Waiting
Login processing...

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

Neuroscience

Analisando a atividade Neural e conectividade usando dados de EEG intracraniano com 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

Apresentamos dois protocolos analíticos que podem ser usados para analisar os dados de eletroencefalografia intracraniana usando o software de mapeamento estatístico paramétrico (SPM): análise tempo-frequência estatística paramétrica mapeamento para atividade neural e dinâmica causal modelagem de respostas induzidas por conectividade intra e inter regional.

Abstract

Medir a atividade neural e conectividade associados com funções cognitivas em alta resolução espacial e temporal é um objetivo importante em neurociência cognitiva. Intracraniana Eletroencefalografia (EEG) diretamente pode gravar a atividade elétrica neural e tem o potencial único para atingir essa meta. Tradicionalmente, uma média de análise foi aplicada para analisar dados de EEG intracranianas; no entanto, várias novas técnicas estão disponíveis para retratando conectividade neural de atividade e intra e inter regional. Aqui, apresentamos dois protocolos analíticos recentemente aplicado para analisar dados de EEG intracranianas usando o software estatístico paramétrico Mapping (SPM): análise SPM tempo-frequência para a atividade neural e modelagem causal dinâmica de induzido respostas para conectividade de intra e inter regional. Nós relatamos nossa análise de dados de EEG intracranianas durante a observação dos rostos como resultados representativos. Os resultados revelaram que o giro occipital inferior (IOG) mostrou atividade de gama-banda em estágios muito iniciais (110 ms) em resposta a rostos e o IOG e amígdala mostrou rápida intra e inter regional conectividade usando vários tipos de oscilações. Estes protocolos analíticos têm o potencial para identificar os mecanismos neurais subjacentes funções cognitivas com perfis espaciais e temporais elevadas.

Introduction

Medir a atividade neural e conectividade associados com funções cognitivas em alta resolução espacial e temporal é um dos principais objetivos da neurociência cognitiva. No entanto, alcançar esse objetivo não é fácil. Um método popular usado para gravar a atividade neural é imagens de ressonância magnética (MRI). Embora a ressonância funcional oferece diversas vantagens, tais como uma alta resolução espacial no nível de milímetro e gravação não-invasiva, uma clara desvantagem de ressonância funcional é sua baixa resolução temporal. Além disso, a ressonância funcional mede sinais de sangue-oxigénio-dependente de nível, que apenas indiretamente refletem a atividade elétrica neural. Métodos eletrofisiológicos populares, incluindo a Eletroencefalografia (EEG) e magnetoencefalografia (MEG), têm alta resolução temporal no nível do milissegundo. No entanto, eles têm resoluções espaciais relativamente baixas, porque eles gravar sinais elétricos/magnéticos no couro cabeludo e devem resolver problemas difíceis de inverso para descrever a atividade cerebral.

EEG intracraniano diretamente pode gravar a atividade neural elétrica em alto temporal (milissegundos) e de resoluções espaciais (centímetro)1. Esta medida pode fornecer oportunidades valiosas para entender a atividade neural e conectividade, embora tenha limitações claras (p. ex., regiões mensuráveis são restritas aos critérios clínicos). Vários estudos de EEG intracranianas aplicaram a análise tradicional de cálculo da média para descrever a atividade neural. Apesar de uma média de análise sensível pode detectar ativação tempo bloqueado e baixa frequência de banda, que não consigo detectar não-phase-locked e/ou ativação de alta frequência (por exemplo, banda gama). Além disso, acoplamento neural funcional não foi analisado em profundidade na literatura em gravações de EEG intracranianas. Várias novas técnicas foram recentemente desenvolvidas para descrever a conectividade neural de atividade e intra e inter regional em gravações MRI e EEG/MEG funcionais, que pode ser aplicado para analisar os dados de EEG intracranianas.

Aqui, apresentamos os protocolos analíticos que temos recentemente aplicado para analisar dados de EEG intracranianas usando o software estatístico paramétrico Mapping (SPM). Primeiro, a revelar quando e com que frequência, as regiões do cérebro poderiam ser ativadas, realizamos a tempo-frequência SPM análise2. Esta análise se decompõe os domínios de tempo e frequência simultaneamente usando uma transformação wavelet contínua e corrige adequadamente a taxa de erro family-wise (FEM) nos mapas de tempo-frequência, usando a teoria de campo aleatória. Em segundo lugar, para revelar como regiões do cérebro se comunicam, aplicamos Modelagem dinâmica causal (DCM) de respostas induzidas4. DCM permite a investigação de conectividade efetiva (ou seja, as influências causais e direcionais entre cérebro regiões5). Embora o DCM foi originalmente proposto como uma ferramenta para análise de dados de MRI funcional5, DCM de respostas induzidas foi estendido para analisar o espectro de potência variáveis no tempo de sinais eletrofisiológicos4. Esta análise permite a representação de ambos intra e inter regional neural conectividade. Vários estudos neurofisiológicos sugeriram que computações intra-regionais locais e longa distância inter-regionais comunicação usam principalmente oscilações gama e theta-banda, respectivamente, e suas interações (por exemplo, entrainments) pode ser refletido por theta-gama Cruz-frequência acoplamento3,6,7,8. Este relatório centra-se sobre o protocolo de dados analíticos; para uma visão geral do plano de fundo informações9,10 e gravação protocolos11 de EEG intracraniano, por favor consulte a literatura.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Nosso estudo foi aprovado pelo Comitê de ética institucional local.

1. informação básica

Nota: Os protocolos analíticos podem ser aplicados a vários tipos de dados sem quaisquer restrições quanto a participantes específicos, eletrodos, métodos de referência ou locais de eletrodo. No nosso exemplo, nós testamos seis pacientes que sofrem de epilepsia focal farmacologicamente intratável. Nós testamos pacientes que tiveram sem focos epilépticos em regiões de interesse.

  1. Gravar dados de EEG intracranianas durante a experiência cognitiva para os eletrodos de alvo.
    1. Implante de eletrodos de profundidade usando o método estereotáxico de12.
    2. Usar eléctrodos de platina subdural (diâmetro: 2,3 mm) e eletrodos de platina de profundidade (diâmetro: 0,8 mm) para medir simultaneamente a atividade cortical e subcortical, respectivamente.
    3. Coloca eletrodos de referência na superfície do crânio da região frontal dorsal de linha média, com os contatos dos eléctrodos de costas para o crânio para evitar ativação referencial12.
    4. Dados de amplificar, filtrar on-line (passa faixa: 0,5 – 300 Hz) e amostra a 1.000 Hz.
    5. Para gravar e estatisticamente remover artefatos associados com movimentos oculares, adicionalmente gravar electrooculograms. Selecione os eléctrodos de destino com base em interesses teóricos. Além disso, use individual ressonância magnética e tomografia computadorizada de dados para verificar a localização do eletrodo.
  2. Da amostra e pré-processar os dados experimentais de EEG intracranianas (Figura 1).
    Nota: Os protocolos analíticos podem ser aplicados a vários tipos de dados sem qualquer restrição de comprimento de dados específico ou métodos de pré-processamento.
    1. Aqui, dados de exemplo durante 3.000 ms (pre-estímulo: 1.000 ms; pós-estímulo: 2.000 ms) para cada julgamento.
    2. Porque participantes aqui mostrou anormalmente atividade elevada amplitude em alguns ensaios, possivelmente relacionado com a epilepsia, excluem esses ensaios outlier usando limites predefinidos (> 800 μV e > 5 SD). Outras etapas de pré-processamento, incluindo inspeção visual e análise de componentes independentes, podem ser necessárias dependendo dos objectivos experimentais e condições.
  3. Converta o formato nativo de sistema de EEG para um formato baseado em MATLAB SPM (cf. SPM12 Manual 12.1 e 12.2).
    Nota: A maioria dos formatos de dados de EEG pode ser importado diretamente no software SPM selecionando conversão na interface do Editor do lote de SPM e especificando todos os parâmetros de entrada necessários. Outra forma possível é usar um script de exemplo "spm_eeg_convert_arbitrary_data.m" no subdiretório do diretório de programa do SPM de homem/example_scripts. Esse script fornece uma maneira conveniente para converter um arquivo ASCII ou esteira arquivo que pode ser exportado por muitos sistema EEG com formato SPM.

2. tempo-frequência SPM análise

  1. Configurar SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) e use o menu analítico M/EEG13 (Figura 2).
  2. Executar o tempo – frequência SPM análise2 , selecionando "análise tempo-frequência" no menu SPM para os dados de EEG intracranianas pré-processado de cada julgamento usando decomposição wavelet contínua com as wavelets Morlet com base em parâmetros predefinidos ( Figura 3).
    Nota: Wavelets revelam a evolução temporal dos componentes espectrais por convolving intracranianas dados de EEG com wavelets de múltiplas frequências14.
    1. Aqui, realizar a decomposição wavelet usando sete-ciclo Morlet wavelets para a época inteira (-1,000 – 2.000 ms) e a faixa de frequência de 4 – 300 Hz.
    2. Determine o wavelet mãe e o número de ciclos com base em um anterior de estudo15. Observe que o número de ciclos da wavelet controla as resoluções de tempo-frequência e é recomendado para ser maior que 5 para garantir a estabilidade de estimativa13.
    3. Determine os intervalos de tempo e frequência com base no interesse da pesquisa.
  3. Corte os mapas de tempo – frequência resultantes automaticamente, selecionando "Colheita" no menu SPM para remover os efeitos de borda. Aqui, os mapas de tempo-frequência de culturas em -200-500 ms.
  4. Execute a transformação de dados (opcional) e a correção da linha de base, selecionando "tempo-frequência rescale" no menu da SPM para os mapas de tempo – frequência Visualizar as alterações relacionadas a eventos poder melhor e melhorar a normalidade dos dados.
    Nota: Aqui, os mapas de tempo – frequência foram log-transformadas e linha de base (-200 – 0 ms)-corrigido.
  5. Converta os mapas de tempo-frequência em imagens bidimensionais (2D), selecionando "Convert2Images" no menu SPM.
    1. Suave usando um kernel Gaussian com um valor de (FWHM) metade-máximo largura total predefinido para compensar a variabilidade inter sujeita e em conformidade com os pressupostos da teoria do campo aleatório usado na inferência estatística2,13 .
      Nota: Aqui, os mapas de tempo – frequência foram alisados com um kernel gaussiano de FWHM de 96 ms no domínio do tempo e 12 Hz no domínio da frequência, com base em um estudo anterior2.
  6. Entra as imagens 2D no modelo linear geral, selecionando "especificar 1º nível" no menu SPM.
  7. Estime o modelo linear geral, selecionando "Estimativa de modelo" no menu SPM.
  8. Realize inferências estatísticas os dados SPM {T} tempo – frequência com base na teoria de campo aleatório2 selecionando "Resultados" no menu SPM. Detecta clusters de tempo – frequência significativamente ativadas com limites predefinidos (eventualmente corrigidos para comparações múltiplas).
    Nota: Aqui, o limite de extensão de p < 0,05, que foi corrigida FWE para comparações múltiplas, com um limite de altura de p < 0,001 (não corrigida) foi usado.

3. DCM de respostas induzidas

  1. Configurar SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) e use o menu analítico M/EEG13 (Figura 4).
    1. Inicie análise DCM clicando o botão "DCM" no menu SPM. Ative o DCM para respostas induzidas, selecionando "IND" na caixa de listagem. Importe os dados de EEG intracranianas pré-processado clicando em "novos dados" no DCM para menu M/EEG.
  2. Especificar a janela de tempo de interesse, as condições de contrastes, de interesse para as condições selecionadas (isto definir as entradas de modulação mais tarde usadas na especificação de rede), janela de frequência de interesse e o número de ciclos de wavelet no DCM para M/EEG menu ( A Figura 5).
    1. Usar o ciclo de cinco Morlet wavelets (4 – 100 Hz em passos de 1 Hz) e definir a janela de tempo de 1-500 ms.
    2. Determine o ciclo de wavelet em conformidade com a configuração padrão. Observe que a recomendação de software é o valor maior que 5 para garantir a estabilidade de estimativa13. Os intervalos de tempo-frequência foram determinados com base em nosso interesse de pesquisa. Note que uma janela de tempo com um adicional ± 512 ms foi usada automaticamente durante o cálculo para remover os efeitos de borda.
  3. Com base no quadro DCM4,5, definir o (1) condução entradas, que representam as entradas sensoriais em Estados neurais; (2) conexões intrínsecas, que incorporam a conectividade de base entre os Estados neurais e conexões auto; e (3) efeitos moduladora na via experimental manipulações de conexões intrínsecas para modelos nulos e hipotéticos. Também defina o tipo de modulação como linear (dentro-frequência) ou não-linear (entre-frequência).
    1. Especifica conexões (lineares e não lineares) intrínsecas, condução entradas e entradas de modulação no DCM para menu M/EEG.
    2. Se necessário, modifica as configurações padrão de alguns parâmetros relacionados (por exemplo, tempo de latência de estímulo prévio e duração). Estime os modelos selecionando "inverter DCM" no DCM para menu M/EEG. Depois disso selecione salvar resultados como img para salvar a frequência frequência moduladora acoplamento imagens de parâmetro.
  4. Conduzir um modelo aleatório-efeitos de Bayesian seleção (BMS) análise17 clicando "BMS" no DCM para menu M/EEG para identificar o modelo de rede ideal. Use as probabilidades do modelo esperado e/ou probabilidades de excedência como medidas de avaliação.
  5. Fazer inferências sobre os padrões de cruz-frequência das conexões moduladora usando os parâmetros de modelo vencedor usando o menu SPM (consulte a etapa 2).
    1. Alise as imagens do parâmetro de acoplamento moduladora, selecionando "Convert2Images" no menu SPM.
    2. Realizar análises de modelo linear geral, selecionando "Especificar 2º nível" no menu SPM.
    3. Calcule os valores SPM {T} 2D, selecionando "Resultados" no menu SPM.
      Nota: Aqui, a FWHM foi fixado em 8 Hz com base em um anterior de estudo4. Valores significativos exploratorily foram identificados usando um limite de altura de p < 0,05 (não corrigida).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Usando o protocolo aqui apresentado, foram analisados dados de EEG intracranianas em resposta a rostos18,19. Nós gravamos dados de seis pacientes durante a visualização passiva de rostos, mosaicos e casas em posição vertical e invertido orientações. Os contrastes de rostos na posição vertical contra mosaicos vertical e vertical faces contra vertical casas revelaram o efeito de rosto (ou seja, a atividade cerebral de rosto específicos em relação a outros objetos). O contraste da verticalidade enfrenta contra invertido rostos revelaram o efeito de rosto-inversão (i. e., rosto específicos processamento visual, possivelmente relacionado ao processamento configural/holística20). Como a região de destino para análise tempo-frequência e acoplamento de fase – amplitude Cruz-frequência, nós selecionamos o giro occipital direita inferior (IOG) com base nas descobertas de22 neuropsicológicos anteriores da21 e neuroimagem. Para DCM, nós testamos o modelo em que o registo e a amígdala constituem uma rede funcional durante o processamento de rosto baseado no anterior evidência anatômica23.

Análise tempo-frequência

Tempo-frequência análises foram realizadas para investigar os perfis temporais e frequência de atividade IOG durante o processamento de rostos. Mapas de tempo-frequência foram convertidos em imagens 2D e entraram em geral modelo linear com os fatores do tipo de estímulo (face, casa e mosaico) e orientação (vertical e invertida). Respostas significativas foram identificadas usando um limite de extensão FEM-corrigido de p < 0,05 com um limite de altura de p < 0,001 (não corrigida). Os contrastes de testar o efeito de rosto (rosto vertical vs vertical mosaico) consistentemente revelaram significativo rápida (110-500 ms) gama-banda atividade (Figura 6a). Os contrastes de testar o efeito de rosto-inversão (vertical cara vs invertido cara) revelaram atividade de banda significativa gama num período posterior (195-500 ms).

DCM de respostas induzidas

DCM de respostas induzidas aplicou-se para testar os modelos de rede funcional do IOG e amígdala. Para o rosto e o rosto-inversão de efeitos, as probabilidades de excedência da seleção aleatória-efeitos Bayesian modelo indicaram que o modelo com conectividade moduladora intra-regionais em ambas as regiões e bidirecional moduladora inter-regional conectividade foi a mais provável entre todos os modelos possíveis (Figura 6b).

Em seguida, nós inspecionados os perfis espectrais dos acoplamentos moduladora no melhor modelo. Efeitos significativos foram avaliados para todo o intervalo espectral com um limite de altura de p < 0,05 (não corrigida). Acoplamentos de significativo mesmo e Cruz-frequência moduladora foram observados para ambos intra e inter regional conectividade de ambos os rosto e o rosto-inversão efeitos (Figura 6C). Por exemplo, como a modulação intra-regionais do efeito do rosto, a amígdala mostrou negativa gama-gama acoplamentos de cruz-frequência mesmo - e beta-gama. Entretanto, a modulação intra-IOG mostrou um acoplamento positivo de cruz-frequência na banda de theta/alfa/beta-gama. Além disso, como o acoplamento inter-regional do efeito cara, o IOG -> amígdala modulação revelou um perfil no qual a banda theta/alfa no IOG facilitou a banda gama na amígdala. Para a amígdala -> modulação IOG, a banda gama na amígdala inibiu a banda theta/alfa e a gama de mesma frequência no IOG. Para o efeito de rosto-inversão, amígdala semelhante -> modulação IOG, em que a banda gama na amígdala inibiu a banda gama no IOG, observou. No entanto, para IOG -> modulação da amígdala, a associação de theta/alfa-gama observada no efeito de rosto não era evidente.

Figure 1
Figura 1: ilustração da geração dos dados de avaliação Eletroencefalografia intracraniana. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2: interfaces de usuário gráfica do software para análise tempo-frequência estatística Parametric Mapping (SPM). (1) menu de SPM. (2) tempo-frequência análise. (3) corte. (4) correção de base. (5) conversão. (6) Suavização. (7) modelo estatístico. (8) estimativa do modelo. (9) contraste. (10) estatística inferência. Clique aqui para ver uma versão maior desta figura.

Figure 3
Figura 3: fluxograma da análise tempo-frequência usando o software estatístico paramétrico Mapping (SPM). (um) Prepare a pré-processado intracraniana Eletroencefalografia (EEG) de dados de cada julgamento. (b) decomposição de tempo-frequência (TF) de conduta para o EEG dados usando wavelet contínua transformação. (c) cultura, log-transform e linha de base correta para o TF mapas. (d), converter o TF mapeia em imagens bidimensionais (2D). (e), Enter o 2D imagens para o modelo linear geral. (f) realizar inferências estatísticas sobre os dados de TF SPM {T}. Clique aqui para ver uma versão maior desta figura.

Figure 4
Figura 4: interfaces de usuário gráfica do software estatístico paramétrico Mapping (SPM) para análises dinâmicas (DCM) de modelagem causal. (1) menu de SPM. (2) menu de DCM. (3) seleção de modelo Bayesiano. (4) suavização. (5) modelo estatístico. (6) o modelo de estimativa. (7) contraste. (8) inferência estatística. Clique aqui para ver uma versão maior desta figura.

Figure 5
Figura 5: fluxograma da modelagem dinâmica causal das respostas induzidas. (a) calcular os espectros de frequência de tempo para cada tentativa do alvo vários eletrodos (o giro occipital inferior (IOG) e a amígdala, no nosso exemplo) usando decomposição wavelet contínua. Média as magnitudes espectrais de respostas de tempo-frequência para produzir a resposta induzida. Em seguida, defina a entrada de condução, conexões intrínsecas e modulação de conexões intrínsecas manipulações experimentais. Construa modelos para testar hipóteses e estimar os modelos. (b) conduta por efeitos aleatórios Bayesian modelo seleção análise para identificar o modelo ideal. (c) converter a frequência frequência moduladora parâmetros de acoplamento em imagens bidimensionais (2D), (com suavização). Em seguida, realizar análises de modelo linear geral de efeitos aleatórios e calcular os valores SPM {T} 2D. Clique aqui para ver uma versão maior desta figura.

Figure 6
Figura 6: resultados representativos. (uma) hora-frequência mapas da atividade de giro occipital direita inferior (IOG) para a face na vertical (FU; esquerda) e as condições do mosaico vertical (MU; médio). Os dados SPM {T} para FU contra MU também são mostrados (à direita). modelos de rede (b) funcional no IOG e amígdala. Oito combinações possíveis de entrada moduladora pelo FU contra MU para conexões entre o registo e a amígdala e o auto conexão para cada região foram investigadas. (c) frequência frequência moduladora acoplamento parâmetros e valores SPM {T} para FU contra MU de IOG -> amígdala e amídala-IOG modulação são mostrados. As bolhas vermelho-amarelo e azul ciano-indicam positivo significativo/excitatórios e conectividade negativo/inibitório, respectivamente. Clique aqui para ver uma versão maior desta figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Os protocolos analíticos para dados de EEG intracranianas usando o software SPM introduzido aqui tem várias vantagens em comparação com a ressonância funcional. Primeiro, os protocolos podem retratar ativação neural em uma alta resolução temporal. Portanto, os resultados indicam que se as correlações cognitivas de ativação neural são implementadas em fases precoces ou tardias de transformação. No nosso exemplo, o efeito de rosto foi identificado durante a fase inicial (ou seja, 110 ms) de processamento visual. Além disso, a comparação dos perfis temporais da atividade neural, relacionados a diferentes funções psicológicas fornecem implicações interessantes. Em particular, o nosso exemplo revelou tempos diferentes de ativação para os rosto e rosto-inversão efeitos, começando no ms 115 e 165 ms, respectivamente, no IOG. Essa rica informação temporal pode aprofundar nossa compreensão dos mecanismos neurocognitivos.

Além disso, os protocolos podem retratar intra e inter regional neural conectividade. Dados de outras medidas neurocientíficos, tais como sinais hemodinâmicos e sinais electromagnéticos gravada no couro cabeludo, contêm uma grande quantidade de ruído e requerem a estimativa baseada em vários pressupostos para extrair os sinais elétricos originais, que podem distorcer a conectividade neural resultante. Portanto, a análise de sinais elétricos diretamente gravados é valiosa. Como ilustração, embora nossos resultados revelaram acoplamento funcional entre o registo e a amígdala durante o processamento de rosto, tal acoplamento não foi detectado em uma análise prévia de dados MRI funcional24. Compreensão de mecanismos neurais requer a identificação de relações causais entre circuitos neurais, que requer informações temporais de ativação neural.

No entanto, é importante observar que o protocolo ideal usado para gravar e analisar EEG intracraniano continua a ser debatido. Por exemplo, estudos metodológicos sugeriram que eletrodos de referência podem pegar artefatos corporais fisiológicos (por exemplo, movimentos oculares e atividade muscular) e ruído ambiental e a posição adequada de eletrodos de referência para EEG intracraniano permanece ser determinado25,26. Vários métodos de pré-processamento (por exemplo, transformações não-lineares e filtragem) para remover artefatos (por exemplo, atividade epiléptica) têm sido propostos, apesar de estarem sob debate27. Um estudo também relatou que análise tempo-frequência usando wavelet decomposição pode desfocar os picos no original dados28e métodos analíticos alternativos, tais como a transformada de Hilbert-Huang, pode oferecer melhor resoluções temporais29. A extração da faixa de alta frequência também pode ser melhorada usando tais métodos30. Tem-se observado que Cruz-frequência acoplamento poderia ser influenciado por afiada não-linear transientes e controlar para tais efeitos confundimento é necessário31,32,33. Diversos métodos analíticos têm sido propostos para a análise de intrae inter - regional de acoplamento, tais como o bloqueio de fase valor16, índice de atraso ponderada fase34e mais grandioso causalidade35e ainda não está claro quais as análises e parâmetros (por exemplo, frequência) são os mais relevantes para o cognitivo de processamento3. Em alguns casos, dados de EEG intracranianas não podem satisfazer pressupostos paramétricos e análises não-paramétricos podem ser ideal36. Recentemente, outros protocolos analíticos têm sido propostos,37; em comparação com outros protocolos, aqueles baseados no software da SPM podem ter o potencial único para fornecer uma estrutura unificada para a análise de vários tipos de dados neurocientíficos38. Pesquisadores devem prestar atenção para avanços nos protocolos analíticos para dados de EEG intracranianas.

Em resumo, nós introduzimos protocolos analíticos que aplicamos recentemente para analisar dados de EEG intracranianas, que incluem análise SPM tempo-frequência, acoplamento de cruz-frequência e DCM de respostas induzidas. Acreditamos que estes protocolos analíticos podem identificar correlações neurais das funções cognitivas com perfis espaciais e temporais elevados.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm nada para divulgar.

Acknowledgments

Este estudo foi suportado por fundos da corporação Besse, Japão sociedade para a promoção da ciência (JSPS) programa de financiamento para pesquisadores líderes mundiais de geração seguinte (LZ008), a organização para promover a pesquisa em transtornos do desenvolvimento neurológico, e o 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

Neurociência questão 140 acoplamento de cruz-frequência dinâmica causal (DCM) de modelagem rosto oscilação de gama giro occipital inferior intracraniana Eletroencefalografia (EEG) análise tempo-frequência
Analisando a atividade Neural e conectividade usando dados de EEG intracraniano com 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