同时MEG / EEG和解剖约束的最小模估计皮质动态映射:听觉注意示例
October 24th, 2012
我们使用磁和脑电图（MEG / EEG），磁共振成像（MRI）拍摄的解剖信息相结合，与听觉注意力的皮质网络的动态映射。
该程序的总体目标是绘制不同人类认知状态背后的皮层动力学。这是通过首先捕获磁电和脑电图数据或简称 MEG 和 EEG 来实现的，同时受试者正在执行行为任务。第二步是使用相关的 MRI 序列获取解剖数据。
接下来进行共同配准以建立 MEG 和 EEG 的传感器位置与解剖信息之间的空间对应。最后一步是使用逆向成像方法将个体的大脑活动映射到皮层空间。最终，基于基于公共表面的坐标系的统计推断用于发现区分一种认知状态与另一种认知状态的重要空间时间模式。
演示程序的是 Eric Lawson 和 Ross Maddox。对于我实验室的博士后，通过获取对象的结构 MR 图像来开始此协议。首先，使用磁化制备的快速梯度回波或 MP rage 或类似序列获取结构 MR 扫描。
如果脑电图数据将用于逆向成像分析，则此序列可能需要 5 到 10 分钟，具体取决于所使用的特定扫描分辨率和成像协议。还要进行两次快速低角度拍摄或闪光 MRI 扫描。这些闪光序列提供与标准 MP 愤怒序列不同的组织对比度。
成像完成后，使用 MNE 和免费的冲浪软件从 MP 愤怒和闪光图像中重建皮肤外颅骨和内颅骨表面。然后在 MEG 实验之前使用这些表面生成三层边界元模型或 bem。首先测试听觉和视觉延迟，以确保时序完整性。
使用连接到屏幕的麦克风和照片 DDE，然后确保没有可观察到的抖动。这可能需要将演示投影仪设置为其原始分辨率。接下来，准备要录制的对象，参考 luital 之前的视频文章，了解电图和参考电极准备的详细信息，以及对象的受托标志、头部位置指示线圈和脑电图电极的数字化。
一旦受试者舒适地坐在 MEG 测量头部位置，使用头部位置指示器或 HPI 线圈，然后开始记录并开始呈现听觉和视觉刺激。注意：HPI 测量也可以连续进行。在执行视听行为任务时，受试者应通过光学按钮盒对听觉和视觉刺激做出反应。
在这里，受试者报告了源自半场的 spoke 和 digit 被视觉提示排队。偶尔，视觉提示受试者将注意力转移到对侧 hemifield 中期试验。为了研究听觉注意力的切换，许多硬件和软件解决方案可用于执行刺激呈现。
在这里，Tucker Davis Technologies RZ six 用于听觉刺激呈现和触发冲压，以及用于视觉刺激呈现的心理工具箱，两者都由 matlab 控制。要开始数据处理，请使用 MNE 软件将 EEG 数据联合注册到结构 MR，如下所示，首先将数字化器数据加载到受试者重建的 MRI 头部模型中。接下来，选择信托标志以启动共同注册过程，然后继续使用自动对齐程序完成坐标转换。
然后将源空间中每个偶极子的位置与每个传感器的位置相关联。将记录的磁头位置指示器数据与三层边界元模型相结合，计算正向解，以进一步提高数据的信噪比。应用时域伪影去除，例如去除由于通道尖峰而包含异常高振幅信号的长篇故事。
此外，应用频域伪影去除（例如在 50 或 60 赫兹线频率处进行带陷波滤波），使用信号空间投影或其他降噪技术（例如信号空间分离）将空间场模式与周围环境场污染或其他不良生理信号（例如与眨眼和心脏伪影相关的信号）投影或分离出来。现在生成分布式偶极子估计的脑部电影，即每个实验条件下源空间中每个偶极子位置的当前估计值。根据实验设计的时间特征，可以通过使用非重叠的时间窗口对当前估计值进行平均来继续分析变形，从而在时间上弯曲数据。
先前为每个受试者创建的脑电影基于基于表面的坐标系到一个公共皮层空间上，该系统以最佳方式对齐各个 sical jarral 模式。这允许对不同受试者的皮层活动进行比较或平均。要使用感兴趣区域方法，可以在解剖学上定义 ROI，例如，通过自动包裹化算法和/或功能上通过记录功能定位任务（例如 go no-go secon 任务）来识别动眼神经区域分析可以进一步限制为适合所使用的实验范式的特定感兴趣时间， 例如，限制为声音刺激开始之前和之后的时间段。
与时间序列分析相关的其他统计推断也可以使用上述行为范式。在这里，我们看到使用非参数时空聚类过程的代表性结果。与标准任务相比，当单个受试者执行重新定位任务时，发现右额叶视野很重要。
使用 ROI 方法，显示了右额眼视野的时间进程以及这两种情况显着不同的时间段。看完这个视频，你应该对如何使用 M-E-G-E-E 和 MRI 来绘制不同行为任务中的皮层动力学有一个很好的了解。通过采用适当的统计方法，您可以发现区分认知状态的不同空间时间模式。
感谢您的观看，祝您实验好运。
View the full transcript and gain access to thousands of scientific videos
概述
本研究采用脑磁图和脑电图（MEG/EEG）以及磁共振成像（MRI）来研究与听觉注意力相关的皮层动力学。这些技术的整合使得在认知任务期间对大脑活动进行全面的映射成为可能。
关键研究组成部分
科学领域
- 神经科学
- 电生理学
- 成像技术
背景
- 理解认知状态对神经科学研究至关重要。
- MEG和EEG以高时间分辨率提供大脑活动的洞察。
- MRI为大脑映射提供了详细的解剖学背景。
- 数据的共同配准增强了空间分析的准确性。
研究目的
- 对听觉注意力相关的皮层动力学进行映射。
- 通过大脑活动模式区分不同的认知状态。
- 利用先进的成像技术更好地理解大脑功能。
使用的方法
- 在行为任务期间收集MEG和EEG数据。
- 使用相关序列获取解剖MRI数据。
- 将MEG/EEG传感器位置与MRI数据进行共同配准。
- 应用反向成像技术来映射大脑活动。
主要结果
- 识别大脑活动中显著的时空模式。
- 基于映射的皮层动力学区分认知状态。
- 加深对听觉注意力机制的理解。
- 建立用于分析的通用基于表面的坐标系统。
结论
- MEG/EEG和MRI的整合对于映射认知状态是有效的。
- 统计推断揭示了大脑活动中的重要模式。
- 这种方法可以推进我们对听觉注意力的理解。
常见问题
Executive Industry Relevance
Mapping cortical dynamics with MEG/EEG and MRI enables high-temporal-resolution investigation of cognitive states relevant to neuropsychiatric target validation. This approach supports mechanistic de-risking by linking distributed neural activity to behavioral phenotypes in disease-relevant systems. It provides predictive confidence for target engagement assays by identifying spatiotemporal biomarkers of cognitive dysfunction.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by mapping cortical network dynamics during attention tasks.
- Operational Value: Enables biological de-risking through distributed source localization of cognitive phenotypes.
- Predictive Value: Supports portfolio triage by identifying cortical biomarkers predictive of attentional deficits.
Screening & Assay Development
- Assay Readiness: Prepares validated neurophysiological systems for compound screening using time-locked and sustained responses.
- Quantitative Outputs: Generates reproducible cortical dipole activation time-series for dose-response modeling.
- Platform Scalability: Supports high-throughput evaluation via automated source modeling and group-level statistics.
Translational & Preclinical Research
- Disease Relevance: Maps cortical dynamics in auditory attention paradigms translatable to ADHD, schizophrenia, and autism models.
- Translational Continuity: Bridges discovery to preclinical validation through common surface-based coordinate systems.
- Risk-Adjusted Advancement: Informs go/no-go decisions by quantifying target engagement effects on network-level cognition.
Pipeline & Workflow Integration
The method integrates into discovery biology through hypothesis testing of cortical networks, advances to screening via reproducible neurophysiological readouts, and supports translational research via group-level statistical inference in a common cortical space.
- Discovery Biology: Tests mechanistic hypotheses by isolating cortical dynamics underlying specific cognitive states like auditory attention.
- Screening: Delivers assay-ready, standardized cortical activation maps for evaluating compound effects on neural networks.
- Analytics: Provides spatiotemporal cortical time-series and group-level statistics for comparing conditions across subjects.
- Translational Research: Connects to preclinical work through anatomically constrained source models and ROI-based analysis of cognitive networks.
- Enterprise Reuse: Establishes a reusable pipeline for mapping cognitive states across therapeutic areas using standardized MNE and FreeSurfer workflows.
Operational & Enterprise Impact
- Scientific Value: Reduces mechanistic ambiguity by linking MEG/EEG signals to cortical sources during cognitive tasks.
- Operational Value: Ensures reproducibility through standardized co-registration, artifact removal, and inverse imaging steps.
- Strategic Value: Improves go/no-go decisions by providing objective, network-level biomarkers of target engagement.
- Portfolio Impact: Enables risk-adjusted prioritization of compounds based on effects on distributed cortical networks.
Implementation Considerations
- Requires expertise in neuroimaging, MRI acquisition, and MNE/FreeSurfer source modeling.
- Dependent on MEG/EEG systems, MRI scanners, and computational infrastructure for forward/inverse solutions.
- Necessitates cross-team standardization of head positioning, artifact correction, and ROI definition.
- Adaptation across models requires validation of anatomical boundaries and source space alignment.
- Practical limitations include sensitivity to environmental noise and need for artifact rejection protocols.
