Waiting
Login processing...

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

Neuroscience

利用 SPM 软件分析颅内脑电图数据的神经活动和连接性

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

我们提出两种分析协议, 可用于分析颅内脑电图数据使用统计参数映射 (SPM) 软件: 时间-频率统计参数映射分析的神经活动, 和动态因果关系对内部和区域间连通性的诱导响应建模。

Abstract

在高空间和时间分辨率下测量与认知功能相关的神经活动和连通性是认知神经科学的一个重要目标。颅内脑电图 (EEG) 可以直接记录电神经活动, 并具有实现这一目标的独特潜力。传统上, 应用平均分析法分析颅内脑电图数据;然而, 有几种新的技术可以用来描述神经活动和区域间的连接。在这里, 我们引入了两个分析协议, 我们最近使用统计参数映射 (SPM) 软件分析颅内脑电图数据: 时间-频率 SPM 分析的神经活动和动态因果模型的诱发反应内部和区域间的连接。我们报告我们的颅内脑电图数据的分析在面部观察作为代表性的结果。结果表明, 下枕回 (内部监督组) 在早期阶段 (110 ms) 表现为对面部的伽玛波段活动, 内部监督组和杏仁核均使用各种类型的振荡表现出快速的内、区域间连通性。这些分析协议有可能识别具有高空间和时态轮廓的认知功能的神经机制。

Introduction

在高空间和时间分辨率下测量与认知功能相关的神经活动和连接性是认知神经科学的主要目标之一。然而, 完成这个目标并不容易。一种常用的记录神经活动的方法是功能磁共振成像 (MRI)。虽然功能磁共振成像提供了一些优势, 如在毫米水平和非侵入性记录的高空间分辨率, 功能磁共振成像的一个明显的缺点是它的低时间分辨率。此外, 功能磁共振成像测量血氧水平依赖性信号, 这只是间接反映电神经活动。受欢迎的电生理方法, 包括脑电图 (eeg) 和脑磁图 (MEG), 在毫秒级有很高的时间分辨率。然而, 他们有相对较低的空间分辨率, 因为他们记录在头皮的电/磁信号, 必须解决困难的反问题, 以描绘大脑活动。

颅内脑电图可直接记录高时间 (毫秒) 和空间 (厘米) 分辨率1的电神经活动。这一措施可以为了解神经活动和连接提供有价值的机会, 尽管它有明确的局限性 (例如, 可测量区域仅限于临床标准)。一些颅内脑电图研究应用传统的平均分析来描述神经活动。虽然平均分析可以灵敏地检测锁定和低频波段激活, 但它无法检测到非锁相和/或高频 (例如伽玛波段) 激活。此外, 在颅内脑电图记录的文献中还没有深入分析功能性神经耦合。最近开发了几种新技术来描述功能磁共振成像和脑电图/MEG 记录中的神经活动和区域间连接, 可用于分析颅内脑电图数据。

在这里, 我们介绍了最近使用统计参数映射 (SPM) 软件分析颅内脑电图数据的分析协议。首先, 为了揭示何时, 以及在哪个频率, 大脑区域可以被激活, 我们执行时频 SPM 分析2。该分析利用连续小波变换同时分解时间和频域, 用随机场理论对时频映射中的族误差 (少数) 率进行了适当的校正。其次, 为了揭示大脑区域的沟通方式, 我们应用了诱发反应的动态因果模型 (DCM)4。DCM 支持对有效连通性的调查 (例如,大脑区域之间的因果和方向影响5)。尽管 dcm 最初被建议为分析功能性 MRI 数据5的工具, 但已将诱导反应的 dcm 扩展到电生理信号的时变功率谱分析4。此分析允许描述内部和区域间的神经连接。一些神经生理学研究表明, 局部区域内计算和远距离区域间通信主要使用伽玛和θ波段振荡, 它们的相互作用 (例如截留) 可以由θ-伽玛十字频率耦合3、6、7、8反射。本报告侧重于数据分析协议;如欲了解颅内脑电图的背景信息9、10和记录协议11 , 请参阅文献。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

我们的研究得到了当地机构伦理委员会的批准。

1. 基本信息

注: 分析协议可应用于各种类型的数据, 不受特定参与者、电极、参考方法或电极位置的限制。在本例中, 我们测试了六名患有药理顽固性病灶癫痫的患者。我们测试了在感兴趣区域没有癫痫灶的患者。

  1. 在靶电极的认知实验中记录颅内脑电图数据。
    1. 植入深度电极采用立体定向法12。
    2. 使用硬膜下铂电极 (直径: 2.3 毫米) 和深度铂电极 (直径: 0.8 毫米) 同时测量皮质和皮质下活动, 分别。
    3. 将参考电极放置在中线背前额区域的头骨表面上, 电极接触面远离颅骨, 以避免参照激活12。
    4. 放大数据, 在线过滤 (带通: 0.5–300 hz), 采样频率为 1000 hz。
    5. 记录和统计删除与眼球运动相关的工件, 另外记录 electrooculograms。根据理论兴趣选择目标电极。此外, 使用单个 MRI 和计算机断层扫描数据检查电极位置。
  2. 样品和预处理颅内脑电图数据 (图 1)。
    注意: 分析协议可应用于各种类型的数据, 而不受特定数据长度或预处理方法的限制。
    1. 在这里, 样本数据在 3000 ms (刺激前: 1000 ms; 后刺激: 2000 ms) 为每个试验。
    2. 因为这里的参与者在某些试验中显示异常的高振幅活动, 可能与癫痫有关, 因此使用预定义阈值 (> 800 和 > 5 SD) 排除这些异常试验。根据实验目标和条件, 可能需要其他预处理步骤, 包括目视检查和独立成分分析。
  3. 将 EEG 系统本机格式转换为基于 MATLAB 的 SPM 格式 (cf. SPM12 手册12.1 和 12.2)。
    注: 通过选择 spm 批编辑器接口中的转换并指定所有必需的输入参数, 可以直接将大多数 EEG 数据格式导入 spm 软件。另一种可能的方法是在 spm 程序目录的 man/example_scripts 子目录中使用示例脚本 "spm_eeg_convert_arbitrary_data"。此脚本提供了一种方便的方式来转换 ASCII 文件或 MAT 文件, 可以导出由许多脑电图系统与 SPM 格式。

2. 时频 SPM 分析

  1. 设置 SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) 并使用 m-/脑电图分析菜单13 (图 2)。
  2. 执行 time–frequency spm 分析2通过在 SPM 菜单中选择 "时间-频率分析", 使用基于预定义参数的 Morlet 小波连续小波分解对每次试验的颅内脑电图数据进行预处理 (图 3)。
    注: 小波变换通过多频率14的小波卷积颅内脑电图数据, 揭示频谱分量的时间演化。
    1. 在这里, 使用七循环 Morlet 小波对整个纪元 (-1,000–2,000 ms) 和 4–300 Hz 的频率范围进行小波分解。
    2. 根据先前的研究15确定母小波和周期数。请注意, 小波中的周期数控制 time–frequency 分辨率, 建议大于5以确保估计稳定性13。
    3. 根据研究兴趣确定时间和频率范围。
  3. 通过在 SPM 菜单中选择"裁剪"自动裁剪生成的 time–frequency 贴图, 以移除边缘效果。在这里, 裁剪 time–frequency 映射到-200–500台 ms。
  4. 通过在 time–frequency 地图的 SPM 菜单中选择"时间-频率重设" 来执行数据转换 (可选) 和基线校正, 以便更好地可视化事件相关的电源变化, 并提高数据的正常性。
    注意: 在这里, time–frequency 地图是对数转换和基线 (-200–0 ms)-修正。
  5. 通过在 SPM 菜单中选择"Convert2Images" , 将 time–frequency 地图转换为二维 (2D) 图像。
    1. 使用具有预定义全角半最大 (FWHM) 值的高斯内核进行平滑处理, 以补偿主体间的变异性, 并符合统计推断中使用的随机场理论的假设2,13.
      注意: 在这里, time–frequency 地图被平滑与一个高斯内核的 FWHM 的 96 ms 在时间域和 12 Hz 在频率域基于以前的研究2。
  6. 通过在 SPM 菜单中选择"指定第一级" , 在常规线性模型中输入2D 图像。
  7. 通过在 SPM 菜单中选择"模型估计"来估计一般线性模型。
  8. 在 spm 菜单中选择"结果" , 根据随机场理论2对 time–frequency SPM {T} 数据执行统计推断。使用预定义的阈值检测显著激活的 time–frequency 群集 (可能会对多个比较进行更正)。
    注意: 在这里, 使用 p < 0.001 (未校正) 的高度阈值的p < 0.05 的范围阈值, 这是少数校正的多个比较。

3. 诱发反应的 DCM

  1. 设置 SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) 并使用 m-/脑电图分析菜单13 (图 4)。
    1. 单击 SPM 菜单中的"dcm"按钮开始 dcm 分析。在列表框中选择"IND" , 激活诱发响应的 DCM。通过单击 DCM 中的"新数据"来导入预处理的颅内脑电图数据菜单。
  2. 指定感兴趣的时间窗口、感兴趣的条件、所选条件的对比度 (这定义了以后在网络规范中使用的调制输入)、感兴趣的频率窗口以及用于 "M/脑电图" 菜单的 DCM 中的小波周期数 (图 5)。
    1. 使用五循环 Morlet 小波 (4–100 hz 在 1 hz 步骤), 并将时间窗口设置为 1–500 ms。
    2. 根据默认设置确定小波周期。请注意, 软件建议值大于 5, 以确保估计稳定性13。time–frequency 范围是根据我们的研究兴趣确定的。请注意, 在计算过程中自动使用附加± 512 ms 的时间窗口来删除边缘效果。
  3. 基于 DCM 框架4,5, 定义 (1) 驱动输入, 表示神经状态的感官输入;(2) 内在连接, 它体现了神经状态与自我连接之间的基线连通性;(3)通过对空和虚模型的实验操作, 调节对固有连接的影响。还将调制的类型定义为线性 (频率范围内) 或非线性 (频率之间)。
    1. 在 DCM 中为 "M/脑电图" 菜单指定内部 (线性和非线性) 连接、驱动输入和调制输入。
    2. 如有必要, 修改一些相关参数的默认设置 (例如,先前的刺激起始时间和持续时间)。通过在 "M/脑电图" 菜单的 dcm 中选择"反转 dcm"来估算模型。之后选择将结果保存为 img , 以节省频率调节耦合参数图像。
  4. 通过在 DCM 中单击"BMS"以确定最佳网络模型, 进行随机效应贝叶斯模型选择 (bms) 分析17 。使用模型预期概率和/或超越概率作为评估度量值。
  5. 使用 SPM 菜单对调节连接的交叉频率模式进行推断 (参见步骤 2)。
    1. 在 SPM 菜单中选择"Convert2Images" , 平滑调节耦合参数图像。
    2. 通过在 SPM 菜单中选择"指定第二级"来执行常规线性模型分析。
    3. 通过在 spm 菜单中选择 "结果" 来计算 2D spm {T} 值。
      注意: 在这里, FWHM 设置为 8 Hz 基于上一个研究4。exploratorily 使用p < 0.05 的高度阈值 (未校正) 确定显著值。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

使用本文提供的协议, 我们分析了颅内脑电图数据, 以响应面18,19。我们在被动查看面部、马赛克和房屋的直立和倒置方向上记录了六名患者的数据。直立面与直立马赛克 、直立面与直立房屋的对比揭示了脸部效应 (即相对于其他物体的面部特定的大脑活动)。直立面与倒置面的对比揭示了人脸反转效应 (结构信息/整体处理20)。作为 time–frequency 分析和 phase–amplitude 交叉频率耦合的目标区域, 我们选择了基于先前神经心理学21和神经影像22发现的右下枕回 (内部监督组)。对于 DCM, 我们测试了内部监督组和杏仁核在面部处理过程中根据先前的解剖证据23构成功能网络的模型。

时频分析

采用时频分析研究了内部监督组在面部处理过程中的时间和频率分布情况。时间-频率图被转换成2D 图像, 并进入一般线性模型与刺激类型 (面, 房子和马赛克) 和方向 (直立和倒置) 的因素。使用p < 0.05 的少数校正范围阈值 ( p < 0.001 的高度阈值 (未校正) 确定显著响应。对比测试面部效果 (直立面与直立式马赛克) 一致地显示了显著的快速 (110-500 ms) 伽玛波段活动 (图 6a)。对比试验的人脸反转效果 (直立面与倒置面) 显示了显著的伽玛波段活动在后期 (195-500 毫秒)。

诱发反应的 DCM

应用诱导反应 DCM 测试内部监督组和杏仁核的功能网络模型。对于面反演效应, 随机效应贝叶斯模型选择的超越概率表明, 该模型具有区域内调节连通性和双向区域间调节连接性是所有可能的模型中最有可能的 (图 6b)。

接下来, 我们在最佳模型中检查了调节联轴器的光谱剖面。对具有p < 0.05 (未校正) 高度阈值的整个光谱范围进行了显著的效果评估。同时观察到面和面反转效应之间和区域间连通性的显著相同和交叉频率的调节联轴器 (图 6c)。例如, 由于面部效应的区域内调制, 杏仁核显示负伽玛伽玛γ和β-伽玛交叉频率耦合。同时, 内部监督组内调制显示了θ/α/β-伽玛波段内的正交叉频率耦合。此外, 作为面部效应的区域间耦合, 内部监督组 > 杏仁核调制揭示了内部监督组中的θ/α带促进了杏仁核中伽玛带的轮廓。对于杏仁核 > 内部监督组调制, 杏仁核中的伽玛带抑制内部监督组中的θ/α带和同频伽玛波段。对于面部反转效应, 杏仁核 > 内部监督组的调制, 在其中的伽玛带在内部监督组中抑制伽玛带的观察。然而, 对于内部监督组 > 杏仁核调制, 在面部效果观察到的θ/α-伽玛协会是不明显的。

Figure 1
图 1: 实验性颅内脑电图数据的生成例证.请点击这里查看这个数字的更大版本.

Figure 2
图 2: 用于时间频率分析的统计参数化映射 (SPM) 软件的图形用户界面.(1) SPM 菜单。(2) 时频分析。(3) 裁剪。(4) 基线校正。(5) 转换。(6)平滑。(7) 统计模型。(8) 模型估计。(9) 对比度。(10) 统计推断。请点击这里查看这个数字的更大版本.

Figure 3
图 3: 使用统计参数化映射 (SPM) 软件进行时频分析的流程图.(a) 准备每项试验的预处理颅内脑电图 (EEG) 数据。(b) 使用连续小波变换对脑电图数据进行时间频率 (TF) 分解。(c) 对 TF 地图进行裁剪、对数转换和基线校正。(d) 将 TF 地图转换为二维 (2D) 图像。(e) 将2D 图像输入到一般线性模型中。(f) 对 TF SPM {T} 数据执行统计推断。请点击这里查看这个数字的更大版本.

Figure 4
图 4: 用于动态因果建模 (DCM) 分析的统计参数化映射 (SPM) 软件的图形用户界面.(1) SPM 菜单。(2) DCM 菜单。(3) 贝叶斯模型选择。(4) 平滑。(5) 统计模型。(6) 模型估计。(7) 对比度。(8) 统计推断。请点击这里查看这个数字的更大版本.

Figure 5
图 5: 诱发反应动态因果模型的流程图.(a) 使用连续小波分解计算靶向多电极 (下枕后回 (内部监督组) 和杏仁核) 每次试验的时频谱。平均时频响应的频谱大小, 以产生诱导响应。然后, 通过实验操作定义内部连接的驱动输入、固有连接和调制。构建模型来测试假设和估计模型。(b) 进行随机效应贝叶斯模型选择分析, 以确定最佳模型。(c) 将频率频率调节耦合参数转换为二维 (2D) 图像 (带平滑)。然后, 执行随机效应一般线性模型分析并计算 2D SPM {T} 值。请点击这里查看这个数字的更大版本.

Figure 6
图 6: 代表性结果.(a) 直立面 (傅左) 和直立马赛克 (MU; 中) 条件下右下枕回 (内部监督组) 活动的时间频率图。还显示了傅vs MU 的 SPM {T} 数据 (右图)。(b) 内部监督组和杏仁核中的功能性网络模型。研究了八种可能的调节输入与内部监督组和杏仁核之间的连接, 并将其与每个区域的自连接结合在一起。(c) 显示了内部监督组-> 杏仁核和杏仁核 > 内部监督组调制的频率-频率调节耦合参数和 SPM {T} 值。红黄色和蓝青色的斑点分别表示显著的阳性/兴奋和阴性/抑制连接。请点击这里查看这个数字的更大版本.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

本文介绍的基于 SPM 软件的颅内脑电图数据分析规程与功能磁共振成像相比具有多种优点。首先, 这些协议可以在高时间分辨率下描述神经激活。因此, 研究结果表明, 神经激活的认知相关性是否在处理的早期或后期实现。在我们的示例中, 在视觉处理的早期阶段 (即110 ms) 中标识了面效果。此外, 与不同的心理功能相关的神经活动的时态剖面的比较提供了有趣的含义。特别是, 我们的例子揭示了不同的激活时间的脸和脸反转效果, 开始在 115 ms 和 165 ms, 分别在内部监督组。这种丰富的时态信息可以加深我们对神经认知机制的理解。

此外, 这些协议可以描述内部和区域间的神经连接。来自其他神经科学措施的数据, 如血流动力学信号和头皮记录的电磁信号, 包含大量的噪声, 需要根据几个假设提取原始电信号来估计, 这可能会扭曲由此产生的神经连接性。因此, 直接记录电信号的分析是有价值的。作为一个例证, 虽然我们的结果显示在面部处理过程中内部监督组和杏仁核之间的功能耦合, 这种耦合在以前的功能磁共振成像数据分析中没有发现24。了解神经机制需要识别神经回路之间的因果关系, 这需要神经激活的时态信息。

然而, 重要的是要注意, 用于记录和分析颅内脑电图的最佳协议仍在辩论中。例如, 方法学研究表明, 参考电极可以提取身体的生理产物 (如眼球运动和肌肉活动) 和环境噪声, 以及合适的参考电极位置颅内脑电图仍有待确定25,26。提出了一些预处理方法 (例如滤波和非线性变换) 来去除工件 (例如, 癫痫活动), 尽管它们正在辩论27。一项研究还报告说, 使用小波分解的时间频率分析可能会模糊原始数据28中的峰值, 而替代的分析方法, 如希尔伯特-黄变换, 可以提供更好的时态分辨率29。使用这种方法30也可以提高高频范围的提取。人们注意到, 交叉频率耦合可能会受到尖锐非线性瞬态的影响, 因此需要31、32、33等混杂效应的控制。本文提出了几种不同的分析方法, 对区域间耦合 (如锁相值16、加权相位滞后指数34和更宏伟的因果关系35) 进行解析, 目前尚不清楚哪些分析和参数 (例如, 频率) 是最相关的认知处理3。在某些情况下, 颅内脑电图数据可能不满足参数假设和非参数分析可能是最佳36。最近还提出了37的其他分析议定书;与其他协议相比, 基于 SPM 软件的系统可能具有独特的潜力, 可以为各种类型的神经科学数据38的分析提供统一的框架。研究人员应密切注意颅内脑电图数据分析规程的进展。

总之, 我们介绍了最近用于分析颅内脑电图数据的分析方案, 包括时频 SPM 分析、交叉频率耦合和诱发反应的 DCM。我们相信这些分析协议可以识别具有高空间和时态特征的认知函数的神经关联。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

作者没有什么可透露的。

Acknowledgments

这项研究得到了倍乐生之公司, 日本促进科学协会 (jsp) 资助计划为下一代世界领先的研究人员 (LZ008), 促进神经发育紊乱研究组织的资金支持,和 jsp KAKENHI (15K04185; 18K03174)。

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

神经科学 问题 140 交叉频率耦合 动态因果建模 (DCM) 面部 伽玛振荡 下枕回 颅内脑电图 (EEG) 时频分析
利用 SPM 软件分析颅内脑电图数据的神经活动和连接性
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