Wykrywanie wpływu na percepcję obiektu na poziomie źródła przed bodźcem za pomocą magnetoencefalografii

Summary

Ten artykuł opisuje, jak skonfigurować eksperyment, który pozwala na wykrywanie wpływów na poziomie źródła przed bodźcem na percepcję obiektu za pomocą magnetoencefalografii (MEG). Obejmuje materiał stymulacyjny, projekt eksperymentalny, rejestrację MEG i analizę danych.

Abstract

Aktywność oscylacyjna mózgu przed bodźcem wpływa na percepcję nadchodzącego. Charakterystyka tej aktywności przed bodźcem może przewidzieć, czy bodziec przyprogowy zostanie odebrany, czy nie, ale czy mogą również przewidzieć, który z dwóch konkurujących ze sobą bodźców o różnej zawartości percepcyjnej jest postrzegany? Niejednoznaczne bodźce wzrokowe, które mogą być widziane na jeden z dwóch możliwych sposobów jednocześnie, idealnie nadają się do zbadania tego pytania. Magnetoencefalografia (MEG) to neurofizjologiczna technika pomiarowa, która rejestruje sygnały magnetyczne emitowane w wyniku aktywności mózgu. Milisekundowa rozdzielczość czasowa MEG pozwala na scharakteryzowanie oscylacyjnych stanów mózgu już na podstawie 1 sekundy zarejestrowanych danych. Wyświetlanie pustego ekranu na około 1 sekundę przed wystąpieniem niejednoznacznego bodźca zapewnia zatem okno czasowe, w którym można zbadać, czy aktywność oscylacyjna przed bodźcem wpływa na treść nadchodzącej percepcji, jak wskazują raporty uczestników. Rozdzielczość przestrzenna MEG nie jest doskonała, ale wystarczająca do zlokalizowania źródeł aktywności mózgu w skali centymetrowej. Rekonstrukcja źródła aktywności MEG pozwala następnie na przetestowanie hipotez dotyczących aktywności oscylacyjnej określonych regionów zainteresowania, a także połączeń rozdzielczych w czasie i częstotliwości między obszarami zainteresowania. Opisany protokół umożliwia lepsze zrozumienie wpływu spontanicznej, trwającej aktywności mózgu na percepcję wzrokową.

Introduction

Stany mózgu poprzedzające prezentację bodźców wpływają na sposób odbierania bodźców, jak również na reakcje neuronalne związane z percepcją^1,2,3,4. Na przykład, gdy bodziec jest prezentowany z intensywnością bliską progowi percepcyjnemu (bliskiemu progowi), moc oscylacji neuronalnej przed bodźcem, faza i łączność mogą wpływać na to, czy nadchodzący bodziec zostanie dostrzeżony, czy nie^5,6,7,8,9,10. Te sygnały przed bodźcem mogą również wpływać na inne aspekty percepcji, takie jak zawartość obiektu percepcyjnego.

Prezentowanie ludziom niejednoznacznego obrazu, który może być interpretowany na jeden z dwóch sposobów, jest idealnym sposobem na zbadanie percepcji obiektu¹¹. Dzieje się tak dlatego, że subiektywna treść percepcji może być jednym z dwóch obiektów, podczas gdy rzeczywisty bodziec pozostaje niezmieniony. Można zatem ocenić różnice w zarejestrowanych sygnałach mózgowych między badaniami, w których ludzie zgłaszali postrzeganie jednego z nich, a drugą możliwą interpretacją bodźca. Biorąc pod uwagę doniesienia, można również zbadać, czy były jakiekolwiek różnice w stanach mózgu przed wystąpieniem bodźca.

Magnetoencefalografia (MEG) to funkcjonalna technika neuroobrazowania, która rejestruje pola magnetyczne wytwarzane przez prądy elektryczne w mózgu. Podczas gdy reakcje zależne od poziomu natlenienia krwi (BOLD) ustępują w skali sekund, MEG zapewnia rozdzielczość milisekundową, a zatem umożliwia badanie mechanizmów mózgowych, które zachodzą w bardzo szybkich skalach czasowych. Powiązaną zaletą MEG jest to, że pozwala scharakteryzować stany mózgu na podstawie krótkich okresów zarejestrowanych danych, co oznacza, że próby eksperymentalne mogą być skrócone tak, aby wiele prób zmieściło się w sesji eksperymentalnej. Co więcej, MEG pozwala na analizy w dziedzinie częstotliwości, które mogą ujawnić aktywność oscylacyjną.

Oprócz wysokiej rozdzielczości czasowej, MEG oferuje dobrą rozdzielczość przestrzenną. Dzięki technikom rekonstrukcji źródła¹², można rzutować dane na poziomie czujnika do przestrzeni źródłowej. To z kolei umożliwia testowanie hipotez na temat aktywności określonych regionów zainteresowań. Wreszcie, podczas gdy sygnały w przestrzeni sensorów są silnie skorelowane i dlatego nie można dokładnie ocenić łączności między czujnikami, rekonstrukcja źródła pozwala na ocenę łączności między obszarami zainteresowania, ponieważ zmniejsza korelacje między sygnałami źródłowymi¹³. Te oszacowania łączności można rozwiązać zarówno w dziedzinie czasu, jak i częstotliwości.

Biorąc pod uwagę te zalety, MEG idealnie nadaje się do badania wpływu bodźców na percepcję obiektów w określonych obszarach zainteresowania. W niniejszym raporcie zilustrujemy, jak zaprojektować taki eksperyment i konfigurację akwizycji MEG, a także jak zastosować rekonstrukcję źródła i ocenić aktywność oscylacyjną i łączność.

Protocol

Opisany protokół jest zgodny z wytycznymi komisji etyki badań na ludziach na Uniwersytecie w Salzburgu i jest zgodny z Deklaracją Helsińską.

1. Przygotuj materiał stymulacyjny

1. Pobierz obraz iluzji twarzy/wazonu Rubina¹⁴. Zostanie to pokazane połowie uczestników.
2. Użyj polecenia ~ w Matlabie, aby odwrócić oryginalny czarno-biały binarny obraz Rubina, aby utworzyć drugi obraz negatywu twarzy Rubina/wazonu z czarno-białymi kolorami odwróconymi w stosunku do oryginalnego obrazu (białe tło zamiast czarnego tła). Zostanie to pokazane drugiej połowie uczestników.
3. Utwórz maskę, losowo mieszając bloki pikseli obrazu Rubina. Podziel obraz na kwadratowe bloki, które są wystarczająco małe, aby ukryć oczywiste cechy konturu, na przykład od 2% do 5% rozmiaru oryginalnego obrazu (5 na 5 pikseli z obrazu o wymiarach 250 na 250), a następnie losowo przetasuj je, aby utworzyć maskę.
4. Utwórz krzyżyk fiksacji na białym tle, tak aby krzyżyk fiksacji był mniejszy niż obraz Rubina (mniej niż 5° kąta widzenia).

2. Konfiguracja MEG i sprzętu do stymulacji

1. Podłącz komputer prezentujący bodźce do projektora. Podłącz kontroler projektora DLP LED za pomocą optoizolowanego przedłużacza USB (do danych) i cyfrowego interfejsu wizualnego (DVI) (do bodźców).
2. Podłącz komputer akwizycji MEG do komputera prezentującego bodźce, aby umożliwić mu wysyłanie i odbieranie wyzwalaczy. Podłącz cyfrowy system wejść/wyjść (DIO) (przyciski i spusty, 2x standardowe złącza D24) zintegrowanego systemu prezentacji bodźców do złącza MEG na optoizolowanej skrzynce rozdzielczej BNC.
3. Nagraj 1 minutę danych MEG z pustego pomieszczenia przy 1 kHz.
4. Monitoruj sygnały ze 102 magnetometrów i 204 ortogonalnie rozmieszczonych gradiometrów planarnych w 102 różnych pozycjach, wizualizując wszystkie sygnały w czasie rzeczywistym na komputerze akwizycyjnym.

3. Przygotowanie uczestnika do eksperymentu MEG

UWAGA: Szczegóły pozyskiwania danych MEG zostały już wcześniej opisane¹⁵.

1. Upewnij się, że uczestnik rozumie świadomą zgodę zgodnie z deklaracją helsińską i poproś go o podpisanie formularza, który zawiera również oświadczenie o wyrażeniu zgody na przetwarzanie danych osobowych.
2. Zapewnij uczestnikowi niemagnetyczne ubrania i upewnij się, że nie ma żadnych metalowych przedmiotów w swoim ciele lub na jego ciele. Poproś uczestników o wypełnienie innego anonimowego kwestionariusza, aby upewnić się, że uczestnik nie ma żadnych innych kryteriów wykluczenia, takich jak zaburzenia neurologiczne, oraz aby udokumentować inne dane osobowe, takie jak ręczność i poziom odpoczynku.
3. Posadź uczestnika na krześle nieferromagnetycznym (drewnianym). Przymocuj 5 cewek wskaźnika położenia głowy (HPI) do głowy za pomocą plastra samoprzylepnego, dwie nad jednym okiem, jedną nad drugim okiem i jedną za każdym uchem.
4. Umieść czujnik trackera systemu digitalizacji mocno na głowie uczestnika i przymocuj go do okularów, aby uzyskać maksymalną stabilność.
   UWAGA: Zastosowano digitizer 3D (Tabela Materiałów).
5. Zdigitalizuj anatomiczne punkty orientacyjne, lewy i prawy punkt przeduszny oraz nasiona, a także upewnij się, że lewy i prawy punkt przeduszny są symetryczne. Te referencje definiują układ współrzędnych 3D.
6. Digitalizuj 5 pozycji cewek HPI za pomocą rysika 3D digitizera.
7. Digitalizuj do 300 punktów wzdłuż skóry głowy i maksymalizuj pokrycie kształtu głowy. Zakryj dobrze zdefiniowane obszary skóry głowy na obrazach rezonansu magnetycznego (MR), powyżej wgłębienia z tyłu i nasiona z przodu, a także grzbiet nosa.
   UWAGA: Punkty te zostaną wykorzystane do korejestracji z obrazem anatomicznym w celu lepszej indywidualnej rekonstrukcji źródłowej.
8. Zdejmij okulary z czujnikiem trackera.
9. Przymocuj jednorazowe elektrody powyżej (łuk brwiowy) i poniżej (przyśrodkowo do kości jarzmowej szczęki) prawego oka, aby monitorować pionowe ruchy gałek ocznych.
10. Podłącz jednorazowe elektrody po lewej stronie lewego oka i po prawej stronie prawego oka (grzbietowo do kości jarzmowej szczęki), aby monitorować poziome ruchy gałek ocznych.
11. Podłącz jednorazowe elektrody poniżej serca i poniżej prawego obojczyka, aby monitorować tętno.
    UWAGA: Sygnały oczu i serca są stosunkowo solidne, więc sprawdzanie impedancji jednorazowych elektrod nie jest konieczne.
12. Przymocuj jednorazową elektrodę jako masę poniżej szyi.
13. Odprowadź uczestnika do pomieszczenia osłoniętego przez MEG i poinstruuj go, aby usiadł na krześle MEG.
14. Podłącz wiązkę przewodów HPI i jednorazowe elektrody do systemu MEG.
15. Podnieś krzesło tak, aby głowa uczestnika dotykała górnej części kasku MEG i upewnij się, że uczestnik czuje się komfortowo w tej pozycji.
16. Zamknij drzwi do chronionego pomieszczenia i komunikuj się z uczestnikiem poprzez system domofonowy wewnątrz i na zewnątrz chronionego pomieszczenia.
17. Poinstruuj uczestnika, aby biernie wpatrywał się w pusty ekran (pusty z wyjątkiem centralnego krzyżyka fiksacyjnego) przez 5 minut, nagrywając dane MEG w stanie spoczynku z częstotliwością 1 kHz. Utrzymuj częstotliwość próbkowania na poziomie 1 kHz przez cały czas trwania eksperymentu.
18. Poinstruuj uczestnika o wymaganiach zadania i poproś go o wykonanie 20 prób praktycznych.
    UWAGA: Przykładowe instrukcje: "Utrzymuj swoją fiksację na środku ekranu przez cały czas. Pojawi się krzyż, a po zniknięciu krzyża zobaczysz obraz, po którym następuje zaszyfrowany obraz. Gdy tylko zaszyfrowany obraz zniknie, kliknij żółty przycisk, jeśli widziałeś twarze, i zielony przycisk, jeśli widziałeś wazon.
19. Naprzemiennie zmieniaj przyciski odpowiedzi u wszystkich uczestników (np. w prawo dla twarzy, po lewej w przypadku wazonu lub odwrotnie).
    UWAGA: Kolor przycisków odpowiedzi nie ma znaczenia.

4. Przedstaw eksperyment za pomocą Psychtoolbox¹⁶

1. Wyświetlaj instrukcje uczestnikom, informując ich, który przycisk nacisnąć, gdy zobaczą twarze i który przycisk nacisnąć, gdy zobaczą wazon.
2. Utwórz pojedynczą próbę z 4 zdarzeniami, które będą miały zastosowanie do wszystkich prób w tej kolejności: krzyż fiksacji, obraz Rubina, maska i podpowiedź (Rysunek 1).
3. Na początku każdej próby należy wyświetlić krzyż fiksacji przez zmienny okres czasu od 1 s do 1,8 s.
4. Pod koniec tego okresu usuń krzyżyk fiksacyjny i wyświetlaj obraz Rubina przez 150 ms.
5. Po upływie 150 ms usuń obraz Rubina i wyświetlaj maskę przez 200 ms.
6. Pod koniec 200 ms zdejmij maskę i wyświetl pytanie, aby skłonić uczestników do udzielenia odpowiedzi z maksymalnym terminem odpowiedzi wynoszącym 2 sekundy.
7. Zaprogramuj okres odpowiedzi w taki sposób, aby jeśli uczestnicy odpowiedzieli w ciągu 2 sekund, następna próba (rozpoczynająca się od krzyża fiksacji) rozpocznie się, gdy to zrobią. W przeciwnym razie rozpocznij następną próbę po 2 sekundach.
8. Zapisz czas wszystkich 4 zdarzeń, a także wybór odpowiedzi i jej czas.
9. Powtórz tę samą strukturę próby 100 razy, zanim wyświetlisz uczestnikom instrukcję, aby krótko odpoczęli. Stanowi to jeden blok eksperymentalny.
10. Powtórz strukturę blokową 4 razy, co daje w sumie 400 prób.

5. Monitoruj sygnał MEG i uczestnika podczas eksperymentu

1. Monitoruj uczestnika za pomocą wideo.
2. Na początku każdego bloku, przed rozpoczęciem zadania, rozpocznij pomiar danych MEG i zapisz początkową pozycję pozycji głowy uczestników w stosunku do MEG. W używanym systemie MEG kliknij przycisk GO, aby rozpocząć. Gdy pojawi się okno dialogowe z pytaniem, czy dane HPI mają zostać pominięte lub dodane do nagrania, sprawdź sygnał cewek HPI i kliknij Akceptuj, aby zapisać początkową pozycję głowicy. Następnie kliknij Nagraj raw, aby rozpocząć nagrywanie danych MEG.
3. Jeśli w którymkolwiek momencie eksperymentu uczestnik chce przerwać eksperyment, zakończ eksperyment i wejdź do osłoniętego pomieszczenia, aby odłączyć wszystkie czujniki od systemu MEG i uwolnić uczestnika z krzesła.
4. Monitoruj sygnały MEG, wizualizując je w czasie rzeczywistym na komputerze akwizycyjnym.
5. Pomiędzy blokami komunikuj się z uczestnikiem przez system głośników, aby upewnić się, że czuje się dobrze i jest gotowy do kontynuowania, i poinstruuj go, aby poruszał kończynami, jeśli chce, ale nie głową.
6. Pomiędzy blokami zapisz pozyskane sygnały MEG tego bloku.
7. Po zakończeniu eksperymentu należy wejść do osłoniętego pomieszczenia, odłączyć wszystkie czujniki od systemu MEG i uwolnić uczestnika z krzesła.
8. Wyprowadź uczestnika z chronionego pomieszczenia i zaproponuj mu wybór, czy chce samodzielnie odłączyć wszystkie czujniki od twarzy i ciała, czy też odłączyć czujniki dla niego.
9. Podziękuj uczestnikowi i przekaż mu rekompensatę pieniężną.

6. Sygnały MEG przed przetwarzaniem i segmentacją

1. Do usuwania szumów zewnętrznych z ciągłych sygnałów MEG należy zastosować zaimplementowany w programie Maxfilter algorytm separacji przestrzeni sygnałowej (dostarczony przez producenta MEG) z domyślnymi wartościami parametrów.
2. Zastosuj filtr górnoprzepustowy 0,1 Hz do danych ciągłych za pomocą funkcji Fieldtrip toolbox¹⁷ ft_preprocessing.
   UWAGA: wszystkie później raportowane funkcje poprzedzone prefiksem "ft_" są częścią zestawu narzędzi Fieldtrip.
3. Segmentuj dane MEG, wyodrębniając 1 sekundę poprzedzającą prezentację bodźca w każdym badaniu.
4. Przypisz tym epokom etykietę typu badania "twarz" lub "wazon" zgodnie z reakcjami behawioralnymi uczestników w każdym badaniu.
5. Wizualnie sprawdzaj próby i kanały, aby zidentyfikować i usunąć te, które wykazują nadmierny hałas lub artefakty, niezależnie od charakteru artefaktów, przy użyciu ft_rejectvisual.
6. Odrzuć próby i kanały z wskaźnikami z powyżej 3, klikając zscore i wybierając próby i kanały przekraczające wartość 3 lub próby z nadmierną wariancją, usuwając wartości odstające wyświetlane po kliknięciu var. Sprawdź sygnał MEG dla wszystkich prób przed lub po tej procedurze.

7. Rekonstrukcja źródła

1. Uwzględnij oba typy prób, aby przeprowadzić lokalizację źródłową w celu uzyskania wspólnych liniowo ograniczonych filtrów przestrzennych minimalnej wariancji¹² w procedurze kształtowania wiązki zaimplementowanej w Fieldtrip.
2. Filtruj pasmowo-przepustowe dane epoki do interesujących Cię częstotliwości, w tym przypadku od 1 do 40 Hz.
3. Wybierz interesujący Cię czas, aby obliczyć macierz kowariancji, w tym przypadku 1-sekundowy okres bodźca.
   UWAGA: Wynikowe segmenty danych (wybrane z zakresu od -1 do 0 s i od 1 do 40 Hz) są używane we wszystkich poniższych krokach, które wymagają wprowadzenia danych.
4. Podziel mózg i skórę głowy na poszczególne strukturalne obrazy MR za pomocą ft_volumesegment. Jeśli nie jest to możliwe, użyj standardowego skanu mózgu T1 (z zestawu narzędzi statystycznego mapowania parametrycznego [SPM]) Instytutu Neurologii w Montrealu (MNI, Montreal, Quebec, Kanada).
5. Stwórz dla każdego uczestnika realistyczny model głowy z pojedynczą skorupą, korzystając z ft_prepare_headmodel.
6. Na poszczególnych obrazach MR zlokalizuj referencyjne punkty orientacyjne, klikając ich lokalizację na obrazie, aby zainicjować zgrubną korejestrację z ft_volumerealign.
7. Dopasuj punkty kształtu głowy do skóry głowy, aby uzyskać dokładniejszą współrejestrację.
8. Przygotuj indywidualną siatkę 3D o rozdzielczości 1,5 cm w oparciu o szablon MNI mózg przekształcony w objętość mózgu każdego uczestnika z ft_prepare_sourcemodel.
9. Oblicz model do przodu dla kanałów MEG i lokalizacji sieci za pomocą ft_prepare_leadfield. Użyj konfiguracji fixedori, aby obliczyć pole wyprowadzenia tylko dla jednej optymalnej orientacji dipola.
10. Oblicz macierz kowariancji każdego badania i uśrednij ją ze wszystkich prób.
11. Obliczanie filtrów przestrzennych przy użyciu modelu do przodu i macierzy średniej kowariancji z ft_sourceanalysis.
12. Pomnóż sygnał na poziomie czujnika do filtrów LCMV, aby uzyskać szeregi czasowe dla każdej lokalizacji źródła w sieci i dla każdej próby.

8. Analizuj moc oscylacyjną przed bodźcem w obszarze zainteresowania

1. Zdefiniuj obszar zainteresowania (ROI), na przykład z poprzedniej literatury¹⁸ (tutaj wrzecionowaty obszar twarzy [FFA]; Współrzędne MNI: [28 -64 -4] mm).
2. Wyróżnij czujnik wirtualny, który przestrzennie odpowiada zwrotowi z inwestycji, korzystając z ft_selectdata.
3. Podziel twarz i wazon za pomocą ft_selectdata.
4. Przeprowadź analizę częstotliwości zwrotu z inwestycji, oddzielnie na danych z dwóch typów badań, korzystając z ft_freqanalysis.
5. Ustaw opcję metody na mtmfft, aby wykonać szybką transformację Fouriera.
6. Ustaw opcję stożka na hanning, aby użyć stożka funkcji Hanna.
7. Określ interesujące Cię częstotliwości od 1 Hz do 40 Hz.
8. Ustaw opcję wyjściową na pow, aby wyodrębnić wartości mocy z zespolonych widm Fouriera.
9. Powtórz procedurę dla każdego uczestnika przed uśrednieniem widm u wszystkich uczestników i wykreśleniem wynikowych uśrednionych wartości mocy w funkcji interesujących częstotliwości.

9. Analizuj łączność między interesującymi regionami przed bodźcem

1. Zdefiniuj jeden (lub więcej) ROI, z którym przypuszczalnie powiązany jest poprzednio wybrany ROI, na przykład z poprzedniej literatury¹⁸ (tutaj V1; Współrzędne MNI: [12 -88 0]).
2. Powtórz kroki 8.2 i 8.3.
3. Przeprowadź analizę czasowo-częstotliwościową dla obu ROI (reprezentowanych jako 2 kanały lub "wirtualne czujniki" w tej samej strukturze danych), oddzielnie na danych z dwóch typów badań, korzystając z ft_freqanalysis.
4. Ustaw metodę na mtmconvol, aby zaimplementować transformację czasu i częstotliwości wielokrotnego stożka na podstawie mnożenia w dziedzinie częstotliwości.
5. Ustaw opcję stożka na dpss, aby użyć dyskretnego zwężania sekwencji sferoidalnych o prolate.
6. Określ interesujące Cię częstotliwości od 8 Hz do 13 Hz.
7. Ustaw szerokość okna czasowego na 200 ms, a parametr wygładzania na 4 Hz.
8. Ustaw opcję keeptrials na yes, aby zwrócić oszacowania czasu i częstotliwości pojedynczych prób.
9. Ustaw wyjście na Fouriera, aby zwrócić zespolone widma Fouriera.
10. Wykonaj analizę łączności na uzyskanych danych czasowo-częstotliwościowych przy użyciu ft_connectivityanalysis.
11. Ustaw metodę na coh, a pole złożone na imag, aby zwrócić wyimagowaną część coherency¹⁹.
12. Powtórz procedurę dla każdego uczestnika przed uśrednieniem widm koherencji dla różnych częstotliwości i uczestników oraz wykreśleniem wynikowych uśrednionych wartości koherencji urojonej w funkcji czasu.

10. Statystyczne porównanie mocy i widm koherencji twarzy i wazonu przed bodźcem

1. Połącz dane dotyczące mocy lub koherencji przed bodźcem od każdego podmiotu, w ramach każdego z 2 warunków, w jedną zmienną Matlab, używając ft_freqgrandaverage z opcją keepindividual ustawioną na yes.
2. Wykonaj test permutacji oparty na klastrach²⁰, porównując 2 wynikowe zmienne przy użyciu ft_freqstatistics.
3. Ustaw opcję metody na motecarlo.
4. Ustaw opcję częstotliwości na [8 13] i ustaw avgoverfreq na tak.
5. Ustaw clusteralpha na 0,05 i ustaw correcttail na alpha.
6. Ustaw opcję statystyki na ft_statfun_depsamplesT.
7. Utwórz macierz projektu z pierwszym rzędem 20 jedynek, po którym następuje 20 dwójek, oraz drugim rzędem kolejnych liczb od 1 do 20 powtórzonych dwukrotnie. Przekaż tę macierz projektu do opcji projektowania.
   UWAGA: Macierz projektu jest podzielona na bloki po 20 sztuk, ponieważ dane zostały zebrane od 20 uczestników.
8. Ustaw opcję ivar na 1, a opcję uvar na 2.

Results

Prezentowaliśmy uczestnikom iluzję twarzy/wazony Rubina krótko i wielokrotnie i poprosiliśmy uczestników o zgłaszanie swojego spostrzeżenia (twarz czy wazon?) po każdej próbie (Rysunek 1). Każda próba była poprzedzona co najmniej 1 s pustego ekranu (z krzyżem fiksacyjnym); Był to okres zainteresowania przed bodźcem.

Zapytaliśmy, czy moc oscylacyjna przed bodźcem w obszarach zainteresowania lub łączność między regionami zainteresowania przed bodźcem wpłynęła na raport percepcyjny o nadchodzącym niejednoznacznym bodźcu. Dlatego w pierwszym kroku przeprowadziliśmy projekcję naszych danych w przestrzeni źródłowej, tak abyśmy mogli wyodrębnić sygnały z odpowiednich zwrotów z inwestycji.

Na podstawie wcześniejszej literatury badającej percepcję twarzy i obiektów zarówno za pomocą niejednoznacznych²¹ jak i jednoznacznych²² bodźców, ustaliliśmy, że FFA jest naszym ROI. Następnie przeanalizowaliśmy składowe spektralne o niskiej częstotliwości (1-40 Hz) sygnału źródłowego FFA i porównaliśmy oszacowania spektralne z prób zgłoszonych jako "twarz" z tymi z badań zgłoszonych jako "wazon". Test permutacji oparty na klastrach, grupujący się na częstotliwościach 1-40 Hz, kontrastujący moc spektralną w próbach, w których ludzie zgłaszali twarz i wazon, nie wykazał istotnych różnic między 2 typami prób. Niemniej jednak, opisowo, widma mocy wykazały oczekiwany oscylacyjny szczyt pasma alfa w zakresie 8-13 Hz, a w mniejszym stopniu aktywność pasma beta w zakresie 13-25 Hz (Rysunek 2).

Nie znalazłszy żadnych różnic w mocy spektralnej przed bodźcem, następnie zbadaliśmy, czy istnieją różnice w łączności przed bodźcem między typami prób. Oprócz FFA, ustaliliśmy, że V1 będzie naszym drugim ROI ze względu na jego wszechobecne zaangażowanie w wizję. Na podstawie wyników analizy mocy określiliśmy, że częstotliwości 8-13 Hz są naszymi interesującymi nas częstotliwościami. Obliczyliśmy wyimaginowaną część koherencji między naszymi dwoma ROI, oddzielnie dla prób z twarzą i wazonem, z rozdzielczością czasową i częstotliwościową, i uśredniliśmy wynik dla interesujących nas częstotliwości. Miara ta odzwierciedla synchronizację fazy oscylacyjnej między regionami mózgu i konserwatywnie kontroluje efekty przewodzenia objętości w zrekonstruowanych źródłach MEG¹⁹, więc była to metoda z wyboru do oceny sprzężenia funkcjonalnego. Test permutacji oparty na klastrach, grupujący punkty czasowe od -1 do 0 s, kontrastujący wyimaginowaną spójność między V1 i FFA w badaniach, w których ludzie zgłaszali twarz kontra wazon, ujawnił, że próby twarzy miały silniejszą łączność przed bodźcem w porównaniu z próbami w wazonie, około 700 ms przed nadejściem bodźca (Rysunek 3).

Rysunek 1: Przykładowa struktura próbna i surowe dane. Dolny panel: Próba rozpoczyna się od wyświetlenia krzyża fiksacji. Po 1 do 1,8 s bodziec Rubina pojawia się na 150 ms, a następnie maska na 200 ms. Następnie pojawia się ekran odpowiedzi, aby zachęcić uczestników do udzielenia odpowiedzi za pomocą "twarzy" lub "wazonu". Górny panel: Wielokanałowe surowe dane od przykładowego uczestnika, ograniczone czasowo do początku bodźca i uśrednione między badaniami. Jest to schemat przedstawiający wyróżnienie danych w oknie analizy przed bodźcem (od -1 s do 0 s; zaznaczone na różowo), które będzie docelowym interwałem analizy. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 2: Moc widmowa w FFA. Oszacowania mocy spektralnej na podstawie zlokalizowanych u źródła sygnałów FFA na próbach twarzy i wazonów. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 3: Łączność między V1 i FFA. Wyobrażona część koherencji między zlokalizowanymi źródłowo sygnałami V1 i FFA w próbach twarzy i wazonu, w zakresie częstotliwości 8-13 Hz. Zacienione obszary reprezentują błąd standardowy średniej dla projektów wewnątrzobiektowych²³. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Discussion

Przedstawienie unikalnego bodźca, który może być interpretowany jako więcej niż jeden obiekt w czasie, ale tylko jako jeden obiekt w danym momencie, pozwala na badanie wpływu bodźca na percepcję obiektu. W ten sposób można powiązać stany mózgu sprzed bodźca z subiektywnymi raportami o postrzeganych obiektach. W warunkach laboratoryjnych niejednoznaczne obrazy, które mogą być interpretowane na jeden z dwóch sposobów, takie jak iluzja wazy Rubina, stanowią optymalny przypadek, który pozwala na bezpośrednie kontrasty aktywności mózgu między dwoma typami prób: tymi postrzeganymi w jeden sposób (np. "twarz") i tymi postrzeganymi w drugi sposób (np. "wazon").

Krótkie przedstawienie tych bodźców (<200 ms) gwarantuje, że ludzie zobaczą, a następnie zgłoszą tylko jedną z dwóch możliwych interpretacji bodźca w danym badaniu. Równoważenie (losowo naprzemiennie) między wersjami bodźca z czarnym wazonem/białymi twarzami i białymi wazonami/czarnymi twarzami u uczestników zmniejsza wpływ cech bodźca niskiego poziomu na późniejszą analizę. Prezentowanie maski bezpośrednio po bodźcu zapobiega tworzeniu się powidoków i zniekształcaniu reakcji uczestników. Ponieważ analiza okresu po wystąpieniu bodźca nie jest interesująca, nie jest wymagane dopasowanie między cechami niskiej częstotliwości bodźca i maski. Wreszcie, naprzemienne przyciski odpowiedzi u uczestników (np. po lewej stronie dla wazonu, po prawej dla twarzy lub odwrotnie) zapobiegają wpływowi kontrastów na aktywność wynikającą z przygotowania motorycznego.

Biorąc pod uwagę milisekundową rozdzielczość MEG, interwał przed bodźcem wynoszący zaledwie 1 s jest wystarczający do oszacowania takich miar, jak moc widmowa i łączność. Biorąc pod uwagę krótki czas trwania każdego wynikowego badania, duża liczba prób może zostać uwzględniona w sesji eksperymentalnej, zapewniając wysoki stosunek sygnału do szumu podczas uśredniania sygnałów MEG w różnych próbach.

Wykazano, że specyficzne obszary zainteresowania wrażliwe na kategorię są aktywne podczas percepcji obiektów^24,25. Na przykład powszechnie mówi się, że FFA jest zaangażowany w percepcję twarzy²². Aby zbadać efekty mierzonej aktywności pochodzącej z określonych źródeł, można zrekonstruować dane MEG na podstawie źródeł. Aby zbadać powiązania między źródłami, konieczna jest rekonstrukcja źródła. Aby ułatwić analizę danych źródłowych, dane na poziomie źródła z pojedynczej próby mogą być reprezentowane przez "czujniki wirtualne". Przedstawienie danych w ten sposób umożliwia analizowanie danych źródłowych z pojedynczej próby w dokładnie taki sam sposób w przestrzeni źródłowej i przestrzeni czujników (czyli przy użyciu tych samych funkcji analizy, na przykład przy użyciu przybornika Fieldtrip). Umożliwia to testowanie hipotez dotyczących aktywności określonych obszarów zainteresowań w prosty sposób.

Chociaż wykazano, że moc oscylacyjna przed bodźcem wpływa na wykrywanie bodźca w pobliżu progu percepcyjnego (postrzegane vs niepostrzegane), mniej wiadomo, czy wpływa na treść tego, co jest widziane. Tutaj porównaliśmy moc oscylacyjną przed bodźcem w FFA między badaniami, w których ludzie zgłaszali twarz w porównaniu z wazonem, i nie znaleźliśmy żadnych różnic statystycznych. Następnie sprawdziliśmy, czy łączność między V1 i FFA wpływa na nadchodzący raport percepcyjny i stwierdziliśmy, że próby twarzy były poprzedzone zwiększoną łącznością między V1 i FFA w zakresie częstotliwości alfa około 700 ms przed nadejściem bodźca. To, że nie znaleźliśmy żadnego wpływu w mocy alfa, ale raczej w łączności w paśmie alfa, sugeruje, że podczas gdy moc alfa przed bodźcem może wpływać na wykrywanie bodźca ^7,8, niekoniecznie wpływa na kategoryzację obiektów. Nasze wyniki pokazują zatem, że dla pełniejszego zrozumienia dynamiki oscylacyjnej poprzedzającej percepcję obiektów i ich późniejszego wpływu na percepcję obiektów, zwykła analiza mocy oscylacyjnej w obszarach zainteresowania nie wystarczy. Należy raczej wziąć pod uwagę powiązania między regionami będącymi przedmiotem zainteresowania, ponieważ ciągłe wahania siły tych powiązań mogą wpływać na późniejszą percepcję¹⁸. Wreszcie, pomimo nieoptymalnej rozdzielczości przestrzennej MEG, nasz protokół pokazuje, że jest się w stanie wyraźnie zidentyfikować obszary zainteresowania i zbadać ich relacje. MEG może zastąpić elektroencefalografię (EEG), ponieważ oferuje lepszą rozdzielczość przestrzenną i może zastąpić funkcjonalny rezonans magnetyczny, ponieważ oferuje lepszą rozdzielczość czasową. Dlatego MEG w połączeniu z rekonstrukcją źródła idealnie nadaje się do badania szybkich i zlokalizowanych procesów neuronalnych.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
analizy danych	Elekta Oy, Sztokholm, SZWECJA	NM23321N	standardowe oprogramowanie do analizy danych Elekta, w tym MaxFilter w wersji 2.2
Stacja robocza do analizy danych	Elekta Oy, Sztokholm, SZWECJA	NM20998N	MEG do kodowania komputera i oprogramowania
Zestaw cewki do pozycji	głowicy Elekta Oy, Sztokholm, SZWECJA	NM23880N	5 cewek wskaźnika położenia głowicy (HPI)
Neuromag TRIUX	Elekta Oy, Sztokholm, SZWECJA	NM23900N	306-kanałowy system magnetoencefalografu
Polhemus Fastrak 3D	Polhemus, VT, USA		System digitalizacji głowic 3D
PROPixx	VPixx Technologies Inc., QC, KANADA	VPX-PRO-5001C	Projektor i system akwizycji danych
RESPONSEPixx	VPixx Technologies Inc., QC, KANADA	VPX-ACC-4910	Ręczny system paneli sterowniczych kompatybilny z MEG
Response Collection Ekran	VPixx Technologies Inc., QC, Kanada VPX-ACC-5180		Kompatybilny z MEG tylny ekran projekcyjny z ramką i stojakiem
OdkurzaczSchmelze AK-3	VacuumSchmelze GmbH & Co. KG, Hanau, NIEMCY	NM23122N	Dwuwarstwowy magnetycznie ekranowany
Software		Version
Matlab	MathWorks, MA, USA	R2018b	mathworks.com/products/matlab
Psychophysics Toolbox	Open Source	PTB-3.0.13	psychtoolbox.org