Summary
Vi bruker Magneto-og elektroencefalografi (MEG / EEG), kombinert med anatomisk informasjon fanget av magnetisk resonans imaging (MRI) for å kartlegge dynamikken i kortikale nettverket i forbindelse med auditiv oppmerksomhet.
Abstract
Magneto-og elektroencefalografi (MEG / EEG) er Bildediagnostiske teknikker som gir en høy tidsoppløsning spesielt egnet til å undersøke kortikale nettverk involvert i dynamiske perseptuelle og kognitive oppgaver, for eksempel å delta på ulike lyder i et cocktailparty. Mange tidligere studier har ansatt data registrert på sensoren nivå bare har ie., De magnetiske feltene eller de elektriske potensialer registrert utenfor og i hodebunnen, og vanligvis fokusert på aktivitet som er tid-låst til stimulans presentasjonen. Denne type arrangement-relaterte felt / potensielle Analysen er spesielt nyttig når det er bare et lite antall av distinkte dipolare mønstre som kan bli isolert og identifisert i rom og tid. Alternativt, ved å utnytte anatomisk informasjon, kan disse forskjellige feltmønsterne lokaliseres som strømkilder på hjernebarken. Imidlertid, for en mer vedvarende respons som ikke kan være tid-låst til en spesifikk stimulus (f.eks.,i forberedelse for å lytte til en av de to samtidig presenteres talte sifre basert på cued auditive funksjonen) eller kan bli fordelt over flere romlige steder ukjente a priori kan rekrutteringen av et distribuert kortikale nettverket ikke tilstrekkelig fanget ved hjelp av en begrenset antall fokale kilder.
Her beskriver vi en fremgangsmåte som benytter individuelle anatomiske MRI data for å etablere et forhold mellom sensoren informasjon og dipol aktivering på cortex gjennom bruk av minimum-norm estimater (MNE). Dette invers avbildning tilnærmingen gir oss et verktøy for distribuert kilde analyse. Veiledende, vil vi beskrive alle prosedyrer ved hjelp FreeSurfer og MNE programvare, både fritt tilgjengelig. Vi vil oppsummere MR sekvenser og analyse skritt som kreves for å produsere en fremskutt modell som gjør oss i stand til å forholde forventet feltet mønster forårsaket av dipoler fordelt på cortex på de M / EEG sensorer. Next, vil vi gå gjennom de nødvendige prosessene som letter oss i denoising sensordataene fra miljømessige og fysiologiske forurensninger. Vi vil da skissere fremgangsmåten for å kombinere og kartlegging MEG / EEG sensor data på cortical plass, og dermed produsere en familie av tidsserier av kortikale dipol aktivering på hjernen overflaten (eller "hjernen filmer") knyttet til hver eksperimentell tilstand. Til slutt vil vi fremheve noen statistiske teknikker som gjør det mulig for oss å gjøre vitenskapelig slutning over et emne befolkningen (ie., Utføre gruppe-nivå analyse) basert på en felles kortikale koordinatsystem plass.
Protocol
1. Anatomisk datainnsamling og bearbeiding
- Kjøpe en magnetisasjon forberedt rask stigning ekko (MPRAGE) MR av faget. Dette kan ta 5-10 minutter avhengig av hvilke spesifikke skanning protokollen brukes.
- Erverve ytterligere to raske lav vinkel skudd (FLASH) MR (flip vinkler = 5 ° og 30 °) hvis EEG data brukes for inverse bildebehandling analyse, som flash-sekvenser gir forskjellige vev kontrast fra standard MPRAGE sekvenser en.
- Bruk FreeSurfer programvare (se tabell) 2, 3 for å rekonstruere kortikale overflaten og å sette opp individuelle M / EEG dipolkilde plass.
- Denne kilden plass er begrenset til den grå / hvit materie grensen segmentert fra MPRAGE scan. Hver halvkule inneholder omtrent 100 000 potensielle hjørner, med en avstand på ~ 1 mm. For dipol amplitude estimering (se nedenfor), kan du bruke en rutenettmellomrom på 7 mm, som gir ~ 3000 dipoler per halvkule.
- Rekonstruerehuden, ytre skallen og indre skull overflater fra MPRAGE og FLASH bilder med MNE (se tabell) og FreeSurfer. Bruk disse flatene for å generere et tre-laggrenser element modellen (BEM).
2. M / EEG datainnsamling
- Forbered tema for M / EEG opptak.
- Referere til Liu et al 4 for detaljer electrooculogram og referanseelektrode forberedelse samt digitalisering av fagets fiducial landemerker, head-posisjonsindikator spoler (HPI) og EEG elektroder.
- Når motivet er plassert i MEG, måle hodet posisjon ved hjelp av HPI spoler.
- Starte innspillingen. Begynn presentasjon av auditive og visuelle stimuli.
- Mange maskinvare og programvare løsninger er tilgjengelige for å utføre stimulans presentasjon (f.eks., Presentasjon, E-Prime). Vi bruker en Tucker-Davis Technologies RZ6 for auditiv stimulans presentasjon og utløse stempling, med Psychtoolbox 5 for visuell stimulus presentasjon som begge kontrolleres av MATLAB. Teste auditive og visuelle ventetider ved hjelp av en mikrofon og fotodioden festet til skjermen, og deretter å sikre det er noen observerbar jitter (noe som kan nødvendiggjøre innstilling presentasjonen projektoren til sin native oppløsning) før forsøket sikrer timing integritet.
- Observanden svarer til lyd og visuelle stimuli via en optisk knapp boks mens du utfører atferdsmessige oppgave.
- Lagre alle stimuli, eksperimentelle parametre og datafiler for off-line analyse.
3. M / EEG Co-registrering med MRI Scan og Data Processing
- Bruke MNE programvare, laste digitizer data og fagets rekonstruert MR hode modell. Plukk fiducial landemerker å initiere samarbeid registreringsprosessen og fortsette å bruke automatisk justering prosedyre for å fullføre koordinat transformasjon (figur 2).
- Å forholde plasseringen av hver dipol i kilden spess med plasseringen av hver sensor, kombinerer innspilte HPI data (se 2.2) for å beregne en fremre løsning med trelags BEM (se 1.4)
- Inspisere alle registrerte M / EEG data og identifisere kanaler som har usedvanlig høy varians eller er helt flat. Still disse kanalene som dårlige kanaler.
- Bruk signal-mellomrom projeksjon 6 eller andre støyreduksjonsteknikker (eksempel signalrommet separasjon 7) å projisere eller skille ut romlige feltmønsterne stammer fra ambient miljøområdet forurensning eller andre uønskede fysiologiske signaler, slik som de assosiert med øye-blinker og kardiale gjenstander (Figur 3).
- Påfør tid-domene artefakt fjerning (f.eks., Fjerne epoker inneholdende unormalt høye amplitude signaler grunnet spiking av en kanal) og frekvens-domene artefakt fjerning (f.eks., Band-notch filtrering ved 50 eller 60 Hz linje-frekvens) for ytterligere å øke signal-til-støy-forhold.
- Identifisere en baseline periode hvor motivet ikke ble utført noen oppgave (f.eks., 200 ms perioden før utbruddet av hvert forsøk). Generer et gjennomsnitt av disse baseline epoker for å oppnå en støy estimat (også kjent som kovariansmatrisen).
- Identifisere epoker av interesse (f.eks bare samle epoker med riktige atferdsmessige responser.) Og definere betingelser for eksperimentelle kontraster (f.eks epoker knyttet til faget har slått sin auditiv oppmerksomhet til motsatt hemifield som opprinnelig cued -. "Switch" tilstand - versus emne opprettholde oppmerksomheten på den opprinnelige hemifield - "Hold" tilstand). Generere en gjennomsnittlig respons for hvert av tilstanden definert.
- Disse gjennomsnitt kan baseline-korrigert eller ikke avhengig av eksperimentelle parametre (se 8), data som vises her er baseline-korrigert.
- Kombiner kovariansmatrisen (3.5) og den beregnede forover løsningen (3.2) for å framskaffe endistribuert cortically begrenset minimum-norm inverse operatør som relaterer sensormålinger til dipol estimatene i kilden plass.
- Du kan enten ca begrense eller fikse dipol orientering til kortikale normal retning 9.
- Generere en "hjerne film" av det disponerte dipol estimat (dvs.., Gjeldende anslag ved hver dipol plassering i kilden plass i tid) for hvert forsøk tilstand (figur 4).
- Avhengig timelige egenskapene til eksperimentell design, kan du bin dine data i tide ved gjennomsnitt nåværende estimater med ikke-overlappende timelige vinduer.
4. Statistisk inferens basert på en felles Surface-baserte koordinatsystem
- Morph "hjernen filmer" for hvert fag bort på en vanlig (gjennomsnitt) kortikal plass basert på en overflate-baserte koordinatsystem som optimalt justert enkelte sulcal-gyral mønstre 3. Dette gir oss muligheten til å sammenligne eller gjennomsnittlig kortikale aktiviteter på tvers av alle fag. (Figur 5).
- Det er mange ulike statistiske inferens tilnærminger. Vi vil trekke frem tre mulige tilnærminger her. Tilnærminger som ikke er implementert i programvare pakken kan skrives med tilpasset programvare-i våre eksempler vi bruke MATLAB til å utføre ikke-parametrisk spatio-temporal clustering permutasjon test. Til tross for den høye dimensjonalitet (Space x tid x Emner) av disse dataene, kan alle disse tilnærmingene utføres ved hjelp av standard moderne stasjonær datamaskin hardware i sekunder (ROI, 4,3 tilnærming) til timer (ikke-parametrisk clustering, 4.5).
- Region-of-interesse (ROI) tilnærming
- Du kan definere ROI anatomisk (f.eks., Definert av automatisk parcellation algoritme 1) og / eller funksjonelt (f.eks., Ved å registrere en funksjonell lokaliserende oppgave, for eksempel en Go / No Go saccade oppgave å identifisere oculomotor regioner).
- Du kan videre begrense analysen til en bestemt tid-of-interesse som er tilpasset din eksperimentelle paradigmet (f.eks., En tidsperiode umiddelbart før og etter utbruddet av lyden stimuli). Du kan også bruke andre statistisk inferens i forbindelse med tidsserieanalyse.
- Hel-hjerne Bonferroni eller usant-Discovery-Rate (FDR) korreksjon
- Ansett Bonferroni eller FDR korreksjon hvis du trenger hele hjernen, all-time analyse.
- Generer et statistisk kart i hver dipol sted og hvert tidspunkt ved hjelp av egnede testobservatorer, for eksempel en t-test eller Innenfor fag ANOVA for ca normalt distribuerte data. For eksempel kan z-score fra dynamisk statistisk parameter kartlegging av MNE anslag for faste dipol kilder 10 brukes når parret med en korreksjon for korrelasjoner i estimatene (som den konservative Greenhouse-Geisser korreksjon).
- For Bonferronikorreksjon, oppnå betydelige plass-tidspunkter ved terskelverdier på et signifikansnivå på 0,05 dividert med antall sammenligninger (antall dipoler multiplisert med antall tidspunkter). For en mindre konservativ tilnærming, bruk FDR p-verdi korreksjon 11.
- Ikke-parametrisk Spatiotemporal clustering
- Bruk denne metoden (basert på en enkel utvidelse av 12) for å finne områder av stor, konsekvent romlig og tidsmessig aktivering samtidig som mindre konservativ enn Bonferroni korreksjon, og mindre utsatt for Type I statistiske feil enn FDR ved å kontrollere for familien-messig feilrate .
- Fordi denne tilnærmingen bruker permutasjon eller Monte Carlo resampling teknikker, betyr det ikke stole på forutsetninger om normalitet av dataene, og bare antar at tilstanden etikettene er byttes under nullhypotesen. Selv om det er mer beregningsmessig intensive enn de foregående to tilnærmingene, kan det likevel utføres i timer på enenkelt maskin ved hjelp av moderne stasjonær datamaskin maskinvare.
- Generer et statistisk kart i hver dipol sted og hvert tidspunkt med riktig testobservatorer, for eksempel en t-test.
- Terskel dette kartet på et innledende betydning terskel, f.eks p <0,05.
- Cluster disse antatte viktige poeng basert på spatio-tidsmessig nærhet, f.eks. viktige poeng innenfor 5 ms og 5 mm Geodesic avstand av hverandre blir lagt i samme klynge. Scorer hver resulterende klynge med hypervolume eller total betydning (f.eks. Summen av t-score poeng i klyngen).
- Utføre en standard permutasjon resampling (eller Monte Carlo oppdatering for større datasett, f.eks. Antall forsøkspersoner N> 10, for å spare på beregning) test med en maksimal statistikken (se 12 for permutasjon test eksempler). Kort, for en tilfeldig undergruppe av deltakere (velge alt fra 0 til N-emnene), endre navn på de vilkår Being sammenlignet før du skaffer den statistiske kart, utføre clustering på ny statistisk kartet, og få maksimal klynge score for at relabeling. Utfør denne prosedyren på nye tilfeldige relabelings for opptil 2 N permutasjoner å få en fordeling av den maksimale statistikken, utføre alle 2 N mulige relabelings gir den permutation test og utnytte en tilfeldig undergruppe av færre enn 2 N relabelings gir en Monte Carlo (eller tilfeldig ) permutasjon test.
- Skaff betydningen av en gitt original klynge (fra den opprinnelige merking) ved å bestemme andelen av tid de maksimale blokkstørrelser var større enn den til den opprinnelige klyngen, f.eks. klynger som var større enn 95% av de maksimale statistikk klynger kan erklæres betydelig.
- For en grundig diskusjon om statistisk inferens i MEG distribuert kilde bildebehandling, se 13.
- Bruk denne metoden (basert på en enkel utvidelse av 12) for å finne områder av stor, konsekvent romlig og tidsmessig aktivering samtidig som mindre konservativ enn Bonferroni korreksjon, og mindre utsatt for Type I statistiske feil enn FDR ved å kontrollere for familien-messig feilrate .
- De resulterende datafiler kan være vi sualized på mange måter, blant annet ved hjelp av formater innfødt benyttes av MNE programvaren til å lagre spatio-temporal kortikale estimater, nemlig STC filer. Disse, sammen med etiketter som kan produseres tilsvarende de betydelige områder, kan generert ved hjelp av mne verktøykasser fastsatt MATLAB og Python.
5. Representant Resultater
Fig. 6 viser et sett av representative resultater ved hjelp atferdsmessige paradigmet skissert i figur 4. Hjelp av ikke-parametriske Spatiotemporal clustering prosedyre (4,5), er det rette FEF syntes å være betydelig når personen utfører en reorientering oppgave sammenlignet med en standard aktivitet (figur 6 til venstre). Bruke ROI tilnærmingen (4.3), blir tidsforløpet av høyre FEF vist, sammen med tidsperioden at disse to betingelser er vesentlig forskjellige.
p_upload/4262/4262fig1.jpg "/>
Figur 1. Workflow for å generere en "hjerne film" ved hjelp cortically-hemmet minimum-norm dipol estimater (jfr. figur 1 i Liu et al., 2010).
Figur 2. MNE programvare som brukes for å lette EEG-kanaler og HPI steder co-registrering på ett fagets MR koordinere plass.
Figur 3. MEG data før og etter bruk av SSP å fjerne hjertestans (markert med oransje) og øye-blinker (uthevet i blå-grønn) gjenstander og lowpass filtrering for å fjerne line-frekvens. Klikk her for å se større figur .
Figur 4 A "hjernen film" på motivets innfødt cortical plass og timingen av audio-visuell presentasjon (med auditive stimuli presentert på 600 ms og en visuell stimulans presentert på -600 ms) i en eksperimentell paradigmet (Merk:. Dette vil være presentert som en film i den endelige filmen klippet)
Figur 5. Sammenligning mellom en hypotetisk avkastning kartlagt på et emne har native cortical plass og etter morphed på en felles kortikale plass.
Figur 6. Representant spatio-temporal klynge og tid-retters tilknyttet to eksperimentelle tilstandsjoner testet.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
For å beregne dipole aktivering på hjernebarken fra de oppkjøpte MEG / EEG data, må vi løse en invers problem, som ikke har en unik stabil løsning med mindre hensiktsmessige anatomisk og fysiologisk lyd begrensninger er brukt. Bruke den anatomiske begrensningen ervervet for det enkelte fag ved hjelp av MR og vedta minimum-norm som vår estimering kriterium, kan vi komme frem til en invers cortical gjeldende kilde anslår at enig med sensormålinger. Denne tilnærmingen har vist seg nyttige i studier av ikke bare lytteprosess 14, men også andre domener som visuell 15 og språk prosessering 16.
Det er mange andre inverse tilnærminger. Men alle disse metodene oppsummeres i to kategorier: lokalisering (f.eks tilsvarende dagens dipol modellering.) Eller imaging (f.eks MNE, beamforming teknikker.). Videre har hver invers sin tilnærming tradeoff (se 17 for en grundig diskusjon). For eksempel, må den aktuelle estimat med tilnærming presentert her nødvendigvis bli distribuert i rommet på grunn av sin minimum-norm begrensningen. Dette minimum-norm estimat tilnærming er godt egnet for oppgaver som rekrutterer et distribuert kortikale nettverk. Kartlegging tidlig svar på stimuli som fremkaller fokal kilde aktivitet, slik som de i audition som antas å være lokalisert i og rundt bilaterale auditiv cortex (f.eks., N1m og bevissthet knyttet negativitet 18), kan også forbedres ved hjelp av fMRI co-begrensninger 14.
Spectral domene analyse, f.eks., Undersøke hvilken rolle ulike kortikale rytmer involvert i oppmerksomhet, over cortex kan også utføres etter bruk noen av de nevnte inverse teknikker. Videre kan denne typen analyser enkelt utvides å ta opp spørsmål knyttet til funksjonell tilkobling mellom forskjellige regioner i brain.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Ingen interessekonflikter erklært.
Acknowledgments
Forfatterne ønsker å takke Matti S. Hämäläinen, Lilla Zöllei og tre anonyme anmeldere for nyttige kommentarer. Finansieringskilder: R00DC010196 (AKCL); T32DC000018 (EDL), T32DC005361 (RKM).
Materials
| Name | Company | Catalog Number | Comments |
| 306-channel Vectorview MEG system | Eleka-Neuromag Ltd, | ||
| 1.5-T Avanto MRI scanner | Siemens Medical Solutions | ||
| FreeSurfer | http://freesurfer.net/ | ||
| MNE software | http://www.nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php | ||
| EEG electrodes | Brain Products, Easycap GmbH | ||
| 3Space Fastrak system | Polhemus | ||
| Optical button box (FIU-932) | Current Designs |
References
- Fischl, B. Automatically parcellating the human cerebral cortex. Cerebral Cortex. 14, 11-22 (2004).
- Dale, A., Sereno, M. Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: A linear approach. Journal of Cognitive Neuroscience. 5, 162-176 (1993).
- Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. NeuroImage. 9, 195-207 (1999).
- Liu, H. Functional Mapping with Simultaneous MEG and EEG. Journal of Visualized Experiments. (40), e1668 (2010).
- Brainard, D. H.
- Uusitalo, M. A., Ilmoniemi, R. J. Signal-space projection method for separating MEG or EEG into components. Med. Biol. Eng. Comput. 35, 135-140 (1997).
- Taulu, S., Simola, J., Kajola, M. Applications of the signal space separation method. IEEE Transactions on Signal Processing. 53, 3359-3372 (2005).
- Urbach, T. P., Kutas, M. Interpreting event-related brain potential (ERP) distributions: Implications of baseline potentials and variability with application to amplitude normalization by vector scaling. Biological Psychology. 72, 333-343 (2006).
- Lin, F. -H., Belliveau, J. W., Dale, A. M., Hämäläinen, M. S. Distributed current estimates using cortical orientation constraints. Human Brain Mapping. 27, 1-13 (2006).
- Dale, A. Dynamic statistical parametric mapping: combining fMRI and MEG for high-resolution imaging of cortical activity. Neuron. 26, 55-67 (2000).
- Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12, 419-446 (2003).
- Nichols, T. E., Holmes, A. P. Nonparametric permutation tests for functional neuroimaging: a primer with examples. Human Brain Mapping. 15, 1-25 (2001).
- Pantazis, D., Leahy, R. M. Statistical Inference in MEG Distributed Source Imaging. MEG: An Introduction to Methods. Hansen, P., Kringelbach, M., Salmelin, R. , Oxford University Press. New York. 245-272 (2010).
- Ahveninen, J. Attention-driven auditory cortex short-term plasticity helps segregate relevant sounds from noise. Proceedings of the National Academy of Sciences. , 1-6 (2011).
- Sharon, D. The advantage of combining MEG and EEG: comparison to fMRI in focally stimulated visual cortex. Neuroimage. 36, 1225-1235 (2007).
- Herrmann, B., Maess, B., Hasting, A. S., Friederici, A. D. Localization of the syntactic mismatch negativity in the temporal cortex: An MEG study. NeuroImage. 48, 590-600 (2009).
- Baillet, S. The Dowser in the Fields: Searching for MEG Sources. MEG: An Introduction to Methods. Hansen, P., Kringelbach, M., Salmelin, R. , Oxford University Press. New York. 83-123 (2010).
- Gutschalk, A., Micheyl, C., Oxenham, A. J. Neural correlates of auditory perceptual awareness under informational masking. PLoS Biology. 6, e138 (2008).
