Waiting
Login processing...

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

Neuroscience

Sinirsel aktivite ve bağlanırlığı İntrakraniyal EEG veri SPM yazılım programıyla analiz

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

Biz istatistik parametrik eşleme (SPM) yazılımını kullanarak kafa içi elektroansefalografi verileri çözümlemek için kullanılan iki analitik protokol mevcut: zaman-frekans istatistiksel parametrik eşleme analizi için sinirsel aktivite ve dinamik nedensel içi ve arası regional bağlantısı için indüklenen tepkilerin modelleme.

Abstract

Sinirsel aktivite ve yüksek zamansal ve mekansal çözünürlükte bilişsel fonksiyonları ile ilişkili bağlantı ölçme önemli bir hedefi kognitif Nörobilim var. Kafa içi elektroansefalografi (EEG) doğrudan elektrik sinirsel aktivite kaydedebilirsiniz ve bu amacı gerçekleştirmek için benzersiz bir potansiyele sahiptir. Geleneksel olarak, intrakranial EEG verileri çözümlemek için analiz ortalama uygulanmış; Ancak, bazı yeni teknikler sinirsel aktivite ve içi ve arası regional bağlantıyı gösteren için kullanılabilir. Burada, biz son zamanlarda uygulanan istatistiksel parametrik eşleme (SPM) yazılımını kullanarak intrakranial EEG verileri çözümlemek için iki analitik protokol tanıtmak: zaman-frekans SPM analizi için sinirsel aktivite ve dinamik nedensel modellenmesi indüklenen yanıt için içi ve arası regional bağlantı. Biz bizim analiz intrakranial EEG veri yüzler gözlem sırasında temsilcisi rapor-den sonuçlanmak. Sonuçları ortaya koydu aşağı oksipital gyrus (kütük) çok erken aşamalarında (110 msn) yanıt-e doğru yüz ve seyir defteri hem salınım türleri kullanarak hızlı içi ve arası regional bağlantı gösterdi amigdala GAMA-Grup faaliyet gösterdi. Bu analitik protokoller yüksek kayma ve zamansal profilleri ile bilişsel işlevler altında yatan sinirsel mekanizmalar belirlemek potansiyeline sahip.

Introduction

Sinirsel aktivite ve yüksek zamansal ve mekansal çözünürlükte bilişsel fonksiyonları ile ilişkili bağlantı ölçme kognitif Nörobilim birincil amaçlarından biridir. Ancak, bu hedefi gerçekleştirmek kolay değildir. Sinirsel aktivite kaydetmek için kullanılan bir popüler fonksiyonel manyetik rezonans görüntüleme (MRG) yöntemidir. Fonksiyonel MRI temiz bir dezavantajı düşük zamansal çözünürlüğü olsa da fonksiyonel MRI milimetre düzeyinde ve non-invaziv kayıt, yüksek uzaysal çözünürlük gibi birçok avantaj sunar. Buna ek olarak, fonksiyonel MRI sadece dolaylı olarak elektrik sinir etkinliği yansıtan kan oksijen düzeyi bağlı sinyalleri ölçer. Elektroansefalografi (EEG) ve magnetoencephalography (MEG), dahil olmak üzere popüler elektrofizyolojik yöntemleri yüksek zamansal milisaniyelik düzeyinde sahiptir. Ancak, sahip oldukları nispeten düşük uzamsal çözünürlük, çünkü onlar kafa derisi, Elektrik/manyetik sinyaller kaydetmek ve beyin aktivitesi tasvir zor ters problemler çözmek gerekir.

EEG intrakraniyal doğrudan yüksek zamansal (milisaniye) ve kayma (santimetre) çözünürlük1elektrik sinir etkinliğini kaydedebilirsiniz. Bu açık sınırlamalar olmasına rağmen bu ölçü sinirsel aktivite ve bağlantı, anlamak için değerli fırsatlar sağlayabilir (Örneğin, ölçülebilir bölgeler için klinik kriterleri sınırlı). Birkaç İntrakraniyal EEG Araştırmalar sinirsel aktivite tasvir için geleneksel ortalama çözümlemesi başvurdum. Her ne kadar analiz ortalama hassas zaman kilitli ve düşük frekans bandı harekete geçirmek algılayabilir, faz kilitli olmayan algılayamaz ve/veya yüksek frekanslı (Örneğin, GAMA Grup) etkinleştirme. Buna ek olarak, işlevsel sinir kancası edebiyat intrakranial EEG kayıtları üzerinde derinlemesine değerlendirilmemiş. Birkaç yeni teknikler son zamanlarda sinirsel aktivite ve içi ve arası regional bağlantısı intrakranial EEG verileri çözümlemek için uygulanan fonksiyonel MRI ve EEG/MEG kayıtları'nda tasvir için geliştirilmiştir.

Burada, biz son zamanlarda istatistiksel parametrik eşleme (SPM) yazılımını kullanarak intrakranial EEG verileri çözümlemek için uyguladığınız analitik iletişim kuralları tanıtmak. İlk ne zaman ve hangi sıklıkta ortaya çıkarmak için beynin aktif, biz zaman-frekans SPM analiz2gerçekleştirilen. Bu analiz zaman ve frekans etki aynı anda sürekli dalgacık dönüşüm kullanarak çözer ve uygun şekilde rasgele alan teorisi kullanarak zaman-frekans haritalar family-wise hata (FWE) ücretine düzeltir. İkinci olarak, nasıl beyin bölgeleri iletişim ortaya çıkarmak için biz dinamik nedensel modelleme (DCM) indüklenen yanıtları4uygulanır. DCM sağlar etkili bağlantı incelenmesi (Yani, beyin bölgeleri5arasında nedensel ve yönlü etkiler). DCM aslında fonksiyonel MRI veri5analiz etmek için bir araç olarak önerilmiş rağmen DCM indüklenen tepkilerin elektrofizyolojik sinyalleri4zaman değişen güç spectra analiz etmek için uzatıldı. Bu analiz her iki içi ve arası regional sinirsel bağlantı tasviri sağlar. Birkaç nörofizyolojik çalışmalar yerel içi bölgesel hesaplamaları ve uzun mesafe Bölgelerarası iletişim ağırlıklı olarak Gama ve Teta bandı titreşimler, sırasıyla kullanın ve ilişkileri (Örneğin, entrainments) olabilir tavsiye ettiler Teta-gama çapraz-frekans kaplin3,6,7,8tarafından yansıtılması. Bu rapor veri analitik protokolü üzerinde odaklanmaktadır; Genel arka plan bilgileri9,10 ve kayıt protokolleri11 EEG intrakraniyal için lütfen edebiyat için bakın.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Bizim çalışma yerel Kurumsal Etik Komitesi tarafından kabul edildi.

1. temel bilgiler

Not: Belirli katılımcılar, elektrotlar, başvuru yöntemleri veya elektrot konumlar olarak herhangi bir kısıtlama olmadan veri türleri için analitik iletişim kuralları uygulanır. Bizim örneğimizde, biz altı hastalarda farmakolojik zorlu odak epilepsi test. İlgi bölgelerde yok epileptik foci olan hastalar test ettik.

  1. Kayıt intrakranial EEG veri hedef elektrotlar bilişsel denemeyi sırasında.
    1. 12stereotaksik yöntemi kullanarak derinlik elektrotlar implant.
    2. Subdural platin elektrotlar kullanın (çapı: 2.3 mm) ve derinlik platin elektrotlar (çapı: 0.8 mm) aynı anda kortikal ve subcortical etkinlik, sırasıyla ölçmek için.
    3. Orta hat dorsal frontal bölge kafatası kafatası uzak başvuru harekete geçirmek12önlemek için karşı karşıya elektrot kişiler ile yüzeyi referans elektrotlar yer.
    4. Veri yükseltmek, online filtre (bant geçiren: 0,5 – 300 Hz) ve 1000 Hz'de örnek.
    5. Kaydetmek ve göz hareketleri ile ilişkilendirilmiş yapıların istatistiksel olarak kaldırmak için Ayrıca electrooculograms kaydedin. Teorik çıkarlara dayanan hedef elektrotlar seçin. Buna ek olarak, bireysel MRI ve bilgisayarlı tomografi veri elektrot konumları denetlemek için kullanın.
  2. Örnek ve önişlem deneme intrakranial EEG veri (Şekil 1).
    Not: Analitik protokolleri belirli veri uzunluğu veya önişleme yöntemleri için herhangi bir kısıtlama olmaksızın veri türleri için uygulanabilir.
    1. Burada, örnek veri sırasında 3000 ms (ön uyaran: 1000 ms; sonrası uyarıcı: 2000 ms) her deneme için.
    2. Katılımcılar burada normal olmayan bir şekilde ortaya bazı çalışmalarda yüksek genlik etkinlik muhtemelen ilgili epilepsi için önceden tanımlanmış eşikleri kullanarak bu aykırı denemeler hariç çünkü (> 800 μV ve > 5 SD). Görsel muayene ve bağımsız bileşen analizi, dahil olmak üzere diğer önişleme adımlar deneysel hedefleri ve koşullara bağlı olarak gerekli olabilir.
  3. EEG sistemi yerel biçim (cf. SPM12 manuel 12,1 ve 12,2) MATLAB tabanlı SPM biçimine dönüştürün.
    Not: Çoğu EEG veri biçimlerini doğrudan SPM yazılımına SPM toplu editörü arabiriminde dönüştürme seçerek ve tüm gerekli giriş parametreleri belirterek aktarılabilir. Başka bir olası yolu SPM programı dizin adam/example_scripts alt dizininde örnek bir komut dizisi "spm_eeg_convert_arbitrary_data.m" kullanmaktır. Bu komut dosyası bir ASCII dosyası veya SPM biçimi ile birçok EEG sistemi tarafından verilen MAT dosya dönüştürmek için kullanışlı bir yol sağlar.

2. zaman-frekans SPM Analizi

  1. SPM12 ayarla (http://www.fil.ion.ucl.ac.uk/spm/) ve M/EEG analitik menü13 (Şekil 2) kullanın.
  2. Zaman-frekans SPM analiz2 "zaman-frekans analizi" seçerek SPM menü Önişlenmiş intrakranial EEG verileri önceden tanımlanmış parametre ( dayalı Morlet dalgacık ile sürekli dalgacık ayrışma kullanarak her deneme için gerçekleştirmek Şekil 3).
    Not: Dalgacık dönüşümleri dalgacık birden çok Frekanslar14intrakranial EEG verilerle convolving tarafından spektral bileşenlerin zamansal evrimi ortaya koyuyor.
    1. Burada, Dalgacık ayrışma yedi-döngüsü Morlet dalgacık tüm dönem için kullanarak yürütmek (-1,000-2000 ms) ve 4 – 300 Hz frekans aralığı.
    2. Anne dalgacık ve bir önceki çalışma15tarihinde göre devir sayısını belirler. Not dalgacık döngülerle sayısı zaman-frekans kararları denetler ve tahmini istikrar13emin olmak için 5'ten büyük olması önerilir.
    3. Araştırma faizi göre zaman ve frekans aralıkları belirlemek.
  3. Sonuç zaman-frekans haritalar otomatik olarak kenar efektleri kaldırmak için SPM menüde "Kes" seçerek kırpma. Burada, zaman-frekans haritalar kırpmak -200-500 ms.
  4. Veri dönüştürme (isteğe bağlı) ve temel düzeltme olay-ilişkili güç değişiklikleri daha iyi görselleştirmek ve verileri normallik geliştirmek zaman-frekans haritalar için SPM menüde "zaman-frekans rescale" seçerek gerçekleştirin.
    Not: Burada, zaman-frekans haritalar günlük dönüştürdü ve satır taban çizgisi (-200 – 0 ms)-düzeltilir.
  5. Zaman-frekans haritalar SPM menüde "Convert2Images" seçerek iki boyutlu (2D) görüntüleri dönüştürün.
    1. Pürüzsüz bir Gauss çekirdek bir önceden tanımlanmış tam genişlikli yarı-maksimum (FWHM) değer ile arası konu değişkenliği için telafi etmek ve istatistiksel çıkarsama2',13 kullanılan rasgele alan teorisi varsayımlar uygun kullanma .
      Not: Burada, Gauss çekirdek FWHM 96 MS zaman etki alanındaki ve bir önceki çalışmada2dayalı frekans etki alanındaki 12 Hz ile zaman-frekans haritalar düzeltti.
  6. 2D görüntüleri SPM menüde "belirt 1 düzeyinde" seçerek genel Doğrusal model girin.
  7. Genel doğrusal model SPM menüde "Modeli tahmin" seçerek tahmin ediyoruz.
  8. SPM menüde "Sonuçlar" seçerek rasgele alan teorisi2 dayalı zaman-frekans SPM {T} veri üzerinde istatistiksel çıkarımlar gerçekleştirin. Önceden tanımlanmış eşikleri (büyük olasılıkla birden fazla karşılaştırmalar için düzeltilmiş) ile önemli ölçüde harekete geçirmek zaman-frekans kümeleri algılar.
    Not: Burada, p ölçüde eşik < p bir yükseklik eşiği ile birden fazla karşılaştırmalar için FWE düzeltilmiş 0,05 < 0,001 (düzeltilmeyen) kullanıldı.

3. indüklenen yanıtları DCM

  1. SPM12 ayarla (http://www.fil.ion.ucl.ac.uk/spm/) ve M/EEG analitik menü13 (Şekil 4) kullanın.
    1. DCM analiz SPM menüsünde "DCM" düğmesini tıklayarak başlayın. DCM indüklenen yanıt için liste kutusunda "IND" seçerek aktif hale getirin. Önişlenmiş intrakranial EEG DCM M/EEG menü için "yeni veri" tıklayarak veri.
  2. Zaman penceresi faiz, ilgi, tezat şartları (Bu ağ belirtimi içinde daha sonra kullanılan modülasyon girdileri tanımlamak) Seçilen koşulları, frekans pencere ilgi ve M/EEG menü (DCM dalgacık döngülerle sayısını belirtin Şekil 5).
    1. Beş-döngüsü Morlet dalgacık (1-Hz adımlarla 4-100 Hz) kullanın ve zaman penceresi 1-500 ms için ayarlayın.
    2. Varsayılan ayarı dalgacık belirlemek. Yazılım tavsiye değer tahmini istikrar13emin olmak için 5'ten büyük olduğunu unutmayın. Zaman-frekans aralıkları bizim araştırma faizi göre belirlenmiştir. Not bir ek ± 512 ms ile bir zaman penceresi otomatik olarak kenar efektleri kaldırmak için hesaplaması sırasında kullanıldı.
  3. DCM framework4,5temel alarak, (1) belirlemenize sinirsel Birleşik; duyusal girişleri temsil girişleri sürüş (2) sinirsel Birleşik ve kendi kendine bağlantılar arasında temel bağlantı somutlaştırmak iç bağlantıları; ve iç bağlantıları üzerinden deneysel manipülasyonlar için null ve onaylanmadığına karar modelleri (3) düzenleyici etkileri. Ayrıca Modülasyon türünü doğrusal (içinde-frekans) veya doğrusal olmayan (arasında-frekans) olarak tanımlar.
    1. İçsel (doğrusal ve doğrusal olmayan) bağlantıları, sürüş girişleri ve modülasyon girişleri DCM M/EEG menü için belirtin.
    2. (Örneğin, önceki uyarıcı başlangıç zamanı ve süre) ilgili bazı parametre varsayılan ayarlarını değiştirin. Modelleri "DCM ters çevir'i" M/EEG menü için DCM seçerek tahmin ediyoruz. Bundan sonra frekans frekanslı düzenleyici kaydetmek için seçim sonuçları img olarak kaydet parametre görüntüleri kaplin.
  4. Bir rasgele efektler Bayesian modeli seçimi (BMS) analiz17 "BMS" DCM M/EEG menü için en iyi ağ modeli tanımlamak için tıklatarak kuralları. Modeli beklenen değerler ve/veya exceedance olasılıklar değerlendirme ölçü olarak kullanın.
  5. SPM menüsünü kullanarak kazanan modeli Parametreler kullanarak düzenleyici bağlantı çapraz-frekans kalıpları ile ilgili çıkarımlar yapmak (bkz: adım 2).
    1. Düzenleyici bağlantı parametresi görüntüleri SPM menüde "Convert2Images" seçerek düz.
    2. Genel doğrusal model çözümlemesi SPM menüde "Belirt 2 düzeyi" seçerek.
    3. SPM menüde "Sonuçlar" seçerek 2D SPM {T} değerlerini hesaplamak.
      Not: Burada, FWHM 8 Hz değerinde bir önceki çalışmada4göre ayarlandı. Önemli değerleri exploratorily p bir yükseklik eşiği kullanarak tespit edildi < 0,05 (düzeltilmeyen).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Burada sunulan iletişim kuralını kullanarak, intrakranial EEG veri yüzler18,19yanıt olarak analiz ettik. Biz altı hasta verilerden yüzler, mozaik ve dik evlerde pasif görüntüleme sırasında kayıt ve yönelimleri tersine. Dik yüzleri karşı dik mozaik ve dik yüzleri karşı dik evleri tezat yüz etkisi (Yani, diğer nesnelere göre yüz özgü beyin aktivitesi) saptandı. Ters karşı dik karşıtlığını yüzleri yüzleri ortaya yüz-inversiyon etkisi (i.e., yüz özel görsel işleme muhtemelen ilgili configural/bütünsel işleme20' ye). Zaman-frekans analizi ve faz-genlik çapraz-frekans bağlantı için hedef bölge biz sağ inferior oksipital gyrus (kütük) önceki nöropsikolojik21 ve beyin görüntüleme22 bulgularına dayanarak seçildi. DCM için hangi seyir defteri ve amigdala bir işlevsel ağ önceki anatomik kanıt23tarihinde dayalı yüz işleme sırasında teşkil modeli test ettik.

Zaman-frekans analizi

Zaman-frekans analizleri seyir defteri faaliyet zamansal ve frekans profilleri yüzler işlenirken araştırmak için yapılmıştır. Zaman-frekans haritalar 2D görüntüleri çevrildi ve genel Doğrusal model uyarıcı türü (yüz, ev ve mozaik) ve yönde (dik ve ters) faktörleri ile girdi. Önemli yanıt bir ölçüde FWE düzeltilmiş eşik değeri p kullanarak tespit edildi < 0,05 p bir yükseklik eşiği ile < 0,001 (düzeltilmeyen). Yüz etkisi (dik yüz vs dik mozaik) sürekli olarak test tezat önemli hızlı (110-500 ms) gama bantlı ortaya etkinlik (Şekil 6a). Yüz-inversiyon etkisi (dik vs ters yüz) test tezat önemli GAMA Grup etkinliği daha sonraki bir dönemde (195-500 ms) saptandı.

DCM indüklenen yanıtları

DCM indüklenen tepkilerin seyir defteri ve amigdala işlevsel ağ modelleri sınamak için uygulandı. Rastgele etkileri Bayesian modeli seçim exceedance olasılıklar için yüz ve yüz-ters etkileri, belirtilen bölgeler ve çift yönlü arası Bölge Düzenleyici içi bölgesel düzenleyici bağlantı modeliyle bağlantı en büyük olasılıkla tüm olası modeller (Şekil 6b) arasında yapıldı.

Ardından, en iyi modeldir düzenleyici kaplinler spektral profilleri kontrol. Önemli etkileri değerlendirildi p bir yükseklik eşiği ile tüm spektral aralığı için < 0,05 (düzeltilmeyen). Önemli aynı ve çapraz-frekanslı düzenleyici kaplinler için hem de içi ve arası regional bağlantı her iki yüz ve yüz-ters etkileri (Şekil 6 c) tespit edildi. Örneğin, yüz etkisi içi bölgesel modülasyon, aynı - ve beta-gamma çapraz-frekans kuplajları negatif GAMA-GAMA amigdala gösterdi. Bu arada, içi seyir defteri modülasyon olumlu bir çapraz-frekans kaplin teta/Alfa/beta-gamma grupta gösterdi. Ayrıca, bölgelerarası kaplin yüz etkisi olarak seyir defteri -> amigdala modülasyon ortaya bir profil seyir defteri teta/Alfa grupta amigdala gama grupta kolaylaştırdı. Amigdala için seyir defteri modülasyon ->, teta/Alfa grubu ve seyir defteri aynı frekansta gama grupta amigdala gama grupta inhibe. Yüz-ters etki için benzer amigdala -> seyir defteri modülasyon, amigdala gama grupta seyir defteri gama grupta inhibe, gözlendi. Ancak, amigdala modülasyon için seyir defteri ->, teta/alfa-Gama derneğin yüz yürürlükte gözlenen belirgin değildi.

Figure 1
Şekil 1: deneme kafa içi elektroansefalografi veri nesil Illustration. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 2
Şekil 2: grafik kullanıcı arabirimleri için zaman-frekans analizi istatistiksel parametrik eşleme (SPM) yazılım. (1) SPM menü. (2) zaman-frekans analizi. (3) kırpma. (4) temel düzeltme. (5) dönüştürme. (6) Düzgünleştirme. (7) istatistiksel modeli. (8) modeli tahmin. (9) kontrast. (10) istatistiksel çıkarım. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 3
Şekil 3: zaman-frekans analizi istatistiksel parametrik eşleme (SPM) yazılımını kullanarak akış çizelgesi. Her deneme (bir) hazırlama Önişlenmiş kafa içi elektroansefalografi (EEG) veri. (b) kuralları zaman-frekans (TF) ayrıştırma için EEG verileri kullanarak sürekli dalgacık dönüşümü. (c) ürün, günlük-dönüşüm ve temel TF haritalar için doğru. (d) dönüştürmek TF iki boyutlu (2D) görüntü içine haritalar. Genel doğrusal model (e) Enter 2D görüntüleri. (f) gerçekleştir istatistiksel çıkarımlar TF SPM {T} veri üzerinde. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 4
Şekil 4: dinamik nedensel (DCM) Modelleme çözümlemesi için istatistiksel parametrik eşleme (SPM) yazılım grafik kullanıcı arabirimleri. (1) SPM menü. (2) DCM menü. (3) Bayesian model seçimi. (4) yumuşatma. (5) istatistiksel modeli. (6) modeli tahmin. (7) kontrast. (8) istatistiksel çıkarım. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 5
Şekil 5: akış çizelgesi indüklenen yanıtları dinamik nedensel modellenmesi. (bir) hedeflenen her deneme için zaman-frekans spectra hesaplamak birden çok elektrotlar (aşağı oksipital gyrus (tane) ve amigdala bizim örnek) sürekli dalgacık ayrışma kullanarak. Spektral büyüklükleri indüklenen yanıt vermeye zaman-frekans tepkilerin ortalama. Daha sonra sürüş giriş, iç bağlantıları ve modülasyon iç bağlantıları tarafından deneysel manipülasyonlar tanımlayın. Hipotezler test etmek ve modelleri tahmin modelleri oluşturun. en uygun modeli tanımlamak için (b) kuralları etkileri rasgele bir Bayesian modeli seçimi analizi. (c) dönüştürmek frekans-frekans düzenleyici bağlantı parametreleri (yumuşatma ile) iki boyutlu (2D) görüntüler. Daha sonra rastgele etkileri genel Doğrusal model çözümlemesi ve 2D SPM {T} değerlerini hesaplamak. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Figure 6
Şekil 6: temsilcisi sonuçları. (bir) zaman-frekans haritalar (FU; sol) dik yüz için sağ inferior oksipital gyrus (kütük) faaliyet ve dik mozaik (MU; orta) koşulları. SPM {T} veri FU karşı MU için de (sağda) gösterilir. (b) işlevsel ağ modellerinde amigdala ve seyir defteri. Sekiz kombinasyonları düzenleyici girişi FU karşı MU seyir defteri ve amigdala ve her bölge kendi kendine bağlantı arasındaki bağlantıları üzerine tarafından araştırıldı. (c) frekans frekanslı düzenleyici parametreleri ve SPM {T} değerlerini FU karşı seyir defteri MU -> amigdala ve amigdala -> seyir defteri kaplin modülasyon gösterilir. Kırmızı-sarı ve mavi-mavi lekeler önemli olumlu/eksitatör ve olumsuz/inhibitör bağlantısı, sırasıyla gösterir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Burada tanıtılan SPM yazılım kullanarak intrakranial EEG verileri analitik protokollerde fonksiyonel MRI ile karşılaştırıldığında birçok avantajı var. İlk olarak, iletişim kurallarını yüksek zamansal çözünürlükte sinir harekete geçirmek tasvir. Bu nedenle, sonuçlar sinir harekete geçirmek bilişsel ilişkilendirir erken veya geç işleme aşamalarında uygulanan olup olmadığını gösterir. Örneğimizde, yüz etkisi görsel işleme (Yani, 110 msn) çok erken evrelerinde tespit edilmiştir. Ayrıca, sinirsel aktivite için farklı psikolojik işlevler ile ilgili geçici profilleri karşılaştırılması ilginç sonuçları sağlar. Özellikle, bizim örnek farklı harekete geçirmek kez 115 ms ve 165 ms, sırasıyla, kütük içinde başlayan yüz ve yüz-inversiyon efektler için ortaya koydu. Böyle zengin zamansal bilgi nörobilişsel mekanizmaları anlayışımızı derinleştirmek.

Ayrıca, protokollerini Intra ve arası regional sinirsel bağlantı tasvir. Hemodinamik sinyalleri ve elektromanyetik sinyaller, kafa derisi kaydedildi gibi neuroscientific diğer önlemler gelen gürültü büyük miktarda içerir ve deforme edebilirsiniz orijinal elektrik sinyalleri ayıklamak için birkaç varsayımlara dayalı tahmin gerektirir Sonuç sinirsel bağlantı. Bu nedenle, doğrudan kayıtlı elektrik sinyalleri analiz değerlidir. Her ne kadar bizim sonuçları arasında seyir defteri ve amigdala fonksiyonel bağlantı yüz işleme sırasında ortaya bir örnek olarak, fonksiyonel MRI veri24önceki bir analizde böyle bağlantı algılanmadı. Nöral mekanizmalarını anlayabilmek sinirsel etkinleştirme geçici bilgi gerektiren sinir devreleri arasında nedensel ilişkileri tanımlaması gerekir.

Ancak, kayıt ve EEG intrakraniyal çözümlemek için kullanılan en uygun iletişim kuralı çok tartışılan kaldığına dikkat edin önemlidir. Örneğin, metodolojik çalışmalarda referans elektrotlar bedensel fizyolojik eserler (Örneğin, göz hareketleri ve kas aktivitesi) ve çevresel gürültü ve referans elektrot için uygun pozisyon alabilirsiniz olduğunu düşündürmektedir EEG intrakraniyal kararlı25,26gerekmektedir. Tartışma27altında olmalarına karşın eserler (Örneğin, epileptik aktivite) kaldırmak için birkaç önişleme Yöntem (Örneğin, filtreleme ve non-lineer dönüşümler) önerilmiştir. Bir çalışma da zaman-frekans analizleri dalgacık ayrışma kullanarak özgün veri28ve Hilbert-Huang dönüşüm gibi alternatif analitik yöntemleri Peaks'e bulanıklık, daha iyi zamansal çözünürlük29sunabilir bildirdi. Yüksek frekans aralığı çıkarımı da böyle yöntemleri30kullanarak gelişmiş. Bu çapraz-frekans kaplin keskin doğrusal olmayan geçişler tarafından önyargılı ve karıştırıcı etkileri için kontrol gerekli31,32,33olduğunu kaydetti vardır. Belirsiz faz kilitleme değeri16, ağırlıklı faz gecikme Dizin34, görkemli nedensellik35, kalır ve ve bunun gibi birkaç farklı analitik yöntem analizi, içi - ve arası - kaplin, regional için önerilmiştir Hangi analizleri ve parametreleri (Örneğin, frekans) en alakalı bilişsel işleme3bulunmaktadır. Bazı durumlarda, intrakranial EEG veri parametrik varsayımlar memnun değil ve parametrik olmayan analiz en uygun36olabilir. Son zamanlarda, analitik diğer protokoller önerilen37olmuştur; diğer iletişim kuralları ile karşılaştırıldığında, bu SPM yazılımını temel alan çeşitli neuroscientific veri38analiz için Birleşik bir çerçeve sağlamak için benzersiz potansiyeli olabilir. Araştırmacılar gelişmeler analitik Protokoller'de intrakranial EEG veri için dikkat.

Özetle, biz son zamanlarda zaman-frekans SPM analizi, çapraz-frekans kaplin ve DCM indüklenen yanıtları dahil intrakranial EEG verileri çözümlemek için uygulanan analitik protokol tanıttı. İnandığımız bu analitik protokoller bilişsel fonksiyonların sinirsel ilişkilendirir yüksek uzamsal ve zamansal profilleriyle tanımlayabilirsiniz.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Yazarlar ifşa gerek yok.

Acknowledgments

Bu çalışmada Benesse Corporation, Japonya toplum bilim promosyon (JSP'ler) finansman programı için sonraki nesil dünyanın önde gelen araştırmacılar (LZ008), organizasyon teşvik araştırma nörogelişimsel bozukluklar için fon tarafından desteklenmiştir, ve JSP'ler KAKENHI (15K 04185; 18K 03174).

Materials

Name Company Catalog Number Comments
none

DOWNLOAD MATERIALS LIST

References

  1. Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).
  2. Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
  3. Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
  4. Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
  5. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
  6. Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
  7. Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
  8. Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191 (2010).
  9. Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
  10. Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
  11. Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993 (2012).
  12. Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
  13. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
  14. Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
  15. Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
  16. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  17. Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
  18. Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
  19. Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
  20. Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition? Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
  21. Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
  22. Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
  23. Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
  24. Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
  25. Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
  26. Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
  27. Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
  28. Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
  29. Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
  30. Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
  31. Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
  32. Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351 (2016).
  33. Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
  34. Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
  35. Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
  36. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  37. Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
  38. Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).

Tags

Neuroscience sayı: 140 çapraz-frekans kaplin dinamik nedensel (DCM) modelleme yüz gama salınım aşağı oksipital gyrus kafa içi elektroansefalografi (EEG) zaman-frekans analizi
Sinirsel aktivite ve bağlanırlığı İntrakraniyal EEG veri SPM yazılım programıyla analiz
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