Methodenartikel

Halbautomatische Analyse der Spitzenamplitude und Latenz für auditive Hirnstammantwort-Wellenformen mit R

2.9K Ansichten

⸱

DOI:

10.3791/64737

⸱

9. Dezember 2022

 , 
1Department of Biomedical Genetics, University of Rochester Medical Center, 2Department of Neuroscience, Ernst J. Del Monte Institute for Neuroscience, University of Rochester Medical Center

In diesem Artikel

Zusammenfassung

Dieser Artikel beschreibt die halbautomatische Messung der Amplituden und Latenzen der ersten fünf Spitzen und Täler in der Wellenform der auditiven Hirnstammantwort. Eine zusätzliche Routine kompiliert und kommentiert die Daten in einer Tabelle für die Analyse des Experimentators. Diese freien Computerroutinen werden mit dem Open-Source-Statistikpaket R ausgeführt.

Zusammenfassung

Viele Berichte in den letzten 15 Jahren haben Veränderungen in der auditiven Hirnstammreaktion (ABR) Wellenform nach Beleidigungen wie Lärmbelastung bewertet. Zu den üblichen Änderungen gehören eine Verringerung der Amplitude von Peak 1 und der relativen Latenzen der späteren Peaks sowie eine erhöhte zentrale Verstärkung, die sich in einem relativen Anstieg der Amplituden der späteren Peaks im Vergleich zur Amplitude von Peak 1 widerspiegelt. Viele Experimentatoren identifizieren die Spitzen und Täler visuell, um ihre relativen Höhen und Latenzen zu beurteilen, was ein mühsamer Prozess ist, wenn die Wellenformen in Schritten von 5 dB im gesamten Hörbereich für jede Frequenz und Bedingung gesammelt werden. Dieses Papier beschreibt freie Routinen, die in der Open-Source-Plattform R mit der RStudio-Schnittstelle ausgeführt werden können, um die Messungen der Spitzen und Täler von auditiven Hirnstammreaktionswellenformen (ABR) halb zu automatisieren. Die Routinen identifizieren die Amplituden und Latenzen von Spitzen und Tälern, zeigen diese auf einer generierten Wellenform zur Inspektion an, ordnen und kommentieren die Ergebnisse in einer Tabelle für die statistische Analyse und generieren gemittelte Wellenformen für Abbildungen. In Fällen, in denen der automatisierte Prozess die ABR-Wellenform falsch identifiziert, gibt es ein zusätzliches Werkzeug, das bei der Korrektur hilft. Ziel ist es, den Zeit- und Arbeitsaufwand für die Analyse der ABR-Wellenform zu reduzieren, damit in Zukunft mehr Forscher diese Analysen einbeziehen können.

Einleitung

Die auditorische Hirnstammantwort (ABR) wird häufig verwendet, um Hörschwellen bei Tieren und menschlichen Säuglingen zu bestimmen. Da das ABR ein Elektroenzephalogramm (EEG) ist, das die ersten Reaktionen des Nervensystems auf auditive Reize aufzeichnet, enthält es zusätzliche Informationen, die das koordinierte Abfeuern von Cochlea-Spiralganglienneuronen und die frühe Signalverarbeitung im auditorischen Hirnstamm widerspiegeln, einschließlich der bilateralen Verarbeitung1. Diese Reaktionen können durch Lärmtraumata beeinflusst werden. Beispielsweise kann eine Lärmbelastung, die ausreicht, um eine vorübergehende Schwellenverschiebung bei Mäusen zu induzieren, auch die Amplitude des ABR-Peaks 12 dauerhaft reduzieren. Darüber hinaus kann ein solches Trauma die Interpeak-Latenzen reduzieren und die relativen Amplituden der späteren Peakserhöhen 3, möglicherweise aufgrund eines Verlustes der inhibitorischen Regulation4. Zusätzlich zu diesen Befunden wurde gezeigt, dass spezifische genetische Mutationen die ABR-Wellenform in Abwesenheit von Traumaverändern 5,6,7. So kann die Routineanalyse von ABR-Wellenformen Einblicke in das auditorische System in experimentellen Modellen liefern.

Es gab auch Interesse an der Verwendung von ABR-Wellenformen als Diagnosewerkzeug für Patienten. In früheren Berichten wurde untersucht, ob der ABR-Peak 1 bei menschlichen Patienten nach Lärmexposition oder bei Tinnituspatienten reduziert ist 8,9. Es wurde berichtet, dass Migräneattacken die Interpeak-Latenzen für mehrere Wochen vorübergehend erhöhen, wonach sich die ABR-Wellenform bei betroffenen Personen wieder normalisiert10. Es wurde berichtet, dass COVID-19 zu langfristigen Veränderungen der ABR-Interpeak-Latenzenführt 11,12, obwohl eine andere Studie andere Ergebnisse meldete 13. Hörverlust ist oft komorbid mit Demenz im Alter, und Menschen mit größerem Hörverlust neigen dazu, Demenz zu erleben, die schneller voranschreitet14. Forscher haben ABR-Wellenformveränderungen bei neurodegenerativen Erkrankungen wie der Parkinson-Krankheit (überprüft in Jafari et al.15) und der Alzheimer-Krankheit (überprüft in Swords et al.16) sowie bei normalem Alternuntersucht 17. Da immer mehr Forscher und Kliniker sensorische Defizite als Biomarker für häufige Krankheiten im Alter untersuchen, können Techniken wie ABR im Gesundheitswesen zur Routine werden.

Eine Untersuchung der Methodenabschnitte in der Literatur zeigt, dass Labore häufig benutzerdefinierte Skripte in MatLab zur Analyse von ABR-Wellenformen schreiben. Die ABR-Plattform von Intelligent Hearing Systems verfügt über eine Funktion zur Wellenformanalyse, erfordert jedoch eine manuelle Auswahl der Spitzen und Täler durch einen Bediener. Hier haben wir halbautomatische Analyseroutinen für die quelloffene, frei verfügbare statistische Umgebung R und die RStudio-Schnittstelle geschrieben. Dieser Bericht vergleicht die Daten, die mit unseren Routinen gewonnen wurden, mit den Daten, die durch die manuelle Identifizierung der Spitzen und Täler durch einen Experimentator erhalten wurden, und zeigt, dass die Daten der beiden Methoden stark korreliert sind. Wichtig ist, dass die Routinen eine Verblindungsfunktion enthalten, bei der die Metadaten für die Samples in einer separaten Datei abgelegt werden, die erst am Ende integriert wird. Diese Funktionen haben die Wellenformanalyse für unser Labor optimiert.

Protokoll

Alle an Tieren durchgeführten Verfahren wurden im Voraus vom University of Rochester Committee for Animal Research genehmigt. Die Versuchspersonen waren 12 männliche und weibliche Wildtyp-F1-Mäuse im Alter von 1 Monat. Diese F1-Mäuse sind das Produkt der Paarung eines CBA / CaJ-Muttertiers und eines C57BL / 6J-Vaters. Die Mäuse wurden gezüchtet und in der Vivarienanlage mit einem standardmäßigen 12-Stunden-Hell-Dunkel-Zyklus, unbegrenzter Nahrung und Wasser sowie reichlich Nistvorräten untergebracht. Nicht mehr als fünf gleichgeschlechtliche Geschwister wurden zusammen in einem Käfig untergebracht.

1. Gewinnung von Daten für die Analyse

HINWEIS: Dieser Schritt muss den institutionellen Richtlinien entsprechen und vom institutionellen Tierschutzausschuss vorab genehmigt werden. Der detaillierte Prozess zur Generierung von ABR-Daten von Mäusen wurde an anderer Stellebeschrieben 18.

  1. Nehmen Sie den ABR mit der Plattform Ihrer Wahl auf.
    HINWEIS: In dem hier gezeigten Fall wurden die Aufnahmen an Mäusen durchgeführt.
    1. Verwenden Sie einen 5-ms-Klickreiz, der bei einem Schalldruckpegel von 75 dB beginnt und in 5-dB-Schritten auf 5 dB abnimmt. Zeichnen Sie durchschnittlich 512 Sweeps pro Amplitude auf. Reject-Antworten, wenn ihre Spitzen-Tal-Amplitude zwischen 1,3 ms und 12,5 ms nach dem Stimulus größer als 31 μV ist.
      HINWEIS: Aufnahmen von Tonpip-Präsentationen können ebenfalls verwendet werden. Wir gehen davon aus, dass die Analyseroutine für andere Arten, einschließlich des Menschen, funktionieren wird.
  2. Exportieren Sie die ABR-Aufzeichnung als ASCII-Datei.
    1. Öffnen Sie für IHS das Computerprogramm.
    2. Laden Sie die gewünschte Datei, und zeigen Sie die gewünschten Wellenformen auf einer Seite an.
    3. Wählen Sie auf der Registerkarte Daten die Option Seite als ASCII speichern aus, um eine .txt Datei abzurufen.
    4. Nachdem Sie die Datendatei entsprechend benannt haben ("ID"), notieren Sie die ID und die Betreffinformationen in einer Metadatendatei mit dem Titel "info.csv". Stellen Sie sicher, dass der "Ausweis" keine Informationen wie Genotyp, Geschlecht, Alter oder Behandlung enthält. Diese Informationen werden stattdessen in "Info.csv" aufgezeichnet.
      HINWEIS: Ein faires Spielkartenspiel kann verwendet werden, um bei Bedarf zufällig Etiketten zuzuweisen.
    5. Wiederholen Sie diesen Vorgang mit allen Dateien, die analysiert werden sollen, als separate "ID"-Dateien.

2. Installation der benötigten Pakete und Laden der Daten auf den Arbeitsrechner

  1. Laden Sie R (https://www.r-project.org) und RStudio (https://www.rstudio.com) herunter und installieren Sie es.
    HINWEIS: Das hier beschriebene Protokoll verwendete R ≥ 4.0.0.
  2. Installieren Sie die erforderlichen Bibliotheken tidyverse, shiny, plotly und zoo, indem Sie den folgenden Befehl in das Befehlsfenster von RStudio eingeben:
    Install.packages("tidyverse")
    Install.packages("shiny")
    Install.packages("plotly")
    Install.packages("zoo")
  3. Laden Sie die Skripte FindPeaks.R und See_trace_click herunter. R aus dem White Lab GitHub (https://github.com/PWhiteLab/FindPeaks) sowie die zugehörige Datei "Time.csv".
  4. Erstellen Sie einen neuen Ordner, der alle ASCII-Dateien "info.csv" und "Time.csv" enthält. Geben Sie dem Ordner in diesem Beispiel den Namen "Test_Folder". Platzieren Sie die ASCII-Dateien innerhalb von "Test_Folder" in einem Unterordner mit dem Titel "ASCII_Folder".

3. Erhaltene vorläufige Analyse mit FindPeaks.R

  1. Öffnen Sie das Skript FindPeaks.R in RStudio.
  2. Klicken Sie mit der rechten Maustaste auf die Registerkarte für das Skript in der Symbolleiste, um Arbeitsverzeichnis festlegen auszuwählen, und setzen Sie es auf Test_Folder (siehe ergänzende Abbildung S1A).
  3. Klicken Sie im Skriptfenster oben rechts in der Symbolleiste auf Quelle , um das Programm zu laden (siehe Zusatzfigur S1B).
  4. Verwenden Sie im Befehlsfenster die folgenden Befehle, um die Wellenformen zu analysieren (siehe ergänzende Abbildung S2):
    FindPeaks_single("ASCII_folder/ID.txt") für einzelne Dateien (siehe ergänzende Abbildung S2A)
    FindPeaks_group("ASCII_Folder") für die Stapelverarbeitung (siehe ergänzende Abbildung S2B)
    HINWEIS: Das Skript gibt (1) PDF-Dateien aus, die die Wellenformen mit beschrifteten Spitzen und Tälern anzeigen (siehe Ergänzende Abbildung S2C) und (2) eine ID.csv Datei mit den numerischen Daten für Amplitude (μV) und Latenz (ms). Beide Dateien werden in "Test_Folder" abgelegt.

4. Überprüfung der vorläufigen Analyse

HINWEIS: Bei niedrigen Schallpegeln können Teile der Wellenform schwer vom Rauschen zu unterscheiden sein, und FindPeaks.R kann die Spitzen oder Täler im Vergleich zur Meinung des Experimentators falsch identifizieren. Wenn es eine Diskrepanz gibt, kann die .csv Datei mit Daten aus dem Skript See_trace_click.R.

  1. Laden Sie die Wellenformdaten für die jeweilige Person mit dem Befehl (siehe ergänzende Abbildung S3A):
    Wellenform <- ASCII_extract("ASCII_Folder/ID.txt")
  2. Öffnen Sie die See_trace_click. R-Skript in RStudio.
  3. Klicken Sie in der Kopfzeile links auf die Schaltfläche App ausführen und warten Sie, bis ein neues interaktives (Shiny) Fenster angezeigt wird (siehe ergänzende Abbildung S3B).
  4. Geben Sie im Feld oben links den Schallpegel für die Wellenform ein, die überarbeitet werden muss, und suchen Sie nach der im Fenster angezeigten Wellenform.
  5. Bewegen Sie den Cursor um die Wellenform, um die Latenz und Amplitude an einem beliebigen Punkt anzuzeigen.
  6. Klicken Sie auf den richtigen Peak und den folgenden Tal, um die Daten in der folgenden Tabelle aufzuzeichnen. Kopieren Sie die Latenzdaten und fügen Sie sie in die .csv Datei ein (siehe ergänzende Abbildung S3C).
  7. Um die Amplitudenmessung zu berechnen, subtrahieren Sie die folgende Trogamplitude von der Spitzenamplitude in der Tabellenzelle.

5. Zusammenstellung und Visualisierung des Datensatzes

  1. Übertragen Sie die überprüften .csv Dateien in einen neuen Unterordner in Test_Folder mit dem Titel "Peak_Data".
  2. Fügen Sie die Daten an eine einzelne .csv Datei an, und nennen Sie sie "Peak_Data.csv".
  3. Verwenden Sie den folgenden Befehl:
    Kompilieren ("Peak_Data")
    HINWEIS: Dieses Skript kombiniert die Metadaten aus info.csv mit Peak_Data.csv, um die Daten mit Gruppeninformationen zu kennzeichnen. Es berechnet auch automatisch die Interpeak-Latenzen und Amplitudenverhältnisse.
  4. Führen Sie statistische Analysen der kompilierten Daten durch.
    1. Verwenden Sie einen Normalitätstest, z. B. den Shapiro-Wilks-Test, um die Verteilung der Daten mit der folgenden Funktion zu bewerten:
      shapiro.test()
    2. Wenn der Shapiro-Wilks-Test nicht signifikant ist, hat der Datensatz eine Normalverteilung; Werten Sie daher die Daten mit einem parametrischen Test wie ANOVA mit folgender Funktion aus:
      aov()
    3. Wenn der Shapiro-Wilks-Test kleiner als p = 0,05 ist, verwenden Sie den Kruskal-Wallis-Rangsummentest (mit der Funktion unten) oder ein anderes geeignetes nichtparametrisches Maß (siehe andere Möglichkeiten in der Diskussion).
      kruskal.test()
  5. Verwenden Sie den folgenden Befehl, um durchschnittliche Wellenformen anzuzeigen:
    Average_Waveform("ASCII_Folder ", aes(x = Data_Pnt_ms, y = "dB", Gruppe = Genotyp, Farbe = Genotyp))
    HINWEIS: Dieser Befehl zeigt die durchschnittlichen Wellenformen für verschiedene Genotypen in verschiedenen Farben an. Fügen Sie für die y-Variable dB die Zahl ein, die der gewünschten Amplitude entspricht, z. B. 75, ohne Anführungszeichen. Verwenden Sie für andere Vergleiche die entsprechende Gruppenbezeichnung aus den Metadaten.

Ergebnisse

Wir testeten die Routinen auf ABR-Wellenformantworten auf eine Klickserie, beginnend bei 75 dB und in Schritten von 5 dB auf 5 dB. Diese Daten wurden wie bereits beschriebenermittelt 19. Wir haben das Tool auch auf Tonpip-Daten getestet und ähnliche Ergebnisse erzielt. ABR-Daten aus den meisten ABR-Systemen können als .txt (ASCII)-Dateien exportiert werden. Wir haben ABR-ASCII-Dateien auf einen Computer geladen und in RStudio geöffnet, wie im Protokoll beschrieben. Nachdem wir die FindPeaks.R-Routine in Batchform ausgeführt hatten, erhielten wir Beispielwellenformen mit automatisierter Beschriftung (Abbildung 1) und eine .csv Datei mit den Ergebnissen. Die Ergebnisse wurden überprüft, um irrelevante Peaks zu entfernen. Um die automatisierte Beschriftung zu validieren, haben wir auch die ABR-Programmfunktion verwendet, um die ersten fünf Spitzen und Täler auf jeder Wellenform, die mit der oben beschriebenen Klickreihe erhalten wurde, manuell zu markieren. Der Experimentator, der diese Aufgabe ausführte, hatte 2 Jahre Erfahrung in der Aufzeichnung und Analyse von ABR-Daten. Abbildung 2 zeigt diesen Vergleich mit den automatisierten FindPeaks.R-Daten in Rot und den manuell erhaltenen Daten in Schwarz. Jede Ablaufverfolgung stellt die Daten einer einzelnen Maus dar. Der Mittelwert für beide Methoden mit einer Standardabweichung wird ebenfalls angezeigt. Die von FindPeaks.R erhaltenen Ergebnisse korrelieren stark mit den manuell erhaltenen Ergebnissen (siehe ergänzende Abbildung S4).

figure-results-1
Abbildung 1: Repräsentative Wellenformantwort auf einen Klickreiz von 75 dB für eine junge F1-Maus. Die Latenz in Millisekunden wird auf der x-Achse und die Amplitude in Mikrovolt auf der y-Achse aufgetragen. Die Peaks wurden automatisch mit FindPeaks.R identifiziert und sind rot beschriftet, während die Tröge blau beschriftet sind. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

figure-results-2
Abbildung 2: Vergleich der Daten aus den manuell identifizierten Peaks mit den Daten der FindPeaks.R-Analyse. (A,C,E,G,I) Amplituden in Mikrovolt und (B,D,F,H,J) Latenzen in Millisekunden werden für Schallpegel zwischen 5 dB und 75 dB (x-Achse, alle Diagramme) für Spitzen I-V in den Wellenformen für Klickreize an 12 Mäusen aufgetragen. Die manuell ermittelten Werte (schwarz) werden mit den gleichen Datensätzen verglichen, die mit FindPeaks.R (rot) analysiert wurden. Die Mittelwerte werden als schwere Linien dargestellt, wobei der schattierte Bereich eine Standardabweichung darstellt. Bei der Beurteilung mit dem Kruskal-Wallis-Rangsummentest (A, Differenz = 0,0547977 ± 0,0010028, max = 0,96, p = 0,9216; B, Differenz = −0,0001734 ± 0,0001214, max = 0,04, p = 0,8289; C, Differenz = −0,0212209 ± 0,0006806, max = 0,92, p = 0,9687; D, Differenz = −0,0011047 ± 0,0001556, max = 0,06, p = 0,771; E, Differenz = −0,0323077 ± 0,0006169, max = 0,66, p = 0,899; F, Differenz = −0,0072189 ± 0,0001460, max = 0,04, p = 0,8644; G, Differenz = 0,201754 ± 0,0007407, max = 0,64, p = 0,9312; H, Differenz = −0,0007018 ± 0,0001717, max = 0,09, p = 0,8013; I, Differenz = 0,0347561 ± 0,0007343, max = 1,05, p = 0,8856; J, Differenz = −0,0078049 ± 0,0002762, max = 0,16, p = 0,886), und die Ergebnisse waren stark korreliert (Chi-Quadrat-Werte: A, 0,009696; B, 0,046684; C, 0,0015395; D, 0,084742; E, 0,016102; F, 0,029153; G, 0,0074604; H, 0,063322; I, 0,020699; J, 0,020544; Unterschiede, die als Mittelwert ± REM dargestellt werden; max = absolute maximale Differenz). Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Ergänzende Abbildung S1: Analyse mit FindPeaks.R. (A) Auswahl des Arbeitsverzeichnisses (siehe Protokollschritt 3.2); (B) Laden des Programms (siehe Protokollschritt 3.3). Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S2: Skriptausgabe und Befehle zur Analyse der Wellenformen. Befehle für (A) einzelne Dateien und (B) Stapelverarbeitung. (C) Ausgabe einer PDF-Datei mit Wellenformen mit markierten Spitzen und Tälern. Siehe Protokollschritt 3.4. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S3: Überprüfung der Analyse. (A) Laden der Wellenformdaten (siehe Protokollschritt 4.1). (B) Position der Schaltfläche App ausführen . Die Beispieldatendatei wird ebenfalls angegeben. (C) Glänzendes Fenster mit Wellenform. In diesem Fall beträgt der Schallpegel 75 dB, wie im oberen Fenster eingegeben. Ein Klick auf einen gewünschten Peak und das folgende Trog zeichnet die Daten für Amplitude und Latenz in der Tabelle auf (Protokollschritt 4.6). Peak-3-Daten werden angezeigt. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung S4: Vergleich der Einzeldaten aus den manuell identifizierten Peaks mit den Daten der FindPeaks.R-Analyse. (A,C,E,G,I) Amplituden in Mikrovolt und (B,D,F,H,J) Latenzen in Millisekunden werden für Schallpegel zwischen 5 dB und 75 dB (x-Achse, alle Diagramme) für Spitzen I-V in Wellenformen aufgetragen, die für Klickreize an 12 Mäusen erhalten wurden. Jedes Tier ist mit einer einzigartigen Farbe beschriftet, wie in der Legende gezeigt. Die mit FindPeaks.R erhaltenen Daten werden mit Volltonfarben beschriftet, während die manuell erhaltenen Daten mit weniger gesättigten Versionen derselben Farben beschriftet werden. Während beide Datensätze in dieser Abbildung dargestellt sind, ist nur eine Linie sichtbar, wenn sie identisch sind. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Das in dieser Veröffentlichung beschriebene Protokoll soll dazu beitragen, die Erfassung von Daten zu rationalisieren, die Spannungsamplitudenverhältnisse und Latenzintervalle für ABRs zu Klicks und Tonpips beschreiben. Durch die Verwendung einzelner Befehle in RStudio kann ein Experimentator diese Informationen extrahieren, kompilieren und in einem einzigen Dokument für statistische Analysen anzeigen. Indem wir diese Analyseroutine machen, hoffen wir, dass das Feld neue Wege entdecken wird, wie die ABR in der Entwicklung, im Altern oder durch Beleidigung bei verschiedenen Arten verändert werden kann. Solche Informationen könnten wertvoll sein, um wichtige Mechanismen ähnlich der Synaptopathie aus Rauschen2 zu identifizieren. Die jungen Mäuse, die für dieses Experiment verwendet wurden, hatten sehr variable Reaktionen, wahrscheinlich weil der auditorische Hirnstamm in diesem Altervon 20 Jahren noch reift. Dennoch zeigten die beiden Quantifizierungsmethoden sehr starke Korrelationen (Abbildung 2).

Das Skript verwendet eine Datei namens "Time.csv", um Intervalle innerhalb der Daten für die Spitzenidentifikation festzulegen. Kurz gesagt, eine maximale Spannungsamplitude, die in einem bestimmten Zeitintervall auftritt, wird als "Spitze 1" bezeichnet, ein Spannungsminimum, das im folgenden Intervall auftritt, wird als "Trog 1" bezeichnet, und so weiter. Wir wählten die Intervalle, um die Latenzen sowohl der Klick- als auch der Tonpip-Antworten für CBA / CaJ-Mäuse im Alter von 1 Monat bis 12 Monaten mit Frequenzen von 8 kHz bis 32 kHz zu umfassen. Wir haben das Tool erfolgreich eingesetzt, um auch Tonpip-Reaktionen bei Mäusen zu messen. Andere Arten, einschließlich des Menschen, haben auch ABR-Antworten innerhalb ähnlicher Fenster, und wir erwarten, dass dieses Tool auch für Daten von anderen Arten verwendet werden kann. Wir empfehlen die Verwendung der neuen parallelen ABR-Methode für Menschen21, die hervorragende Wellenformen erzeugt. Die Zeitintervallbegrenzung beschränkt die Verwendung dieses Tools auf die Bewertung sofortiger ABR-Antworten. Wir stellen jedoch fest, dass die Intervalldaten in dieser Datei von Benutzern geändert werden können, um die Messung von ABR-Reaktionen auf Sprache oder von ereignisbezogenen Potenzialen (ERPs) zu automatisieren, die typischerweise zu unterschiedlichen Zeiten als Reaktion auf Schall auftreten.

Einige Merkmale der statistischen Behandlung dieser Daten sind hervorzuheben. Unseres Wissens gibt es in diesem Bereich keine standardisierte Behandlung zur Unterscheidung von Amplitudenverläufen. Frühe Studien verwendeten ANOVA22,23. Die Daten aus der Klickreihe hier (Abbildung 2) waren nicht-parametrisch, was zur Verwendung des Kruskal-Wallis-Rangsummentests führte. Ähnlich wie bei der ANOVA bewertet der Kruskal-Wallis-Rangsummentest Unterschiede in den Werten, die auf einem bestimmten Niveau eines Stimulus erhalten werden; Das heißt, es vergleicht die im Diagramm erhaltenen Linien. Es sind aber auch andere Behandlungen möglich. Biologisch spiegeln Amplitudenprogressionen die zusätzliche Rekrutierung von höherschwelligen Neuronen wider, wenn das Stimulusniveau zunimmt. Dies deutet darauf hin, dass die Fläche unter der Kurve, die die Integrale der Linien darstellt, das relevantere Maß sein könnte. Verallgemeinerte Schätzgleichungen (GEE) können verwendet werden, um individuelle Daten für eine Integralanalyse zu modellieren, wie in Patel et al.5. Insbesondere kann die GEE-Analyse das Design dieser Experimente mit wiederholten Messungen berücksichtigen. Da immer mehr Forscher die Datenanalysemethoden diskutieren, erwarten wir die Entstehung eines Konsenses über Best Practices.

Zusammenfassend stellt dieses Papier kostenlose und benutzerfreundliche Tools zum Messen, Kompilieren und Visualisieren von ABR-Wellenformen vor. Diese Tools können von Anfängern von RStudio-Studenten verwendet werden, indem sie diesem Protokoll folgen, und sie enthalten einen Blendungsschritt für verbesserte Strenge und Reproduzierbarkeit. Wir gehen davon aus, dass die routinemäßige ABR-Wellenformanalyse die Entdeckung von Beleidigungen, genetischen Varianten und anderen Behandlungen ermöglichen wird, die die Hörfunktion beeinträchtigen können.

Offenlegungen

Die Autoren haben keine Interessenkonflikte.

Danksagungen

Diese Arbeit wurde durch zwei Zuschüsse des NIDCD an PW unterstützt: R01 DC018660 und einen administrativen Zusatzpreis, R01 DC014261-05S1.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
C57BL/6J  MäuseJackson Labs664
CBA/CaJ MäuseJackson Labs654
E-series PCDell n/a (dieses Gerät wurde nicht mehr hergestellt)Hier läuft das IHS-System.
Mini-schalltote KammerIndustrial Acoustics CompanySonderbestellnummer 104306Dieses Gehäuse reduziert den Geräuschpegel bei Hörtests an Tieren.
Optiplex 7040Delli5-6500Rstudio kann auch auf einem Mac- oder Linux-System ausgeführt werden.
Universal Smart BoxIntelligent Hearing Systemsn/a (dieses Gerät wurde nicht mehr hergestellt)Sowohl TDT als auch IHS können Hördaten als ASCII-Dateien ausgeben.

Referenzen

  1. Gopal, K. V., Pierel, K. Binaural interaction component in children at risk for central auditory processing disorders. Scandinavian Audiology. 28 (2), 77-84 (1999).
  2. Kujawa, S. G., Liberman, M. C. Adding insult to injury: Cochlear nerve degeneration after "temporary" noise-induced hearing loss. Journal of Neuroscience. 29 (45), 14077-14085 (2009).
  3. Salvi, R. J., Wang, J., Ding, D. Auditory plasticity and hyperactivity following cochlear damage. Hearing Research. 147 (1-2), 261-274 (2000).
  4. Schrode, K. M., Muniak, M. A., Kim, Y. H., Lauer, A. M. Central compensation in auditory brainstem after damaging noise exposure. eNeuro. 5 (4), (2018).
  5. Patel, S., et al. SIRT3 promotes auditory function in young adult FVB/nJ mice but is dispensable for hearing recovery after noise exposure. PLoS One. 15 (7), 0235491(2020).
  6. Milinkeviciute, G., Chokr, S. M., Castro, E. M., Cramer, K. S. CX3CR1 mutation alters synaptic and astrocytic protein expression, topographic gradients, and response latencies in the auditory brainstem. Journal of Comparative Neurology. 529 (11), 3076-3097 (2021).
  7. Ison, J. R., Allen, P. D., Oertel, D. Deleting the HCN1 subunit of hyperpolarization-activated ion channels in mice impairs acoustic startle reflexes, gap detection, and spatial localization. Journal of the Association for Research in Otolaryngology. 18 (3), 427-440 (2017).
  8. Chen, F., Zhao, F., Mahafza, N., Lu, W. Detecting noise-induced cochlear synaptopathy by auditory brainstem response in tinnitus patients with normal hearing thresholds: A meta-analysis. Frontiers in Neuroscience. 15, 778197(2021).
  9. Santos-Filha, V. A., Samelli, A. G., Matas, C. G. Noise-induced tinnitus: Auditory evoked potential in symptomatic and asymptomatic patients. Clinics. 69 (7), 487-490 (2014).
  10. Kochar, K., Srivastava, T., Maurya, R. K., Jain, R., Aggarwal, P. Visual evoked potential & brainstem auditory evoked potentials in acute attack & after the attack of migraine. Electromyography and Clinical Neurophysiology. 42 (3), 175-179 (2002).
  11. Gedik, O., Husam, H., Basoz, M., Tas, N., Aksoy, F. The effect of coronavirus disease 2019 on the hearing system. Journal of Laryngology and Otology. 135 (9), 810-814 (2021).
  12. Ozturk, B., Kavruk, H., Aykul, A. Audiological findings in individuals diagnosed with COVID-19. American Journal of Otolaryngology. 43 (3), 103428(2022).
  13. Dror, A. A., et al. Auditory performance in recovered SARS-COV-2 patients. Otology & Neurotology. 42 (5), 666-670 (2021).
  14. Lin, F. R., et al. Hearing loss and incident dementia. Archives of Neurology. 68 (2), 214-220 (2011).
  15. Jafari, Z., Kolb, B. E., Mohajerani, M. H. Auditory dysfunction in Parkinson's disease. Movement Disorders. 35 (4), 537-550 (2020).
  16. Swords, G. M., Nguyen, L. T., Mudar, R. A., Llano, D. A. Auditory system dysfunction in Alzheimer disease and its prodromal states: A review. Ageing Research Reviews. 44, 49-59 (2018).
  17. Konrad-Martin, D., et al. Age-related changes in the auditory brainstem response. Journal of the American Academy of Audiology. 23 (1), 18-35 (2012).
  18. Navntoft, C. A., Marozeau, J., Barkat, T. R. Cochlear implant surgery and electrically-evoked auditory brainstem response recordings in C57BL/6 mice. Journal of Visualized Experiments. (143), e59073(2019).
  19. Gilels, F., Paquette, S. T., Beaulac, H. J., Bullen, A., White, P. M. Severe hearing loss and outer hair cell death in homozygous Foxo3 knockout mice after moderate noise exposure. Scientific Reports. 7, 1054(2017).
  20. Rubio, M. E. Auditory brainstem development and plasticity. Current Opinion in Physiology. 18, 7-10 (2020).
  21. Polonenko, M. J., Maddox, R. K. The parallel auditory brainstem response. Trends in Hearing. 23, 2331216519871395(2019).
  22. Shi, L., et al. Noise-induced damage to ribbon synapses without permanent threshold shifts in neonatal mice. Neuroscience. 304, 368-377 (2015).
  23. Lin, H. W., Furman, A. C., Kujawa, S. G., Liberman, M. C. Primary neural degeneration in the Guinea pig cochlea after reversible noise-induced threshold shift. Journal of the Association for Research in Otolaryngology. 12 (5), 605-616 (2011).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

ABR WellenformanalysePeak LatenzRStudio WorkflowFindpeaks Skriptstatistische AnalyseShapiro Wilk TestANOVA Test

Verwandte Artikel