Artigo de método

Analisando a atividade Neural e conectividade usando dados de EEG intracraniano com SPM Software

DOI:

10.3791/58187

⸱

30 de outubro de 2018

 ,  ,  ,  ,  ,  ,  ,  , 
1Kokoro Research Center, Kyoto University, 2Brain Activity Imaging Center, Advanced Telecommunications Research Institute International, 3Department of Neurodevelopmental Psychiatry, Habilitation and Rehabilitation, Graduate School of Medicine, Kyoto University, 4National Epilepsy Center, 5Shizuoka Institute of Epilepsy and Neurological Disorders, 6Department of System Neuroscience, Sapporo Medical University, 7Faculty of Human Health Science, Graduate School of Medicine, Kyoto University

* These authors contributed equally

Neste artigo

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Apresentamos dois protocolos analíticos que podem ser usados para analisar os dados de eletroencefalografia intracraniana usando o software de mapeamento estatístico paramétrico (SPM): análise tempo-frequência estatística paramétrica mapeamento para atividade neural e dinâmica causal modelagem de respostas induzidas por conectividade intra e inter regional.

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Medir a atividade neural e conectividade associados com funções cognitivas em alta resolução espacial e temporal é um objetivo importante em neurociência cognitiva. Intracraniana Eletroencefalografia (EEG) diretamente pode gravar a atividade elétrica neural e tem o potencial único para atingir essa meta. Tradicionalmente, uma média de análise foi aplicada para analisar dados de EEG intracranianas; no entanto, várias novas técnicas estão disponíveis para retratando conectividade neural de atividade e intra e inter regional. Aqui, apresentamos dois protocolos analíticos recentemente aplicado para analisar dados de EEG intracranianas usando o software estatístico paramétrico Mapping (SPM): análise SPM tempo-frequência para a atividade neural e modelagem causal dinâmica de induzido respostas para conectividade de intra e inter regional. Nós relatamos nossa análise de dados de EEG intracranianas durante a observação dos rostos como resultados representativos. Os resultados revelaram que o giro occipital inferior (IOG) mostrou atividade de gama-banda em estágios muito iniciais (110 ms) em resposta a rostos e o IOG e amígdala mostrou rápida intra e inter regional conectividade usando vários tipos de oscilações. Estes protocolos analíticos têm o potencial para identificar os mecanismos neurais subjacentes funções cognitivas com perfis espaciais e temporais elevadas.

Introdução

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Medir a atividade neural e conectividade associados com funções cognitivas em alta resolução espacial e temporal é um dos principais objetivos da neurociência cognitiva. No entanto, alcançar esse objetivo não é fácil. Um método popular usado para gravar a atividade neural é imagens de ressonância magnética (MRI). Embora a ressonância funcional oferece diversas vantagens, tais como uma alta resolução espacial no nível de milímetro e gravação não-invasiva, uma clara desvantagem de ressonância funcional é sua baixa resolução temporal. Além disso, a ressonância funcional mede sinais de sangue-oxigénio-dependente de nível, que apenas indiretamente refletem a atividade elétrica neural. Métodos eletrofisiológicos populares, incluindo a Eletroencefalografia (EEG) e magnetoencefalografia (MEG), têm alta resolução temporal no nível do milissegundo. No entanto, eles têm resoluções espaciais relativamente baixas, porque eles gravar sinais elétricos/magnéticos no couro cabeludo e devem resolver problemas difíceis de inverso para descrever a atividade cerebral.

EEG intracraniano diretamente pode gravar a atividade neural elétrica em alto temporal (milissegundos) e de resoluções espaciais (centímetro)1. Esta medida pode fornecer oportunidades valiosas para entender a atividade neural e conectividade, embora tenha limitações claras (p. ex., regiões mensuráveis são restritas aos critérios clínicos). Vários estudos de EEG intracranianas aplicaram a análise tradicional de cálculo da média para descrever a atividade neural. Apesar de uma média de análise sensível pode detectar ativação tempo bloqueado e baixa frequência de banda, que não consigo detectar não-phase-locked e/ou ativação de alta frequência (por exemplo, banda gama). Além disso, acoplamento neural funcional não foi analisado em profundidade na literatura em gravações de EEG intracranianas. Várias novas técnicas foram recentemente desenvolvidas para descrever a conectividade neural de atividade e intra e inter regional em gravações MRI e EEG/MEG funcionais, que pode ser aplicado para analisar os dados de EEG intracranianas.

Aqui, apresentamos os protocolos analíticos que temos recentemente aplicado para analisar dados de EEG intracranianas usando o software estatístico paramétrico Mapping (SPM). Primeiro, a revelar quando e com que frequência, as regiões do cérebro poderiam ser ativadas, realizamos a tempo-frequência SPM análise2. Esta análise se decompõe os domínios de tempo e frequência simultaneamente usando uma transformação wavelet contínua e corrige adequadamente a taxa de erro family-wise (FEM) nos mapas de tempo-frequência, usando a teoria de campo aleatória. Em segundo lugar, para revelar como regiões do cérebro se comunicam, aplicamos Modelagem dinâmica causal (DCM) de respostas induzidas4. DCM permite a investigação de conectividade efetiva (ou seja, as influências causais e direcionais entre cérebro regiões5). Embora o DCM foi originalmente proposto como uma ferramenta para análise de dados de MRI funcional5, DCM de respostas induzidas foi estendido para analisar o espectro de potência variáveis no tempo de sinais eletrofisiológicos4. Esta análise permite a representação de ambos intra e inter regional neural conectividade. Vários estudos neurofisiológicos sugeriram que computações intra-regionais locais e longa distância inter-regionais comunicação usam principalmente oscilações gama e theta-banda, respectivamente, e suas interações (por exemplo, entrainments) pode ser refletido por theta-gama Cruz-frequência acoplamento3,6,7,8. Este relatório centra-se sobre o protocolo de dados analíticos; para uma visão geral do plano de fundo informações9,10 e gravação protocolos11 de EEG intracraniano, por favor consulte a literatura.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nosso estudo foi aprovado pelo Comitê de ética institucional local.

1. informação básica

Nota: Os protocolos analíticos podem ser aplicados a vários tipos de dados sem quaisquer restrições quanto a participantes específicos, eletrodos, métodos de referência ou locais de eletrodo. No nosso exemplo, nós testamos seis pacientes que sofrem de epilepsia focal farmacologicamente intratável. Nós testamos pacientes que tiveram sem focos epilépticos em regiões de interesse.

  1. Gravar dados de EEG intracranianas durante a experiência cognitiva para os eletrodos de alvo.
    1. Implante de eletrodos de profundidade usando o método estereotáxico de12.
    2. Usar eléctrodos de platina subdural (diâmetro: 2,3 mm) e eletrodos de platina de profundidade (diâmetro: 0,8 mm) para medir simultaneamente a atividade cortical e subcortical, respectivamente.
    3. Coloca eletrodos de referência na superfície do crânio da região frontal dorsal de linha média, com os contatos dos eléctrodos de costas para o crânio para evitar ativação referencial12.
    4. Dados de amplificar, filtrar on-line (passa faixa: 0,5 – 300 Hz) e amostra a 1.000 Hz.
    5. Para gravar e estatisticamente remover artefatos associados com movimentos oculares, adicionalmente gravar electrooculograms. Selecione os eléctrodos de destino com base em interesses teóricos. Além disso, use individual ressonância magnética e tomografia computadorizada de dados para verificar a localização do eletrodo.
  2. Da amostra e pré-processar os dados experimentais de EEG intracranianas (Figura 1).
    Nota: Os protocolos analíticos podem ser aplicados a vários tipos de dados sem qualquer restrição de comprimento de dados específico ou métodos de pré-processamento.
    1. Aqui, dados de exemplo durante 3.000 ms (pre-estímulo: 1.000 ms; pós-estímulo: 2.000 ms) para cada julgamento.
    2. Porque participantes aqui mostrou anormalmente atividade elevada amplitude em alguns ensaios, possivelmente relacionado com a epilepsia, excluem esses ensaios outlier usando limites predefinidos (> 800 μV e > 5 SD). Outras etapas de pré-processamento, incluindo inspeção visual e análise de componentes independentes, podem ser necessárias dependendo dos objectivos experimentais e condições.
  3. Converta o formato nativo de sistema de EEG para um formato baseado em MATLAB SPM (cf. SPM12 Manual 12.1 e 12.2).
    Nota: A maioria dos formatos de dados de EEG pode ser importado diretamente no software SPM selecionando conversão na interface do Editor do lote de SPM e especificando todos os parâmetros de entrada necessários. Outra forma possível é usar um script de exemplo "spm_eeg_convert_arbitrary_data.m" no subdiretório do diretório de programa do SPM de homem/example_scripts. Esse script fornece uma maneira conveniente para converter um arquivo ASCII ou esteira arquivo que pode ser exportado por muitos sistema EEG com formato SPM.

2. tempo-frequência SPM análise

  1. Configurar SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) e use o menu analítico M/EEG13 (Figura 2).
  2. Executar o tempo – frequência SPM análise2 , selecionando "análise tempo-frequência" no menu SPM para os dados de EEG intracranianas pré-processado de cada julgamento usando decomposição wavelet contínua com as wavelets Morlet com base em parâmetros predefinidos ( Figura 3).
    Nota: Wavelets revelam a evolução temporal dos componentes espectrais por convolving intracranianas dados de EEG com wavelets de múltiplas frequências14.
    1. Aqui, realizar a decomposição wavelet usando sete-ciclo Morlet wavelets para a época inteira (-1,000 – 2.000 ms) e a faixa de frequência de 4 – 300 Hz.
    2. Determine o wavelet mãe e o número de ciclos com base em um anterior de estudo15. Observe que o número de ciclos da wavelet controla as resoluções de tempo-frequência e é recomendado para ser maior que 5 para garantir a estabilidade de estimativa13.
    3. Determine os intervalos de tempo e frequência com base no interesse da pesquisa.
  3. Corte os mapas de tempo – frequência resultantes automaticamente, selecionando "Colheita" no menu SPM para remover os efeitos de borda. Aqui, os mapas de tempo-frequência de culturas em -200-500 ms.
  4. Execute a transformação de dados (opcional) e a correção da linha de base, selecionando "tempo-frequência rescale" no menu da SPM para os mapas de tempo – frequência Visualizar as alterações relacionadas a eventos poder melhor e melhorar a normalidade dos dados.
    Nota: Aqui, os mapas de tempo – frequência foram log-transformadas e linha de base (-200 – 0 ms)-corrigido.
  5. Converta os mapas de tempo-frequência em imagens bidimensionais (2D), selecionando "Convert2Images" no menu SPM.
    1. Suave usando um kernel Gaussian com um valor de (FWHM) metade-máximo largura total predefinido para compensar a variabilidade inter sujeita e em conformidade com os pressupostos da teoria do campo aleatório usado na inferência estatística2,13 .
      Nota: Aqui, os mapas de tempo – frequência foram alisados com um kernel gaussiano de FWHM de 96 ms no domínio do tempo e 12 Hz no domínio da frequência, com base em um estudo anterior2.
  6. Entra as imagens 2D no modelo linear geral, selecionando "especificar 1º nível" no menu SPM.
  7. Estime o modelo linear geral, selecionando "Estimativa de modelo" no menu SPM.
  8. Realize inferências estatísticas os dados SPM {T} tempo – frequência com base na teoria de campo aleatório2 selecionando "Resultados" no menu SPM. Detecta clusters de tempo – frequência significativamente ativadas com limites predefinidos (eventualmente corrigidos para comparações múltiplas).
    Nota: Aqui, o limite de extensão de p < 0,05, que foi corrigida FWE para comparações múltiplas, com um limite de altura de p < 0,001 (não corrigida) foi usado.

3. DCM de respostas induzidas

  1. Configurar SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) e use o menu analítico M/EEG13 (Figura 4).
    1. Inicie análise DCM clicando o botão "DCM" no menu SPM. Ative o DCM para respostas induzidas, selecionando "IND" na caixa de listagem. Importe os dados de EEG intracranianas pré-processado clicando em "novos dados" no DCM para menu M/EEG.
  2. Especificar a janela de tempo de interesse, as condições de contrastes, de interesse para as condições selecionadas (isto definir as entradas de modulação mais tarde usadas na especificação de rede), janela de frequência de interesse e o número de ciclos de wavelet no DCM para M/EEG menu ( A Figura 5).
    1. Usar o ciclo de cinco Morlet wavelets (4 – 100 Hz em passos de 1 Hz) e definir a janela de tempo de 1-500 ms.
    2. Determine o ciclo de wavelet em conformidade com a configuração padrão. Observe que a recomendação de software é o valor maior que 5 para garantir a estabilidade de estimativa13. Os intervalos de tempo-frequência foram determinados com base em nosso interesse de pesquisa. Note que uma janela de tempo com um adicional ± 512 ms foi usada automaticamente durante o cálculo para remover os efeitos de borda.
  3. Com base no quadro DCM4,5, definir o (1) condução entradas, que representam as entradas sensoriais em Estados neurais; (2) conexões intrínsecas, que incorporam a conectividade de base entre os Estados neurais e conexões auto; e (3) efeitos moduladora na via experimental manipulações de conexões intrínsecas para modelos nulos e hipotéticos. Também defina o tipo de modulação como linear (dentro-frequência) ou não-linear (entre-frequência).
    1. Especifica conexões (lineares e não lineares) intrínsecas, condução entradas e entradas de modulação no DCM para menu M/EEG.
    2. Se necessário, modifica as configurações padrão de alguns parâmetros relacionados (por exemplo, tempo de latência de estímulo prévio e duração). Estime os modelos selecionando "inverter DCM" no DCM para menu M/EEG. Depois disso selecione salvar resultados como img para salvar a frequência frequência moduladora acoplamento imagens de parâmetro.
  4. Conduzir um modelo aleatório-efeitos de Bayesian seleção (BMS) análise17 clicando "BMS" no DCM para menu M/EEG para identificar o modelo de rede ideal. Use as probabilidades do modelo esperado e/ou probabilidades de excedência como medidas de avaliação.
  5. Fazer inferências sobre os padrões de cruz-frequência das conexões moduladora usando os parâmetros de modelo vencedor usando o menu SPM (consulte a etapa 2).
    1. Alise as imagens do parâmetro de acoplamento moduladora, selecionando "Convert2Images" no menu SPM.
    2. Realizar análises de modelo linear geral, selecionando "Especificar 2º nível" no menu SPM.
    3. Calcule os valores SPM {T} 2D, selecionando "Resultados" no menu SPM.
      Nota: Aqui, a FWHM foi fixado em 8 Hz com base em um anterior de estudo4. Valores significativos exploratorily foram identificados usando um limite de altura de p < 0,05 (não corrigida).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Usando o protocolo aqui apresentado, foram analisados dados de EEG intracranianas em resposta a rostos18,19. Nós gravamos dados de seis pacientes durante a visualização passiva de rostos, mosaicos e casas em posição vertical e invertido orientações. Os contrastes de rostos na posição vertical contra mosaicos vertical e vertical faces contra vertical casas revelaram o efeito de rosto (ou seja, a atividade...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os protocolos analíticos para dados de EEG intracranianas usando o software SPM introduzido aqui tem várias vantagens em comparação com a ressonância funcional. Primeiro, os protocolos podem retratar ativação neural em uma alta resolução temporal. Portanto, os resultados indicam que se as correlações cognitivas de ativação neural são implementadas em fases precoces ou tardias de transformação. No nosso exemplo, o efeito de rosto foi identificado durante a fase inicial (ou seja, 110 ms) de processamento visual. A...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores não têm nada para divulgar.

Agradecimentos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudo foi suportado por fundos da corporação Besse, Japão sociedade para a promoção da ciência (JSPS) programa de financiamento para pesquisadores líderes mundiais de geração seguinte (LZ008), a organização para promover a pesquisa em transtornos do desenvolvimento neurológico, e o KAKENHI JSPS (15K 04185; 18K 03174).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).
  2. Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
  3. Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
  4. Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
  5. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
  6. Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
  7. Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
  8. Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191(2010).
  9. Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
  10. Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
  11. Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993(2012).
  12. Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
  13. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961(2011).
  14. Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
  15. Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
  16. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  17. Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
  18. Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
  19. Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
  20. Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition? Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
  21. Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
  22. Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
  23. Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
  24. Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
  25. Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
  26. Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
  27. Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
  28. Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
  29. Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
  30. Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654(2016).
  31. Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
  32. Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351(2016).
  33. Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
  34. Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
  35. Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413(2017).
  36. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  37. Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
  38. Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Intracranial EEGSPM SoftwareTime Frequency AnalysisDynamic Causal ModelingNeural ActivityConnectivity AnalysisInferior Occipital GyrusAmygdala ConnectivityWavelet DecompositionBayesian Model Selection

Artigos relacionados