Artykuł metodologiczny

Protokół do administrowania treningiem neurofeedbacku fMRI w czasie rzeczywistym

DOI:

10.3791/55543

⸱

24 sierpnia 2017

 ,  ,  ,  ,  , 
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

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zdolność do wywoływania i/lub kontrolowania plastyczności neuronalnej może być kluczowa w przyszłych terapiach zaburzeń neurologicznych i powrocie do zdrowia po urazie mózgu. W artykule przedstawiono protokół dotyczący wykorzystania treningu neurofeedback z funkcjonalnym rezonansem magnetycznym do modulacji funkcji ludzkiego mózgu.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zaburzenia neurologiczne charakteryzują się nieprawidłowymi funkcjami na poziomie komórkowym, molekularnym i obwodowym w mózgu. Nowe metody indukowania i kontrolowania procesów neuroplastycznych oraz korygowania nieprawidłowych funkcji, a nawet przenoszenia funkcji z uszkodzonej tkanki do fizjologicznie zdrowych obszarów mózgu, mają potencjał do radykalnej poprawy ogólnego stanu zdrowia. Spośród obecnie opracowywanych interwencji neuroplastycznych, trening neurofeedback (NFT) z funkcjonalnego rezonansu magnetycznego (fMRI) ma tę zaletę, że jest całkowicie nieinwazyjny, niefarmakologiczny i przestrzennie zlokalizowany w docelowych obszarach mózgu, a także nie ma znanych skutków ubocznych. Co więcej, techniki NFT, początkowo opracowane przy użyciu fMRI, często można przełożyć na ćwiczenia, które można wykonywać poza skanerem bez pomocy lekarzy lub zaawansowanego sprzętu medycznego. W fMRI NFT sygnał fMRI jest mierzony z określonych obszarów mózgu, przetwarzany i prezentowany uczestnikowi w czasie rzeczywistym. Poprzez trening rozwijane są techniki samodzielnego przetwarzania umysłowego, które regulują ten sygnał i leżące u jego podstaw neurofizjologiczne korelaty. FMRI NFT został wykorzystany do trenowania kontroli wolicjonalnej w szerokim zakresie regionów mózgu, co ma wpływ na kilka różnych systemów poznawczych, behawioralnych i motorycznych. Ponadto fMRI NFT okazał się obiecujący w szerokim zakresie zastosowań, takich jak leczenie zaburzeń neurologicznych i zwiększanie wyjściowej wydajności człowieka. W tym artykule przedstawiamy opracowany w naszej placówce protokół fMRI NFT do modulacji zarówno zdrowej, jak i nieprawidłowej funkcji mózgu, a także przykłady wykorzystania tej metody do celowania zarówno w poznawcze, jak i słuchowe obszary mózgu.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zaburzenia neurologiczne stanowią poważne przeszkody dla dotkniętych nimi osób, ich rodzin i społeczeństwa. Leczenie zaburzeń neurologicznych może nie istnieć lub mieć wątpliwą skuteczność, a często jest ukierunkowane tylko na objawy zaburzenia. Tak jest w przypadku szumów usznych – fantomowej percepcji dźwięku – która nie ma leczenia zatwierdzonego przez amerykańską Agencję ds. Żywności i Leków (FDA). Szumy uszne mogą mieć głęboki wpływ na życie człowieka, zakłócając codzienne zadania poprzez zmniejszenie koncentracji lub zmianę percepcji rzeczywistego dźwięku. Ponadto osoby dotknięte szumami usznymi mogą również odczuwać zmęczenie, stres, problemy ze snem, problemy z pamięcią, depresję, lęk i drażliwość1. Terapie, które istnieją, takie jak leki przeciwdepresyjne i przeciwlękowe, pomagają jedynie w radzeniu sobie z powiązanymi objawami i mogą nie leczyć podstawowej przyczyny. Stwarza to krytyczną lukę dla innowacyjnych metod leczenia tych zaburzeń.

Ulepszenia w technikach akwizycji, mocy obliczeniowej i algorytmach zrewolucjonizowały szybkość, z jaką można mierzyć i przetwarzać dane funkcjonalnego rezonansu magnetycznego (fMRI). Umożliwiło to pojawienie się fMRI w czasie rzeczywistym, w którym dane mogą być przetwarzane w miarę ich gromadzenia. Wczesne zastosowania fMRI w czasie rzeczywistym były ograniczone2, głównie hamowane przez niemożność szybkiego wykonania etapów wstępnego przetwarzania typowych dla analiz offline, takich jak korekcja ruchu. Ulepszenia w technologii obliczeniowej i algorytmach zwiększyły szybkość, czułość i wszechstronność fMRI3 w czasie rzeczywistym, umożliwiając zastosowanie podobnego wstępnego przetwarzania offline w czasie rzeczywistym. Osiągnięcia te doprowadziły do powstania 4 głównych dziedzin zastosowań fMRI w czasie rzeczywistym: śródoperacyjne wskazówki chirurgiczne4, interfejsy mózg-komputer5,6, adaptacja bodźców do aktualnych stanów mózgu7, oraz neurofeedback training8.

NFT, choć nie jest pierwotnym celem fMRI w czasie rzeczywistym, jest rozwijającą się dziedziną badań, w której osoby uczą się wolicjonalnie modulować aktywność mózgu poprzez wdrażanie strategii mentalnych (tj. wyobrażonych zadań). NFT jest formą warunkowania instrumentalnego9, które, jak wykazano, zwiększa szybkość uruchamiania neuronów i aktywność neuronalną u małp10. Ponadto fMRI NFT wiąże się z plastycznością zależną od czasu skoku, czyli zmianami neuronalnymi zachodzącymi podczas uczenia się asocjacyjnego11. Dalsze implikacje sugerują, że fMRI NFT indukuje plastyczność poprzez długoterminowe wzmocnienie (LTP), co skutkuje zwiększoną wydajnością synaptyczną12. Inny postulat sugeruje komórkowe mechanizmy uczenia się umiejętności, takie jak wolicjonalna kontrola aktywności mózgu, i może obejmować zmiany w przewodnictwie błony zależnej od napięcia - wyrażone jako zmiana pobudliwości neuronalnej13. W każdym razie wydaje się, że fMRI NFT wpływa na mózg na poziomie neuronalnym. Teorie te stanowią mocne argumenty za zastosowaniem fMRI NFT w leczeniu zaburzeń neurologicznych.

FMRI NFT, w przeciwieństwie do tradycyjnego fMRI, oferuje możliwość zbadania związku między aktywnością mózgu a zachowaniem11,14. Ostatnio nastąpił gwałtowny wzrost liczby badań z udziałem fMRI NFT - w latach 2011 - 2012 opublikowano prawie dwa razy więcej artykułów (n = 30) w porównaniu z poprzednimi 10 latami (n = 16)11. Jedno z pierwszych badań fMRI NFT zostało przeprowadzone przez Weiskopfa i współpracowników w 2003 roku8. Badanie to z powodzeniem wykazało wykonalność informacji zwrotnej online i samoregulacji sygnału fMRI w przedniej korze obręczy (ACC) na jednym uczestniku. Informacja zwrotna została wyświetlona z opóźnieniem około dwóch sekund, ponad o rząd wielkości szybszym niż w kilku poprzednich badaniach. Pierwsze pełne badanie zostało przeprowadzone w 2004 roku, w którym 6 uczestników nauczyło się kontrolować aktywność kory somatomotorycznej15. FMRI NFT zostało zrealizowane w 3 sesjach wykonanych tego samego dnia. Zwiększoną aktywność selektywną przestrzennie w stosunku do docelowego regionu w korze somatomotorycznej zaobserwowano w trakcie treningu na poziomie pojedynczego obiektu i grupy. Efektu tego nie zaobserwowano w grupie kontrolnej, która otrzymała rzeczywiste informacje fMRI z regionu tła (nieskorelowanego z wykonywanym zadaniem) wcześniej w serii. Od tego czasu naukowcy wykazali, że ludzie mogą nauczyć się wolicjonalnej kontroli sygnału fMRI mierzonego z wielu obszarów mózgu, w tym ACC16, amygdala17, anterior insula18,19, sieci słuchowe i związane z uwagą20, obustronna ostroboczna kora przedczołowa21, grzbietowo-boczna kora przedczołowa12,22,23, kora ruchowa24,25,26,27,28, primary auditory cortex29,30, regiony związane z regionami sieci emocjonalnej31,32, prawy dolny zakręt czołowy33, oraz kora wzrokowa34,35.

Mechanizmy leżące u podstaw wielu zaburzeń neurologicznych są nieznane. W przykładzie szumów usznych w większości przypadków nie ma oczywistego źródła dźwięku fantomowego36,37,38. Mimo to dowody sugerują, że za odczuwanie szumów usznych u niektórych osób może być odpowiedzialny centralny mechanizm, o czym świadczy brak ustąpienia objawów po całkowitym rozwarstwieniu nerwu słuchowego39. Nadpobudliwość związana z szumami usznymi została stwierdzona w pierwotnej korze słuchowej40,41,42. Dalsze dowody sugerują, że skutki szumów usznych rozciągają się dalej na obszary zaangażowane w przetwarzanie emocji i stan uwagi43. Na podstawie tych nieprawidłowości można opracować paradygmaty fMRI NFT w celu indukowania i kontrolowania mechanizmów neuroplastycznych, które zachęcają do prawidłowych wzorców neuronalnych.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Następujący protokół fMRI NFT jest zgodny z wytycznymi dostarczonymi przez Wright State University Institutional Review Board.

1. Grupy kontrolne

  1. Dokładnie rozważ i określ grupy kontrolne a priori. Zaprojektuj grupę kontrolną tak, aby umożliwić ocenę hipotezy (hipotez) i uwzględnić efekty dodatkowych czynników, takich jak praktyka lub oczekiwania wynikające z informacji zwrotnej displays44.

2. Konfiguracja sprzętu

  1. Przygotuj cały sprzęt, zanim uczestnik wejdzie do sali rezonansu magnetycznego, stosując te same procedury, co w przypadku tradycyjnego fMRI.
  2. Podłącz system wyświetlacza i urządzenia reagującego kompatybilny z MR do komputera bodźca (PC).
  3. Poprowadź okablowanie dla urządzeń reagujących i słuchawek kompatybilnych z MR przez otwór MRI lub wokół niego.
  4. Podłącz wyjście wyzwalacza TR z rezonansu magnetycznego do bodźca PC.
    UWAGA: W niektórych konfiguracjach może to być podłączone do sprzętu urządzenia reagującego zgodnego z MR, które następnie łączy się z komputerem bodźca. Jest to niezbędne do synchronizacji, bodźców i pozyskiwania danych.
  5. Ustaw wyświetlacz kompatybilny z MR tak, aby był widoczny dla uczestnika przez lustro (które ma być) przymocowane do cewki głowicy.

3. Pozycjonowanie uczestników

UWAGA: Uczestnik powinien być umieszczony na stole skanera w podobny sposób jak typowy rezonans magnetyczny mózgu, i w taki sam sposób jak tradycyjny fMRI.

  1. Poproś uczestnika, aby położył się w pozycji leżącej na stole skanera. Poproś ich, aby utrzymali głowę wewnątrz cewki głowicy.
  2. Umieść słuchawki na głowie uczestnika i upewnij się, że uszy są zakryte. Jeśli wymagana jest dodatkowa ochrona słuchu, włóż zatyczki do uszu przed ustawieniem słuchawek.
  3. Umieść podkładkę pod kolanami uczestnika, aby zwiększyć komfort.
  4. Zablokuj górną część cewki głowicy na swoim miejscu.
  5. Przymocuj lusterko do cewki głowicy.
  6. Umieść urządzenia odpowiedzi w rękach uczestnika.
  7. Oznacz położenie nasion uczestnika względem skanera.
  8. Przenieś oznaczone miejsce do środka otworu rezonansu magnetycznego.
  9. Upewnij się, że uczestnik może view cały wyświetlacz za pomocą lustra. Poproś uczestnika, aby w razie potrzeby wyregulował lustro.

4. Lokalizacja regionu docelowego

  1. Wykonaj "funkcjonalny" lokalizator. Użyj aktywności mózgu z lokalizatora funkcjonalnego, aby zdefiniować docelowy region zainteresowania (ROI)11.
    UWAGA: Ten przebieg jest wykonywany w podobny sposób jak tradycyjny fMRI. Jednak docelowy zwrot z inwestycji można również zdefiniować za pomocą indywidualnej anatomii lub ustandaryzowanych atlasów, co eliminuje konieczność wykonywania funkcjonalnego lokalizatora.
    1. Przekaż uczestnikowi skryptowe i/lub wizualne instrukcje dotyczące zadania.
      UWAGA: Instrukcje te powinny być zwięzłe, ale zawierać wystarczające informacje, aby umożliwić uczestnikowi pomyślne wykonanie zadania wykonanego podczas lokalizatora funkcjonalnego. W tym przypadku instrukcje informują uczestnika, że na ekranie pojawi się kropka i może on słyszeć dźwięki w słuchawkach. Ich celem jest relaks i skupienie się na kropce.
    2. Rozpocznij zsynchronizowane podawanie bodźców dźwiękowych (np. obustronny ciągły biały szum29) i akwizycję danych, naciskając przycisk "Skanuj" na skanerze MR.
      UWAGA: Odbywa się to poprzez zaprogramowanie prezentacji bodźców za pomocą wyzwalacza TR z akwizycji fMRI. Wyzwalacz TR jest sterowany za pomocą protokołu fMRI, jednak może to być zależne od producenta MRI i zainstalowanych pakietów. Wszelkie bodźce wizualne, dotykowe i/lub słuchowe mogą być dostarczane do wykonywania innych zadań i/lub kierowania do innych regionów.
      1. Naprzemiennie dostarczaj bodźce zadaniowe (biały szum) z dopasowanymi bodźcami kontrolnymi (brak hałasu) w zablokowanym wzorcu. Użyj bodźców kontrolnych, aby aktywować niepożądane sieci/systemy aktywowane w bodźcach zadania.
        UWAGA: Ta zmiana następuje poprzez synchronizację bodźców z akwizycją fMRI i monitorowanie impulsów TR.
      2. Zbierz płaskie obrazy echa całego mózgu za pomocą sekwencji impulsów MRI z echem przywołanym gradientem; przykładowe parametry sekwencji impulsów obejmują macierz akwizycji elementów 64 x 64 w kierunkach fazy i częstotliwości, 41 warstw ustawionych równolegle do przedniej i tylnej płaszczyzny spoidła, 3,75 x 3,75 x 3 mm rozmiar 3 wokseli, odstęp między warstwami 0,5 mm, włączone tłumienie tłuszczu, TR/TE = 2 000/20 ms, a kąt odwrócenia = 90°.
  2. Obliczanie mapy aktywacji na podstawie danych fMRI zebranych podczas lokalizatora funkcjonalnego przy użyciu statystyk wielowymiarowych.
    UWAGA: Poniższe kroki są wariantem przetwarzania wykonywanego dla tradycyjnego fMRI. Niektóre kroki zostały usunięte lub uproszczone w celu skrócenia czasu przetwarzania.
    1. Wstępne przetwarzanie danych podczas akwizycji danych przy użyciu niestandardowego oprogramowania utworzonego na podstawie standardowych technik wstępnego przetwarzania12,45.
      1. Wykonaj filtrowanie przestrzenne 3D przy użyciu jądra dolnoprzepustowego Gaussa (pełna szerokość połowa maksimum 4,5 mm).
      2. Skoryguj ruch translacyjny, wyrównując środek masy dla każdej objętości do pierwszej objętości lokalizatora funkcjonalnego za pomocą interpolacji trójliniowej.
      3. Wykonaj filtrowanie czasowe przy użyciu jądra dolnoprzepustowego Gaussa o σ = 3 s.
    2. Stworzenie modelu do przewidywania reakcji neurofizjologicznej na zadanie; jest to wykonywane w taki sam sposób, jak w przypadku tradycyjnego fMRI.
      1. Utwórz model psychologiczny, który opisuje stany aktywny i spoczynku dla każdego punktu czasowego46. Modeluje to punkty czasowe podczas zadania z wartością "1" i kontrolę z wartością "0".
      2. Połącz model psychologiczny z predefiniowaną funkcją odpowiedzi hemodynamicznej (HRF)46, aby przewidzieć odpowiedź fMRI (neurofizjologiczną) na zadanie.
    3. Dopasuj dane fMRI dla każdego woksela w funkcji czasu do modelu neurofizjologicznego za pomocą ogólnego modelu liniowego (GLM). Powoduje to powstanie mapy parametrów β, która jest konwertowana na mapy statystyczne t lub z (mapy aktywacji) przy użyciu standardowych przekształceń statystycznych.
  3. Użyj mapy aktywacji nałożonej na średni obraz fMRI, aby określić obszar, w którym zostanie uzyskany sygnał sprzężenia zwrotnego dla późniejszego neurofeedbacku.
    UWAGA: Odbywa się to za pomocą niestandardowego oprogramowania. Aby usunąć zmiany globalne i niespecyficzne, można również zdefiniować drugi zwrot z inwestycji.
    1. Poruszaj się po wycinkach za pomocą kółka suwaka myszy lub suwaka plasterków, aby znaleźć znaczniki anatomiczne widoczne w danych fMRI, takie jak dolna powierzchnia rogu czołowego komór bocznych12.
    2. Proguj mapę aktywacji za pomocą suwaka progu, aby ujawnić woksele najsolidniej aktywowane podczas lokalizatora funkcjonalnego w regionie docelowym.
      1. W tym celu należy wybrać próg a priori lub ręcznie dostosować próg.
    3. Użyj lewego przycisku myszy, aby wybrać poszczególne woksele z aktywacją powyżej wybranego progu i w regionie docelowym, aby dodać do ROI.
      UWAGA: Woksele można wybierać z jednego lub więcej wycinków.

5. fMRI NFT

  1. Przeprowadzaj biegi neurofeedback przy użyciu modelu wagonu towarowego z naprzemiennymi warunkami zadania i kontroli.
    1. Zaimplementuj warunek zadania, w którym uczestnicy zwiększają lub zmniejszają aktywność regionu docelowego, przy czym kierunek kontroli ma kluczowe znaczenie dla osiągnięcia pożądanych wyników.
      UWAGA: Na przykład wiele obszarów mózgu jest nadpobudliwych u pacjentów z szumami usznymi, a zatem zmniejszenie aktywności może sprzyjać normalnym wzorcom neuronalnym.
    2. Zamień warunek zadania na warunek kontrolny, w którym uczestnicy przywracają aktywność, aby odpocząć, relaksując się i oczyszczając umysł.
    3. Przekaż uczestnikowi scenariusz ćwiczeń uważności, które można wykorzystać podczas obu stanów jako pomoc początkową do modulowania aktywności mózgu w kierunku pożądanych stanów. Poinstruuj uczestnika, aby wykonywał zadania uważności, które kierują aktywność mózgu w kierunku pożądanych stanów.
      1. W przykładzie z szumami usznymi poinstruuj uczestników, aby odwrócili uwagę od układu słuchowego na inne systemy sensoryczne, aby zmniejszyć aktywność słuchową.
    4. Obliczenia według planu bazowego
      UWAGA: Ze względu na dostrojenie komponentów sprzętowych MRI przed każdym przebiegiem, linie bazowe są używane do normalizacji danych przed przedstawieniem uczestnikowi informacji zwrotnej. Średnia bazowa jest określana dla regionu docelowego przy użyciu średniej z jednego lub więcej woluminów uzyskanych na początku każdego uruchomienia fMRI NFT12,47.
      1. Poinstruuj uczestnika, aby zrelaksował się podczas odliczania przedstawionego na początku skanowania.
  2. Rozpocznij zsynchronizowaną prezentację bodźców i akwizycję danych, naciskając przycisk "skanuj" na skanerze MRI. Zbierz obrazy echa płaskiego za pomocą sekwencji impulsów MRI z echem przywołanym gradientem w taki sam sposób, jak opisano dla lokalizatora funkcjonalnego w kroku 4.1.2.
  3. Uzyskiwanie woluminów planu bazowego.
    1. Wizualnie przedstaw minutnik i pusty wyświetlacz opinii.
    2. Przetwarzaj dane podczas akwizycji za pomocą niestandardowego oprogramowania.
      1. Wykonaj filtrowanie przestrzenne 3D przy użyciu jądra dolnoprzepustowego Gaussa (pełna szerokość połowa maksimum 4,5 mm).
      2. Poprawna dla ruchu translacyjnego przy użyciu środka masy dla każdej objętości; każda objętość jest rejestrowana do pierwszej objętości lokalizatora funkcjonalnego za pomocą interpolacji trójliniowej.
      3. Obliczanie średniego sygnału z docelowego zwrotu z inwestycji zarówno w czasie, jak i przestrzeni.
      4. Zsumuj sygnały ze wszystkich wokseli w ramach docelowego zwrotu z inwestycji w każdym woluminie.
      5. Utwórz średni zwrot z inwestycji dla każdego woluminu, dzieląc sumę przez liczbę wokseli w ROI.
      6. Uśrednij sumy z woluminów według planu bazowego.
  4. Pozyskiwanie woluminów neurofeedbacku
    1. Wstępnie przetwarzaj dane podczas akwizycji za pomocą niestandardowego oprogramowania.
      1. Wykonaj filtrowanie przestrzenne 3D przy użyciu jądra dolnoprzepustowego Gaussa (pełna szerokość połowa maksimum 4,5 mm).
      2. Skoryguj ruch translacyjny, wyrównując środek masy dla każdej objętości do pierwszej objętości lokalizatora funkcjonalnego za pomocą interpolacji trójliniowej.
    2. Oblicz sygnał sprzężenia zwrotnego. Sygnał sprzężenia zwrotnego jest uzyskiwany z każdej uzyskanej objętości podczas fMRI NFT. Są to informacje, które są prezentowane uczestnikowi, aby pomóc w nauce kontroli wolicjonalnej.
      1. Uśrednij sygnał fMRI ze wszystkich wokseli w obrębie docelowego zwrotu z inwestycji, aby utworzyć pojedynczą wartość.
      2. Oblicz procentową zmianę między bieżącą średnią ROI a średnią ROI w linii bazowej. Opcjonalnie sygnał ten może być skalowany o współczynnik zależny od wyników uczestnika.
      3. Oblicz sygnał sprzężenia zwrotnego, filtrując czasowo (jądro dolnoprzepustowe Gaussa z sigma 3 s składające się tylko z przeszłych składników) bieżącą zmianę procentową z sygnałami sprzężenia zwrotnego z poprzednich woluminów neurofeedbacku.
    3. Wyświetl sygnał sprzężenia zwrotnego.
      1. Wyświetla bieżący sygnał sprzężenia zwrotnego za pomocą wykresu słupkowego w stylu termometru, gdzie wysokość słupka jest proporcjonalna do wartości sprzężenia zwrotnego18,19,21,34.
      2. Nakładka instrukcji dla uczestnika na wyświetlaczu informacji zwrotnej.
        UWAGA: Te instrukcje są proste i powinny skierować uczestnika do rozluźnienia się, zwiększenia lub zmniejszenia aktywności (np. pasek termometru).
    4. Opcjonalnie zapewnij dodatkową stymulację. Dodatkowa stymulacja wzrokowa, słuchowa lub dotykowa może być prezentowana równocześnie z informacją zwrotną.

6. Oceń zdolność do samoregulacji docelowego zwrotu z inwestycji.

UWAGA: Po zakończeniu neurofeedbacku, zdolność do samoregulacji regionu docelowego dla każdego treningu musi zostać określona ilościowo.

  1. Analizuj wewnątrzobiektowe zmiany w sygnałach zwrotnych12.
    1. Stwórz model psychologiczny reprezentujący warunki odpoczynku i zadania neurofeedbacku.
      UWAGA: Ten model jest połączony z predefiniowanym HRF w celu wytworzenia modelu neurofizjologicznego. Proces jest taki sam, jak opisany dla lokalizatora funkcjonalnego.
    2. Dopasuj szeregi czasowe sygnału sprzężenia zwrotnego do modelu neurofizjologicznego za pomocą GLM. W ten sposób powstaje parametr β, który jest konwertowany na statystykę t lub z reprezentatywną dla zdolności do samoregulacji.
  2. Wykonywanie porównań międzyobiektowych.
    UWAGA: Dane statystyczne reprezentatywne dla wyników samoregulacji można porównać między seriami i grupami za pomocą odpowiednich analiz statystycznych (np. sparowanych testów t lub ANOVA). Testy te oceniają zmiany w zdolności do samoregulacji regionu docelowego w różnych szkoleniach i grupach i mogą być wykorzystane do oceny hipotezy (hipotez) badania.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nasz zespół wykazał znaczny wzrost kontroli nad lewą grzbietowo-boczną korą przedczołową (DLPFC) uzyskaną dzięki fMRI NFT w kohorcie 18 uczestników. Jednoczynnikowa ANOVA wewnątrz badanych została przeprowadzona na wartościach ilościowych kontroli wolicjonalnej12. Analiza ta wykazała, że kontrola lewego DLPFC znacznie wzrosła w ciągu 5 x
6 min: 24 s przebiegi neurofeedbacku podzielone na pięć oddzielnych sesji przeprowadzonych w ciągu 14 dni (Rysunek 1; F(4,68) = 2,216, p = 0,038, zakładana kulistość, jednostronna). Zmiany w wydajności w złożonym teście wielozadaniowym, wykonanym przed i po NFT, porównano z grupą, która nie otrzymała neurofeedbacku przy użyciu mieszanych modeli ANOVA 2 x 2. Porównania post-hoc, skorygowane przez Bonferroniego, wykazały znaczny wzrost wydajności w złożonym teście wielozadaniowym, który nie został dodatkowo przeszkolony (p <0,005, jednostronny), a wzrost ten był znacznie większy niż w grupie kontrolnej, która wykonywała podobny trening, ale nie była objęta dodatkową pomocą neurofeedbacku (p <0,03, zakładana sferyczność, jednostronna)12. Pomimo tego, że grupa eksperymentalna uzyskała kontrolę nad lewym DLPFC podczas treningu, nie zaobserwowano plateau. Oznacza to, że maksymalna kontrola nie jest konieczna do uzyskania wyników behawioralnych i że jeszcze większe efekty mogą być możliwe dzięki dalszemu treningowi12. Co więcej, nasz zespół ujawnił, że fMRI NFT w połączeniu z praktyką n-back tworzy ogniskowe zmiany w aktywności mózgu, które są ograniczone do regionu docelowego i nie wpływają na składniki w górę lub w dół sieci pamięci roboczej (Rysunek 2)22.

Jeśli chodzi o szumy uszne, jedno z poprzednich badań badało fMRI NFT jako możliwą metodę leczenia29. W tym badaniu 4 x 4 minutowe biegi neurofeedbacku zostały wykonane w jednej sesji treningowej. Oceny behawioralne szumów usznych przeprowadzono przed i po pojedynczej sesji fMRI NFT. Osiągnięto pomyślną wolicjonalną regulację kory słuchowej w dół, która doprowadziła do znacznego zmniejszenia aktywacji słuchowej. Badanie to pokazuje obietnicę fMRI NFT w leczeniu szumów usznych, jednak przebadano tylko sześciu uczestników, a grupa kontrolna nie została wykorzystana do porównania. Nie przeprowadzono również analiz statystycznych obejmujących dane behawioralne. Rozszerzenie tego badania może ujawnić interesujące nowe możliwości leczenia dla pacjentów z szumami usznymi.

figure-results-1
Rysunek 1: Zwiększenie kontroli nad lewym DLPFC. Średnia lewa kontrola DLPFC dla każdego przebiegu neurofeedbacku (wykonywanego w oddzielnych dniach) jest oznaczona jasnozielonymi kółkami. Analiza regresji liniowej wykazała znaczny wzrost kontroli w całym treningu (ciemnozielona linia; β = 1,078, p <0,033). Słupki błędów reprezentują 1 SEM. Niezmodyfikowana praca Sherwooda i wsp.12, przedruk na licencji Creative Commons Uznanie autorstwa. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 2: Zlokalizowany efekt uczenia się lewego sterowania DLPFC. (A) Prawdopodobieństwo włączenia woksela dla fMRI NFT wybranego z lokalizatora funkcjonalnego n-back. Jasnoniebieskie woksele były uwzględniane najczęściej w regionie docelowym NFT, ciemnoniebieskie woksele były uwzględniane rzadziej, a wyraźne woksele nie były uwzględniane. (B) Wyniki ANOVA oparte na wokselach dla głównego efektu sesji treningowej (czerwono-żółty). Efekt ten wykazał duże nakładanie się na lewe ROI DLPFC przeznaczone dla NFT. Przekroje osiowe są wyświetlane w konwencji radiologicznej na współrzędnych z = 22, 26, 30, 34 i 38 mm (od lewej do prawej). Niezmodyfikowana praca Sherwooda i wsp.22, przedruk na licencji Creative Commons Uznanie autorstwa. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Omawiany tutaj protokół fMRI NFT może być dostosowany do dowolnego regionu mózgu i omawia jednowymiarowe, oparte na ROI podejście do neurofeedbacku. Można to osiągnąć, programując dodatkowe funkcjonalne zadania lokalizatora w celu aktywacji innych regionów. Włączając te zadania do niestandardowego oprogramowania do neurofeedbacku, opracowaliśmy bardzo prosty proces. Jest jednak jedno ograniczenie: region docelowy musi być funkcjonalnie zdefiniowany. W tej chwili oprogramowanie opracowane przez nasz zespół nie wykonuje żadnej rejestracji między obrazami funkcjonalnymi i anatomicznymi. W związku z tym inne metody wyboru zwrotu z inwestycji, takie jak zwrot z inwestycji oparty na atlasie, nie mogą być obecnie zaimplementowane. Ponadto parametry bodźców i neurofeedbacku (np. czas trwania bloku, liczba bloków i parametry obrazowania, w tym TR) mogą być łatwo manipulowane przez operatora. Dodatkowo można wdrożyć przebiegi transferowe w celu oceny zdolności do samoregulacji docelowego zwrotu z inwestycji w przypadku braku neurofeedbacku. Opracowane przez nas oprogramowanie nie oferuje neurofeedbacku wykorzystującego wzorce wielowymiarowe35,48 ani połączeń między regionami mózgu49.

FMRI NFT oferuje znaczące zalety w porównaniu z innymi formami neurofeedbacku, ale ma również swoje ograniczenia. Główną zaletą fMRI NFT jest rozdzielczość przestrzenna, która przewyższa wszystkie inne formy NFT, takie jak neurofeedback oparty na elektroencefalogramie (EEG). Zwiększona rozdzielczość przestrzenna umożliwia skupienie się na określonych strukturach/funkcjach mózgu w całym mózgu50. Obecnie nie jest to możliwe do osiągnięcia w przypadku innych terapii, takich jak farmakoterapia, które są systematyczne. Jednak główną wadą fMRI NFT jest opóźnienie czasowe. Częstotliwość próbkowania jest nie tylko znacznie wolniejsza niż w EEG (do 3 rzędów wielkości wolniejsza), ale opóźnienie hemodynamiczne związane z sygnałem fMRI dodatkowo zwiększa to opóźnienie. Mimo to istnieją przytłaczające dowody na to, że uczestnicy mogą przezwyciężyć to opóźnienie i, wraz z praktyką, nauczyć się kontrolować aktywność mózgu (np. w celu zapoznania się z przeglądem, patrz Sulzer i wsp.11 oraz Scharnowski i wsp.50).

Popularność fMRI NFT rośnie, ale pozostaje w powijakach. Z tego powodu powszechne praktyki nie zostały jeszcze przyjęte. Opisany protokół wyszczególnia metody, które są naukowo akceptowane. Na przykład w różnych badaniach wykorzystano wiele form wyświetlania informacji zwrotnej, w tym wykres słupkowy w stylu termometru 18,19,21,34. Co więcej, szeroko zaimplementowano również sygnał sprzężenia zwrotnego prezentowany jako procentowa zmiana sygnału z linią bazową obliczoną na podstawie regionu docelowego 12,19,21,25,30,51,52.

Kontrolowanie efektów plastycznych w mózgu oferuje innowacyjną technikę terapeutyczną do leczenia zaburzeń neurologicznych lub urazów mózgu z nieprawidłową aktywnością mózgu, taką jak ta związana z szumami usznymi omówionymi powyżej. Chociaż dokładne mechanizmy przekładające neuromodulację na efekty behawioralne są nadal nieznane, fMRI NFT jest powiązany z LTP11. W procesie uczenia się zachowanie jest wzmacniane, gdy aktywnie reguluje się aktywność mózgu w sieciach mózgowych związanych z zadaniami. Takie wzmocnienie powoduje zaangażowanie mechanizmów neuroplastycznych, co powoduje, że sieć działa wydajniej. Zbiega się to z innymi technikami NFT, takimi jak neurofeedback oparty na EEG, w którym osoby są szkolone do kontrolowania pasm częstotliwości sygnałów elektrycznych mierzonych z lokalnych obszarów skóry głowy 53,54,55. Inni wskazali LTP z plastyczności synaptycznej, co skutkuje zwiększoną wydajnością synaptyczną12. Jeszcze inny postulat sugeruje, że komórkowe mechanizmy uczenia się mogą obejmować zmiany w zależnym od napięcia przewodnictwie błonowym, które wyraża się jako zmiana pobudliwościneuronalnej13. W każdym razie wydaje się, że fMRI NFT powoduje zmiany na poziomie komórkowym i że osoba może nauczyć się pewnej kontroli nad tymi procesami. Ta zdolność i te zmiany mogą mieć kluczowe znaczenie w poznawaniu i opracowywaniu metod leczenia urazów mózgu i zaburzeń neurologicznych.

Ważnym aspektem fMRI NFT jest pomiar zmian w zachowaniu. Jest to konieczne dla wielu hipotez, które przewidują zmiany behawioralne napędzane przez zmiany neuronalne wywołane przez NFT. Oceny te powinny być zbierane co najmniej w dwóch punktach czasowych: przed i po NFT. W przypadku szumów usznych te oceny behawioralne mogą składać się wyłącznie z subiektywnych kwestionariuszy, ponieważ nie ma bezpośredniego pomiaru szumów usznych. W przypadku innych zaburzeń neurologicznych należy przeprowadzić przegląd literatury w celu określenia odpowiednich, rozsądnych i udokumentowanych ocen dla konkretnej badanej hipotezy (hipotez). Niektóre hipotezy wymagają pomiarów w dodatkowych punktach czasowych, takich jak te, które badają krótko-, krótko- i długoterminowe skutki fMRI NFT. Niektóre oceny mogą wymagać szkolenia przed NFT, aby zmniejszyć efekty uczenia się. Inne hipotezy mogą nawet wymagać testów neurologicznych, takich jak te zainteresowane poziomami metabolitów w mózgu, perfuzją mózgową lub sieciami funkcjonalnymi.

Procedura fMRI NFT składa się z dwóch krytycznych etapów. Pierwszym z nich jest określenie regionu mózgu, który ma być celem neurofeedbacku. Przed przeprowadzeniem jakichkolwiek zabiegów należy przeprowadzić dokładny przegląd literatury w celu zbadania ścieżek neuronowych i ważnych struktur/funkcji związanych z zaburzeniem neurologicznym lub uszkodzeniem mózgu. Na tej podstawie należy starannie wybrać kluczowe struktury/funkcje jako cel neurofeedbacku. Następnie należy przeprowadzić kolejny przegląd literatury w celu zbadania zadań związanych z tą strukturą/funkcją. To zadanie może, ale nie musi być związane z zaburzeniem, ale należy potwierdzić, że zadanie aktywuje pożądane regiony w wyznaczonej populacji. Podczas zabiegów neurofeedbacku ten obszar docelowy będzie wybierany indywidualnie podczas pierwszej sesji lub podczas każdej sesji. W związku z tym zmienność między- i wewnątrzosobnicza może być ważnym czynnikiem, który może prowadzić do nieprzewidywalnych wyników. Bardzo ważne jest stworzenie protokołu wyboru regionu docelowego i przeprowadzenie odpowiedniego szkolenia personelu. Istnieją dwie metody definiowania docelowego zwrotu z inwestycji: anatomicznie i funkcjonalnie. Definicje anatomiczne wykorzystują strukturalne skany MRI do zdefiniowania obszaru docelowego ściśle na podstawie anatomii i ewentualnie przy użyciu standardowego atlasu. Obrazy funkcjonalne są rejestrowane w obrazach strukturalnych, a obszar docelowy jest przekształcany w przestrzeń funkcjonalną21,26. W metodzie funkcjonalnej region docelowy jest wybierany z mapy aktywacji utworzonej przez przeprowadzenie lokalizatora funkcjonalnego 11,12,24,29,44. Ta metoda została omówiona w niniejszym dokumencie.

Drugim krytycznym etapem w fMRI NFT jest wybór grupy kontrolnej. Grupy kontrolne mają kluczowe znaczenie w określaniu efektu fMRI NFT, a wybór grup kontrolnych powinien być dokładnie przemyślany. W poprzednich badaniach stosowano szeroki zakres kontroli. Powszechną procedurą w grupie kontrolnej jest próba kontroli wolicjonalnej w obecności pozorowanego sprzężenia zwrotnego. Ta informacja zwrotna może być zaprzęgnięta od uczestnika grupyeksperymentalnej 21,44, dostarczona z regionu niezaangażowanego w pożądany proces bez wiedzy uczestnika 17,33,44 lub odwrócona52. W innych badaniach wykorzystano grupy kontrolne, które próbują kontrolować wolicjonalnie, ale nie są wyposażone w neurofeedback 12,21,44,56.

Poprzednie badanie sugeruje, że gdy badani próbują kontrolować pozorowane sprzężenie zwrotne, następuje zwiększona aktywacja w obustronnej wyspie, przedniej części obręczy, dodatkowych obszarach motorycznych, grzbietowo-przyśrodkowych i bocznych obszarach przedczołowych w porównaniu z biernym oglądaniem wyświetlacza sprzężenia zwrotnego57. Odkrycia te sugerują, że szeroka sieć czołowo-ciemieniowa i obręczowo-wieczkowa jest aktywowana, gdy istnieje zamiar kontrolowania aktywności mózgu. Co więcej, odkrycia te sugerują, że tradycyjne grupy kontrolne wykorzystywane w eksperymentach NFT będą używać korelatów neuronalnych zgodnych z kontrolą poznawczą, nawet w obecności pozorowanego sprzężenia zwrotnego. Oddzielna metaanaliza wykazała, że aktywność w przedniej wyspie i zwojach podstawy, z których oba są regionami zaangażowanymi w kontrolę poznawczą i inne wyższe funkcje poznawcze, były komponentami krytycznymi dla próby kontroli wolicjonalnej58. Wyniki metaanalizy potwierdziły wcześniejsze ustalenia57. Podsumowując, dowody te sugerują, że kluczowe znaczenie ma nakreślenie skutków skutecznej kontroli wolicjonalnej i tych związanych z próbą samoregulacji. W związku z tym ważne może być włączenie grup kontrolnych, które nie podejmują próby samoregulacji.

Jednak poprzednie badania, w których grupy kontrolne otrzymywały fikcyjne sygnały fMRI, ujawniły różnice w docelowej aktywności ROI u osób, które otrzymały prawdziwe sprzężenie zwrotne 15,16,17,18,20,21,25,26,28,33,34,44, co oznacza, że strategie treningowe, które nie uwzględniają informacji zwrotnej, nie są skuteczne w modulowaniu regionu docelowego. Dodatkowo, grupy kontrolne, które otrzymały identyczne instrukcje i ten sam okres treningu, ale nie otrzymały informacji zwrotnej na temat aktualnego poziomu aktywności mózgu, nie wykazywały podobnych wyników behawioralnych jak grupy eksperymentalne, którym podano neurofeedback 12,18,21,32,44,59. Wyniki te sugerują, że efekty empiryczne można przypisać uczeniu się indukowanemu przez fMRI NFT, a nie innym zmianom w uczeniu się lub niespecyficznym. W związku z tym należy opracować specjalne schematy treningowe, które są ukierunkowane na określone układy neurofizjologiczne, aby uzyskać pożądane efekty. Wyniki badania z udziałem różnych grup kontrolnych wskazują, że sam trening behawioralny, praktyka, sensoryczne sprzężenie zwrotne i biofeedback nie wywołują równoważnych efektów behawioralnych, jak osoby, które otrzymują fMRI NFT44.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ten materiał jest oparty na badaniach sponsorowanych przez Siły Powietrzne Stanów Zjednoczonych na podstawie umowy numer FA8650-16-2-6702. Wyrażone poglądy są poglądami autorów i nie odzwierciedlają oficjalnych poglądów ani polityki Departamentu Obrony i jego Komponentów. Rząd Stanów Zjednoczonych jest upoważniony do powielania i rozpowszechniania przedruków do celów rządowych, niezależnie od wszelkich informacji o prawach autorskich na nich. Dobrowolna, w pełni świadoma zgoda uczestników wykorzystanych w tym badaniu została uzyskana zgodnie z wymogami 32 CFR 219 i DODI 3216.02_AFI 40-402.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
3T MRIGE Medical750W DiscoverySprzęt do akwizycji danych
wyświetlania kompatybilny z MR Sprzętbodźców wizualnychInVivoSensaVue
Technologie rezonansusłuchowego kompatybilny z MRbodźców słuchowychCinemaVision
oprogramowanieprezentacjisystemów neurobehawioralnychdo Prezentacja bodźców kontrolnych
Eksperymentalne oprogramowanie do przetwarzaniaMathworksMATLABOprogramowanie do przetwarzania danych
Oprogramowanie do przetwarzaniaMicrosoftVisual Studio C++Oprogramowanie do przetwarzania danych
Pady odpowiedziCedrus CorporationLuminaSprzęt do odbierania danych wejściowych uczestnika
System do Sprzęt do Eksperymentalne do danych

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Protok treningu neurofeedbackufunkcjonalny rezonans magnetycznycelowanie w obszary m zgumodulacja systemu s uchowegotrening kontroli poznawczejobrazowanie echo planarnewielowymiarowa analiza statystycznawyb r obszaru zainteresowaniainformacja zwrotna w formie termometru

Powiązane artykuły