Detectar efectos de nivel de fuente previos al estímulo en la percepción de los objetos con magnetoencefalografía

Este método permite capturar cambios rápidos y transitorios en la conectividad cerebral antes de que se vean los objetos, y la influencia de estos cambios en la percepción de los objetos. La principal ventaja de MEG sobre EEG es que el campo magnético del cerebro no está perturbado por la cabeza, lo que permite una reconstrucción de la fuente de mayor resolución y mejores estimaciones de conectividad. Comience grabando un minuto de datos MEG en la habitación vacía a un kilohercio.

Supervise las señales de los 102 magnetómetros y 204 gradiómetros planos colocados ortogonalmente en 102 posiciones diferentes visualizando todas las señales en tiempo real en el ordenador de adquisición. ¿No nos vas a demandar? Y aquí a continuación, obtener el consentimiento informado del participante de acuerdo con la declaración de Helsinki y hacer que firmen el formulario que incluye una declaración que permite el procesamiento de datos personales.

¿Hay algún objeto metálico de tu cuerpo? Pero también puedes hacer esto cuando estés dentro. A continuación, proporcionándoles ropa no magnética y asegúrese de que no tengan objetos metálicos en o en sus cuerpos.

Pídales que completen un cuestionario anónimo para asegurarse de ello y asegurarse de que no tienen ningún otro criterio de exclusión y que documente detalles como la entrega y el nivel de descanso. Muy bien, perfecto, gracias. Aquí. Coloque al participante en una silla no ferromagnética y, a continuación, coloque cinco bobinas indicadoras de posición de cabeza en la cabeza con adhesivo, dos por encima de un ojo, uno por encima del otro y uno detrás de cada oreja.

Coloque el sensor de seguimiento para el sistema de digitalización firmemente en la cabeza del participante y fijarlo a las gafas para una máxima estabilidad. A continuación, digitalice los puntos de referencia anatómicos, los puntos preaisarios izquierdo y derecho y el nasion, y asegúrese de que los puntos preaisográficos sean simétricos. Además, digitalice las cinco posiciones de la bobina HPI utilizando un lápiz digitalizador 3D.

Ahora, digitalice hasta 300 puntos a lo largo del cuero cabelludo y maximice la cobertura de la forma de la cabeza. Cubrir las áreas bien definidas del cuero cabelludo en imágenes de RMN, por encima de la inión en la parte posterior y la nasion en la parte delantera, así como el puente nasal. Estos puntos se utilizarán para el co-registro de una imagen anatómica.

En este punto, retire las gafas con el sensor de seguimiento y conecte electrodos desechables por encima y por debajo del ojo derecho para monitorear los movimientos oculares verticales. También conecte electrodos a la derecha del ojo derecho y a la izquierda del ojo izquierdo para monitorear los movimientos horizontales de los ojos. Coloque electrodos adicionales debajo de la clavícula derecha y por debajo del corazón para controlar la frecuencia cardíaca.

La señal en estas áreas es robusta, por lo que no es necesario comprobar la impedancia. Además, conecte un electrodo como un suelo debajo del cuello. Por favor. Ahora, escolte al participante a la sala blindada MEG e indíquele que se siente en la silla MEG.

Enchufe el arnés de cableado HPI y los electrodos desechables en el sistema MEG. A continuación, levante la silla de tal manera que la cabeza del participante toque la parte superior del casco y asegúrese de que el participante se sienta cómodo. ¿Está bien ahora?

Sí.Perfect.Comience indicando al participante que mire pasivamente una pantalla vacía durante cinco minutos mientras registra los datos MEG de estado de reposo a un kilohercio. Mantenga la frecuencia de muestreo en un kilohercio durante todo el experimento. A continuación, instruya al participante de los requisitos de la tarea y pídales que realicen 20 pruebas de práctica.

Así que ahora vamos a ir a tener una sesión de práctica y asegurarnos de que todo está bien. Bien. ¿Muy bien? Comience el experimento mostrando primero las instrucciones, indicando al participante qué botón presionar cuando vea las caras y qué botón presionar cuando vea un jarrón.

Cree una única prueba con cuatro eventos que se aplicarán a todas las pruebas de este orden: cruz de fijación, imagen de Rubin, máscara y solicitud de respuesta. Al principio de cada bloque, antes de que comience la tarea, comience a medir los datos de MEG y registre la posición inicial de la posición de la cabeza del participante con respecto al MEG. Asegúrese de monitorear al participante por video durante el experimento.

En el sistema MEG, haga clic en Ir para iniciar. Cuando el cuadro de diálogo pregunte si los datos de HPI deben omitirse o agregarse a la grabación, inspeccione la señal de las bobinas HPI y haga clic en Aceptar para registrar esa posición inicial del cabezal. Después de eso, haga clic en Grabar sin procesar para iniciar la grabación de datos MEG.

Al principio de cada prueba, muestre la cruz de fijación durante un período de tiempo variable de uno a 1,8 segundos. A continuación, muestre la imagen de Rubin durante 150 milisegundos. A continuación, quite la imagen de Rubin y muestre la máscara durante 200 milisegundos, seguida de una pregunta que pida al participante que responda en dos segundos.

Programe el período de respuesta de forma que, si los participantes responden en dos segundos, comienza la siguiente prueba. De lo contrario, inicie la siguiente prueba después de dos segundos. Guarde el tiempo de los cuatro eventos, así como la opción de respuesta y su sincronización.

Supervise las señales MEG visualizándolas en tiempo real en el ordenador de adquisición. Una vez completado el experimento, escolte al participante fuera de la sala blindada y ayúdelo a separar los sensores. Analice los datos adquiridos realizando un análisis de frecuencia de tiempo en ambas regiones de interés por separado de los dos tipos de prueba utilizando el código que se muestra en la pantalla aquí.

En primer lugar, implemente la transformación de frecuencia de tiempo multicónica basada en la multiplicación en el dominio de frecuencia. Además, establezca la opción de inclinación en dpss para utilizar una función de secuencias esferoidales de prolato discretas y defina las frecuencias de interés de ocho a 13 hercios. A continuación, establezca el ancho de la ventana de tiempo en 200 milisegundos y el parámetro de suavizado en cuatro hercios.

Establezca la opción keeptrials en yes para devolver las estimaciones de frecuencia de tiempo de los ensayos individuales. Establezca la salida en fourier para devolver los complejos espectros de Fourier. Realice un análisis de conectividad en los datos de frecuencia de tiempo resultantes utilizando el código que se ve en pantalla aquí, utilizando la configuración que se muestra para devolver la parte imaginaria de la coherencia.

Repita el procedimiento para cada participante antes de promediar los espectros de coherencia entre frecuencias y participantes y trazar los valores de coherencia imaginaria de gran promedio resultantes en función del tiempo. Aquí, vemos una estructura de prueba de ejemplo y datos sin procesar. Una prueba comienza con la visualización de una cruz de fijación.

Después de uno a 1,8 segundos, el estímulo Rubin aparece durante 150 milisegundos, seguido de una máscara durante 200 milisegundos. A continuación, aparece una pantalla de respuesta para solicitar a los participantes que respondan con cara o jarrón. Arriba, vemos datos sin procesar multicanal de un participante de ejemplo, bloqueados en el tiempo hasta el inicio del estímulo y promediados en todos los ensayos.

Estos datos en la ventana de análisis de pre-estímulo serán el intervalo objetivo para el análisis. Aquí, vemos estimaciones de potencia espectral a partir de señales de área de cara fusiforme localizadas en la fuente en ensayos de cara y jarrón. Esta figura muestra la parte imaginaria de la coherencia entre la corteza visual localizada en origen y las señales de área de la cara fusiforme en ensayos de cara y jarrón, en el rango de frecuencia de ocho a 13 hercios.

Las regiones sombreadas representan el error estándar de la media para el diseño dentro de los sujetos. MEG es un método pasivo, al igual que la recogida de una guitarra eléctrica. La máquina también asume el riesgo de ser dañada por los participantes, a diferencia de otras modalidades.