Analyser l’activité neurale et la connectivité à l’aide des données EEG intracrânienne avec logiciel SPM

Résumé

Nous présentons deux protocoles analytiques qui peuvent être utilisés pour analyser les données de l’électroencéphalographie intracrânienne en utilisant le logiciel de statistiques paramétriques cartographie (SPM) : analyse temps-fréquence statistique paramétrique mappage pour l’activité neuronale et la dynamique causale modélisation des réponses induites pour intra - et inter - régionales, connectivité.

Résumé

Mesurer l’activité neurale et connectivité associée à des fonctions cognitives à haute résolution spatiale et temporelle est un objectif important en neurosciences cognitives. Intracrânienne électroencéphalographie (EEG) permet d’enregistrer directement l’activité électrique neuronale et a le potentiel unique pour atteindre cet objectif. Traditionnellement, avec une moyenne d’analyse a été appliquée pour analyser les données EEG intracrâniennes ; Cependant, plusieurs nouvelles techniques sont disponibles pour dépeindre la connectivité neuronale d’activité et intra - et inter - régionales. Ici, nous présentons deux protocoles analytiques nous avons récemment utilisé pour analyser des données EEG intracrâniennes en utilisant le logiciel de cartographie statistique paramétrique (SPM) : analyse SPM de temps / fréquence d’activité neurale et la modélisation dynamique causale des réponses pour induites par connectivité - inter et intra régionales. Nous rapportons notre analyse des données d’EEG intracrâniennes lors de l’observation des visages comme résultats représentatifs. Les résultats ont révélé que le gyrus occipital (IOG) ont montré une activité gamma-bande aux tout premiers stades (110 ms) en réponse à des visages et IOG et amygdale a montré rapidement intra - et inter - régionales, connectivité à l’aide de divers types d’oscillations. Ces protocoles analytiques ont le potentiel d’identifier les mécanismes neurones sous-tendant les fonctions cognitives avec hautes profils spatiaux et temporels.

Introduction

Mesurer l’activité neurale et connectivité associée à des fonctions cognitives à haute résolution spatiale et temporelle est l’un des principaux objectifs de la neuroscience cognitive. Toutefois, cet objectif n’est pas facile. Une méthode populaire utilisée pour enregistrer l’activité neurale est fonctionnel d’imagerie par résonance magnétique (IRM). Bien que l’IRM fonctionnelle offre plusieurs avantages, notamment une résolution spatiale élevée au niveau de millimètre et enregistrement non invasif, un désavantage évident de l’IRM fonctionnelle est sa faible résolution temporelle. En outre, l’IRM fonctionnelle mesure oxygène-sang-dépendante du niveau des signaux, qui reflètent seulement indirectement l’activité neurale électrique. Méthodes électrophysiologiques populaires, y compris l’électroencéphalographie (EEG) et la magnétoencéphalographie (MEG), ont une résolution temporelle élevée à l’échelle de la milliseconde. Toutefois, ils ont des résolutions spatiales relativement faibles, car ils enregistrent les signaux électriques/magnétiques au cuir chevelu et doivent résoudre les difficiles problèmes inverses pour décrire l’activité cérébrale.

EEG intracrânien peut enregistrer directement l’activité neurale électrique à haute temporelle (milliseconde) et de résolutions spatiales (centimètre)¹. Cette mesure peut fournir des occasions précieuses pour comprendre l’activité neuronale et la connectivité, même si elle a des lacunes évidentes (par exemple, les régions mesurables sont limite à des critères cliniques). Plusieurs études d’EEG intracrâniennes ont appliqué traditionnel analyse moyenne pour décrire l’activité neurale. Bien qu’en moyenne l’analyse peut détecter avec sensibilité activation du verrouillage de temps et de basse fréquence de bande, il ne peut pas détecter non-phase-locked et/ou l’activation de haute fréquence (par exemple, bande de gamma). En outre, couplage neuronal fonctionnel n’a pas été analysée en profondeur dans la littérature sur les enregistrements d’EEG intracrâniens. Plusieurs nouvelles techniques ont été récemment développés pour dépeindre neural activité et intra - et inter - régionales, la connectivité fonctionnelle enregistrements IRM et EEG/MEG, qui peuvent être appliqués pour analyser des données EEG intracrâniennes.

Ici, nous présentons des protocoles analytiques que nous avons récemment utilisé pour analyser des données EEG intracrâniennes en utilisant le logiciel de cartographie statistique paramétrique (SPM). Premier, à révéler quand et à quelle fréquence, les régions du cerveau pourraient être activées, nous avons effectué d’analyse temps-fréquence SPM². Cette analyse décompose les domaines temporels et fréquentiels simultanément en utilisant une transformée en ondelettes continue et appropriée corrige le taux d’erreur moyen (FFE) dans les cartes de temps-fréquence à l’aide de la théorie des champs aléatoire. Deuxièmement, pour indiquer comment communiquent des régions du cerveau, nous avons appliqué dynamique modélisation causale (DCM) des réponses induites par⁴. DCM permet l’étude de connectivité efficace (p. ex., les influences causales et directionnels parmi les régions de cerveau⁵). Bien que le DCM a été initialement proposé comme un outil d’analyse de données MRI fonctionnel⁵, DCM des réponses induites a été étendu pour analyser les spectres de puissance instationnaire de signaux électrophysiologiques⁴. Cette analyse permet la représentation de deux connectivité neuronale intra - et inter - régionales. Plusieurs études neurophysiologiques ont suggéré que les calculs intra-régional locaux et communications interrégionales à longue portée utilisent principalement les oscillations bandes thêta et gamma, respectivement, et leurs interactions (p. ex., entrainments) peut se traduire par thêta-gamma Croix-fréquence attelage^3,6,7,8. Ce rapport se concentre sur le protocole d’analyse de données ; pour un aperçu des informations de fond^9,10 et enregistrement des protocoles¹¹ d’EEG intracrânien, veuillez vous référer à la littérature.

Protocole

Notre étude a été approuvée par le Comité d’éthique institutionnel local.

1. Généralités

Remarque : Les protocoles analytiques peuvent être appliquées à différents types de données sans aucune restriction quant à participants spécifiques, électrodes, méthodes de référence ou des sites de l’électrode. Dans notre exemple, nous avons testé six patients souffrant d’épilepsie focale pharmacologiquement réfractaire. Nous avons testé des patients ayant ne subi aucune foyers épileptiques dans les régions d’intérêt.

1. Enregistrer des données de EEG intracrâniennes pendant l’expérience cognitive les électrodes de la cible.
   1. Implanter des électrodes de profondeur à l’aide de la méthode stéréotaxique¹².
   2. Utiliser des électrodes de platine sous-dural (diamètre : 2,3 mm) et des électrodes de platine de profondeur (diamètre : 0. 8 mm) pour mesurer simultanément l’activité corticale et sous-corticale, respectivement.
   3. Placer les électrodes de référence sur la surface du crâne de la région frontale dorsale médiane, avec les contacts des électrodes à l’opposé du crâne afin d’éviter l’activation référentielle¹².
   4. Amplifier les données, filtre en ligne (passe-bande : 0,5 à 300 Hz) et l’échantillon à 1 000 Hz.
   5. Pour enregistrer et supprimer statistiquement les artefacts associés à des mouvements oculaires, en outre enregistrer electrooculograms. Sélectionnez les électrodes de cibles fondées sur des intérêts théoriques. En outre, utiliser différents IRM et tomodensitométrie données pour vérifier l’emplacement de l’électrode.
2. Goûtez et Prétraiter les données du procès de l’EEG intracrâniennes (Figure 1).
   Remarque : Les protocoles analytiques peuvent être appliquées à différents types de données sans aucune restriction de longueur de données spécifique ou les méthodes de prétraitement.
   1. Ici, Echantillons pendant 3 000 ms (stimulation préalable : 1 000 ms ; après stimulation : 2 000 ms) pour chaque essai.
   2. Parce que les participants ont montré ici anormalement activité de grande amplitude dans certains essais, éventuellement liés à l’épilepsie, excluent ces essais atypiques à l’aide de seuils prédéfinis (> 800 μV et > 5 SD). Les autres étapes de prétraitement, y compris l’inspection visuelle et l’analyse en composantes indépendantes, peuvent être nécessaires selon les conditions expérimentales objectifs.
3. Convertir le format natif du système EEG dans un format basé sur MATLAB SPM (cf. SPM12 manuel 12.1 et 12.2).
   Remarque : Les plupart des formats de données EEG peuvent être directement importés dans le logiciel SPM en sélectionnant Conversion dans l’interface de l’éditeur de lot de SPM et en spécifiant tous les paramètres d’entrée requis. Une autre façon possible est d’utiliser un exemple de script « spm_eeg_convert_arbitrary_data.m » dans le sous-répertoire homme/example_scripts le répertoire de programme SPM. Ce script fournit un moyen pratique pour convertir un fichier ASCII ou MAT qui peut être exportée de nombreux système d’EEG avec format de SPM.

2. temps-fréquence SPM analyse

1. Mettre en place des SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) et utilisez la M/EEG menu analytique¹³ (Figure 2).
2. Effectuer l’analyse de temps – fréquence SPM² en sélectionnant « analyse temps-fréquence » dans le menu SPM pour les données d’EEG intracrâniennes prétraités de chaque essai à l’aide de la décomposition des ondelettes continues avec ondelettes de Morlet basés sur des paramètres prédéfinis ( Figure 3).
   Remarque : Les transformations Wavelet révèlent l’évolution temporelle des composantes spectrales par convolution intracrâniennes données EEG avec ondelettes de multiples fréquences¹⁴.
   1. Ici, procéder à la décomposition par ondelettes utilisant les ondelettes de Morlet cycle de sept pour l’époque tout (-1,000 – 2 000 ms) et la gamme de fréquences de 4 à 300 Hz.
   2. Déterminer l’ondelette mère et le nombre de cycles basés sur une précédente étude¹⁵. Notez que le nombre de cycles dans les ondelettes contrôle les temps – fréquence de résolution et qu’il est recommandé d’être supérieur à 5 afin d’assurer la stabilité d’estimation¹³.
   3. Déterminer les plages en temps et fréquence basées sur l’intérêt de la recherche.
3. Recadrer les cartes de temps-fréquence qui en résulte automatiquement en sélectionnant « Crop » dans le menu SPM pour supprimer les effets de bord. Ici, les cartes de temps – fréquence des cultures en -200 – 500 ms.
4. Effectuer la transformation de données (facultative) et la correction de base en sélectionnant « échelle de temps-fréquence » dans le menu SPM pour les cartes de temps – fréquence de visualiser les changements liés aux événements de pouvoir mieux et améliorer la normalité des données.
   Remarque : Les cartes de temps-fréquence ont été ici, logarithme et baseline (-200-0 ms)-corrigé.
5. Convertir les cartes de temps – fréquence des images bidimensionnelles (2D) en sélectionnant « Convert2Images » dans le menu SPM.
   1. Lisse en utilisant un noyau gaussien d’une valeur de (FWHM) de demi-maximum pleine largeur prédéfinie pour compenser la variabilité inter-sujet et sont conformes aux hypothèses de la théorie des champs aléatoire utilisés dans l’inférence statistique^2,13 .
      NOTE : Ici, les cartes de temps-fréquence ont été lissées avec un noyau gaussien de FWHM de 96 ms dans le domaine temporel et 12 Hz dans le domaine fréquentiel, basé sur une précédente étude².
6. Entrer les images 2D dans le modèle linéaire général en sélectionnant « précisez 1er niveau » dans le menu SPM.
7. Estimer le modèle linéaire général en sélectionnant « Estimation du modèle » dans le menu SPM.
8. Effectuer des inférences statistiques sur les données SPM {T} temps – fréquence basées sur la théorie des champs aléatoires² en sélectionnant « Résultats » dans le menu SPM. Détecter des grappes de temps – fréquence significativement activés avec seuils prédéfinis (éventuellement corrigées pour les comparaisons multiples).
   NOTE : Ici, le seuil de mesure de p < 0,05, qui était FWE-corrigé pour les comparaisons multiples, avec un seuil de hauteur de p < 0,001 (non corrigé) a été utilisé.

3. DCM des réponses induites par

1. Mettre en place des SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) et utilisez la M/EEG menu analytique¹³ (Figure 4).
   1. Démarrer l’analyse DCM en cliquant sur le bouton « DCM » dans le menu SPM. Activer le DCM pour réponses induites en sélectionnant « IND » dans la zone de liste. Importer les données d’EEG intracrâniennes prétraitées en cliquant sur « new data » dans le DCM pour menu M/EEG.
2. Spécifier la fenêtre de temps d’intérêt, conditions d’intérêt, les contrastes pour les conditions choisies (cela définir les entrées de modulation plus tard utilisées dans la spécification du réseau), fenêtre de fréquence d’intérêt et le nombre de cycles par ondelettes dans le DCM pour M/EEG menu ( La figure 5).
   1. Utiliser le cycle de cinq ondelettes de Morlet (4 – 100 Hz par pas de 1 Hz) et définir la durée de validité de 1 à 500 ms.
   2. Déterminer le cycle d’ondelettes conformément au paramètre par défaut. Notez que la recommandation de logiciels est la valeur supérieure à 5 pour assurer la stabilité d’estimation¹³. Les plages de temps-fréquence ont été déterminées basé sur nos intérêts de recherche. Notez qu’une fenêtre de temps avec ± supplémentaires ms 512 servait automatiquement pendant le calcul pour supprimer les effets de bord.
3. Basé sur le DCM cadre^4,5, décrivez la (1) conduite entrées, qui représentent les entrées sensorielles aux États neurones ; (2) connexions intrinsèques, qui incarnent la connectivité de base entre les États neurones et connexions autonome ; et (3) effets modulateurs sur connexions intrinsèques via des manipulations expérimentales pour les modèles null et hypothétiques. Également définir le type de modulation linéaire (au sein de fréquence) ou non linéaire (entre-fréquence).
   1. Spécifier des connexions intrinsèques (linéaires et non linéaires), entrées de conduite et modulation dans le DCM pour menu M/EEG.
   2. Modifier les paramètres par défaut de certains paramètres connexes (p. ex., les temps de début de stimulation préalable et durée) si nécessaire. Estimer les modèles en sélectionnant « inverser le DCM » dans le DCM pour menu M/EEG. Ensuite sélectionnez enregistrer les résultats sous forme d’img pour enregistrer la fréquence fréquence modulante couplage images de paramètre.
4. Mener un effets aléatoires bayésien modèle sélection (BMS) analyse¹⁷ en cliquant sur « BMS » dans le DCM pour menu M/EEG pour identifier le modèle de réseau optimale. Utiliser les probabilités de modèle prévu et/ou les probabilités de dépassement comme mesures d’évaluation.
5. Faire des déductions concernant les modèles de croix-fréquence des modulateurs connexions à l’aide des paramètres du modèle gagnant en utilisant le menu SPM (voir étape 2).
   1. Lisser les images de paramètre de couplage modulatrices en sélectionnant « Convert2Images » dans le menu SPM.
   2. Effectuer des analyses de modèle linéaire général en sélectionnant « Spécifier 2e niveau » dans le menu SPM.
   3. Calculer les valeurs SPM {T} 2D en sélectionnant « Résultats » dans le menu SPM.
      NOTE : Ici, la FWHM a été fixé à 8 Hz, basé sur une précédente étude⁴. Valeurs significatives ont été identifiés exploratorily en utilisant un seuil hauteur de p < 0,05 (non corrigé).

Résultats

En utilisant le protocole présenté dans la présente, nous avons analysé intracrâniennes données EEG en réponse à faces^18,19. Nous avons enregistré des données provenant de six patients durant l’affichage passif de visages, de mosaïques et maisons en position verticale et inversé les orientations. Les contrastes des faces dressées contre verticale mosaïques et des faces dressées contre maisons debout a révélé l’ef...

Discussion

Les protocoles analytiques pour intracrâniennes données EEG en utilisant le logiciel SPM a présenté ci-après présentent plusieurs avantages par rapport à l’IRM fonctionnelle. Tout d’abord, les protocoles peuvent dépeindre activation neurale à une haute résolution temporelle. Par conséquent, les résultats indiquent que les corrélats cognitifs d’activation neurale sont mises en œuvre aux stades précoces ou tardive du traitement. Dans notre exemple, l’effet de visage a été identifiée durant les tout premiers stades (c.-...