Waiting
Login processing...

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

Neuroscience

का विश्लेषण तंत्रिका गतिविधि और एसपीएम सॉफ्टवेयर के साथ Intracranial ईईजी डेटा का उपयोग कर कनेक्टिविटी

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

हम दो विश्लेषणात्मक प्रोटोकॉल है कि सांख्यिकीय पैरामीट्रिक मानचित्रण (एसपीएम) सॉफ्टवेयर का उपयोग कर intracranial electroencephalography डेटा का विश्लेषण करने के लिए इस्तेमाल किया जा सकता है वर्तमान: समय-आवृत्ति सांख्यिकीय पैरामीट्रिक मानचित्रण विश्लेषण तंत्रिका गतिविधि के लिए, और गतिशील कारण इंट्रा और अंतर-क्षेत्रीय कनेक्टिविटी के लिए प्रेरित प्रतिक्रियाओं की मॉडलिंग ।

Abstract

उच्च स्थानिक और लौकिक प्रस्तावों पर संज्ञानात्मक कार्यों के साथ जुड़े तंत्रिका गतिविधि और कनेक्टिविटी को मापने संज्ञानात्मक तंत्रिका विज्ञान में एक महत्वपूर्ण लक्ष्य है । Intracranial electroencephalography (ईईजी) सीधे विद्युत तंत्रिका गतिविधि रिकॉर्ड कर सकते हैं और इस लक्ष्य को पूरा करने के लिए अद्वितीय क्षमता है । परंपरागत रूप से, औसत विश्लेषण intracranial ईईजी डेटा का विश्लेषण करने के लिए लागू किया गया है; हालांकि, तंत्रिका गतिविधि और अंतर-क्षेत्रीय कनेक्टिविटी को दर्शाने के लिए कई नई तकनीकें उपलब्ध हैं । यहां, हम दो विश्लेषणात्मक प्रोटोकॉल परिचय हम हाल ही में intracranial ईईजी सांख्यिकीय पैरामीट्रिक मानचित्रण (एसपीएम) सॉफ्टवेयर का उपयोग कर डेटा: समय आवृत्ति एसपीएम विश्लेषण के लिए प्रेरित प्रतिक्रियाओं के तंत्रिका गतिविधि और गतिशील कारण मॉडलिंग का विश्लेषण लागू अंतर-क्षेत्रीय कनेक्टिविटी । हम प्रतिनिधि परिणामों के रूप में चेहरे के अवलोकन के दौरान intracranial ईईजी डेटा के हमारे विश्लेषण की रिपोर्ट । परिणाम से पता चला कि अवर पश्चकपाल गाइरस (IOG) चेहरे के जवाब में बहुत प्रारंभिक चरणों (११० ms) में गामा बैंड गतिविधि दिखाया, और दोनों IOG और प्रमस्तिष्कखंड तेजी से अंतर-क्षेत्रीय संपर्क दोलनों के विभिंन प्रकार का उपयोग कर दिखाया । इन विश्लेषणात्मक प्रोटोकॉल के लिए तंत्रिका तंत्र की पहचान करने की क्षमता है उच्च स्थानिक और लौकिक प्रोफाइल के साथ संज्ञानात्मक कार्यों अंतर्निहित ।

Introduction

उच्च स्थानिक और लौकिक प्रस्तावों पर संज्ञानात्मक कार्यों के साथ जुड़े तंत्रिका गतिविधि और कनेक्टिविटी को मापने संज्ञानात्मक तंत्रिका विज्ञान के प्राथमिक लक्ष्यों में से एक है । हालांकि, इस लक्ष्य को पूरा करना आसान नहीं है । एक लोकप्रिय विधि तंत्रिका गतिविधि को रिकॉर्ड करने के लिए इस्तेमाल कार्यात्मक चुंबकीय अनुनाद इमेजिंग (एमआरआई) है । हालांकि कार्यात्मक एमआरआई मिलीमीटर स्तर और गैर इनवेसिव रिकॉर्डिंग, कार्यात्मक एमआरआई की एक स्पष्ट नुकसान में एक उच्च स्थानिक संकल्प के रूप में कई लाभ प्रदान करता है इसकी कम लौकिक संकल्प है । इसके अलावा, कार्यात्मक एमआरआई रक्त ऑक्सीजन स्तर पर निर्भर संकेतों, जो केवल परोक्ष रूप से बिजली तंत्रिका गतिविधि को प्रतिबिंबित उपाय । electroencephalography (ईईजी) और magnetoencephalography (मेग) सहित लोकप्रिय electrophysiological तरीकों, मिलीसेकंड स्तर पर उच्च लौकिक संकल्प है । हालांकि, वे अपेक्षाकृत कम स्थानिक संकल्प किया है, क्योंकि वे रिकॉर्ड बिजली/चुंबकीय संकेतों खोपड़ी पर और मुश्किल व्युत्क्रम समस्याओं का समाधान करने के लिए मस्तिष्क गतिविधि चित्रित करना चाहिए ।

Intracranial ईईजी सीधे उच्च लौकिक (मिलीसेकंड) और स्थानिक (सेंटीमीटर)1संकल्प पर विद्युत तंत्रिका गतिविधि रिकॉर्ड कर सकते हैं । इस उपाय के मूल्यवान अवसर तंत्रिका गतिविधि और कनेक्टिविटी को समझने के लिए प्रदान कर सकते हैं, हालांकि यह स्पष्ट सीमाओं है (जैसे, औसत दर्जे का क्षेत्र नैदानिक मानदंडों के लिए प्रतिबंधित कर रहे हैं). कई intracranial ईईजी अध्ययन पारंपरिक औसत विश्लेषण लागू किया है करने के लिए चित्रित तंत्रिका गतिविधि । औसत विश्लेषण संवेदनशील समय बंद कर दिया और कम आवृत्ति बैंड सक्रियण का पता लगा सकते हैं, हालांकि यह गैर-चरण-अवरोधित और/या उच्च आवृत्ति (जैसे, गामा बैंड) सक्रियण का पता लगाने नहीं कर सकता । इसके अलावा, कार्यात्मक तंत्रिका युग्मन गहराई में intracranial ईईजी रिकॉर्डिंग पर साहित्य में विश्लेषण नहीं किया गया है । कई नई तकनीकों को हाल ही में कार्यात्मक एमआरआई और ईईजी/मेग रिकॉर्डिंग, जो intracranial ईईजी डेटा का विश्लेषण करने के लिए लागू किया जा सकता है में तंत्रिका गतिविधि और अंतर और अन्तर क्षेत्रीय कनेक्टिविटी चित्रित करने के लिए विकसित किया गया है ।

यहां, हम विश्लेषणात्मक प्रोटोकॉल है कि हम हाल ही में intracranial ईईजी सांख्यिकीय पैरामीट्रिक मानचित्रण (एसपीएम) सॉफ्टवेयर का उपयोग कर डेटा का विश्लेषण लागू है परिचय । सबसे पहले, प्रकट करने के लिए जब, और जो आवृत्ति पर, मस्तिष्क क्षेत्रों सक्रिय किया जा सकता है, हम समय आवृत्ति एसपीएम विश्लेषण2प्रदर्शन किया । इस विश्लेषण के समय और आवृत्ति डोमेन एक साथ एक सतत तरंगिका रूपांतरण का उपयोग कर मिटता है और उचित समय-आवृत्ति नक्शे यादृच्छिक क्षेत्र सिद्धांत का उपयोग कर में परिवार वार त्रुटि (FWE) की दर को सही । दूसरा, कैसे मस्तिष्क क्षेत्रों संवाद प्रकट करने के लिए, हम प्रेरित प्रतिक्रियाएं4के गतिशील कारण मॉडलिंग (डीसीएम) लागू किया । डीसीएम प्रभावी कनेक्टिविटी (यानी, मस्तिष्क क्षेत्रों के बीच कारण और दिशात्मक प्रभाव5) की जांच सक्षम बनाता है । हालांकि डीसीएम मूल रूप से कार्यात्मक एमआरआई डाटा का विश्लेषण करने के लिए एक उपकरण के रूप में प्रस्तावित किया गया था5, प्रेरित प्रतिक्रियाओं के डीसीएम electrophysiological संकेतों के समय बदलती बिजली स्पेक्ट्रा का विश्लेषण करने के लिए विस्तारित किया गया है4. यह विश्लेषण अंतर-और अन्तर-क्षेत्रीय तंत्रिका कनेक्टिविटी दोनों के चित्रण की अनुमति देता है । कई neurophysiological अध्ययनों ने सुझाव दिया है कि स्थानीय इंट्रा-क्षेत्रीय संगणना और लंबी दूरी के अंतर-क्षेत्रीय संचार मुख्यतः गामा और थीटा-बैंड दोलनों का उपयोग करते हैं, और उनकी बातचीत (जैसे, entrainments) कर सकते हैं थीटा-गामा पार आवृत्ति युग्मन3,6,7,8द्वारा परिलक्षित हो । यह रिपोर्ट डेटा विश्लेषणात्मक प्रोटोकॉल पर केंद्रित है; पृष्ठभूमि जानकारी9,10 और रिकॉर्डिंग प्रोटोकॉल intracranial ईईजी के11 के एक सिंहावलोकन के लिए, कृपया साहित्य को देखें ।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

हमारा अध्ययन स्थानीय संस्थागत नैतिकता समिति द्वारा अनुमोदित किया गया था ।

1. बुनियादी जानकारी

नोट: विश्लेषणात्मक प्रोटोकॉल विशिष्ट प्रतिभागियों, इलेक्ट्रोड, संदर्भ विधियों, या इलेक्ट्रोड स्थानों के रूप में किसी भी प्रतिबंध के बिना डेटा के विभिन्न प्रकारों के लिए लागू किया जा सकता है । हमारे उदाहरण में, हम छह औषधीय असभ्य फोकल मिर्गी से पीड़ित रोगियों का परीक्षण किया । हम रोगियों जो ब्याज के क्षेत्रों में कोई मिरगी घावों था परीक्षण किया ।

  1. लक्ष्य इलेक्ट्रोड पर संज्ञानात्मक प्रयोग के दौरान intracranial ईईजी डेटा रिकॉर्ड.
    1. प्रत्यारोपण गहराई इलेक्ट्रोड स्टीरियोटैक्टिक विधि12का उपयोग कर ।
    2. का प्रयोग करें अवदृढ़तानिकी प्लेटिनम इलेक्ट्रोड (व्यास: २.३ मिमी) और गहराई प्लैटिनम इलेक्ट्रोड (व्यास: ०.८ मिमी) को एक साथ मापने के लिए cortical और subcortical गतिविधि, क्रमशः.
    3. midline पृष्ठीय ललाट क्षेत्र की खोपड़ी की सतह पर संदर्भ इलेक्ट्रोड प्लेस, वरीयताएं सक्रियण12से बचने के लिए खोपड़ी से दूर का सामना करना पड़ इलेक्ट्रोड के संपर्कों के साथ.
    4. बढ़ाना डेटा, फ़िल्टर ऑनलाइन (बैंड पास: 0.5-300 हर्ट्ज), और नमूना पर १,००० हर्ट्ज.
    5. रिकॉर्ड और सांख्यिकीय आंख आंदोलनों के साथ जुड़े कलाकृतियों को हटाने के लिए, इसके अलावा रिकॉर्ड electrooculograms. सैद्धांतिक हितों के आधार पर लक्ष्य इलेक्ट्रोड का चयन करें । इसके अलावा, इलेक्ट्रोड स्थानों की जाँच करने के लिए व्यक्तिगत एमआरआई और गणना टोमोग्राफी डेटा का उपयोग करें.
  2. नमूना और प्रक्रिया परीक्षण intracranial ईईजी डेटा (चित्रा 1) ।
    नोट: विश्लेषणात्मक प्रोटोकॉल विशिष्ट डेटा लंबाई या प्रक्रियात्मक विधियों के लिए किसी भी प्रतिबंध के बिना डेटा के विभिन्न प्रकारों के लिए लागू किया जा सकता है ।
    1. यहां, ३,००० ms के दौरान नमूना डेटा (पूर्व उत्तेजना: १,००० ms; बाद उत्तेजना: २,००० ms) प्रत्येक परीक्षण के लिए ।
    2. क्योंकि यहां प्रतिभागियों कुछ परीक्षणों में असामान्य रूप से उच्च आयाम गतिविधि दिखाया, संभवतः मिर्गी से संबंधित, इन ग़ैर पूर्वनिर्धारित थ्रेसहोल्ड का उपयोग कर परीक्षणों को बाहर (> 800 μV और > 5 एसडी). दृश्य निरीक्षण और स्वतंत्र घटक विश्लेषण सहित अंय प्रक्रियात्मक चरण, प्रयोगात्मक उद्देश्यों और शर्तों के आधार पर आवश्यक हो सकता है ।
  3. कंवर्ट ईईजी प्रणाली मूल स्वरूप एक MATLAB-आधारित एसपीएम प्रारूप (cf. SPM12 मैनुअल १२.१ और १२.२) ।
    नोट: सबसे ईईजी डेटा प्रारूपों एसपीएम बैच संपादक इंटरफ़ेस में रूपांतरण का चयन और सभी आवश्यक इनपुट मापदंडों को निर्दिष्ट करके सीधे एसपीएम सॉफ्टवेयर में आयात किया जा सकता है । एक और संभव तरीका है एक उदाहरण स्क्रिप्ट का उपयोग करें "spm_eeg_convert_arbitrary_data. m" आदमी में/example_scripts एसपीएम कार्यक्रम निर्देशिका के उपनिर्देशिका । यह स्क्रिप्ट एक ASCII फ़ाइल या चटाई फ़ाइल है कि एसपीएम प्रारूप के साथ कई ईईजी प्रणाली द्वारा निर्यात किया जा सकता है परिवर्तित करने के लिए एक सुविधाजनक तरीका प्रदान करता है ।

2. समय-फ्रीक्वेंसी एसपीएम विश्लेषण

  1. सेट अप SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) और M/ईईजी विश्लेषणात्मक मेनू13 (चित्रा 2) का उपयोग करें ।
  2. समय प्रदर्शन-आवृत्ति एसपीएम विश्लेषण "समय-आवृत्ति विश्लेषण का चयन करके2 " एसपीएम मेनू में प्रत्येक परीक्षण के intracranial ईईजी डेटा के लिए पूर्व निर्धारित मापदंडों के आधार पर Morlet तरंगिकाओं के साथ सतत तरंगिका अपघटन का उपयोग कर ( चित्रा 3) ।
    नोट: तरंगिका रूपांतरों एकाधिक आवृत्तियों14के तरंगिकाओं के साथ convolving intracranial ईईजी डेटा द्वारा वर्णक्रमीय घटकों के लौकिक विकास प्रकट करते हैं ।
    1. यहां, आचरण तरंगिका अपघटन का उपयोग सात चक्र Morlet तरंगिकाओं पूरे युग के लिए (-1000-2000 ms) और 4 की आवृत्ति रेंज-300 हर्ट्ज ।
    2. एक पिछले अध्ययन के आधार पर मां तरंगिका और चक्रों की संख्या का निर्धारण15. ध्यान दें कि तरंगिका में चक्रों की संख्या समय-आवृत्ति संकल्प को नियंत्रित करता है और अनुमान स्थिरता13सुनिश्चित करने के लिए 5 से अधिक होने की सिफारिश की है.
    3. अनुसंधान ब्याज के आधार पर समय और आवृत्ति पर्वतमाला का निर्धारण ।
  3. बढ़त प्रभाव को दूर करने के लिए एसपीएम मेनू में "फसल" का चयन करके परिणामी समय-आवृत्ति नक्शे स्वचालित रूप से फसल । यहां, समय की फसल-आवृत्ति नक्शे में-200 – 500 ms.
  4. समय के लिए एसपीएम मेनू में "समय आवृत्ति rescale" का चयन करके डेटा परिवर्तन (वैकल्पिक) और आधारभूत सुधार प्रदर्शन-आवृत्ति नक्शे घटना से संबंधित सत्ता परिवर्तन बेहतर और डेटा की सामान्यता में सुधार करने के लिए कल्पना करने के लिए ।
    नोट: यहाँ, समय-आवृत्ति नक्शे लॉग-रूपांतरित और आधारभूत (-200 – ms) थे-सही.
  5. समय परिवर्तित-दो में आवृत्ति नक्शे आयामी (2d) छवियों का चयन करके एसपीएम मेनू में "Convert2Images" ।
    1. एक पूर्वनिर्धारित पूर्ण चौड़ाई आधा-अधिकतम (FWHM) मूल्य के साथ एक गाऊसी कर्नेल का उपयोग कर चिकना अंतर विषय परिवर्तनशीलता के लिए क्षतिपूर्ति और यादृच्छिक क्षेत्र सांख्यिकीय निष्कर्ष2,13 में प्रयुक्त सिद्धांत की मांयताओं के अनुरूप .
      नोट: यहां, समय-आवृत्ति नक्शे एक पिछले अध्ययन2पर आधारित आवृत्ति डोमेन में समय डोमेन और 12 हर्ट्ज में ९६ ms के FWHM के एक गाऊसी कर्नेल के साथ चिकनी थे ।
  6. एसपीएम मेनू में "1 निर्दिष्ट स्तर" का चयन करके सामान्य रैखिक मॉडल में 2d छवियों दर्ज करें ।
  7. एसपीएम मेनू में "मॉडल अनुमान" का चयन करके सामान्य रैखिक मॉडल का अनुमान.
  8. समय पर सांख्यिकीय निष्कर्ष प्रदर्शन-आवृत्ति एसपीएम (टी} डाटा यादृच्छिक क्षेत्र सिद्धांत पर आधारित2 "एसपीएम मेनू में परिणाम" का चयन करके । काफी सक्रिय समय-पूर्वनिर्धारित थ्रेसहोल्ड के साथ आवृत्ति समूहों का पता लगाने (संभवतः कई तुलना के लिए सही).
    नोट: यहां, p < 0.001 की ऊंचाई थ्रेशोल्ड (सुधारा गया) के साथ एकाधिक तुलना के लिए FWE-सही किया गया था जो की सीमा थ्रेशोल्ड का उपयोग करें ।

3. डीसीएम ने प्रेरित की प्रतिक्रियाएं

  1. सेट अप SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) और M/ईईजी विश्लेषणात्मक मेनू13 (चित्रा 4) का उपयोग करें ।
    1. एसपीएम मेन्यू में "डीसीएम" बटन क्लिक कर डीसीएम एनालिसिस शुरू करें । सूची बॉक्स में "IND" का चयन करके प्रेरित प्रतिक्रियाओं के लिए डीसीएम को सक्रिय करें । M/ईईजी मेनू के लिए डीसीएम में "नया डेटा" पर क्लिक करके reprocessed intracranial ईईजी डेटा आयात करें ।
  2. ब्याज की स्थिति, ब्याज की शर्तों, चयनित स्थितियों के लिए विरोधाभासों का समय विंडो निर्दिष्ट करें (यह बाद में नेटवर्क विनिर्देश में प्रयुक्त मॉडुलन आदानों को परिभाषित), आवृत्ति ब्याज की खिड़की, और एम/ईईजी मेनू के लिए डीसीएम में तरंगिका चक्र की संख्या ( चित्रा 5) ।
    1. का प्रयोग करें पांच चक्र Morlet तरंगिकाओं (4-100 हर्ट्ज में 1 हर्ट्ज कदम) और समय विंडो सेट करने के लिए 1 – 500 ms.
    2. डिफ़ॉल्ट सेटिंग के अनुसार तरंगिका चक्र निर्धारित करें । ध्यान दें कि सॉफ़्टवेयर अनुशंसा अनुमान स्थिरता13सुनिश्चित करने के लिए 5 से अधिक मान है । समय-आवृत्ति पर्वतमाला हमारे अनुसंधान ब्याज के आधार पर निर्धारित किया गया । ध्यान दें कि एक अतिरिक्त ± ५१२ ms के साथ एक समय खिड़की स्वचालित रूप से बढ़त प्रभाव को दूर करने के लिए गणना के दौरान इस्तेमाल किया गया था ।
  3. डीसीएम फ्रेमवर्क4,5के आधार पर, (1) ड्राइविंग आदानों, जो तंत्रिका राज्यों पर संवेदी आदानों का प्रतिनिधित्व परिभाषित करते हैं; (2) आंतरिक कनेक्शन है, जो तंत्रिका राज्यों और स्वयं कनेक्शन के बीच आधारभूत कनेक्टिविटी प्रतीक; और (3) अशक्त और परिकल्पना मॉडल के लिए प्रयोगात्मक जोड़तोड़ के माध्यम से आंतरिक कनेक्शन पर modulatory प्रभाव । इसके अलावा रैखिक के रूप में मॉडुलन के प्रकार को परिभाषित (भीतर आवृत्ति) या गैर रेखीय (बीच-आवृत्ति).
    1. आंतरिक (रैखिक और रेखीय) कनेक्शन, ड्राइविंग आदानों, और एम/ईईजी मेनू के लिए डीसीएम में मॉडुलन आदानों निर्दिष्ट करें ।
    2. यदि आवश्यक हो तो कुछ संबंधित पैरामीटर्स (उदा., पूर्व उत्तेजना शुरुआत समय और अवधि) की डिफ़ॉल्ट सेटिंग संशोधित करें । एम/ईईजी मेन्यू के लिए डीसीएम में "इन्वर्टर डीसीएम" का चयन कर मॉडलों का अनुमान लगाएं । इसके बाद का चयन करें img के रूप में सहेजें परिणाम आवृत्ति आवृत्ति modulatory युग्मन पैरामीटर छवियों को बचाने के लिए ।
  4. एक यादृच्छिक-प्रभाव Bayesian मॉडल चयन (बीएमएस) विश्लेषण17 क्लिक करके ईईजी के लिए एम/डीसीएम में "बीएमएस" के लिए इष्टतम नेटवर्क मॉडल की पहचान करने के लिए । मूल्यांकन उपायों के रूप में अपेक्षित संभावनाओं और/या जादा संभावनाओं मॉडल का उपयोग करें ।
  5. modulatory कनेक्शन के पार आवृत्ति पैटर्न के बारे में अनुमान बनाओ एसपीएम मेनू का उपयोग करके जीत मॉडल मापदंडों का उपयोग (चरण 2 देखें) ।
    1. एसपीएम मेनू में "Convert2Images" का चयन करके modulatory युग्मन पैरामीटर छवियों को चिकना ।
    2. एसपीएम मेनू में "निर्दिष्ट 2 स्तर" का चयन करके सामान्य रेखीय मॉडल विश्लेषण करते हैं ।
    3. एसपीएम मेनू में "परिणाम" का चयन करके 2d एसपीएम {T} मूल्यों की गणना ।
      नोट: यहाँ, FWHM पर सेट किया गया था 8 हर्ट्ज एक पिछले अध्ययन के आधार पर4. p < 0.05 (सुधारा गया) की ऊंचाई थ्रेशोल्ड का उपयोग करके पहचाने गए exploratorily महत्वपूर्ण मान थे ।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

इस के साथ प्रस्तुत प्रोटोकॉल का उपयोग करना, हम प्रतिक्रिया में intracranial ईईजी डेटा का विश्लेषण18,19चेहरे । हम चेहरे, मोज़ाइक, और ईमानदार और उल्टे झुकाव में घरों के निष्क्रिय देखने के दौरान छह रोगियों से डेटा दर्ज की गई । ईमानदार चेहरे बनाम ईमानदार मोज़ाइक और ईमानदार चेहरे बनाम लोगोंके घरों के विरोधाभासों चेहरे प्रभाव का पता चला (यानी, अन्य वस्तुओं के सापेक्ष चेहरे विशेष मस्तिष्क गतिविधि). उल्टे चेहरे बनाम ईमानदार चेहरे के विपरीत चेहरे का उलटा प्रभाव (यानी, चेहरा विशिष्ट दृश्य प्रसंस्करण संभवतः विंयास/समग्र प्रसंस्करण20से संबंधित) का पता चला । समय के लिए लक्ष्य क्षेत्र के रूप में-आवृत्ति विश्लेषण और चरण-आयाम पार आवृत्ति युग्मन, हम सही अवर पश्चकपाल गाइरस (IOG) पिछले neuropsychological21 और neuroimaging22 निष्कर्षों के आधार पर चुना है । डीसीएम के लिए, हम मॉडल है जिसमें IOG और प्रमस्तिष्कखंड चेहरा प्रसंस्करण के दौरान एक कार्यात्मक नेटवर्क का गठन पिछले संरचनात्मक सबूत23के आधार पर परीक्षण किया ।

समय-आवृत्ति विश्लेषण

समय आवृत्ति विश्लेषण चेहरे के प्रसंस्करण के दौरान IOG गतिविधि के लौकिक और आवृत्ति प्रोफाइल की जांच करने के लिए आयोजित किया गया । समय आवृत्ति नक्शे 2d छवियों में बदल रहे थे और उत्तेजना प्रकार (चेहरा, घर, और मोज़ेक) और अभिविंयास (ईमानदार और उल्टे) के कारकों के साथ सामांय रैखिक मॉडल में प्रवेश किया । p < 0.001 (सुधारा गया) की ऊंचाई थ्रेशोल्ड के साथ p का FWE-सही सीमा थ्रेशोल्ड का उपयोग करते हुए महत्वपूर्ण प्रतिसादों की पहचान की गई । चेहरे प्रभाव का परीक्षण विरोधाभासों (ईमानदार चेहरे बनाम ईमानदार मोज़ेक) लगातार महत्वपूर्ण तेजी से पता चला (110-500 ms) गामा-बैंड गतिविधि (चित्रा 6a) । चेहरे का उलटा प्रभाव (ईमानदार चेहरा बनाम उल्टे चेहरे) परीक्षण विरोधाभासों एक बाद की अवधि (195-500 ms) में महत्वपूर्ण गामा बैंड गतिविधि का पता चला ।

प्रेरित हुई जवाबों की डीसीएम

डीसीएम से प्रेरित प्रतिक्रियाएं IOG और प्रमस्तिष्कखंड के कार्यात्मक नेटवर्क मॉडलों का परीक्षण करने के लिए लागू किया गया था । चेहरे और चेहरे दोनों के लिए व्युत्क्रम प्रभाव, यादृच्छिक प्रभाव Bayesian मॉडल चयन के जादा संभावनाओं संकेत दिया कि दोनों क्षेत्रों और द्वि-दिशा अंतर क्षेत्रीय modulatory में अंतर क्षेत्रीय modulatory कनेक्टिविटी के साथ मॉडल कनेक्टिविटी सभी संभव मॉडल (फिगर घमण्ड) के बीच सबसे अधिक संभावना थी ।

अगले, हम सबसे अच्छा मॉडल में modulatory युग्मन के वर्णक्रमीय प्रोफाइल का निरीक्षण किया । p < 0.05 (correction) की ऊंचाई सीमा के साथ संपूर्ण वर्णक्रमीय श्रेणी के लिए महत्वपूर्ण प्रभावों का मूल्यांकन किया गया था । एक ही महत्वपूर्ण और पार आवृत्ति modulatory युग्मन दोनों चेहरे और चेहरे दोनों के अंतर क्षेत्रीय कनेक्टिविटी के लिए मनाया गया-उलटा प्रभाव (चित्रा 6c) । उदाहरण के लिए, चेहरे प्रभाव के अंतर क्षेत्रीय मॉडुलन के रूप में, प्रमस्तिष्कखंड नकारात्मक गामा-गामा एक ही है और बीटा-गामा पार आवृत्ति युग्मन दिखाया । इस बीच, इंट्रा IOG मॉडुलन थीटा/अल्फा/बीटा-गामा बैंड में एक सकारात्मक पार आवृत्ति युग्मन दिखाया. इसके अलावा, अंतर क्षेत्रीय युग्मन चेहरे प्रभाव के रूप में, IOG-> प्रमस्तिष्कखंड मॉडुलन एक प्रोफ़ाइल जिसमें IOG में थीटा/अल्फा बैंड प्रमस्तिष्कखंड में गामा बैंड की सुविधा से पता चला. प्रमस्तिष्कखंड के लिए-> IOG मॉडुलन, प्रमस्तिष्कखंड में गामा बैंड थीटा/अल्फा बैंड और IOG में एक ही आवृत्ति गामा बैंड बाधित. चेहरे के लिए उलटा प्रभाव, इसी तरह प्रमस्तिष्कखंड-> IOG मॉडुलन, जिसमें प्रमस्तिष्कखंड में गामा बैंड IOG में गामा बैंड बाधित, मनाया गया था. हालांकि, IOG के लिए-> प्रमस्तिष्कखंड मॉडुलन, थीटा/अल्फा-गामा एसोसिएशन चेहरे प्रभाव में मनाया स्पष्ट नहीं था ।

Figure 1
चित्रा 1: परीक्षण intracranial electroencephalography डेटा की पीढ़ी का चित्रण. कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 2
चित्रा 2: समय-आवृत्ति विश्लेषण के लिए सांख्यिकीय पैरामीट्रिक मानचित्रण (एसपीएम) सॉफ्टवेयर के ग्राफिक उपयोगकर्ता इंटरफेस । (1) एसपीएम मेनू । (2) समय-आवृत्ति विश्लेषण । (३) फसली. (4) आधारभूत सुधार । (5) रूपांतरण । 6 चौरसाई. (७) सांख्यिकीय मॉडल. (8) मॉडल अनुमान । (9) कंट्रास्ट । (१०) सांख्यिकीय निष्कर्ष. कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 3
चित्रा 3: सांख्यिकीय पैरामीट्रिक मानचित्रण (एसपीएम) सॉफ्टवेयर का उपयोग कर समय-आवृत्ति विश्लेषण का प्रवाह । (a) प्रत्येक परीक्षण का intracranial electroencephalography (ईईजी) डेटा तैयार करना । (b) सतत तरंगिका ट्रांस्फ़ॉर्म का उपयोग करके ईईजी डेटा के लिए समय-आवृत्ति (TF) अपघटन का संचालन करना । (ग) TF मैप्स के लिए क्रॉप, लॉग-ट्रांस्फ़ॉर्म, और आधारभूत आधार पर सही । (d) TF मैप्स को दो आयामी (2d) छवियों में कनवर्ट करें । (ङ) सामांय रेखीय मॉडल में 2d छवियां दर्ज करें । (च) TF एसपीएम {T} डेटा पर सांख्यिकीय अनुमान निष्पादित करना । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 4
चित्रा 4: गतिशील कारण मॉडलिंग (डीसीएम) विश्लेषण के लिए सांख्यिकीय पैरामीट्रिक मानचित्रण (एसपीएम) सॉफ्टवेयर के ग्राफिक उपयोगकर्ता इंटरफेस । (1) एसपीएम मेनू । (2) डीसीएम मीनू । (3) Bayesian मॉडल चयन । (4) स्मूदिंग. (5) सांख्यिकीय मॉडल । (6) मॉडल अनुमान । (7) कंट्रास्ट । (8) सांख्यिकीय निष्कर्ष । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 5
चित्रा 5: प्रेरित प्रतिक्रियाओं के गतिशील कारण मॉडलिंग के फ़्लोचार्ट । (क) सतत तरंगिका अपघटन का उपयोग करते हुए लक्षित एकाधिक इलेक्ट्रोड (अवर पश्चकपाल गाइरस (IOG) और हमारे उदाहरण में प्रमस्तिष्कखंड) के प्रत्येक परीक्षण के लिए समय-आवृत्ति स्पेक्ट्रा की गणना करें. औसत समय-आवृत्ति प्रतिक्रियाओं के वर्णक्रमीय परिमाण प्रेरित प्रतिक्रिया उपज के लिए । फिर, ड्राइविंग इनपुट, आंतरिक कनेक्शन को परिभाषित, और प्रयोगात्मक जोड़तोड़ द्वारा आंतरिक कनेक्शन का मॉडुलन । कल्पनाओं का परीक्षण और मॉडलों का अनुमान लगाने के लिए मॉडल का निर्माण । (ख) इष्टतम मॉडल की पहचान करने के लिए एक यादृच्छिक-प्रभाव Bayesian मॉडल चयन विश्लेषण आचरण । (ग) दो आयामी (2d) छवियों (चिकनी के साथ) में आवृत्ति आवृत्ति modulatory युग्मन मापदंडों कन्वर्ट । फिर, यादृच्छिक प्रभाव सामांय रैखिक मॉडल विश्लेषण प्रदर्शन और 2d एसपीएम {T} मूल्यों की गणना । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 6
चित्रा 6: प्रतिनिधि परिणाम । (एक) ईमानदार चेहरे (फू; बाएं) और ईमानदार मोज़ेक (म्यू; मध्य) शर्तों के लिए सही अवर पश्चकपाल गाइरस (IOG) गतिविधि की समय आवृत्ति नक्शे । एसपीएम (टी) फू बनाम म्यू के लिए डेटा भी दिखाया (सही) कर रहे हैं । (ख) IOG और प्रमस्तिष्कखंड में कार्यात्मक नेटवर्क मॉडल । आठ IOG और प्रमस्तिष्कखंड और स्वयं के बीच कनेक्शन पर ंयू फू बनाम modulatory इनपुट के संभव संयोजन प्रत्येक क्षेत्र पर कनेक्शन की जांच की गई । (ग) आवृत्ति-आवृत्ति modulatory युग्मन मानकों और एसपीएम {T} IOG की ंयू बनाम फू के लिए मान-> प्रमस्तिष्कखंड और प्रमस्तिष्कखंड-> IOG मॉडुलन दिखाया जाता है । लाल-पीले और नीले सियान blobs संकेत महत्वपूर्ण सकारात्मक/उत्तेजक और नकारात्मक/निरोधात्मक कनेक्टिविटी, क्रमशः । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

intracranial ईईजी का उपयोग कर डेटा के लिए विश्लेषणात्मक प्रोटोकॉल एसपीएम सॉफ्टवेयर के साथ साथ शुरू की कार्यात्मक एमआरआई के साथ तुलना में कई फायदे हैं । सबसे पहले, प्रोटोकॉल तंत्रिका सक्रियकरण एक उच्च लौकिक संकल्प पर चित्रित कर सकते हैं । इसलिए, परिणामों से संकेत मिलता है कि संज्ञानात्मक को संबद्ध तंत्रिका सक्रियण के प्रसंस्करण के प्रारंभिक या देर चरणों में लागू कर रहे हैं । हमारे उदाहरण में, चेहरे प्रभाव दृश्य प्रसंस्करण के बहुत प्रारंभिक चरणों (यानी, ११० ms) के दौरान पहचान की गई थी । इसके अलावा, विभिंन मनोवैज्ञानिक कार्यों से संबंधित तंत्रिका गतिविधि के लौकिक प्रोफाइल की तुलना दिलचस्प निहितार्थ प्रदान करते हैं । विशेष रूप से, हमारे उदाहरण के चेहरे और चेहरे के उलटा प्रभाव के लिए अलग सक्रियकरण बार पता चला, ११५ ms और १६५ ms, क्रमशः, IOG में शुरू । इस तरह के अमीर लौकिक जानकारी neurocognitive तंत्र की हमारी समझ गहरा कर सकते हैं ।

इसके अलावा, प्रोटोकॉल इंट्रा और अंतर क्षेत्रीय तंत्रिका संपर्क का चित्रण कर सकते हैं । अंय neuroscientific उपायों से डेटा, जैसे hemodynamic संकेतों और खोपड़ी दर्ज विद्युत चुम्बकीय संकेतों, शोर की एक बड़ी मात्रा में होते हैं और मूल बिजली संकेतों को निकालने के लिए कई मांयताओं के आधार पर अनुमान की आवश्यकता होती है, जो विकृत कर सकते हैं परिणामी तंत्रिका संपर्क । इसलिए, सीधे रिकॉर्ड बिजली के संकेतों का विश्लेषण मूल्यवान है । एक उदाहरण के रूप में, हालांकि हमारे परिणाम IOG और प्रमस्तिष्कखंड के बीच सामना प्रसंस्करण के दौरान कार्यात्मक युग्मन पता चला, इस तरह युग्मन कार्यात्मक एमआरआई डेटा24के एक पिछले विश्लेषण में नहीं पाया गया । तंत्रिका तंत्र को समझना तंत्रिका सर्किट के बीच कारण संबंधों की पहचान की आवश्यकता है, जो तंत्रिका सक्रियण के लौकिक जानकारी की आवश्यकता है ।

हालांकि, यह नोट करना महत्वपूर्ण है कि इष्टतम प्रोटोकॉल को रिकॉर्ड और विश्लेषण intracranial ईईजी के लिए इस्तेमाल बहस बनी हुई है । उदाहरण के लिए, methodological अध्ययनों से सुझाव दिया है कि संदर्भ इलेक्ट्रोड शारीरिक शारीरिक कलाकृतियों (जैसे, आँख आंदोलनों और मांसपेशी गतिविधि) और पर्यावरण शोर, और के लिए संदर्भ इलेक्ट्रोड की उपयुक्त स्थिति लेने कर सकते हैं intracranial ईईजी25,26निर्धारित किया जाना रहता है । कलाकृतियों (जैसे, मिरगी गतिविधि) को दूर करने के लिए कई प्रक्रियात्मक तरीके (जैसे, फ़िल्टरिंग और गैर रेखीय रूपांतरण) प्रस्तावित किए गए हैं, हालांकि वे27बहस के अधीन हैं । एक अध्ययन में यह भी बताया कि समय आवृत्ति विश्लेषण तरंगिका अपघटन का उपयोग कर मूल डेटा28में चोटियों कलंक सकता है, और ऐसे Hilbert के रूप में वैकल्पिक विश्लेषणात्मक तरीकों, हुआंग बदलने के लिए, बेहतर लौकिक प्रस्तावों29की पेशकश कर सकते हैं । उच्च आवृत्ति रेंज के निष्कर्षण भी ऐसी विधि30का उपयोग कर सुधार किया जा सकता है । यह ध्यान दिया गया है कि पार आवृत्ति युग्मन तेज गैर रेखीय यात्रियों द्वारा पक्षपाती किया जा सकता है और ऐसे निराधार प्रभाव के लिए नियंत्रित करने के लिए31,३२,३३की जरूरत है । कई अलग विश्लेषणात्मक तरीकों के अंतर के विश्लेषण के लिए प्रस्तावित किया गया है और अंतर-क्षेत्रीय युग्मन, जैसे चरण लॉकिंग मूल्य16, भारित चरण अंतराल सूचकांक३४, और भव्य कारण३५, और यह अस्पष्ट बनी हुई है जो विश्लेषण और पैरामीटर (जैसे, आवृत्ति) संज्ञानात्मक प्रसंस्करण के लिए सबसे अधिक प्रासंगिक हैं3. कुछ मामलों में, intracranial ईईजी डेटा पैरामीट्रिक मान्यताओं को पूरा नहीं कर सकता है और गैर-पैरामीट्रिक विश्लेषण इष्टतम३६हो सकता है । हाल ही में, अंय विश्लेषणात्मक प्रोटोकॉल३७प्रस्तावित किया गया है; अन्य प्रोटोकॉल के साथ तुलना में, एसपीएम सॉफ्टवेयर पर आधारित उन neuroscientific डेटा३८के विभिन्न प्रकार के विश्लेषण के लिए एक एकीकृत ढांचा प्रदान करने के लिए अद्वितीय क्षमता हो सकता है. शोधकर्ताओं intracranial ईईजी डेटा के लिए विश्लेषणात्मक प्रोटोकॉल में प्रगति के करीब ध्यान देना चाहिए ।

संक्षेप में, हम विश्लेषणात्मक प्रोटोकॉल है कि हम हाल ही में intracranial ईईजी डेटा है, जो समय-आवृत्ति एसपीएम विश्लेषण, पार आवृत्ति युग्मन, और प्रेरित प्रतिक्रियाओं की डीसीएम शामिल विश्लेषण लागू शुरू की । हम मानते है कि इन विश्लेषणात्मक प्रोटोकॉल तंत्रिका की पहचान कर सकते है उच्च स्थानिक और लौकिक प्रोफाइल के साथ संज्ञानात्मक कार्यों के संबद्ध ।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों का खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

इस अध्ययन Benesse निगम, जापान सोसायटी (JSPS) अगली पीढ़ी दुनिया के लिए वित्त पोषण कार्यक्रम के लिए संवर्धन के लिए धन द्वारा समर्थित किया गया था अग्रणी शोधकर्ताओं (LZ008), Neurodevelopmental विकारों में अनुसंधान को बढ़ावा देने के लिए संगठन, और JSPS 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

तंत्रिका विज्ञान अंक १४० पार आवृत्ति युग्मन गतिशील कारण मॉडलिंग (डीसीएम) चेहरा गामा दोलन अवर पश्चकपाल गाइरस intracranial electroencephalography (ईईजी) समय-आवृत्ति विश्लेषण
का विश्लेषण तंत्रिका गतिविधि और एसपीएम सॉफ्टवेयर के साथ Intracranial ईईजी डेटा का उपयोग कर कनेक्टिविटी
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