Jak wykryć aktywność ciała migdałowatego za pomocą magnetoencefalografii za pomocą obrazowania źródłowego

Ogólnym celem tej procedury jest wykrycie aktywności ciała migdałowatego podczas uczenia się za pomocą MAGNETOENCEFALOGRAFII lub MEG. Osiąga się to poprzez zaprojektowanie najpierw zadania uczenia się ukrytego strachu, które aktywuje ciało migdałowate. Drugim krokiem jest rejestrowanie aktywności mózgu podczas zadania za pomocą MEG.

Następnie zidentyfikuj powierzchnie kory i ciała migdałowatego za pomocą anatomicznych skanów MRI o wysokiej rozdzielczości. Ostatnim krokiem jest wykorzystanie powierzchni kory mózgowej i ciała migdałowatego do modelowania neuronalnych źródeł sygnału MEJ. Ostatecznie, modele obrazowania źródłowego mogą być wykorzystane do pokazania aktywacji neuronalnej w ciele migdałowatym podczas uczenia się bez świadomości.

Tak więc główną przewagą tej techniki nad istniejącymi metodami, takimi jak FMRI, jest to, że sygnały MEG są rejestrowane w czasie rzeczywistym i mogą być wykorzystywane do badania procesów neuronalnych, które są szybkie lub przejściowe. Chociaż metoda ta może być stosowana do badania funkcji ciała migdałowatego, może być również stosowana do badania funkcji innych obszarów podkorowych. Zacznij od podłączenia komputera prezentującego bodźce do systemu akwizycji MEG za pomocą standardowego taśmowego DB 25 z wieloma złączami.

Następnie podłącz komputer prezentujący bodźce do samodzielnego monitora płyty lub sam. Korzystając z ośmiobitowego na dwubitowego adaptera izolacyjnego i synchronizacyjnego, impulsy logiczne tranzystor-tranzystor używane do oznaczania prezentacji bodźców mogą powodować artefakty w danych MEG, jeśli są wysyłane do tego sam. Aby uniknąć tych artefaktów, oznacz początek bodźców, używając tylko bitów zablokowanych przez adapter izolacyjny, jak pokazano tutaj.

Stymulator wstrząsów jest następnie podłączany do sam. Następnie przełóż ekranowany przedłużacz przez falowód i podłącz do stymulatora wstrząsów. SAM powinien być następnie podłączony do komputera, na którym działa oprogramowanie do akwizycji danych płyty.

Podłącz pokrętło do komputera prezentującego bodźce i systemu akwizycji MEG za pomocą portu gry do portu gry, rozdzielacza BNC i adaptera portu gry na USB. Przymocuj elektrody i czujniki do obiektu, korzystając ze schematu pokazanego tutaj. Po prawidłowym ustawieniu, zdigitalizuj pozycję głowy pacjenta względem cewek HPI za pomocą punktów odniesienia.

Następnie zdigitalizuj od 50 do 100 punktów wzdłuż skóry głowy fotografowanej osoby. Odprowadź testera do systemu MEG i podłącz elektrody i czujniki do odpowiedniego interfejsu. Podnieś krzesło tak, aby głowa fotografowanej osoby dotykała górnej części kasku MEG i ustaw ekran tak, aby wyświetlany obraz był ostry.

Następnie ustaw wstrząs na poziom, który badany zgłasza jako bolesny, ale znośny. Na koniec poinstruuj badanego, jak prawidłowo używać tarczy, korzystając z przykładowego scenariusza prezentacji. Zacznij od załadowania oprogramowania do akwizycji danych o płycie, aby rozpocząć rejestrowanie kodów zdarzeń i dostarczanie wstrząsów.

Sesja treningowa jest zaprogramowana z wyprzedzeniem i składa się z czterech bloków różnicowego warunkowania strachu śladowego z 15 próbami na warunek, bodziec lub CS na blok, jak widać tutaj, gdy wszystko jest gotowe. Rozpocznij cztery próby treningowe i zapisz surowe dane w dwóch kilohercach. Podczas każdego z nich przeprowadzaj wizualną inspekcję danych w czasie rzeczywistym pod kątem systematycznych źródeł szumu.

Po każdym biegu poproś badanego, aby ocenił intensywność wstrząsu, aby ocenić przyzwyczajenie. Po zakończeniu prób użyj darmowego surfera, aby stworzyć segmentowaną objętość podkorową i powierzchnie kory, zewnętrznej skóry i zewnętrznej czaszki. Następnie utwórz i przekształć objętości ciała migdałowatego i hipokampa w powierzchnie.

Korzystając z Slicera 3 i ParaView, następnym krokiem jest utworzenie nowego tematu w bazie danych burzy mózgów. Zaimportuj wolumin MRI do burzy mózgów i wypacz wolumin do standardowej przestrzeni, identyfikując punkty odniesienia, zaimportuj powierzchnie i ręcznie wyrównaj powierzchnię skóry głowy za pomocą MRI. Po zakończeniu.

Zastosuj tę transformację do wszystkich innych powierzchni. Połącz powierzchnie skórki, hipokampa i ciała migdałowatego. Na koniec utwórz obszary zainteresowania dla ciała migdałowatego i hipokampa.

Po utworzeniu zaimportuj plik nagrania MEG dla każdej sesji treningowej. Oprogramowanie do akwizycji MEG wykorzystuje separację przestrzeni sygnału w celu usunięcia artefaktów spowodowanych przez źródła znajdujące się poza pomieszczeniem ekranowanym magnetycznie. Upewnij się, że używasz czystych plików, które często znajdują się w folderze oznaczonym jako SSS, aby przeanalizować wywołane odpowiedzi.

Najpierw użyj kanału zdarzeń, aby zidentyfikować epiki odpowiadające każdej z prób eksperymentalnych. Usuń artefakty spowodowane biciem serca i ruchami gałek ocznych za pomocą projekcji przestrzeni sygnałowej ze zdarzeń zidentyfikowanych na kanałach elektrokardiografii i elektroikonografii. Następnie doprecyzuj rejestrację MRI za pomocą punktów głowy.

Oblicz wariancję współszumu na podstawie nagrań za pomocą metody nakładających się sfer z danymi wejściowymi kory mózgowej, oblicz źródła w modelu głównym przy użyciu metody szacowania minimalnej normy i kontynuuj analizę źródeł. Następne pasmo przepust filtruje źródła dla poszczególnych prób. Weź wartość bezwzględną filtrowanych źródeł pasma i przekształć te wartości na wskaźnik Z na podstawie zmienności linii bazowej, przestrzennie wygładź źródła i średnie źródła w różnych próbach.

Rzutuj te średnie na domyślną anatomię eksperymentu. Następnie przelicz testy T na źródłach w różnych warunkach. Filtrowanie istotnych wyników testu T przy użyciu progów przestrzennych i czasowych w celu skorygowania błędu rodzinnego.

Zidentyfikuj znacząco aktywowane regiony i wyeksportuj przebieg czasowy aktywacji dla każdego obiektu. Na koniec oblicz średnią i błąd standardowy średniej dla wszystkich badanych w każdym punkcie czasowym. Najpierw rzutuj surowe dane z poszczególnych prób na domyślną anatomię dla eksperymentu Obliczanie dekompozycji częstotliwości w czasie na danych z obszarów anatomicznych i funkcjonalnych będących przedmiotem zainteresowania.

Przekonwertuj wynikowe mapy dekompozycji czasowej i częstotliwości na wskaźnik Z i uśrednij wynikowe mapy z różnych prób dla każdego badanego. Na koniec wykonaj test T na mapach w różnych warunkach pokazanych tutaj, które są wynikami behawioralnymi z typowego badania warunkowania. Wykres po lewej stronie pokazuje, że badani mają podobny poziom oczekiwania we wszystkich 60 badaniach, co sugeruje, że procedura maskowania blokowała ich zdolność do rozróżniania bodźców stanowych.

Wykres po prawej stronie pokazuje zróżnicowane odpowiedzi podczas sesji testowej. Zauważ, że grupa niefiltrowana wykazuje większe reakcje na stare bodźce w porównaniu z nowymi, co sugeruje, że trening prowadzi do lepszego ponownego przyswojenia w porównaniu z grupą filtrowaną. Ten przykład pokazuje wyniki MEG z typowego eksperymentu kondycjonowania.

Model 3D po lewej stronie pokazuje ciało migdałowate i kolor pomarańczowy, a hipokamp na zielono. Wykres po prawej stronie przedstawia aktywność z gromady ciała migdałowatego. Jasna linia reprezentuje aktywność wywoływaną przez niefiltrowane twarze, podczas gdy ciemniejsza linia reprezentuje aktywność wywoływaną przez przefiltrowane twarze.

Ten wykres przedstawia sygnał MEG zarejestrowany przez ciało migdałowate w podziale na czas i częstotliwość. Ciepłe kolory reprezentują obszary spektrografu spektrograficznego, które wykazują znacznie większą moc dla twarzy bez filtra niż dla twarzy z filtrem. Chłodne kolory reprezentują przeciwległe regiony, a nakładka w paski reprezentuje znaczące różnice między grupami.

Ten rysunek pokazuje aktywację potylicznej części twarzy. W typowym eksperymencie warunkowania ciepłe kolory reprezentują większe reakcje na twarze bez filtra niż na twarze z filtrem. Postępując zgodnie z tą procedurą.

Inne metody, takie jak analiza koherencji, mogą być wykorzystane w celu udzielenia odpowiedzi na dodatkowe pytania związane z komunikacją neuronalną. Po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak używać obrazowania źródłowego do wykrywania reakcji neuronalnych i podkorowych struktur mózgu.