Artículo de método

Un protocolo para la administración de Real-Time fMRI entrenamiento de Neurofeedback

DOI:

10.3791/55543

⸱

24 de agosto de 2017

 ,  ,  ,  ,  , 
1Office of the Vice President for Research and Graduate Studies, Wright State University, 2Department of Biomedical, Industrial and Human Factors Engineering, Wright State University, 3Pediatric Radiology and Medical Imaging, Dayton Children's Hospital, 4Department of Trauma Care and Surgery, Boonshoft School of Medicine, Wright State University, 5Department of Defense Hearing Center of Excellence, JBSA-Lackland, 6Department of Neurology, Boonshoft School of Medicine, Wright State University

En este artículo

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La capacidad para inducir o controlar la plasticidad neuronal puede ser crítica en futuros tratamientos para trastornos neurológicos y la recuperación de la lesión cerebral. En este trabajo, presentamos un protocolo sobre el uso del entrenamiento de neurofeedback con resonancia magnética funcional para modular la función del cerebro humano.

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Trastornos neurológicos se caracterizan por anormal celular, molecular-y a nivel de circuito de funciones en el cerebro. Nuevos métodos para inducir y controlar procesos neuroplastic y correcta función anormal o incluso cambio de funciones del tejido dañado a regiones del cerebro fisiológicamente sano, mantenga el potencial de mejorar dramáticamente la salud en general. De las intervenciones de neuroplastic actual en desarrollo, entrenamiento de neurofeedback (NFT) desde la proyección de imagen de resonancia magnética funcional (fMRI) tiene las ventajas de ser completamente no invasivo, no-farmacológicos y espacialmente localizada a cerebro blanco regiones, así como que no hay efectos secundarios conocidos. Además, técnicas de NFT, desarrolladas inicialmente con fMRI, a menudo pueden ser traducidas a ejercicios que se pueden realizar fuera del explorador sin la ayuda de profesionales médicos o equipos médicos sofisticados. En fMRI NFT, la señal de la fMRI es medida de regiones específicas del cerebro, procesada y presentada a los participantes en tiempo real. A través de capacitación, técnicas de procesamiento mental autodirigido, que regulan esta señal y sus correlatos neurofisiológicos subyacentes, se desarrollan. NFT FMRI se ha utilizado para entrenar el control volitivo sobre una amplia gama de regiones cerebrales con consecuencias para varios diversos sistemas cognitivos, conductuales y motor. Además, fMRI NFT ha demostrado promesa en una amplia gama de aplicaciones como el tratamiento de trastornos neurológicos y el aumento de rendimiento humano de la línea de base. En este artículo, presentamos un protocolo de fMRI NFT desarrollado en nuestra institución para modulación de ambos sanos y función anormal del cerebro, así como ejemplos de método de destino regiones cognitivas y auditivas del cerebro.

Introducción

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Trastornos neurológicos presentan obstáculos importantes en los individuos afectados, sus familias y la sociedad. Tratamientos para trastornos neurológicos pueden ser inexistente o de dudosa eficacia y a menudo solamente apuntar los síntomas de la enfermedad. Tal es el caso para el tinnitus – la percepción del sonido fantasma – que no tiene un tratamiento aprobado por la U.S. Food y Drug Administration (FDA). Tinnitus puede tener un profundo impacto en la vida de una persona, interfiriendo con las tareas diarias por disminución de la concentración o alteración de la percepción del sonido real. Además, los individuos afectados por tinnitus también pueden experimentar fatiga, estrés, problemas de sueño, problemas de memoria, depresión, ansiedad y de irritabilidad1. Terapias que existen, como antidepresivos y ansiolíticos medicamentos, sólo ayudar a manejar los síntomas asociados y no pueden tratar a la causa subyacente. Esto crea un boquete crítico para tratamientos innovadores de estos trastornos.

Mejoras en las técnicas de adquisición, poder computacional y algoritmos han revolucionado la velocidad con que datos funcionales de la proyección de imagen de resonancia magnética (fMRI) pueden ser medidos y procesados. Esto ha permitido el advenimiento de la fMRI en tiempo real, donde los datos pueden procesarse como se recoge. Primeras aplicaciones del fMRI en tiempo real fueron limitadas2, inhibida principalmente por la incapacidad de completar rápidamente los pasos proceso típico para análisis fuera de línea tales como corrección de movimiento. Mejoras en tecnología y algoritmos de computación ahora han aumentado la velocidad, sensibilidad y versatilidad de fMRI en tiempo real3 permitiendo un pre-procesamiento offline similar a aplicarse en tiempo real. Estos acontecimientos han llevado a 4 dominios de aplicación principal del fMRI en tiempo real: orientación quirúrgica intraoperatoria4, brain-computer interfaces5,6, adaptar estímulos para cerebro actual7, y entrenamiento de Neurofeedback8.

NFT, aunque no el foco original de fMRI en tiempo real, es un creciente campo de investigación donde los individuos aprenden a modular la actividad cerebral volitivamente a través de la implementación de estrategias mentales (es decir, imaginados tareas). NFT es una forma de condicionamiento operante9, que ha demostrado aumentar las tasas de disparo neuronal y la actividad neuronal de monos10. También, fMRI NFT se ha asociado con plasticidad dependiente de la sincronización de spike, que son los cambios neuronales que ocurren durante el aprendizaje asociativo11. Más implicaciones sugieren fMRI en que NFT induce plasticidad a través de la potenciación a largo plazo (LTP), resultando mayor eficiencia sináptica12. Otra postulación implica mecanismos celulares de la habilidad de aprendizaje, tales como el control volitivo sobre actividad cerebral y puede implicar cambios en la conductancia de la membrana dependiente del voltaje - expresado como un cambio en la excitabilidad neuronal13. En cualquier caso, parece que fMRI NFT influye en el cerebro a nivel neuronal. Estas teorías ofrecen un caso fuerte para el uso de fMRI NFT en el tratamiento de trastornos neurológicos.

FMRI NFT, a diferencia de fMRI tradicional, ofrece la oportunidad de investigar la relación entre actividad cerebral y comportamiento11,14. Recientemente, ha habido aumento en estudios con fMRI NFT con casi dos veces tantos artículos publicado en 2011-2012 (n = 30) en comparación con los 10 años anteriores (n = 16)11. Uno de los primeros estudios de fMRI NFT se llevó a cabo por Weiskopf y colegas en 20038. Este estudio demostró con éxito la viabilidad de la retroalimentación en línea y la autorregulación de la señal de la fMRI en la corteza cingulada Anterior (ACC), utilizando uno de los participantes. Retroalimentación se mostraba con un retardo de dos segundos, más que un orden de magnitud más rápido que los escasos estudios previos. Se realizó el primer estudio completo en el año 2004 donde 6 participantes aprendieron a controlar la actividad de la corteza somato-motriz del15. FMRI NFT se completó en 3 sesiones realizadas el mismo día. Se observó aumento de la actividad espacial selectivo a la región de destino en el cortex somato-motriz a través del curso de formación en los niveles del solo-tema y grupo. Este efecto no se observó en el grupo control que recibió información de fMRI real de una región de fondo (no correlacionada con la tarea que se realiza) en el funcionamiento. Los investigadores ya han demostrado que los seres humanos pueden aprender control volitivo sobre la señal de la fMRI mide de numerosas regiones del cerebro incluyendo la ACC16, amígdala17, ínsula anterior18,19, auditiva y atención relacionada con redes20, de corteza prefrontal rostrolateral bilateral21, corteza prefrontal dorsolateral12,22,23, cortezas de motor24, 2526,de,27,28, corteza auditiva primaria29,30, las regiones asociadas con la red emocional regiones31,32 , convolución del cerebro frontal inferior derecho33y34,de las cortezas visuales35.

Se desconocen los mecanismos subyacentes de muchos trastornos neurológicos. En el ejemplo del tinnitus, no hay ninguna fuente obvia para el sonido fantasma en la mayoría de los casos36,37,38. A pesar de esto, la evidencia sugiere que un mecanismo central puede ser responsable por el percept de tinnitus en algunos individuos, como lo demuestra la falta de resolución de los síntomas después de la completa disección del nervio auditivo39. Hiperactividad asociada a acúfenos se ha encontrado en la corteza auditiva primaria40,41,42. Evidencia sugiere además que efectos del tinnitus se extienden aún más en áreas implicadas en el procesamiento de la emoción y atención del estado43. Basado en estas anormalidades, se pueden desarrollar paradigmas NFT fMRI para inducir y controlar mecanismos neuroplastic que fomentan patrones neurales normales.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

el siguiente protocolo NFT de fMRI cumple con las directrices proporcionadas por la Junta de revisión institucional de Wright estado Universidad.

1. grupos de control

  1. cuidadosamente considerar y determinar a priori los grupos control. Diseño tipo de control para permitir la hypothesis(es) ser evaluados y para tener en cuenta para los efectos de otros factores como la práctica o las expectativas creadas por la regeneración muestra 44.

2. Configuración del hardware de

  1. preparar todo el hardware antes de que el participante entra en la habitación de MRI usando los mismos procedimientos como fMRI tradicional.
  2. Conectar el sistema de dispositivo de pantalla y respuesta de Señor-compatible con el equipo de estímulo (PC).
  3. Ruta de cableado de los dispositivos de respuesta compatible con Señor y auriculares a través de o alrededor de la resonancia magnética dio.
  4. Conectarse la salida del disparador de TR en la IRM estímulo PC.
    Nota: En algunas configuraciones, esto puede conectarse a la señor compatible con respuesta dispositivo de hardware, que luego se conecta a la computadora de estímulo. Esto es imprescindible para la sincronización estímulos y adquisición de datos.
  5. Posición el Sr. compatible Mostrar para que sea visible a los participantes a través del espejo (a) fija a la bobina principal.

3. Participante posicionamiento

Nota: el participante debe colocarse sobre la mesa del escáner en una manera similar a un típico cerebro MRI y de la misma manera como fMRI tradicional.

  1. Tienen la mentira participante hacia abajo en una posición supina sobre la mesa del escáner. Les pedimos mantener la cabeza dentro de la bobina principal.
  2. Coloque los auriculares en el participante ' s la cabeza y asegurarse de cubrieron las orejas. Si se requiere protección auditiva adicional, inserte los tapones para los oídos antes de la colocación de los auriculares.
  3. Coloque una almohadilla bajo el participante ' las rodillas de s para la comodidad agregada.
  4. Fijar la parte superior del cuerpo de la bobina principal en su lugar.
  5. Fijar el espejo a la bobina principal.
  6. Posición de los dispositivos de respuesta del participante ' s manos.
  7. Punto de referencia la ubicación del participante ' nasion s en relación con el escáner.
  8. Mover el landmarked ubicación al centro de la resonancia magnética dio.
  9. Confirm que el participante puede ver la pantalla utilizando el espejo. Preguntar al participante para ajustar el espejo según sea necesario.

4. Localización de la región Diana

  1. realizar una " funcional " localizador. Use la actividad del cerebro del localizador funcional para definir el destino de la región de interés (ROI) 11.
    Nota: Esta carrera se ejecuta en forma similar al tradicional fMRI. Sin embargo, el objetivo ROI puede también definirse usando anatomía individual o estandarizado Atlas elimina la necesidad de realizar un localizador funcional.
    1. Tareas con secuencias de comandos o visual proporciona instrucciones para el participante.
      Nota: Estas instrucciones deben ser concisos pero contienen información suficiente para permitir que el participante realizar con éxito la tarea que se ejecuta durante el localizador funcional. Aquí, las instrucciones de informan al participante que un punto estará en la pantalla y podrán oír sonidos en los auriculares. Su objetivo es relajarse y concentrarse en el punto de.
    2. Inicio sincronizado administración de estímulos audibles (por ejemplo, bilateral ruido blanco continuo 29) y adquisición de datos presionando el " Análisis " botón del escáner Señor.
      Nota: Esto se realiza mediante la programación de la presentación de los estímulos con el gatillo del TR de la adquisición de RMF. El gatillo de la TR se controla mediante el protocolo de fMRI sin embargo esto puede ser afectado por el fabricante de la resonancia magnética y los paquetes. Cualquier estímulo visual, táctil o auditiva puede suministrarse para realizar otras tareas y otras regiones de destino. Estímulos
      1. suplente la entrega de los estímulos de la tarea (ruido blanco) con control emparejado (sin ruido) en un patrón de bloqueo. Utilizar control de estímulos para activar no deseados redes y sistemas activados en los estímulos de la tarea.
        Nota: Esta alternancia se produce por la sincronización de estímulos para la adquisición de RMF y monitoreo pulsos TR.
      2. Recoger imágenes planares de echo todo el cerebro mediante una secuencia de pulso eco gradiente recordó MRI; ejemplo de parámetros de la secuencia de pulso incluye una matriz de adquisición de elementos de 64 x 64 en las direcciones de fase y frecuencia, 41 láminas alineados paralelos a los plano de comisura anterior comisura posterior, habilitado de 3.75 x 3.75 x 3 tamaño de voxel de 3 mm, 0,5 mm de espacio de segmento, supresión grasa, TR/TE = 2.000/20 ms y un tirón ángulo = 90 °.
  2. Calcular un mapa de activación de los fMRI los datos recogidos durante el localizador funcional utilizando estadísticas multivariadas.
    Nota: Los siguientes pasos son una variante del proceso realizado para fMRI tradicional. Algunos pasos se han eliminado o simplificado para reducir el tiempo de procesamiento.
    1. Preprocesar los datos durante la adquisición de datos utilizando el software personalizado crean a partir de 12 , de técnicas de proceso estándar 45.
      1. Realizar 3D espacial filtrado usando un kernel gaussiano de paso bajo (ancho medio-máximo 4,5 mm).
      2. Correcta de movimiento traslacional alineando el centro de masa para cada volumen en el primer volumen del localizador funcional mediante la interpolación lineal tri.
      3. Realizar el filtrado temporal utilizando un kernel gaussiano de paso bajo con σ = 3 s.
    2. Crear un modelo para predecir la respuesta neurofisiológica a la tarea, esto se realiza de la misma manera como fMRI tradicional.
      1. Crear un modelo psicológico que describe el activo y descanso de Estados para cada punto de tiempo 46. Esto modela los puntos del tiempo durante la prueba con un valor de ' 1 ' y control con un ' 0 '.
      2. Convolve el modelo psicológico con función de respuesta hemodinámica (HRF) predefinido 46 para predecir la respuesta (neurofisiológicas) de fMRI en la tarea.
    3. Ajustar los datos de la fMRI en cada voxel en función del tiempo para el modelo neurofisiológico mediante un modelo lineal General (GLM). El resultado es un mapa de parámetro β, que se convierte en t o z-mapas de la estadística (activación mapas) usando transforma estadística estándar.
  3. Utilizar el mapa de activación superpuesto en una imagen del fMRI media para determinar la región en la que se derivará la señal de retroalimentación para el neurofeedback posterior.
    Nota: Esto se realiza utilizando el software a la medida. Para quitar los cambios globales y no específicos, también puede definirse un segundo retorno de la inversión.
    1. Navegar a través de las láminas utilizando la rueda de cursor del ratón o la barra deslizante de rebanada para encontrar marcadores anatómicos visibles en la fDatos de MRI como la superficie inferior del cuerno frontal de los ventrículos laterales 12.
    2. Umbral el mapa de activación utilizando la barra deslizante de umbral para revelar los voxels activados más robusta durante el localizador funcional en la región de destino.
      1. Realizar este seleccionando un umbral a priori o manualmente, ajuste el umbral de.
    3. Usar el botón izquierdo del ratón para seleccionar los vóxeles con activación por encima del umbral seleccionado y dentro de la región de destino para agregar al retorno de la inversión.
      Nota: Voxels se puede seleccionar de uno o más sectores.

5. fMRI NFT

  1. conducta neurofeedback funciona mediante un modelo de furgón con alternancia de condiciones de trabajo y control. Condición
    1. implementar una tarea donde los participantes subir o bajar la actividad de la región de destino, con la dirección de control es fundamental para lograr los resultados deseados.
      Nota: por ejemplo, muchas regiones del cerebro son hiperactivas en los pacientes con tinnitus y, por lo tanto, disminución de actividad puede favorecer patrones neurales normales.
    2. Alternar la condición de la tarea con una condición de control donde los participantes volver actividad descansar relajarse y despejar su mente.
    3. Proporcionar al participante un ejemplo con secuencias de comandos de tareas de atención que se utilizará durante ambas condiciones como SIDA para modular la actividad cerebral hacia los Estados deseados de partida. Instruir al participante para realizar tareas de atención esa actividad del cerebro en coche hacia los Estados deseados.
      1. En el ejemplo de tinnitus, instruir a los participantes para desviar la atención lejos del sistema auditivo para otros sistemas sensoriales para reducir la actividad auditiva.
    4. Cálculo de referencia
      Nota: debido a la adaptación de los componentes de hardware de MRI antes de cada carrera, las líneas de base se utilizan para normalizar los datos antes de presentar la información al participante. La media de la línea de base se determina para la región de destino usando un promedio de uno o más volúmenes adquiridos al principio de cada fMRI NFT ejecutar 12 , 47.
      1. Instruir a los participantes a relajarse durante una cuenta regresiva que presentó al principio de la exploración.
  2. Inicio sincronizado estímulos presentación y adquisición de datos pulsando el " Análisis " el botón en el explorador de MRI. Recoger imágenes planares de eco mediante una secuencia de pulso eco gradiente recordó MRI de la misma manera según lo prescrito para el localizador funcional en el paso 4.1.2.
  3. Adquirir volúmenes de referencia.
    1. Presentar visualmente un temporizador de cuenta regresiva y votos en blanco pantalla.
    2. Proceso de los datos durante la adquisición de software a la medida.
      1. Realizar 3D espacial filtrado usando un kernel gaussiano de paso bajo (ancho medio-máximo 4,5 mm).
      2. Correcta de movimiento traslacional con el centro de masa para cada volumen, cada volumen está registrado en el primer volumen del localizador funcional mediante la interpolación lineal tri.
      3. Cálculo promedio señal objetivo ROI a través del tiempo y el espacio.
      4. Las señales de todos los vóxeles dentro el objetivo ROI en cada volumen de la suma.
      5. Media crear ROI para cada volumen dividiendo la suma por el número de voxels en la ROI.
      6. Promedio de las sumas de los volúmenes base.
  4. Adquirir volúmenes de neurofeedback
    1. preprocesar los datos durante la adquisición de software a la medida.
      1. Realizar 3D espacial filtrado usando un kernel gaussiano de paso bajo (ancho medio-máximo 4,5 mm).
      2. Correcta de movimiento traslacional alineando el centro de masa para cada volumen en el primer volumen del localizador funcional mediante la interpolación lineal tri.
    2. Calcular la señal de retroalimentación. Una señal de retroalimentación se deriva de cada volumen adquirido durante fMRI NFT. Esta es la información que se presenta al participante para aprender a controlar la volitiva.
      1. Promedio de la señal del fMRI de vóxeles todos dentro el objetivo ROI para crear un valor único.
      2. Calcular el cambio porcentual entre el promedio de retorno de la inversión actual y la media de retorno de la inversión inicial. Opcionalmente, esta señal puede ser escalada por un factor dependiente del participante ' performance s.
      3. Calcular la señal de retroalimentación por filtrado temporal (kernel gaussiano de paso bajo con un sigma de 3 s consisten en solamente más allá de componentes) el actual cambio porcentual con las señales de retroalimentación de los volúmenes anteriores de neurofeedback.
    3. Mostrar la señal de retroalimentación. Señal
      1. pantalla la regeneración actual a través de una trama de termómetro estilo bar, donde la altura de la barra es proporcional a la retroalimentación valor 18 , 19 , 21 , 34.
      2. Superposición de instrucciones para el participante en los comentarios del pantalla.
        Nota: Estas instrucciones son simples y debe dirigir el participante para relajarse, o subir o bajar la actividad (es decir, la barra de termómetro).
    4. Opcionalmente proporcionar estimulación adicional. Estimulación visual, auditiva o táctil adicional puede presentarse simultáneamente con la información.

6. Evaluar la capacidad de autorregular el objetivo ROI.

Nota: después de neurofeedback, la capacidad de autorregular la región de destino para cada serie del entrenamiento tiene que cuantificarse.

  1. Analizar el tema cambios en la regeneración de las señales 12.
    1. Crear un modelo psicológico que representan las condiciones de descanso y la tarea de neurofeedback.
      Nota: Este modelo es convolved con una HRF predefinida para producir un modelo neurofisiológico. El proceso es el mismo que el descrito para el localizador funcional.
    2. Colocar la serie de tiempo de señal de retroalimentación en el modelo neurofisiológico mediante un GLM. Esto se traduce en un parámetro β, que se convierte en t o z-estadística representativa de la capacidad para autorregularse.
  2. Realizar comparaciones entre tema.
    Nota: Estadísticas representativas del rendimiento de la autorregulación pueden compararse a través de carreras y grupos utilizando análisis estadísticos apropiados (e.g., junto t - pruebas o ANOVAs). Estas pruebas evaluar cambios en la capacidad de autorregular la región de destino a través de formación y grupos y puede utilizarse para evaluar el estudio ' hypothesis(es) s.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nuestro equipo ha demostrado un aumento significativo de control sobre la izquierda corteza prefrontal dorsolateral (DLPFC) aprendido de fMRI NFT en una cohorte de 18 participantes. Se realizó un ANOVA unidireccional dentro de temas en los valores cuantitativos de control volitivo12. Este análisis reveló el control de la izquierda que DLPFC aumentó significativamente a través de 5 x
6 pistas de s de min:24 de neurofeedback separan a través de cinco sesiones separadas dentro de 14 días (figura 1; F(4,68) = 2.216, p = 0.038, esfericidad asumida, una cola). Cambios en el desempeño en una prueba compleja multitarea, antes y después de NFT, se compararon con un grupo que no recibieron neurofeedback mediante ANOVAs de modelo mixto 2 x 2. Post-hoc, corrección de Bonferroni comparaciones revelaron incrementos significativos en el desempeño en una prueba compleja multitarea que no recibieron capacitación adicional (p < 0.005, una cola), y este aumento fue significativamente mayor que un grupo de control que realiza formación similar, pero no contó con la ayuda adicional de neurofeedback (p < 0.03, esfericidad asumida, una cola)12. A pesar del grupo de experimento ganando control sobre el DLPFC izquierdo a través de capacitación, no se observó una meseta. Esto significa que un control máximo no es necesario para producir resultados de comportamiento y que más efectos pueden ser posibles con más entrenamiento12. Además, nuestro equipo reveló fMRI NFT combinado con n-práctica posterior crea cambios focales en la actividad cerebral que se limitan a la región de destino y no afecta a componentes de corriente arriba o abajo de la red de la memoria de trabajo (figura 2) 22.

Con respecto a los acúfenos, un estudio anterior ha investigado fMRI NFT como un posible tratamiento29. En este estudio, carreras de 4 x 4 min de neurofeedback se completaron en una sesión de entrenamiento individual. Comportamiento evaluaciones tinnitus se realizaron antes y después de la sesión NFT de fMRI individuales. Exitosa regulación volitiva de la corteza auditiva fue alcanzado y condujo a una reducción significativa en la activación auditiva. Este estudio demuestra la promesa de fMRI NFT en el tratamiento del tinnitus, sin embargo, sólo seis participantes fueron estudiados y no se utilizó un grupo control para comparación. Además, no se realizaron análisis estadísticos, incluyendo los datos de comportamiento. Ampliar este estudio podría revelar interesantes nuevas oportunidades de tratamiento para los pacientes de tinnitus.

figure-results-1
Figura 1: aumenta el Control sobre el DLPFC izquierdo. Media control DLPFC cada neurofeedback ejecutar (realizado en diferentes días) a la izquierda están indicados por los círculos de verdes claros. Un análisis de regresión reveló un aumento significativo en el control a través de la formación (línea verde oscura; β = 1.078, p < 0.033). Barras de error representan 1 SEM. Unmodified trabajo de Sherwood et al. 12, reimprimido bajo la licencia Creative Commons Attribution. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-2
Figura 2: efecto localizado de aprendizaje izquierda Control DLPFC. (A) la probabilidad de inclusión de voxel para fMRI NFT seleccionado a partir de un n-localizador nuevamente funcional. Luz azul vóxeles se incluyeron más frecuentemente en la región de destino NFT, vóxeles azul oscuros se incluyeron con menos frecuencia, y no se incluyeron los vóxeles claro. (B) basada en Voxel ANOVA resultados para el efecto principal de la sesión de entrenamiento (roja-amarilla). Este efecto demostró una gran superposición con el ROIs DLPFC izquierdo para NFT. Cortes axiales se muestran en Convención radiológico en la coordenadas z = 22, 26, 30, 34 y 38 mm (de izquierda a derecha). Trabajo sin modificar de Sherwood et al. 22, reimprimido bajo la licencia Creative Commons Attribution. Haga clic aquí para ver una versión más grande de esta figura.

Discusión

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El protocolo NFT fMRI discutido en este documento puede ser adaptado a cualquier región del cerebro y habla de un enfoque basado en el retorno de la inversión a neurofeedback, univariado. Esto se logra mediante la programación de tareas adicional localizador funcional para activar otras regiones. Al incorporar estas tareas en el software de neurofeedback personalizado, hemos desarrollado un proceso muy simple. Sin embargo, hay una limitación: la región objetivo debe definirse funcionalmente. En este momento, el software que ha desarrollado nuestro equipo no realiza ningún registro entre las imágenes anatómicas y funcionales. Por lo tanto, no se puede implementar otros métodos de selección de ROI, como ROIs basados en el atlas, en este momento. Además, los parámetros de los estímulos y neurofeedback (p. ej., duración de bloque, número de bloques y de parámetros de proyección de imagen incluyendo TR) pueden ser fácilmente manipulados por el operador. Además, transferencia va a evaluar la capacidad para autorregular el objetivo que ROI en ausencia de neurofeedback puede ser implementado. El software que hemos desarrollado no ofrece neurofeedback utilizando conectividad entre las regiones de cerebro49o patrones multivariados35,48 .

NFT FMRI ofrece ventajas significativas sobre otras formas de neurofeedback pero también tiene sus limitaciones. La principal ventaja de fMRI NFT es la resolución espacial que supera a todas las demás formas de NFT como electroencefalograma (EEG)-basado en neurofeedback. Mayor resolución espacial permite estructuras y funciones específicas del cerebro a través de todo el cerebro para ser dirigida50. En la actualidad, no es alcanzable con otras terapias como la farmacoterapia, que son sistemáticos. Sin embargo, el mayor inconveniente de fMRI NFT es el tiempo de retardo. No sólo son mucho más lentas que el EEG (hasta 3 órdenes de magnitud más lento) de tasas de muestreo, el lag hemodinámica asociada a la señal de la fMRI más agrega a este retraso. A pesar de esto, hay pruebas abrumadoras de que los participantes pueden superar este retraso y, con la práctica, aprender a controlar la actividad cerebral (por ejemplo, para una revisión véase Sulzer et al. 11 y Scharnowski et al. 50).

La popularidad de fMRI NFT está creciendo pero sigue siendo en una etapa de la infancia. Debido a esto, las prácticas comunes han llegado a adoptarse. El protocolo describe detalles de métodos científicamente aceptadas. Por ejemplo, se han utilizado múltiples formas de feedback muestra a través de varios estudios, incluyendo una barra de termómetro estilo parcela de18,21,19,34. Además, una señal de retroalimentación se presenta como el cambio de porcentaje de señal con una línea de base computarizada de la región de destino también ha sido ampliamente implementado12,19,21,25 , 30 , 51 , 52.

Control de efectos plásticos en el cerebro ofrece una innovadora técnica terapéutica para tratar trastornos neurológicos o lesiones cerebrales con actividad anormal del cerebro, como la asociada a acúfenos tratados anteriormente. Aunque los mecanismos exactos neuromodulación traducen efectos conductuales son todavía desconocidos, fMRI NFT se ha asociado con LTP11. A través del proceso de aprendizaje, comportamiento se refuerza cuando uno regula activamente la actividad cerebral en redes cerebrales relacionadas con la tarea. Estos resultados de refuerzo en el compromiso de los mecanismos neuroplastic causando la red para ejecutar más eficientemente. Esto coincide con otras técnicas NFT como neurofeedback EEG-basado, donde los individuos están capacitados para controlar las bandas de frecuencia de las señales eléctricas medidas desde regiones del cuero cabelludo53,54,55 . Otros han indicado LTP de plasticidad sináptica que resulta en mayor eficiencia sináptica12. Sin embargo otra postulación sugiere mecanismos celulares del aprendizaje pueden implicar cambios en la conductancia de membrana dependiente del voltaje que se expresa como un cambio en la excitabilidad neuronal13. En cualquier caso, parece que fMRI que NFT provoca cambios a nivel celular, y que el individuo puede aprender algún controlan sobre estos procesos. Esta capacidad y estos cambios pueden ser fundamentales para aprender y desarrollar tratamientos para lesiones cerebrales y trastornos neurológicos.

Un aspecto importante del fMRI NFT es medir alteraciones en el comportamiento. Esto es imprescindible muchas hipótesis que predicen comportamiento cambios impulsados por los cambios neuronales NFT-inducida. Como mínimo, estas evaluaciones se deben recoger en dos momentos: antes y después de NFT. En el caso de tinnitus, estas evaluaciones conductuales podrían consistir exclusivamente de cuestionarios subjetivos ya que no hay ninguna medida directa para el tinnitus. Para otros trastornos neurológicos, debe realizarse una revisión de la literatura para determinar las evaluaciones apropiadas, razonables y documentadas para el hypothesis(es) específico investigado. Algunas hipótesis requieren mediciones en puntos del tiempo adicional, tales como exploración de cerca, corto y a largo plazo efectos de fMRI NFT. Algunas evaluaciones pueden requerir entrenamiento antes de NFT para reducir los efectos de aprendizaje. Otras hipótesis incluso pueden requerir pruebas neurológicas tal como los interesados en los niveles de metabolitos del cerebro, la perfusión cerebral o redes funcionales.

El procedimiento NFT de fMRI tiene dos etapas críticas. El primero es determinar una región del cerebro tratar para neurofeedback. Antes de realizar cualquier procedimiento, se realizará una revisión de literatura exhaustiva para investigar vías neuronales e importantes estructuras y funciones asociadas con el desorden neurológico o lesión cerebral. De esta forma, las estructuras y funciones claves deben seleccionarse cuidadosamente como el objetivo del neurofeedback. A continuación, debe realizar otra revisión de la literatura para examinar tareas asociadas a esta estructura/función. Esta tarea puede o puede no estar asociada con el trastorno, pero debe confirmarse que la tarea activa las regiones deseadas en la población designada. Durante procedimientos de neurofeedback, esta región de destino se seleccionará de forma individual en la primera sesión o en cada sesión. Por lo tanto, inter y intra subject variabilidad puede ser factores importantes que podrían llevar a resultados impredecibles. Es fundamental para crear un protocolo para seleccionar la región de destino y realizar la capacitación adecuada del personal. Existen dos métodos para definir un objetivo de ROI: anatómicamente y funcionalmente. Definiciones anatómicas utilizan IRM estructural para definir la región objetivo estrictamente de anatomía,y posiblemente usando un atlas estándar. Imágenes funcionales se registran a las imágenes estructurales, y la región objetivo se transforma en espacio funcional21,26. En el método funcional, se selecciona la región de destino de un mapa de activación producido mediante la realización de un localizador funcional11,12,24,29,44. Este método fue discutido aquí.

La segunda etapa crítica en fMRI NFT es selección del grupo control. Grupos de control son cruciales para determinar el efecto de la fMRI NFT, y debe considerarse cuidadosamente la selección de grupos de control. Estudios previos han utilizado una amplia gama de controles. Un procedimiento común para un grupo de control es intentar control volitivo en la presencia de regeneración de farsa. Esta retroalimentación puede ser yugo de un participante en el grupo experimental21,44, proporcionada de una región no implicada en el proceso deseado sin saberlo los participantes17,33, 44, o invertido52. Otros estudios han utilizado grupos control que tratan de control volitivo pero no cuentan con neurofeedback12,21,44,56.

Un estudio sugiere que cuando tratan de temas para el control de retroalimentación de farsa, hay mayor activación en la ínsula bilateral, anterior cingulate motor suplementario, dorsomedial y áreas prefrontales lateral comparado con observar pasivamente un Comentarios Mostrar57. Estos resultados implican un amplio fronto-parietal y cingulo opercular red se activa cuando existe la intención de controlar la actividad cerebral. Además, estos resultados sugieren que los grupos tradicionales de control utilizados en experimentos NFT utilizará correlatos neuronales consistentes con el control cognitivo, incluso en presencia de regeneración de farsa. Un metanálisis separado reveló actividad en la ínsula anterior y los ganglios basales, que son las regiones implicadas en el control cognitivo y otras funciones cognitivas superiores, fueron elementos fundamentales para intentar el control volitivo58. Los resultados de los meta-análisis corroboraron el hallazgo anterior57. Tomados en conjunto, esta evidencia sugiere que es fundamental para delinear los efectos de éxito control volitivo y los relacionados con el intento de autorregulación. Por lo tanto, la inclusión de grupos control que no trate de autorregulación puede ser importante.

Sin embargo, estudios anteriores, donde las señales de control recibidas de grupos sham fMRI han revelado diferencias en materia de actividad ROI fueron observados de los que recibieron retroalimentación verdadera15,16,17, 18 , 20 , 21 , 25 , 26 , 28 , 33 , 34 , 44, implicando estrategias de formación que no incorporan información no son efectivas en la modulación de la región de destino. Además, grupos de control que recibieron instrucciones de idénticas y el mismo período de formación, pero no recibieron retroalimentación sobre el nivel actual de actividad cerebral no mostró resultados similares del comportamiento como los grupos experimentales que fueron dados 18,12,21,32,de Neurofeedback de44,59. Estos resultados sugieren que los efectos experienciales son atribuibles a fMRI NFT-inducida aprendizaje en lugar de otro aprendizaje o cambios no específicos. Por lo tanto, hay que desarrollar regímenes de formación específica que objetivo sistemas neurofisiológicos específicos para obtener los efectos deseados. Los resultados de un estudio con una variedad de grupos de control indican formación conductual, práctica, feedback sensorial y biorretroalimentación sola no producen efectos equivalentes conductuales como aquellos que reciben la fMRI NFT44.

Divulgaciones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores no tienen nada que revelar.

Agradecimientos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este material está basado en la investigación patrocinada por la fuerza aérea de Estados Unidos con el número de acuerdo FA8650-16-2-6702. Las opiniones expresadas son las de los autores y no reflejan las opiniones oficiales o políticas del Departamento de defensa y sus componentes. El gobierno estadounidense está autorizado a reproducir y distribuir las separatas para propósitos gubernamentales sin perjuicio de cualquier derecho de autor notación al respecto. El voluntario, totalmente el consentimiento informado de los sujetos utilizados en esta investigación se obtuvo como requerido por 32 CFR 219 y DODI 3216.02_AFI 40-402.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
3T MRIGE Medical750W DiscoveryHardware de adquisición de datos
de visualización compatible con resonancia magnéticaInVivoSensaVueHardware de estímulos visuales
auditivo compatible con resonanciaTecnologías de resonanciaCinemaVisionHardware de estímulos auditivos
Software de estímulos experimentalesSistemas neuroconductualesSoftware de presentación para Presentación de estímulos de control
Software de procesamiento experimental MathworksMATLABSoftware para procesar datos
Software de procesamiento de datosMicrosoftVisual Studio C++Software para procesar
almohadillas de respuesta deCedrus CorporationLuminaHardware para recibir la entrada de los participantes
Sistema Sistema magnética datos

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Vanneste, S., Plazier, M., der Loo, E. V., de Heyning, P. V., Congedo, M., De Ridder, D. The neural correlates of tinnitus-related distress. NeuroImage. 52 (2), 470-480 (2010).
  2. Cox, R. W., Jesmanowicz, A., Hyde, J. S. Real-time functional magnetic resonance imaging. Magn Reson Med. 33 (2), 230-236 (1995).
  3. Weiskopf, N., et al. Real-time functional magnetic resonance imaging: methods and applications. P Int School Magn Reson Brain Funct. 25 (6), 989-1003 (2007).
  4. Hirsch, J., et al. An integrated functional magnetic resonance imaging procedure for preoperative mapping of cortical areas associated with tactile, motor, language, and visual functions. Neurosurgery. 47 (3), 711-722 (2000).
  5. Yoo, S. -S., et al. Brain computer interface using fMRI: spatial navigation by thoughts. Neuroreport. 15 (10), 1591-1595 (2004).
  6. Sorger, B., Reithler, J., Dahmen, B., Goebel, R. A real-time fMRI-based spelling device immediately enabling robust motor-independent communication. Curr Biol. 22 (14), 1333-1338 (2012).
  7. Yoo, J. J., et al. When the brain is prepared to learn: Enhancing human learning using real-time fMRI. NeuroImage. 59 (1), 846-852 (2012).
  8. Weiskopf, N., et al. Physiological self-regulation of regional brain activity using real-time functional magnetic resonance imaging (fMRI): methodology and exemplary data. NeuroImage. 19 (3), 577-586 (2003).
  9. Fetz, E. E. Volitional control of neural activity: Implications for brain-computer interfaces. J Physiology. 579 (Pt 3), 571-579 (2007).
  10. Fetz, E. E. Operant Conditioning of Cortical Unit Activity. Science. 163 (3870), 955-958 (1969).
  11. Sulzer, J., et al. Real-time fMRI neurofeedback: Progress and challenges. NeuroImage. 76 (0), 386-399 (2013).
  12. Sherwood, M. S., Kane, J. H., Weisend, M. P., Parker, J. G. Enhanced control of dorsolateral prefrontal cortex neurophysiology with real-time functional magnetic resonance imaging (rt-fMRI) neurofeedback training and working memory practice. NeuroImage. 124 (A), 214-223 (2016).
  13. Mozzachiodi, R., Byrne, J. H. More than synaptic plasticity: Role of nonsynaptic plasticity in learning and memory. Trends Neurosci. 33 (1), 17-26 (2010).
  14. Weiskopf, N., Scharnowski, F., Veit, R., Goebel, R., Birbaumer, N., Mathiak, K. Self-regulation of local brain activity using real-time functional magnetic resonance imaging (fMRI). J Physiology-Paris. 98 (4-6), 357-373 (2004).
  15. deCharms, R. C., Christoff, K., Glover, G. H., Pauly, J. M., Whitfield, S., Gabrieli, J. D. E. Learned regulation of spatially localized brain activation using real-time fMRI. NeuroImage. 21 (1), 436-443 (2004).
  16. Hamilton, J. P., Glover, G. H., Hsu, J. -J., Johnson, R. F., Gotlib, I. H. Modulation of subgenual anterior cingulate cortex activity with real-time neurofeedback. Hum Brain Mapp. 32 (1), 22-31 (2011).
  17. Zotev, V., et al. Self-regulation of amygdala activation using real-time fMRI neurofeedback. PLoS ONE. 6 (9), e24522(2011).
  18. Caria, A., et al. Regulation of anterior insular cortex activity using real-time fMRI. NeuroImage. 35 (3), 1238-1246 (2007).
  19. Veit, R., Singh, V., Sitaram, R., Caria, A., Rauss, K., Birbaumer, N. Using real-time fMRI to learn voluntary regulation of the anterior insula in the presence of threat-related stimuli. Soc Cogn Affect Neur. 7 (6), 623-634 (2012).
  20. Lee, J. -H., Kim, J., Yoo, S. -S. Real-time fMRI-based neurofeedback reinforces causality of attention networks. Neurosci Res. 72 (4), 347-354 (2012).
  21. McCaig, R. G., Dixon, M., Keramatian, K., Liu, I., Christoff, K. Improved modulation of rostrolateral prefrontal cortex using real-time fMRI training and meta-cognitive awareness. NeuroImage. 55 (3), 1298-1305 (2011).
  22. Sherwood, M. S., Weisend, M. P., Kane, J. H., Parker, J. G. Combining real-time fMRI neurofeedback training of the DLPFC with n-back practice results in neuroplastic effects confined to the neurofeedback target region. Front Behav Neurosci. 10 (138), 1-9 (2016).
  23. Zhang, G., Yao, L., Zhang, H., Long, Z., Zhao, X. Improved working memory performance through self-regulation of dorsal lateral prefrontal cortex activation using real-time fMRI. PLoS ONE. 8 (8), e73735(2013).
  24. Sitaram, R., et al. Acquired control of ventral premotor cortex activity by feedback training: an exploratory real-time fMRI and TMS study. Neurorehab Neural Re. 26 (3), 256-265 (2012).
  25. Subramanian, L., et al. Real-time functional magnetic resonance imaging neurofeedback for treatment of Parkinson's Disease. J Neurosci. 31 (45), 16309-16317 (2011).
  26. Yoo, S. -S., Lee, J. -H., O'Leary, H., Panych, L. P., Jolesz, F. A. Neurofeedback fMRI-mediated learning and consolidation of regional brain activation during motor imagery. Int J Imag Syst Tech. 18 (1), 69-78 (2008).
  27. Berman, B. D., Horovitz, S. G., Venkataraman, G., Hallett, M. Self-modulation of primary motor cortex activity with motor and motor imagery tasks using real-time fMRI-based neurofeedback. NeuroImage. 59 (2), 917-925 (2012).
  28. Chiew, M., LaConte, S. M., Graham, S. J. Investigation of fMRI neurofeedback of differential primary motor cortex activity using kinesthetic motor imagery. NeuroImage. 61 (1), 21-31 (2012).
  29. Haller, S., Birbaumer, N., Veit, R. Real-time fMRI feedback training may improve chronic tinnitus. Eur Radiol. 20 (3), 696-703 (2010).
  30. Haller, S., et al. Dynamic reconfiguration of human brain functional networks through neurofeedback. NeuroImage. 81 (0), 243-252 (2013).
  31. Johnston, S. J., Boehm, S. G., Healy, D., Goebel, R., Linden, D. E. J. Neurofeedback: A promising tool for the self-regulation of emotion networks. NeuroImage. 49 (1), 1066-1072 (2010).
  32. Johnston, S., Linden, D. E. J., Healy, D., Goebel, R., Habes, I., Boehm, S. G. Upregulation of emotion areas through neurofeedback with a focus on positive mood. Cogn Affect Behav Ne. 11 (1), 44-51 (2011).
  33. Rota, G., et al. Self-regulation of regional cortical activity using real-time fMRI: The right inferior frontal gyrus and linguistic processing. Hum Brain Mapp. 30 (5), 1605-1614 (2009).
  34. Scharnowski, F., Hutton, C., Josephs, O., Weiskopf, N., Rees, G. Improving visual perception through neurofeedback. J Neurosci. 32 (49), 17830-17841 (2012).
  35. Shibata, K., Watanabe, T., Sasaki, Y., Kawato, M. Perceptual learning incepted by decoded fMRI neurofeedback without stimulus presentation. Science. 334 (6061), 1413-1415 (2011).
  36. Fowler, E. Head noises in normal and in disordered ears: Significance, measurement, differentiation and treatment. Arch Otolaryngol. 39 (6), 498-503 (1944).
  37. Penner, M. J. An estimate of the prevalence of tinnitus caused by spontaneous otoacoustic emissions. Arch Otolaryngol. 116 (4), 418-423 (1990).
  38. Sismanis, A., Smoker, W. R. K. Pulsatile tinnitus: Recent advances in diagnosis. Laryngoscope. 104 (6), 681-688 (1994).
  39. Folmer, R. L., Griest, S. E., Martin, W. H. Chronic tinnitus as phantom auditory pain. Otolaryngology. 124 (4), 394-400 (2001).
  40. Gu, J. W., Halpin, C. F., Nam, E. -C., Levine, R. A., Melcher, J. R. Tinnitus, diminished sound-level tolerance, and elevated auditory activity in humans with clinically normal hearing sensitivity. J Neurophysiol. 104 (6), 3361-3370 (2010).
  41. Schecklmann, M., et al. Neural correlates of tinnitus duration and distress: A positron emission tomography study. Hum Brain Mapp. 34 (1), 233-240 (2013).
  42. Geven, L. I., de Kleine, E., Willemsen, A. T. M., van Dijk, P. Asymmetry in primary auditory cortex activity in tinnitus patients and controls. Neurosci. 256, 117-125 (2014).
  43. Seydell-Greenwald, A., Leaver, A. M., Turesky, T. K., Morgan, S., Kim, H. J., Rauschecker, J. P. Functional MRI evidence for a role of ventral prefrontal cortex in tinnitus. Brain Res. 1485, 22-39 (2012).
  44. deCharms, R. C., et al. Control over brain activation and pain learned by using real-time functional MRI. P Natl Acad Sci USA. 102 (51), 18626-18631 (2005).
  45. Friston, K. J., et al. Analysis of fMRI time-series revisited. NeuroImage. 2 (1), 45-53 (1995).
  46. Ashby, F. G. Statistical analysis of fMRI data. , MIT Press. Cambridge, Mass. (2011).
  47. Ruiz, S., et al. Acquired self-control of insula cortex modulates emotion recognition and brain network connectivity in schizophrenia. Hum Brain Mapp. 34 (1), 200-212 (2013).
  48. Papageorgiou, T. D., Curtis, W. A., McHenry, M., LaConte, S. M. Neurofeedback of two motor functions using supervised learning-based real-time functional magnetic resonance imaging. Eng Med Biol Soc Ann. , 5377-5380 (2009).
  49. Koush, Y., et al. Connectivity-based neurofeedback: Dynamic causal modeling for real-time fMRI. NeuroImage. 81, 422-430 (2013).
  50. Scharnowski, F., Weiskopf, N. Cognitive enhancement through real-time fMRI neurofeedback. Curr Opin Behav Sci. 4, 122-127 (2015).
  51. Sulzer, J., et al. Neurofeedback-mediated self-regulation of the dopaminergic midbrain. NeuroImage. 83, 817-825 (2013).
  52. Berman, B. D., Horovitz, S. G., Hallett, M. Modulation of functionally localized right insular cortex activity using real-time fMRI-based neurofeedback. Front Human Neurosci. 7 (638), 1-11 (2013).
  53. Birbaumer, N., Cohen, L. G. Brain-computer interfaces: Communication and restoration of movement in paralysis. J Physiol. 579 (3), 621-636 (2007).
  54. Daly, J. J., Wolpaw, J. R. Brain-computer interfaces in neurological rehabilitation. Lancet Neurol. 7 (11), 1032-1043 (2008).
  55. Ros, T., Munneke, M. A. M., Ruge, D., Gruzelier, J. H., Rothwell, J. C. Endogenous control of waking brain rhythms induces neuroplasticity in humans. Eur J Neurosci. 31 (4), 770-778 (2010).
  56. Linden, D. E. J., et al. Real-Time Self-regulation of emotion networks in patients with depression. PLoS ONE. 7 (6), e38115(2012).
  57. Ninaus, M., et al. Neural substrates of cognitive control under the belief of getting neurofeedback training. Front Hum Neurosci. 7 (914), 1-10 (2013).
  58. Emmert, K., et al. Meta-analysis of real-time fMRI neurofeedback studies using individual participant data: How is brain regulation mediated? NeuroImage. 124, 806-812 (2016).
  59. Linden, D. E. J., Turner, D. L. Real-time functional magnetic resonance imaging neurofeedback in motor neurorehabilitation. Curr Opin Neurol. 29 (4), 412-418 (2016).

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Protocolo de entrenamiento de neurofeedbackIm genes por resonancia magn tica funcionalFocalizaci n de regiones cerebralesModulaci n del sistema auditivoEntrenamiento del control cognitivoIm genes eco planaresAn lisis estad stico multivariadoSelecci n de regiones de inter sRetroalimentaci n estilo term metro

Artículos relacionados