Waiting
Login processing...

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

Neuroscience

Análisis de actividad de los nervios y conectividad mediante datos EEG intracraneal con Software SPM

Published: October 30, 2018 doi: 10.3791/58187
Automatic Translation
*1, *2, 3, 4, 5, 5, 6, 7, 5
1Kokoro Research Center, Kyoto University, 2Brain Activity Imaging Center, Advanced Telecommunications Research Institute International, 3Department of Neurodevelopmental Psychiatry, Habilitation and Rehabilitation, Graduate School of Medicine, Kyoto University, 4National Epilepsy Center, 5Shizuoka Institute of Epilepsy and Neurological Disorders, 6Department of System Neuroscience, Sapporo Medical University, 7Faculty of Human Health Science, Graduate School of Medicine, Kyoto University
* These authors contributed equally

Summary

Presentamos dos protocolos analíticos que pueden utilizarse para analizar los datos de electroencefalografía intracraneal mediante el software de mapeo paramétrico estadístico (SPM): Análisis de mapeo paramétrico estadístico tiempo-frecuencia de actividad de los nervios y dinámica causal modelado de las respuestas inducidas para la conectividad intra e interregional.

Abstract

Medición de actividad de los nervios y la conectividad asociada a las funciones cognitivas en alta resolución espacial y temporal es un objetivo importante en Neurociencia cognitiva. Intracraneal electroencefalografía (EEG) directamente puede registrar la actividad eléctrica de los nervios y tiene la capacidad única para alcanzar esta meta. Tradicionalmente, con un promedio de análisis se ha aplicado para analizar los datos de EEG intracraneales; sin embargo, varias nuevas técnicas están disponibles para que la conectividad neuronal de la actividad y intra e interregional. Aquí, presentamos dos protocolos analíticos recientemente se aplicó para analizar los datos de EEG intracraneales mediante el software de mapeo paramétrico estadístico (SPM): Análisis de tiempo-frecuencia SPM para la actividad de los nervios y modelado causal dinámica de inducidas por conectividad intra e interregional. Divulgamos el análisis de datos de EEG intracraneales durante la observación de las caras como resultados representativos. Los resultados revelaron que el giro occipital inferior (IOG) demostró actividad gamma-banda en etapas muy tempranas (110 ms) en respuesta a caras y el GSI y amygdala demostrada rápida intra e interregional conectividad mediante varios tipos de oscilaciones. Estos protocolos analíticos tienen el potencial para identificar los mecanismos neuronales subyacentes a las funciones cognitivas con altos perfiles espaciales y temporales.

Introduction

Medición de actividad de los nervios y la conectividad asociada a las funciones cognitivas en altas resoluciones espaciales y temporales es uno de los objetivos principales de la Neurociencia cognitiva. Sin embargo, no es fácil lograr este objetivo. Un método popular usado para registrar la actividad neuronal es la proyección de imagen de resonancia magnética funcional (MRI). Aunque MRI funcional ofrece varias ventajas, tales como una alta resolución espacial a nivel milimétrico y grabación no invasivo, una desventaja clara de la RMN funcional es su baja resolución temporal. Además, MRI funcional mide señales dependientes de nivel del oxígeno de sangre, que sólo indirectamente reflejan la actividad eléctrica de los nervios. Métodos electrofisiológicos, como electroencefalografía (EEG) y magnetoencefalografía (MEG), tienen alta resolución temporal en el nivel de milisegundo. Sin embargo, tienen resolución espacial relativamente baja, ya que registran las señales eléctricas/magnéticas en el cuero cabelludo y debe resolver problemas inversos para representar la actividad cerebral.

EEG intracraneal puede grabar directamente la actividad eléctrica neuronal en alta temporal (milisegundo) y espacial (cm) resolución1. Esta medida puede proporcionar valiosas oportunidades para entender la actividad de los nervios y la conectividad, aunque tiene limitaciones claras (por ejemplo, regiones medibles están restringidas a criterios clínicos). Varios estudios de EEG intracraneales han aplicado análisis promedio tradicional para representar la actividad de los nervios. Aunque con un promedio de análisis sensible puede detectar activación de banda de tiempo-bloqueada y baja frecuencia, no se detecta no-fase-bloqueado o activación de alta frecuencia (por ejemplo, la banda de gamma). Además, acoplamiento neuronal funcional no ha sido analizada en profundidad en la literatura en las grabaciones de EEG intracraneales. Varias nuevas técnicas se han desarrollado recientemente para representar neuronal actividad intra e interregional conectividad funcional grabaciones RM y EEG/MEG, que se puede aplicar para analizar los datos de EEG intracraneales.

Aquí, presentamos protocolos analíticos que recientemente hemos aplicado para analizar los datos de EEG intracraneales mediante el software de mapeo paramétrico estadístico (SPM). Primero, a revelar Cuándo y con que frecuencia, podrían activar las regiones cerebrales, realizamos tiempo-frecuencia SPM análisis2. Este análisis descompone los dominios de tiempo y frecuencia simultáneamente usando una transformación wavelet continua y corrige adecuadamente la tasa de error family-wise (EFT) en los mapas de frecuencia de tiempo usando la teoría de campo al azar. En segundo lugar, para descubrir cómo se comunican las regiones del cerebro, aplicamos modelado causal dinámica (DCM) de respuestas inducido4. DCM permite la investigación de la conectividad efectiva (es decir, las influencias causales y direccionales entre las regiones de cerebro5). Aunque DCM fue propuesto originalmente como una herramienta para el análisis funcional MRI datos5, DCM de respuestas inducidas ha sido ampliado para analizar los espectros de energía varían con el tiempo de las señales electrofisiológicas4. Este análisis permite la representación de ambos intra e interregional neural conectividad. Varios estudios neurofisiológicos han sugerido que los cálculos intra regionales locales y comunicación interregional a larga distancia utilizan principalmente las oscilaciones de la theta y gamma banda, respectivamente, y sus interacciones (por ejemplo, entrainments) puede reflejarse por theta gamma Cruz-frecuencia acoplamiento3,6,7,8. Este informe se centra en el protocolo de análisis de datos; para un resumen de información de fondo9,10 y de protocolos de grabación11 de EEG intracraneal, refiera por favor a la literatura.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Nuestro estudio fue aprobado por el Comité de ética institucional local.

1. básica información

Nota: Los protocolos analíticos pueden aplicarse a varios tipos de datos sin restricciones en cuanto a participantes específicos, electrodos, métodos de referencia o electrodo ubicaciones. En nuestro ejemplo, hemos probado a seis pacientes que sufren de epilepsia focal intratable farmacológicamente. Probamos a pacientes que no tenían los focos epilépticos en las regiones de interés.

  1. Registrar datos de EEG intracraneales durante el experimento cognitivo en los electrodos de destino.
    1. Implante de electrodos de profundidad utilizando el método estereotáctico12.
    2. Utilizar electrodos de platino subdurales (diámetro: 2,3 mm) y electrodos de platino de profundidad (diámetro: 0,8 mm) para medir simultáneamente la actividad cortical y subcortical, respectivamente.
    3. Coloque los electrodos de referencia en la superficie del cráneo de la región frontal dorsal de la línea media, con los contactos de los electrodos hacia el cráneo para evitar activación referencial12.
    4. Ampliar datos, filtro en línea (pase de banda: 0.5 – 300 Hz) y muestra a 1000 Hz.
    5. Para registrar y quitar estadísticamente artefactos asociados con movimientos de los ojos, además de grabar electrooculograms. Seleccionar los electrodos de destino basados en intereses teóricos. Además, utilizar datos de tomografía computada y MRI individual para comprobar la ubicación del electrodo.
  2. De la muestra y preprocesar datos EEG intracraneales (figura 1).
    Nota: Los protocolos analíticos pueden aplicarse a varios tipos de datos sin restricción de longitud de datos específico o métodos de preprocesamiento.
    1. Aquí, datos de la muestra durante ms de 3.000 (antes estímulo: 1.000 ms; posterior al estímulo: 2.000 ms) para cada ensayo.
    2. Porque los participantes aquí demostrados anormalmente actividad de alta amplitud en algunos ensayos, posiblemente relacionados con la epilepsia, excluyen estos ensayos aislados con umbrales predefinidos (> 800 μV y > 5 SD). Otros pasos de preprocesamiento, incluyendo inspección visual y análisis de componentes independientes, pueden ser necesarios dependiendo de los objetivos experimentales y condiciones.
  3. Convertir el formato nativo del sistema de EEG en un formato basado en MATLAB SPM (cf. SPM12 Manual de 12.1 y 12.2).
    Nota: La mayoría de formatos de datos EEG puede ser importada directamente en software SPM seleccionar conversión en la interfaz del Editor de lote de SPM y especificando todos los parámetros de entrada requeridos. Otra forma posible es usar un script de ejemplo "spm_eeg_convert_arbitrary_data.m" en el subdirectorio de hombre/example_scripts del directorio de programa SPM. Esta secuencia de comandos proporciona una forma conveniente para convertir un archivo ASCII o estera que se puede exportar por muchos sistemas de EEG con formato SPM.

2. tiempo-frecuencia SPM análisis

  1. Configurar SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) y utiliza el M/EEG menú analítica13 (figura 2).
  2. Realizar el tiempo – frecuencia SPM análisis2 seleccionando "análisis tiempo-frecuencia" en el menú SPM de preprocesados datos EEG intracraneales de cada ensayo mediante descomposición wavelet continua con wavelets de Morlet basadas en parámetros predefinidos ( Figura 3).
    Nota: Transformaciones Wavelet revelan la evolución temporal de las componentes espectrales por convolución tamaño datos de EEG intracraneales con wavelets de múltiples frecuencias14.
    1. Aquí, llevar a cabo utilizando ciclo de siete Morlet wavelets para la época toda la descomposición wavelet (-1,000 – 2.000 ms) y rango de frecuencia de 4 – 300 Hz.
    2. Determinar la wavelet madre y número de ciclos basada en un anterior estudio15. Tenga en cuenta que el número de ciclos en la wavelet controla el tiempo – frecuencia resoluciones y se recomienda ser mayor de 5 para asegurar la estabilidad de valoración13.
    3. Determinar rangos de tiempo y frecuencia basadas en el interés de investigación.
  3. Los mapas de tiempo – frecuencia resultantes de cultivos automáticamente seleccionando "Cultivo" en el menú SPM para eliminar los efectos de borde. Aquí, los mapas de tiempo – frecuencia de los cultivos en -200 – 500 ms.
  4. Realizar la transformación de datos (opcional) y corrección de línea base mediante la selección de "reescalar tiempo-frecuencia" en el menú SPM para los mapas de tiempo – frecuencia visualizar mejor los cambios de energía relacionados con eventos y mejorar la normalidad de los datos.
    Nota: Aquí, los mapas de tiempo – frecuencia fueron transformados registro y línea de base (-200-0 ms)-corregido.
  5. Convertir los mapas de tiempo – frecuencia imágenes bidimensionales (2D) seleccionando "Convert2Images" en el menú SPM.
    1. Liso con un núcleo Gaussiano con un valor de (FWHM) predefinido lleno-ancho máximo de la mitad para compensar la variabilidad entre sujeta y se ajustan a los supuestos de la teoría de campo al azar en la inferencia estadística2,13 .
      Nota: Aquí, los mapas de tiempo – frecuencia se suavizan con un kernel gaussiano de FWHM de 96 ms en el dominio del tiempo y 12 Hz en el dominio de la frecuencia basado en un estudio anterior2.
  6. Entrar las imágenes 2D en el modelo lineal general seleccionando especificar 1 "nivel" en el menú SPM.
  7. Estimar el modelo lineal general seleccionando "Estimación de modelo" en el menú SPM.
  8. Realizar inferencias estadísticas sobre los datos de tiempo – frecuencia SPM {T} basados en la teoría del campo al azar2 seleccionando "Resultados" en el menú SPM. Detectar activados mucho tiempo – frecuencia racimos con umbrales predefinidos (posiblemente corregidos para comparaciones múltiples).
    Nota: Aquí, el umbral de medida de p < 0.05, que es EFT-corregido para comparaciones múltiples, con un límite de altura de p < 0.001 (sin corregir) fue utilizado.

3. DCM de respuestas inducidas

  1. Configurar SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) y utiliza el M/EEG menú analítica13 (figura 4).
    1. Iniciar análisis de DCM haciendo clic en botón "DCM" en el menú SPM. Activar DCM inducido respuestas seleccionando "IND" en el cuadro de lista. Importar los datos de EEG intracraneales preprocesados haciendo clic en "nuevos datos" en el DCM para menú M/EEG.
  2. Especificar la ventana de tiempo de interés, las condiciones de interés, contrastes para las condiciones seleccionadas (Esto define las entradas de modulación utilizadas más adelante en la especificación de red), ventana de frecuencia de interés y el número de los ciclos de la wavelet en el DCM de menú () M/EEG Figura 5).
    1. Utilizar cinco-ciclo Morlet wavelets (4 – 100 Hz en pasos de 1 Hz) y la ventana de tiempo a ms de 1, 500.
    2. Determinar el ciclo de wavelet con arreglo a la configuración por defecto. Tenga en cuenta que la recomendación de software es el valor mayor de 5 para asegurar la estabilidad de valoración13. Se determinaron los rangos de tiempo – frecuencia basada en nuestro interés de investigación. Tenga en cuenta que una ventana de tiempo con un ± adicional 512 ms automáticamente se utilizó durante el cómputo para eliminar los efectos de borde.
  3. Basado en el marco de DCM4,5, definen el (1) conducción de entradas, que representan las entradas sensoriales de Estados neuronales; (2) las conexiones intrínsecas, que incorporan la conectividad de línea de base entre los Estados neuronales y conexiones por cuenta propia; y (3) efectos moduladores en las conexiones intrínsecas vía experimental manipulaciones para modelos nulos e hipotéticas. También definir el tipo de modulación lineal (en frecuencia) o no lineales (entre frecuencias).
    1. Especificar conexiones (lineales y no lineales) intrínsecas, conducción y entradas de modulación en el DCM para menú M/EEG.
    2. Modificar la configuración por defecto de algunos parámetros relacionados (p. ej., tiempo de inicio del estímulo previo y duración) si es necesario. Estimar los modelos seleccionando "DCM de invertir" en el DCM para menú M/EEG. Después de seleccione Guardar resultados como img guardar modulador frecuencia acoplamiento imágenes de parámetro.
  4. Realizar un análisis efectos aleatorios Bayesiano modelo selección (BMS)17 haciendo clic en "BMS" en el DCM para menú M/EEG para identificar el modelo de red óptimo. Utilizar las probabilidades del modelo esperado o probabilidades de excedencia como medidas de evaluación.
  5. Hacer inferencias con respecto a los patrones de la Cruz-frecuencia de las conexiones del moduladores usando los parámetros del modelo ganador mediante el menú SPM (véase paso 2).
    1. Suavizar las imágenes del parámetro de acoplamiento modulador seleccionando "Convert2Images" en el menú SPM.
    2. Realizar análisis de modelo lineal general seleccionando "Especificar nivel de 2 º" en el menú SPM.
    3. Calcular los valores SPM {T} 2D seleccionando "Resultados" en el menú SPM.
      Nota: Aquí, el FWHM se fijó en 8HZ, basado en un estudio anterior4. Valores significativos exploratorily se identificaron usando un umbral de altura de p < 0.05 (sin corregir).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Utilizando el protocolo aquí presentado, se analizaron datos de EEG intracraneales en respuesta a caras18,19. Registraron datos de seis pacientes durante la observación pasiva de caras, mosaicos y casas en posición vertical y había invertida orientaciones. Los contrastes de comparación vertical mosaicos de caras verticales y caras vertical versus casas vertical revelaron el efecto de la cara (es decir, la actividad cerebral cara específica en relación con otros objetos). El contraste de la vertical enfrenta frente invertido caras revelaron el efecto de inversión de cara (es decir., procesamiento visual específico del rostro posiblemente relacionado con el proceso configural/holístico20). Como la región de destino para el análisis de tiempo, frecuencia y fase – amplitud Cruz-frecuencia acoplamiento, seleccionamos el giro occipital inferior derecho (IOG) basado en resultados22 neurofisiológicos anteriores de21 y de neuroimagen. Para DCM, probamos el modelo en el que el GSI y la amígdala constituyen una red funcional durante el proceso de cara basado en evidencia anatómica anterior23.

Análisis tiempo-frecuencia

Se realizaron análisis de frecuencia de tiempo para investigar los perfiles temporales y la frecuencia de la actividad IOG durante el procesamiento de caras. Mapas de frecuencia de tiempo fueron convertidas en imágenes 2D y entraron en la general modelo lineal con los factores del tipo de estímulo (rostro, casa y mosaico) y orientación (vertical e invertida). Respuestas significativas se identificaron usando un umbral de medida corregida de EFT de p < 0.05 con un umbral de altura de p < 0.001 (sin corregir). Los contrastes pruebas sistemáticamente el efecto de la cara (cara vertical vs vertical mosaico) revelaron importantes rápido (110-500 ms) gamma-banda actividad (Figura 6a). Los contrastes que prueba el efecto de inversión de cara (cara vertical vs invertido cara) revelaron gamma significativa banda actividad en un período posterior (195-500 ms).

DCM de respuestas inducidas

DCM de respuestas inducidas fue aplicado para probar los modelos de red funcional de la GSI y la amígdala. Para los efectos de la cara y la cara de la inversión, las probabilidades de excedencia de la selección de modelo de efectos aleatorios Bayesiano indicaron que el modelo con conectividad intrarregional modulador en las regiones y de bidireccional interregional modulador Conectividad era más probable entre todos los modelos posibles (figura 6b).

A continuación, se analizaron los perfiles espectrales de los acomplamientos del moduladores en el mejor modelo. Se evaluaron los efectos significativos para toda la gama espectral con un umbral de altura de p < 0.05 (sin corregir). Acoplamientos modulador importante mismo y Cruz-frecuencia se observaron tanto intra e interregional conectividad de ambos los efectos cara y cara-inversión (figura 6 c). Por ejemplo, como la modulación intrarregional del efecto de la cara, la amígdala mostró negativa gamma-gamma acoplamientos de Cruz-frecuencia del mismo - y beta-gamma. Mientras tanto, la modulación de intra-IOG demostró un acoplamiento entre frecuencia positivo en la banda theta/alfa/beta-gamma. Además, como el acoplamiento inter-regional del efecto de la cara, el GSI -> amígdala modulación reveló un perfil en el que la banda theta/alfa en el GSI facilita la banda gamma en la amígdala. Para amígdala -> modulación de GSI, la banda de gamma en la amígdala inhibió la banda theta/alfa y la banda de gamma de la misma frecuencia en el grupo de supervisión interna. Para el efecto de inversión de cara, amígdala similar -> modulación de la GSI, en el que la banda de gamma en la amígdala inhibió la banda gamma en el GSI, observó. Sin embargo, para el IOG -> modulación de amígdala, la Asociación de theta/alfa-gamma observada en el efecto de cara no era evidente.

Figure 1
Figura 1: ilustración de la generación de los datos de electroencefalografía intracraneal juicio. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: interfaces gráficas del usuario del software de mapeo paramétrico estadístico (SPM) para análisis de tiempo-frecuencia. (1) menú SPM. (2) frecuencia de tiempo de análisis. (3) cultivo. (4) corrección línea de base. (5) conversión. (6) Alisado. (7) modelo estadístico. (8) estimación del modelo. (9) contraste. (10) estadística inferencia. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: Diagrama de flujo del análisis tiempo-frecuencia mediante el software de mapeo paramétrico estadístico (SPM). (a) Prepare la electroencefalografía intracraneal preprocesada (EEG) de datos de cada ensayo. (b) descomposición del tiempo-frecuencia (TF) de conducta para el EEG datos utilizando wavelet continua transformación. (c) cultivo, transformación de registro y referencia correcta para el TF todos los mapas. la TF (d) convertir los mapas en imágenes bidimensionales (2D). (e) Enter el 2D de imágenes en el modelo lineal general. (f) realizar inferencias estadísticas de datos TF SPM {T}. Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: interfaces gráfica de usuario del software de mapeo paramétrico estadístico (SPM) para análisis dinámico causal modelado (DCM). (1) menú SPM. (2) menú el DCM. (3) selección del modelo bayesiano. (4) suavizado. (5) modelo estadístico. (6) estimación del modelo. (7) contraste. (8) estadística inferencia. Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5: Diagrama de flujo del modelo dinámico causal de inducido respuestas. (a) calcular los espectros de frecuencia de tiempo para cada ensayo de las selectivas múltiples electrodos (giro occipital inferior (GSI) y la amígdala en nuestro ejemplo) usando descomposición wavelet continua. Promedio de las magnitudes espectrales de frecuencia de tiempo respuestas para dar la respuesta inducida. Entonces, definir la entrada de conducción, conexiones intrínsecas y modulación de las conexiones intrínsecas por manipulaciones experimentales. La construcción de modelos para probar hipótesis y estimar los modelos. (b) conducta a efectos aleatorios el análisis bayesiano de la selección de modelo para identificar el modelo óptimo. (c) convertir el modulador de frecuencia frecuencia acoplamiento parámetros en imágenes bidimensionales (2D) (con suavizado). A continuación, realizar análisis de modelo lineal general de efectos aleatorios y calcular los valores SPM {T} 2D. Haga clic aquí para ver una versión más grande de esta figura.

Figure 6
Figura 6: resultados representativos. (un) tiempo frecuencia mapas de la actividad de giro occipital derecha inferior (GSI) de la cara vertical (FU; izquierda) y mosaico vertical (MU, centro) condiciones. Los datos SPM {T} para FU versus MU también se muestran (derecha). modelos de red (b) funcional en el grupo de supervisión interna y la amígdala. Se investigaron ocho posibles combinaciones de entrada modulador por FU versus MU sobre las conexiones entre el GSI y amígdala y autoactivación en cada región. (c) frecuencia de modulador acoplamiento parámetros y valores SPM {T} para FU frente a MU de IOG -> amígdala y amígdala-IOG modulación se muestran. Las gotas de amarillo rojo y Azul-cyan indican positivo significativo, excitatorios y conectividad negativa/inhibitorio, respectivamente. Haga clic aquí para ver una versión más grande de esta figura.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Los protocolos analíticos para los datos de EEG intracraneales mediante el software SPM introducido aquí tienen varias ventajas en comparación con MRI funcional. En primer lugar, los protocolos pueden representar activación neural en una alta resolución temporal. Por lo tanto, los resultados indican que si se implementan los correlatos cognitivos de la activación neuronal en etapas iniciales o finales de procesamiento. En nuestro ejemplo, el efecto de la cara fue identificado durante las primeras etapas (es decir, 110 ms) de procesamiento visual. Además, la comparación de los perfiles temporales de actividad neural relacionada con diferentes funciones psicológicas ofrecen interesantes implicaciones. En particular, nuestro ejemplo revelaron tiempos de activación diferente para los efectos de cara y rostro-inversión, comenzando en 115 ms y ms 165, respectivamente, en el GSI. Esta rica información temporal puede profundizar nuestra comprensión de los mecanismos neurocognitivos.

Además, los protocolos pueden describir conectividad neural intra e interregional. Los datos de otras medidas de neurocientíficos, como señales hemodinámicas y grabado de cuero cabelludo de señales electromagnéticas, contienen una gran cantidad de ruido y requieren estimación basa en varios supuestos para extraer las señales eléctricas originales, que pueden distorsionar la conectividad neuronal resultante. Por lo tanto, el análisis de señales eléctricas directamente grabadas es valioso. Como ilustración, aunque nuestros resultados revelaron acoplamiento funcional entre el GSI y el amygdala durante el proceso de la cara, tal acoplamiento no fue detectada en un análisis previo de funcional MRI datos24. Comprensión de los mecanismos neuronales requiere la identificación de relaciones causales entre los circuitos neuronales, que requiere información temporal de la activación neuronal.

Sin embargo, es importante tener en cuenta que el protocolo óptimo utilizado para registrar y analizar el EEG intracraneal sigue siendo debatido. Por ejemplo, estudios metodológicos han sugerido que los electrodos de referencia pueden recoger artefactos corporales fisiológicas (p. ej., movimientos oculares y actividad muscular) y ruido ambiental y la posición adecuada de los electrodos de referencia para EEG intracraneal queda determinado25,26. Se han propuesto varios métodos preprocesamiento (p. ej., las transformaciones no lineales y filtración) para eliminar artefactos (por ejemplo, la actividad epiléptica), aunque se encuentran bajo debate27. Un estudio también informó que análisis de tiempo-frecuencia mediante descomposición wavelet podría difuminar las cimas de la original de datos28y métodos analíticos alternativos, tales como la transformada de Hilbert-Huang, puede ofrecer mejor resolución temporal29. La extracción de la gama de alta frecuencia también puede mejorarse usando tales métodos30. Se ha observado que Cruz-frecuencia acoplamiento podría estar sesgado por agudos transitorios no lineal y el control para tales efectos de confusión es necesario31,32,33. Se han propuesto varios métodos analíticos para el análisis de intra - e interregional de acoplamiento, tales como el bloqueo de fase valor16, ponderada fase lag índice34y mayor causalidad35y está claro que análisis y parámetros (p. ej., frecuencia) son los más relevantes a cognitivo procesamiento3. En algunos casos, datos de EEG intracraneales pueden no cumplir supuestos paramétricos y análisis no paramétricos pueden ser óptimo36. Recientemente, otros protocolos analíticos han sido propuesto37; en comparación con otros protocolos, los basados en el software SPM pueden tener el potencial único para proporcionar un marco unificado para el análisis de varios tipos de datos neurocientíficos38. Los investigadores deben prestar mucha atención a los avances en los protocolos analíticos de datos EEG intracraneales.

En Resumen, hemos introducido protocolos analíticos que recientemente se aplicaron para analizar los datos de EEG intracraneales, que incluyen análisis de tiempo-frecuencia SPM, acoplador de Cruz-frecuencia y DCM de respuestas inducidas. Creemos que estos protocolos analíticos pueden identificar correlatos neurales de las funciones cognitivas con altos perfiles espaciales y temporales.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Este estudio fue apoyado por fondos de Benesse Corporation, sociedad japonesa para el programa de fondos de promoción de la ciencia (JSPS) para investigadores de próxima generación líder (LZ008), la organización para la promoción de la investigación en trastornos del neurodesarrollo, y el 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

Neurociencia número 140 acoplador de Cruz-frecuencia dinámica causal modelado (DCM) cara oscilación gamma giro occipital inferior intracraneal electroencefalografía (EEG) análisis tiempo-frecuencia
Análisis de actividad de los nervios y conectividad mediante datos EEG intracraneal con Software SPM
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Sato, W., Kochiyama, T., Uono, S.,… More

Sato, W., Kochiyama, T., Uono, S., Usui, N., Kondo, A., Matsuda, K., Usui, K., Toichi, M., Inoue, Y. Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software. J. Vis. Exp. (140), e58187, doi:10.3791/58187 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter