ソースイメージングを使用磁図と扁桃体の活性を検出する方法

この手順の全体的な目標は、脳磁図またはMEGを使用して学習中の扁桃体の活動を検出することです。これは、まず扁桃体を活性化する暗黙の恐怖学習課題を設計することによって達成されます。2番目のステップは、MEGを使用してタスク中の脳活動を記録することです。

次に、高解像度の解剖学的MRIスキャンを使用して、皮質と扁桃体の表面を特定します。最後のステップは、皮質と扁桃体の表面を使用して、MEJ信号の神経源をモデル化することです。最終的には、ソースイメージングモデルを使用して、学習中に意識せずに扁桃体の神経活性化を示すことができます。

したがって、FMRIのような既存の方法に対するこの手法の主な利点は、MEG信号がリアルタイムで記録され、急速または一過性の神経プロセスを研究するために使用できることです。この方法は扁桃体の機能を研究するために使用できますが、他の皮質下領域の機能を研究するためにも使用できます。まず、標準のDB 25マルチコネクタリボンケーブルを使用して、刺激提示コンピュータをMEG取得システムに接続します。

次に、刺激プレゼンテーションコンピューターをスラブスタンドアロンモニターまたはサムに接続します。8ビットから2ビットへの絶縁アダプタと同期ケーブルを使用して、スティミュラスプレゼンテーションをマークするために使用されるトランジスタ間ロジックパルスは、SAMに送信されるとMEGデータにアーティファクトを引き起こす可能性があります。これらのアーティファクトを回避するには、ここに示すように、分離アダプターによってブロックされたビットのみを使用して刺激の開始をマークします。

その後、ショック刺激装置がサムに接続されます。次に、シールド延長ケーブルを導波管に通し、衝撃刺激装置に接続します。次に、SAMをスラブデータ収集ソフトウェアを実行しているコンピューターに接続する必要があります。

ゲームポートからゲームポートBNCスプリッター、ゲームポートからUSBアダプターを使用して、回転ダイヤルを刺激提示コンピューターとMEG取得システムに接続します。電極とセンサーをここに示す回路図を使用して、対象物に取り付けます。適切に設定したら、基準点を使用して、HPIコイルに対する被験者の頭の位置をデジタル化します。

次に、被験者の頭皮に沿って50〜100点をデジタイズします。被験者をMEGシステムに付き添い、電極とセンサーを適切なインターフェースに接続します。被写体の頭がMEGヘルメットの上部に触れるように椅子を持ち上げ、投影された画像に焦点が合うように画面を配置します。

次に、被験者が痛みを伴うが許容できると報告するレベルにショックを設定します。最後に、例のプレゼンテーションシナリオを使用して、ダイヤルの適切な使用について被験者に指示します。まず、スラブデータ収集ソフトウェアをロードして、イベントコードと衝撃配信の記録を開始します。

トレーニングセッションは事前にプログラムされており、4つのブロックの差分トレース恐怖コンディショニングで構成され、条件、刺激、またはブロックごとに15回の試行が行われます。4 回のトレーニング試行を開始し、生データを 2 キロヘルツで記録します。それぞれで、データをリアルタイムで視覚的に検査し、体系的なノイズ源を検出します。

各実行後、被験者にショックの強さを評価してもらい、慣れを評価します。トライアルが完了したら、フリーサーファーを使用して、皮質、外皮、外皮のセグメント化された皮質下ボリュームと表面を作成します。次に、扁桃体と海馬のボリュームを作成し、表面に変換します。

Slicer 3 と ParaView を使用して、次のステップは、ブレーンストーミング データベースに新しいサブジェクトを作成することです。MRIボリュームをブレインストーミングにインポートし、基準点を特定してボリュームを標準空間にワープし、サーフェスをインポートして、頭皮サーフェスをMRIに手動で位置合わせします。完了したら。

この変換を他のすべてのサーフェスに適用します。皮、海馬、扁桃体の表面をマージします。最後に、扁桃体と海馬の関心領域を作成します。

作成したら、各トレーニングセッションのMEG記録ファイルをインポートします。MEGアクイジションソフトウェアは、信号空間の分離を使用して、磁気シールドされた部屋の外部のソースによって引き起こされるアーティファクトを除去します。誘発された応答を分析するために、SSSとマークされたフォルダによく見られるクリーンなファイルを必ず使用してください。

まず、イベント チャネルを使用して、各実験的な試行に対応するエピックを特定します。心電図および電子図像学チャネルで識別されたイベントからの信号空間投影を使用して、心拍および眼球運動によって引き起こされるアーティファクトを除去します。次に、ヘッドポイントを使用してMRIレジストレーションを絞り込みます。

cortexの入力を使用してオーバーラップ球法を使用して記録からノイズ共分散を計算し、最小ノルム推定法を使用してヘッドモデルの計算ソースを計算し、ソースの解析を続行します。次に、個々の試行のバンドパスフィルターソース。バンドパスでフィルタリングされたソースの絶対値を取得し、ベースラインの変動性に基づいてそれらの値をZスコアに変換し、ソースを空間的に平滑化し、試行間でソースを平均

これらの平均を実験のデフォルトの解剖学的構造に投影します。次に、さまざまな条件でソースの T 検定を計算します。空間的および時間的な閾値を使用して有意な T 検定結果をフィルタリングし、家族ごとの誤差を補正します。

大幅に活性化された領域を特定し、各被験者の活性化の時間経過をエクスポートします。最後に、各時点における被験者間の平均の平均と標準誤差を計算します。まず、個々の試行の生データを、実験の既定の解剖学的構造に投影します (解剖学的および機能的な関心領域からのデータに対する時間度数分解の計算)。

結果の時間周波数分解マップを Z スコアに変換し、各被験者の試行間で結果のマップを平均化します。最後に、ここに示されているさまざまな条件でマップ上でT検定を実行します。これは、典型的な条件付け研究の行動結果です。左のグラフは、被験者の期待値が60回の試験でほぼ同じであることを示しており、マスキング手順が状態刺激を区別する能力を妨げたことを示唆しています。

右側のグラフは、テストセッション中の異なる応答を示しています。フィルタリングされていないグループは、新しい刺激と比較して古い刺激に対するより大きな反応を示し、フィルタリングされたグループと比較して、トレーニングがより良い再獲得につながることを示唆していることに注意してください。この例では、一般的な条件付け実験の MEG 結果を示します。

左の3Dモデルは扁桃体とオレンジ色、海馬は緑色で表示されています。右側のグラフは、扁桃体クラスターからの活動を表しています。明るい色の線は、フィルタリングされていない顔によって誘発される活動を表し、暗い色の線は、フィルタリングされた顔によって誘発される活動を表します。

このグラフは、扁桃体から記録されたMEG信号を時間と周波数で分類したものです。暖色は、スペクトロスペクトログラフ内の領域を表し、フィルタリングされていない面の方がフィルタリングされた面よりも大幅に多くのパワーを示します。寒色系は反対の領域を表し、縞模様のオーバーレイはグループ間の大きな違いを表しています。

この図は、後頭部の顔面領域の活性化を示しています。一般的なコンディショニング実験では、暖色は、フィルタリングされた面よりもフィルタされていない面に対する大きな反応を表します。この手順に従います。

コヒーレンス解析のような他の方法は、ニューラルコミュニケーションに関連する追加の質問に答えるために使用することができます。このビデオを見れば、ソースイメージングを使用して神経応答と皮質下の脳構造を検出する方法について十分に理解できるはずです。