Waiting
Login processing...

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

Neuroscience

ניתוח פעילות עצבית וקישוריות באמצעות נתוני EEG תוך-גולגולתי בתוכנה SPM

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

אנו מציגים שני פרוטוקולים אנליטי שיכול לשמש לניתוח נתונים אלקטרואנצפלוגרם תוך-גולגולתי שימוש בתוכנה פרמטרית סטטיסטי-מיפוי (SPM): מיפוי פרמטרית סטטיסטי זמן-תדר ניתוח פעילות עצבית, הסיבתי דינמי מידול המושרה תגובות עבור קישוריות "אינטרה" בין regional.

Abstract

מדידת פעילות עצבית וקישוריות המשויכים פונקציות קוגניטיביות ברזולוציות גבוהות יכולות הוא מטרה חשובה והקוגניציה. תוך-גולגולתי אלקטרואנצפלוגרם (EEG) ניתן להקליט ישירות חשמל פעילות עצבית, יש את הפוטנציאל הייחודי כדי להשיג מטרה זו. באופן מסורתי, בממוצע ניתוח הוחל לניתוח נתונים תוך-גולגולתי EEG; עם זאת, מספר טכניקות חדשות זמינות עבור המתארים קישוריות פעילות של "אינטרה" בין regional עצבית. . כאן, אנחנו מציגים שני פרוטוקולים אנליטי לאחרונה הוספנו כדי לנתח נתונים EEG תוך-גולגולתי באמצעות תוכנה סטטיסטית פרמטרית מיפוי (SPM): זמן-תדר SPM ניתוח של פעילות עצבית ועיצוב דינמי סיבתי המושרה תגובות עבור "אינטרה" בין regional קישוריות. מדווחים שלנו ניתוח של נתוני EEG תוך-גולגולתי במהלך הצפיה פרצופים כתוצאות נציג. התוצאות חשף כי הכישור העורפית נחות (הלוגו) הראו פעילות גמא-band-בשלבים מוקדמים מאוד (110 ms) בתגובה פרצופים, הן את הלוגו ואת אמיגדלה הראה מהירה "אינטרה" בין regional קישוריות באמצעות סוגים שונים של תנודות. פרוטוקולים אנליטי אלה יש הפוטנציאל לזיהוי המנגנונים העצביים תפקודים קוגניטיביים עם פרופילים יכולות גבוהות.

Introduction

מדידת פעילות עצבית וקישוריות המשויכים פונקציות קוגניטיביות ברזולוציות גבוהות יכולות היא אחת המטרות של מדעי המוח הקוגניטיביים. עם זאת, השגת מטרה זו אינה קלה. אחת השיטות הפופולריות שישמשו להקלטת פעילות עצבית הוא פונקציונלי תהודה מגנטית (MRI). למרות MRI פונקציונלי מציע מספר יתרונות, כגון רזולוציה מרחבית גבוהה מילימטר ברמה, ההקלטה לא פולשנית, בעמדת נחיתות ברורה של MRI פונקציונלי הוא שלה ברזולוציה הטמפורלית נמוכה. בנוסף, MRI פונקציונלי מודד דם חמצן-רמת-תלויי-אותות, אשר רק בעקיפין משקפים פעילות עצבית חשמלי. שיטות אלקטרופיזיולוגיות פופולריות, כולל אלקטרואנצפלוגרם (EEG) ועל מגנטואנצפלוגרפיה (מג), יש ברזולוציות גבוהות טמפורלית ברמת אלפיות השנייה. עם זאת, יש להם רזולוציות המרחבי נמוך יחסית, משום שהם להקליט אותות חשמליים/מגנטי הקרקפת חייב לפתור בעיות קשות הפוך כדי לתאר את פעילות המוח.

EEG תוך-גולגולתי ניתן להקליט ישירות חשמל פעילות עצבית גבוהה טמפורלית (אלפית שנייה), החלטות מרחביות (סנטימטר)1. אמצעי זה יכול לספק הזדמנויות יקרי ערך להבין פעילות עצבית, קישוריות, למרות שיש לו גבולות ברורים (למשל, מדיד אזורים מוגבלים קריטריונים קליניים). מספר מחקרים EEG תוך-גולגולתי החלת ניתוח מסורתי חישוב ממוצע רגיל כדי לתאר פעילות עצבית. למרות בממוצע ניתוח יכול לזהות ברגישות להקת בתדר נמוך נעול זמן ההפעלה, הוא אינו יכול לזהות הלא-נעילת פאזה ו/או הפעלת בתדירות גבוהה (למשל, פס גמא). בנוסף, צימוד עצבית תפקודית שלא נותחה לעומק הספרות על הקלטות EEG תוך-גולגולתי. מספר טכניקות חדשות פותחו לאחרונה כדי לתאר את קישוריות פעילות של "אינטרה" בין regional עצבית בהקלטות פונקציונלי MRI ו- EEG/מג, אשר יכול להיות מיושם כדי לנתח נתונים EEG תוך-גולגולתי.

כאן, אנחנו מציגים את הפרוטוקולים אנליטי אנחנו התקינו לאחרונה כדי לנתח נתונים EEG תוך-גולגולתי באמצעות תוכנה סטטיסטית פרמטרית מיפוי (SPM). ראשית, כדי לחשוף את מתי, באיזו תדירות, האזורים במוח יכול להיות מופעל, ביצענו ניתוח SPM זמן-תדר2. ניתוח זה מפרקת את זמן ותדירות תחומים בו זמנית באמצעות המרה אדוה רציפה ומתקנת בהתאם שיעור שגיאה family-wise (FWE) ב המפות זמן-תדר באמצעות התיאוריה שדה אקראי. שנית, כדי לחשוף כמה אזורים במוח לתקשר, והגשנו בקשה מידול סיבתי דינמי (DCM) של תגובות המושרה4. DCM מאפשר החקירה של קישוריות יעיל (קרי, השפעות סיבתי כיוונית בין אזורי המוח5). למרות DCM הוצע במקור ככלי לניתוח נתונים MRI פונקציונלי5, DCM תגובות המושרה הוארך כדי לנתח את ספקטרום כוח משתנה הזמן של אותות אלקטרופיזיולוגיות4. ניתוח זה מאפשר תיאור של שני regional אינטרה בין עצביים קישוריות. Neurophysiological מספר מחקרים הראו כי חישובי אינטרה-אזורית מקומית ותקשורת בין-אזורית ארוכי טווח משתמשים בעיקר גמא-תטה-להקת תנודות, בהתאמה, האינטראקציות שלהם (למשל, entrainments) יכול יבואו לידי ביטוי על ידי תטא-גמא צימוד בין תדר3,6,7,8. דו ח זה מתמקד פרוטוקול אנליטי של נתונים; מבט כולל על רקע מידע9,10 , פרוטוקולי ההקלטה11 של EEG תוך גולגולתי, נא עיין בספרות.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

המחקר שלנו אושרה על ידי ועדת האתיקה מוסדיים מקומיים.

1. מידע בסיסי

הערה: ניתן להחיל את הפרוטוקולים אנליטי לסוגים שונים של נתונים ללא כל מגבלות לגבי המשתתפים ספציפיים, אלקטרודות, שיטות של אסמכתא או מיקומים אלקטרודה. בדוגמה שלנו, בדקנו שישה חולים שסובלים מאפילפסיה מוקד פרמקולוגית סורר. בדקנו חולים שעברו אין מוקדים אפילפטיים באזורי עניין.

  1. רשומות נתונים EEG תוך-גולגולתי במהלך הניסוי קוגניטיבית-האלקטרודות היעד.
    1. משתילים אלקטרודות עומק באמצעות שיטת סטיאוטטי12.
    2. השתמש לשטף אלקטרודות הפלטינה (קוטר: 2.3 מ מ) ואלקטרודות עומק פלטינה (קוטר: 0.8 מ מ) למדוד בו זמנית את פעילות קורטיקלית, subcortical, בהתאמה.
    3. במקום הפניה אלקטרודות על פני השטח של הגולגולת של קו האמצע הגבי באזור פרונטלי, עם הקשר של האלקטרודות מופנה הגולגולת כדי למנוע הפעלת הקשרים12.
    4. להגביר את הנתונים, סינון באינטרנט (מעבר הלהקה: 0.5 – 300 הרץ), ודוגמה ב 1,000 הרץ.
    5. כדי להקליט ולהסיר סטטיסטית חפצים הקשורים עם תנועות עיניים, בנוסף שיא electrooculograms. בחר האלקטרודות היעד בהתבסס על תחומי עניין תיאורטי. בנוסף, משתמשים בודדים MRI ו טומוגרפיה נתונים כדי לבדוק את מיקומי אלקטרודה.
  2. לטעום, של תהליך מוקדם נתוני EEG תוך-גולגולתי הניסוי (איור 1).
    הערה: ניתן להחיל את הפרוטוקולים אנליטי לסוגים שונים של נתונים ללא כל הגבלה או נתונים באורך מסוים או שיטות preprocessing.
    1. כאן, דגום נתונים במהלך 3,000 ms (גירוי מקדים: ms 1000; גירוי שלאחר: 2,000 ms) בכל ניסוי.
    2. כי המשתתפים כאן הראה באופן חריג משרעת גבוהה פעילות כמה ניסויים, לניב אפילפסיה, לא לכלול המבחנים כאלה חריג חשוד טעות באמצעות ספי מוגדרים מראש (> 800 μV ו- > 5 SD). צעדים preprocessing אחרים, כולל בדיקה ויזואלית וניתוח רכיב עצמאי, עשוי להידרש בהתאם מטרות הניסוי והתנאים.
  3. להמיר תבנית מקורית של מערכת EEG לתבנית SPM מבוסס-MATLAB (cf. SPM12 ידני 12.1 ו- 12.2).
    הערה: מרבית תבניות נתונים EEG ניתן ישירות לייבא לתוך תוכנת SPM על-ידי בחירת ההמרה בממשק עורך אצווה SPM וציון כל הפרמטרים הקלט הנדרשים. דרך אפשרית נוספת היא להשתמש קובץ script לדוגמה "spm_eeg_convert_arbitrary_data.m" בספריית המשנה גבר/example_scripts של הספריה תוכנית SPM. קובץ script זה מספק דרך נוחה כדי להמיר קובץ לקובץ ASCII או קובץ MAT שניתנות לייצוא על-ידי מערכת רבים EEG SPM בתבנית.

2. זמן-תדר SPM ניתוח

  1. להגדיר את SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) ולהשתמש M/EEG תפריט אנליטי13 (איור 2).
  2. לבצע את ניתוח SPM זמן-תדר2 על-ידי בחירה "ניתוח תדירות זמן" בתפריט SPM עבור הנתונים EEG תוך-גולגולתי עיבוד מקדים של כל משפט הפירוק דיסקרטית רציף באמצעות wavelets Morlet בהתבסס על פרמטרים שהוגדרו מראש ( איור 3).
    הערה: אדוה המרות לחשוף את האבולוציה הטמפורלי של רכיבים ספקטרלי מאת convolving תוך-גולגולתי EEG נתונים באמצעות wavelets תדרים מספר14.
    1. כאן, לנהל אדוה הפירוק באמצעות wavelets Morlet שבע-מחזור במשך התקופה כולה (-1,000 – 2,000 ms) ואת טווח תדר של 4 – 300 הרץ.
    2. לקבוע את אמא דיסקרטית ואת מספר מחזורי בהתבסס על המחקר הקודם15. שים לב מספר מחזורים של אדוה שולטת הרזולוציות – התדירות, מומלץ להיות גדולה מ- 5 כדי להבטיח יציבות שערוך13.
    3. לקבוע טווחי זמן ותדירות בהתבסס על העניין המחקרי.
  3. לחתוך את המפות – התדירות הנובעת באופן אוטומטי על-ידי בחירה "חיתוך" בתפריט SPM להסרת אפקטי קצוות. . הנה, לחתוך את המפות – התדירות ל-200 – 500 ms.
  4. לבצע שינוי נתונים (אופציונלי) ותיקון בסיסית על ידי בחירת "זמן-תדר rescale" בתפריט SPM עבור המפות – התדירות להמחיש את השינויים כוח הקשור לאירוע טוב יותר ולשפר את הנורמליות של הנתונים.
    הערה: כאן, המפות – התדירות היו טרנספורמציה-יומן ו'בסיסית (-200 – 0 ms)-מתוקן.
  5. להמיר את המפות – התדירות דו-ממדית (2D) תמונות על-ידי בחירה "Convert2Images" בתפריט SPM.
    1. חלקה באמצעות גרעין גאוסיאנית עם ערך (FWHM) מוגדרים מראש של חצי-מקסימום רוחב מלא כדי לפצות על ההשתנות הבין-הנושא ו לציית ההנחות של תיאורית השדה אקראי המשמש הסקה סטטיסטית2,13 .
      הערה: כאן, המפות – התדירות היו החליק עם קמצוץ גאוסיאני של FWHM של ms 96 בתחום הזמן ו- 12 הרץ בתחום התדר על סמך לימודים קודמים2.
  6. הזן את תמונות דו-ממד לתוך המודל הליניארי כללי על-ידי בחירה "ציין 1-רמה" בתפריט SPM.
  7. מעריכים את מודל ליניארי כללי על-ידי בחירה "מודל הערכה" בתפריט SPM.
  8. ביצוע מסקנות סטטיסטיות על הנתונים SPM {T} זמן-תדר מבוסס על תורת השדות אקראית2 על-ידי בחירה "תוצאות" בתפריט SPM. לאתר אשכולות – התדירות מופעל באופן משמעותי עם ספי מוגדרים מראש (ואולי תיקון להשוואות מרובות).
    הערה: כאן, הסף במידה p < 0.05, אשר היה מתוקן FWE להשוואות מרובות, עם גובה סף של p < 0.001 (שלא תוקנו) היה בשימוש.

3. DCM תגובות המושרה

  1. להגדיר את SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) ולהשתמש M/EEG תפריט אנליטי13 (איור 4).
    1. התחל DCM ניתוח על-ידי לחיצה על לחצן "DCM" בתפריט SPM. הפעל DCM תגובות המושרה על-ידי בחירה "IND" בתיבת הרשימה. לייבא את הנתונים EEG תוך-גולגולתי עיבוד מקדים על ידי לחיצה על "נתונים חדשים" DCM עבור תפריט M/EEG.
  2. לציין חלון זמן של הריבית, תנאי הריבית, ניגודים התנאים שנבחרו (זה להגדיר את הקלט אפנון מאוחר יותר נעשה שימוש במפרט רשת), תדירות חלון עניין של מספר המחזורים דיסקרטית ב- DCM עבור M/EEG (תפריט איור 5).
    1. השתמש חמש-מחזור Morlet wavelets (4 – 100 Hz בשלבים 1-הרץ) והגדר את חלון הזמן 1 – 500 ms.
    2. לקבוע מחזור דיסקרטית לפי הגדרת ברירת המחדל. שימו לב כי ההמלצה תוכנה הערך גדול מ- 5 כדי להבטיח יציבות שערוך13. זמן – תדר טווחים נקבעו בהתבסס על נושא המחקר שלנו. שימו לב כי חלון הזמן עם ± נוספים 512 ms באופן אוטומטי שימשה במהלך חישוב להסרת אפקטי קצוות.
  3. על סמך DCM framework4,5, להגדיר את (1) נוהג תשומות, אשר מייצגים את הקלט החושי על המדינות עצבית; (2) חיבורים פנימיים, אשר מגלמים את הקישוריות הבסיסית בין מדינות עצבית וחיבורים עצמית; השפעות modulatory (3) על חיבורים פנימיים דרך ניסיוני מניפולציות לדגמי null וממוצע. גם להגדיר את סוג האפנון ליניארי (בתוך-תדירות) או לא-ליניאריות (בין תדר).
    1. לציין DCM עבור תפריט M/EEG חיבורים פנימיים (ליניארית ולא ליניאריים), תשומות נהיגה ו אפנון תשומות.
    2. לשנות את הגדרות ברירת המחדל של פרמטרים הקשורים מסוימים (למשל, בפעם התפרצות מוקדמת הגירוי ומשך) במידת הצורך. מעריכים את הדגמים על-ידי בחירה "invert DCM" DCM עבור תפריט M/EEG. לאחר מכן בחר שמור תוצאות גם img כדי להציל את תדירות בתדר modulatory זיווגים פרמטר תמונות.
  4. התנהגות אפקטים אקראיים בייסיאניות מודל הבחירה (BMS) ניתוח17 על-ידי לחיצה על "עב מ" ב- DCM עבור תפריט M/EEG כדי לזהות את מודל רשת מיטבית. להשתמש הסתברויות מודל לצפות ו/או exceedance הסתברויות של אמצעי הערכה.
  5. להפוך את מסקנות לגבי דפוסי החיבורים modulatory באמצעות הפרמטרים הדגם הזוכה באמצעות התפריט SPM קרוס בתדירות (ראה שלב 2).
    1. להחליק את התמונות פרמטר צימוד modulatory על-ידי בחירת "Convert2Images" בתפריט SPM.
    2. לבצע ניתוח המודל הוא ליניארי כללי על-ידי בחירה "ציין 2 ברמת" בתפריט SPM.
    3. לחשב את הערכים SPM {T} 2D על-ידי בחירת "תוצאות" בתפריט SPM.
      הערה: כאן, FWHM הוגדר ב- 8 הרץ על סמך לימודים קודמים4. הערכים המשמעותיים זוהו exploratorily באמצעות גובה סף של p < 0.05 (שלא תוקנו).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

באמצעות פרוטוקול שהוצגו במסמך זה, ניתחנו את הנתונים תוך-גולגולתי EEG בתגובה פרצופים18,19. אנו שנרשם נתונים מתוך שישה חולים במהלך צפייה פסיבית של פרצופים, פסיפסים, בתים זקוף, כיוונים הפוכים. הניגודים פרצופים זקוף מול פסיפסים זקוף ובתים פרצופים זקוף מול זקוף חשף את האפקט הפנים (קרי, פעילות מוחית ספציפית הפנים ביחס לאובייקטים אחרים). הניגוד בין זקוף פונה נגד הפוכה פרצופים חשף את האפקט הפנים-היפוך (כלומר., עיבוד ויזואלי ספציפי הפנים לניב עיבוד configural/הוליסטית20). אזור היעד עבור ניתוח זמן – תדירות ו שלב – משרעת בתדר הצלב צימוד, בחרנו נכון נחות העורפית הפיתול (הלוגו) מבוסס על שתלמידים21 ודימות מוחי22 ממצאים קודמים. עבור DCM, בדקנו את מודל שבו הלוגו ואת אמיגדלה מהווים רשתות תפקודית במהלך עיבוד פנים מבוסס על ראיות אנטומי הקודם23.

ניתוח תדירות זמן

זמן-תדירות הבדיקות נערכו כדי לחקור את הפרופילים טמפורלית והתדירות של שילר פעילות במהלך העיבוד של פרצופים. זמן-תדר מפות הומרו תמונות דו-ממד ונכנס לתוך הגנרל המודל הוא ליניארי עם הגורמים של סוג הגירוי (פנים הבית, פסיפס) ואת כיוון (ישר ולא הפוך). תגובות משמעותיות זוהו באמצעות מתוקן FWE במידה סף p < 0.05 עם סף גובה של p < 0.001 (שלא תוקנו). הניגודים בדיקות באופן עקבי את האפקט פנים (פנים זקוף מול פסיפס זקופה) חשף מהירה משמעותית (110-500 ms) גמא-band פעילות (איור 6a). הניגודים בדיקת ההשפעה הפנים-היפוך (זקוף מול הפוכה פנים) חשף את פעילות הלהקה גמא משמעותי בתקופה מאוחרת יותר (195-500 ms).

DCM תגובות המושרה

DCM תגובות המושרה הוחל כדי לבדוק את הדגמים רשת פונקציונלי של שילר, האמיגדלה. עבור אפקטים הפנים וגם הפנים-היפוך, ההסתברויות exceedance של הבחירה מודל בייסיאני אפקטים אקראיים עולה כי המודל עם קישוריות modulatory הפנים אזורי אזורים והן דו-כיווני בין-אזורית modulatory קישוריות היה הכי הגיוני בין כל הדגמים אפשרי (איור 6b).

בשלב הבא, בחנו פרופילים ספקטרלי של המצמדים modulatory בשנת המודל הטוב ביותר. תופעות משמעותיות היו שקובעת את כל טווח הספקטרום עם סף גובה של p < 0.05 (שלא תוקנו). זיווגים modulatory משמעותי אותו-קרוס-ותדירות נצפו לשניהם regional אינטרה בין קישוריות של שני הפנים ועל הפנים-היפוך ההשפעות (איור 6 c). לדוגמה, כמו אפנון הפנים אזורי של אפקט הפנים, האמיגדלה הראה שלילי-גאמה זיווגים קרוס בתדירות זהה - ו בטא-גמא. בינתיים, אפנון אינטרה-שילר הראה זוג קרוס-תדר חיובי בלהקה תטה/אלפא/בטא-גמא. בנוסף, כפי צימוד בין-אזורית של אפקט הפנים, הלוגו -> אמיגדלה אפנון חשף פרופיל שבו הלהקה תטה/אלפא את הלוגו הקל הלהקה גאמה באמיגדלה. עבור האמיגדלה -> אפנון שילר, הלהקה גאמה באמיגדלה עכבות הלהקה תטה/אלפא, הלהקה באותו תדר גמא הלוגו. עבור אפקט הפנים-היפוך, האמיגדלה דומה -> הלוגו אפנון, שבו הלהקה גאמה באמיגדלה עכבות הלהקה גאמה הלוגו, נצפתה. עם זאת, עבור שילר -> אמיגדלה אפנון, האגודה אלפא תטא-גמא נצפתה ההשפעה הפנים לא היה ניכר.

Figure 1
איור 1: איור של הדור של הנתונים הניסיון אלקטרואנצפלוגרם תוך-גולגולתי. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 2
איור 2: ממשקי משתמש גרפיים של תוכנת מיפוי פרמטרית סטטיסטי (SPM) עבור ניתוח תדירות זמן. (1) SPM תפריט. (2) זמן-תדר ניתוח. (3) חיתוך. (4) תיקון בסיסית. (5) המרה. (6) החלקה. (7) מודל סטטיסטי. (8) מודל הערכה. (9) ניגודיות. (10) הסקה סטטיסטית. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 3
איור 3: תרשים זרימה של ניתוח תדירות זמן באמצעות תוכנה סטטיסטית פרמטרית מיפוי (SPM). נתוני () להכין עיבוד מקדים תוך-גולגולתי אלקטרואנצפלוגרם (EEG) בכל ניסוי. (b) התנהלות הפירוק זמן-תדר (TF) עבור EEG נתונים באמצעות דיסקרטית רציפה להפוך. (ג) יבול, יומן-שינוי צורה, ורשת קווי הבסיס הנכון עבור מפות TF. (ד) המר TF מפות לתמונות (2D) דו מימדי. (e) Enter דו-ממדי תמונות לתוך המודל הליניארי כללי. (f) ביצוע מסקנות סטטיסטיות על הנתונים SPM TF {T}. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 4
איור 4: ממשקי משתמש גרפיים של תוכנת מיפוי פרמטרית סטטיסטי (SPM) עבור דינמי ניתוחים סיבתי של מידול (DCM). (1) SPM תפריט. (2) DCM תפריט. (3) בחירת מודל בייסיאני. (4) החלקה. (5) מודל סטטיסטי. (6) מודל הערכה. (7) ניגודיות. (8) הסקה סטטיסטית. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 5
איור 5: תרשים זרימה של הדגמים סיבתי דינמי של תגובות המזורזת. () לחשב ספקטרום תדירות זמן עבור כל ניסיון של המיועד מספר אלקטרודות (הפיתול העורפית נחות (הלוגו) ואמיגדלה בדוגמה שלנו) באמצעות פירוק דיסקרטית רציפה. ממוצע של מגניטודות ספקטרלי של זמן-תדר התגובות תשואות התגובה המזורזת. לאחר מכן, הגדר את הקלט נהיגה, חיבורים פנימיים ו אפנון של חיבורים פנימיים על ידי מניפולציות ניסיוני. לבנות מודלים לבדוק השערות, מעריכים את הדגמים. (b) התנהגות אפקטים אקראיים בייסיאניות מודל הבחירה ניתוח לזיהוי שהמודל האופטימלי. (ג) להמיר התדירות-תדירות modulatory פרמטרים צימוד לתמונות (2D) דו מימדי (עם החלקה). לאחר מכן, לבצע ניתוח המודל הוא ליניארי כללי אפקטים אקראיים, לחשב את הערכים SPM {T} 2D. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Figure 6
איור 6: תוצאות נציג. () זמן-תדר מפות של הפיתול העורפית בסדר נחות (הלוגו) פעילות עבור הפנים זקוף (פו; משמאל) ותנאי פסיפס זקוף (מו; התיכון). הנתונים SPM {T} עבור פו לעומת מו גם מוצגים (מימין). (b) פונקציונלית מודלים רשת שילר, האמיגדלה. 8. צירופים אפשריים של קלט modulatory על-ידי פו לעומת מו על גבי חיבורים בין שילר, האמיגדלה וחיבור עצמי על כל אזור נחקרו. (ג) תדירות בתדר modulatory זיווגים פרמטרים וערכים SPM {T} פו לעומת MU של שילר -> אמיגדלה, האמיגדלה -> הלוגו אפנון מוצגים. בועות אדום-צהוב, כחול-תכלת מצביעים על חיובי משמעותי/סינאפסות קישוריות שלילי/מעכבות, בהתאמה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

הפרוטוקולים אנליטי עבור נתוני EEG תוך-גולגולתי שימוש בתוכנה SPM הציג בזאת יש מספר יתרונות בהשוואה MRI פונקציונלי. ראשית, הפרוטוקולים יכול מתארים הפעלה עצבית ברזולוציה הטמפורלית גבוהה. לכן, התוצאות מצביעות על ה"מפה קוגניטיבית של הפעלה עצבית מיושמים בשלבים מוקדם או מאוחר של עיבוד. בדוגמה שלנו, האפקט הפנים מזוהה בשלבים מוקדם מאוד (קרי, 110 ms) של עיבוד חזותי. בנוסף, השוואת הפרופילים הטמפורלי של פעילות עצבית הקשורה פונקציות פסיכולוגיות שונות מספקות משמעויות מעניינות. בפרט, בדוגמה שלנו גילה הפעלה שונה פעמים ההשפעות הפנים ועל הפנים-היפוך, החל ב 115 ms ו- 165 ms, בהתאמה, הלוגו. מידע זמני עשיר כזה להעמיק את ההבנה שלנו של מנגנונים נוירוקוגניטיבי.

יתר על כן, הפרוטוקולים יכול מתארים regional אינטרה בין עצביים קישוריות. נתוני אמצעי neuroscientific נוספים, כגון אותות והמודינמיקה מוקלטת הקרקפת אותות אלקטרומגנטיים, מכילים כמות גדולה של רעש ומחייבים הערכה מבוססת על מספר הנחות כדי לחלץ את אותות חשמליים המקורי, אשר יכולה לעוות קישוריות עצבית הנובעת. ומכאן, הניתוח של אותות חשמליים מוקלט ישירות הוא בעל ערך. כמו איור, למרות התוצאות שלנו גילה פונקציונלי צימוד בין שילר אמיגדלה במהלך עיבוד פנים, צימוד כאלה לא זוהה ניתוח קודמות של MRI פונקציונלי נתונים24. הבנת מנגנונים עצביים דורש זיהוי קשרי גומלין סיבתי בין המעגלים העצביים, אשר דורשת מידע זמני של הפעלה עצבית.

עם זאת, חשוב לציין כי פרוטוקול אופטימלית. להשתמש כדי לתעד ולנתח תוך-גולגולתי EEG נשאר התווכחו. לדוגמה, מחקרים מתודולוגיים הראו כי הפניה אלקטרודות יכול להרים חפצים גוף פיזיולוגית (למשל, תנועות עיניים, פעילות שרירים) רעש סביבתי, ואת העמדה מתאים של אלקטרודות ייחוס EEG תוך-גולגולתי נותר נחוש25,26. מספר שיטות preprocessing (למשל, המרות הסינון ולא לינארי) כדי להסיר לכלוכים (למשל, פעילות אפילפטית) הוצעו, למרות שהם תחת הדיון27. במחקר דיווחו גם כי ניתוח תדירות זמן באמצעות דיסקרטית הפירוק יכול לטשטש את הפסגות הנתונים המקורי28, וכן שיטות אנליטיות אלטרנטיביות, כגון ההמרה הילברט-Huang, עשויים להציע החלטות טמפורלית יותר29. החילוץ של הטווח בתדירות גבוהה גם שיפור באמצעות שיטות כאלה30. זה נרשמה כי קרוס בתדירות צימוד יכול להיות מוטה על ידי תופעות מעבר חד שאינו ליניארי, שליטה על תופעות כאלה מבלבלים ויש צורך31,32,33. במספר שיטות אנליטיות הוצעו על הניתוח של "אינטרה" - ולא בין - regional מצמד, כגון ערך נעילת פאזה16, שלב משוקלל לג אינדקס34, כשהורידו סיבתיות35, זה עדיין לא ברור אילו ניתוחים ופרמטרים (למשל, תדירות) הן עיבוד הרלוונטיים ביותר קוגניטיבית3. במקרים מסוימים, תוך-גולגולתי נתוני EEG לא תספק את ההנחות פרמטרית ועוד ניתוחים שאינם פרמטרי יכול להיות אופטימלית36. לאחרונה, פרוטוקולים אנליטיים אחרים היו המוצע37; לעומת פרוטוקולים אחרים, אלה המבוססים על התוכנה SPM ייתכן את הפוטנציאל הייחודי לספק מסגרת אחידה לניתוח של סוגים שונים של נתונים neuroscientific38. החוקרים צריכים לשלם קרוב לב הפיתוחים בפרוטוקולים אנליטי עבור נתוני EEG תוך-גולגולתי.

לסיכום, הצגנו פרוטוקולים אנליטי לאחרונה הוספנו כדי לנתח נתונים EEG תוך גולגולתי, הכוללים ניתוח SPM זמן-תדר, צימוד בין תדר ו DCM תגובות המושרה. אנו מאמינים שפרוטוקולים אנליטי אלה ניתן לזהות ה"מפה עצבית של תפקודים קוגניטיביים עם פרופילים יכולות גבוהות.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

המחברים אין לחשוף.

Acknowledgments

מחקר זה נתמך על ידי קרנות של חברת Benesse, החברה יפן עבור התוכנית מימון של קידום המדע (JSPS) עבור חוקרים מובילים בעולם הדור הבא (LZ008), הארגון לקידום מחקר בהפרעות התפתחותיות, את KAKENHI JSPS (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

מדעי המוח בעיה 140 צימוד בין תדר דינמי הסיבתי דוגמנות (DCM) הפנים תנודה גמא נחות הפיתול העורפית תוך-גולגולתי אלקטרואנצפלוגרם (EEG) ניתוח תדירות זמן
ניתוח פעילות עצבית וקישוריות באמצעות נתוני EEG תוך-גולגולתי בתוכנה SPM
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