方法文章

利用脑磁图检测物体感知中刺激前源水平效应

7.6K 次观看

⸱

DOI：

10.3791/60120

⸱

2019年7月26日

 ,  ,  , 
1Center for Cognitive Neuroscience, Paris-Lodron Universität Salzburg

本文内容

摘要

本文介绍如何设置一项实验，以利用脑磁图（MEG）检测物体感知前的源水平影响。内容涵盖刺激材料、实验设计、MEG记录以及数据分析。

摘要

刺激前的脑内振荡活动会影响即将发生的感知。这种刺激前活动的特征可以预测近阈值刺激是否会被感知，但它们是否也能预测在两个具有不同感知内容的竞争性刺激中，哪一个会被感知？模糊的视觉刺激在任一时刻可被看作两种可能之一，因此非常适合用于研究这一问题。脑磁图（Magnetoencephalography, MEG）是一种神经生理学测量技术，用于记录大脑活动所产生的磁信号。MEG具有毫秒级的时间分辨率，仅需1秒的记录数据即可对脑振荡状态进行表征。因此，在模糊刺激呈现前约1秒展示空白屏幕，可提供一个时间窗口，用于研究刺激前的振荡活动是否会影响后续感知的内容，该影响可通过受试者的报告来体现。MEG的空间分辨率虽非极佳，但足以在厘米尺度上定位脑活动的来源。通过对MEG信号进行源重建，可进一步检验特定感兴趣区域的振荡活动假设，以及感兴趣区域之间在时间和频率上解析的功能连接。本方案有助于更深入理解自发性、持续性脑活动对视觉感知的影响。

引言

刺激呈现前的大脑状态会影响个体对刺激的感知方式，以及与感知相关的神经反应1,2,3,4。例如，当刺激强度接近感知阈值（近阈值）时，刺激前的神经振荡功率、相位和功能连接性可能影响即将到来的刺激是否会被感知5,6,7,8,9,10。这些刺激前信号还可能影响感知的其他方面，例如感知对象的内容。

向受试者呈现一种可被理解为两种不同含义之一的模糊图像，是研究物体感知的理想方法11。这是因为感知的主观内容可以是两个物体中的任意一个，而实际刺激保持不变。因此，可以评估当受试者报告感知到刺激的某一种或另一种可能解释时，其记录的脑信号在不同试验之间的差异。根据这些报告，还可以进一步探究在刺激呈现之前，大脑状态是否存在任何差异。

脑磁图（MEG）是一种功能神经影像技术，用于记录大脑神经电活动所产生的磁场。与血氧水平依赖（BOLD）信号的时间分辨率在秒级不同，MEG具有毫秒级的时间分辨率，因此可用于研究发生在极短时间内尺度的脑机制。MEG的另一优势在于，它能够利用较短时间的记录数据来表征脑状态，这意味着实验试次可以缩短，从而在一次实验会话中容纳更多试次。此外，MEG支持频域分析，可揭示脑的振荡活动。

除了具有高时间分辨率外，脑磁图（MEG）还具备良好的空间分辨率。通过源重建技术12，可以将传感器层面的数据投影到源空间，从而能够检验关于特定感兴趣区域活动的假设。最后，尽管传感器空间中的信号高度相关，因此无法准确评估传感器之间的连接性，但源重建能够降低源信号之间的相关性，从而实现对感兴趣区域之间连接性的评估13。这些连接性估计可在时间和频率域中分别进行解析。

鉴于这些优势，脑磁图（MEG）非常适合用于研究特定感兴趣区域中刺激前效应对物体感知的影响。在本报告中，我们将说明如何设计此类实验以及MEG数据采集系统的设置，同时介绍如何进行源重建，并评估振荡活动与功能连接性。

方案

本方案遵循萨尔茨堡大学人类研究伦理委员会的指南，并符合《赫尔辛基宣言》的规定。

1. 准备刺激材料

  1. 下载 Rubin 花瓶/人脸错觉图像14。该图像将展示给一半的受试者。
  2. 使用 Matlab 命令 ~  将原始的黑白二值 Rubin 图像进行反相，生成第二幅 Rubin 人脸/花瓶负像图像，其黑白颜色相对于原图翻转（背景为白色而非黑色）。该图像将展示给另一半受试者。
  3. 通过随机打乱 Rubin 图像的像素块来创建掩模。将图像划分为足够小的方形块，以隐藏明显的轮廓特征，例如每个方块大小为原图像的 2% 至 5%（在 250×250 像素的图像中为 5×5 像素），然后随机重排这些方块以生成掩模。
  4. 在白色背景上创建一个黑色的注视十字，使其尺寸小于 Rubin 图像（视觉角度小于 5°）。

2. 设置脑磁图（MEG）和刺激设备

  1. 将刺激呈现计算机连接到投影仪。通过USB光电隔离延长线（用于数据）和数字视频接口（DVI）电缆（用于刺激呈现）连接DLP LED投影仪控制器。
  2. 将MEG采集计算机连接到刺激呈现计算机，以实现触发信号的发送与接收。将集成刺激呈现系统的数字输入/输出（DIO）系统（按钮和触发器，2个标准D24接口）插入光电隔离BNC接线盒上的MEG连接端口。
  3. 以1 kHz采样率记录1分钟的空房间MEG数据。
  4. 通过采集计算机实时显示所有信号，监测分布在102个不同位置的102个磁力计和204个正交放置的平面梯度计的信号。

3. 为参与者准备脑磁图实验

注意：MEG 数据采集的详细信息此前已有描述15。

  1. 确保受试者已根据《赫尔辛基宣言》充分理解知情同意书，并签署该文件，其中还包含同意个人数据处理的声明。
  2. 为参与者提供无磁衣物，并确保其体内或体表无任何金属物体。要求参与者填写另一份匿名问卷，以确认上述情况，排除是否存在神经系统疾病等其他排除标准，并记录其他个人信息，如利手性和休息状态水平。
  3. 让受试者坐在非铁磁性（木质）椅子上。使用胶布将5个头部位置指示线圈（HPI线圈）固定于头部，两个位于一只眼睛上方，一个位于另一只眼睛上方，另两个分别位于双耳后方。
  4. 将数字化系统的追踪传感器牢固地放置在受试者头部，并固定在眼镜上以确保最大程度的稳定性。
    注意：使用了3D数字化仪（材料表).
  5. 数字化解剖标志点，包括左右耳前点和鼻根点，并确保左右耳前点对称。这些标记点用于定义三维坐标系。
  6. 使用3D数字化仪触控笔对5个HPI线圈位置进行数字化处理。
  7. 沿头皮数字化最多300个点，以最大程度覆盖头部形状。覆盖磁共振（MR）图像上头皮轮廓清晰的区域，包括枕外隆突后方、鼻根前方以及鼻梁部位。
    注意：这些点将用于与解剖图像进行共配准，以实现更精确的个体源重建。
  8. 取下带有追踪传感器的眼镜。
  9. 在右眼上方（眶上弓）和下方（颧骨上颌骨内侧）粘贴一次性电极，以监测垂直眼动。
  10. 将一次性电极贴附于左眼左侧和右眼右侧（颧骨上颌骨背侧），以监测水平眼动。
  11. 将一次性电极贴在心部下方和右锁骨下方以监测心率。
    注意：眼部和心脏信号相对稳定，因此无需检查一次性电极的阻抗。
  12. 在颈部下方连接一个一次性电极作为接地。
  13. 引导受试者进入MEG屏蔽室，并指示其坐在MEG专用座椅上。
  14. 将HPI线缆组件和一次性电极插入MEG系统。
  15. 调整椅子高度，使受试者的头部接触到MEG头盔的顶部，并确保受试者在此位置感到舒适。
  16. 关闭屏蔽室的门，通过屏蔽室内外的对讲系统与受试者进行沟通。
  17. 指导受试者在记录静息态脑磁图（MEG）数据期间被动注视空白屏幕（仅包含中央注视十字）5分钟，采样频率保持在1 kHz。整个实验过程中采样率均维持在1 kHz。
  18. 向参与者说明任务要求，并让其完成20次练习试验。
    注意：示例说明： "始终将视线固定在屏幕中央。屏幕上将出现一个十字，十字消失后，您会看到一张图像，随后是一张打乱的图像。打乱的图像消失后，请立即点击黄色按钮（如果您之前看到的是人脸）或绿色按钮（如果您之前看到的是花瓶）。"
  19. 在不同参与者之间交替设置反应按钮（例如，右侧对应面孔，左侧对应花瓶，或相反）。
    注意：反应按钮的颜色无关紧要。

4. 使用 Psychtoolbox 呈现实验16

  1. 向参与者显示指导说明，告知他们在看到人脸时应按哪个按钮，以及在看到花瓶时应按哪个按钮。
  2. 创建一个包含四个事件的单次试验，这些事件将按以下顺序应用于所有试验：注视十字、鲁宾图像、掩蔽图像和反应提示（图1）。
  3. 在每次试验开始时，显示注视十字，持续时间为1秒至1.8秒之间的随机时间。
  4. 该时间段结束后，移除注视十字，并显示鲁宾图像150毫秒。
  5. 150毫秒结束后，移除鲁宾图像，并显示掩蔽图像200毫秒。
  6. 200毫秒结束后，移除掩蔽图像，并显示问题以提示参与者做出反应，最大反应时限为2秒。
  7. 设置反应阶段程序：若参与者在2秒内做出反应，则下一个试验（以注视十字开始）立即开始；否则，在2秒后自动开始下一个试验。
  8. 保存全部四个事件的时间信息，以及参与者的反应选择及其反应时间。
  9. 重复相同的试验结构100次后，显示指令让参与者短暂休息。此过程构成一个实验区组。
  10. 重复该区组结构4次，共完成400次试验。

5. 在实验过程中监测 MEG 信号及受试者状态

  1. 通过视频监控参与者。
  2. 在每个实验区块开始时、任务启动前，开始采集MEG数据，并记录参与者头部相对于MEG系统的位置。在所使用的MEG系统中，点击GO以开始。当弹出对话框询问是否忽略或添加HPI数据至记录时，检查HPI线圈信号，然后点击Accept以记录该初始头部位置。之后，点击Record raw以开始记录MEG数据。
  3. 若在实验过程中参与者希望终止实验，应立即停止实验，进入屏蔽室，从MEG系统上拔下所有传感器，并让参与者离开座椅。
  4. 通过采集计算机实时可视化MEG信号，对其进行监控。
  5. 在各实验区块之间，通过扬声器系统与参与者沟通，确认其状态良好并已准备好继续实验，指导其如需活动可移动四肢，但不得移动头部。
  6. 在各实验区块之间，保存该区块已采集的MEG信号数据。
  7. 实验结束后，进入屏蔽室，从MEG系统上拔下所有传感器，并让参与者离开座椅。
  8. 引导参与者离开屏蔽室，并提供选择：由其自行拆除面部和身体上的所有传感器，或由实验人员协助拆除。
  9. 感谢参与者，并向其提供金钱报酬。

6. 预处理和分割脑磁图信号

  1. 使用由MEG设备制造商提供的Maxfilter程序中实现的信号空间分离算法，并采用默认参数值，以去除连续MEG信号中的外部噪声。
  2. 使用Fieldtrip工具箱17中的ft_preprocessing函数对连续数据应用0.1 Hz高通滤波器。
    注意：所有后续报告的以“ft_”开头的函数均属于Fieldtrip工具箱。
  3. 通过提取每次试验中刺激呈现前1秒的数据，对MEG数据进行分段。
  4. 根据参与者在每次试验中的行为反应，为这些数据段标记为“面孔”或“花瓶”试验类型。
  5. 通过ft_rejectvisual函数，目视检查试验和通道，识别并剔除表现出过度噪声或伪迹的试验和通道，无论伪迹的性质如何。
  6. 通过点击zscore并选择z分数超过3的试验和通道，或通过点击var后移除方差过大的离群值，剔除z分数高于3的试验和通道。在执行此操作前后，均需检查所有试验的MEG信号。

7. 源重建

  1. 包含两种试验类型，以执行源定位，从而在 Fieldtrip 实现的波束成形过程中获得常见的线性约束最小方差12空间滤波器。
  2. 对分段数据进行带通滤波，频率范围为感兴趣的频段，此处为 1 至 40 Hz。
  3. 选择感兴趣的时间段以计算协方差矩阵，此处为刺激前 1 秒的时间段。
    注意：所得到的数据段（选定为 -1 至 0 秒，1 至 40 Hz）将在后续所有需要输入数据的步骤中使用。
  4. 使用 ft_volumesegment 从个体结构磁共振图像中分割出脑组织和头皮。若无个体图像，可改用标准 T1 加权图像（来自统计参数映射 [SPM] 工具箱）的加拿大魁北克省蒙特利尔神经学研究所（MNI）脑扫描图像。
  5. 对每位参与者，使用 ft_prepare_headmodel 构建一个逼真的单壳头部模型。
  6. 在个体磁共振图像上，通过点击图像上的位置来标记解剖标志点，以使用 ft_volumerealign 进行粗略配准。
  7. 将头部形状点与头皮对齐，以实现更精细的配准。
  8. 基于已变形至每位参与者脑体积的 MNI 模板脑，使用 ft_prepare_sourcemodel 为每位参与者构建分辨率为 1.5 cm 的个体化三维网格。
  9. 使用 ft_prepare_leadfield 计算 MEG 通道与网格位置的正向模型。采用配置 fixedori 仅计算一个最优偶极子方向的导场。
  10. 计算每个试验的协方差矩阵，并在所有试验间进行平均。
  11. 利用正向模型和平均协方差矩阵，通过 ft_sourceanalysis 计算空间滤波器。
  12. 将传感器水平信号与 LCMV 滤波器相乘，以获得每个试验中网格中每个源位置的时间序列。

8. 分析感兴趣区域的刺激前振荡功率

  1. 定义一个感兴趣区域（ROI），例如根据先前的文献18（此处为梭状回面孔区 [FFA]；MNI 坐标：[28 -64 -4] mm）。
  2. 使用 ft_selectdata 选取在空间上对应于该 ROI 的虚拟传感器。
  3. 使用 ft_selectdata 将面孔和花瓶试验试次分开。
  4. 对 ROI 进行频谱分析，分别针对两种试验类型的数据，使用 ft_freqanalysis。
  5. 将方法选项（method）设为 mtmfft，以执行快速傅里叶变换。
  6. 将窗函数选项（taper）设为 hanning，以使用汉宁窗函数。
  7. 定义感兴趣的频率范围为 1 Hz 至 40 Hz。
  8. 将输出选项（output）设为 pow，以从复数傅里叶频谱中提取功率值。
  9. 对每位参与者重复上述步骤，然后在参与者间对频谱进行平均，并将最终的总平均功率值作为感兴趣频率的函数进行绘图。

9. 分析感兴趣区域之间的刺激前连接性

  1. 定义一个（或多个）与先前选定的 ROI 假设存在连接的 ROI，例如依据先前文献18（此处为 V1；MNI 坐标：[12 -88 0]）。
  2. 重复步骤 8.2 和 8.3。
  3. 对两个 ROI 分别进行时频分析（表示为同一数据结构中的两个通道或“虚拟传感器”），使用 ft_freqanalysis 对两种试验类型的数据分别处理。
  4. 将方法设为 mtmconvol，以实现基于频域乘法的多锥体时频变换。
  5. 将锥窗选项设为 dpss，以使用离散长球面序列函数作为锥窗。
  6. 设定感兴趣频率范围为 8 Hz 至 13 Hz。
  7. 将时间窗宽度设为 200 ms，平滑参数设为 4 Hz。
  8. 将 keeptrials 选项设为 yes，以保留单次试验的时频估计结果。
  9. 将输出设为 fourier，以返回复数傅里叶谱。
  10. 对所得的时频数据使用 ft_connectivityanalysis 进行功能连接性分析。
  11. 将方法设为 coh，并将 complex 字段设为 imag，以返回相干性（coherency）的虚部19。
  12. 在对每位参与者重复上述流程后，对所有参与者及频率上的相干谱进行平均，并绘制出虚部相干性值随时间变化的总平均图。

10. 统计比较面孔与花瓶刺激前的功率或相干性谱

  1. 使用 ft_freqgrandaverage 函数，并将选项 keepindividual 设为 yes，将每个条件下各受试者的刺激前功率或相干性数据合并为一个 Matlab 变量。
  2. 使用 ft_freqstatistics 对得到的两个变量进行基于簇的置换检验20。
  3. 将方法选项（method option）设为 montecarlo。
  4. 将频率选项（frequency option）设为 [8 13]，并将 avgoverfreq 设为 yes。
  5. 将 clusteralpha 设为 0.05，并将 correcttail 设为 alpha。
  6. 将统计量选项（statistic option）设为 ft_statfun_depsamplesT。
  7. 创建一个设计矩阵：第一行为 20 个 1 后接 20 个 2，第二行为从 1 到 20 的连续数字重复两次。将该设计矩阵传入 design 选项。
    注：设计矩阵以 20 为区块划分，因为数据来自 20 名参与者。
  8. 将 ivar 选项设为 1，将 uvar 选项设为 2。

结果

我们向参与者短暂且重复地呈现了鲁宾的面孔/花瓶错觉图像，并要求参与者在每次试验后报告他们的知觉（面孔还是花瓶？）（图1）。每次试验前均有一段至少1秒的空白屏幕（含注视十字），此为空白刺激前感兴趣的时间区间。

我们探讨了在感兴趣区域中的刺激前振荡功率，或感兴趣区域之间的刺激前功能连接，是否会影响对即将出现的模糊刺激的知觉报告。因此，作为第一步，我们将数据投影到源空间，以便能够从相关感兴趣区域（ROI）中提取信号。

根据以往研究使用模糊21和非模糊22刺激探究面孔与物体感知的文献，我们确定梭状回面孔区（FFA）为感兴趣区域（ROI）。随后，我们分析了FFA源信号的低频段（1–40 Hz）频谱成分，并将被试报告为“面孔”的试验频谱估计值与报告为“花瓶”的试验频谱估计值进行对比。采用基于聚类的置换检验，对1–40 Hz频率范围进行聚类，比较被试报告为“面孔”与“花瓶”时的频谱功率，结果显示两种试验类型之间无显著差异。然而，从描述性角度看，功率谱显示出预期的8–13 Hz范围内的α振荡波峰，以及较弱的13–25 Hz范围内的β频段活动（图2）。

在发现刺激前频谱功率无差异后，我们进一步探究了不同试验类型之间是否存在刺激前功能连接的差异。除了FFA外，由于V1在视觉过程中普遍存在作用，我们将其确定为第二个感兴趣区域（ROI）。根据功率分析的结果，我们选取8-13 Hz作为感兴趣的频率范围。我们分别针对识别人脸和花瓶的试验，计算了两个ROI之间随时间和频率变化的相干性虚部，并对感兴趣频率范围内的结果进行平均。该指标反映的是脑区间振荡相位的同步性，并能保守地控制MEG源重建中的容积传导效应19，因此被选为评估功能耦合的方法。采用基于簇的置换检验，对-1至0秒的时间点进行聚类分析，比较被试报告看到人脸与花瓶时V1与FFA之间的虚相干性，结果显示，在刺激呈现前约700毫秒，人脸试验的刺激前功能连接强度高于花瓶试验（图3）。

认知刺激反应、脑电波形分析、决策实验示意图。
图1：实验试次结构与原始数据示例。底部面板：一个试次以呈现注视十字开始。经过1至1.8秒后，呈现Rubin刺激150毫秒，随后呈现掩蔽刺激200毫秒。接着出现反应屏幕，提示参与者选择“人脸”或“花瓶”。顶部面板：来自一名示例参与者的多通道原始数据，以刺激 onset 为时间锁定点，并对所有试次进行平均。此图为示意图，用于突出显示刺激前分析时间窗（-1秒至0秒；以粉红色高亮），该时间窗将作为分析的目标区间。请点击此处查看该图的放大版本。

面孔与花瓶报告的频谱功率与频率关系图，显示比较分析结果。
图 2：FFA 中的频谱功率。来自源定位 FFA 信号在面孔和花瓶试验中的频谱功率估计值。请点击此处查看该图的放大版本。

虚相干性随时间变化图；面孔与花瓶报告；统计显著性 p<0.05。
图3：V1与FFA之间的连接性。在8-13 Hz频率范围内，源定位的V1与FFA信号在面孔和花瓶试验中的相干性虚部。阴影区域表示被试内设计的平均值标准误23。 请点击此处查看该图的放大版本。

讨论

呈现一种随时间可被解读为多种物体但任一时刻仅能被感知为一种物体的独特刺激，有助于研究刺激前状态对物体知觉的影响。通过这种方法，可将刺激前的脑状态与被试对所感知物体的主观报告相关联。在实验室环境中，具有两种可能解读方式的模糊图像（例如鲁宾花瓶错觉）提供了一个理想案例，使得研究者能够直接对比两类试验中的脑活动：一类被感知为某种物体（例如“人脸”），另一类被感知为另一种物体（例如“花瓶”）。

短暂呈现这些刺激（<200 ms），可确保被试在单次试验中仅看到并随后报告刺激的两种可能解释中的一种。在不同被试间交替使用黑花瓶/白面孔和白花瓶/黑面孔两种刺激版本（随机轮换），可降低低层次刺激特征对后续分析的影响。刺激呈现后立即呈现掩蔽刺激，可防止残像形成并避免对被试反应造成偏差。由于对刺激 onset 后时间段的分析并非关注重点，因此无需匹配刺激与掩蔽刺激之间的低频特征。最后，在不同被试间交替设置反应按键（例如，左侧按键对应花瓶，右侧按键对应面孔，或相反），可避免因运动准备活动而影响对比结果。

由于MEG具有毫秒级的时间分辨率，即使仅1秒长的刺激前时段也足以估算频谱功率和功能连接性等指标。由于每个试次的持续时间较短，一次实验过程中可容纳大量试次，从而在对多个试次的MEG信号进行平均时，确保较高的信噪比。

已有研究表明，在物体感知过程中，特定的类别敏感性感兴趣区域会表现出活动性24,25。例如，梭状回面孔区（FFA）被广泛报道参与面孔感知过程22。为了研究来自特定源的测量活动所产生的效应，可以对脑磁图（MEG）数据进行源重建。为了研究源之间的连接性，源重建是必要的步骤。为了便于源数据的分析，单次试验的源水平数据可通过“虚拟传感器”来表示。以这种方式表示数据，使得研究者能够在源空间和传感器空间中以完全相同的方式分析单次试验的源数据（即使用相同的分析函数，例如使用Fieldtrip工具箱）。这使得对特定感兴趣区域活动的假设能够以一种直接的方式进行检验。

尽管已有研究表明，刺激前振荡功率会影响接近感知阈限的刺激检测（感知到与未感知到），但其是否会影响所见内容的具体知觉尚不明确。本文对比了被试报告看到面孔与花瓶时，梭状回面孔区（FFA）在刺激前的振荡功率，结果未发现统计学上的显著差异。随后，我们进一步检验了V1与FFA之间的功能连接是否影响即将发生的知觉报告，发现面孔知觉试次在刺激呈现前约700 ms时，V1与FFA在alpha频段（alpha频率范围）的连接性增强。由于我们未在alpha功率上发现效应，而仅在alpha频段的功能连接中发现效应，这表明刺激前alpha功率可能影响刺激的检测7,8，但未必影响物体的类别识别。因此，我们的结果表明，要更全面地理解物体知觉前的振荡动态及其对后续知觉的影响，仅分析感兴趣脑区的振荡功率是不够的。相反，必须考虑脑区间连接性的变化，因为这些连接强度的持续波动可能偏向后续的知觉结果18。最后，尽管脑磁图（MEG）的空间分辨率并非最优，但本研究方案表明，仍可清晰识别出感兴趣脑区并探究其相互关系。MEG可优于脑电图（Electroencephalography, EEG），因其具有更高的空间分辨率；同时也可优于功能磁共振成像（fMRI），因其具有更高的时间分辨率。因此，结合源定位重建的MEG技术非常适用于研究快速且局部化的神经活动过程。

披露

作者无任何利益冲突需要披露。

致谢

本工作由奥地利科学基金FWF（Imaging the Mind：Connectivity and Higher Cognitive Function，项目编号W 1233-G17，授予E.R.）以及欧洲研究理事会资助项目WIN2CON（ERC StG 283404，授予N.W.）支持。作者谨此感谢Nadia Müller-Voggel、Nicholas Peatfield和Manfred Seifter对本实验方案的贡献与支持。

材料

本文使用的材料清单
姓名公司目录编号评论
数据分析软件Elekta Oy, Stockholm, SWEDENNM23321NElekta 标准数据分析软件，包含 MaxFilter 2.2 版本 
数据分析工作站Elekta Oy, Stockholm, SWEDENNM20998NMEG 记录用计算机及软件
头部位置线圈套件Elekta Oy, Stockholm, SWEDENNM23880N5 个头部位置指示器（HPI）线圈 
Neuromag TRIUXElekta Oy, Stockholm, SWEDENNM23900N306 通道脑磁图系统
Polhemus Fastrak 3DPolhemus, VT, USA三维头部数字化系统
PROPixxVPixx Technologies Inc., QC, CANADAVPX-PRO-5001C投影仪与数据采集系统
RESPONSEPixxVPixx Technologies Inc., QC, CANADAVPX-ACC-4910与 MEG 兼容的响应采集手持控制面板系统
屏幕VPixx Technologies Inc., QC, CANADAVPX-ACC-5180与 MEG 兼容的背投屏幕，含支架和框架
VacuumSchmelze AK-3VacuumSchmelze GmbH & Co. KG, Hanau, GERMANYNM23122N双层磁屏蔽室
软件版本
Fieldtrip开源FTP-181005fieldtriptoolbox.org
MatlabMathWorks, MA, USAR2018bmathworks.com/products/matlab
心理物理学工具箱开源PTB-3.0.13psychtoolbox.org

参考文献

  1. Arieli, A., Sterkin, A., Grinvald, A., Aertsen, A. Dynamics of ongoing activity: explanation of the large variability in evoked cortical responses. Science. 273 (5283), 1868-1871 (1996).
  2. Boly, M., et al. Baseline brain activity fluctuations predict somatosensory perception in humans. Proceedings of the National Academy of Sciences of the United States of America. 104 (29), 12187-12192 (2007).
  3. Rahn, E., Başar, E. Prestimulus EEG-activity strongly influences the auditory evoked vertex response: a new method for selective averaging. The International Journal of Neuroscience. 69 (1-4), 207-220 (1993).
  4. Supèr, H., van der Togt, C., Spekreijse, H., Lamme, V. A. F. Internal state of monkey primary visual cortex (V1) predicts figure-ground perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 23 (8), 3407-3414 (2003).
  5. Frey, J. N., et al. The Tactile Window to Consciousness is Characterized by Frequency-Specific Integration and Segregation of the Primary Somatosensory Cortex. Scientific Reports. 6, 20805(2016).
  6. Leonardelli, E., et al. Prestimulus oscillatory alpha power and connectivity patterns predispose perceptual integration of an audio and a tactile stimulus. Human Brain Mapping. 36 (9), 3486-3498 (2015).
  7. Leske, S., et al. Prestimulus Network Integration of Auditory Cortex Predisposes Near-Threshold Perception Independently of Local Excitability. Cerebral Cortex. 25 (12), New York, NY. 4898-4907 (2015).
  8. Weisz, N., et al. Prestimulus oscillatory power and connectivity patterns predispose conscious somatosensory perception. Proceedings of the National Academy of Sciences of the United States of America. 111 (4), 417-425 (2014).
  9. Busch, N. A., Dubois, J., VanRullen, R. The phase of ongoing EEG oscillations predicts visual perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 29 (24), 7869-7876 (2009).
  10. Mathewson, K. E., Gratton, G., Fabiani, M., Beck, D. M., Ro, T. To see or not to see: prestimulus alpha phase predicts visual awareness. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 29 (9), 2725-2732 (2009).
  11. Blake, R., Logothetis, N. K. Visual competition. Nature Reviews Neuroscience. 3 (1), 13-21 (2002).
  12. Van Veen, B. D., van Drongelen, W., Yuchtman, M., Suzuki, A. Localization of brain electrical activity via linearly constrained minimum variance spatial filtering. IEEE Transactions on Biomedical Engineering. 44 (9), 867-880 (1997).
  13. Bastos, A. M., Schoffelen, J. -M. A Tutorial Review of Functional Connectivity Analysis Methods and Their Interpretational Pitfalls. Frontiers in Systems Neuroscience. 9, 175(2015).
  14. Rubin, E. Synsoplevede Figurer. , Gyldendalske Boghandel. Copenhagen. (1915).
  15. Balderston, N. L., Schultz, D. H., Baillet, S., Helmstetter, F. J. How to detect amygdala activity with magnetoencephalography using source imaging. Journal of Visualized Experiments. (76), e50212(2013).
  16. Kleiner, M., et al. What's new in psychtoolbox-3. Perception. 36 (14), 1-16 (2007).
  17. Oostenveld, R., Fries, P., Maris, E., Schoffelen, J. -M. FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data. Computational Intelligence and Neuroscience. 2011, 156869(2011).
  18. Rassi, E., Wutz, A., Mueller-Voggel, N., Weisz, N. Pre-stimulus feedback connectivity biases the content of visual experiences. BioRxiv. , (2019).
  19. Nolte, G., et al. Identifying true brain interaction from EEG data using the imaginary part of coherency. Clinical Neurophysiology: Official Journal of the International Federation of Clinical Neurophysiology. 115 (10), 2292-2307 (2004).
  20. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  21. Hesselmann, G., Kell, C. A., Eger, E., Kleinschmidt, A. Spontaneous local variations in ongoing neural activity bias perceptual decisions. Proceedings of the National Academy of Sciences of the United States of America. 105 (31), 10984-10989 (2008).
  22. Kanwisher, N., McDermott, J., Chun, M. M. The fusiform face area: a module in human extrastriate cortex specialized for face perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 17 (11), 4302-4311 (1997).
  23. Morey, R. D. Confidence Intervals from Normalized Data: A correction to Cousineau. Tutorials in Quantitative Methods for Psychology. 4 (2), 61-64 (2008).
  24. Miller, E. K., Nieder, A., Freedman, D. J., Wallis, J. D. Neural correlates of categories and concepts. Current Opinion in Neurobiology. 13 (2), 198-203 (2003).
  25. Kreiman, G., Koch, C., Fried, I. Category-specific visual responses of single neurons in the human medial temporal lobe. Nature Neuroscience. 3 (9), 946-953 (2000).

重印与许可

标签

刺激前活动源重建时频分析连接性分析鲁宾图像视觉感知脑连接振荡活动头部位置指示器
利用脑磁图检测物体感知中刺激前源水平效应
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。