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 protokoll for administrasjon av Real-Time fMRI Neurofeedback opplæring

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 å indusere og/eller kontrollere nevrale plastisitet kan være avgjørende i fremtidige behandlinger for nevrologiske lidelser og utvinning hjerneskade. I dette papiret presenterer vi en protokoll for bruk av neurofeedback trening med funksjonell magnetisk resonans imaging å modulere menneskelige hjernefunksjon.

Abstract

Nevrologiske lidelser er preget av unormal mobil-, molekylær-, og krets-nivå funksjoner i hjernen. Nye metoder å indusere og kontrollere neuroplastic prosesser og unormale fungerer, eller selv Skift funksjoner fra skadet vev til fysiologisk sunn hjernens områder, holder potensial til å dramatisk forbedre generell helse. Gjeldende neuroplastic intervensjon i utvikling har neurofeedback trening (NFT) fra funksjonell magnetisk resonans Imaging (fMRI) fordelene av å være fullstendig non-invasiv, ikke-pharmacologic og romlig lokalisert til målet hjernen regioner, samt har ingen kjente bivirkninger. Videre kan NFT teknikker, først utviklet ved hjelp av fMRI, ofte oversettes til øvelser som kan utføres utenfor skanneren uten hjelp av helsepersonell eller avansert medisinsk utstyr. I fMRI NFT, er fMRI signalet målt fra bestemte regioner av hjernen, behandlet, og presentert for deltakeren i sanntid. Gjennom opplæring utvikles selvstyrt mentale behandling teknikker, som regulerer signalet og dets underliggende neurophysiologic korrelerer. FMRI NFT har blitt brukt for volitional kontroll over en rekke områder av hjernen med implikasjoner for flere ulike kognitive, atferdsmessige og motor systemer. I tillegg fMRI NFT har vist lovende i en rekke programmer som behandlingen av nevrologiske lidelser og augmentation av planlagte menneskelig ytelse. I denne artikkelen presenterer vi en fMRI NFT protokoll utviklet på våre institusjon for modulering av både sunn og unormale hjernefunksjon, i tillegg til eksempler på bruk av metoden for å målrette både kognitive og auditiv regioner av hjernen.

Introduction

Nevrologiske lidelser presentere store hindringer på berørte enkeltpersoner, deres familier og samfunnet. Behandlinger for nevrologiske lidelser kan være fraværende eller tvilsomme effekt, og ofte bare målrette symptomene ved sykdommen. Slik er tilfellet for tinnitus-phantom oppfatningen av lyd-som ikke har en behandling godkjent av US Food and Drug Administration (FDA). Tinnitus kan ha en betydelig innflytelse på en persons liv, forstyrrer daglige oppgaver ved å redusere konsentrasjonen eller endre oppfatningen av selve lyden. Videre kan personer som berøres av tinnitus også oppleve tretthet, stress, søvnproblemer, minneproblemer, depresjon, angst og irritabilitet1. Terapier som finnes, for eksempel antidepressant og anti-engstelse medisiner, bare å administrere tilhørende symptomer og kan ikke behandle den underliggende årsaken. Dette skaper en kritisk gap for nyskapende behandling av disse lidelsene.

Forbedringer i oppkjøpet teknikker, regnekraft og algoritmer har revolusjonert hastigheten som funksjonell magnetisk resonans Imaging (fMRI) kan måles og behandlet. Dette har gjort bruk av sanntids fMRI, der dataene kan behandles som det er samlet inn. Tidlig anvendelser av sanntids fMRI var begrenset2, hovedsakelig hemmet av manglende evne til å raskt å fullføre forhåndsbehandling trinnene typisk for frakoblet analyser som bevegelse korreksjon. Forbedringer i teknologi og algoritmer har nå økt hastigheten, følsomhet og allsidighet av sanntids fMRI3 slik at lignende frakoblet pre-prosessering brukes i sanntid. Denne utviklingen har ført til 4 primære anvendelsesdomener av sanntids fMRI: intraoperativ kirurgisk veiledning4, hjerne-computer grensesnitt5,6, tilpasse stimuli for gjeldende hjernen sier7, og neurofeedback opplæring8.

NFT, er selv om ikke opprinnelige fokusere sanntid fMRI, et voksende felt av forskning hvor enkeltpersoner lære å modulere hjerneaktiviteten volitionally gjennom implementeringen av mentale strategiene (i.e. forestilt aktiviteter). NFT er en form for kan opereres forfatning9, som har vist seg å øke neuronal avfyring priser og neuronal aktivitet i aper10. Også fMRI NFT har vært forbundet med spike timing-avhengige plastisitet, som er nevrale endringene som oppstår under associative læring11. Ytterligere konsekvenser foreslå fMRI NFT induserer plastisitet via langsiktig potensiering (LTP), noe som gir forbedret synaptic effektivitet12. En annen postulering innebærer cellulære mekanismer av ferdigheter læring, som volitional kontroll over hjerneaktivitet, og kan innebære endringer i spenning-avhengige membran konduktans - uttrykt som en endring i nevrale excitability13. Uansett, det ser ut som fMRI NFT påvirker hjernen på neural nivå. Disse teoriene gir en sterk sak for bruk av fMRI NFT i behandlingen av nevrologiske lidelser.

FMRI NFT, tilbyr i motsetning til tradisjonelle fMRI, muligheten til å undersøke forholdet mellom hjerneaktivitet og atferd11,14. Nylig har det vært pigg i studier som involverer fMRI NFT med nesten dobbelt så mange artikler publisert i 2011-2012 (n = 30) i forhold til de foregående 10 årene (n = 16)11. En av de første fMRI NFT studiene ble utført av Weiskopf og kolleger i 20038. Denne studien vist muligheten for online tilbakemeldinger og selvregulering fMRI signalet i Anterior Cingulate Cortex (ACC) bruker en deltaker. Tilbakemelding ble vist med en forsinkelse på omtrent to sekunder, mer enn en bestilling av omfanget raskere enn noen tidligere studier. Den første fullstendige studien ble utført i 2004 hvor 6 deltakere lært å kontrollere aktivitet av somatomotor cortex15. FMRI NFT ble fullført 3 økter på samme dag. Økt aktivitet romlig selektiv målregion i somatomotor cortex ble observert gjennom kurs på enkelt-emne og gruppe. Denne effekten var ikke observert i kontrollgruppen som fikk ekte fMRI informasjon fra en bakgrunn region (ikke korrelert med aktiviteten utføres) tidligere i flukt. Forskere har siden vist at mennesker kan lære volitional kontroll over fMRI signalet måles fra mange områder av hjernen inkludert ACC16, amygdala17, anterior insula18,19, auditiv og oppmerksomhet relatert nettverk20, bilaterale rostrolateral prefrontal cortex21, dorsolateral prefrontal cortex12,22,23, motor halvdelene24, 25,26,27,28, primære auditiv cortex29,30, regioner forbundet med emosjonelle nettverk regioner31,32 , en mindreverdig frontal gyrus33og visuelle halvdelene34,35.

De underliggende mekanismene mange nevrologiske lidelser er ukjent. I eksemplet til tinnitus er det ingen åpenbar kilde for phantom lyden i fleste tilfeller36,37,38. Til tross for dette tyder en sentrale mekanismen kan være ansvarlig for tinnitus-percept i noen individer, som demonstrert av mangel på symptom oppløsning etter fullført Disseksjon av hørselsnerven39. Hyperaktivitet knyttet til tinnitus er funnet i den primære auditiv cortex40,41,42. Videre tyder på at effekten av tinnitus utvide videre inn i områder som er involvert i behandlingen av følelser og attentional staten43. Basert på disse unormalt, kan fMRI NFT paradigmer være utviklet for å indusere og kontrollere neuroplastic mekanismer som oppmuntrer normal neural mønstre.

Protocol

følgende fMRI NFT protokollen overholder retningslinjene gitt av Wright State University institusjonelle Review Board.

1. kontroll grupper

  1. nøye vurdere og bestemme kontroll grupper en priori. Utforme kontroll gruppe å tillate hypothesis(es) evalueres og konto for effekter fra faktorer som praksis eller forventningene skapt av tilbakemeldingene viser 44.

2. Maskinvareoppsett

  1. forberede all maskinvare før deltakeren inn MRI rommet bruke de samme fremgangsmåtene som tradisjonelle fMRI.
  2. Kobler MR-kompatibel skjerm og respons enhetssystemet stimulans datamaskinen (PC).
  3. Rute kabler for MR-kompatible svar enheter og hodetelefoner gjennom eller rundt Mr bar.
  4. Koble TR-utløser utdataene fra Mr til stimulans PC.
    Merk: I noen oppsett, dette kan være koblet til MR-kompatible respons enhet maskinvare, som deretter kobles til stimulans datamaskinen. Dette er viktig for synkronisering stimuli og datafangst.
  5. Posisjon MR-kompatible vise slik at det vises til deltakeren via speilet (å være) festet til hodet spolen.

3. Deltaker Positioning

Merk: deltakeren skal plasseres i tabellen skanner på en lignende måte til en typisk hjernen MRI, og på samme måte som tradisjonelle fMRI.

  1. Har deltaker løgnen ned i supine posisjon i tabellen skanner. Be dem om å opprettholde hodet inni hodet spolen.
  2. Sett hodetelefonene på deltakeren ' s hodet, og sikre ørene er dekket. Hvis flere hørselsvern, sett inn ørepluggene før posisjonering hodet telefoner.
  3. Plasser en pute under deltakeren ' s knær for ekstra komfort.
  4. Lås overkroppen av hodet spolen på plass.
  5. Påføre speilet på hodet spolen.
  6. Plasser svar enhetene i deltakeren ' hender.
  7. Landemerke plasseringen av deltakeren ' s nasion i forhold til skanneren.
  8. Flytte landmarked plasseringen til midten av Mr bar.
  9. Bekreft at deltakeren kan vise til hele skjermen med speilet. Spør deltakeren å justere speilet nødvendig.

4. Lokalisere målregion

  1. utføre en " funksjonelle " localizer. Bruk hjerneaktiviteten fra den funksjonelle localizer til å definere målet området av interesse (ROI) 11.
    Merk: Denne kjøre er utført på en lignende måte å tradisjonell fMRI. Men målet avkastning kan også defineres ved hjelp av individuelle anatomien eller standardisert Atlas fjerne behovet for å utføre en funksjonell localizer.
    1. Gir skript og/eller visuelle oppgave instruksjoner til deltakeren.
      Merk: Disse instruksjonene bør være kortfattet men inneholder tilstrekkelig informasjon til at deltakeren å utføre oppgaven kjøres under den funksjonelle localizer. Her instruksjonene informere deltakerne blir en prikk på skjermen, og de kan høre lyder i hodetelefonene. Deres mål er å slappe av og fokusere på prikken.
    2. Begynner synkronisert administrasjon av hørbar stimuli (f.eks bilaterale kontinuerlig hvit støy 29) og datainnsamling ved å trykke på " skanning " knappen på skanneren, MR.
      Merk: Dette er utført av programmering presentasjon av stimuli bruker TR utløseren fra fMRI oppkjøpet. TR utløseren styres via fMRI protokollen men dette påvirkes av produsenten av Mr og installerte pakker. Noen visuell, haptic eller auditiv stimuli er tilgjengelig for å utføre andre oppgaver og/eller målrette andre områder.
      1. Alternativ levering av oppgaven stimuli (hvit støy) med matchet kontroll stimuli (ingen støy) i et blokkert mønster. Bruk kontroll stimuli for å aktivere uønskede nettverk/systems aktivert i oppgaven stimuli.
        Merk: Denne veksling oppstår ved synkronisering stimuli til fMRI oppkjøp og overvåke TR pulser.
      2. Samle hele-hjerne ekko ut bilder ved hjelp av en gradient-tilbakekalt-echo MRI puls sekvens; eksempel parametere for puls forløp inkluderer en oppkjøpet matrise av 64 x 64 elementer i fase og frekvens retninger, 41 skiver linje parallell til den fremre commissure-bakre commissure flyet, 3,75 x 3,75 x 3 mm 3 voxel størrelse, 0,5 mm skive gapet, fett undertrykkelse aktivert, TR/TE = 2000/20 ms og en flip vinkel = 90 °.
  2. Beregne en aktivisering kart fra fMRI data samlet under den funksjonelle localizer med multivariat statistikk.
    Merk: Følgende er en variant av behandling utført for tradisjonelle fMRI. Noen tiltak er fjernet eller forenklet for å redusere behandlingstid.
    1. Preprocess dataene under datainnsamling med tilpasset programvare opprettet fra standarden pre-prosessering teknikker 12 , 45.
      1. Utføre 3D romlige filtrering bruker en Gaussian low pass-kjerne (fullbreddes halv-maksimalt 4,5).
      2. Riktig for translasjonsforskning bevegelse ved å justere senteret av massen for hvert volum til første bind av den funksjonelle localizer bruker tri-Lineær interpolering.
      3. Utføre timelige filtrering bruker en Gaussian low pass-kjerne med σ = 3 s.
    2. Opprette en modell for å forutsi nevrofysiologiske svaret aktiviteten; dette utføres på samme måte som tradisjonelle fMRI.
      1. Opprette en psykologisk modell som beskriver aktivt og hvile hver gang punkt 46 stater. Dette modeller tidspunkt under oppgaven med verdien ' 1 ' og styre med en ' 0 '.
      2. Convolve psykologiske modellen med en forhåndsdefinert Hemodynamic svar funksjon (HRF) 46 å forutsi fMRI (nevrofysiologiske) svaret aktiviteten.
    3. Passer fMRI data på hver voxel som en funksjon av tid til nevrofysiologiske modellen med en generell lineær modell (GLM). Dette resulterer i en β parameteren kart som er konvertert til t- eller z-flygninger maps (aktivisering kart) bruker standard statistiske transformeringer.
  3. Bruk aktivisering kartet over et mener fMRI bilde til å bestemme regionen der tilbakemelding signalet for den påfølgende neurofeedback skal avledes.
    Merk: Dette utføres med tilpasset programvare. For å fjerne globale og uspesifikke endringer, kan en andre avkastning også defineres.
    1. Naviger gjennom skiver med skyve musehjulet eller skive glidebryteren for å finne anatomiske markører i fMr data som mindreverdige overflaten av frontal horn av sideventriklene 12.
    2. Terskel aktivisering kartet bruke glidebryteren terskel for å avsløre voxels mest robust aktivert under den funksjonelle localizer i målregion.
      1. Utføre dette ved å velge en terskel en priori eller ved å manuelt justere terskelverdien.
    3. Bruk venstre museknapp for å velge individuelle voxels med aktivisering over valgte terskelen og i regionen mål å legge til Avkastningen.
      Merk: Voxels kan velges fra ett eller flere stykker.

5. fMRI NFT

  1. oppførsel neurofeedback kjører med en boxcar modell med vekslende aktiviteten og kontroll.
    1. Implementere en aktivitet tilstanden der deltakerne øke eller redusere aktiviteten til regionen mål, med retningen av kontroll er kritisk for å oppnå de ønskede resultatene.
      Merk: For eksempel, mange områder av hjernen er hyperaktiv hos pasienter med tinnitus og, derfor redusere aktivitet kan oppmuntre normal neural mønstre.
    2. Alternative aktivitet tilstanden med en kontroll tilstand der deltakerne returnere aktivitet å hvile ved å slappe av og tømme tankene.
    3. Gir deltakeren med et manus eksempel mindfulness oppgaver under begge betingelsene som starter hjelpemidler for modulerende hjerneaktiviteten mot ønsket statene. Instruere deltakerne til å utføre mindfulness oppgaver at stasjonen hjerneaktiviteten mot ønsket statene.
      1. i eksemplet tinnitus pålegge deltakere å avlede oppmerksomheten bort fra hørselen til andre sensoriske systemer å redusere auditiv aktivitet.
    4. Planlagt beregning
      Merk: på grunn av tuning av Mr maskinvarekomponentene før hver kjøre, opprinnelig brukes til å normalisere data før presentere tilbakemelding til deltakeren. Planlagte gjennomsnittet bestemmes for målet området med et gjennomsnitt på ett eller flere volumer kjøpt i begynnelsen av hver fMRI NFT kjøre 12 , 47.
      1. Instruere deltakerne til å slappe av under en nedtelling presentert i begynnelsen av skanningen.
  2. Begynne synkronisert stimuli presentasjon og datafangst ved å trykke på " skanning " knappen på skanneren, MRI. Samle ekko ut bilder ved hjelp av en gradient-tilbakekalt-echo MRI puls sekvens på samme måte som foreskrevet for den funksjonelle localizer i trinn 4.1.2.
  3. Hent planlagte volumer.
    1. Visuelt presentere en nedtellingstidtaker og tom tilbakemelding display.
    2. Behandle data under oppkjøpet med tilpasset programvare.
      1. Utføre 3D romlige filtrering bruker en Gaussian low pass-kjerne (fullbreddes halv-maksimalt 4,5).
      2. Rette translasjonsforskning bevegelse ved hjelp av senteret av massen for hvert volum; hvert volum er registrert i det første bindet av den funksjonelle localizer bruker tri-Lineær interpolering.
      3. Beregne gjennomsnittlig signal fra målet avkastning over både tid og rom.
      4. Sum signalene fra alle voxels i målet avkastning i hvert volum.
      5. Opprette ROI gjennomsnittet for hvert volum ved å dividere summen av antall voxels i Avkastningen.
      6. Gjennomsnittlig summene fra de opprinnelige volumene.
  4. Erverve neurofeedback volumer
    1. de dataene under oppkjøpet med tilpasset programvare.
      1. Utføre 3D romlige filtrering bruker en Gaussian low pass-kjerne (fullbreddes halv-maksimalt 4,5).
      2. Riktig for translasjonsforskning bevegelse ved å justere senteret av massen for hvert volum til første bind av den funksjonelle localizer bruker tri-Lineær interpolering.
    2. Beregne tilbakemelding signalet. En tilbakemelding signal er avledet fra hvert ervervet volum under fMRI NFT. Dette er informasjon som presenteres for deltakeren å hjelpe lære volitional kontroll.
      1. Gjennomsnittlig fMRI signalet fra alle voxels i målet ROI opprette en enkeltverdi.
      2. Beregner prosentendring mellom gjeldende avkastning gjennomsnittet og Avkastningen planlagte gjennomsnittet. Eventuelt signalet kan skaleres med en faktor som er avhengig av deltakeren ' s resultater.
      3. Beregne tilbakemelding signalet ved timelig filtrering (Gaussian lavpass-kjernen med en sigma 3 s bestående av bare forbi komponenter) gjeldende Prosentvis endring med tilbakemelding signaler fra tidligere neurofeedback volumer.
    3. Vise tilbakemelding signalet.
      1. Vise gjeldende tilbakemeldingen signalet gjennom et termometer stil bar plott, der høyden på baren er proporsjonal med feedback verdien 18 , 19 , 21 , 34.
      2. Overlegg instruksjoner for deltakeren på tilbakemeldingene visning.
        Merk: Disse instruksjonene er enkle, og bør direkte deltakeren å slappe av, eller heve eller senke aktivitet (dvs. baren termometer).
    4. Eventuelt gi ekstra stimulans. Ekstra visuell, auditiv eller haptic stimulering kan bli presentert samtidig med tilbakemelding.

6. Vurdere muligheten til å selv-regulere målet ROI.

Merk: Når neurofeedback er fullført, muligheten til å selv-regulere målregion for hver kjøring av trening må kvantifiseres.

  1. Analyser intra underlagt endringer i tilbakemeldingen signaler 12.
    1. Opprette en psykologisk modell som representerer hvile og aktivitet betingelsene for neurofeedback.
      Merk: Denne modellen er convolved med en forhåndsdefinert HRF å produsere en nevrofysiologiske modell. Prosessen er den samme som på den funksjonelle localizer.
    2. Passer tilbakemelding signal tiden serien til nevrofysiologiske modellen med en GLM. Dette resulterer i en β parameter som er konvertert til t- eller z-flygninger representative for muligheten til å selv-regulere.
  2. Utføre Inter underlagt sammenligninger.
    Merk: Statistikk representant selvregulering ytelse kan sammenlignes kjører og grupper som bruker passende statistiske analyser (f.eks koblet t - tester eller ANOVAs). Disse testene vurdere endringer i muligheten til å selv-regulere målregion over trening og grupper, og kan brukes til å evaluere studien ' s hypothesis(es).

Representative Results

Vårt team har vist en betydelig økning i kontroll over venstre dorsolateral prefrontal cortex (DLPFC) fra fMRI NFT i en kohort av 18 deltakere. En i-temaer enveis ANOVA ble utført på de kvantitative Verdiene volitional kontroll12. Analysen avdekket kontroll over venstre DLPFC økte betydelig i 5 x
6 min:24 s kjøres neurofeedback skilt over fem separate økter utført innen 14 d (figur 1; F(4,68) = 2.216, p = 0.038, sphericity antatt, ensidige). Endringer i ytelse på en kompleks multitasking test, utført før og etter NFT, ble sammenlignet med en gruppe som ikke fikk neurofeedback med 2 x 2 blandet-modell ANOVAs. Post-hoc, Bonferroni-korrigert sammenligninger avslørt betydelig økning i ytelse på en kompleks multitasking test som ikke får ytterligere opplæring (p < 0.005, ensidige), og denne økningen var betydelig større enn en kontrollgruppe som utføres lignende trening, men ble ikke oppgitt med ekstra hjelp av neurofeedback (p < 0,03, sphericity antatt, ensidige)12. Til tross for gruppen eksperiment å få kontroll over den venstre DLPFC over trening, ble et platå ikke observert. Dette innebærer at maksimal kontroll ikke er nødvendig å produsere atferdsmessige resultater og at enda større effekter kan være mulig med ytterligere opplæring12. Videre vårt team avslørte fMRI NFT kombinert med n-tilbake praksis skaper fokal endringer i hjerneaktivitet som er begrenset til målregion og påvirker ikke opp - eller ned-stream komponentene arbeider minne Network (figur 2) 22.

Om tinnitus, har en tidligere studie undersøkt fMRI NFT som en mulig behandling29. I denne studien, ble 4 x 4 min går av neurofeedback gjennomført i en enkelt treningsøkt. Atferdsmessige vurderinger av tinnitus ble utført før og etter enkelt fMRI NFT økten. Vellykket volitional ned-regulering av auditory cortex var oppnådd, og førte til en betydelig reduksjon i auditiv aktivisering. Denne studien viser løfte om fMRI NFT i behandling av tinnitus, men bare seks deltakerne ble studert og en kontrollgruppe ble ikke benyttet for sammenligning. Videre ble statistiske analyser inkludert atferdsdata ikke utført. Utvide på denne studien kan avsløre interessante nye behandling muligheter for tinnitus pasienter.

Figure 1
Figur 1: større kontroll over venstre DLPFC. Gjennomsnittlig igjen DLPFC kontroll for hver neurofeedback kjører (utført på forskjellige dager) er angitt med lys grønne sirkler. En lineær regresjonsanalyse avslørte en betydelig økning i kontroll over trening (mørk grønn linje; β = 1.078, p < 0.033). Feilfelt representerer 1 SEM. Unmodified arbeid fra Sherwood et al. 12, reprinted under Creative Commons Attribution-lisens. Klikk her for å se en større versjon av dette tallet.

Figure 2
Figur 2: lokaliserte effekten av læring igjen DLPFC kontroll. (A) sannsynligheten for voxel inkludering for fMRI NFT valgt fra en n-tilbake funksjonelle localizer. Lys blå voxels inkludert oftest i NFT målregion, mørk blå voxels var inkludert sjeldnere og klare voxels ble ikke inkludert. (B) Voxel-baserte ANOVA fører av treningsøkten (rød-gul). Denne effekten viste et stort overlapp med den venstre DLPFC ROIs mål for NFT. Aksial skiver vises i radiologiske konvensjonen på koordinater z = 22, 26, 30, 34 og 38 mm (venstre). Uforandret arbeid fra Sherwood et al. 22, reprinted under Creative Commons Attribution-lisens. Klikk her for å se en større versjon av dette tallet.

Discussion

FMRI NFT protokollen diskutert her kan tilpasses å målrette alle område av hjernen, og diskuterer en univariate, ROI-basert tilnærming til neurofeedback. Dette kan oppnås ved programmering mer funksjonelle localizer oppgaver for å aktivere andre regioner. Ved å innlemme disse aktivitetene i den egendefinerte neurofeedback programvaren, har vi utviklet en svært enkel prosess. Det er imidlertid en begrensning: målregion defineres funksjonelt. På denne tiden utfører ikke programvaren som vårt team har utviklet noen registrering mellom funksjonelle og anatomiske bilder. Derfor kan ikke andre ROI utvalg metoder, for eksempel atlas-baserte ROIs, implementeres på dette tidspunktet. I tillegg kan parametere for stimuli og neurofeedback (f.eks blokk varighet, antall blokker og tenkelig parametere inkludert TR) lett manipuleres av operatøren. I tillegg kjører overføring evaluere muligheten til å selv-regulere målet avkastning i fravær av neurofeedback kan gjennomføres. Programvaren har vi utviklet tilbyr ikke neurofeedback bruker multivariabel mønstre35,48 eller tilkobling mellom hjernen regioner49.

FMRI NFT tilbyr betydelige fordeler fremfor andre former for neurofeedback, men også har sine begrensninger. Den største fordelen med fMRI NFT er romlig oppløsning som overgår alle andre former for NFT som EEG (EEG)-basert neurofeedback. Forbedret romlig oppløsning kan spesifikke hjernens strukturer/funksjoner over hele hjernen til å være målrettet50. Dette er foreløpig ikke oppnåelig med andre terapier som farmakoterapi, som er systematisk. Den store ulempen av fMRI NFT er imidlertid tidsforsinkelsen. Ikke bare er samplingsfrekvens mye tregere enn EEG (opptil 3 størrelsesordener tregere), legger hemodynamic lag forbundet med fMRI signalet videre til denne forsinkelsen. Til tross for dette er det overveldende bevis for at deltakerne kan overvinne denne forsinkelsen, og med trening, lære å kontrollere hjerneaktivitet (f.eks en gjennomgang se Sulzer et al. 11 og Scharnowski et al. 50).

Populariteten til fMRI NFT vokser, men det er fortsatt i en barndom scenen. Grunnet dette har felles praksis ennå å bli vedtatt. Beskrevet protokollen detaljer metoder som godtas vitenskapelig. For eksempel har flere former for tilbakemelding viser vært benyttet på tvers av ulike studier, inkludert et termometer stil bar tomten18,19,21,34. Videre en tilbakemelding signal presentert som prosent signalet endres med en opprinnelig beregnet fra målregion har også vært grundig gjennomført12,19,21,25 , 30 , 51 , 52.

Kontrollere plast effekter i hjernen tilbyr en innovativ terapeutiske teknikk å behandle nevrologiske lidelser eller hjerneskader med unormal hjerneaktivitet, for eksempel knyttet tinnitus omtalt ovenfor. Selv om nøyaktige mekanismer oversette neuromodulation i atferdsdata effekter er fortsatt ukjent, fMRI NFT har vært forbundet med LTP11. Gjennom læringsprosessen er atferd forsterket når en aktivt regulerer hjerneaktiviteten i oppgaverelaterte hjernen nettverk. Slike forsterkning resultater i engasjement neuroplastic mekanismer forårsaker nettverket å kjøre mer effektivt. Dette sammenfaller med andre NFT teknikker som EEG-baserte neurofeedback hvor enkeltpersoner er opplært til å kontrollere frekvensbånd av elektriske signaler målt fra lokale regioner i hodebunnen53,54,55 . Andre har angitt LTP fra synaptiske plastisitet resulterer i forbedret synaptic effektivitet12. Ennå en annen postulering antyder cellulære mekanismer for læring kan innebære endringer i spenning-avhengige membran konduktans uttrykt som en endring i nevrale excitability13. Uansett, kontroll det vises at fMRI NFT forårsaker endringer på cellenivå, og at enkelt kan lære noen over disse prosessene. Denne muligheten, og disse endringene kan være avgjørende i å lære om og utvikle behandlinger for hjerneskader og nevrologiske lidelser.

En viktig del av fMRI NFT er å måle endringer i virkemåten. Dette er viktig å mange hypoteser som forutse atferdsendringer drevet av NFT-indusert nevrale endringene. Minst disse vurderingene skal samles på to tidspunkt: før og etter NFT. Ved tinnitus, kan disse atferdsmessige vurderinger bare bestå av subjektive spørreskjemaer som det er ingen direkte måling for tinnitus. For andre nevrologiske lidelser, skal en gjennomgang være gjennomført for å fastslå riktig, rimelig og dokumentert vurderinger for de spesifikke hypothesis(es) etterforsket. Noen hypoteser krever målinger på ekstra tid punkter, som de utforske nesten kort- og langsiktige effekter av fMRI NFT. Noen vurderinger kreve trening før NFT å redusere læring effekter. Andre hypoteser kreve selv nevrologiske testing som de som er interessert i nivåer av hjernen metabolitter, cerebral perfusjon eller funksjonelle nettverk.

FMRI NFT prosedyren har to kritiske stadier. Først er å avgjøre en hjernen regionen til mål for neurofeedback. Før du utfører noen prosedyrer, bør en grundig gjennomgang utføres for å undersøke nervebaner og viktig strukturer/funksjoner knyttet til nevrologiske lidelse eller hjerneskade. Fra dette bør sentrale strukturer/funksjoner være nøye valgt som mål for neurofeedback. Neste, en annen gjennomgang skal utføres for å undersøke oppgaver forbundet med denne struktur/funksjon. Denne oppgaven kan eller ikke kan være assosiert med uorden, men det skal bekreftes at oppgaven aktiverer ønsket områdene i den angitte befolkningen. Under neurofeedback prosedyrer merkes denne målregion enkeltvis ved første eller på hver sesjon. Inter - og intra - subject variasjon kan derfor være viktige faktorer som kan føre til uforutsigbare resultater. Det er viktig å opprette en protokoll for å velge målregion og gjennomføre tilstrekkelig opplæring av personell. Det finnes to metoder for å definere et mål avkastning: anatomisk og funksjonelt. Anatomisk definisjoner utnytte strukturelle Mr skanner for å definere målregion strengt fra anatomi,og muligens bruker en standard atlas. Funksjonell bilder er registrert på strukturelle bildene, og målregion omdannes til funksjonelle rom21,26. I metoden funksjonelle valgt målregion fra en aktivisering map produsert ved å gjennomføre en funksjonell localizer11,12,24,29,44. Denne metoden ble diskutert her.

Den andre kritiske fasen i fMRI NFT er kontroll Gruppevalg. Kontroll grupper er avgjørende effekten av fMRI NFT, og valg av kontroll grupper bør vurderes nøye. Tidligere studier har brukt en rekke kontroller. En vanlig fremgangsmåte for en kontrollgruppe er å forsøke volitional kontroll i nærvær av humbug tilbakemelding. Denne tilbakemeldingen kan være fremmed fra en deltaker i den eksperimentelle gruppen21,44, levert fra en region ikke involvert i ønsket prosessen unbeknownst til deltaker17,-33, 44eller invertert52. Andre studier har brukt kontroll grupper som forsøker volitional kontroll, ikke men neurofeedback12,21,44,56.

En tidligere studie antyder at når fag prøver å kontrollere humbug tilbakemeldinger, det er økt aktivisering i bilaterale insula, anterior cingulate, utfyllende motoren, dorsomedial og lateral prefrontal områder i forhold til passivt å se på en tilbakemelding vise57. Disse funnene implisere en bred fronto-parietal og cingulo-opercular nettverk aktiveres når det er hensikten å kontrollere hjerneaktiviteten. Videre tyder disse funnene på tradisjonelle kontrollgruppe NFT forsøk vil bruke nevrale korrelerer samsvar med kognitive kontroll, selv i nærvær av humbug tilbakemelding. En egen meta-analyse avslørte aktivitet i fremre insula og basal ganglia, begge er regioner i cognitive administrere og andre høyere kognitive funksjoner, var komponenter kritisk til prøver volitional kontroll58. Resultatet av meta-analyse bekreftet tidligere funn57. Samlet antyder dette bevis at det er avgjørende å avgrense effekter av vellykket volitional kontroll og relatert til prøver selvregulering. Inkludering av kontroll grupper som ikke forsøker selvregulering kan derfor være viktig.

Men ble tidligere studier der kontroll grupper mottatt humbug fMRI signaler har avdekket forskjeller i mål Avkastningen aktivitet observert fra de som fikk ekte tilbakemelding15,16,17, 18 , 20 , 21 , 25 , 26 , 28 , 33 , 34 , 44, antyde trening strategier som ikke inkorporere tilbakemelding er ikke effektiv på modulerende målregion. I tillegg kontroll grupper som fikk identiske instruksjoner og av trening, men ikke får tilbakemelding på dagens nivå på hjerneaktiviteten ikke viser lignende opptreden resultater som eksperimentelle gruppene som neurofeedback12,18,21,32,44,59. Disse funnene tyder eksperimentelle effektene er tilskrives fMRI NFT-indusert læring enn andre læring eller uspesifikke endringer. Derfor må spesifikk trening regimer utvikles som målrette bestemte nevrofysiologiske systemer å få de ønskede effektene. Resultatene fra en studie med en rekke kontrollgruppe angir atferdsmessige trening, praksis, sensorisk feedback og biofeedback alene produserer ikke tilsvarende atferdsmessige effekter som de som mottar fMRI NFT44.

Disclosures

Forfatterne ikke avsløre.

Acknowledgments

Dette materialet er basert på forskning sponset av US Air Force under avtalenummer FA8650-16-2-6702. Synspunktene er de av forfatterne, og reflekterer ikke offisielle synet eller policy av Department of Defense og komponentene. Den amerikanske regjeringen er autorisert til å reprodusere og distribuere opptrykk statlige forbindelse til tross alle opphavsretten notasjon dette. Frivillige, fullt samtykke av fagene brukt i denne forskningen ble innhentet som kreves av 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

Nevrovitenskap problemet 126 fMRI neurofeedback nevrologiske lidelser tinnitus neuroplasticity langsiktig potensiering
En protokoll for administrasjon av Real-Time fMRI Neurofeedback opplæring
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