Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

En protokol til Administration af Real-Time fMRI Neurofeedback træning

Published: August 24, 2017 doi: 10.3791/55543
Automatic Translation
1,2, 2, 3, 2,4, 5, 1,6
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

Summary

Evnen til at fremkalde og/eller kontrollere neural plasticitet kan være kritisk i fremtidige behandlinger for neurologiske lidelser og genrejsning efter hjerneskade. I dette papir præsenterer vi en protokol om anvendelse af neurofeedback træning med funktionel magnetisk resonans skanning til at modulere menneskelig hjernefunktion.

Abstract

Neurologiske sygdomme er kendetegnet ved unormal cellulære-, Molekylær-, og kredsløb-niveau funktioner i hjernen. Nye metoder til at fremkalde og styre neuroplastiske processer og korrekte unormal funktion eller endda skift funktioner fra beskadiget væv til fysiologisk sund hjerneregioner, har potentiale til at dramatisk forbedre den generelle sundhed. De nuværende neuroplastiske interventioner i udvikling har neurofeedback træning (NFT) fra funktionel magnetisk resonans Imaging (fMRI) fordelene ved at være fuldstændig ikke-invasiv, ikke-farmakologiske og rumligt lokaliseret til target hjernen regioner, samt har ingen kendte bivirkninger. NFT teknikker, i første omgang udviklet ved hjælp af fMRI, kan desuden ofte oversættes til øvelser, der kan udføres uden for scanneren uden hjælp af medicinske fagfolk eller avanceret medicinsk udstyr. I fMRI NFT, er fMRI signal målt fra bestemte regioner af hjernen, behandles og præsenteret for deltageren i realtid. Gennem uddannelse, er selvstyret behandling af mentale teknikker, der regulerer dette signal og dets underliggende neurophysiologic korrelerer, udviklet. FMRI NFT er blevet brugt til at træne viljesmæssige kontrol over en bred vifte af hjerneregioner med konsekvenser for flere forskellige kognitive, adfærdsmæssige og motoriske systemer. Derudover fMRI NFT har vist lovende i en bred vifte af applikationer såsom behandling af neurologiske sygdomme og forstærkning af baseline menneskelige præstationer. I denne artikel præsenterer vi en fMRI NFT protokol udviklet på vores institution for graduering af både sund og unormal hjernefunktion, samt eksempler på brug af metoden til at målrette mod både kognitive og auditive regioner af hjernen.

Introduction

Neurologiske sygdomme præsentere store hindringer på berørte personer, deres familier og samfund. Behandlinger for neurologiske sygdomme kan være ikke-eksisterende eller af tvivlsom effektivitet og ofte kun mål symptomer på lidelsen. Det er tilfældet for tinnitus – phantom opfattelsen af lyd – som ikke har en behandling, der er godkendt af US Food and Drug Administration (FDA). Tinnitus kan have en dybtgående indvirkning på en persons liv, at blande sig med dagligdags opgaver af faldende koncentration eller at ændre opfattelsen af faktiske lyd. Desuden kan personer, der berøres af tinnitus også opleve træthed, stress, søvnproblemer, hukommelsesproblemer, depression, angst og irritabilitet1. Behandlinger, der findes, såsom antidepressive og antianxiety medicin, kun hjælpe med at administrere de tilhørende symptomer og kan ikke behandle den underliggende årsag. Dette skaber en kritisk gap for innovative behandlinger af disse lidelser.

Forbedringer i erhvervelse teknikker, datakraft og algoritmer har revolutioneret den hastighed hvormed funktionel magnetisk resonans Imaging (fMRI) data kan måles og behandles. Dette har aktiveret fremkomsten af real-time fMRI, hvor data kan blive behandlet som de er indsamlet. Tidlig ansøgninger af real-time fMRI blev begrænset2, primært hæmmes af manglende evne til hurtigt fuldføre forbehandling trin typisk til offline analyser såsom motion korrektion. Forbedringer i computing-teknologi og algoritmer har nu øget hastighed, følsomhed og alsidighed af real-time fMRI3 giver lignende offline forbehandling skal anvendes i realtid. Disse udviklinger har ført til 4 primære anvendelsesområder af real-time fMRI: intraoperativ kirurgisk vejledning4, hjerne-computer interfaces5,6, om aktuelle hjernen hedder7, tilpasning stimuli og Neurofeedback træning8.

NFT, er selv om ikke den oprindelige fokus for real-time fMRI, en voksende inden for forskning, hvor individer lærer at graduere hjerneaktivitet volitionally gennem gennemførelsen af mentale strategier (dvs. forestillet opgaver). NFT er en form for operant betingning9, som har vist sig at øge neuronal fyring priser og neuronal aktivitet i aber10. Også, fMRI NFT har været forbundet med spike timing-afhængige plasticitet, som er neurale ændringer, der opstår under associative læring11. Yderligere konsekvenser foreslår fMRI NFT inducerer plasticitet via langsigtede potensering (LTP), hvilket resulterer i forøget synaptisk effektivitet12. En anden påstand indebærer cellulære mekanismer af færdigheder læring, såsom viljesmæssige kontrol over hjerneaktivitet, og kan indebære ændringer i spænding-afhængige membran ledningsevne - udtrykt som en ændring i neurale ophidselse13. Under alle omstændigheder fremgår det, at fMRI NFT påvirker hjernen på neuralt niveau. Disse teorier giver en stærk sag for brug af fMRI NFT i behandlingen af neurologiske sygdomme.

FMRI NFT, giver i modsætning til traditionelle fMRI, mulighed for at undersøge forholdet mellem hjerneaktivitet og adfærd11,14. For nylig har der været spike i undersøgelser der involverer fMRI NFT med næsten dobbelt så mange artikler offentliggjort i 2011-2012 (n = 30) i forhold til de foregående ti år (n = 16)11. En af de første fMRI NFT undersøgelser blev gennemført af Weiskopf og kolleger i 20038. Denne undersøgelse viste held gennemførligheden af online feedback og selvregulering fMRI signal i den forreste Cingulate Cortex (ACC) ved hjælp af en deltager. Feedback blev vises med en forsinkelse på omkring to sekunder, mere end en størrelsesorden hurtigere end de få tidligere undersøgelser. Den første fulde studie blev udført i 2004 hvor 6 deltagere lærte at styre aktivitet af somatomotor cortex15. FMRI NFT blev afsluttet på tværs af 3 sessioner udføres på den samme dag. Øget aktivitet rumligt selektiv til target-regionen i somatomotor cortex blev observeret gennem løbet af uddannelse på enkelt-emne og gruppe niveau. Denne effekt blev ikke observeret for kontrolgruppen, som modtog reelle fMRI oplysninger fra en baggrund region (ikke korreleret med opgaven udføres) tidligere i flugt. Forskere har siden vist, at mennesker kan lære viljesmæssige kontrol over fMRI signalet måles fra mange hjerneregioner herunder ACC16, amygdala17, forreste insula18,19, auditive og opmærksomhed relateret netværk20, bilaterale rostrolateral præfrontale cortex21, dorsolateral præfrontale cortex12,22,23, motor cortex24, 25,26,27,28, primære auditive cortex29,30, regioner forbundet med følelsesmæssige netværk regioner31,32 , højre ringere frontal gyrus33, og visuel cortex34,35.

De underliggende mekanismer af mange neurologiske sygdomme er ukendt. I eksempel på tinnitus er der ingen indlysende kilde for phantom lyden i fleste tilfælde36,37,38. Trods dette tyder på en central mekanisme kan være ansvarlig for tinnitus percept i nogle individer, som det fremgår af manglen symptom opløsning efter komplet dissektion af hørenerven39. Hyperaktivitet forbundet med tinnitus har fundet i den primære auditive cortex40,41,42. Yderligere beviser tyder på, at virkningerne af tinnitus udvide yderligere i områder involveret i behandlingen af følelser og attentional tilstand43. Baseret på disse abnormaliteter, kan fMRI NFT paradigmer udvikles for at fremkalde og neuroplastiske kontrolmekanismer, der fremmer normal neurale mønstre.

Protocol

følgende fMRI NFT protokol i overensstemmelse med retningslinjerne fra Wright State University institutionelle Review Board.

1. kontrolgrupper

  1. nøje overveje og fastlægge kontrol grupper på forhånd. Design kontrol målsektorers at tillade hypothesis(es) at blive evalueret og at tage højde for effekter fra yderligere faktorer som praksis eller forventninger skabt af Tilbagemeldingerne viser 44.

2. Hardware Setup

  1. forberede alle hardware inden deltageren træder Mr rum ved hjælp af de samme procedurer som traditionelle fMRI.
  2. Tilsluttes stimulus computer (PC) Hr.-kompatibel skærm og svar enhed system.
  3. Rute kabler for hr.-kompatible svar enheder og hovedtelefoner gennem eller omkring Mr kede.
  4. Tilslut TR-trigger udgang fra Mr til stimulus PC.
    Bemærk: I nogle opsætninger, dette kan være forbundet til hr.-kompatible svar enhed hardware, som derefter opretter forbinder til computeren, stimulus. Dette er nødvendigt for synkronisering stimuli og dataopsamling.
  5. Position hr.-kompatible vises, så det vil være synlige for deltageren via spejlet (at være) anbragt på hovedet spolen.

3. Deltager positionering

Bemærk: deltageren skal være placeret på tabellen scanner på lignende måde som en typisk hjerne MRI, og på samme måde som traditionelle fMRI.

  1. Har de deltager lie ned i en liggende stilling på tabellen scanner. Bede dem om at bevare deres hoved inde i hovedet spolen.
  2. Sted hovedtelefoner på deltageren ' s hoved, og sikre ørerne er dækket. Hvis der kræves yderligere høreværn, indsætte ørepropper før positionering hoved-telefoner.
  3. Placerer en pad under deltageren ' s knæ for ekstra komfort.
  4. Låse det øverste organ i hovedet spolen på plads.
  5. Anbringer spejl til hoved spolen.
  6. Placer svar enheder i deltageren ' s hænder.
  7. Vartegn placering af deltageren ' s nasion i forhold til scanneren.
  8. Flytte den landmærke placering til centrum af Mr kede.
  9. Bekræft at deltageren kan se hele skærmen ved hjælp af spejlet. Spørge deltageren til at justere spejlet fornødent.

4. Lokalisere den målområde

  1. udføre en " funktionelle " localizer. Bruge hjerneaktivitet fra den funktionelle localizer for at definere mål Region af interesse (ROI) 11.
    Bemærk: Denne run er udført på samme måde som traditionelle fMRI. Men målet ROI kan også defineres ved hjælp af individuelle anatomi eller standardiseret atlasser fjerner behovet for at udføre en funktionel localizer.
    1. Give scriptede og/eller visuelle opgave instruktioner til deltageren.
      Bemærk: Disse instruktioner skal være kortfattet men indeholder tilstrækkelige oplysninger til at tillade deltager kan fuldføre opgaven udføres under den funktionelle localizer. Her vejledningen informere deltageren en prik vil være på skærmen, og de kan høre lyden i hovedtelefonerne. Deres mål er at slappe af og fokusere på prikken.
    2. Begin synkroniseret administration af akustiske stimuli (fx bilaterale kontinuerlig hvid støj 29) og dataopsamling ved at skubbe den " Scan " knappen på hr. scanneren.
      Bemærk: Dette er udført af programmering præsentation af stimuli bruger TR udløser fra fMRI erhvervelse. Udløseren TR styres via fMRI protokollen men dette kan blive påvirket af producenten af Mr og de installerede pakker. Alle visuelle, haptiske og/eller auditive stimuli kan leveres for at udføre andre opgaver og/eller målretter mod andre områder.
      1. Alternativ levering af opgave stimuli (hvid støj) med matchede kontrol stimuli (ingen støj) i en blokeret mønster. Bruge kontrol stimuli til at aktivere uønskede netværk/systemer aktiveret i opgave stimuli.
        Bemærk: Denne vekslen opstår ved synkronisering af stimuli til fMRI erhvervelse og overvåge TR pulser.
      2. Indsamle hele-hjerne ekko planar billeder ved hjælp af en gradient-mindede om-echo Mr puls sekvens; eksempel parametre for puls sekvens omfatter en erhvervelse matrix af 64 x 64 elementer i de fase og frekvens retninger, 41 skiver justeret parallelt til den forreste commissure-posterior commissure fly, 3,75 x 3,75 x 3 mm 3 voxel størrelse, 0,5 mm skive gap, fedt undertrykkelse aktiveret, TR/TE = 2.000/20 ms og en flip vinkel = 90 °.
  2. Beregne en aktivering kort fra fMRI data indsamlet under den funktionelle localizer ved hjælp af multivariat statistik.
    Bemærk: Følgende trin er en variant af behandling udføres for traditionelle fMRI. Nogle trin er blevet fjernet eller forenklet for at reducere behandlingstiden.
    1. Forbehandl data under dataopsamling ved hjælp af brugerdefinerede software lavet fra standard forbehandling teknikker 12 , 45.
      1. Udføre 3D rumlige filtrering ved hjælp af en Gaussisk lavpas-kerne (fuld bredde halv-højst 4,5 mm).
      2. Ret for Translationel bevægelse ved at tilpasse center of mass for hver volumen til det første bind af den funktionelle localizer ved hjælp af tri-lineær interpolation.
      3. Udføre temporal filtrering ved hjælp af en Gaussisk lavpas-kerne med σ = 3 s.
    2. Oprette en model til at forudsige det neurofysiologiske respons til opgaven; dette udføres på samme måde som traditionelle fMRI.
      1. Opret en psykologisk model, som beskriver aktivt og hvile stater for hver gang punkt 46. Dette modeller tidspunkter i løbet af opgaven til en værdi af ' 1 ' og kontrol med en ' 0 '.
      2. Convolve den psykologiske model med en foruddefineret hæmodynamiske svar funktion (HRF) 46 at forudsige fMRI (neurofysiologiske) svar på opgaven.
    3. Fit fMRI data på hver voxel som funktion af tiden til den neurofysiologiske model ved hjælp af en generelle lineære Model (GLM). Dette resulterer i en β parameter kort, som er konverteret til t- eller z-statistik maps (aktivering maps) ved hjælp af standard statistiske transformeringer.
  3. Bruge kortet aktivisering oven på en gennemsnitlig fMRI billede til at bestemme den region, hvor feedback signal for den efterfølgende neurofeedback vil være afledt.
    Bemærk: Dette er udført ved hjælp af brugerdefinerede software. Hvis du vil fjerne globale og uspecifik ændringer, kan der også defineres en anden ROI.
    1. Naviger gennem skiver ved hjælp af skyderen musehjulet eller skive skyderen for at finde anatomiske markører synlige i fMr data såsom den ringere overfladen af frontal horn af den laterale hjertekamre 12.
    2. Tærskel aktivering kortet ved hjælp af skyderen på tærsklen til at afsløre den voxels mest håndfast aktiveret under den funktionelle localizer i regionen mål.
      1. Udføre dette ved at vælge en tærskel på forhånd eller ved at manuelt justere tærsklen.
    3. Bruge venstre museknap for at vælge individuelle voxels med aktivering over den valgte grænse og i målområde føje til ROI.
      Bemærk: Voxels kan vælges fra et eller flere skiver.

5. fMRI NFT

  1. adfærd neurofeedback kører ved hjælp af en boxcar model med skiftevis opgave og kontrolforanstaltninger.
    1. Gennemføre en opgave tilstand hvor deltagerne hæve eller sænke aktivitet i regionen mål med retning af kontrol er afgørende for at opnå de ønskede resultater.
      Bemærk: For eksempel, mange regioner af hjernen er hyperaktiv i patienter med tinnitus og, derfor, faldende aktivitet kan fremme normal neurale mønstre.
    2. Suppleant opgave tilstand med en kontrol tilstand hvor deltagerne returnere aktivitet at hvile af afslappende og clearing deres sind.
    3. Give deltageren med en scripted eksempel på mindfulness opgaver der skal anvendes under begge betingelser som udgangspunkt aids for modulerende hjerneaktivitet mod de ønskede stater. Pålægge deltageren til at udføre opgaver i mindfulness at drive hjerneaktivitet mod de ønskede stater.
      1. i eksemplet tinnitus pålægge deltagerne til at aflede opmærksomheden fra det auditive system at andre sensoriske systemer til at reducere auditive aktivitet.
    4. Baseline beregning
      NOTE: på grund af tuning af Mr hardwarekomponenter før hvert løb, basislinjer anvendes til at normalisere data, før den præsenterer feedback til deltageren. Baseline gennemsnitlige bestemmes for regionen mål baseret på et gennemsnit af en eller flere diskenheder erhvervet i begyndelsen af hver fMRI NFT køre 12 , 47.
      1. Pålægge deltageren til at slappe af i løbet af en nedtælling præsenteret i starten af scanningen.
  2. Begin synkroniseret stimuli præsentation og dataopsamling ved at trykke på den " scan " knappen på MR-scanner. Indsamle ekko planar billeder ved hjælp af en gradient-mindede om-echo Mr puls sekvens på samme måde som foreskrevet for den funktionelle localizer taktfast 4.1.2.
  3. Erhverve grundlæggende diskenheder.
    1. Visuelt præsentere et nedtællingsur og Tom feedback display.
    2. Behandle dataene under erhvervelse ved hjælp af brugerdefinerede software.
      1. Udføre 3D rumlige filtrering ved hjælp af en Gaussisk lavpas-kerne (fuld bredde halv-højst 4,5 mm).
      2. Rette for Translationel bevægelse ved hjælp af center of mass for hvert bind, hvert bind er registreret til det første bind af den funktionelle localizer ved hjælp af tri-lineær interpolation.
      3. Beregne gennemsnitlige signal fra målet ROI på tværs af både tid og rum.
      4. Sum signaler fra alle voxels inden for target ROI i hvert bind.
      5. Oprette ROI gennemsnit for hver volumen ved at dividere summen med antallet af voxels i ROI.
      6. Gennemsnitlige beløb fra de oprindelige bind.
  4. Erhverve neurofeedback bind
    1. forbehandle dataene under erhvervelse ved hjælp af brugerdefinerede software.
      1. Udføre 3D rumlige filtrering ved hjælp af en Gaussisk lavpas-kerne (fuld bredde halv-højst 4,5 mm).
      2. Ret for Translationel bevægelse ved at tilpasse center of mass for hver volumen til det første bind af den funktionelle localizer ved hjælp af tri-lineær interpolation.
    2. Beregne feedback signal. En feedback signal er afledt fra hver erhvervede volumen under fMRI NFT. Dette er de oplysninger, der præsenteres for deltageren at støtte læring viljesmæssige kontrol.
      1. Gennemsnitlig fMRI signalet fra alle voxels inden for target ROI til at oprette en enkelt værdi.
      2. Beregning af procentvis ændring mellem de nuværende ROI gennemsnit og ROI baseline gennemsnit. Valgfrit, dette signal kan skaleres med en faktor, der er afhængige af deltageren ' s præstation.
      3. Beregne feedback signal tidsligt filtrering (Gaussian lavpas-kerne med en sigma 3 s bestående af kun forbi komponenter) de nuværende procent ændre med feedback-signaler fra tidligere neurofeedback diskenheder.
    3. Vise feedback signal.
      1. Display den aktuelle feedback signal gennem en termometer-stil bar plot, hvor højden af baren er proportional med feedback værdi 18 , 19 , 21 , 34.
      2. Overlay instruktioner for deltager på feedbacken display.
        Bemærk: Disse instruktioner er enkle, og bør direkte deltager til at slappe af, eller hæve eller sænke aktivitet (dvs. baren termometer).
    4. Valgfrit give ekstra stimulation. Yderligere visuel, auditiv eller haptic stimulation kan forelægges samtidig med feedback.

6. Vurdere evnen til selv at regulere Target ROI.

NOTE: efter neurofeedback er afsluttet, evne til selv at regulere målområde for hver kørsel af uddannelse skal kvantificeres.

  1. Analyze intra underlagt ændringer i feedback-signaler 12.
    1. Opret en psykologisk model, der repræsenterer de resten og opgave betingelser af neurofeedback.
      Bemærk: Denne model er convolved med en foruddefineret HRF til at producere en neurofysiologisk model. Processen er den samme som beskrevet for den funktionelle localizer.
    2. Passer feedback signal tidsserier til neurofysiologiske modellen ved hjælp af en GLM. Dette resulterer i en β parameter, som er konverteret til t- eller z-statistik repræsentant for evne til selv at regulere.
  2. Udføres mellem emne sammenligninger.
    Bemærk: Statistik repræsentant for selvregulering ydeevne kan sammenlignes på tværs af kørsler og grupper ved hjælp af passende statistiske analyser (fx parret t - test eller ANOVAs). Disse tests vurderer ændringer i evnen til at regulere sig selv regionen mål på tværs af uddannelse og grupper, og kan bruges til at vurdere undersøgelsen ' s hypothesis(es).

Representative Results

Vores team har vist en betydelig stigning i kontrol over den venstre dorsolateral præfrontale cortex (DLPFC) lært fra fMRI NFT i en kohorte af 18 deltagere. En inden for fag en-vejs ANOVA blev udført på de kvantitative værdier af viljesmæssige kontrol12. Denne analyse afslørede kontrol af venstre DLPFC steget betydeligt på tværs af 5 x
6 min:24 s kørsler af neurofeedback adskilt på tværs af fem separate sessioner gennemført indenfor 14 d (figur 1; F(4,68) = 2.216, p = 0,038, kugleform antaget, en-sidet). Ændringer i ydeevne på en kompleks multitasking test, udført før og efter NFT, sammenlignet med en gruppe, som ikke modtog neurofeedback ved hjælp af 2 x 2 blandet model ANOVAs. Post-hoc, Bonferroni-korrigeret sammenligninger afsløret betydelige stigninger i ydelse på en kompleks multitasking-test, der ikke modtog yderligere undervisning (p < 0,005, en-sidet), og denne stigning var betydeligt større end en kontrolgruppe der udføres tilsvarende uddannelse, men var ikke forsynet med yderligere hjælp af neurofeedback (p < 0,03, kugleform antaget, en-sidet)12. Trods eksperiment gruppen at få kontrol over den venstre DLPFC på tværs af uddannelse, blev et plateau ikke observeret. Dette betyder at maksimal kontrol ikke er nødvendig for at producere adfærdsmæssige resultater og at endnu større virkninger kan være muligt med yderligere uddannelse12. Desuden, vores team afslørede fMRI NFT kombineret med n-back praksis skaber fokale ændringer i hjerneaktivitet, der er begrænset til regionen mål og påvirker ikke up - eller down-stream komponenter arbejder hukommelse netværk (figur 2) 22.

Med hensyn til tinnitus, har et tidligere studie undersøgt fMRI NFT som en mulig behandling29. I denne undersøgelse, blev 4 x 4 min. kørsler af neurofeedback afsluttet i et enkelt træningspas. Adfærdsmæssige vurderinger af tinnitus blev udført før og efter enkelt fMRI NFT session. Vellykket viljesmæssige ned-regulering af den auditive cortex blev opnået, og førte til en betydelig reduktion i auditory aktivisering. Denne undersøgelse viser et løfte om fMRI NFT i behandlingen af tinnitus, men kun seks deltagere blev studeret og en kontrolgruppe blev ikke udnyttet til sammenligning. Derudover blev statistiske analyser herunder adfærdsmæssige data ikke udført. Udvide efter denne undersøgelse kan afsløre interessante nye muligheder for behandling for tinnitus patienter.

Figure 1
Figur 1: stigende kontrol over venstre DLPFC. Gennemsnit forlod DLPFC kontrol for hver neurofeedback køre (udføres på separate dage) er angivet med de lyse grønne cirkler. En lineær regressionsanalyse viste en betydelig stigning i kontrol på tværs af uddannelse (mørke grønne linje; β = 1.078, p < 0.033). Fejllinjer udgør 1 SEM'EN Unmodified arbejde fra Sherwood et al. 12, genoptrykt under Creative Commons Attribution license. Venligst klik her for at se en større version af dette tal.

Figure 2
Figur 2: lokaliseret effekt af læring forlod DLPFC Control. (A) sandsynligheden for voxel inklusion for fMRI NFT udvalgt fra en n-tilbage funktionelle localizer. Lys blå voxels indgik hyppigst i NFT målområde, mørk blå voxels indgik mindre hyppigt, og klart voxels var ikke medtaget. (B) Voxel-baseret ANOVA resultater af hovedeffekten af træning (rød-gul). Denne effekt viste et stort overlap med den venstre DLPFC ROIs indskyde nemlig NFT. Aksial skiver vises i radiologiske konventionen på koordinater z = 22, 26, 30, 34 og 38 mm (fra venstre til højre). Uforandret arbejde fra Sherwood et al. 22, genoptrykt under Creative Commons Attribution license. Venligst klik her for at se en større version af dette tal.

Discussion

FMRI NFT protokollen drøftede heri kan tilpasses til at målrette mod en region af hjernen, og diskuterer en inputområdet, ROI-baseret tilgang til neurofeedback. Dette kan opnås ved programmering yderligere funktionelle localizer opgaver at aktivere andre regioner. Ved at indarbejde disse opgaver i den brugerdefinerede neurofeedback software, har vi udviklet en meget simpel proces. Der er dog én begrænsning: regionen mål skal være funktionelt defineret. På dette tidspunkt udføre den software, som vores team har udviklet ikke nogen registrering mellem anatomiske og funktionelle billeder. Derfor ikke kan andre ROI udvælgelsesmetoder, såsom atlas-baserede ROIs, gennemføres på dette tidspunkt. Derudover kan parametre for stimuli og neurofeedback (fx blok varighed, antallet af blokke og billedbehandling parametre, herunder TR) manipuleres nemt af operatøren. Derudover kører overførsel for at vurdere evnen til selv at regulere målet ROI i mangel af neurofeedback kan gennemføres. Den software vi har udviklet giver ikke neurofeedback udnytter multivariat mønstre35,48 eller tilslutningsmuligheder mellem hjernen regioner49.

FMRI NFT tilbyder betydelige fordele i forhold til andre former for neurofeedback men også har sine begrænsninger. Den største fordel ved fMRI NFT er den rumlige opløsning, der overgår alle andre former for NFT såsom elektroencefalografi (EEG)-baseret neurofeedback. Forbedret rumlige opløsning giver mulighed for specifikke hjernens strukturer/funktioner på tværs af hele hjernen til at være målrettet50. Dette er i øjeblikket ikke kan opnås med andre behandlinger såsom Farmakoterapi, der er systematisk. Men den store ulempe ved fMRI NFT er tidsforsinkelsen. Ikke kun prøveudtagning satser meget langsommere end EEG (op til 3 størrelsesordener langsommere), føjer de hæmodynamiske lag forbundet med fMRI signalet yderligere til denne forsinkelse. På trods af dette er der overvældende beviser for, at deltagerne kan overvinde denne forsinkelse og med praksis, lære at styre hjerneaktivitet (f.eks. for en gennemgang Se Sulzer et al. 11 og Scharnowski et al. 50).

Populariteten af fMRI NFT vokser, men det forbliver i en spæde fase. På grund af dette endnu fælles praksis ikke vedtages. Den beskrevne protokol beskriver metoder, som er videnskabeligt godkendt. For eksempel har flere former for feedback viser udnyttet på tværs af forskellige undersøgelser, herunder en termometer-stil bar plot18,19,21,34. Derudover en feedback signal præsenteret som procent signal ændringen med en oprindelig plan er beregnet ud fra regionen mål har også været udstrakt grad gennemført12,19,21,25 , 30 , 51 , 52.

Kontrollere plast virkningerne i hjernen tilbyder en nyskabende terapeutiske teknik til at behandle neurologiske sygdomme eller hjerneskader med unormal hjerneaktivitet, som den, der er forbundet med tinnitus diskuteret ovenfor. Selvom de præcise mekanismer omsætte Neuromodulationsbehandling til adfærdsmæssige effekter er stadig ukendt, fMRI NFT har været forbundet med LTP11. Gennem læringsprocessen forstærkes opførsel når man aktivt regulerer hjerneaktivitet i opgave-relaterede hjernen netværk. Sådan styrkelse resultater i engagement neuroplastiske mekanismer forårsager netværket til at udføre mere effektivt. Dette falder sammen med andre NFT teknikker såsom EEG-baserede neurofeedback hvor individer er uddannet til at styre frekvensbånd af elektriske signaler målt fra lokale regioner med hovedbund53,,54,55 . Andre har angivet LTP fra synaptisk plasticitet resulterer i forøget synaptisk effektivitet12. Endnu en anden påstand tyder på cellulære mekanismer af læring kan indebære ændringer i spænding-afhængige membran ledningsevne, som udtrykkes som en ændring i neurale ophidselse13. Under alle omstændigheder kontrol fremgår det at fMRI NFT medfører ændringer på cellulært niveau, og at enkelt kan lære nogle over disse processer. Denne evne, og disse ændringer kan være kritisk i at lære om og udvikling af behandlinger for hjerneskader og neurologiske sygdomme.

Et vigtigt aspekt af fMRI NFT er at måle ændringer i adfærd. Det er bydende nødvendigt at mange hypoteser, som forudser adfærdsmæssige ændringer drevet af NFT-induceret neurale ændringerne. Som minimum bør disse vurderinger indsamles på to tidspunkter: forud for og efter NFT. I tilfælde af tinnitus, kan disse adfærdsmæssige vurderinger bestå udelukkende af subjektive spørgeskemaer da der er ingen direkte mål for tinnitus. For andre neurologiske sygdomme, bør en litteraturgennemgang gennemføres for at bestemme de passende, rimelige og dokumenterede vurderinger for de specifikke hypothesis(es) undersøges. Nogle hypoteser kræver målinger på ekstra tid point, som dem udforskning i nærheden af-, kort- og langsigtede effekter af fMRI NFT. Nogle vurderinger kan kræve kurser i NFT at reducere læring effekter. Andre hypoteser måske endda kræver neurologisk test som dem interesseret i niveauer af hjernen metabolitter, cerebral perfusion eller funktionelle netværk.

FMRI NFT procedure har to kritiske faser. Først er at fastlægge et område af hjernen til at målrette for neurofeedback. Før udfører nogen procedurer, bør en grundig litteraturgennemgang gennemføres for at undersøge nervebaner og vigtige strukturer/funktioner forbundet med neurologiske lidelse eller hjerneskade. Fra dette, bør nøglefunktioner strukturer nøje valgt som mål for neurofeedback. Næste, en anden litteraturgennemgang bør udføres for at undersøge opgaver i forbindelse med denne struktur og funktion. Denne opgave kan eller kan ikke være forbundet med denne lidelse, men det bør bekræftes, at opgaven aktiverer den ønskede region(er) i de udpegede befolkning. Under neurofeedback procedurer vælges dette målområde på individuel basis på den første session eller ved hver session. Derfor kan inter - og intra subject variation være vigtige faktorer, som kan føre til uforudsigelige resultater. Det er afgørende at skabe en protokol for at vælge målområde og føre tilstrækkelig personaleuddannelse. Der er to metoder til at definere et mål ROI: anatomisk og funktionelt. Anatomiske definitioner udnytte strukturelle Mr scanninger for at definere målområde strengt fra anatomi,og eventuelt ved hjælp af en standard atlas. Funktionelle billeder er registreret til de strukturelle billeder, og regionen mål er omdannet til funktionelle plads21,26. I den funktionelle metode vælges regionen mål fra en aktivering kort fremstillet ved at foretage en funktionel localizer11,12,24,29,44. Denne metode blev drøftet heri.

Den anden kritiske fase i fMRI NFT er kontrol Gruppemarkering. Kontrolgruppen er afgørende betydning for effekten af fMRI NFT, og udvælgelsen af kontrolgrupper bør overvejes nøje. Tidligere undersøgelser har brugt en bred vifte af kontrol. En fælles procedure for en kontrolgruppe er at forsøge viljesmæssige kontrol i nærværelse af sham feedback. Denne feedback kan være yoked fra en deltager i den eksperimentelle gruppe21,44, leveres fra en region ikke involverede i den ønskede unbeknownst til deltager17,33, 44, eller omvendt52. Andre studier har anvendt kontrolgrupper, som forsøger viljesmæssige kontrol men leveres ikke med neurofeedback12,21,44,56.

En tidligere undersøgelse tyder på, at når emner forsøger at styre sham feedback, der er øget aktivering i bilaterale insula, forreste cingulate, supplerende motor, dorsomedial og laterale præfrontale områder sammenlignet med passivt at se en feedback viser57. Disse resultater indblande en bred fronto-parietale og cingulo-opercular netværket aktiveres, når der er opsat til at styre hjerneaktivitet. Desuden, disse resultater tyder på traditionelle kontrolgrupper NFT forsøgsdyr vil bruge neurale korrelerer overensstemmelse med kognitiv kontrol, selv i nærværelse af sham feedback. En særskilt meta-analyse afslørede aktivitet i den forreste insula og basale ganglier, som begge er regioner involveret i kognitiv kontrol og andre højere kognitive funktioner, var komponenter kritiske til forsøger viljesmæssige kontrol58. Resultaterne af meta-analysen bekræftede den tidligere konstatering57. Tilsammen, tyder dette på, at det er afgørende at afgrænse virkningerne af vellykket viljesmæssige kontrol og vedrører forsøget på selvregulering. Optagelse af kontrolgrupper, som ikke forsøger selvregulering kan derfor vigtigt.

Men tidligere undersøgelser hvor grupper modtog sham fMRI signaler har afsløret forskelle i target ROI aktivitet blev observeret fra dem, der modtog sande feedback15,16,17, 18 , 20 , 21 , 25 , 26 , 28 , 33 , 34 , 44, antyde uddannelse strategier, som ikke omfatter feedback er ikke effektive til at modulere målområde. Derudover udviser kontrolgruppen, som modtog identiske instruktioner og de samme periode af uddannelse, men har ikke modtaget feedback på det nuværende niveau af hjerneaktivitet ikke lignende adfærdsmæssige resultater som de eksperimentelle grupper, der fik Neurofeedback12,18,21,32,44,59. Disse resultater tyder på erfaringsbaseret virkninger kan tilskrives fMRI NFT-induceret læring snarere end andre læring eller uspecifik ændringer. Derfor skal udvikles en specifik træning regimer som målrette specifikke neurofysiologiske systemer til at opnå de ønskede virkninger. Resultaterne fra en undersøgelse med en bred vifte af kontrolgrupper angive behavioral uddannelse, praksis, sensoriske feedback og biofeedback alene producerer ikke tilsvarende adfærdsmæssige virkninger som dem, der modtager fMRI NFT44.

Disclosures

Forfatterne har ikke noget at oplyse.

Acknowledgments

Dette materiale er baseret på forskning, sponsoreret af det amerikanske luftvåben under aftalenummer FA8650-16-2-6702. De fremsatte synspunkter er dem af forfatterne og afspejler ikke den officielle synspunkter eller politik af Department of Defense og dets komponenter. Den amerikanske regering er bemyndiget til at reproducere og distribuere genoptryk til statslige formål uanset enhver ophavsret notation herom. Frivilligt, fuldt informeret samtykke fra de emner, der anvendes i denne forskning blev fremstillet som kræves af 32 CFR 219 og DODI 3216.02_AFI 40-402.

Materials

Name Company Catalog Number Comments
3T MRI GE Medical 750W Discovery Data Acquisition Hardware
MR-Compatible Display System InVivo SensaVue Visual Stimuli Hardware
MR-Compatible Auditory System Resonance Technologies CinemaVision Auditory Stimuli Hardware
Experimental Stimulus Software Neurobehavioral Systems Presentation Software to Control Stimuli Presentation
Experimental Processing Software Mathworks MATLAB Software to Process Data
Data Processing Software Microsoft Visual Studio C++ Software to Process Data
Response Pads Cedrus Corporation Lumina Hardware to Receive Participant Input

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Neurovidenskab sag 126 fMRI neurofeedback neurologiske sygdomme tinnitus neuroplasticity langsigtede potensering
En protokol til Administration af Real-Time fMRI Neurofeedback træning
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Sherwood, M. S., Diller, E. E., Ey,… More

Sherwood, M. S., Diller, E. E., Ey, E., Ganapathy, S., Nelson, J. T., Parker, J. G. A Protocol for the Administration of Real-Time fMRI Neurofeedback Training. J. Vis. Exp. (126), e55543, doi:10.3791/55543 (2017).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter