Analisando a atividade Neural e conectividade usando dados de EEG intracraniano com SPM Software
Summary
Apresentamos dois protocolos analíticos que podem ser usados para analisar os dados de eletroencefalografia intracraniana usando o software de mapeamento estatístico paramétrico (SPM): análise tempo-frequência estatística paramétrica mapeamento para atividade neural e dinâmica causal modelagem de respostas induzidas por conectividade intra e inter regional.
Abstract
Medir a atividade neural e conectividade associados com funções cognitivas em alta resolução espacial e temporal é um objetivo importante em neurociência cognitiva. Intracraniana Eletroencefalografia (EEG) diretamente pode gravar a atividade elétrica neural e tem o potencial único para atingir essa meta. Tradicionalmente, uma média de análise foi aplicada para analisar dados de EEG intracranianas; no entanto, várias novas técnicas estão disponíveis para retratando conectividade neural de atividade e intra e inter regional. Aqui, apresentamos dois protocolos analíticos recentemente aplicado para analisar dados de EEG intracranianas usando o software estatístico paramétrico Mapping (SPM): análise SPM tempo-frequência para a atividade neural e modelagem causal dinâmica de induzido respostas para conectividade de intra e inter regional. Nós relatamos nossa análise de dados de EEG intracranianas durante a observação dos rostos como resultados representativos. Os resultados revelaram que o giro occipital inferior (IOG) mostrou atividade de gama-banda em estágios muito iniciais (110 ms) em resposta a rostos e o IOG e amígdala mostrou rápida intra e inter regional conectividade usando vários tipos de oscilações. Estes protocolos analíticos têm o potencial para identificar os mecanismos neurais subjacentes funções cognitivas com perfis espaciais e temporais elevadas.
Introduction
Medir a atividade neural e conectividade associados com funções cognitivas em alta resolução espacial e temporal é um dos principais objetivos da neurociência cognitiva. No entanto, alcançar esse objetivo não é fácil. Um método popular usado para gravar a atividade neural é imagens de ressonância magnética (MRI). Embora a ressonância funcional oferece diversas vantagens, tais como uma alta resolução espacial no nível de milímetro e gravação não-invasiva, uma clara desvantagem de ressonância funcional é sua baixa resolução temporal. Além disso, a ressonância funcional mede sinais de sangue-oxigénio-dependente de nível, que apenas indiretamente refletem a atividade elétrica neural. Métodos eletrofisiológicos populares, incluindo a Eletroencefalografia (EEG) e magnetoencefalografia (MEG), têm alta resolução temporal no nível do milissegundo. No entanto, eles têm resoluções espaciais relativamente baixas, porque eles gravar sinais elétricos/magnéticos no couro cabeludo e devem resolver problemas difíceis de inverso para descrever a atividade cerebral.
EEG intracraniano diretamente pode gravar a atividade neural elétrica em alto temporal (milissegundos) e de resoluções espaciais (centímetro)1. Esta medida pode fornecer oportunidades valiosas para entender a atividade neural e conectividade, embora tenha limitações claras (p. ex., regiões mensuráveis são restritas aos critérios clínicos). Vários estudos de EEG intracranianas aplicaram a análise tradicional de cálculo da média para descrever a atividade neural. Apesar de uma média de análise sensível pode detectar ativação tempo bloqueado e baixa frequência de banda, que não consigo detectar não-phase-locked e/ou ativação de alta frequência (por exemplo, banda gama). Além disso, acoplamento neural funcional não foi analisado em profundidade na literatura em gravações de EEG intracranianas. Várias novas técnicas foram recentemente desenvolvidas para descrever a conectividade neural de atividade e intra e inter regional em gravações MRI e EEG/MEG funcionais, que pode ser aplicado para analisar os dados de EEG intracranianas.
Aqui, apresentamos os protocolos analíticos que temos recentemente aplicado para analisar dados de EEG intracranianas usando o software estatístico paramétrico Mapping (SPM). Primeiro, a revelar quando e com que frequência, as regiões do cérebro poderiam ser ativadas, realizamos a tempo-frequência SPM análise2. Esta análise se decompõe os domínios de tempo e frequência simultaneamente usando uma transformação wavelet contínua e corrige adequadamente a taxa de erro family-wise (FEM) nos mapas de tempo-frequência, usando a teoria de campo aleatória. Em segundo lugar, para revelar como regiões do cérebro se comunicam, aplicamos Modelagem dinâmica causal (DCM) de respostas induzidas4. DCM permite a investigação de conectividade efetiva (ou seja, as influências causais e direcionais entre cérebro regiões5). Embora o DCM foi originalmente proposto como uma ferramenta para análise de dados de MRI funcional5, DCM de respostas induzidas foi estendido para analisar o espectro de potência variáveis no tempo de sinais eletrofisiológicos4. Esta análise permite a representação de ambos intra e inter regional neural conectividade. Vários estudos neurofisiológicos sugeriram que computações intra-regionais locais e longa distância inter-regionais comunicação usam principalmente oscilações gama e theta-banda, respectivamente, e suas interações (por exemplo, entrainments) pode ser refletido por theta-gama Cruz-frequência acoplamento3,6,7,8. Este relatório centra-se sobre o protocolo de dados analíticos; para uma visão geral do plano de fundo informações9,10 e gravação protocolos11 de EEG intracraniano, por favor consulte a literatura.
Protocol
Representative Results
Discussion
Os protocolos analíticos para dados de EEG intracranianas usando o software SPM introduzido aqui tem várias vantagens em comparação com a ressonância funcional. Primeiro, os protocolos podem retratar ativação neural em uma alta resolução temporal. Portanto, os resultados indicam que se as correlações cognitivas de ativação neural são implementadas em fases precoces ou tardias de transformação. No nosso exemplo, o efeito de rosto foi identificado durante a fase inicial (ou seja, 110 ms) de process…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Este estudo foi suportado por fundos da corporação Besse, Japão sociedade para a promoção da ciência (JSPS) programa de financiamento para pesquisadores líderes mundiais de geração seguinte (LZ008), a organização para promover a pesquisa em transtornos do desenvolvimento neurológico, e o KAKENHI JSPS (15K 04185; 18K 03174).
Riferimenti
- Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology – Paris. 97 (4-6), 613-628 (2003).
- Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
- Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
- Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
- Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
- Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
- Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
- Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191 (2010).
- Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
- Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
- Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993 (2012).
- Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
- Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
- Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
- Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
- Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
- Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
- Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
- Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
- Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition?. Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
- Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
- Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
- Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
- Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
- Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
- Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
- Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
- Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
- Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
- Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
- Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
- Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351 (2016).
- Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
- Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
- Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
- Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
- Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
- Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).
