Waiting
Elaborazione accesso...

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

Neuroscience

Ett protokoll för den Administration av Real-Time fMRI Neurofeedback träning

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

Förmågan att inducera eller styra neural plasticitet kan vara kritiska i framtida behandling av neurologiska problem och återhämtningen från hjärnskada. I detta papper presentera vi ett protokoll om användningen av neurofeedback träning med funktionell magnetresonanstomografi att modulera mänskliga hjärnans funktion.

Abstract

Neurologiska problem som kännetecknas av onormal cell-, molekylär-, och krets-nivå funktioner i hjärnan. Nya metoder för att framkalla och neuroplastic processer och rätt onormal funktion, eller ens Skift funktioner från skadad vävnad till fysiologiskt friska hjärnregioner, håll potential att dramatiskt förbättra den allmänna hälsan. Av de nuvarande neuroplastic ingripandena i utveckling har neurofeedback träning (NFT) från funktionell magnetresonanstomografi (fMRI) fördelarna med att vara helt icke-invasiv, icke-farmakologiska och rumsligt lokaliserade till målet hjärna regioner, samt har inga kända biverkningar. NFT tekniker, ursprungligen utvecklades med hjälp av fMRI, kan dessutom ofta översättas till övningar som kan utföras utanför skannern utan hjälp av vårdpersonal eller avancerad medicinsk utrustning. I fMRI NFT, är fMRI signalen mätt från specifika regioner av hjärnan bearbetas och presenteras för deltagaren i realtid. Genom utbildning utvecklas självstyrd mentala bearbetning, som reglerar denna signal och dess underliggande neurophysiologic korrelerar. FMRI NFT har använts att träna viljande kontroll över en rad olika hjärnregioner med konsekvenser för flera olika kognitiva, beteendemässiga och motoriska system. Dessutom fMRI NFT har visat lovande resultat i ett brett spektrum av applikationer såsom behandling av neurologiska sjukdomar och förstärkning av baslinjen mänskliga prestationer. I denna artikel presenterar vi en fMRI NFT protokoll som utvecklats på vår institution för modulering av både friska och onormal hjärnfunktion, samt exempel på metoden för att rikta både kognitiva och auditiv regioner i hjärnan.

Introduction

Neurologiska problem som presenterar stora hinder på drabbade individer, deras familjer och samhället. Behandlingar för neurologiska problem kan vara obefintliga eller diskutabel effektivitet, och ofta bara rikta symtom av sjukdomen. Så är fallet för tinnitus – phantom uppfattningen av ljud – som inte har en behandling som godkänts av US Food and Drug Administration (FDA). Tinnitus kan ha en djupgående inverkan på en människas liv, stör vardagen genom att minska koncentrationen eller ändra riskuppfattningen faktiska ljud. Dessutom kan personer som drabbats av tinnitus också uppleva trötthet, stress, sömnproblem, minnesproblem, depression, ångest och irritabilitet1. Terapier som finns, såsom antidepressiva och ångestdämpande läkemedel, bara hjälpa till att hantera de associerade symtom och kan inte behandla den underliggande orsaken. Detta skapar en kritisk lucka för innovativa behandlingar för dessa sjukdomar.

Förbättringar i förvärvet tekniker, datorkraft och algoritmer har revolutionerat den hastighet med vilken funktionell magnetresonanstomografi (fMRI) data kan mätas och bearbetas. Detta har möjliggjort tillkomsten av realtid fMRI, där data kan bearbetas när det samlas in. Tidiga var realtid fMRI begränsad2, främst hämmas av oförmåga att snabbt slutföra Pre-processing steg typiska till offline analyser såsom rörelse korrigering. Förbättringar i computing teknik och algoritmer har nu ökat i hastighet, känslighet och mångsidighet av realtid fMRI3 så att liknande offline förbehandling skall tillämpas i realtid. Denna utveckling har lett till 4 primära programdomäner av realtid fMRI: intraoperativ kirurgiska vägledning4, hjärna-dator gränssnitt5,6, anpassa stimuli för nuvarande hjärna påstår7, och neurofeedback träning8.

NFT, är även om inte den ursprungliga fokus i realtid fMRI, ett växande forskningsområde där individer lär sig att modulera hjärnaktivitet volitionally genom genomförandet av mentala strategier (dvs inbillade uppgifter). NFT är en form av operant betingning9, som har visat sig öka neuronal bränning priser och neuronal aktivitet i apor10. Också, fMRI NFT har associerats med spike timing-beroende plasticitet, som är neurala förändringar som inträffar under associativ inlärning11. Ytterligare konsekvenser föreslår fMRI NFT inducerar plasticitet via långsiktig potentiering (LTP), vilket resulterar i förbättrad synaptisk effektivitet12. En annan postulation innebär cellulära mekanismer av skicklighet lärande, såsom viljande kontroll över hjärnans aktivitet, och kan innebära förändringar i spänningsberoende membran konduktans - uttryckt som en förändring i neurala retbarhet13. Det verkar i alla fall att fMRI NFT påverkar hjärnan på neurala nivå. Dessa teorier ger starka argument för användning av fMRI NFT i behandling av neurologiska sjukdomar.

FMRI NFT, erbjuder till skillnad från traditionella fMRI, möjlighet att undersöka sambandet mellan hjärnaktivitet och beteende11,14. Nyligen har det varit spike i studier med fMRI NFT med nästan dubbelt så många artiklar publicerade i 2011-2012 (n = 30) jämfört med de föregående 10 åren (n = 16)11. En av de första fMRI NFT studierna utfördes av Weiskopf och kollegor i 20038. Denna studie visade framgångsrikt genomförbarheten av online feedback och självreglering av fMRI signalen i den främre cingulum Cortex (ACC) med en deltagare. Feedback var visas med en fördröjning på cirka två sekunder, mer än en storleksordning snabbare än de få tidigare studierna. Den första fullständiga studien genomfördes 2004 där 6 deltagare lärde sig att styra aktiviteten av selmhinnor cortex15. FMRI NFT slutfördes över 3 sessioner utförs på samma dag. Ökad aktivitet rumsligt selektiv till målregionen i selmhinnor cortex observerades genom kursen utbildning på fristående och grupp nivå. Denna effekt observerades inte för kontrollgruppen som fått riktiga fMRI information från en bakgrund region (inte korrelerade med uppgiften utförs) tidigare i körningen. Forskare har sedan dess visat att människor kan lära sig viljande kontroll över signalen fMRI mätt från många regioner i hjärnan inklusive ACC16, amygdala17, främre insula18,19, auditiv och uppmärksamhet relaterade nätverk20, bilaterala rostrolateral prefrontala cortex21, dorsolaterala prefrontala cortex12,22,23, motor cortices24, 25,26,27,28, primära auditiva cortex29,30, regioner som är associerad med känslomässiga nätverk regioner31,32 , rätt sämre frontal gyrus33och visuella cortices34,35.

De bakomliggande mekanismerna vid många neurologiska störningar är okända. I exemplet med tinnitus finns det ingen självklar källa för fantom ljud i flesta fall36,37,38. Trots detta tyder en central mekanism kan vara ansvarig för den tinnitus percept i vissa individer, vilket bevisas av avsaknaden av symptom upplösning efter fullständig dissekering av hörselnerven39. Hyperaktivitet är associerad med tinnitus har hittats i den primära auditiva cortex40,41,42. Ytterligare bevis tyder på att effekterna av tinnitus ytterligare in i områden involverade i bearbetning av känslor och uppmärksamhet statligt43. Baserat på dessa abnormiteter, kan fMRI NFT paradigm utvecklas för att inducera och kontrollera neuroplastic mekanismer som uppmuntrar normal neurala mönster.

Protocol

följande fMRI NFT protokoll överensstämmer med de riktlinjer som fastställs av Wright statens institutionella i universitetsstyrelsen.

1. kontrollgrupper

  1. noggrant överväga och bestämma kontroll för en priori. Designa kontroll grupp(er) att tillåta hypothesis(es) som ska utvärderas och att beakta effekterna från ytterligare faktorer såsom praxis eller förväntningar som feedback visar 44.

2. Hardware Setup

  1. förbereda all maskinvara innan deltagaren in MRI med samma procedurer som traditionella fMRI.
  2. Anslut systemet herr-kompatibel display och reaktion enhet till stimulans datorn (PC).
  3. Route kablage för MR-kompatibla svar enheter och hörlurar genom eller runt MRI tråkmåns.
  4. Ansluta den TR-trigger utgången från MRI till stimulans PC.
    Obs: I vissa uppställningar, detta kan anslutas till MR-kompatibla svar maskinvaran, som sedan ansluts till datorn stimulans. Detta är absolut nödvändigt för den synkronisering stimuli och datainskaffning.
  5. Position den MR-kompatibelt Visa så att det blir synligt för deltagaren via spegeln (att vara) anbringas på huvudet spolen.

3. Deltagare positionering

Obs: deltagaren bör placeras på tabellen scanner i ett liknande sätt som en typisk MRT av hjärnan, och på samma sätt som traditionella fMRI.

  1. Har deltagare lögnen ner i ryggläge på tabellen scanner. Be dem att upprätthålla deras huvud inuti huvudet spolen.
  2. Placera hörlurarna på deltagaren ' s huvudet och öronen täcks. Om det krävs ytterligare hörselskydd, infoga öronproppar före positionering de huvud telefonerna.
  3. Placera en pad under deltagaren ' s knän för extra komfort.
  4. Övre kroppen av huvudet spolen låses på plats.
  5. Anbringa spegeln till huvud spolen.
  6. Position svarsapparater i deltagaren ' s händerna.
  7. Landmark platsen för deltagaren ' s nasion i förhållande till skannern.
  8. Flytta kulturminnesmärkta platsen till center för MRI tråkmåns.
  9. Bekräfta att deltagaren kan visa hela displayen använder spegeln. Be deltagaren att justera spegeln som krävs.

4. Lokalisera målet regionen

  1. utför en " funktionella " localizer. Använd hjärnaktiviteten från den funktionella localizer för att definiera målet för regionen av intresse (ROI) 11.
    Obs: Detta kör körs på ett liknande sätt som traditionell fMRI. Men målet ROI kan också definieras med enskilda anatomi eller standardiserade atlaser ta bort behovet av att genomföra en funktionell localizer.
    1. Ge manus och/eller visuella uppgiften instruktioner till deltagaren.
      Obs: Dessa instruktioner bör vara kortfattad men innehålla tillräcklig information för att tillåta deltagare att framgångsrikt utföra uppgiften körs under den funktionella localizer. Här instruktionerna informera deltagaren en punkt kommer att vara på skärmen och de kan höra ljud i hörlurarna. Deras mål är att slappna av och fokusera på pricken.
    2. Börja synkroniseras administrering av akustiska stimuli (t.ex. bilaterala kontinuerlig vitt brus 29) och datainsamling genom att trycka på " Scan " knappen på herr skannern.
      Obs: Detta görs genom att programmera presentationen av de stimuli som använder TR utlösaren från förvärvet av fMRI. Utlösaren TR styrs via protokollet fMRI emellertid denna kan påverkas av tillverkaren av MRI och de installerade paket. Alla visuella, haptiska eller auditiva stimuli kan levereras för att utföra andra uppgifter och/eller rikta andra regioner.
      1. Suppleant leverans av uppgift stimuli (vitt brus) med matchad kontroll stimuli (inget brus) i ett blockerade mönster. Använda kontroll stimuli för att aktivera oönskade nätverk/system aktiveras i de uppgift stimuli.
        Obs: Denna växlingen sker genom att synkronisera stimuli till fMRI förvärvet och övervaka TR pulser.
      2. Samla hela-hjärnan echo planar bilder med en gradient-erinrade om-echo MRI pulssekvens; exempel parametrar för pulssekvens innehålla ett förvärv matris 64 x 64 element i fas och frekvens, 41 skivor justerade parallellt den främre commissure-posterior commissure planet, 3,75 x 3,75 x 3 mm 3 voxel storlek, 0,5 mm skiva gap, fett dämpning aktiverad, TR/TE = 2,000/20 ms och en flip vinkel = 90 °.
  2. Beräkna en aktivering karta från fMRI data insamlade under den funktionella localizer med multivariat statistik.
    Obs: Följande är en variant av bearbetning utförs för traditionella fMRI. Vissa steg har tagits bort eller förenklas för att minska handläggningstiden.
    1. Preprocess data under datainsamling använder anpassade programvara som skapats från standard förbehandling tekniker 12 , 45.
      1. Utför 3D rumsliga filtrering använder en Gaussisk lågpass-kärna (full bredd halv-max 4,5 mm).
      2. Korrigera för translationell rörelse genom att justera centrum av massan för varje volym som den första volymen av den funktionella localizer med tri-linjär interpolation.
      3. Utföra temporal filtrering använder en Gaussisk lågpass-kärna med σ = 3 s.
    2. Skapa en modell för att förutsäga den neurofysiologiska svaren på uppgiften; detta utförs på samma sätt som traditionella fMRI.
      1. Skapa en psykologisk modell som beskriver aktivt och vila för varje tid punkt 46. Detta modeller tidpunkter under aktiviteten med ett värde av ' 1 ' och styr med en ' 0 '.
      2. Convolve psykologiska modellen med en fördefinierad hemodynamiska svar funktion (HRF) 46 att förutsäga fMRI (neurofysiologiska) svaret på uppgiften.
    3. Passar fMRI data på varje voxel som funktion av tiden till neurofysiologiska modellen använder en allmänna linjära modell (GLM). Detta resulterar i en β parametern karta, som omvandlas till t- eller z-statistik kartor (aktivering kartor) med standard statistiska transformeringar.
  3. Använda aktivering kartan överlagras på en genomsnittlig fMRI bilden för att avgöra regionen där återkopplingssignalen för den efterföljande neurofeedback kommer härledas.
    Obs: Detta utförs med hjälp av anpassad programvara. Ta bort globala och ospecifika förändringar genom kan en andra ROI också definieras.
    1. Navigera genom skivor med skjutreglaget mushjulet eller skjutreglaget skiva för att hitta anatomiska markörer synliga i fMRI data såsom den sämre yta av främre horn av laterala ventriklarna 12.
    2. Tröskel aktivering kartan med skjutreglaget tröskelvärde som avslöjar den voxlar mest kraftfullt aktiverad under den funktionella localizer i målregionen.
      1. Utför detta genom att välja en tröskel förhand eller genom att manuellt justera tröskeln.
    3. Använd vänster MUSKNAPP för att välja enskilda voxlar med aktiveringen valda tröskelvärdet och inom målregionen att lägga till ROI.
      Obs: Voxlar kan väljas från ett eller flera segment.

5. fMRI NFT

  1. beteende neurofeedback körs med en boxcar-modell med omväxlande aktivitets- och kontroll villkor.
    1. Genomföra en aktivitet tillstånd där deltagarna höja eller sänka aktiviteten av målregionen, med riktningen av kontroll är avgörande för att uppnå önskat resultat.
      Obs: till exempel många regioner av hjärnan är hyperaktiva hos patienter med tinnitus och, därför, minskande aktivitet kan uppmuntra normala neurala mönster.
    2. Alternativa villkoret uppgift med en okontrollerad situation där deltagarna tillbaka aktivitet att vila genom att koppla och rensa deras sinne.
    3. Ger deltagaren med en skriptad exempel mindfulness uppgifter att användas under båda villkoren som starthjälp för modulerande hjärnans aktivitet mot önskad staterna. Instruera deltagaren att utföra mindfulness uppgifter att driva hjärnaktivitet mot önskad staterna.
      1. i exemplet med tinnitus instruera deltagarna att avleda uppmärksamheten från hörselsystemet till andra sensoriska system att minska auditiv verksamhet.
    4. Baslinjen uträkning
      Anmärkning: på grund av tuning av MRI hårdvarukomponenter före varje körning, baslinjer som används för att normalisera data innan feedback till deltagaren. Genomsnittet i baslinjen bestäms för målregionen med ett genomsnitt på en eller flera volymer förvärvade i början av varje fMRI NFT kör 12 , 47.
      1. Instruera deltagaren att koppla av under en nedräkning som presenteras i början av genomsökningen.
  2. Börja synkroniseras stimuli presentation och data förvärv genom att trycka på den " scan " knappen på magnetkameran. Samla echo planar bilder med en gradient-erinrade om-echo MRI pulssekvens på samma sätt som föreskrivs för den funktionella localizer i steg 4.1.2.
  3. Förvärva baslinjen volymer.
    1. Visuellt presentera en nedräkningstimer och Tom feedback display.
    2. Bearbeta data under förvärvet använder anpassade programvara.
      1. Utför 3D rumsliga filtrering använder en Gaussisk lågpass-kärna (full bredd halv-max 4,5 mm).
      2. Korrigera för translationell rörelse med centrum av massan för varje volym; varje volym är registrerad för den första volymen av den funktionella localizer med tri-linjär interpolation.
      3. Beräkna genomsnittlig signal från målet ROI över både tid och rum.
      4. Summera signalerna från alla voxlar inom målet ROI i varje volym.
      5. Skapa ROI genomsnittet för varje volym genom att dividera summan med antalet voxlar i ROI.
      6. Genomsnittliga belopp från baslinjen volymerna.
  4. Förvärva neurofeedback volymer
    1. förbehandla data under förvärvet använder anpassade programvara.
      1. Utför 3D rumsliga filtrering använder en Gaussisk lågpass-kärna (full bredd halv-max 4,5 mm).
      2. Korrigera för translationell rörelse genom att justera centrum av massan för varje volym som den första volymen av den funktionella localizer med tri-linjär interpolation.
    2. Beräkna återkopplingssignalen. En återkopplingssignalen härleds från varje förvärvad volym under fMRI NFT. Detta är den information som presenteras för deltagaren att stöd lärande viljande kontroll.
      1. Genomsnitt fMRI signalen från alla voxlar inom målet ROI att skapa ett enda värde.
      2. Beräkna den procentuella förändringen mellan nuvarande ROI genomsnittet och ROI baslinjen medelvärdet. Alternativt, denna signal kan skalas med en faktor som är beroende av deltagaren ' s prestanda.
      3. Beräkna återkopplingssignalen av temporally filtrering (Gaussisk lågpass kärna med ett sigma 3 s bestående av endast förbi komponenter) den nuvarande procentuella förändringen med feedback signalerna från tidigare neurofeedback volymer.
    3. Visa återkopplingssignalen.
      1. Display nuvarande feedback signal genom en termometer-stil bar tomt, där höjden av baren är proportionell till feedback värde 18 , 19 , 21 , 34.
      2. Overlay instruktioner för deltagaren på feedback display.
        Obs: Dessa instruktioner är enkla, och ska styra deltagaren att slappna av, eller höja eller sänka aktivitet (dvs baren termometer).
    4. Alternativt ge ytterligare stimulans. Ytterligare visuell, auditiv eller haptiska stimulering får presenteras parallellt med feedback.

6. Bedöma möjligheten att själv reglera målet ROI.

Obs: efter neurofeedback är klar, möjligheten att själv reglera målregionen för varje körning utbildning behöver kvantifieras.

  1. Analysera intra betvingar förändringar i feedback signaler 12.
    1. Skapa en psykologisk modell som representerar de vila och aktivitet villkor av neurofeedback.
      Obs: Denna modell är convolved med en fördefinierad HRF att producera en neurofysiologisk modell. Processen är densamma som beskrivs för den funktionella localizer.
    2. Passar feedback signal tidsserierna till neurofysiologiska modellen använder en GLM. Detta resulterar i en β-parametern, som omvandlas till t- eller z-statistik representativa förmåga att själv reglera.
  2. Utföra mellan föremål jämförelser.
    Obs: Statistik representant självreglering prestanda kan jämföras över körningar och grupper med hjälp av lämpliga statistiska analyser (t.ex. parat t - test eller ANOVAs). Dessa tester utvärdera förändringar i förmågan att själv reglera målregionen över utbildning och grupper och kan användas för att utvärdera studien ' s hypothesis(es).

Representative Results

Vårt team har visat en betydande ökning av kontroll över vänstra dorsolaterala prefrontala cortex (DLPFC) lärt fMRI NFT i en kohort av 18 deltagare. En envägs ANOVA för inom-patienter utfördes på de kvantitativa värdena viljande kontroll12. Denna analys visade kontroll av vänster DLPFC ökat markant över 5 x
6 min:24 s körningar av neurofeedback separerade över fem separata sessioner bedrivs inom 14 d (figur 1. F(4,68) = 2,216, p = 0,038, sfärisk antas, ensidiga). Förändringar i prestanda på en komplex multitasking test, som utförs före och efter NFT, jämfördes med en grupp som inte fick neurofeedback använder 2 x 2 blandade-modell ANOVAs. Post-hoc, Bonferroni-korrigerade jämförelser visade signifikanta ökningar av prestanda på en komplex multitasking-test som inte fick ytterligare utbildning (p < 0,005, ensidiga), och denna ökning var betydligt större än en kontrollgrupp som utfört liknande utbildning men var inte försedd med ytterligare hjälp av neurofeedback (p < 0,03, sfärisk antas, ensidiga)12. Trots experiment gruppen att få kontroll över den vänstra DLPFC över utbildning, observerades inte en platå. Detta innebär att maximal kontroll inte är nödvändigt att ge beteendemässiga resultat och att ännu större effekter kan vara möjligt med ytterligare utbildning12. Vårt team visade dessutom fMRI NFT kombinerat med n-back praxis skapar fokala förändringar i hjärnans aktivitet som är begränsade till målregionen och inte påverkar upp - eller nedströms komponenter i fungerande minne nätverket (figur 2), 22.

Om tinnitus, har en tidigare studie undersökt fMRI NFT som en möjlig behandling29. I denna studie avslutades 4 x 4 min körningar av neurofeedback i ett enda träningspass. Beteendemässiga bedömningar av tinnitus genomfördes före och efter den enda fMRI NFT sessionen. Framgångsrika viljande down-förordning av den auditiva cortexen var uppnått, och ledde till en betydande minskning av auditiv aktivering. Denna studie visar löfte om fMRI NFT vid behandling av tinnitus, men bara sex deltagare studerades och en kontrollgrupp var inte utnyttjas för jämförelse. Dessutom utfördes inte statistiska analyser inklusive den beteendemässiga data. Expanderar vid denna undersökning kan avslöja intressanta möjligheter till ny behandling för tinnitus patienter.

Figure 1
Figur 1: öka kontroll över vänster DLPFC. Genomsnittliga DLPFC kontroll för varje neurofeedback kör (framförd på separata dagar) indikeras av ljus gröna cirklar. En linjär regressionsanalys visade en betydande ökning i kontroll över utbildning (mörkgröna linjen; β = 1.078, p < 0,033). Felstaplar representera 1 SEM. omodifierade arbete från Sherwood o.a. 12, omtryckt under Creative Commons Attribution license. Klicka här för att se en större version av denna siffra.

Figure 2
Figur 2: lokaliserade effekt av lärande lämnade DLPFC kontroll. (A) sannolikheten för voxel inkludering för fMRI NFT väljs från en n-tillbaka funktionella localizer. Ljus blå voxlar ingick oftast i regionen NFT mål, mörk blå voxlar ingick mindre ofta och tydligt voxlar ingick inte. (B) Voxel-baserad ANOVA resultat för den huvudsakliga effekten av träningspasset (röd-gul). Denna effekt visade en stor överlappning med den vänstra DLPFC ROIs måltavlan för NFT. Axiell skivor visas i radiologiska konventionen på koordinater z = 22, 26, 30, 34 och 38 mm (vänster till höger). Omodifierade arbete från Sherwood o.a. 22, omtryckt under Creative Commons Attribution license. Klicka här för att se en större version av denna siffra.

Discussion

FMRI NFT protokollet beskrivs häri kan anpassas att rikta någon region i hjärnan, och diskuterar ett univariat, ROI-baserad strategi för neurofeedback. Detta kan uppnås genom att programmera ytterligare funktionella localizer uppgifter att aktivera andra regioner. Genom att införliva dessa uppgifter i den anpassa neurofeedback programvaran, har vi utvecklat en mycket enkel process. Det är dock en begränsning: målregionen måste vara funktionellt definierade. Vid denna tid utför den programvara som vårt team har utvecklat inte någon registrering mellan funktionell och anatomiska bilder. Därför kan inte andra ROI urvalsmetoder, såsom atlas-baserade ROIs, genomföras på denna tid. Parametrar för stimuli och neurofeedback (t.ex. block varaktighet, antal block och imaging parametrar inklusive TR) kan dessutom lätt manipuleras av operatören. Dessutom driver överföringen för att utvärdera möjligheten att själv reglera målet ROI i avsaknad av neurofeedback kan genomföras. Programvaran har vi erbjuder inte neurofeedback använder multivariata mönster35,48 eller anslutning mellan hjärnan regioner49.

FMRI NFT erbjuder betydande fördelar jämfört med andra former av neurofeedback men har också sina begränsningar. Den största fördelen med fMRI NFT är den rumsliga upplösningen som överträffar alla andra former av NFT såsom elektroencefalogram (EEG)-baserat neurofeedback. Förbättrad rumsliga upplösningen möjliggör specifika hjärnans strukturer och funktioner över hela hjärnan vara riktade50. Detta är för närvarande inte kan uppnås med andra behandlingar såsom farmakoterapi, som är systematisk. Den stora nackdelen med fMRI NFT är dock tidsfördröjningen. Inte bara samplingsfrekvenser mycket långsammare än EEG (upp till 3 storleksordningar långsammare), hemodynamiska lag är associerad med fMRI signalen ytterligare lägger till denna försening. Trots detta finns det överväldigande bevis att deltagarna kan övervinna denna försening och, med lite övning lär dig att kontrollera hjärnans aktivitet (t.ex. för en granskning se Sulzer o.a. 11 och Scharnowski o.a. ( 50).

Populariteten av fMRI NFT växer men det är fortfarande i ett Linda Stadium. På grund av detta ännu gemensam praxis antas. Protokollet beskrivs Detaljer metoder som är vetenskapligt accepterat. Exempelvis har flera former av feedback visar använts i olika studier, inklusive en termometer-stil bar tomt18,19,21,34. Dessutom en återkopplingssignalen presenteras som procent signal ändringen med en originalplan beräknas från målregionen har också i stor utsträckning genomfört12,19,21,25 , 30 , 51 , 52.

Kontroll av plast effekter i hjärnan erbjuder en innovativ terapeutisk teknik för att behandla neurologiska problem eller hjärnskador med onormala hjärnans aktivitet, såsom den som är associerad med tinnitus som diskuterats ovan. Även om de exakta mekanismerna som översätter neuromodulation till beteendemässiga effekter är fortfarande okänd, fMRI NFT har associerats med LTP11. Genom inlärningsprocessen förstärks beteende när en aktivt reglerar hjärnans aktivitet i uppgiftsrelaterade hjärnans nätverk. Sådan förstärkning resulterar i neuroplastic mekanismer orsakar nätverket engagemang att köra mer effektivt. Detta sammanfaller med andra NFT tekniker såsom EEG-baserade neurofeedback där individer är utbildade att styra frekvensband för elektriska signaler mätt från lokala områden av hårbotten53,54,55 . Andra har antytt LTP från synaptisk plasticitet vilket resulterar i förbättrad synaptisk effektivitet12. Ännu en annan postulation föreslår cellulära mekanismer för lärande kan innebära förändringar i spänningsberoende membran konduktans som uttrycks som en förändring i neurala retbarhet13. I varje fall kontroll verkar det att fMRI NFT orsakar förändringar på cellulär nivå, och att individen får lära sig lite över processerna. Denna förmåga och dessa förändringar kan vara kritiska i lärande om och utveckla behandlingar för hjärnskador och neurologiska problem.

En viktig aspekt av fMRI NFT är att mäta förändringar i beteende. Detta är absolut nödvändigt att många hypoteser som förutsäga beteendeförändringar som drivs av NFT-inducerad neurala ändringarna. På ett minimum, dessa bedömningar bör samlas in vid två tidpunkter: före och efter NFT. När det gäller tinnitus, kan dessa beteendemässiga bedömningar bestå av enbart subjektiva frågeformulär som det finns inget direkt mått för tinnitus. För andra neurologiska problem, bör en litteraturstudie utföras för att fastställa de lämpliga, rimliga och dokumenterade bedömningarna för den specifika hypothesis(es) som utreds. Vissa hypoteser kräva mätningar vid ytterligare tidpunkter, såsom de utforska nära-, kort- och långsiktiga effekter av fMRI NFT. Vissa bedömningar kan kräva utbildning inför NFT minska lärande effekter. Andra hypoteser kan även kräva neurologiska tester som de som är intresserade av nivåer av hjärnan metaboliter, cerebral perfusion eller funktionella nätverk.

FMRI NFT förfarandet har två kritiska stadier. Först är att fastställa en hjärnregionen att rikta för neurofeedback. Innan eventuella förfaranden, bör en grundlig litteraturstudie genomföras för att undersöka nervbanor och viktiga strukturer och funktioner är associerad med neurologisk sjukdom eller hjärnskada. Från detta bör viktiga strukturer och funktioner väljas noggrant som mål för neurofeedback. Nästa, en annan litteraturstudie bör utföras för att undersöka uppgifter som är associerade med denna struktur och funktion. Denna uppgift kan eller inte kan vara associerade med sjukdomen, men det bör bekräftas att uppgiften aktiverar önskad regionerna i den avsedda populationen. Under neurofeedback förfaranden väljs målregionen individuellt antingen vid den första sessionen eller vid varje session. Inter - och mellan - individuell variabilitet kan därför viktiga faktorer som kan leda till oförutsägbara resultat. Det är viktigt att skapa ett protokoll för att markera målregionen och genomföra adekvat personalutbildning. Det finns två metoder för att fastställa ett mål ROI: anatomiskt och funktionellt. Anatomiska definitioner utnyttja strukturella Magnettomografi för att definiera målregionen strikt från anatomi,och eventuellt med hjälp av en standard atlas. Funktionella bilder registreras till strukturella bilder och målregionen omvandlas till funktionella utrymme21,26. I metoden funktionella väljs målregionen från en aktivering map produceras genom att bedriva en funktionell localizer11,12,24,29,44. Denna metod diskuterades häri.

Det andra viktiga steget i fMRI NFT är kontroll gruppen urval. Kontrollgrupper är avgörande för att fastställa effekten av fMRI NFT, och valet av kontrollgrupper bör övervägas noggrant. Tidigare studier har använt en rad kontroller. Ett gemensamt förfarande för en kontrollgrupp är att försöka viljande kontroll i närvaro av sham feedback. Denna feedback kan vara spände från en deltagare i den experimentella gruppen21,44, som tillhandahålls från en region som inte involverade i processen önskad unbeknownst till de deltagarna17,33, 44, eller inverterad52. Andra studier har använt kontrollgrupper som försök viljande kontroll men inte tillhandahålls med neurofeedback12,21,44,56.

En tidigare studie antyder att när ämnen försöker styra sham feedback, det finns ökad aktivering i bilaterala insula, främre cingulum, kompletterande motor, dorsomedial och laterala prefrontala områden jämfört med passivt titta på en feedback visar57. Dessa fynd implicerade ett brett fronto-parietala och cingulo-opercular nätverk aktiveras när det finns avsikt att styra hjärnaktivitet. Dessa rön tyder dessutom traditionella kontrollgrupper som används i NFT experiment kommer att använda neurala korrelat överensstämmer med kognitiv kontroll, även i närvaro av sham feedback. En separat metaanalys visade aktivitet i främre insula och basala ganglier, som båda är inblandade i kognitiv kontroll och andra högre kognitiva funktioner, var komponenter kritiska till försöker viljande kontroll58. Resultaten av metaanalysen bekräftade den tidigare konstaterande57. Sammantaget tyder denna på att det är viktigt att beskriva effekterna av framgångsrik viljande kontroll och de relaterade till försöker självreglering. Införandet av kontrollgrupper som inte försöker självreglering kan därför viktigt.

Dock observerades tidigare studier där styrsignaler grupper fick sham fMRI visat skillnader i målet ROI aktivitet från dem som fick sanna feedback15,16,17, 18 , 20 , 21 , 25 , 26 , 28 , 33 , 34 , 44, innebär utbildningsstrategier som inte inkorporerar feedback är inte effektiva på modulerande målregionen. Dessutom kontrollgrupperna som fått identiska instruktioner och träning samma period men inte fått feedback på den aktuella nivån av hjärnaktivitet inte uppvisar liknande beteende resultat som experimentella grupper som fick neurofeedback12,18,21,32,44,59. Dessa rön tyder experiential effekterna är hänförliga till fMRI NFT-inducerad lärande snarare än andra lärande eller ospecifik förändringar. Särskild utbildning regimer måste därför utvecklas som rikta specifika neurofysiologiska system att få de önskade effekterna. Resultaten från en studie med en mängd olika kontrollgrupper visar beteendevetenskaplig utbildning, praktik, sensorisk feedback och biofeedback ensam producerar inte motsvarande beteendemässiga effekter som de som tar emot fMRI NFT44.

Disclosures

Författarna har något att avslöja.

Acknowledgments

Detta material bygger på forskning som sponsras av US Air Force under avtalsnummer FA8650-16-2-6702. Åsikterna är författarens och återspeglar inte officiella åsikter eller politik av försvarsdepartementet och dess komponenter. Den amerikanska regeringen bemyndigas att reproducera och distribuera särtryck för statliga ändamål trots någon upphovsrätt notation därpå. Frivilligt, fullt informerat samtycke från de ämnen som används i denna forskning erhölls som krävs enligt 32 CFR 219 och 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

Neurovetenskap fråga 126 fMRI neurofeedback neurologiska problem tinnitus neuroplasticitet långsiktig potentiering
Ett protokoll för den Administration av Real-Time fMRI Neurofeedback träning
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