원본 이미지를 사용하여 인 자기와 편도체의 활동을 감지하는 방법

이 절차의 전반적인 목표는 MAGNETOENCEPHALOGRAPHY 또는 MEG를 사용하여 학습하는 동안 편도체 활동을 감지하는 것입니다. 이것은 먼저 편도체를 활성화하는 암묵적 공포 학습 과제를 설계함으로써 달성됩니다. 두 번째 단계는 MEG를 사용하여 작업 중 뇌 활동을 기록하는 것입니다.

다음으로, 고해상도 해부학적 MRI 스캔을 사용하여 피질과 편도체의 표면을 식별합니다. 마지막 단계는 피질과 편도체의 표면을 사용하여 MEJ 신호의 신경 소스를 모델링하는 것입니다. 궁극적으로, 소스 이미징 모델은 인식 없이 학습하는 동안 편도체의 신경 활성화를 보여주는 데 사용할 수 있습니다.

따라서 FMRI와 같은 기존 방법에 비해 이 기술의 주요 장점은 MEG 신호가 실시간으로 기록되고 빠르거나 일시적인 신경 과정을 연구하는 데 사용할 수 있다는 것입니다. 이 방법은 편도체 기능을 연구하는 데 사용할 수 있지만 다른 피질 하 영역의 기능을 연구하는 데에도 사용할 수 있습니다. 먼저 표준 DB 25 멀티 커넥터 리본 케이블을 사용하여 자극 프레젠테이션 컴퓨터를 MEG 획득 시스템에 연결합니다.

다음으로, 자극 프레젠테이션 컴퓨터를 슬래브 독립형 모니터 또는 SAM에 연결합니다. 8비트-2비트 절연 어댑터와 동기화 케이블을 사용하면 자극 프레젠테이션을 표시하는 데 사용되는 트랜지스터-트랜지스터 논리 펄스가 SAM으로 전송될 경우 MEG 데이터에 아티팩트가 발생할 수 있습니다. 이러한 아티팩트를 방지하려면 여기에서 볼 수 있듯이 절연 어댑터에 의해 차단된 비트만 사용하여 자극의 시작을 표시하십시오.

그런 다음 충격 자극기가 샘에 연결됩니다. 그런 다음 도파관을 통해 차폐 연장 케이블을 통과시키고 충격 자극기에 연결합니다. 그런 다음 SAM을 슬래브 데이터 수집 소프트웨어를 실행하는 컴퓨터에 연결해야 합니다.

게임 포트-게임 포트 BNC 스플리터와 게임 포트-USB 어댑터를 사용하여 로터리 다이얼을 자극 프레젠테이션 컴퓨터 및 MEG 획득 시스템에 연결합니다. 여기에 표시된 회로도를 사용하여 피험자에게 전극과 센서를 부착합니다. 적절하게 설정되면 기준점을 사용하여 HPI 코일을 기준으로 피험자의 머리 위치를 디지털화합니다.

다음으로, 피험자의 두피를 따라 50-100점을 디지털화합니다. 피험자를 MEG 시스템으로 호위하고 전극과 센서를 적절한 인터페이스에 연결하십시오. 피사체의 머리가 MEG 헬멧 상단에 닿도록 의자를 올리고 투사된 이미지에 초점이 맞도록 화면을 배치합니다.

다음으로, 피험자가 고통스럽지만 견딜 수 있다고 보고하는 수준으로 충격을 설정합니다. 마지막으로, 예시 프레젠테이션 시나리오를 사용하여 다이얼의 올바른 사용에 대해 피험자에게 지시합니다. 먼저 슬래브 데이터 수집 소프트웨어를 로드하여 이벤트 코드 및 충격 전달을 기록하기 시작합니다.

훈련 세션은 사전에 프로그래밍되어 있으며 모든 것이 준비되었을 때 여기에서 볼 수 있듯이 조건, 자극 또는 블록당 CS당 15번의 시도가 있는 4개의 차등 추적 공포 조건화 블록으로 구성됩니다. 4번의 훈련 시험을 시작하고 2킬로헤르츠의 속도로 원시 데이터를 기록합니다. 각 단계에서 체계적인 노이즈 원인이 있는지 실시간으로 데이터를 육안으로 검사합니다.

매번 달리기 후, 피험자에게 습관화를 평가하기 위해 충격의 강도를 평가하도록 요청하십시오. 시험을 완료 한 후, 무료 서퍼를 사용하여 피질, 외부 피부 및 외부 두개골의 분할 된 피질 하 볼륨과 표면을 만듭니다. 다음으로, 편도체 볼륨과 해마 볼륨을 만들고 표면으로 변환합니다.

슬라이서 3과 ParaView를 사용하여 다음 단계는 브레인스토밍 데이터베이스에 새 제목을 만드는 것입니다. MRI 볼륨을 브레인스토밍으로 가져오고, 기준점을 식별하여 볼륨을 표준 공간으로 워프하고, 표면을 가져오고, 두피 표면을 MRI와 수동으로 정렬합니다. 일단 완료되면.

이 변환을 다른 모든 표면에 적용합니다. 껍질, 해마 및 편도체 표면을 병합합니다. 마지막으로, 편도체와 해마에 대한 관심 영역을 만듭니다.

생성되면 각 교육 세션에 대한 MEG 기록 파일을 가져옵니다. MEG 수집 소프트웨어는 신호 공간 분리를 사용하여 자기 차폐실 외부의 소스로 인해 발생하는 아티팩트를 제거합니다. SSS로 표시된 폴더에서 자주 발견되는 깨끗한 파일을 사용하여 유발된 응답을 분석해야 합니다.

먼저 이벤트 채널을 사용하여 각 실험 시도에 해당하는 서사시를 식별합니다. 심전도 및 전기 아이콘학 채널에서 식별된 이벤트에서 신호 공간 투영을 사용하여 심장 박동 및 안구 움직임으로 인한 아티팩트를 제거합니다. 다음으로, 헤드 포인트를 사용하여 MRI 정합을 구체화합니다.

cortex의 입력과 함께 중첩 구체 방법을 사용하여 기록의 잡음 공동 분산을 계산하고, 최소 노름 추정 방법을 사용하여 소스를 계산하는 헤드 모델을 계산하고, 소스에 대한 분석을 계속합니다. 개별 임상시험을 위한 다음 대역 통과 필터 소스. 대역 통과 필터링된 소스의 절대값을 취하고 해당 값을 기준선 변동성을 기반으로 Z-점수로 변환하고, 시도 전반에 걸쳐 소스와 평균 소스를 공간적으로 매끄럽게 합니다.

이러한 평균을 실험의 기본 해부학적 구조에 투영합니다. 다음으로, 다양한 조건의 소스에 대한 T 테스트를 계산합니다. 공간적 및 시간적 임계값을 사용하여 유의한 T-검정 결과를 필터링하여 패밀리별 오류를 수정합니다.

크게 활성화된 영역을 식별하고 각 피험자에 대한 활성화 시간 경과를 내보냅니다. 마지막으로, 각 시점에서 피험자 전체의 평균과 표준 오차를 계산합니다. 먼저, 개별 임상시험의 원시 데이터를 실험의 기본 해부학적 구조에 투영합니다: 관심 있는 해부학적 및 기능적 영역의 데이터에 대한 시간 빈도 분해를 계산합니다.

결과 시간 빈도 분해 맵을 Z-점수로 변환하고 각 피험자에 대한 시행 전반에 걸쳐 결과 맵의 평균을 구합니다. 마지막으로, 여기에 표시된 다양한 조건에 걸쳐 맵에서 T-검정을 수행하는 것은 일반적인 조건화 연구의 동작 결과입니다. 왼쪽 그래프는 60건의 임상시험에서 피험자들이 비슷한 수준의 기대 수명을 가졌음을 보여주며, 이는 마스크 착용 절차가 조건 자극을 구별하는 능력을 차단했음을 시사합니다.

오른쪽 그래프는 테스트 세션 동안의 차등 응답을 보여줍니다. 필터링되지 않은 그룹은 새로운 자극에 비해 이전 자극에 대해 더 큰 반응을 보이며, 이는 훈련이 필터링된 그룹과 비교할 때 더 나은 재습득으로 이어진다는 것을 시사합니다. 이 예제에서는 일반적인 조건화 실험의 MEG 결과를 보여줍니다.

왼쪽의 3D 모델은 편도체와 주황색, 해마는 녹색으로 표시됩니다. 오른쪽 그래프는 편도체 클러스터의 활동을 나타냅니다. 밝은 색상의 선은 필터링되지 않은 얼굴에 의해 유발되는 활동을 나타내고, 더 어두운 선은 필터링된 얼굴에 의해 유발되는 활동을 나타냅니다.

이 그래프는 편도체에서 기록된 MEG 신호를 시간과 주파수별로 분류하여 나타냅니다. 따뜻한 색상은 스펙트럼 분광기에서 필터링된 면보다 필터링되지 않은 면에 대해 훨씬 더 많은 전력을 보여주는 영역을 나타냅니다. 시원한 색상은 반대 지역을 나타내며 스트라이프 오버레이는 그룹 간에 상당한 차이를 나타냅니다.

이 그림은 후두부 얼굴 영역 활성화를 보여줍니다. 일반적인 컨디셔닝 실험에서 따뜻한 색상은 필터링된 얼굴보다 필터링되지 않은 얼굴에 더 큰 반응을 나타냅니다. 이 절차를 따릅니다.

신경 커뮤니케이션과 관련된 추가 질문에 답하기 위해 일관성 분석과 같은 다른 방법을 사용할 수 있습니다. 이 비디오를 시청한 후에는 소스 이미징을 사용하여 신경 반응과 피질하 뇌 구조를 감지하는 방법을 잘 이해하게 될 것입니다.