder besigtigelse og uafhængige komponent analyse, kan være påkrævet afhængigt af eksperimentelle mål og betingelser.
  3. Konvertere EEG system native format til en MATLAB-baserede SPM format (jf. SPM12 Manual 12.1 og 12.2).
    Bemærk: De fleste EEG dataformater kan direkte importeres til SPM software ved at vælge konvertering i SPM Batch Editor interface og angive alle nødvendige input parametre. En anden mulighed er at bruge et scripteksempel "spm_eeg_convert_arbitrary_data.m" i undermappen mand/example_scripts af SPM program bibliotek. Dette script giver en nem måde at konvertere en ASCII-fil eller MAT-fil, der kan eksporteres af mange EEG system med SPM format.

2. tidsfrekvens SPM analyse

  1. Oprette SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) og bruge M/EEG analytiske menu13 (figur 2).
  2. Udføre tidsfrekvens – SPM analyse2 ved at vælge "tid-frekvens analyse" i menuen SPM forhåndsbehandlede intrakraniel EEG data for hvert forsøg ved hjælp af kontinuerlig wavelet nedbrydning med Morlet bølger baseret på foruddefinerede parametre ( Figur 3).
    Bemærk: Wavelet transformeringer afsløre den tidsmæssige udvikling af spektrale komponenter af convolving intrakraniel EEG data med bølger af flere frekvenser14.
    1. Her, foretage wavelet nedbrydning ved hjælp af syv-cyklus Morlet bølger for den hele epoke (-1,000 – 2.000 ms) og frekvensområde på 4 – 300 Hz.
    2. Bestemme mor wavelet og antal cyklusser baseret på en tidligere undersøgelse15. Bemærk, at antallet af cyklusser i wavelet styrer tidsfrekvens – resolutioner og anbefales at være større end 5 at sikre skøn stabilitet13.
    3. Bestemme tid og frekvens intervaller baseret på forskningsinteresse.
  3. Beskære de resulterende tidsfrekvens – kort automatisk ved at vælge "Crop" i menuen SPM fjerne kant effekter. Her, beskære tidsfrekvens-kort i-200-500 ms.
  4. Udføre data transformation (valgfrit) og baseline korrektion ved at vælge "tidsfrekvens rescale" i menuen SPM for tidsfrekvens-kort til at visualisere event-relaterede magt ændringer bedre og forbedre normalisering af data.
    Bemærk: Her, tidsfrekvens – kort var log-transformeret og baseline (-200-0 ms)-korrigeret.
  5. Konvertere tidsfrekvens – kort til todimensional (2D) billeder ved at vælge "Convert2Images" i menuen SPM.
    1. Glat benytter en Gaussisk kerne med en foruddefineret fuld bredde halv-maksimum (FWHM) værdi til at kompensere for Inter underlagt variabilitet og i overensstemmelse med forudsætningerne i den tilfældige feltteori anvendes i statistisk inferens2,13 .
      Bemærk: Her, tid-frekvens kortene blev glattes med en Gaussisk kerne af FWHM af 96 ms i tid domæne og 12 Hz i frekvens domæne baseret på en tidligere undersøgelse2.
  6. Angiv 2D-billeder i den generelle lineære model ved at vælge "Angiv 1st-niveau" i menuen SPM.
  7. Vurdere den generelle lineære model ved at vælge "Model skøn" i menuen SPM.
  8. Udføre statistiske slutninger om tid – frekvens SPM {T} data baseret på tilfældige feltteori2 ved at vælge "Resultater" i menuen SPM. Opdage betydeligt aktiveret tidsfrekvens-klynger med foruddefinerede tærskler (eventuelt korrigeret for flere sammenligninger).
    Bemærk: Her, omfang tærsklen til p < 0,05, som var FWE-korrigeret for flere sammenligninger, med en højde grænse for p < 0,001 (ukorrigeret) blev brugt.

3. DCM induceret svar

  1. Oprette SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) og bruge M/EEG analytiske menu13 (figur 4).
    1. Start DCM analyse ved at klikke på "DCM" knappen i menuen SPM. Aktivere DCM for induceret svar ved at vælge "IND" i boksen liste. Importere forhåndsbehandlede intrakraniel EEG data ved at klikke på "ny data" i DCM for M/EEG menu.
  2. Angive tidsvindue interesse, betingelser for renter, kontraster til de valgte betingelser (dette definere graduering indgange senere brugt i netværk specifikation), frekvens vindue af interesse og antallet af wavelet cyklusser i DCM for M/EEG menu ( Figur 5).
    1. Bruge fem-cyklus Morlet bølger (4 – 100 Hz i 1-Hz trin) og sæt tidsvinduet til 1-500 ms.
    2. Bestemme wavelet cyklus i overensstemmelse med standardindstillingen. Bemærk, at indstillingen software værdi større end 5 at sikre skøn stabilitet13. Tid – frekvensområder blev fastsat, baseret på vores forskningsinteresse. Bemærk at et tidsvindue med en ekstra ± 512 ms automatisk blev brugt under beregning for at fjerne kant effekter.
  3. Baseret på DCM rammer4,5, definere (1) kørsel indgange, som repræsenterer de sensoriske input på neurale stater; (2) iboende forbindelser, som repræsenterer baseline tilslutning blandt neurale stater og selvstændig forbindelser; og (3) modulerende effekt på iboende forbindelser via eksperimentelle manipulationer for null og hypotetisk modeller. Også definere typen af graduering som lineær (i-frekvens) eller ikke-lineære (mellem-frekvens).
    1. Angiv iboende (lineære og ulineære) forbindelser, drivende indgange og graduering indgange i DCM for M/EEG menu.
    2. Om nødvendigt ændre standardindstillingerne for nogle relaterede parametre (f.eks. forudgående stimulus indsættende tid og varighed). Anslå modellerne ved at vælge "invertere DCM" i DCM for M/EEG menu. Efter at vælge Gem resultaterne som img gemme frekvens-frekvens modulerende kobling parameter billeder.
  4. Gennemføre en random-effects Bayesian model udvalg (BMS) analyse17 ved at klikke på "BMS" i DCM for M/EEG menuen til at finde modellens optimale netværk. Brug modellen forventede sandsynligheder og/eller overskridelse sandsynligheder som evalueringsforanstaltninger.
  5. Drage slutninger om cross-frekvens mønstre af modulerende forbindelser ved hjælp af de vindende model parametre ved hjælp af menuen SPM (Se trin 2).
    1. Glat modulerende kobling parameter billeder ved at vælge "Convert2Images" i menuen SPM.
    2. Udføre generelle lineære model analyser ved at vælge "Angiv 2nd-niveau" i menuen SPM.
    3. Beregne de 2D SPM {T}-værdier ved at vælge "Resultater" i menuen SPM.
      Bemærk: Her, FWHM blev fastsat til 8 Hz baseret på en tidligere undersøgelse4. Betydelige værdier var exploratorily identificeret ved hjælp af en højde grænse for p < 0,05 (ukorrigeret).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Ved hjælp af protokollen, der præsenteres heri, analyseret vi intrakraniel EEG data som svar på ansigter18,19. Vi indspillede data fra seks patienter under den passive visning af ansigter, mosaikker og huse i opretstående og omvendt retningslinjer. Kontrasterne af opretstående ansigter versus oprejst mosaikker og oprejst ansigter versus oprejst huse afsløret ansigt effekt (dvs., face-specifikke hjerneaktivitet i forhold til andre objekter). Kontrasten i opretstående ansigter versus inverteret ansigter afsløret ansigt-inversion effekt (dvs., face-specifikke visuelle behandling muligvis er relateret til configural/holistisk behandling20). Som målområde for tid-frekvens analyse og fase-amplitude cross-frekvens kobling valgte vi den lige ringere occipital gyrus (IOG) baseret på tidligere neuropsykologiske21 og neuroimaging22 resultater. DCM afprøvede vi den model hvor IOG og amygdala udgør en funktionel netværk under ansigt behandling baseret på tidligere anatomiske beviser23.

Tid-frekvens analyse

Tidsfrekvens analyser blev gennemført for at undersøge de tidsmæssige og frekvens profiler af IOG aktivitet under behandlingen af ansigter. Tidsfrekvens kort blev omdannet til 2D-billeder og trådte i generelt lineære model med faktorer af stimulus type (ansigt, hus og mosaik) og orientering (opretstående og omvendt). Betydelig svar blev identificeret ved hjælp af en FWE-korrigeret omfang tærskel p < 0,05 med en højde grænse for p < 0,001 (ukorrigeret). Kontrasterne test ansigt effekt (opretstående ansigt vs oprejst mosaik) konsekvent afsløret betydelige hurtig (110-500 ms) gamma-band aktivitet (figur 6a). Kontrasterne test ansigt-inversion effekt (opretstående ansigt vs. inverted ansigt) afsløret betydelige gamma band aktivitet ved en senere periode (195-500 ms).

DCM induceret svar

DCM af inducerede svarene blev anvendt til at teste de funktionelle netværksmodeller IOG og amygdala. Til både ansigt og ansigt-inversion virkninger, overskridelse sandsynligheder af random-effects Bayesian model udvalg oplyste, at modellen med intra-regionale modulerende connectivity i både regioner og tovejs interregionale modulerende forbindelsen var den mest sandsynlige blandt alle mulige modeller (fig. 6b).

Næste, vi kontrollerede de spektrale profiler af de modulerende koblinger i den bedste model. Betydelige virkninger blev vurderet for den hele spektrale vifte med en højde grænse for p < 0,05 (ukorrigeret). Væsentlig samme - og cross-frekvens modulerende koblinger blev observeret for både handel og Inter-Diesel regionale tilslutning både ansigt og ansigt-inversion virkninger (figur 6 c). For eksempel, som de intra-regionale graduering af ansigt effekt viste amygdala negative gamma-gamma samme - og beta-gamma cross-frekvens koblinger. I mellemtiden, intra-IOG graduering viste en positiv cross-frekvens kobling i frekvensbåndet theta/alpha/beta-gamma. Desuden som den interregionale kobling af effekten ansigt IOG -> amygdala graduering afslørede en profil, hvor theta/alpha bandet i IOG lettet gamma bandet i amygdala. Amygdala -> IOG graduering, gamma bandet i amygdala hæmmede theta/alpha band og samme frekvens gamma bandet i IOG. For effekten ansigt-inversion-lignende amygdala > IOG graduering, hvor gamma band i amygdala hæmmes gamma bandet i IOG, blev observeret. Dog for IOG -> amygdala graduering, theta/alfa-gamma foreningen observeret i ansigt effekt var ikke indlysende.

Figure 1
Fig. 1: Illustration af generation af retssag intrakraniel electroencefalografi data. Venligst klik her for at se en større version af dette tal.

Figure 2
Figur 2: grafiske brugergrænseflader af statistiske parametrisk kortlægning (SPM) software for tid-frekvens analyser. (1) SPM menu. (2) tidsfrekvens analyse. (3) beskæring. (4) baseline korrektion. (5) konvertering. (6) Gulvafslibning. (7) statistisk model. (8) model skøn. (9) kontrast. (10) statistisk inferens. Venligst klik her for at se en større version af dette tal.

Figure 3
Figur 3: Flowchart af tid-frekvens analyse ved hjælp af statistiske parametrisk kortlægning (SPM) software. (en) Forbered den forhåndsbehandlede intrakraniel electroencefalografi (EEG) data for hvert forsøg. (b) adfærd tidsfrekvens (TF) nedbrydning for EEG data ved hjælp af kontinuerlig wavelet omdanne. (c) afgrøde, log-transform og baseline korrekte for TF kort. (d) konvertere TF kort til todimensional (2D) billeder. (e) Enter 2D billeder ind i den generelle lineære model. (f) udføre statistiske slutninger på TF SPM {T}-data. Venligst klik her for at se en større version af dette tal.

Figure 4
Figur 4: grafiske brugergrænseflader af statistiske parametrisk kortlægning (SPM) software til dynamisk kausale analyser, modellering (DCM). (1) SPM menu. (2) DCM menu. (3) Bayesian model udvalg. (4) gulvafslibning. (5) statistisk model. (6) model skøn. (7) kontrast. (8) statistisk inferens. Venligst klik her for at se en større version af dette tal.

Figure 5
Figur 5: Flowchart af dynamiske kausale modellering af inducerede svar. (en) beregne tid-frekvens spektrene for hver prøveversion af den målrettede flere elektroder (ringere occipital gyrus (IOG) og amygdala i vores eksempel) ved hjælp af kontinuerlig wavelet nedbrydning. Gennemsnitlig spektrale omfanget af tid-hyppighed svar at give den inducerede respons. Derefter definere drivende input, iboende forbindelser og graduering af iboende forbindelser af eksperimentelle manipulationer. Konstruere modeller for at afprøve hypoteser og vurdere modellerne. (b) adfærd en random-effects Bayesian model udvalg analyse til at identificere den optimale model. (c) konvertere frekvens-frekvens modulerende kobling parametre til todimensionale (2D) billeder (med gulvafslibning). Derefter udføre random-effects generelle lineære model analyser og beregner de 2D SPM {T}-værdier. Venligst klik her for at se en større version af dette tal.

Figure 6
Figur 6: repræsentative resultater. (en) tidsfrekvens kort over lige ringere occipital gyrus (IOG) aktivitet for den opretstående ansigt (FU, venstre) og oprejst mosaik (MU, midten) betingelser. SPM {T} data for FU versus MU er også vist (til højre). (b) funktionelle netværksmodeller i IOG og amygdala. Otte mulige kombinationer af modulerende input af FU versus MU på forbindelser mellem IOG og amygdala og selvstændige forbindelse på hver region blev undersøgt. (c) frekvens-frekvens modulerende kobling parametre og SPM {T} værdier for FU versus MU af IOG -> amygdala og amygdala -> IOG graduering er vist. Rød-gul og blå-cyan klatter angiver betydelige positive/excitatoriske og negativ/hæmmende connectivity, henholdsvis. Venligst klik her for at se en større version af dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

De analytiske protokoller intrakraniel EEG data ved hjælp af SPM software indført heri har flere fordele sammenlignet med funktionel MRI. Først, protokollerne kan skildre neurale aktivering med en høj tidsmæssige opløsning. Resultaterne viser derfor, om de kognitive korrelerer af neurale aktivering er gennemført på tidlige og sene stadier af forarbejdning. I vores eksempel, blev ansigt effekt identificeret i de meget tidlige stadier (dvs. 110 ms) af visuelle forarbejdning. Desuden en sammenligning af de tidsmæssige profiler af neurale aktivitet relateret til forskellige psykiske funktioner giver interessant konsekvenser. Især afslørede vores eksempel forskellige aktivisering gange for effekterne ansigt og ansigt-inversion, begynder på 115 ms og 165 ms, henholdsvis i IOG. Sådan rig tidsmæssig information kan uddybe vores forståelse af neurokognitive mekanismer.

Derudover kan protokollerne skildrer intra og Inter-Diesel regionale neurale connectivity. Data fra andre neurovidenskabelige foranstaltninger, såsom hæmodynamiske signaler og hovedbund-indspillet elektromagnetiske signaler, indeholder en stor mængde af støj og kræver vurdering baseret på flere hypoteser til at udtrække de oprindelige elektriske signaler, som kan fordreje den resulterende neurale connectivity. Analyse af direkte registrerede elektriske signaler er derfor værdifulde. Som en illustration, selv om vores resultater viste funktionelle kobling mellem IOG og amygdala under behandling af ansigt, blev sådan kobling ikke fundet i en tidligere analyse af funktionel MRI data24. Forstå neurale mekanismer kræver identifikation af årsagssammenhænge mellem neurale kredsløb, som kræver tidsmæssige oplysninger i neurale aktivering.

Det er dog vigtigt at bemærke, at den optimale protokol, der bruges til at registrere og analysere intrakraniel EEG fortsat er omdiskuterede. For eksempel, har metodologiske undersøgelser antydet, at referenceelektroder kan afhente kropslige fysiologiske artefakter (fx, øjenbevægelser og muskel aktivitet) og ekstern støj og referenceelektroder for passende stilling intrakraniel EEG stadig for at være fast besluttet på25,26. Flere forbehandling metoder (f.eks.filtrering og ikke-lineære transformationer) til at fjerne artefakter (fx, epileptisk aktivitet) har foreslået, selv om de er under debat27. En undersøgelse rapporterede også, at tidsfrekvens analyser ved hjælp af wavelet nedbrydning kunne sløre toppe i de oprindelige data28, og alternative analysemetoder, som Hilbert-Huang transformering, kan tilbyde bedre tidsmæssige resolutioner29. Udvinding af de høje frekvenser kan også forbedres ved hjælp af sådanne metoder30. Det er blevet bemærket, at cross-frekvens kobling kunne være forudindtaget ved skarpe ikkelineære transienter og kontrollere for sådanne forstyrrende virkninger er nødvendige31,32,33. Flere forskellige analytiske metoder er blevet foreslået for analyse af intra - og Inter-Diesel - regionale kobling, såsom låsning af fase værdi16, vejede fase lag indeks34, og Grander kausalitet35, og det er fortsat uklart hvilke analyser og parametre (fx, frekvens) er den mest relevante for kognitiv behandling3. I nogle tilfælde, intrakraniel EEG data kan ikke tilfredsstille parametrisk antagelser og ikke-parametriske analyser kan være optimal36. For nylig, andre analytiske protokoller har været foreslået37; sammenlignet med andre protokoller, kan der er baseret på SPM software have unikke potentiale til at skabe en samlet ramme for analysen af forskellige typer af neurovidenskabelige data38. Forskere skal betale meget opmærksom på fremskridt i analytiske protokoller intrakraniel EEG data.

I Resumé indførte vi analytisk protokoller, som vi for nylig anvendt til at analysere intrakraniel EEG data, som omfatter tid-frekvens SPM analyse, cross-frekvens kobling og DCM induceret svar. Vi mener, at disse analytiske protokoller kan identificere neurale korrelerer af kognitive funktioner med høj rumlige og tidsmæssige profiler.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ikke noget at oplyse.

Acknowledgments

Denne undersøgelse blev støttet af midler fra Benesse Corporation, Japan samfund til fremme af videnskab (JSP'ER) støtte Program for næste Generation verdens førende forskere (LZ008), organisationen for at fremme forskning i nervesystemets udvikling, og 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

Neurovidenskab spørgsmål 140 cross-frekvens kobling dynamisk kausale modellering (DCM) ansigt gamma svingning ringere occipital gyrus intrakraniel electroencefalografi (EEG) tid-frekvens analyse
Analysere neurale aktivitet og forbindelse med intrakraniel EEG Data med SPM Software
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