Analyse der neuronalen Aktivität und Konnektivität mit intrakraniellen EEG-Daten mit SPM-Software
October 30th, 2018
Wir präsentieren zwei analytische Protokolle, die verwendet werden können, intrakranielle Elektroenzephalographie Datenanalyse mit Hilfe der statistischen Parametric Mapping (SPM) Software: statistische parametrische Zuordnung Zeit-Frequenz-Analyse für neuronale Aktivität und dynamische kausale Modellierung der induzierten Reaktionen für Intra - und inter - regionale Verbindungen.
Diese Methode kann helfen, wichtige Fragen im Bereich der kognitiven Neurowissenschaften zu beantworten. Der Hauptvorteil dieser Technik ist, dass sie neuronale Aktivität und Konnektivität auf hochräumlichezeitlichen Evolutionen analysieren kann. Um mit der Analyse der intrakraniellen EEG-Daten zu beginnen, richten Sie SPM12 ein und wählen Sie das Analysemenü MEG EEG aus.
Führen Sie zunächst eine Zeit-Frequenz-Analyse für die vorverarbeiteten intrakraniellen EEG-Daten jeder Studie unter Verwendung einer kontinuierlichen Wellengerfüllung mit Morlet-Wellenaufenthalten auf der Grundlage vordefinierter Parameter durch. Um die zeitliche Entwicklung von Spektralkomponenten zu zeigen, führen Sie die Wellengangzersetzung mit siebenstufigen Morlet-Wellen für die gesamte Epoche von 1.000 bis 2.000 Millisekunden unter Verwendung des Frequenzbereichs von vier bis 300 Hertz durch. Als Nächstes bestimmen Sie das Mutterwellenrad und die Anzahl der Zyklen und beachten Sie, dass die Anzahl der Zyklen die Zeit-Frequenz-Auflösungen steuert und größer als fünf sein sollte, um die Schätzstabilität zu gewährleisten.
Bestimmen Sie Zeit- und Frequenzbereiche. Schneiden Sie dann die resultierenden Zeitfrequenzkarten automatisch zu, um Kanteneffekte zu entfernen. Hier werden die Karten mit 200 bis 500 Millisekunden beschnitten.
Führen Sie die Datentransformation nach Bedarf und die Baseline-Korrektur durch, indem Sie die Zeitfrequenzneuskalierung für die Zeitfrequenzzuordnungen auswählen, um ereignisbezogene Leistungsänderungen besser zu visualisieren und die Normalität zu verbessern. Konvertieren Sie als Nächstes die Zeitfrequenzkarten in zweidimensionale Bilder. Auch glatt mit einem Gaußschen Kernel mit einem vordefinierten Halbmaximumwert mit voller Breite, um die Variabilität zwischen den Themen zu kompensieren und den Annahmen der Zufallsfeldtheorie zu entsprechen.
Wählen Sie nun die zweite Ebene im SPM-Menü aus und geben Sie die 2D-Bilder ein, die analysiert werden sollen. Führen Sie dann das allgemeine lineare Modell aus, indem Sie die Modellschätzung auswählen. Wählen Sie schließlich Die Ergebnisse aus, um statistische Rückschlüsse auf die Zeitfrequenzdaten basierend auf der Zufallsfeldtheorie durchzuführen.
Erkennen Sie deutlich aktivierte Zeitfrequenzcluster mit vordefinierten Schwellenwerten, wie sie hier zu sehen sind. Starten Sie die dynamische Kausalmodellierungsanalyse, indem Sie DCM im SPM-Menü auswählen. Wählen Sie dann die Option IND aus und wählen Sie neue Daten aus, um die vorverarbeiteten intrakraniellen EEG-Daten zu importieren.
Verwenden Sie als Nächstes das Menü MEG EEG, um das Zeitfenster von Interesse, das Frequenzfenster von Interesse, die Anzahl der verwendeten Wavelet-Zyklen, die Sehenswürdigkeiten und die Kontraste für die Bedingungen anzugeben. Legen Sie das Zeitfenster auf 1 bis 500 Millisekunden fest. Verwenden Sie Fünf-Zyklus-Morlet-Wellen von vier bis 100 Hertz in einem Hertz-Schritt.
Verwenden Sie die Standardeinstellung für den Wavelet-Zyklus. Bestimmen Sie die Zeit-Frequenz-Bereiche basierend auf Forschungsinteresse. Beachten Sie, dass ein Zeitfenster mit zusätzlichen 512 Millisekunden während der Berechnung automatisch verwendet werden kann, um Kanteneffekte zu entfernen.
Definieren Sie auf der Grundlage des DCM-Frameworks die treibenden Eingänge, die sensorische Eingänge zu neuronalen Zuständen darstellen, und die intrinsischen Verbindungen, die die Basiskonnektivität zwischen neuronalen Zuständen verkörpern. Definieren Sie auch die modulatorischen Effekte auf die intrinsischen Verbindungen durch experimentelle Manipulationen für NULL- und hypothetische Modelle. Definieren Sie den Modulationstyp als linear oder nichtlinear.
Geben Sie nun die intrinsischen linearen und nichtlinearen Verbindungen, antriebs- und Modulationseingänge an. Ändern Sie ggf. die Standardeinstellungen verwandter Parameter, z. B. frühere Stimulus-Einbesatzzeit und -dauer. Wählen Sie dann Invert DCM aus, um die Modelle zu schätzen.
Danach wählen Sie Ergebnisse als Bild speichern aus, um Parameterbilder der Frequenz-Frequenzmodulatorischen Kopplung zu speichern. Führen Sie als Nächstes eine Bayesian Model Selection Analyse durch, indem Sie BMS auswählen, um das optimale Netzwerkmodell zu identifizieren. Verwenden Sie das Modell erwartete Wahrscheinlichkeiten und Accedence-Wahrscheinlichkeiten als Bewertungskennzahlen.
Dann ziehen Sie Rückschlüsse auf die Frequenzübergreifenden Muster der modulatorischen Verbindungen unter Verwendung der Gewinnenmodellparameter. Glätten Sie nun die modulatorischen Kopplungsparameterbilder, indem Sie Konvertieren in Bilder auswählen. Verwenden Sie dann die zweite Ebene angeben, um eine allgemeine lineare Modellanalyse durchzuführen.
Wählen Sie schließlich die Ergebnisse aus, um die 2D-SPMT-Werte zu berechnen. Hier wurde das Halbmaximum mit voller Breite auf acht Hertz festgelegt und signifikante Werte mit einem unkorrigierten Höhenschwellenwert von P unter 0,05 explorativ ermittelt. Zeitfrequenzanalysen wurden durchgeführt, um die zeitlichen und Frequenzprofile der Inferior Occipital Gyrus oder IOG Aktivität während der Verarbeitung von Phasen zu untersuchen.
Hier sehen wir Zeit-Frequenz-Karten der richtigen IOG-Aktivität für die aufrechte Phase und aufrechte Mosaikbedingungen. Die SPMT-Daten für aufrechte Phase versus aufrechtes Mosaik werden ebenfalls angezeigt. Funktionale Netzwerkmodelle werden hier gezeigt.
Es wurden acht mögliche Kombinationen von modulatorischem Input von aufrechter Phase versus aufrechter Mosaik auf Verbindungen zwischen IOG und Amygdala und Selbstverbindung zu jeder Region untersucht. Frequenz-Frequenz-Modulatorische Kopplungsparameter und SPMT-Werte für aufrechte Phase versus aufrechtes Mosaik für die IOG versus Amygdala und Amygdala versus IOG Modulation werden hier gezeigt. Die rot-gelben Bereiche weisen auf eine signifikante erregerte Konnektivität hin, während die Blau-Cyan-Bereiche auf eine hemmende Konnektivität hinweisen.
Nachdem Sie sich dieses Video angeschaut haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie intrakranielle EEG-Daten analysieren können, um neuronale Aktivität und Konnektivität mithilfe der SPM-Software zu erkennen.
View the full transcript and gain access to thousands of scientific videos
Übersicht
Diese Studie präsentiert Analyseprotokolle für die Analyse von intrakraniellen Elektroenzephalographie (iEEG) Daten unter Verwendung der Statistical Parametric Mapping (SPM) Software. Die beiden Hauptansätze umfassen die Zeit-Frequenz-statistische parametrische Mapping-Analyse zur Bewertung der neuronalen Aktivität und dynamische kausale Modellierung (DCM) zur Auswertung der intra- und interregionalen Konnektivität.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Neurowissenschaften
- Elektrophysiologie
- Kognitive Neurowissenschaften
Hintergrund
- Intracranielle EEG-Daten liefern Einblicke in die neuronale Aktivität und Konnektivität.
- Zeit-Frequenz-Analyse offenbart die Dynamik spektraler Komponenten.
- Dynamische kausale Modellierung identifiziert Konnektivitätsmuster im Zusammenhang mit sensorischen Eingaben.
Zweck der Studie
- Entwicklung von Methoden für die detaillierte Analyse von iEEG-Daten.
- Ermöglichung der Erforschung, wie sich die neuronale Konnektivität während kognitiver Prozesse verändert.
- Validierung der Ansätze mit neuronaler Aktivität während spezifischer Aufgaben.
Verwendete Methoden
- SPM12 Software wird für die Datenanalyse genutzt.
- Das Schlüsselmodell basiert auf intrakraniellen EEG von menschlichen Probanden.
- Die Zeit-Frequenz-Analyse umfasst kontinuierliche Wavelet-Zerlegung mit Morlet-Wavelets.
- DCM wird angewendet, um intrinsische Konnektivität und modulatorische Effekte verschiedener Bedingungen zu beurteilen.
Hauptergebnisse
- Zeit-Frequenz-Karten zeigen neuronale Aktivität, die mit verschiedenen kognitiven Phasen assoziiert ist.
- DCM offenbart exzitatorische und inhibitorische Konnektivitätsmuster zwischen Hirnregionen.
- Die Analyse demonstriert signifikante zeitliche und Frequenzprofile, die für die kognitive Verarbeitung relevant sind.
Schlussfolgerungen
- Die Studie veranschaulicht effektive Methoden für die iEEG-Datenanalyse.
- Diese Ansätze verbessern das Verständnis von neuronalen Oszillationen und Konnektivität in den kognitiven Neurowissenschaften.
- Die Ergebnisse haben Implikationen für die Modellierung neuronaler Mechanismen, die kognitiven Funktionen zugrunde liegen.
Häufig gestellte Fragen
Executive Industry Relevance
High-resolution analysis of neural activity and connectivity using intracranial EEG with SPM software enables precise mapping of brain function relevant to early-stage CNS drug discovery. Quantitative time-frequency and connectivity outputs support mechanistic de-risking and target validation for neuropsychiatric and cognitive disorder portfolios. These protocols enhance predictive confidence at critical inflection points in neuroscience R&D pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables direct interrogation of neural circuit function and target engagement in disease-relevant brain regions.
- Supports mechanistic de-risking by quantifying intra- and inter-regional connectivity changes in response to experimental manipulations.
- Provides high spatial and temporal resolution data for functional target validation and pathway clarification.
Screening & Assay Development
- Generates validated time-frequency maps and connectivity metrics for downstream quantitative analysis.
- Facilitates reproducible assay development by standardizing data transformation, baseline correction, and statistical inference workflows.
- Enables robust comparison of experimental conditions, supporting reliable compound or intervention evaluation.
Translational & Preclinical Research
- Aligns neural activity and connectivity readouts with translational biomarkers for CNS disorders when supported by experimental design.
- Provides continuity from discovery through preclinical validation by linking mechanistic neural signatures to functional outcomes.
- Supports risk-adjusted advancement decisions based on quantitative neural network modeling.
Pipeline & Workflow Integration
This analytical workflow positions intracranial EEG analysis with SPM as a bridge from early discovery through lead identification and preclinical validation in neuroscience R&D.
- Discovery Biology: Enables hypothesis testing and pathway clarification by mapping neural activity and connectivity in response to defined stimuli.
- Screening: Provides standardized, quantitative outputs for assay readiness and reproducibility across experimental conditions.
- Analytics: Delivers statistical maps and connectivity models that facilitate cross-condition and cross-subject comparisons.
- Translational Research: Supports alignment with disease-relevant biomarkers and mechanistic endpoints when integrated with translational models.
- Enterprise Reuse: Establishes a reusable analytical capability for diverse CNS research programs leveraging intracranial EEG data.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in CNS target validation.
- Operational Value: Standardizes high-resolution neural data analysis for reproducibility and scalability across projects.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency by providing robust neural network evidence.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of CNS assets based on quantitative neural signatures.
Implementation Considerations
- Requires expertise in electrophysiology, SPM software, and statistical modeling of neural data.
- Demands access to high-quality intracranial EEG recordings and computational infrastructure for data processing.
- Necessitates cross-team standardization of preprocessing, analysis parameters, and statistical thresholds.
- May require adaptation of protocols for different brain regions, species, or experimental paradigms.
- Interpretation of connectivity models should consider experimental design and statistical assumptions.
