Analyseren van neurale activiteit en connectiviteit intracraniële EEG-gegevens gebruiken met SPM Software

Deze methode kan helpen bij het beantwoorden van belangrijke vragen in de cognitieve neurowetenschappen veld. Het belangrijkste voordeel van deze techniek is dat het neurale activiteit en connectiviteit op hoog-ruimtelijke temporele evoluties kan analyseren. Als u wilt beginnen met de analyse van intracraniale EEG-gegevens, stelt u SPM12 in en selecteert u het ANALYTISCH MEG EEG-menu.

Voer eerst tijdfrequentieanalyse uit voor de vooraf verwerkte intracraniale EEG-gegevens van elke proef met behulp van continue waveletdecompositie met Morlet-wavelets op basis van vooraf gedefinieerde parameters. Om de temporele evolutie van spectrale componenten te onthullen, voert u waveletdecompositie uit met zeven-cyclus Morlet-golfjes voor het gehele tijdperk van 1.000 tot 2.000 milliseconden met behulp van het frequentiebereik van vier tot 300 hertz. Bepaal vervolgens de moedergolf en het aantal cycli en merk op dat het aantal cycli de tijdfrequentieresoluties regelt en groter moet zijn dan vijf om de stabiliteit van de schatting te garanderen.

Bepaal tijd- en frequentiebereiken. Snijd vervolgens de resulterende tijdfrequentiekaarten automatisch bij om randeffecten te verwijderen. Hier worden de kaarten bijgesneden op 200 tot 500 milliseconden.

Voer desgewenste gegevenstransformatie en basislijncorrectie uit door tijdfrequentieherwaarden voor de tijdfrequentiekaarten te selecteren om gebeurtenisgerelateerde vermogensveranderingen beter te visualiseren en de normaliteit te verbeteren. Zet vervolgens de tijdfrequentiekaarten om in tweedimensionale afbeeldingen. Ook glad met behulp van een Gaussian kernel met een vooraf gedefinieerde full-width half-maximale waarde om te compenseren voor inter-subject variabiliteit en om te voldoen aan veronderstellingen van willekeurige veldtheorie.

Selecteer nu het tweede niveau opgeven in het SPM-menu en voer de 2D-afbeeldingen in die worden geanalyseerd. Voer vervolgens het algemene lineaire model uit door modelschatting te selecteren. Selecteer ten slotte resultaten om statistische conclusies uit te voeren op de tijdfrequentiegegevens op basis van willekeurige veldtheorie.

Detecteer aanzienlijk geactiveerde tijdfrequentieclusters met vooraf gedefinieerde drempelwaarden, zoals die hier worden gezien. Start dynamische causale modelleringsanalyse door DCM te selecteren in het SPM-menu. Kies vervolgens de IND-optie en selecteer nieuwe gegevens om de vooraf verwerkte intracraniale EEG-gegevens te importeren.

Gebruik vervolgens het MENU MEG EEG om het interessevenster, het interessevenster van de frequentie, het aantal golfcycli dat zal worden gebruikt, de voorwaarden van belang en de contrasten voor de voorwaarden op te geven. Stel het tijdvenster in op één tot 500 milliseconden. Gebruik morlet-golfjes van vijf tot 100 hertz in één hertz-trap.

Gebruik de standaardinstelling voor de waveletcyclus. Bepaal de tijdfrequentiebereiken op basis van onderzoeksinteresse. Houd er rekening mee dat een tijdvenster met een extra 512 milliseconden automatisch kan worden gebruikt tijdens de berekening om randeffecten te verwijderen.

Op basis van het DCM-kader, definieer de drijvende ingangen die zintuiglijke ingangen op neurale toestanden vertegenwoordigen en de intrinsieke verbindingen die basislijnconnectiviteit tussen neurale toestanden belichamen. Definieer ook de modulatieve effecten op de intrinsieke verbindingen via experimentele manipulaties voor null- en hypothetische modellen. Definieer het type modulatie als lineair of niet-lineair.

Geef nu de intrinsieke lineaire en niet-lineaire verbindingen, het stimuleren van ingangen en modulatie-ingangen op. Wijzig indien nodig de standaardinstellingen van gerelateerde parameters, zoals de begintijd en duur van de voorafgaande stimulus. Kies vervolgens om dcm om de modellen te schatten.

Selecteer daarna resultaten opslaan als afbeelding om parametersbeelden van frequentiefrequenties te besparen. Voer vervolgens een willekeurige effecten Uit Bayesian Model Selection-analyse door BMS te selecteren om het optimale netwerkmodel te identificeren. Gebruik het model verwachte waarschijnlijkheden en accedence waarschijnlijkheden als evaluatiemaatregelen.

Maak vervolgens conclusies met betrekking tot de frequentieoverschrijdende patronen van de modulatieve verbindingen met behulp van de winnende modelparameters. Maak nu de modulatorische koppelingsparameterafbeeldingen vloeiend door converteren naar afbeeldingen te selecteren. Gebruik vervolgens het tweede niveau opgeven om algemene lineaire modelanalyse uit te voeren.

Selecteer ten slotte resultaten om de 2D SPMT-waarden te berekenen. Hier werd de volledige breedte half-maximum vastgesteld op acht hertz en belangrijke waarden werden verkennend geïdentificeerd met behulp van een ongecorrigeerde hoogte drempel van P minder dan 0,05. Tijdfrequentieanalyses werden uitgevoerd om de temporele en frequentieprofielen van Inferieure Occipital Gyrus- of IOG-activiteit tijdens de verwerking van fasen te onderzoeken.

Hier zien we tijd-frequentie kaarten van de juiste IOG activiteit voor de rechtopstaande fase en rechtopstaande mozaïek voorwaarden. De SPMT-gegevens voor rechtopstaande fase versus rechtopstaand mozaïek worden ook weergegeven. Functionele netwerkmodellen worden hier getoond.

Acht mogelijke combinaties van modulatory input van rechte fase versus rechtopstaand mozaïek op verbindingen tussen IOG en amygdala en zelf-verbinding op elke gebied werden onderzocht. Frequentiefrequentiemodulators en SPMT-waarden voor rechtopstaande fase versus rechtopstaand mozaïek voor de IOG versus amygdala en amygdala versus IOG modulatie worden hier getoond. De rood-gele gebieden geven significante excitatory connectiviteit aan, terwijl de blauw-cyaangebieden remmende connectiviteit aangeven.

Na het bekijken van deze video, moet u een goed inzicht hebben in hoe u intracraniale EEG-gegevens analyseren voor het detecteren van neurale activiteit en connectiviteit met behulp van de SPM-software.