Name: Wykrywanie wpływu na percepcję obiektu na poziomie źródła przed bodźcem za pomocą magnetoencefalografii (Wideo) | JoVE Journal
Uploaded: 2019-07-26T15:00:00.000+00:00
Duration: 9 min 25 s
Description: Poznaj metodę wykrywania zmian w łączności mózgu przed percepcją obiektu za pomocą magnetoencefalografii. Protokół MEG umożliwia badanie dynamiki neuronalnej na poziomie źródła.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Ta praca była wspierana przez FWF Austrian Science Fund, Imaging the Mind: Connectivity and Higher Cognitive Function, W 1233-G17 (do E.R.) oraz WIN2CON grantową Europejskiej Rady ds. Badań Naukowych, ERC StG 283404 (do N.W.). Autorzy pragną podziękować Nadii Müller-Voggel, Nicholasowi Peatfieldowi i Manfredowi Seifterowi za wkład w ten protokół.

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
<ol>
	<li>Pobierz obraz iluzji twarzy/wazonu Rubina14. Zostanie to pokazane połowie uczestników.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Utwórz krzyżyk fiksacji na białym tle, tak aby krzyżyk fiksacji był mniejszy niż obraz Rubina (mniej niż 5° kąta widzenia).</li>
</ol>
2. Konfiguracja MEG i sprzętu do stymulacji
<ol>
	<li>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).</li>
	<li>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.</li>
	<li>Nagraj 1 minutę danych MEG z pustego pomieszczenia przy 1 kHz.</li>
	<li>Monitoruj sygnały ze 102 magnetometrów i 204 ortogonalnie rozmieszczonych gradiometrów planarnych w 102 różnych pozycjach, wizualizując wszystkie sygnały w czasie rzeczywistym na komputerze akwizycyjnym.</li>
</ol>
3. Przygotowanie uczestnika do eksperymentu MEG
UWAGA: Szczegóły pozyskiwania danych MEG zostały już wcześniej opisane15.
<ol>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Umieść czujnik trackera systemu digitalizacji mocno na głowie uczestnika i przymocuj go do okularów, aby uzyskać maksymalną stabilność. 
	UWAGA: Zastosowano digitizer 3D (Tabela Materiałów).</li>
	<li>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.</li>
	<li>Digitalizuj 5 pozycji cewek HPI za pomocą rysika 3D digitizera.</li>
	<li>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.</li>
	<li>Zdejmij okulary z czujnikiem trackera.</li>
	<li>Przymocuj jednorazowe elektrody powyżej (łuk brwiowy) i poniżej (przyśrodkowo do kości jarzmowej szczęki) prawego oka, aby monitorować pionowe ruchy gałek ocznych.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Przymocuj jednorazową elektrodę jako masę poniżej szyi.</li>
	<li>Odprowadź uczestnika do pomieszczenia osłoniętego przez MEG i poinstruuj go, aby usiadł na krześle MEG.</li>
	<li>Podłącz wiązkę przewodów HPI i jednorazowe elektrody do systemu MEG.</li>
	<li>Podnieś krzesło tak, aby głowa uczestnika dotykała górnej części kasku MEG i upewnij się, że uczestnik czuje się komfortowo w tej pozycji.</li>
	<li>Zamknij drzwi do chronionego pomieszczenia i komunikuj się z uczestnikiem poprzez system domofonowy wewnątrz i na zewnątrz chronionego pomieszczenia.</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
</ol>
4. Przedstaw eksperyment za pomocą Psychtoolbox16
<ol>
	<li>Wyświetlaj instrukcje uczestnikom, informując ich, który przycisk nacisnąć, gdy zobaczą twarze i który przycisk nacisnąć, gdy zobaczą wazon.</li>
	<li>Utwórz pojedynczą próbę z 4 zdarzeniami, które będą miały zastosowanie do wszystkich prób w tej kolejności: krzyż fiksacji, obraz Rubina, maska i podpowiedź (<silna klasa = "xfig">Rysunek 1).</li>
	<li>Na początku każdej próby należy wyświetlić krzyż fiksacji przez zmienny okres czasu od 1 s do 1,8 s.</li>
	<li>Pod koniec tego okresu usuń krzyżyk fiksacyjny i wyświetlaj obraz Rubina przez 150 ms.</li>
	<li>Po upływie 150 ms usuń obraz Rubina i wyświetlaj maskę przez 200 ms.</li>
	<li>Pod koniec 200 ms zdejmij maskę i wyświetl pytanie, aby skłonić uczestników do udzielenia odpowiedzi z maksymalnym terminem odpowiedzi wynoszącym 2 sekundy.</li>
	<li>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.</li>
	<li>Zapisz czas wszystkich 4 zdarzeń, a także wybór odpowiedzi i jej czas.</li>
	<li>Powtórz tę samą strukturę próby 100 razy, zanim wyświetlisz uczestnikom instrukcję, aby krótko odpoczęli. Stanowi to jeden blok eksperymentalny.</li>
	<li>Powtórz strukturę blokową 4 razy, co daje w sumie 400 prób.</li>
</ol>
5. Monitoruj sygnał MEG i uczestnika podczas eksperymentu
<ol>
	<li>Monitoruj uczestnika za pomocą wideo.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Monitoruj sygnały MEG, wizualizując je w czasie rzeczywistym na komputerze akwizycyjnym.</li>
	<li>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.</li>
	<li>Pomiędzy blokami zapisz pozyskane sygnały MEG tego bloku.</li>
	<li>Po zakończeniu eksperymentu należy wejść do osłoniętego pomieszczenia, odłączyć wszystkie czujniki od systemu MEG i uwolnić uczestnika z krzesła.</li>
	<li>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.</li>
	<li>Podziękuj uczestnikowi i przekaż mu rekompensatę pieniężną.</li>
</ol>
6. Sygnały MEG przed przetwarzaniem i segmentacją
<ol>
	<li>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.</li>
	<li>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.</li>
	<li>Segmentuj dane MEG, wyodrębniając 1 sekundę poprzedzającą prezentację bodźca w każdym badaniu.</li>
	<li>Przypisz tym epokom etykietę typu badania "twarz" lub "wazon" zgodnie z reakcjami behawioralnymi uczestników w każdym badaniu.</li>
	<li>Wizualnie sprawdzaj próby i kanały, aby zidentyfikować i usunąć te, które wykazują nadmierny hałas lub artefakty, niezależnie od charakteru artefaktów, przy użyciu ft_rejectvisual.</li>
	<li>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.</li>
</ol>
7. Rekonstrukcja źródła
<ol>
	<li>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.</li>
	<li>Filtruj pasmowo-przepustowe dane epoki do interesujących Cię częstotliwości, w tym przypadku od 1 do 40 Hz.</li>
	<li>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.</li>
	<li>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).</li>
	<li>Stwórz dla każdego uczestnika realistyczny model głowy z pojedynczą skorupą, korzystając z ft_prepare_headmodel.</li>
	<li>Na poszczególnych obrazach MR zlokalizuj referencyjne punkty orientacyjne, klikając ich lokalizację na obrazie, aby zainicjować zgrubną korejestrację z ft_volumerealign.</li>
	<li>Dopasuj punkty kształtu głowy do skóry głowy, aby uzyskać dokładniejszą współrejestrację.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Oblicz macierz kowariancji każdego badania i uśrednij ją ze wszystkich prób.</li>
	<li>Obliczanie filtrów przestrzennych przy użyciu modelu do przodu i macierzy średniej kowariancji z ft_sourceanalysis.</li>
	<li>Pomnóż sygnał na poziomie czujnika do filtrów LCMV, aby uzyskać szeregi czasowe dla każdej lokalizacji źródła w sieci i dla każdej próby.</li>
</ol>
8. Analizuj moc oscylacyjną przed bodźcem w obszarze zainteresowania
<ol>
	<li>Zdefiniuj obszar zainteresowania (ROI), na przykład z poprzedniej literatury18 (tutaj wrzecionowaty obszar twarzy [FFA]; Współrzędne MNI: [28 -64 -4] mm).</li>
	<li>Wyróżnij czujnik wirtualny, który przestrzennie odpowiada zwrotowi z inwestycji, korzystając z ft_selectdata.</li>
	<li>Podziel twarz i wazon za pomocą ft_selectdata.</li>
	<li>Przeprowadź analizę częstotliwości zwrotu z inwestycji, oddzielnie na danych z dwóch typów badań, korzystając z ft_freqanalysis.</li>
	<li>Ustaw opcję metody na mtmfft, aby wykonać szybką transformację Fouriera.</li>
	<li>Ustaw opcję stożka na hanning, aby użyć stożka funkcji Hanna.</li>
	<li>Określ interesujące Cię częstotliwości od 1 Hz do 40 Hz.</li>
	<li>Ustaw opcję wyjściową na pow, aby wyodrębnić wartości mocy z zespolonych widm Fouriera.</li>
	<li>Powtórz procedurę dla każdego uczestnika przed uśrednieniem widm u wszystkich uczestników i wykreśleniem wynikowych uśrednionych wartości mocy w funkcji interesujących częstotliwości.</li>
</ol>
9. Analizuj łączność między interesującymi regionami przed bodźcem
<ol>
	<li>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]).</li>
	<li>Powtórz kroki 8.2 i 8.3.</li>
	<li>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.</li>
	<li>Ustaw metodę na mtmconvol, aby zaimplementować transformację czasu i częstotliwości wielokrotnego stożka na podstawie mnożenia w dziedzinie częstotliwości.</li>
	<li>Ustaw opcję stożka na dpss, aby użyć dyskretnego zwężania sekwencji sferoidalnych o prolate.</li>
	<li>Określ interesujące Cię częstotliwości od 8 Hz do 13 Hz.</li>
	<li>Ustaw szerokość okna czasowego na 200 ms, a parametr wygładzania na 4 Hz.</li>
	<li>Ustaw opcję keeptrials na yes, aby zwrócić oszacowania czasu i częstotliwości pojedynczych prób.</li>
	<li>Ustaw wyjście na Fouriera, aby zwrócić zespolone widma Fouriera.</li>
	<li>Wykonaj analizę łączności na uzyskanych danych czasowo-częstotliwościowych przy użyciu ft_connectivityanalysis.</li>
	<li>Ustaw metodę na coh, a pole złożone na imag, aby zwrócić wyimagowaną część coherency19.</li>
	<li>Powtórz procedurę dla każdego uczestnika przed uśrednieniem widm koherencji dla różnych częstotliwości i uczestników oraz wykreśleniem wynikowych uśrednionych wartości koherencji urojonej w funkcji czasu.</li>
</ol>
10. Statystyczne porównanie mocy i widm koherencji twarzy i wazonu przed bodźcem
<ol>
	<li>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.</li>
	<li>Wykonaj test permutacji oparty na klastrach20, porównując 2 wynikowe zmienne przy użyciu ft_freqstatistics.</li>
	<li>Ustaw opcję metody na motecarlo.</li>
	<li>Ustaw opcję częstotliwości na [8 13] i ustaw avgoverfreq na tak.</li>
	<li>Ustaw clusteralpha na 0,05 i ustaw correcttail na alpha.</li>
	<li>Ustaw opcję statystyki na ft_statfun_depsamplesT.</li>
	<li>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.</li>
	<li>Ustaw opcję ivar na 1, a opcję uvar na 2.</li>
</ol>

<ol><li>Arieli, A., Sterkin, A., Grinvald, A., Aertsen, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamics+of+ongoing+activity%3A+explanation+of+the+large+variability+in+evoked+cortical+responses%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Dynamics of ongoing activity: explanation of the large variability in evoked cortical responses.</a> Science. 273 (5283), 1868-1871 (1996).</li>
<li>Boly, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Baseline+brain+activity+fluctuations+predict+somatosensory+perception+in+humans%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Baseline brain activity fluctuations predict somatosensory perception in humans.</a> Proceedings of the National Academy of Sciences of the United States of America. 104 (29), 12187-12192 (2007).</li>
<li>Rahn, E., Başar, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prestimulus+EEG-activity+strongly+influences+the+auditory+evoked+vertex+response%3A+a+new+method+for+selective+averaging%5BTitle%5D)+AND+%22The+International+Journal+of+Neuroscience%22%5BJournal%5D)">Prestimulus EEG-activity strongly influences the auditory evoked vertex response: a new method for selective averaging.</a> The International Journal of Neuroscience. 69 (1-4), 207-220 (1993).</li>
<li>Supèr, H., van der Togt, C., Spekreijse, H., Lamme, V. A. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Internal+state+of+monkey+primary+visual+cortex+%28V1%29+predicts+figure-ground+perception%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience%3A+The+Official+Journal+of+the+Society+for+Neuroscience%22%5BJournal%5D)">Internal state of monkey primary visual cortex (V1) predicts figure-ground perception.</a> The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 23 (8), 3407-3414 (2003).</li>
<li>Frey, J. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Tactile+Window+to+Consciousness+is+Characterized+by+Frequency-Specific+Integration+and+Segregation+of+the+Primary+Somatosensory+Cortex%5BTitle%5D)+AND+%22Scientific+Reports%22%5BJournal%5D)">The Tactile Window to Consciousness is Characterized by Frequency-Specific Integration and Segregation of the Primary Somatosensory Cortex.</a> Scientific Reports. 6, 20805(2016).</li>
<li>Leonardelli, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prestimulus+oscillatory+alpha+power+and+connectivity+patterns+predispose+perceptual+integration+of+an+audio+and+a+tactile+stimulus%5BTitle%5D)+AND+%22Human+Brain+Mapping%22%5BJournal%5D)">Prestimulus oscillatory alpha power and connectivity patterns predispose perceptual integration of an audio and a tactile stimulus.</a> Human Brain Mapping. 36 (9), 3486-3498 (2015).</li>
<li>Leske, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prestimulus+Network+Integration+of+Auditory+Cortex+Predisposes+Near-Threshold+Perception+Independently+of+Local+Excitability%5BTitle%5D)+AND+%22Cerebral+Cortex%22%5BJournal%5D)">Prestimulus Network Integration of Auditory Cortex Predisposes Near-Threshold Perception Independently of Local Excitability.</a> Cerebral Cortex. 25 (12), New York, NY. 4898-4907 (2015).</li>
<li>Weisz, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prestimulus+oscillatory+power+and+connectivity+patterns+predispose+conscious+somatosensory+perception%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Prestimulus oscillatory power and connectivity patterns predispose conscious somatosensory perception.</a> Proceedings of the National Academy of Sciences of the United States of America. 111 (4), 417-425 (2014).</li>
<li>Busch, N. A., Dubois, J., VanRullen, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+phase+of+ongoing+EEG+oscillations+predicts+visual+perception%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience%3A+The+Official+Journal+of+the+Society+for+Neuroscience%22%5BJournal%5D)">The phase of ongoing EEG oscillations predicts visual perception.</a> The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 29 (24), 7869-7876 (2009).</li>
<li>Mathewson, K. E., Gratton, G., Fabiani, M., Beck, D. M., Ro, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((To+see+or+not+to+see%3A+prestimulus+alpha+phase+predicts+visual+awareness%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience%3A+The+Official+Journal+of+the+Society+for+Neuroscience%22%5BJournal%5D)">To see or not to see: prestimulus alpha phase predicts visual awareness.</a> The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 29 (9), 2725-2732 (2009).</li>
<li>Blake, R., Logothetis, N. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visual+competition%5BTitle%5D)+AND+%22Nature+Reviews+Neuroscience%22%5BJournal%5D)">Visual competition.</a> Nature Reviews Neuroscience. 3 (1), 13-21 (2002).</li>
<li>Van Veen, B. D., van Drongelen, W., Yuchtman, M., Suzuki, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Localization+of+brain+electrical+activity+via+linearly+constrained+minimum+variance+spatial+filtering%5BTitle%5D)+AND+%22IEEE+Transactions+on+Biomedical+Engineering%22%5BJournal%5D)">Localization of brain electrical activity via linearly constrained minimum variance spatial filtering.</a> IEEE Transactions on Biomedical Engineering. 44 (9), 867-880 (1997).</li>
<li>Bastos, A. M., Schoffelen, J. -M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+Tutorial+Review+of+Functional+Connectivity+Analysis+Methods+and+Their+Interpretational+Pitfalls%5BTitle%5D)+AND+%22Frontiers+in+Systems+Neuroscience%22%5BJournal%5D)">A Tutorial Review of Functional Connectivity Analysis Methods and Their Interpretational Pitfalls.</a> Frontiers in Systems Neuroscience. 9, 175(2015).</li>
<li>Rubin, E. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aRubin%2C+E+%22Synsoplevede+Figurer%22">Synsoplevede Figurer</a>. , Gyldendalske Boghandel. Copenhagen. (1915).</li>
<li>Balderston, N. L., Schultz, D. H., Baillet, S., Helmstetter, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+to+detect+amygdala+activity+with+magnetoencephalography+using+source+imaging%5BTitle%5D)+AND+%22Journal+of+Visualized+Experiments%22%5BJournal%5D)">How to detect amygdala activity with magnetoencephalography using source imaging.</a> Journal of Visualized Experiments. (76), e50212(2013).</li>
<li>Kleiner, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((What%27s+new+in+psychtoolbox-3%5BTitle%5D)+AND+%22Perception%22%5BJournal%5D)">What's new in psychtoolbox-3.</a> Perception. 36 (14), 1-16 (2007).</li>
<li>Oostenveld, R., Fries, P., Maris, E., Schoffelen, J. -M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((FieldTrip%3A+Open+source+software+for+advanced+analysis+of+MEG%2C+EEG%2C+and+invasive+electrophysiological+data%5BTitle%5D)+AND+%22Computational+Intelligence+and+Neuroscience%22%5BJournal%5D)">FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data.</a> Computational Intelligence and Neuroscience. 2011, 156869(2011).</li>
<li>Rassi, E., Wutz, A., Mueller-Voggel, N., Weisz, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pre-stimulus+feedback+connectivity+biases+the+content+of+visual+experiences%5BTitle%5D)+AND+%22BioRxiv%22%5BJournal%5D)">Pre-stimulus feedback connectivity biases the content of visual experiences.</a> BioRxiv. , (2019).</li>
<li>Nolte, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identifying+true+brain+interaction+from+EEG+data+using+the+imaginary+part+of+coherency%5BTitle%5D)+AND+%22Clinical+Neurophysiology%3A+Official+Journal+of+the+International+Federation+of+Clinical+Neurophysiology%22%5BJournal%5D)">Identifying true brain interaction from EEG data using the imaginary part of coherency.</a> Clinical Neurophysiology: Official Journal of the International Federation of Clinical Neurophysiology. 115 (10), 2292-2307 (2004).</li>
<li>Maris, E., Oostenveld, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nonparametric+statistical+testing+of+EEG-+and+MEG-data%5BTitle%5D)+AND+%22Journal+of+Neuroscience+Methods%22%5BJournal%5D)">Nonparametric statistical testing of EEG- and MEG-data.</a> Journal of Neuroscience Methods. 164 (1), 177-190 (2007).</li>
<li>Hesselmann, G., Kell, C. A., Eger, E., Kleinschmidt, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spontaneous+local+variations+in+ongoing+neural+activity+bias+perceptual+decisions%5BTitle%5D)+AND+%22Proceedings+of+the+National+Academy+of+Sciences+of+the+United+States+of+America%22%5BJournal%5D)">Spontaneous local variations in ongoing neural activity bias perceptual decisions.</a> Proceedings of the National Academy of Sciences of the United States of America. 105 (31), 10984-10989 (2008).</li>
<li>Kanwisher, N., McDermott, J., Chun, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+fusiform+face+area%3A+a+module+in+human+extrastriate+cortex+specialized+for+face+perception%5BTitle%5D)+AND+%22The+Journal+of+Neuroscience%3A+The+Official+Journal+of+the+Society+for+Neuroscience%22%5BJournal%5D)">The fusiform face area: a module in human extrastriate cortex specialized for face perception.</a> The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 17 (11), 4302-4311 (1997).</li>
<li>Morey, R. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Confidence+Intervals+from+Normalized+Data%3A+A+correction+to+Cousineau%5BTitle%5D)+AND+%22Tutorials+in+Quantitative+Methods+for+Psychology%22%5BJournal%5D)">Confidence Intervals from Normalized Data: A correction to Cousineau.</a> Tutorials in Quantitative Methods for Psychology. 4 (2), 61-64 (2008).</li>
<li>Miller, E. K., Nieder, A., Freedman, D. J., Wallis, J. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+correlates+of+categories+and+concepts%5BTitle%5D)+AND+%22Current+Opinion+in+Neurobiology%22%5BJournal%5D)">Neural correlates of categories and concepts.</a> Current Opinion in Neurobiology. 13 (2), 198-203 (2003).</li>
<li>Kreiman, G., Koch, C., Fried, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Category-specific+visual+responses+of+single+neurons+in+the+human+medial+temporal+lobe%5BTitle%5D)+AND+%22Nature+Neuroscience%22%5BJournal%5D)">Category-specific visual responses of single neurons in the human medial temporal lobe.</a> Nature Neuroscience. 3 (9), 946-953 (2000).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

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 obiektów24,25. 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.

Stany mózgu poprzedzające prezentację bodźców wpływają na sposób odbierania bodźców, jak również na reakcje neuronalne związane z percepcją1,2,3,4. 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 nie5,6,7,8,9,10. 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.

<table><tbody><tr>Oprogramowanie do <td>analizy danych</td><td>Elekta Oy, Sztokholm, SZWECJA</td><td>NM23321N</td><td>standardowe oprogramowanie do analizy danych Elekta, w tym MaxFilter w wersji 2.2&nbsp;</td></tr><tr><td>Stacja robocza do analizy danych</td><td>Elekta Oy, Sztokholm, SZWECJA</td><td>NM20998N</td><td>MEG do kodowania komputera i oprogramowania</td></tr><tr><td>Zestaw cewki do pozycji</td><td>głowicy Elekta Oy, Sztokholm, SZWECJA</td><td>NM23880N</td><td>5 cewek wskaźnika położenia głowicy (HPI)&nbsp;</td></tr><tr><td>Neuromag TRIUX</td><td>Elekta Oy, Sztokholm, SZWECJA</td><td>NM23900N</td><td>306-kanałowy system magnetoencefalografu</td></tr><tr><td>Polhemus Fastrak 3D</td><td>Polhemus, VT, USA</td><td></td><td>System digitalizacji głowic 3D</td></tr><tr><td>PROPixx</td><td>VPixx Technologies Inc., QC, KANADA</td><td>VPX-PRO-5001C</td><td>Projektor i system akwizycji danych</td></tr><tr><td>RESPONSEPixx</td><td>VPixx Technologies Inc., QC, KANADA</td><td>VPX-ACC-4910</td><td>Ręczny system paneli sterowniczych kompatybilny z MEG</td></tr><tr><td>Response Collection Ekran</td><td>VPixx Technologies Inc., QC, Kanada VPX-ACC-5180</td><td></td><td>Kompatybilny z MEG tylny ekran projekcyjny z ramką i stojakiem</td></tr><tr><td>OdkurzaczSchmelze AK-3</td><td>VacuumSchmelze GmbH & Co. KG, Hanau, NIEMCY</td><td>NM23122N</td><td>Dwuwarstwowy magnetycznie ekranowany</td></tr> <tr><td>Software</td><td></td><td>Version</td>Fieldtrip Open Source FTP-181005 fieldtriptoolbox.org <td></td></tr><tr><td></td><td></td><td></td><td></td></tr><tr><td>Matlab</td><td>MathWorks, MA, USA</td><td>R2018b</td><td>mathworks.com/products/matlab</td></tr><tr><td>Psychophysics Toolbox</td><td>Open Source</td><td>PTB-3.0.13</td><td>psychtoolbox.org</td></tr></tbody></table>

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

Detecting Pre-Stimulus Source-Level Effects on Object Perception with Magnetoencephalography

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.

Uczestnikom krótko i wielokrotnie prezentowano iluzję twarzy/wazy Rubina, a następnie proszono ich o zgłoszenie dostrzeżonego obrazu (twarz czy waza?) po każdej próbie (Rysunek 1). Każdej próbie poprzedzał co najmniej 1 s pustego ekranu (z krzyżem fiksacyjnym); był to przedbodźcowy przedział czasowy będący przedmiotem analizy.
Zadaliśmy pytanie, czy moc oscylacji przed bodźcem w obszarach zainteresowania lub łączność przed bodźcem pomiędzy obszarami zainteresowania wpływa na raport percepcyjny nadchodzącego niejednoznacznego bodźca. W związku z tym, w pierwszym kroku, rzutowaliśmy nasze dane do przestrzeni źródłowej, aby móc wyodrębnić sygnały z odpowiednich ROI.
Opierając się na wcześniejszej literaturze badającej percepcję twarzy i obiektów z użyciem bodźców zarówno dwuznacznych21, jak i jednoznacznych22, wyznaczyliśmy FFA jako nasz obszar zainteresowania (ROI). Następnie przeanalizowaliśmy niskoczęstotliwościowe (1-40 Hz) komponenty widmowe sygnału źródłowego z FFA i zestawiliśmy szacunki widmowe z prób zgłoszonych jako „twarz” z próbami zgłoszonymi jako „waza”. Test permutacyjny oparty na klastrach, grupujący częstotliwości w zakresie 1-40 Hz i kontrastujący moc widmową w próbach, w których badani zgłosili twarz lub wazę, nie wykazał istotnych różnic między tymi dwoma typami prób. Niemniej jednak, w analizie opisowej widma mocy wykazały oczekiwany szczyt oscylacyjny pasma alfa w zakresie 8-13 Hz, a w mniejszym stopniu aktywność pasma beta w zakresie 13-25 Hz (Ryc. 2).
Nie stwierdzając różnic w widmowej mocy sygnału przed bodźcem, zbadaliśmy następnie, czy występują różnice w łączności przed bodźcem pomiędzy typami prób. Oprócz FFA, jako drugi ROI wyznaczono obszar V1 ze względu na jego powszechny udział w procesach widzenia. Na podstawie wyników analizy mocy określono częstotliwości 8-13 Hz jako częstotliwości docelowe. Obliczono rozdzieloną w czasie i częstotliwości część urojoną koherencji pomiędzy dwoma ROI, oddzielnie dla prób z twarzami i wazonami, a następnie uśredniono wynik w zakresie częstotliwości docelowych. Miara ta odzwierciedla synchronizację fazy oscylacji pomiędzy regionami mózgu i w sposób konserwatywny kontroluje efekty przewodzenia objętościowego w zrekonstruowanych źródłach MEG19, dlatego została wybrana jako metoda oceny sprzężenia funkcjonalnego. Test permutacyjny oparty na klastrach, z klastrowaniem w punktach czasowych od -1 do 0 s, kontrastujący koherencję urojoną pomiędzy V1 a FFA w próbach, w których respondenci zgłaszali widzenie twarzy lub wazonu, wykazał, że próby z twarzami charakteryzowały się silniejszą łącznością przed bodźcem w porównaniu z próbami z wazonami, około 700 ms przed pojawieniem się bodźca (Rysunek 3).
<img alt="Reakcja na bodziec poznawczy, analiza fali EEG, schemat eksperymentu podejmowania decyzji." class="xfigimg" src="/files/ftp_upload/60120/60120fig1.jpg" data-altupdatedat="1788282455000" data-alt="Rycina 1"> 
Rycina 1: Przykładowa struktura próby i surowe dane. Panel dolny: Próba rozpoczyna się od wyświetlenia krzyża fiksacyjnego. Po 1 do 1.8 s pojawia się bodziec Rubina przez 150 ms, a następnie maska przez 200 ms. Następnie pojawia się ekran odpowiedzi, który wzywa uczestników do odpowiedzi „twarz” lub „waza”. Panel górny: Wielokanałowe surowe dane od przykładowego uczestnika, zsynchronizowane czasowo z początkiem bodźca i uśrednione w obrębie prób. Jest to schemat mający na celu wyróżnienie danych w oknie analizy przedbodźcowej (-1 s do 0 s; zaznaczone na różowo), które będą docelowym interwałem analizy. <a href="https://www.jove.com/files/ftp_upload/60120/60120fig1large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.</a>
<img alt="Wykres gęstości widmowej mocy w funkcji częstotliwości, przedstawiający analizę porównawczą raportów dotyczących twarzy i wazy." class="xfigimg" src="/files/ftp_upload/60120/60120fig2.jpg" data-altupdatedat="1788282455000" data-alt="Rycina 2"> 
Rycina 2: Moc widmowa w FFA. Szacunki mocy widmowej z sygnałów FFA zlokalizowanych w źródle podczas prób z twarzą i wazą. <a href="https://www.jove.com/files/ftp_upload/60120/60120fig2large.jpg" target="_blank">Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.</a>
<img alt="Wykres części urojonej koherencji w funkcji czasu; raport twarz vs. wazon; istotność statystyczna p&lt;0.05." class="xfigimg" src="/files/ftp_upload/60120/60120fig3.jpg" data-altupdatedat="1788282455000" data-alt="Rysunek 3"> 
Rysunek 3: Łączność między V1 a FFA. Część urojona koherencji między sygnałami z obszarów V1 i FFA zlokalizowanymi u źródła podczas prób z twarzą i wazonem, w zakresie częstotliwości 8-13 Hz. Zacieniowane obszary reprezentują błąd standardowy średniej dla schematów wewnątrzgrupowych23. <a href="https://www.jove.com/files/ftp_upload/60120/60120fig3large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>

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.

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

Pre-stimulus oscillatory brain activity influences upcoming perception. The characteristics of this pre-stimulus activity can predict whether a ...

Metoda ta pozwala na uchwycenie szybkich i przejściowych zmian w połączeniach mózgowych przed obejrzeniem obiektów oraz wpływu tych zmian na percepcję obiektów. Główną przewagą MEG nad EEG jest to, że pole magnetyczne mózgu nie jest zakłócane przez głowę, co umożliwia rekonstrukcję źródła w wyższej rozdzielczości i lepsze oszacowanie połączeń. Zacznij od nagrania jednej minuty danych MEG z pustego pomieszczenia w odległości jednego kiloherca.Monitoruj sygnały ze 102 magnetometrów i 204 ortogonalnie rozmieszczonych gradiometrów planarnych w 102 różnych pozycjach, wizualizując wszystkie sygnały w czasie rzeczywistym na komputerze akwizycyjnym. Nie pozwiesz nas do sądu? A oto Następnie, uzyskaj świadomą zgodę uczestnika zgodnie z deklaracją Helsinek i poproś go o podpisanie formularza, który zawiera oświadczenie o wyrażeniu zgody na przetwarzanie danych osobowych.Czy w twoim ciele jest jakiś metalowy przedmiot? Ale możesz to zrobić również, gdy jesteś w środku. Następnie zapewnij im niemagnetyczne ubrania i upewnij się, że nie mają żadnych metalowych przedmiotów w swoich ciałach ani na ich ciałach.Poproś ich o wypełnienie anonimowego kwestionariusza, aby to zapewnić i upewnić się, że nie mają żadnych innych kryteriów wykluczenia oraz aby udokumentowali szczegóły, takie jak ręczność i poziom odpoczynku. W porządku, doskonale, dziękuję. Tu. Posadź uczestnika na krześle nieferromagnetycznym, a następnie przymocuj pięć cewek wskaźnika położenia głowy do głowy za pomocą kleju, dwie nad jednym okiem, jedną nad drugim okiem i jedną za każdym uchem.Umieść czujnik trackera systemu digitalizacji na głowie uczestnika i przymocuj go do okularów, aby uzyskać maksymalną stabilność. Następnie zdigitalizuj anatomiczne punkty orientacyjne, lewy i prawy punkt przeduszny oraz nasiona, a także upewnij się, że punkty przeduszne są symetryczne. Ponadto, zdigitalizuj pięć pozycji cewki HPI za pomocą rysika 3D digitizera.Teraz zdigitalizuj do 300 punktów wzdłuż skóry głowy i zmaksymalizuj pokrycie kształtu głowy. Zakryj dobrze zdefiniowane obszary skóry głowy na obrazach MR, powyżej wgłębienia z tyłu i nasiona z przodu, a także grzbiet nosa. Punkty te zostaną wykorzystane do wspólnej rejestracji na obraz anatomiczny.W tym momencie zdejmij okulary z czujnikiem trackera i zamocuj jednorazowe elektrody nad i pod prawym okiem, aby monitorować pionowe ruchy gałek ocznych. Przymocuj również elektrody po prawej stronie prawego oka i po lewej stronie lewego oka, aby monitorować poziome ruchy gałek ocznych. Podłącz dodatkowe elektrody poniżej prawego obojczyka i poniżej serca, aby monitorować tętno.Sygnał w tych obszarach jest solidny, więc sprawdzanie impedancji nie jest konieczne. Przymocuj również elektrodę jako masę poniżej szyi. Proszę. Teraz odprowadź uczestnika do chronionego pokoju MEG i poinstruuj go, aby usiadł na krześle MEG.Podłącz wiązkę przewodów HPI i jednorazowe elektrody do systemu MEG. Następnie podnieś krzesło tak, aby głowa uczestnika dotykała górnej części kasku i upewnij się, że uczestnikowi jest wygodnie. Czy teraz jest to w porządku?Rozpocznij od poinstruowania uczestnika, aby biernie wpatrywał się w pusty ekran przez pięć minut, jednocześnie nagrywając dane MEG w stanie spoczynku z częstotliwością jednego kiloherca. Utrzymuj częstotliwość próbkowania na poziomie jednego kiloherca przez cały czas trwania eksperymentu. Następnie poinstruuj uczestnika o wymaganiach dotyczących zadania i poproś go o wykonanie 20 prób praktycznych.Więc teraz pójdziemy na sesję treningową i upewnimy się, że wszystko jest w porządku. Porządku. W porządku? Rozpocznij eksperyment od wyświetlenia instrukcji, mówiąc uczestnikowi, który przycisk nacisnąć, gdy zobaczy twarze i który przycisk nacisnąć, gdy zobaczy wazon.Utwórz pojedynczą próbę z czterema zdarzeniami, które będą miały zastosowanie do wszystkich prób w następującej kolejności: krzyż fiksacji, obraz Rubina, maska i monit odpowiedzi. Na początku każdego bloku, przed rozpoczęciem zadania, rozpocznij pomiar danych MEG i zapisz początkową pozycję pozycji głowy uczestnika w stosunku do MEG. Pamiętaj, aby monitorować uczestnika za pomocą wideo podczas eksperymentu.W systemie MEG kliknij przycisk Go to start (Przejdź do ekranu startowego). 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.Na początku każdej próby wyświetlaj krzyż fiksacji przez zmienny okres czasu od jednej do 1,8 sekundy. Następnie wyświetlaj obraz Rubina przez 150 milisekund. Następnie usuń obraz Rubina i wyświetlaj maskę przez 200 milisekund, po czym pojawi się pytanie skłaniające uczestnika do odpowiedzi w ciągu dwóch sekund.Zaprogramuj okres odpowiedzi w taki sposób, aby jeśli uczestnicy odpowiedzieli w ciągu dwóch sekund, rozpocznie się następna próba. W przeciwnym razie rozpocznij następną próbę po dwóch sekundach. Zapisz czas wszystkich czterech zdarzeń, a także wybór odpowiedzi i jej chronometraż.Monitoruj sygnały MEG, wizualizując je w czasie rzeczywistym na komputerze akwizycyjnym. Po zakończeniu eksperymentu wyprowadź uczestnika z osłoniętego pomieszczenia i pomóż mu odłączyć czujniki. Przeanalizuj uzyskane dane, wykonując analizę czasowo-częstotliwościową w obu obszarach zainteresowania oddzielnie od dwóch typów prób, korzystając z kodu widocznego na ekranie tutaj.Po pierwsze, zaimplementuj transformację czasu i częstotliwości z wieloma stożkami w oparciu o mnożenie w dziedzinie częstotliwości. Ustaw również opcję stożka na dpss, aby użyć dyskretnej funkcji zwężania sekwencji sferoidalnych prolate i zdefiniować interesujące częstotliwości od ośmiu do 13 herców. Następnie ustaw szerokość okna czasowego na 200 milisekund, a parametr wygładzania na cztery herce.Ustaw opcję keeptrials na yes, aby zwrócić oszacowania czasu i częstotliwości pojedynczych prób. Ustaw wyjście na Fouriera, aby zwrócić zespolone widma Fouriera. Przeprowadź analizę połączeń na wynikowych danych czasowo-częstotliwościowych, używając kodu widocznego na ekranie, używając pokazanych ustawień, aby zwrócić wyimaginowaną część koherencji.Powtórz procedurę dla każdego uczestnika przed uśrednieniem widm koherencji dla różnych częstotliwości i uczestników oraz wykreśleniem wynikowych uśrednionych wartości koherencji urojonej w funkcji czasu. Tutaj widzimy przykładową strukturę próbną i surowe dane. Próba rozpoczyna się od wyświetlenia krzyża fiksacji.Po jednej do 1,8 sekundy bodziec Rubina pojawia się na 150 milisekund, a następnie maska na 200 milisekund. Następnie pojawi się ekran odpowiedzi, aby poprosić uczestników o odpowiedź za pomocą twarzy lub wazonu. Powyżej widzimy wielokanałowe surowe dane od przykładowego uczestnika, ograniczone czasowo do początku bodźca i uśrednione między próbami.Te dane w oknie analizy przed bodźcem będą docelowym interwałem analizy. Tutaj widzimy szacunki mocy spektralnej z zlokalizowanych u źródła wrzecionowatych sygnałów obszaru twarzy w próbach twarzy i wazonów. Rysunek ten pokazuje wyimaginowaną część koherencji między zlokalizowaną u źródła korą wzrokową a wrzecionowatymi sygnałami obszaru twarzy w próbach twarzy i wazonów, w zakresie częstotliwości od 8 do 13 herców.Zacienione obszary reprezentują standardowy błąd średniej dla projektu wewnątrzobiektowego. MEG to metoda pasywna, podobnie jak podnoszenie gitary elektrycznej. Maszyna jest również narażona na ryzyko uszkodzenia przez uczestników, w przeciwieństwie do innych modalności.

detecting-pre-stimulus-source-level-effects-on-object-perception-with

Research

JoVE Journal

Neuroscience

Neuronauka

Wykorzystujemy magnetoencefalografię i elektroencefalografię (MEG/EEG), w połączeniu z informacjami anatomicznymi uzyskanymi za pomocą obrazowania rezonansem magnetycznym (MRI), aby zmapować dynamikę sieci korowej związanej z uwagą słuchową.

Mapowanie dynamiki korowej z wykorzystaniem jednoczesnej MEG/EEG oraz oszacowań minimalnej normy z ograniczeniami anatomicznymi: przykład uwagi słuchowej

Źródło: Papadelis, C., et wsp., Międzynapadowe oscylacje wysokiej częstotliwości wykryte za pomocą jednoczesnej magnetoencefalografii i elektroencefalografii jako biomarker padaczki dziecięcej. J. Vis. exp.{{TAG_ 27}} (2016).  Ten film demonstruje metodę wykorzystania zapisów elektroencefalografii (EEG) i magnetoencefalografii (MEG) do identyfikacji międzynapadowych wyładowań padaczkowych (IED) i oscylacji o wysokiej częstotliwości (HFO) w celu zlokalizowania obszarów mózgu podatnych na napady.

 Jednoczesna elektroencefalografia i magnetoencefalografia w celu identyfikacji obszarów mózgu podatnych na napady padaczkowe 

Ten artykuł opisuje, jak rejestrować aktywność ciała migdałowatego za pomocą magnetoencefalografii (MEG). Ponadto w tym artykule opiszemy, jak przeprowadzić warunkowanie strachu śladowego bez świadomości, zadanie, które aktywuje ciało migdałowate. Obejmie 3 tematy: 1) Projektowanie paradygmatu warunkowania śladowego przy użyciu maskowania wstecznego do manipulowania świadomością. 2) Rejestrowanie aktywności mózgu podczas zadania za pomocą magnetoencefalografii. 3) Wykorzystanie obrazowania...

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

Ten artykuł opisuje metodę zbierania i analizowania danych elektroencefalografii (EEG) podczas jednoczesnej przezczaszkowej stymulacji magnetycznej (TMS) sterowanej aktywacjami ujawnionymi za pomocą funkcjonalnego rezonansu magnetycznego (fMRI). Opisano metodę usuwania artefaktów TMS i ekstrakcji potencjałów związanych ze zdarzeniami, a także rozważania dotyczące projektowania paradygmatu i konfiguracji eksperymentalnej.

Ekstrakcja wizualnych potencjałów wywołanych z danych EEG zarejestrowanych podczas przezczaszkowej stymulacji magnetycznej pod kontrolą fMRI

Oscylacje o wysokiej częstotliwości (HFO) pojawiły się jako przedoperacyjne biomarkery do identyfikacji strefy padaczkowej u pacjentów pediatrycznych z padaczką oporną na leczenie. Przedstawiono metodykę nieinwazyjnego rejestrowania, wykrywania i lokalizacji HFO z jednoczesną elektroencefalografią skóry głowy (EEG) i magnetoencefalografią (MEG).

Międzynapadowe oscylacje o wysokiej częstotliwości wykryte za pomocą jednoczesnej magnetoencefalografii i elektroencefalografii jako biomarkera padaczki dziecięcej

Ten artykuł przedstawia przyjazny dla dzieci protokół badawczy, który ma na celu poprawę jakości danych poprzez zmniejszenie ruchów głowy podczas magnetoencefalografii dziecięcej (MEG). Zaznajamiamy rodziny ze środowiskiem MEG, szkolimy dzieci, aby pozostawały w bezruchu za pomocą symulatora MEG i korygujemy artefakty szczątkowych ruchów głowy za pomocą systemu wykrywania ruchów głowy w czasie rzeczywistym.

Badanie funkcji mózgu u dzieci za pomocą magnetoencefalografii

W tym artykule prezentujemy protokół do badania różnicowych wzorców morfologicznych wywołanych wzrokowo poprzez stymulację sieci brzusznych i grzbietowych za pomocą EEG o dużej gęstości. Opisano paradygmaty obiektu wizualnego i bodźca ruchowego, z fluktuacją czasową i bez niej. Przedstawiono również wizualne analizy morfologiczne potencjału wywołanego.

Specyficzne dla bodźca wizualne wizualne wywołane potencjalne wzorce morfologiczne

Proponuje się tani system zapisu elektroencefalograficznego w połączeniu z cewką o rozmiarach milimetrowych do napędzania przezczaszkowej stymulacji magnetycznej mózgu myszy in vivo. Korzystając z konwencjonalnych elektrod śrubowych z niestandardowym, elastycznym podłożem z matrycą wieloelektrodową, można przeprowadzić zapis w wielu miejscach z mózgu myszy w odpowiedzi na przezczaszkową stymulację magnetyczną.

Niedrogi elektroencefalograficzny system zapisu w połączeniu z cewką o rozmiarach milimetrowych do przezczaszkowej stymulacji mózgu myszy in vivo

Magnetoencefalografia (MEG) i elektroencefalografia o wysokiej gęstości (HD-EEG) rzadko są rejestrowane jednocześnie, chociaż dostarczają informacji potwierdzających i uzupełniających. W tym miejscu ilustrujemy eksperymentalną konfigurację do jednoczesnego rejestrowania MEG i HD-EEG oraz metodologię analizy tych danych mającą na celu zlokalizowanie padaczkowych i elokwentnych obszarów mózgu u dzieci z padaczką lekooporną.

Obrazowanie źródeł elektromagnetycznych w ocenie przedoperacyjnej dzieci z padaczką lekooporną

Ten protokół pokazuje, jak symulacje neuronalne oparte na fizyce mogą być wykorzystywane do interpretacji biomarkerów elektro fizjologicznych neuroterapeutyków i ujawniania ich wpływu na obwody neuronalne, zapewniając uzasadnione mechanistycznie podejście do rozwoju neuroterapeutyki.

Protokół do ujawnienia neuronalnych mechanizmów działania neuroterapeutycznego na elektroencefalografii z wykorzystaniem ludzkiego neurosolvera kory nowej mózgu

Wprowadzenie

W ostatnich latach neuroterapia stała się coraz bardziej popularna jako metoda leczenia różnych zaburzeń psychicznych i neurologicznych. Jednak mechanizmy działania neuroterapii na poziomie neuronalnym pozostają częściowo niejasne. Elektroencefalografia (EEG) jest jednym z najczęściej stosowanych narządów diagnostycznych w neuroterapii, ponieważ umożliwia rejestrację aktywności elektrycznej mózgu w czasie rzeczywistym. W tym artykule przedstawiamy protokół do badania neuronalnych mechanizmów działania neuroterapii na EEG za pomocą ludzkiego neurosolvera kory nowej mózgu.

Materiał i metody

1. Przygotowanie danych

Aby rozpocząć, zebrane zostaną dane EEG od pacjentów, którzy przechodzą neuroterapię. Dane te będą przetwarzane w celu usunięcia artefaktów i zakłóceń, a następnie zostaną przefiltrowane w celu uzyskania odpowiednich zakresów częstotliwości.

2. Modelowanie matematyczne

Następnie, wykorzystując ludzki neurosolver kory nowej mózgu, dane EEG zostaną przekształcone w model matematyczny opisujący aktywność neuronalną w korze nowej mózgu. Neurosolver kory nowej mózgu jest zaawansowanym narzędziem komputerowym, które pozwala na symulację działania neuronów i sieci neuronowych w korze mózgu.

3. Analiza wrażliwości

Po utworzeniu modelu matematycznego, przeprowadzona zostanie analiza wrażliwości w celu zidentyfikowania kluczowych parametrów i zmiennych, które mają wpływ na działanie neuroterapii. Analiza ta pomoże zrozumieć, jak neuroterapia modyfikuje aktywność neuronalną w korze mózgu i jak te zmiany wpływają na działanie terapeutyczne.

4. Weryfikacja modelu

Na koniec, model matematyczny zostanie zweryfikowany poprzez porównanie jego prognoz z rzeczywistymi danymi EEG pacjentów, którzy przeszli neuroterapię. Ta weryfikacja pomoże określić dokładność i przydatność modelu w przewidywaniu działania neuroterapii.

Wyniki

Protokół ten pozwoli na lepsze zrozumienie mechanizmów działania neuroterapii na poziomie neuronalnym. Dzięki zastosowaniu ludzkiego neurosolvera kory nowej mózgu, będziemy w stanie zidentyfikować kluczowe elementy aktywności neuronalnej, które są modyfikowane przez neuroterapię i które mają bezpośredni wpływ na efekty terapeutyczne.

Podsumowanie

Przedstawiony protokół do badania neuronalnych mechanizmów działania neuroterapii na EEG z wykorzystaniem ludzkiego neurosolvera kory nowej mózgu zapewnia nowatorskie podejście do zrozumienia i ulepszania neuroterapii. Dzięki temu protokołowi będziemy w stanie lepiej zrozumieć, jak neuroterapia działa na poziomie neuronalnym i jak te informacje mogą być wykorzystane do ulepszania metod leczenia różnych zaburzeń psychicznych i neurologicznych.

Poznaj metodę wykrywania zmian w łączności mózgu przed percepcją obiektu za pomocą magnetoencefalografii. Protokół MEG umożliwia badanie dynamiki neuronalnej na poziomie źródła.

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

Przeglądaj więcej filmów