Waiting
Traitement de la connexion…

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

Neuroscience

वास्तविक समय fMRI Neurofeedback प्रशिक्षण के प्रशासन के लिए एक प्रोटोकॉल

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

प्रेरित करने की क्षमता और/या नियंत्रण तंत्रिका प्लास्टिक की neurologic विकारों के लिए भविष्य के उपचार में महत्वपूर्ण हो सकता है और मस्तिष्क की चोट से वसूली । इस पत्र में, हम मानव मस्तिष्क समारोह को मिलाना करने के लिए कार्यात्मक चुंबकीय अनुनाद इमेजिंग के साथ neurofeedback प्रशिक्षण के उपयोग पर एक प्रोटोकॉल मौजूद ।

Abstract

Neurologic विकारों मस्तिष्क में असामान्य सेलुलर, आणविक, और सर्किट स्तर के कार्यों की विशेषता है । नए तरीकों को प्रेरित और नियंत्रण neuroplastic प्रक्रियाओं और सही असामान्य समारोह, या यहां तक कि क्षतिग्रस्त ऊतक से शारीरिक रूप से स्वस्थ मस्तिष्क क्षेत्रों में बदलाव कार्य, नाटकीय रूप से समग्र स्वास्थ्य में सुधार करने की क्षमता पकड़ो । विकास में वर्तमान neuroplastic हस्तक्षेपों में से, neurofeedback प्रशिक्षण (NFT) कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) से पूरी तरह से गैर इनवेसिव, गैर औषधीय होने का लाभ है, और स्थानिक मस्तिष्क लक्ष्य के लिए स्थानीयकृत क्षेत्रों, साथ ही कोई ज्ञात दुष्प्रभाव होने के रूप में । इसके अलावा, NFT तकनीक, शुरू में fMRI का उपयोग कर विकसित की है, अक्सर अभ्यास है कि चिकित्सा पेशेवरों या परिष्कृत चिकित्सा उपकरणों की सहायता के बिना स्कैनर के बाहर किया जा सकता है अनुवाद किया जा सकता है । fMRI NFT में, fMRI संकेत मस्तिष्क के विशिष्ट क्षेत्रों से मापा जाता है, संसाधित, और वास्तविक समय में भागीदार के लिए प्रस्तुत किया. प्रशिक्षण के माध्यम से, आत्म निर्देशित मानसिक प्रसंस्करण तकनीक, कि इस संकेत को विनियमित और उसके अंतर्निहित neurophysiologic संबद्ध, विकसित कर रहे हैं । FMRI NFT कई अलग संज्ञानात्मक, व्यवहार, और मोटर प्रणालियों के लिए निहितार्थ के साथ मस्तिष्क क्षेत्रों की एक विस्तृत श्रृंखला पर इच्छाशक्ति नियंत्रण को प्रशिक्षित करने के लिए इस्तेमाल किया गया है । इसके अतिरिक्त, fMRI NFT neurologic विकारों के उपचार और आधारभूत मानव प्रदर्शन की वृद्धि के रूप में आवेदनों की एक व्यापक रेंज में वादा दिखाया गया है । इस अनुच्छेद में, हम दोनों स्वस्थ और असामान्य मस्तिष्क समारोह के मॉडुलन के लिए हमारे संस्थान में विकसित एक fMRI NFT प्रोटोकॉल मौजूद है, साथ ही मस्तिष्क के दोनों संज्ञानात्मक और श्रवण क्षेत्रों को लक्षित करने के लिए विधि का उपयोग कर के उदाहरण.

Introduction

Neurologic विकार प्रभावित व्यक्तियों, उनके परिवारों, और समाज पर प्रमुख बाधाओं मौजूद हैं । neurologic विकारों के लिए उपचार गैर विद्यमान या संदिग्ध प्रभावकारिता का हो सकता है, और अक्सर केवल विकार का लक्ष्य लक्षण । इस तरह tinnitus के लिए मामला है-ध्वनि के प्रेत धारणा-जो एक अमेरिकी खाद्य एवं औषधि प्रशासन (एफडीए) द्वारा अनुमोदित उपचार नहीं है । Tinnitus एक व्यक्ति के जीवन पर एक गहरा प्रभाव है, एकाग्रता कम या वास्तविक ध्वनि की धारणा को बदलने के रोजमर्रा के कार्यों के साथ हस्तक्षेप कर सकते हैं । इसके अलावा, tinnitus से प्रभावित व्यक्तियों को भी थकान, तनाव, नींद की समस्याओं, स्मृति समस्याओं, अवसाद, चिंता का अनुभव हो सकता है, और चिड़चिड़ापन1। चिकित्सा कि मौजूद है, ऐसे एंटी और उन्मूलक दवाओं के रूप में, केवल मदद जुड़े लक्षणों का प्रबंधन और अंतर्निहित कारण का इलाज नहीं हो सकता है । यह इन विकारों के अभिनव उपचार के लिए एक महत्वपूर्ण अंतर पैदा करता है ।

अधिग्रहण तकनीक, अभिकलनी शक्ति में सुधार, और एल्गोरिदम जो कार्यात्मक चुंबकीय अनुनाद इमेजिंग (fMRI) डेटा मापा और संसाधित किया जा सकता है के साथ गति में क्रांति ला दिया है । यह वास्तविक समय fMRI के आगमन सक्षम है, जहां डेटा के रूप में यह एकत्र की है संसाधित किया जा सकता है । वास्तविक समय fMRI के प्रारंभिक अनुप्रयोगों के2सीमित थे, मुख्य रूप से तेजी से पूर्व प्रसंस्करण ऐसे गति सुधार के रूप में ऑफ़लाइन विश्लेषण के लिए विशिष्ट कदम पूरा करने की अक्षमता से हिचकते । कंप्यूटिंग प्रौद्योगिकी और एल्गोरिदम में सुधार अब वास्तविक समय में लागू किया जा करने के लिए इसी तरह के ऑफ़लाइन पूर्व प्रसंस्करण की अनुमति, वास्तविक समय fMRI की गति, संवेदनशीलता, और बहुमुखी प्रतिभा बढ़ गई है. इन घटनाओं के 4 वास्तविक समय fMRI के प्राथमिक आवेदन डोमेन के लिए नेतृत्व किया है: intraoperative शल्य चिकित्सा मार्गदर्शन4, मस्तिष्क कंप्यूटर इंटरफेस5,6, वर्तमान मस्तिष्क राज्यों के लिए7अनुकूलन उत्तेजनाओं, और neurofeedback प्रशिक्षण8.

NFT, हालांकि वास्तविक समय fMRI के मूल ध्यान नहीं, अनुसंधान के क्षेत्र में बढ़ रही है, जहां व्यक्तियों को मानसिक रणनीतियों (यानी कल्पना कार्य) के कार्यांवयन के माध्यम से मस्तिष्क गतिविधि volitionally मिलाना सीखो । NFT अनुकूलन कंडीशनिंग9का एक रूप है, जिसमें10बंदरों में न्यूरॉन फायरिंग दर और न्यूरॉन गतिविधि को बढ़ाने के लिए दिखाया गया है । इसके अलावा, fMRI NFT के साथ जुड़े किया गया है कील समय पर निर्भर प्लास्टिक, जो तंत्रिका परिवर्तन कि साहचर्य सीखने के दौरान होते हैं11. इसके अलावा निहितार्थ सुझाव fMRI NFT लंबी अवधि के Potentiation (LTP), बढ़ाया synaptic दक्षता में जिसके परिणामस्वरूप के माध्यम से प्लास्टिक लाती है12। एक अंय postulation इस तरह के मस्तिष्क गतिविधि पर नियंत्रण इच्छाशक्ति के रूप में कौशल सीखने की सेलुलर तंत्र का तात्पर्य है, और वोल्टेज में परिवर्तन पर निर्भर झिल्ली कंडक्टर शामिल हो सकता है-तंत्रिका उत्तेजितता में परिवर्तन के रूप में व्यक्त की13। किसी भी मामले में, ऐसा लगता है कि fMRI NFT तंत्रिका स्तर पर मस्तिष्क को प्रभावित करता है । इन सिद्धांतों neurologic विकारों के उपचार में fMRI NFT के उपयोग के लिए एक मजबूत मामला प्रदान करते हैं ।

FMRI NFT, पारंपरिक FMRI के विपरीत, मस्तिष्क गतिविधि और व्यवहार के बीच संबंध की जांच करने का अवसर प्रदान करता है11,14। हाल ही में, वहां लगभग दो बार के रूप में कई २०११-२०१२ (n = 30) में प्रकाशित लेख के रूप में पिछले 10 वर्षों की तुलना में (n = 16)11के साथ fMRI NFT शामिल अध्ययन में स्पाइक गया है । प्रथम fMRI NFT अध्ययनों में से एक Weiskopf और सहयोगियों द्वारा २००३8में आयोजित किया गया था । इस अध्ययन में सफलतापूर्वक पूर्वकाल सिंगुलेट प्रांतस्था (एसीसी) एक भागीदार का उपयोग में fMRI संकेत के ऑनलाइन प्रतिक्रिया और आत्म नियमन की व्यवहार्यता का प्रदर्शन किया । प्रतिक्रिया लगभग दो सेकंड की देरी के साथ प्रदर्शित किया गया था, परिमाण के एक आदेश से अधिक तेजी से कुछ पिछले अध्ययनों से । पहले पूर्ण अध्ययन २००४ में आयोजित किया गया था, जहां 6 प्रतिभागियों somatomotor प्रांतस्था की गतिविधि को नियंत्रित करने के लिए सीखा15. FMRI NFT एक ही दिन में प्रदर्शन 3 सत्रों में पूरा किया गया था । वृद्धि हुई गतिविधि स्थानिक somatomotor प्रांतस्था में लक्ष्य क्षेत्र के लिए चयनात्मक एकल विषय और समूह के स्तर पर प्रशिक्षण के पाठ्यक्रम के माध्यम से मनाया गया । नियंत्रण समूह जो एक पृष्ठभूमि क्षेत्र से वास्तविक fMRI जानकारी प्राप्त (कार्य किया जा रहा से संबंधित नहीं) के लिए पहले चलाने में यह प्रभाव नहीं देखा गया था । शोधकर्ताओं ने दिखाया है कि मनुष्य fMRI एसीसी16, प्रमस्तिष्कखंड17, पूर्वकाल insula18,19, श्रवण और सहित कई मस्तिष्क क्षेत्रों से मापा संकेत पर इच्छाशक्ति नियंत्रण सीख सकते हैं ध्यान संबंधित नेटवर्क20, द्विपक्षीय rostrolateral आकडे प्रांतस्था21, dorsolateral आकडे प्रांतस्था12,22,23, मोटर cortices24, 25,26,27,28, प्राथमिक श्रवण प्रांतस्था29,30, भावनात्मक नेटवर्क क्षेत्रों से जुड़े क्षेत्र31,३२ , राइट अवर दलका गाइरस३३, तथा दृश्य cortices३४,३५।

कई neurologic विकारों के अंतर्निहित तंत्र अज्ञात हैं । tinnitus के उदाहरण में, वहां के मामलों के बहुमत में प्रेत ध्वनि के लिए कोई स्पष्ट स्रोत है३६,३७,३८। इस के बावजूद, सबूत एक केंद्रीय तंत्र कुछ व्यक्तियों में tinnitus परसेप्ट के लिए जिंमेदार हो सकता है पता चलता है, के रूप में श्रवण तंत्रिका३९के पूरा विच्छेदन के बाद लक्षण संकल्प की कमी के द्वारा प्रदर्शन किया । सक्रियता tinnitus के साथ जुड़े प्राथमिक श्रवण प्रांतस्था४०,४१,४२में पाया गया है । इसके अलावा सबूत पता चलता है कि tinnitus के प्रभाव भावनाओं और ध्यान राज्य के प्रसंस्करण में शामिल क्षेत्रों में आगे का विस्तार४३। इन विषमताओं के आधार पर, fMRI NFT मानदंड प्रेरित करने के लिए विकसित किया जा सकता है और neuroplastic तंत्र है कि सामांय तंत्रिका पैटर्न को प्रोत्साहित नियंत्रित करते हैं ।

Protocol

< p वर्ग = "jove_content" >

< p class = "jove_content" > निम्न fMRI NFT प्रोटोकॉल का अनुपालन राइट स्टेट यूनिवर्सिटी इंस्टीट्यूशनल रिव्यू बोर्ड द्वारा दिए गए दिशानिर्देशों के अनुरूप है ।

< p class = "jove_title" > 1. नियंत्रण समूह

  1. ध्यान से विचार और निर्धारित नियंत्रण समूहों एक प्राथमिकताओं । डिज़ाइन नियंत्रण समूह (परिकल्पना (es) को मूल्यांकित करने की अनुमति देने के लिए और अतिरिक्त कारकों से प्रभाव के लिए खाता करने के लिए जैसे कि प्रतिक्रिया द्वारा बनाए गए अभ्यास या अपेक्षाओं को प्रदर्शित करता है < सुप वर्ग = "xref" > ४४ .
< p class = "jove_title" > 2. हार्डवेयर सेटअप

  1. सभी हार्डवेयर तैयार करने से पहले भागीदार एमआरआई पारंपरिक fMRI के रूप में एक ही प्रक्रिया का उपयोग कर कमरे में प्रवेश करती है ।
  2. प्रेरणा कंप्यूटर (पीसी) के लिए श्री संगत प्रदर्शन और प्रतिक्रिया डिवाइस प्रणाली कनेक्ट.
  3. मार्ग श्री-संगत प्रतिक्रिया उपकरणों के लिए केबल बिछाने और के माध्यम से या एमआरआई बोर के आसपास headphones.
  4. से कनेक्ट TR-ट्रिगर उत्पादन एमआरआई से उत्तेजना पीसी के लिए.
    नोट: कुछ setups में, यह तो उत्तेजना कंप्यूटर से कनेक्ट करता है जो MR-संगत प्रतिक्रिया डिवाइस हार्डवेयर के लिए कनेक्ट किया जा सकता है । यह सिंक्रनाइज़ेशन उत्तेजनाओं और डेटा प्राप्ति के लिए आवश्यक है.
  5. स्थिति श्री-संगत प्रदर्शन इतना है कि यह दर्पण के माध्यम से भागीदार को दिखाई जाएगी (होना करने के लिए) सिर के तार से चिपका ।
< p class = "jove_title" > 3. प्रतिभागी पोजिशनिंग

< p वर्ग = "jove_content" > नोट: प्रतिभागी स्कैनर टेबल पर एक विशिष्ट मस्तिष्क एमआरआई करने के लिए एक समान तरीके से तैनात किया जाना चाहिए, और पारंपरिक fMRI के रूप में एक ही तरीके से.

  1. प्रतिभागी स्कैनर टेबल पर एक लापरवाह स्थिति में नीचे झूठ है । उंहें पूछने के लिए सिर के तार के अंदर अपने सिर बनाए रखने के लिए ।
  2. पर हेडफोन लगाएं, प्रतिभागी & #39; एस सिर पर रखें और कान को चित करें । यदि अतिरिक्त सुनवाई संरक्षण की आवश्यकता है, सिर फोन स्थिति से पहले कान प्लग डालें ।
  3. भागीदार के तहत एक पैड जगह & #39; s घुटनों जोड़ा आराम के लिए.
  4. जगह में सिर के तार के ऊपरी शरीर ताला ।
  5. सिर के कुंडल को दर्पण ।
    6. भागीदार & #39 में प्रतिसाद डिवाइसेज़ को
  6. ; s हात.
  7. मील का पत्थर के स्थान पर भागीदार & #39; एस nasion स्कैनर के सापेक्ष.
  8. एमआरआई बोर के केंद्र के लिए मील का पत्थर स्थान ले जाएँ.
  9. पुष्टि करते है कि प्रतिभागी मिरर का उपयोग करके संपूर्ण प्रदर्शन देख सकता है । प्रतिभागी को आवश्यक के रूप में दर्पण को समायोजित करने के लिए कहें ।
< p class = "jove_title" > 4. information to Target क्षेत्र

  1. प्रदर्शन a & #34; फंक्शनल & #34; information. (ROI) ब्याज के लक्ष्य क्षेत्र को परिभाषित करने के लिए कार्यात्मक स्थानीयकरण से मस्तिष्क गतिविधि का उपयोग करें < सुप वर्ग = "xref" > ११ .
    नोट: यह रन पारंपरिक fMRI करने के लिए एक समान तरीके से निष्पादित है । हालांकि, लक्ष्य रॉय भी व्यक्तिगत शरीर रचना विज्ञान या मानकीकृत atlases एक कार्यात्मक स्थानीयकरण करने की आवश्यकता को हटाने का उपयोग कर परिभाषित किया जा सकता है ।
    1. भागीदार के लिए पटकथा और/या दृश्य कार्य निर्देश प्रदान करते हैं ।
      नोट: ये निर्देश संक्षिप्त होने चाहिए लेकिन प्रतिभागी को कार्यात्मक स्थानीयकरण के दौरान निष्पादित कार्य सफलतापूर्वक निष्पादित करने की अनुमति देने के लिए पर्याप्त जानकारी होनी चाहिए । यहाँ, निर्देश प्रतिभागी एक डॉट स्क्रीन पर हो जाएगा सूचित और वे headphones में ध्वनियों सुन सकते हैं. अपने लक्ष्य को आराम और डॉट पर ध्यान केंद्रित है ।
    2. श्रव्य उत्तेजनाओं के सिंक्रनाइज़ प्रशासन शुरू ( उदाहरण के लिए, द्विपक्षीय लगातार सफेद शोर < सुप वर्ग = "xref" > 29 ) और डाटा अधिग्रहण को धक्का देकर & #34; स्कैन & #34; MR स्कैनर पर बटन.
      नोट: यह fMRI अधिग्रहण से TR ट्रिगर का उपयोग उत्तेजनाओं की प्रस्तुति प्रोग्रामिंग द्वारा किया जाता है । TR ट्रिगर fMRI प्रोटोकॉल के माध्यम से नियंत्रित हालांकि इस एमआरआई के निर्माता और स्थापित संकुल से प्रभावित हो सकता है । किसी भी दृश्य, haptic, और/या श्रवण उत्तेजनाओं अन्य कार्यों को करने और/या अन्य क्षेत्रों को लक्षित करने के लिए आपूर्ति की जा सकती है ।
      1. एक अवरुद्ध पैटर्न में मिलान नियंत्रण उत्तेजनाओं (कोई शोर) के साथ कार्य उत्तेजनाओं (सफेद शोर) के वितरण वैकल्पिक । कार्य उत्तेजनाओं में सक्रिय अवांछित नेटवर्क/
        को सक्रिय करने के लिए नियंत्रण उत्तेजनाओं का उपयोग करें नोट: यह अदल fMRI अधिग्रहण और निगरानी TR दालों के लिए उत्तेजनाओं तुल्यकालन द्वारा होता है.
      2. इकट्ठा पूरे मस्तिष्क इको planar एक ढाल-वापस बुलाया-प्रतिध्वनि एमआरआई पल्स अनुक्रम का उपयोग कर छवियों; पल्स अनुक्रम के लिए उदाहरण पैरामीटर एक प्राप्ति मैट्रिक्स के चरण और आवृत्ति दिशाओं में ६४ x ६४ तत्वों में शामिल हैं, ४१ स्लाइस करने के लिए समानांतर संरेखित पूर्वकाल संयोजिका-पीछे संयोजिका विमान, ३.७५ x ३.७५ x 3 मिमी 3 voxel आकार, ०.५ mm स्लाइस गैप, वसा दमन सक्षम, TR/TE = 2000/20 एमएस, और एक फ्लिप कोण = ९० & #176;.
  2. fMRI आँकड़ों का उपयोग कर कार्यशील स्थानीयकरण के दौरान एकत्रित बहुभिंनरूपी डेटा से एक सक्रियण मानचित्र की गणना.
    नोट: निम्न चरणों का पालन संसाधन पारंपरिक fMRI के लिए प्रदर्शन का एक भिन्न हैं । कुछ चरणों को निकाला या संसाधन समय कम करने के लिए सरलीकृत किया गया है ।
    1. मानक पूर्व-प्रोसेसिंग तकनीकों से बनाए गए कस्टम सॉफ़्टवेयर का उपयोग करके डेटा प्राप्ति के दौरान डेटा का संसाधन < सुप वर्ग = "xref" > 12 , < सुप वर्ग = "xref" > ४५ .
      1. एक गाऊसी कम पास कर्नेल का उपयोग कर 3 डी स्थानिक फ़िल्टरिंग प्रदर्शन (पूर्ण-चौड़ाई ४.५ मिमी की आधी अधिकतम).
      2. प्रत्येक खंड के कार्यात्मक स्थानीयकरण त्रि-रेखीय इंटरपोल का उपयोग कर के पहले खंड के लिए द्रव्यमान का केंद्र संरेखित करके शोधों की गति के लिए सही है ।
      3. के साथ एक गाऊसी कम-पास कर्नेल का उपयोग कर अस्थाई फ़िल्टरिंग प्रदर्शन & #963; = ३ एस.
    2. कार्य करने के लिए neurophysiological प्रतिसाद का पूर्वानुमान करने के लिए एक मॉडल बनाएं; यह पारंपरिक fMRI के रूप में एक ही तरीके से किया जाता है ।
      1. एक मनोवैज्ञानिक मॉडल है जो प्रत्येक समय के लिए सक्रिय और बाकी राज्यों का वर्णन करता है बिंदु < सुप वर्ग = "xref" > ४६ . इस मॉडल के साथ कार्य के दौरान समय अंक & #39; 1 & #39; और एक & #39 के साथ नियंत्रण; 0 & #39;.
      2. Convolve एक पूर्वनिर्धारित Hemodynamic प्रतिक्रिया समारोह (HRF) के साथ मनोवैज्ञानिक मॉडल < सुप वर्ग = "xref" > ४६ कार्य की fMRI (neurophysiological) प्रतिक्रिया की भविष्यवाणी करना.
    3. एक सामान्य रेखीय मॉडल (voxel) का उपयोग कर neurophysiological मॉडल के लिए समय के एक समारोह के रूप में प्रत्येक GLM पर fMRI डेटा फिट. यह एक & #946; पैरामीटर मैप में परिणाम, जो t- या z -सांख्यिकीय मानचित्र (सक्रियण मानचित्र) का उपयोग कर मानक सांख्यिकीय ट्रांस्फ़ॉर्म में कनवर्ट किया जाता है ।
  3. एक मतलब fMRI छवि पर मढ़ा सक्रियण मानचित्र का उपयोग करने के लिए क्षेत्र में जो बाद में neurofeedback के लिए प्रतिक्रिया संकेत प्राप्त किया जाएगा निर्धारित करने के लिए ।
    नोट: यह कस्टम सॉफ़्टवेयर का उपयोग किया जाता है । वैश्विक और विशिष्ट परिवर्तनों को निकालने के लिए, कोई दूसरा ROI भी निर्धारित किया जा सकता है ।
    1. माउस स्लाइडर पहिया या स्लाइस स्लाइडर पट्टी का उपयोग कर स्लाइस के माध्यम से नेविगेट करने के लिए संरचनात्मक मार्करों में दिखाई दे चएमआरआई डाटा जैसे पार्श्व निलय के ललाट हॉर्न की अवर सतह < सुप क्लास = "xref" > 12 .
    2. थ्रेशोल्ड voxels सबसे मजबूती से लक्षित क्षेत्र में कार्यात्मक स्थानीयकरण के दौरान सक्रिय प्रकट करने के लिए थ्रेशोल्ड स्लाइडर पट्टी का उपयोग करते हुए सक्रियण मैप ।
      1. किसी प्राथमिकताओं या मैन्युअल रूप से थ्रेशोल्ड समायोजित करके थ्रेशोल्ड का चयन करके यह निष्पादित करें.
    3. चयनित थ्रेशोल्ड के ऊपर सक्रियण के साथ और ROI में जोड़ने के लिए लक्ष्य क्षेत्र के अंतर्गत व्यक्तिगत voxels का चयन करने के लिए बाएँ माउस बटन का उपयोग करें.
      नोट: Voxels एक या अधिक स्लाइस से चुना जा सकता है ।
< p class = "jove_title" > 5. fMRI NFT

  1. आचरण neurofeedback बारी कार्य और नियंत्रण की स्थिति के साथ एक मालगाड़ी मॉडल का उपयोग कर चलाता है ।
    1. एक कार्य शर्त को लागू जहां प्रतिभागियों को बढ़ाने या लक्ष्य क्षेत्र की गतिविधि कम, नियंत्रण की दिशा के साथ वांछित परिणाम प्राप्त करने के लिए महत्वपूर्ण जा रहा है ।
      नोट: उदाहरण के लिए, मस्तिष्क के कई क्षेत्रों tinnitus के साथ रोगियों में अतिसक्रिय है और, इसलिए, कम गतिविधि सामांय तंत्रिका पैटर्न को प्रोत्साहित कर सकते हैं ।
    2. वैकल्पिक एक नियंत्रण शर्त के साथ कार्य शर्त जहां प्रतिभागियों गतिविधि वापस आराम और उनके मन समाशोधन द्वारा आराम करने के लिए ।
    3. को ध्यान में रखना कार्यों के एक पटकथा उदाहरण के साथ भागीदार प्रदान करने के लिए वांछित राज्यों की ओर मस्तिष्क गतिविधि नियमन के लिए एड्स शुरू करने के रूप में दोनों स्थितियों के दौरान इस्तेमाल किया जाएगा । प्रतिभागी को सचेतन कार्य करने के लिए निर्देश दें कि वांछित राज्यों की ओर मस्तिष्क गतिविधि को चलाओ ।
      1. tinnitus के उदाहरण में, प्रतिभागियों को निर्देश ध्यान से दूर श्रवण प्रणाली के लिए अंय संवेदी प्रणालियों के लिए श्रवण गतिविधि को कम करने के लिए ।
    4. आधारभूत गणना
      नोट: प्रत्येक रन से पहले एमआरआई हार्डवेयर घटकों की ट्यूनिंग के कारण, आधार रेखा के भागीदार के लिए प्रतिक्रिया प्रस्तुत करने से पहले डेटा को सामान्य करने के लिए उपयोग किया जाता है. आधारभूत औसत लक्ष्य क्षेत्र के लिए प्रत्येक fMRI के आरंभ में प्राप्त एक या अधिक वॉल्यूम का एक औसत का उपयोग करके निर्धारित किया गया है NFT रन < सुप वर्ग = "xref" > १२ , < सुप वर्ग = "xref" > ४७ .
      1. प्रतिभागी स्कैन की शुरुआत में प्रस्तुत एक उलटी गिनती के दौरान आराम करने के लिए निर्देश. & #160;
  2. शुरू होता है सिंक्रनाइज़ उत्तेजनाओं प्रस्तुति और डेटा अधिग्रहण दबाकर & #34; स्कैन & #34; बटन एमआरआई स्कैनर पर । एक ढाल वापस बुलाया-प्रतिध्वनि एमआरआई पल्स अनुक्रम के रूप में एक ही तरीके से के रूप में कार्यात्मक स्थानीयकरण के लिए निर्धारित चरण में 4.1.2.
    3. का उपयोग कर इको planar छवियों लीजिए
  3. आधारभूत मात्रा प्राप्त करते हैं ।
    1. नेत्रहीन एक उलटी गिनती टाइमर और रिक्त प्रतिक्रिया प्रदर्शन उपस्थित ।
    2. कस्टम सॉफ्टवेयर का उपयोग कर अधिग्रहण के दौरान डेटा प्रक्रिया ।
      1. एक गाऊसी कम पास कर्नेल का उपयोग कर 3 डी स्थानिक फ़िल्टरिंग प्रदर्शन (पूर्ण-चौड़ाई ४.५ मिमी की आधी अधिकतम).
      2. प्रत्येक खंड के लिए बड़े पैमाने पर केंद्र का उपयोग कर शोधों की गति के लिए सही है; प्रत्येक खंड त्रि-रेखीय प्रक्षेप का उपयोग कार्यात्मक स्थानीयकरण के पहले खंड के लिए पंजीकृत है ।
      3. समय और स्थान दोनों भर में लक्ष्य ROI से औसत सिग्नल की गणना करता है.
      4. प्रत्येक खंड में लक्ष्य रॉय के भीतर सभी voxels से संकेतों का योग ।
      5. प्रत्येक खंड के लिए रॉय औसत बनाने के लिए रॉय में voxels की संख्या से राशि विभाजित करके ।
      6. औसत आधारभूत वॉल्यूंस से रकम ।
  4. मोल neurofeedback खंड
    1. कस्टम सॉफ़्टवेयर का उपयोग करके प्राप्ति के दौरान डेटा की प्रक्रिया ।
      1. एक गाऊसी कम पास कर्नेल का उपयोग कर 3 डी स्थानिक फ़िल्टरिंग प्रदर्शन (पूर्ण-चौड़ाई ४.५ मिमी की आधी अधिकतम).
      2. प्रत्येक खंड के कार्यात्मक स्थानीयकरण त्रि-रेखीय इंटरपोल का उपयोग कर के पहले खंड के लिए द्रव्यमान का केंद्र संरेखित करके शोधों की गति के लिए सही है ।
    2. प्रतिक्रिया संकेत गणना । एक प्रतिक्रिया संकेत fMRI NFT के दौरान प्रत्येक अधिग्रहीत मात्रा से व्युत्पंन है । यह जानकारी है कि भागीदार के लिए प्रस्तुत किया है सीखने इच्छाशक्ति नियंत्रण सहायता है ।
      1. औसत लक्ष्य ROI के भीतर सभी voxels से fMRI संकेत एक ही मूल्य बनाने के लिए.
      2. वर्तमान roi औसत और roi आधार रेखा औसत के बीच प्रतिशत परिवर्तन की गणना. वैकल्पिक रूप से, यह संकेत भागीदार & #39; s प्रदर्शन पर निर्भर एक कारक द्वारा स्केल किया जा सकता है ।
      3. लौकिक फ़िल्टरिंग द्वारा प्रतिक्रिया संकेत गणना (3 केवल पिछले घटकों से मिलकर एस के एक सिग्मा के साथ कम पास कर्नेल गाऊसी) पिछले neurofeedback संस्करणों से प्रतिक्रिया संकेतों के साथ वर्तमान प्रतिशत परिवर्तन.
    3. प्रतिक्रिया संकेत प्रदर्शित करें ।
      1. एक थर्मामीटर शैली बार भूखंड के माध्यम से वर्तमान प्रतिक्रिया संकेत प्रदर्शन, जहां बार की ऊंचाई प्रतिक्रिया मान के लिए आनुपातिक है < सुप class = "xref" > 18 , < सुप class = "xref" > 19 , < सुप class = "xref" > 21 , < सुप वर्ग = "xref" > ३४ .
        2. प्रतिक्रिया प्रदर्शन पर भागीदार के लिए
      2. ओवरले निर्देश.
        नोट: इन निर्देशों सरल कर रहे हैं, और भागीदार को आराम करने के लिए निर्देशित करना चाहिए, या बढ़ाने या कम गतिविधि ( यानी थर्मामीटर बार ).
    4. वैकल्पिक थप उत्तेजना प्रदान गर्ने । अतिरिक्त दृश्य, श्रवण, या haptic उत्तेजना प्रतिक्रिया के साथ समवर्ती प्रस्तुत किया जा सकता है ।
< p class = "jove_title" > 6. लक्ष्य रॉय को स्वयं विनियमित करने की क्षमता का आकलन करें.

< p class = "jove_content" > नोट: neurofeedback के पूरा होने के बाद, प्रशिक्षण के प्रत्येक रन के लिए लक्ष्य क्षेत्र को स्व-विनियमित करने की क्षमता को मात्रा किया जाना चाहिए ।

  1. प्रतिक्रिया संकेतों में इंट्रा विषय परिवर्तन का विश्लेषण < सुप वर्ग = "xref" > १२ .
    1. एक मनोवैज्ञानिक neurofeedback.
      के बाकी और कार्य की स्थिति का प्रतिनिधित्व मॉडल बनाएं नोट: यह मॉडल एक neurophysiological मॉडल का उत्पादन करने के लिए एक पूर्वनिर्धारित HRF के साथ convolved है । प्रक्रिया है कि कार्यात्मक स्थानीयकरण के लिए वर्णित के रूप में ही है ।
    2. एक GLM का उपयोग कर neurophysiological मॉडल के लिए प्रतिक्रिया संकेत समय श्रृंखला फिट । यह एक & #946; पैरामीटर में परिणाम है, जो t- या z -सांख्यिकीय प्रतिनिधि को स्वयं-विनियमित करने की क्षमता में परिवर्तित किया जाता है.
  2. प्रदर्शन अंतर विषयी तुलना.
    नोट: स्व-विनियमन के सांख्यिकी प्रतिनिधि प्रदर्शन की तुलना में रन और समूहों के लिए उपयुक्त सांख्यिकीय विश्लेषण का उपयोग कर सकते है ( उदा, & #160; मीन्स t- tests or ANOVAs). ये परीक्षण प्रशिक्षण और समूहों में लक्ष्य क्षेत्र को स्व-विनियमित करने की क्षमता में परिवर्तन का मूल्यांकन करते हैं, और अध्ययन & #39; s परिकल्पना (es) का मूल्यांकन करने के लिए उपयोग किया जा सकता है.

Representative Results

हमारी टीम वाम dorsolateral प्रांतस्था (DLPFC) 18 प्रतिभागियों के एक पलटन में fMRI NFT से सीखा पर नियंत्रण में एक उल्लेखनीय वृद्धि का प्रदर्शन किया है । एक के भीतर-विषय एक तरह से ANOVA इच्छाशक्ति नियंत्रण के मात्रात्मक मूल्यों पर किया गया था12। इस विश्लेषण से पता चला बाईं DLPFC के नियंत्रण में काफी वृद्धि हुई 5 x
6 मिनट: 24 एस neurofeedback के रन 14 डी के भीतर आयोजित पांच अलग सत्रों में अलग (चित्र 1; एफ(4, 68) = २.२१६, पी = ०.०३८, sphericity ग्रहण, एक पूंछ) । एक जटिल मल्टीटास्किंग परीक्षण पर प्रदर्शन में परिवर्तन, NFT से पहले और बाद में प्रदर्शन किया, जो 2 एक्स 2 मिश्रित मॉडल ANOVAs का उपयोग neurofeedback प्राप्त नहीं किया एक समूह की तुलना में थे. पोस्ट-हॉक, Bonferroni-सही तुलना एक जटिल मल्टीटास्किंग परीक्षण जो अतिरिक्त प्रशिक्षण प्राप्त नहीं हुआ पर प्रदर्शन में उल्लेखनीय वृद्धि का पता चला (p & #60; ०.००५, एक पूंछ), और यह वृद्धि एक नियंत्रण समूह से काफी अधिक था जो समान प्रशिक्षण का प्रदर्शन किया लेकिन neurofeedback (p & #60; ०.०३, sphericity ग्रहण, वन-पुच्छ)12की अतिरिक्त सहायता से उपलब्ध नहीं कराया गया । प्रयोग समूह प्रशिक्षण के पार छोड़ दिया DLPFC पर नियंत्रण पाने के बावजूद, एक पठार नहीं मनाया गया । यह दर्शाता है कि अधिकतम नियंत्रण व्यवहार के परिणाम का उत्पादन करने के लिए आवश्यक नहीं है और यह भी अधिक से अधिक प्रभाव आगे प्रशिक्षण12के साथ संभव हो सकता है । इसके अलावा, हमारी टीम से पता चला fMRI NFT के साथ संयुक्त n-वापस अभ्यास मस्तिष्क गतिविधि है कि लक्ष्य क्षेत्र तक ही सीमित है में फोकल परिवर्तन बनाता है और अप को प्रभावित नहीं करता है या नीचे काम स्मृति नेटवर्क के स्ट्रीम घटकों (चित्रा 2) 22.

tinnitus के बारे में, एक पिछले अध्ययन एक संभावित उपचार के रूप में fMRI NFT की जांच की है29। इस अध्ययन में neurofeedback के ४ एक्स ४ मिन रन एकल प्रशिक्षण सत्र में पूरे किए गए. tinnitus के व्यवहार के आकलन से पहले और एकल fMRI NFT सत्र के बाद आयोजित किया गया । सफल इच्छाशक्ति नीचे-श्रवण प्रांतस्था के विनियमन प्राप्त किया गया था, और श्रवण सक्रियण में एक महत्वपूर्ण कमी करने के लिए नेतृत्व किया । इस अध्ययन tinnitus के इलाज में fMRI NFT के वादे को दर्शाता है, तथापि, केवल छह प्रतिभागियों का अध्ययन किया गया और एक नियंत्रण समूह तुलना के लिए उपयोग नहीं किया गया । इसके अलावा, व्यवहार डेटा सहित सांख्यिकीय विश्लेषण नहीं किया गया । इस अध्ययन पर विस्तार tinnitus के रोगियों के लिए दिलचस्प नए उपचार के अवसर प्रकट हो सकता है ।

Figure 1
चित्र 1: बाएं DLPFC पर नियंत्रण बढ़ाना. प्रत्येक neurofeedback रन के लिए औसत वाम DLPFC नियंत्रण (अलग दिन पर प्रदर्शन) हल्के हरे रंग हलकों द्वारा संकेत कर रहे हैं । एक रेखीय प्रतिगमन विश्लेषण प्रशिक्षण में नियंत्रण में एक महत्वपूर्ण वृद्धि (डार्क ग्रीन लाइन; β = १.०७८, p & #60; ०.०३३) का पता चला । त्रुटि पट्टियां शेरवुड एट अल से 1 SEM. unसंशोधित कार्य का प्रतिनिधित्व करते हैं । 12, क्रिएटिव कॉमंस रोपण लाइसेंस के तहत पुनर्मुद्रित । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Figure 2
चित्रा 2: सीखने का स्थानीयकृत प्रभाव वाम DLPFC नियंत्रण. (क) fMRI NFT के लिए voxel शामिल करने की प्रायिकता एक n-पीछे कार्यात्मक स्थानीयकरण से चयनित है. हल्के नीले voxels NFT लक्ष्य क्षेत्र में अक्सर शामिल थे, गहरे नीले voxels कम बार शामिल थे, और स्पष्ट voxels शामिल नहीं थे । (ख) प्रशिक्षण सत्र के मुख्य प्रभाव (लाल-पीली) के लिए Voxel-आधारित ANOVA परिणाम । इस आशय के बाईं DLPFC ROIs NFT के लिए लक्षित के साथ एक बड़े ओवरलैप दिखाया । अक्षीय स्लाइस रेडियोलॉजिकल कन्वेंशन में निर्देशांक z = 22, 26, 30, ३४, और ३८ मिमी (दाएँ से बाएँ) में प्रदर्शित किए जाते हैं । शेरवुड एट अल से संशोधित कार्य । 22, क्रिएटिव कॉमंस रोपण लाइसेंस के तहत पुनर्मुद्रित । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।

Discussion

fMRI NFT प्रोटोकॉल पर चर्चा के साथ साथ मस्तिष्क के किसी भी क्षेत्र को लक्षित अनुकूलित किया जा सकता है, और चर्चा एक univariate, रॉय-neurofeedback के लिए दृष्टिकोण पर आधारित है । यह अंय क्षेत्रों को सक्रिय करने के लिए अतिरिक्त कार्यात्मक स्थानीयकरण कार्यों प्रोग्रामिंग द्वारा प्राप्त किया जा सकता है । कस्टम neurofeedback सॉफ्टवेयर में इन कार्यों को शामिल करके, हम एक बहुत ही सरल प्रक्रिया विकसित की है । वहां है, तथापि, एक सीमा: लक्ष्य क्षेत्र कार्यात्मक परिभाषित किया जाना चाहिए । इस समय, सॉफ्टवेयर है कि हमारी टीम विकसित की है कार्यात्मक और शारीरिक छवियों के बीच कोई पंजीकरण नहीं करते । इसलिए, अंय ROI चयन विधियों, जैसे एटलस-आधारित ROIs, को इस समय कार्यांवित नहीं किया जा सकता । इसके अलावा, उत्तेजनाओं और neurofeedback के लिए पैरामीटर (उदा., ब्लॉक अवधि, ब्लॉक की संख्या, और TR सहित इमेजिंग मापदंडों) आसानी से ऑपरेटर द्वारा हेरफेर किया जा सकता है । इसके अतिरिक्त, neurofeedback के अभाव में लक्ष्य रॉय को स्वयं विनियमित करने की क्षमता का मूल्यांकन करने के लिए स्थानांतरण चलता है कार्यांवित किया जा सकता है । सॉफ्टवेयर हम विकसित किया है बहुभिंनरूपी पैटर्न३५,४८ या मस्तिष्क क्षेत्रों४९के बीच कनेक्टिविटी का उपयोग neurofeedback प्रदान नहीं करता है ।

FMRI NFT neurofeedback के अंय रूपों पर महत्वपूर्ण लाभ प्रदान करता है, लेकिन यह भी अपनी सीमाएं हैं । fMRI NFT का मुख्य लाभ स्थानिक संकल्प है जो NFT के अन्य सभी रूपों जैसे इलॅक्ट्रोसेफेलॉग्राम (ईईजी)-आधारित neurofeedback को बेहतर बनाता है । संवर्धित स्थानिक संकल्प विशिष्ट मस्तिष्क संरचनाओं में सक्षम बनाता है/५०लक्षित करने के लिए पूरे मस्तिष्क में कार्य करता है । वर्तमान में, इस तरह के pharmacotherapy, जो व्यवस्थित कर रहे है के रूप में अंय चिकित्सा के साथ प्राप्त नहीं है । हालांकि, fMRI NFT की प्रमुख खामी समय देरी है । न केवल ईईजी की तुलना में बहुत धीमी दर नमूने हैं (परिमाण धीमी के 3 आदेश तक), hemodynamic fMRI संकेत के साथ जुड़े अंतराल आगे इस देरी के लिए कहते हैं. इस के बावजूद, वहां भारी सबूत है कि प्रतिभागियों को इस देरी को दूर कर सकते है और अभ्यास के साथ, के लिए मस्तिष्क गतिविधि नियंत्रण सीखना (जैसे, एक समीक्षा के लिए िोने एट अल देखें । ११ आणि Scharnowski एट अल. ५०).

fMRI NFT की लोकप्रियता बढ़ रही है लेकिन यह शैशव अवस्था में ही रहता है । इसके कारण, आम प्रथाओं को अभी तक अपनाया है । वर्णित प्रोटोकॉल विवरण विधियां जो वैज्ञानिक रूप से स्वीकार की जाती हैं । उदाहरण के लिए, प्रतिक्रिया प्रदर्शित करता है के कई रूपों एक थर्मामीटर शैली पट्टी प्लॉट18,19,21,३४सहित विभिंन अध्ययनों में उपयोग किया गया है । इसके अलावा, एक प्रतिक्रिया संकेत एक आधारभूत लक्ष्य क्षेत्र से गणना के साथ प्रतिशत संकेत परिवर्तन के रूप में प्रस्तुत भी बड़े पैमाने पर लागू किया गया है12,19,21,25 , 30 , ५१ , ५२.

मस्तिष्क में प्लास्टिक प्रभाव को नियंत्रित करने के लिए एक अभिनव चिकित्सीय तकनीक प्रदान करता है neurologic विकारों या मस्तिष्क चोटों असामान्य मस्तिष्क गतिविधि के साथ इलाज करने के लिए, जैसे कि ऊपर चर्चा tinnitus के साथ जुड़े. हालांकि व्यवहार प्रभाव में neuromodulation अनुवाद सटीक तंत्र अभी भी अज्ञात हैं, fMRI NFT LTP11के साथ संबद्ध किया गया है । सीखने की प्रक्रिया के माध्यम से, व्यवहार प्रबलित है जब एक सक्रिय रूप से कार्य से संबंधित मस्तिष्क नेटवर्क में मस्तिष्क गतिविधि को नियंत्रित करता है । neuroplastic तंत्र की सगाई में इस तरह के सुदृढीकरण परिणाम नेटवर्क के कारण और अधिक कुशलता से क्रियांवित । इस तरह के ईईजी-आधारित neurofeedback के रूप में अंय NFT तकनीकों के साथ मेल खाता है जहां व्यक्तियों को विद्युत खोपड़ी के स्थानीय क्षेत्रों से मापा संकेतों की आवृत्ति बैंड को नियंत्रित करने के लिए प्रशिक्षित किया जाता है५३,५४,५५ . दूसरों को synaptic प्लास्टिक से बढ़ाया synaptic दक्षता में जिसके परिणामस्वरूप से LTP संकेत दिया है12। अभी तक एक और postulation पता चलता है सेलुलर तंत्र सीखने की वोल्टेज में परिवर्तन पर निर्भर झिल्ली कंडक्टर जो तंत्रिका उत्तेजक13में परिवर्तन के रूप में व्यक्त किया जाता है शामिल हो सकता है । किसी भी मामले में, ऐसा लगता है कि fMRI NFT सेलुलर स्तर पर परिवर्तन का कारण बनता है, और है कि व्यक्ति को इन प्रक्रियाओं पर कुछ नियंत्रण सीख सकते हैं । इस क्षमता और इन परिवर्तनों के बारे में सीखने और मस्तिष्क चोटों और neurologic विकारों के लिए उपचार के विकास में महत्वपूर्ण हो सकता है ।

fMRI NFT का एक महत्वपूर्ण पहलू व्यवहार में परिवर्तन के उपाय है । यह कई परिकल्पनाओं जो व्यवहार NFT प्रेरित तंत्रिका परिवर्तन से प्रेरित परिवर्तन की भविष्यवाणी करने के लिए आवश्यक है । एक कम से कम, इन आकलन दो समय अंक में एकत्र किया जाना चाहिए: करने से पहले और NFT निंनलिखित । tinnitus के मामले में, इन व्यवहार आकलन केवल व्यक्तिपरक प्रश्नावली के रूप में वहां tinnitus के लिए कोई सीधा उपाय है शामिल हो सकता है । अंय neurologic विकारों के लिए, एक साहित्य की समीक्षा के लिए उपयुक्त, उचित निर्धारित करने के लिए आयोजित किया जाना चाहिए, और विशिष्ट परिकल्पना (es) के लिए प्रलेखित आकलन जांच की जा रही है । कुछ परिकल्पनाओं में अतिरिक्त समय बिंदुओं पर माप की आवश्यकता होती है, जैसे कि fMRI NFT के निकट, लघु और दीर्घकालिक प्रभाव तलाशने वाले । कुछ आकलन NFT से पहले प्रशिक्षण की आवश्यकता हो सकती है सीखने के प्रभाव को कम करने के लिए । अंय परिकल्पना भी मस्तिष्क चयापचयों, सेरेब्रल छिड़काव, या कार्यात्मक नेटवर्क के स्तर में रुचि रखने वालों के रूप में neurologic परीक्षण की आवश्यकता हो सकती है ।

fMRI NFT प्रक्रिया में दो महत्वपूर्ण चरण हैं । पहले neurofeedback के लिए लक्ष्य के लिए एक मस्तिष्क क्षेत्र का निर्धारण है । किसी भी प्रक्रिया का संचालन करने से पहले, एक संपूर्ण साहित्य की समीक्षा तंत्रिका रास्ते और महत्वपूर्ण संरचनाओं/neurologic विकार या मस्तिष्क चोट के साथ जुड़े कार्यों की जांच करने के लिए आयोजित किया जाना चाहिए । इस से, मुख्य संरचनाओं/कार्य neurofeedback के लिए लक्ष्य के रूप में सावधानी से चुना जाना चाहिए । अगले, एक और साहित्य की समीक्षा के लिए इस संरचना से जुड़े कार्यों की जांच प्रदर्शन/ यह कार्य या विकार के साथ संबद्ध नहीं हो सकता है, लेकिन यह है कि कार्य निर्दिष्ट जनसंख्या में वांछित क्षेत्र (ओं) को सक्रिय करता है की पुष्टि की जानी चाहिए । neurofeedback कार्यविधियों के दौरान, इस लक्ष्य क्षेत्र का चयन किसी व्यक्तिगत आधार पर या तो पहले सत्र में या प्रत्येक सत्र में किया जाएगा । इसलिए, अंतर-और इंट्रा-विषय परिवर्तनशीलता महत्वपूर्ण कारक हो सकती है जो अप्रत्याशित परिणाम दे सकता है । यह लक्ष्य क्षेत्र का चयन करें और पर्याप्त कर्मियों के प्रशिक्षण का संचालन करने के लिए एक प्रोटोकॉल बनाने के लिए महत्वपूर्ण है । लक्ष्य ROI को परिभाषित करने के लिए दो विधियाँ हैं: शारीरिक और कार्यात्मकता. शारीरिक परिभाषा संरचनात्मक एमआरआई का उपयोग करने के लिए शरीर रचना विज्ञान से सख्ती से परिभाषित क्षेत्र को स्कैन,और संभवतः एक मानक एटलस का उपयोग कर । कार्यात्मक छवियों संरचनात्मक छवियों के लिए पंजीकृत हैं, और लक्ष्य क्षेत्र कार्यात्मक अंतरिक्ष21,26में तब्दील हो गया है । कार्यात्मक विधि में, लक्ष्य क्षेत्र एक कार्यात्मक स्थानीयकरण11,12,24,29,४४के आयोजन द्वारा उत्पादित एक सक्रियकरण नक्शे से चुना जाता है । इस विधि पर चर्चा करवायी गई ।

fMRI NFT में दूसरा महत्वपूर्ण चरण नियंत्रण समूह चयन है. नियंत्रण समूह fMRI NFT के प्रभाव का निर्धारण करने में महत्वपूर्ण हैं, और नियंत्रण समूहों के चयन सावधानी से विचार किया जाना चाहिए । पिछले अध्ययनों में नियंत्रण की एक विस्तृत श्रृंखला का उपयोग किया है । किसी नियंत्रण समूह के लिए एक सामान्य कार्यविधि अन्तर्वासना प्रतिक्रिया की उपस्थिति में इच्छाशक्ति नियंत्रण का प्रयास करने के लिए है । यह प्रतिक्रिया प्रयोगात्मक समूह में एक भागीदार से21,४४, प्रतिभागी17,३३के लिए वांछित प्रक्रिया नामालूम में शामिल नहीं एक क्षेत्र से प्रदान की जा सकती है, ४४, या औंधा५२। अंय अध्ययनों से नियंत्रण समूहों का उपयोग किया है जो इच्छाशक्ति नियंत्रण का प्रयास है लेकिन neurofeedback12,21,४४,५६के साथ प्रदान नहीं कर रहे हैं ।

एक पिछले अध्ययन से पता चलता है कि जब विषयों को अन्तर्वासना प्रतिक्रिया को नियंत्रित करने का प्रयास, वहाँ द्विपक्षीय insula में सक्रियण में वृद्धि हुई है, पूर्वकाल सिंगुलेट, अनुपूरक मोटर, dorsomedial और पार्श्व ललाट क्षेत्रों में निष्क्रिय एक देखने की तुलना में जब फ़ीडबैक५७प्रदर्शित करें । इन निष्कर्षों एक व्यापक fronto-पार्श्विका और cingulo-opercular नेटवर्क फंसाने जब मस्तिष्क गतिविधि को नियंत्रित करने के इरादे है सक्रिय है । इसके अलावा, इन निष्कर्षों का सुझाव पारंपरिक नियंत्रण NFT प्रयोगों में इस्तेमाल किया समूहों तंत्रिका संज्ञानात्मक नियंत्रण के अनुरूप, यहां तक कि अन्तर्वासना प्रतिक्रिया की उपस्थिति में संबंधित का उपयोग करेगा. एक अलग मेटा विश्लेषण पूर्वकाल insula और बेसल गैंग्लिया में गतिविधि का पता चला, दोनों जिनमें से संज्ञानात्मक नियंत्रण और अंय उच्च संज्ञानात्मक कार्यों में शामिल क्षेत्रों रहे हैं, इच्छाशक्ति नियंत्रण५८प्रयास करने के लिए महत्वपूर्ण घटक थे । मेटा विश्लेषण के परिणाम पुष्टि पिछले खोज५७। एक साथ लिया, यह सबूत पता चलता है कि यह सफल इच्छाशक्ति नियंत्रण और स्वयं के प्रयास से संबंधित के चित्रित प्रभाव के लिए महत्वपूर्ण है विनियमन । इसलिए, नियंत्रण समूहों के शामिल किए जाने का प्रयास नहीं है जो स्वयं विनियमन महत्वपूर्ण हो सकता है ।

हालांकि, पिछले अध्ययनों से जहां नियंत्रण समूहों शम fMRI संकेत प्राप्त लक्ष्य रॉय गतिविधि में अंतर से पता चला है जो सच राय15,16,17प्राप्त से मनाया गया, 18 , 20 , 21 , 25 , 26 , 28 , ३३ , ३४ , ४४, प्रशिक्षण रणनीतियों है कि प्रतिक्रिया शामिल नहीं है जिसका अर्थ लक्ष्य क्षेत्र संग्राहक में प्रभावी नहीं हैं । इसके अतिरिक्त, नियंत्रण समूह जो समान निर्देश और प्रशिक्षण की एक ही अवधि प्राप्त है लेकिन मस्तिष्क गतिविधि के वर्तमान स्तर पर प्रतिक्रिया प्राप्त नहीं किया प्रयोगात्मक समूहों के रूप में समान व्यवहार परिणाम प्रदर्शित नहीं किया था, जो दिया गया neurofeedback12,18,21,३२,४४,५९. इन निष्कर्षों का सुझाव है कि अनुभव के प्रभाव fMRI NFT-प्रेरित सीखने के बजाय अंय सीखने या गैर विशिष्ट परिवर्तन के कारण हैं । इसलिए, विशिष्ट प्रशिक्षण परहेजों विकसित किया जाना चाहिए जो विशिष्ट neurophysiological सिस्टम इच्छित प्रभाव प्राप्त करने के लिए लक्ष्य । नियंत्रण समूहों की एक किस्म के साथ एक अध्ययन से परिणाम व्यवहार प्रशिक्षण, अभ्यास, संवेदी प्रतिक्रिया इंगित करते हैं, और अकेले biofeedback जो fMRI NFT४४प्राप्त के रूप में समकक्ष व्यवहार प्रभाव का उत्पादन नहीं करते हैं ।

Disclosures

लेखकों का खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

यह सामग्री समझौते संख्या FA8650-16-2-6702 के तहत अमेरिकी वायु सेना द्वारा प्रायोजित अनुसंधान पर आधारित है । विचार व्यक्त लेखकों के है और सरकारी विचारों या रक्षा विभाग और उसके घटकों की नीति को प्रतिबिंबित नहीं करते हैं । अमेरिकी सरकार को पुन: पेश करने और किसी भी कॉपीराइट संकेतन के बावजूद सरकारी प्रयोजनों के लिए पुनर्मुद्रण वितरित करने के लिए अधिकृत है । इस अनुसंधान में प्रयुक्त विषयों की स्वैच्छिक, पूर्णत: सूचित सहमति ३२ CFR २१९ और डोडी 3216.02 _afi 40-402 द्वारा आवश्यकतानुसार प्राप्त की गई थी ।

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

तंत्रिका विज्ञान अंक १२६ fMRI neurofeedback neurologic विकारों tinnitus neuroplasticity दीर्घकालिक potentiation
वास्तविक समय fMRI Neurofeedback प्रशिक्षण के प्रशासन के लिए एक प्रोटोकॉल
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