Analiza aktywności neuronalnej i łączności przy użyciu wewnątrzczaszkowych danych EEG z oprogramowaniem SPM
30 października 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.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsze badanie przedstawia protokoły analityczne służące do analizy danych z wewnątrzczaszkowej elektroencefalografii (iEEG) przy użyciu oprogramowania Statistical Parametric Mapping (SPM). Dwie główne metody obejmują analizę statystycznego mapowania parametrycznego w dziedzinie czasu i częstotliwości do oceny aktywności neuronalnej oraz dynamiczne modelowanie przyczynowe (DCM) do oceny łączności wewnątrz- i międzyregionalnej.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Elektrofizjologia
- Neuronauka poznawcza
Wstęp
- Dane z wewnątrzczaszkowego EEG dostarczają informacji na temat aktywności i łączności neuronalnej.
- Analiza czasowo-częstotliwościowa ujawnia dynamikę komponentów spektralnych.
- Dynamiczne modelowanie przyczynowe identyfikuje wzorce łączności związane z bodźcami sensorycznymi.
Cel badania
- Opracowanie metod szczegółowej analizy danych iEEG.
- Umożliwienie badania zmian w łączności neuronalnej podczas procesów poznawczych.
- Walidacja zastosowanych podejść przy użyciu aktywności neuronalnej podczas konkretnych zadań.
Zastosowane Metody
- Do analizy danych wykorzystywane jest oprogramowanie SPM12.
- Kluczowy model opiera się na zapisach wewnątrzczaszkowego EEG od ludzi.
- Analiza czasowo-częstotliwościowa obejmuje ciągłą dekompozycję falkową z użyciem falki Morleta.
- DCM jest stosowane do oceny łączności wewnętrznej oraz efektów modulujących różnych warunków.
Główne wyniki
- Mapy czasowo-częstotliwościowe obrazują aktywność neuronalną związaną z różnymi fazami poznawczymi.
- Model DCM ujawnia pobudzające i hamujące wzorce połączeń między obszarami mózgu.
- Analiza wykazuje istotne profile czasowe i częstotliwościowe istotne dla procesów poznawczych.
Wnioski
- Badanie przedstawia skuteczne metodologie analizy danych iEEG.
- Podejścia te pogłębiają zrozumienie oscylacji neuronalnych i łączności w neuronauce poznawczej.
- Wyniki mają znaczenie dla modelowania mechanizmów neuronalnych leżących u podstaw funkcji poznawczych.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Analiza aktywności i łączności neuronalnej o wysokiej rozdzielczości z wykorzystaniem wewnątrzczaszkowego EEG i oprogramowania SPM umożliwia precyzyjne mapowanie funkcji mózgu istotnych dla wczesnych etapów odkrywania leków na schorzenia OUN. Ilościowe wyniki analizy czasowo-częstotliwościowej oraz łączności wspierają mechanistyczną redukcję ryzyka i walidację celów terapeutycznych w ramach portfeli leków na zaburzenia neuropsychyiatryczne i poznawcze. Protokoły te zwiększają pewność prognostyczną w krytycznych punktach zwrotnych w procesach badawczo-rozwojowych w dziedzinie neuronauki.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne odkrywanie i walidacja celu
- Umożliwia bezpośrednią analizę funkcji obwodów neuronalnych oraz stopnia zaangażowania celu w obszarach mózgu istotnych dla przebiegu choroby.
- Wspiera mechanistyczne ograniczanie ryzyka poprzez ilościowe określanie zmian w łączności wewnątrz- i międzyregionalnej w odpowiedzi na manipulacje eksperymentalne.
- Dostarcza danych o wysokiej rozdzielczości przestrzennej i czasowej w celu funkcjonalnej walidacji celu oraz wyjaśnienia szlaków sygnałowych.
Przesiewy i opracowywanie testów
- Generuje zwalidowane mapy czasowo-częstotliwościowe oraz mierniki łączności do późniejszej analizy ilościowej.
- Ułatwia odtwarzalne opracowanie testów poprzez standaryzację transformacji danych, korekcji linii bazowej oraz przepływów wnioskowania statystycznego.
- Umożliwia solidne porównanie warunków eksperymentalnych, wspierając wiarygodną ocenę związków lub interwencji.
Badania translacyjne i przedkliniczne
- Umożliwia zestawienie odczytów aktywności i łączności neuronalnej z biomarkerami translacyjnymi w zaburzeniach OUN, jeżeli jest to przewidziane w projekcie eksperymentalnym.
- Zapewnia ciągłość procesu od etapu odkrycia do walidacji przedklinicznej poprzez powiązanie mechanistycznych sygnatur neuronalnych z wynikami funkcjonalnymi.
- Wspiera decyzje o rozwoju projektu z uwzględnieniem ryzyka, w oparciu o ilościowe modelowanie sieci neuronalnych.
Integracja rurociągów i przepływu pracy
Ten analityczny schemat pracy pozycjonuje analizę wewnątrzczaszkowego EEG z wykorzystaniem SPM jako pomost łączący wczesne odkrycia z identyfikacją wiodących związków i walidacją przedkliniczną w badaniach i rozwoju w dziedzinie neuronauki.
- Biologia odkrywcza: Umożliwia weryfikację hipotez i wyjaśnienie szlaków poprzez mapowanie aktywności i łączności neuronalnej w odpowiedzi na określone bodźce.
- Przesiewanie: Zapewnia zestandaryzowane, ilościowe wyniki w celu oceny gotowości testów i ich powtarzalności w różnych warunkach eksperymentalnych.
- Analityka: Dostarcza map statystycznych i modeli łączności, które ułatwiają porównania między różnymi warunkami i obiektami badawczymi.
- Badania translacyjne: Wspiera dopasowanie do istotnych dla choroby biomarkerów i punktów końcowych mechanistycznych podczas integracji z modelami translacyjnymi.
- Ponowne wykorzystanie w przedsiębiorstwie: Tworzy możliwości wielokrotnego wykorzystania analiz w różnorodnych programach badawczych nad OUN, opartych na danych z wewnątrzczaszkowego EEG.
Wpływ operacyjny i przedsiębiorstwowy
- Wartość naukowa: Zwiększa pewność predykcyjną i zmniejsza niejednoznaczność mechanistyczną w walidacji celów w OUN.
- Wartość operacyjna: Standaryzuje analizę danych neuronalnych o wysokiej rozdzielczości w celu zapewnienia powtarzalności i skalowalności między projektami.
- Wartość strategiczna: Ułatwia podejmowanie decyzji o kontynuacji lub przerwaniu badań (go/no-go) i zwiększa efektywność kapitałową poprzez dostarczenie solidnych dowodów z sieci neuronalnych.
- Wpływ na portfolio: Umożliwia priorytetyzację skorygowaną o ryzyko oraz rozwój aktywów w obszarze OUN w oparciu o ilościowe sygnatury neuronalne.
Uwagi dotyczące wdrożenia
- Wymagana jest wiedza z zakresu elektrofizjologii, oprogramowania SPM oraz modelowania statystycznego danych neuronalnych.
- Niezbędny jest dostęp do wysokiej jakości zapisów wewnątrzczaszkowego EEG oraz infrastruktury obliczeniowej do przetwarzania danych.
- Wymagana jest standaryzacja preprocessingu, parametrów analizy i progów statystycznych pomiędzy zespołami.
- Można wymagać adaptacji protokołów dla różnych obszarów mózgu, gatunków lub paradygmatów eksperymentalnych.
- Interpretacja modeli łączności powinna uwzględniać projekt eksperymentalny oraz założenia statystyczne.
