Analiza aktywności neuronalnej i łączności przy użyciu wewnątrzczaszkowych danych EEG z oprogramowaniem SPM
October 30th, 2018
Prezentujemy dwa protokoły analityczne, które mogą być użyte do analizy danych elektroencefalografii wewnątrzczaszkowej za pomocą oprogramowania do statystycznego mapowania parametrycznego (SPM): analiza statystycznego mapowania parametrycznego dla aktywności neuronalnej w czasie i częstotliwości: dynamiczne modelowanie przyczynowe odpowiedzi indukowanych dla połączeń wewnątrz- i międzyregionalnych.
Ta metoda może pomóc odpowiedzieć na kluczowe pytania w dziedzinie neuronauki poznawczej. Główną zaletą tej techniki jest to, że może analizować aktywność neuronalną i łączność w wysokoprzestrzennych ewolucjach czasowych. Aby rozpocząć analizę danych EEG wewnątrzczaszkowych, skonfiguruj SPM12 i wybierz menu analityczne MEG EEG.
Po pierwsze, należy przeprowadzić analizę czasowo-częstotliwościową dla wstępnie przetworzonych wewnątrzczaszkowych danych EEG z każdej próby, stosując ciągłą dekompozycję falkową za pomocą falek Morleta w oparciu o predefiniowane parametry. Aby ujawnić ewolucję czasową składowych widmowych, należy przeprowadzić dekompozycję falkową za pomocą siedmiocyklowych falek Morleta dla całej epoki od 1 000 do 2 000 milisekund przy użyciu zakresu częstotliwości od czterech do 300 herców. Następnie określ falkę macierzystą i liczbę cykli i zwróć uwagę, że liczba cykli kontroluje rozdzielczości czasowo-częstotliwościowe i powinna być większa niż pięć, aby zapewnić stabilność estymacji.
Określ zakresy czasu i częstotliwości. Następnie automatycznie przytnij wynikowe mapy częstotliwości czasowej, aby usunąć efekty krawędzi. W tym przypadku mapy są przycinane z prędkością od 200 do 500 milisekund.
W razie potrzeby wykonaj transformację danych i korektę linii bazowej, wybierając ponowne skalowanie częstotliwości czasu dla map częstotliwości czasu, aby lepiej wizualizować zmiany mocy związane ze zdarzeniami i poprawić normalność. Następnie przekonwertuj mapy częstotliwości czasu na obrazy dwuwymiarowe. Również płynnie przy użyciu jądra Gaussa z predefiniowaną wartością połówkową maksimum na całej szerokości, aby skompensować zmienność międzyobiektową i dostosować się do założeń teorii pola losowego.
Teraz wybierz określ drugi poziom w menu SPM i wprowadź obrazy 2D, które będą analizowane. Następnie uruchom ogólny model liniowy, wybierając opcję oszacowania modelu. Na koniec wybierz wyniki, aby przeprowadzić wnioskowanie statystyczne na danych o częstotliwości w czasie w oparciu o teorię pola losowego.
Wykrywaj znacznie aktywowane klastry czasowo-częstotliwościowe z predefiniowanymi progami, takimi jak te widoczne tutaj. Rozpocznij dynamiczną analizę modelowania przyczynowo-skutkowego, wybierając opcję DCM w menu SPM. Następnie wybierz opcję IND i wybierz nowe dane, aby zaimportować wstępnie przetworzone dane EEG wewnątrzczaszkowe.
Następnie użyj menu MEG EEG, aby określić interesujące nas okno czasowe, interesujące nas okno częstotliwości, liczbę cykli falkowych, które zostaną użyte, warunki zainteresowania oraz kontrasty dla tych warunków. Ustaw przedział czasu na od jednej do 500 milisekund. Stosować pięciocyklowe falki Morleta o częstotliwości od czterech do 100 herców w krokach co jeden herc.
Użyj domyślnego ustawienia dla cyklu falkowego. Określ zakresy czasowo-częstotliwościowe na podstawie zainteresowań badawczych. Należy pamiętać, że okno czasowe z dodatkowymi 512 milisekundami może być automatycznie używane podczas obliczeń w celu usunięcia efektów krawędzi.
W oparciu o strukturę DCM zdefiniuj dane wejściowe sterujące, które reprezentują dane sensoryczne dotyczące stanów neuronowych oraz wewnętrzne połączenia, które ucieleśniają podstawową łączność między stanami neuronalnymi. Zdefiniuj również wpływ modulacyjny na połączenia wewnętrzne za pomocą manipulacji eksperymentalnych dla modeli zerowych i hipotetycznych. Zdefiniuj typ modulacji jako liniowy lub nieliniowy.
Teraz określ wewnętrzne połączenia liniowe i nieliniowe, wejścia sterujące i wejścia modulacji. W razie potrzeby zmodyfikuj domyślne ustawienia powiązanych parametrów, takich jak czas i czas wystąpienia wcześniejszego bodźca. Następnie wybierz opcję Odwróć DCM, aby oszacować modele.
Następnie wybierz opcję Zapisz wyniki jako obraz, aby zapisać obrazy parametrów sprzężenia modulacji częstotliwości i częstotliwości. Następnie przeprowadź analizę wyboru modelu bayesowskiego z efektami losowymi, wybierając BMS w celu zidentyfikowania optymalnego modelu sieci. Użyj modelowych oczekiwanych prawdopodobieństw i prawdopodobieństw przystąpienia jako miar oceny.
Następnie wyciągnij wnioski dotyczące wzorców częstotliwości krzyżowych połączeń modulacyjnych, korzystając ze zwycięskich parametrów modelu. Teraz wygładź obrazy parametrów sprzężenia modulacyjnego, wybierając opcję Konwertuj na obrazy. Następnie użyj opcji określ drugi poziom, aby przeprowadzić ogólną analizę modelu liniowego.
Na koniec wybierz wyniki, aby obliczyć wartości SPMT 2D. W tym przypadku półmaksimum na całej szerokości zostało ustalone na osiem herców, a znaczące wartości zostały zidentyfikowane eksploracyjnie przy użyciu nieskorygowanego progu wysokości P mniejszego niż 0,05. Przeprowadzono analizy czasowo-częstotliwościowe w celu zbadania profili czasowych i częstotliwościowych zakrętu potylicznego dolnego lub IOG podczas przetwarzania faz.
Tutaj widzimy mapy czasowo-częstotliwościowe właściwej aktywności IOG dla fazy pionowej i warunków mozaiki pionowej. Pokazane są również dane SPMT dla fazy pionowej w porównaniu z mozaiką pionową. Funkcjonalne modele sieci są pokazane tutaj.
Zbadano osiem możliwych kombinacji modulacyjnego wejścia fazy pionowej i mozaiki pionowej na połączenia między IOG a ciałem migdałowatym oraz samopołączenia w każdym regionie. Parametry sprzężenia modulacji częstotliwości-częstotliwości i wartości SPMT dla fazy pionowej w porównaniu z mozaiką pionową dla IOG w porównaniu z modulacją ciała migdałowatego i ciała migdałowatego w porównaniu z modulacją IOG. Obszary czerwono-żółte wskazują na znaczną łączność pobudzającą, podczas gdy obszary niebiesko-cyjanowe wskazują na łączność hamującą.
Po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak analizować wewnątrzczaszkowe dane EEG w celu wykrywania aktywności neuronalnej i łączności za pomocą oprogramowania SPM.
View the full transcript and gain access to thousands of scientific videos
Przegląd
To badanie przedstawia protokoły analityczne do analizy danych elektroencefalografii śródczaszkowej (iEEG) przy użyciu oprogramowania Statistical Parametric Mapping (SPM). Dwa główne podejścia obejmują analizę statystyczną parametrycznego mapowania czasowo-częstotliwościowego do oceny aktywności neuronalnej oraz modelowanie przyczynowe (DCM) do oceny połączeń wewnątrz- i międzyregionalnych.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauki
- Elektrofizjologia
- Neuronauki poznawcze
Tło
- Dane EEG śródczaszkowego dostarczają wglądu w aktywność neuronową i połączenia.
- Analiza czasowo-częstotliwościowa ujawnia dynamikę składowych spektralnych.
- Modelowanie przyczynowe dynamiczne identyfikuje wzorce połączeń związane z bodźcami zmysłowymi.
Cel badania
- Opracowanie metod do szczegółowej analizy danych iEEG.
- Umożliwienie badania, jak zmieniają się połączenia neuronalne w czasie procesów poznawczych.
- Walidacja podejść z aktywnością neuronalną podczas określonych zadań.
Zastosowanie metod
- Do analizy danych wykorzystywane jest oprogramowanie SPM12.
- Kluczowy model opiera się na danych EEG śródczaszkowego od ludzi.
- Analiza czasowo-częstotliwościowa obejmuje ciągłą dekompozycję falkową z falkami Morleta.
- DCM jest stosowany do oceny wewnętrznych połączeń i efektów modulujących różnych warunków.
Główne wyniki
- Mapy czasowo-częstotliwościowe pokazują aktywność neuronalną związaną z różnymi fazami poznawczymi.
- DCM ujawnia wzbudzające i hamujące wzorce połączeń między regionami mózgu.
- Analiza wykazuje istotne profile czasowe i częstotliwościowe istotne dla przetwarzania poznawczego.
Wnioski
- Badanie ilustruje skuteczne metody analizy danych iEEG.
- Te podejścia zwiększają rozumienie oscylacji neuronalnych i połączeń w neuronauce poznawczej.
- Wyniki mają implikacje dla modelowania mechanizmów neuronalnych leżących u podstaw funkcji poznawczych.
Często zadawane pytania
Executive Industry Relevance
High-resolution analysis of neural activity and connectivity using intracranial EEG with SPM software enables precise mapping of brain function relevant to early-stage CNS drug discovery. Quantitative time-frequency and connectivity outputs support mechanistic de-risking and target validation for neuropsychiatric and cognitive disorder portfolios. These protocols enhance predictive confidence at critical inflection points in neuroscience R&D pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables direct interrogation of neural circuit function and target engagement in disease-relevant brain regions.
- Supports mechanistic de-risking by quantifying intra- and inter-regional connectivity changes in response to experimental manipulations.
- Provides high spatial and temporal resolution data for functional target validation and pathway clarification.
Screening & Assay Development
- Generates validated time-frequency maps and connectivity metrics for downstream quantitative analysis.
- Facilitates reproducible assay development by standardizing data transformation, baseline correction, and statistical inference workflows.
- Enables robust comparison of experimental conditions, supporting reliable compound or intervention evaluation.
Translational & Preclinical Research
- Aligns neural activity and connectivity readouts with translational biomarkers for CNS disorders when supported by experimental design.
- Provides continuity from discovery through preclinical validation by linking mechanistic neural signatures to functional outcomes.
- Supports risk-adjusted advancement decisions based on quantitative neural network modeling.
Pipeline & Workflow Integration
This analytical workflow positions intracranial EEG analysis with SPM as a bridge from early discovery through lead identification and preclinical validation in neuroscience R&D.
- Discovery Biology: Enables hypothesis testing and pathway clarification by mapping neural activity and connectivity in response to defined stimuli.
- Screening: Provides standardized, quantitative outputs for assay readiness and reproducibility across experimental conditions.
- Analytics: Delivers statistical maps and connectivity models that facilitate cross-condition and cross-subject comparisons.
- Translational Research: Supports alignment with disease-relevant biomarkers and mechanistic endpoints when integrated with translational models.
- Enterprise Reuse: Establishes a reusable analytical capability for diverse CNS research programs leveraging intracranial EEG data.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in CNS target validation.
- Operational Value: Standardizes high-resolution neural data analysis for reproducibility and scalability across projects.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency by providing robust neural network evidence.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of CNS assets based on quantitative neural signatures.
Implementation Considerations
- Requires expertise in electrophysiology, SPM software, and statistical modeling of neural data.
- Demands access to high-quality intracranial EEG recordings and computational infrastructure for data processing.
- Necessitates cross-team standardization of preprocessing, analysis parameters, and statistical thresholds.
- May require adaptation of protocols for different brain regions, species, or experimental paradigms.
- Interpretation of connectivity models should consider experimental design and statistical assumptions.
