Обнаружение достимулирующих исходно-уровень воздействия на восприятие объектов с помощью магнитоэнцефалографии

Мозг государства, предшествующие стимулы презентации влияют на то, как стимулы воспринимаются, а также нейронных реакций, связанных с восприятием^1,2,3,4. Например, когда стимул представлен с интенсивностью, близкой к порогу восприятия (около порога), предстимулирующая нервная колебля, фаза и связь могут повлиять на то, будет ли предстоящий стимул восприниматься или не восприниматься^{5 ,}6,^7,8,9,10. Эти предстимулирующие сигналы могут также влиять на другие аспекты восприятия, такие как содержание объектов восприятия.

Представление людей с неоднозначным изображением, которое может быть интерпретировано одним из двух способов является идеальным способом зондирования восприятия объекта¹¹. Это потому, что субъективное содержание восприятия может быть одним из двух объектов, в то время как фактический стимул остается неизменным. Поэтому можно оценить различия в записанных сигналов мозга между испытаниями, на которых люди сообщили, воспринимая один по сравнению с другими возможными интерпретации стимула. Учитывая доклады, можно также исследовать, были ли какие-либо различия в состояниях мозга до начала стимула.

Магнеоэнцефалография (MEG) является функциональным методом нейровизуализации, который фиксирует магнитные поля, производимые электрическими токами в головном мозге. В то время как зависимые (BOLD) реакции уровня крови (BOLD) разрешаются в сроки секунд, MEG обеспечивает миллисекундное разрешение и, следовательно, позволяет исследовать механизмы мозга, которые происходят в очень быстрых временных масштабах. Связанное с этим преимущество мЭГ заключается в том, что он позволяет охарактеризовать состояния мозга из коротких периодов записанных данных, то есть экспериментальные испытания могут быть сокращены таким образом, что многие испытания вписываются в экспериментальную сессию. Кроме того, MEG позволяет проводить анализ частотных доменов, которые могут выявлять осколочно-колеотительную активность.

В дополнение к высокому временному разрешению, MEG предлагает хорошее пространственное разрешение. С методами реконструкции источника¹², одно может проецировать данные датчика-уровня к космосу источника. Это позволяет проверить гипотезы о деятельности указанных регионов интересов. Наконец, в то время как сигналы в сенсорном пространстве сильно коррелируются и поэтому связь между датчиками не может быть точно оценена, реконструкция источника позволяет оценить связь между регионами, представляющими интерес, поскольку она снижает корреляции между исходными сигналами¹³. Эти оценки подключения могут быть решены как в области времени, так и в области частоты.

Учитывая эти преимущества, МЭГ идеально подходит для изучения воздействия до стимулов на восприятие объектов в конкретных регионах, представляющих интерес. В настоящем докладе мы проиллюстрируем, как разработать такой эксперимент и настройку приобретения МЭГ, а также как применять реконструкцию источников и оценивать колебательную активность и подключение.

Описанный протокол соответствует руководящим принципам комитета по этике исследований человека в Зальцбургском университете и соответствует Хельсинкской декларации.

1. Подготовка стимулирующего материала

1. Скачать изображение Рубин лицо / вазу иллюзия¹⁴. Это будет показано половине участников.
2. Используйте команду Matlab, чтобы инвертировать оригинальное черно-белое бинарное изображение Рубина, чтобы создать второе отрицательное изображение лица/вазы Rubin с черным и белымцветами, перевернутыми по отношению к исходуальному изображению (белый фон вместо черного фона). Это будет показано другой половине участников.
3. Создайте маску, случайно карабкаясь блоками пикселей изображения Рубина. Разделите изображение на квадратные блоки, которые достаточно малы, чтобы скрыть очевидные особенности контура, например, от 2% до 5% от размера исходного изображения (5 на 5 пикселей из изображения 250 на 250), а затем случайным образом перетасовать их для создания маски.
4. Создайте черный крест фиксации на белом фоне, так что крест фиксации меньше, чем изображение Рубина (менее 5 "визуального угла").

2. Настройка MEG и стимуляционного оборудования

1. Подключите компьютер презентации стимула к проектору. Подключите контроллер проектора DLP LED с помощью оптоизолированного расширения USB (для данных) и цифрового визуального интерфейса (DVI) кабеля (для стимулов).
2. Подключите компьютер приобретения MEG к компьютеру презентации стимула, чтобы позволить ему отправлять и получать триггеры. Подключите систему цифрового ввода/вывода (DIO) (кнопки и триггеры, 2x стандартные разъемы D24) интегрированной системы презентации стимулов в разъем MEG на оптоизолированной коробке прорыва BNC.
3. Запись 1 минута пустой комнаты MEG данных на 1 кГц.
4. Мониторинг сигналов от 102 магнитометров и 204 ортогоночастотных планарных градиометров на 102 различных позициях, визуализируя все сигналы в режиме реального времени на компьютере приобретения.

3. Подготовка участника эксперимента MEG

ПРИМЕЧАНИЕ: Подробная информация о приобретении данных MEG ранее были описаны¹⁵.

1. Убедитесь, что участник понимает информированное согласие в соответствии с декларацией Хельсинки и подать им форму, которая также включает в себя заявление о согласии на обработку персональных данных.
2. Предоставьте участнику немагнитную одежду и убедитесь, что у него нет металлических предметов в теле или на его телах. Попросите участников заполнить другую анонимную анкету, чтобы убедиться в этом, и чтобы у участника не было других критериев исключения, таких как неврологические расстройства, и задокументировать другие персональные данные, такие как handness и уровень отдыха.
3. Посадите участника на цветно-ферромагнитный (деревянный) стул. Прикрепите 5 индикатора положения головы (HPI) катушки к голове с клейкой штукатуркой, два над одним глазом, один над другим глазом, и один за каждым ухом.
4. Поместите датчик трекера системы оцифровки твердо на голову участника и зафиксировать его на очки для максимальной стабильности.
   ПРИМЕЧАНИЕ: 3D дигитайзер был использован(Таблица материалов).
5. Оцифровывать анатомические ориентиры, левые и правые доарикулярные точки и nasion, и убедитесь, что левые и правые доарикулярные точки симметричны. Эти фидуциалы определяют рамку 3D-координат.
6. Оцифровать 5 позиций катушки HPI с помощью 3D дигитизатора стилуса.
7. Оцифровать до 300 точек вдоль головы и максимизировать покрытие формы головы. Обложка четко определенные области кожи головы на магнитно-резонансных (МР) изображения, над инионом на спине и nasion на фронте, а также носовой мост.
   ПРИМЕЧАНИЕ: Эти точки будут использоваться для совместной регистрации с анатомическим изображением для лучшей индивидуальной реконструкции источника.
8. Удалите очки с помощью датчика трекера.
9. Прикрепите одноразовые электроды выше (суперцильная арка) и ниже (медиальная к зигоматической верхнечелюстной кости) правый глаз для мониторинга вертикальных движений глаз.
10. Прикрепите одноразовые электроды к левому глазу и к правому глазу (к цигоматической челюстной кости) для мониторинга горизонтальных движений глаз.
11. Прикрепите одноразовые электроды ниже сердца и ниже правой ключицы, чтобы контролировать частоту сердечных приступов.
    ПРИМЕЧАНИЕ: Глаза и сердечные сигналы относительно надежны, поэтому проверка беспренеса одноразового электрода не требуется.
12. Прикрепите одноразовый электрод в виде земли под шеей.
13. Сопроводите участника в защищенную комнату МЭГ и поручите ему сесть в кресло МЭГ.
14. Подключите ремень проводки HPI и одноразовые электроды в системе MEG.
15. Поднимите стул так, чтобы голова участника касалась верхней части шлема MEG и удостоверилась, что участнику комфортно в этой позиции.
16. Закройте дверь в закрытую комнату и общайтесь с участником через домофонную систему внутри и снаружи защищенной комнаты.
17. Проинструктируйте участника пассивно смотреть на пустой экран (пустой, за исключением центрального креста фиксации) в течение 5 минут при записи данных MEG состояния покоя на 1 кГц. Держите частоту отбора проб на уровне 1 кГц на протяжении всего эксперимента.
18. Проинструктируйте участника о требованиях к задаче и понижайте, чтобы они выполнили 20 практических испытаний.
    ПРИМЕЧАНИЕ: Пример инструкций: "Держите фиксацию в центре экрана в любое время. Появится крест, и после того, как крест исчезнет, вы увидите изображение, за которым следует скремблированное изображение. Как только скремблированный образ исчезает, нажмите на желтую кнопку, если вы видели лица и зеленую кнопку, если вы видели вазу ".
19. Альтернативные кнопки ответа между участниками (например, справа для лиц, слева от вазы, или наоборот).
    ПРИМЕЧАНИЕ: Цвет кнопок ответа не имеет значения.

4. Представить эксперимент с помощью Psychtoolbox¹⁶

1. Отображение инструкций для участников, говоря им, какая кнопка нажать, когда они видят лица и какую кнопку нажать, когда они видят вазу.
2. Создайте одно испытание с 4 событиями, которые будут применяться ко всем испытаниям в этом порядке: крест фиксации, изображение Рубина, маска и подсказка ответа(рисунок 1).
3. В начале каждого испытания отобразите крест фиксации для переменного периода времени между 1 s и 1.8 s.
4. В конце этого периода времени, удалить фиксации крест и отобразить изображение Рубин для 150 ms.
5. В конце 150 мс, удалить изображение Рубин и отобразить маску для 200 мс.
6. В конце 200 мс, снимите маску и отобразите вопрос, чтобы побудить участников ответить с максимальным сроком ответа 2 с.
7. Программа период ответа, что если участники отвечают в течение 2 с, следующее испытание (начиная с фиксации крест) начинается, когда они делают это. В противном случае, начать следующее испытание после 2 s.
8. Сохраните время всех 4 событий, а также выбор ответа и его сроки.
9. Повторите ту же структуру испытаний 100 раз, прежде чем показывать инструкцию для участников, чтобы отдохнуть кратко. Это один экспериментальный блок.
10. Повторите структуру блока 4 раза в общей сложности 400 испытаний.

5. Мониторинг сигнала MEG и участника во время эксперимента

1. Мониторинг участника с помощью видео.
2. В начале каждого блока, перед началом выполнения задачи, приступайте к измерению данных МЭГ и записывайте исходную позицию руководителя участников по отношению к МЭГ. В используемой системе MEG нажмите GO для запуска. Когда диалог спрашивает, будут ли опущены или добавлены к записи данные HPI, проинспектировать сигнал катушек HPI и нажмите Accept, чтобы записать это начальное положение головы. После этого, нажмите Запись сырья, чтобы начать запись данных MEG.
3. Если в какой-то момент на протяжении всего эксперимента участник хочет остановить эксперимент, прекратить эксперимент и зайти в защищенную комнату, чтобы отключить все датчики от системы MEG и освободить участника от стула.
4. Мониторинг сигналов MEG, визуализируя их в режиме реального времени на компьютере приобретения.
5. В перерывах между блоками общайтесь с участником через акустическую систему, чтобы убедиться, что они хорошо и готовы продолжать, и поручить им двигать конечностями, если они хотят, но не голову.
6. В промежутке между блоками сохраните приобретенные сигналы MEG этого блока.
7. После окончания эксперимента зайдите в защищенную комнату, отключите все датчики от системы МЭГ и освободите участника от стула.
8. Сопроводите участника из защищенной комнаты и предложите им возможность либо отсоединить все датчики от лица и тела, либо отсоединить датчики для них.
9. Спасибо участнику и предоставьте ему денежную компенсацию.

6. Предпроцессивные и сегментные сигналы MEG

1. Используйте алгоритм разделения пространства сигнала, реализованный в программе Maxfilter (предоставлена производителем MEG) со значениями параметров по умолчанию для удаления внешнего шума из непрерывных сигналов MEG.
2. Примените фильтр с высоким пропуском 0,1 Гц к непрерывным данным с помощью инструментария Fieldtrip^17, функционирующего фут-преобработки.
   ПРИМЕЧАНИЕ: все впоследствии сообщили функции, закрепленные с 'ft' являются частью инструментария Fieldtrip.
3. Сегмент данных MEG путем извлечения 1 второй до презентации стимула на каждом испытании.
4. Назначаем эти эпохи ярлык пробного типа «лицо» или «ваза» в соответствии с поведенческими реакциями участников на каждое испытание.
5. Визуально проверяйте испытания и каналы, чтобы выявить и удалить те, которые показывают превышение шума или артефактов, независимо от характера артефактов, используя ft'rejectvisual.
6. Отклонить испытания и каналы с z-оценки выше 3, нажав zscore и выбрав испытания и каналы, превышающие значение 3 или испытаний с избыточной дисперсии, удалив выбросы, показывающие после нажатия var. Проинспектировать сигнал MEG для всех испытаний до или после этой процедуры.

7. Реконструкция источника

1. Включите оба типы проб для выполнения локализации источника для получения общего линейно ограниченного минимального отклонения¹² пространственных фильтров в процедуру луча, реализованной в Fieldtrip.
2. Диапазон-проход фильтра епокативыданных данных на частотах интереса, в этом случае между 1 и 40 Гц.
3. Выберите время интереса для расчета матрицы ковариантного действия, в данном случае 1 второго периода предварительного стимулирования.
   ПРИМЕЧАНИЕ: Результируют сегменты данных (выбранные между от -1 до 0 с и от 1 до 40 Гц) используются во всех следующих шагах, требующих ввода данных.
4. Сегмент головного мозга и кожи головы из отдельных структурных изображений Mr с ft'volumesegment. Если нет, используйте стандартный T1 (из статистического параметрического картирования »SPM» инструментарий) Монреальский институт неврологии (MNI, Монреаль, Квебек, Канада) сканирование мозга вместо.
5. Создайте для каждого участника реалистичную модель одной оболочки с использованием модели ft'prepare-headmodel.
6. На отдельных изображениях MR, найти фидуциальных ориентиров, нажав на их местоположение на изображении, чтобы инициировать грубую совместной регистрации с ft'volumerealign.
7. Выровняйте точки формы головы с кожей головы для более тонкой совместной регистрации.
8. Подготовьте индивидуальную 3D-сетку с разрешением 1,5 см на основе шаблона MNI, который мозг превратился в объем мозга каждого участника с помощью модели ft'prepare-source.
9. Вычислите передовую модель для каналов MEG и расположения сетки с помощью ft'prepare-leadfield. Используйте конфигурацию fixedori для вычисления свинца только для одной оптимальной диполевой ориентации.
10. Рассчитайте матрицу ковариантности каждого испытания и усреднете ее во всех испытаниях.
11. Вычислите пространственные фильтры, используя переднюю модель и среднюю матрицу ковариантного анализа с помощью фт-исходного анализа.
12. Умножьте сигнал уровня датчика на фильтры LCMV, чтобы получить временные ряды для каждого местоположения источника в сетке и для каждого испытания.

8. Анализ предварительного стимулирования колеблях власти в регионе интересов

1. Определите область интереса (ROI), например от предыдущей словесности¹⁸ (здесь fusiform зона стороны «FFA»; Координаты МНИ: 28 -64 -4 мм).
2. Выделяйте виртуальный датчик, который пространственно соответствует рентабельности инвестиций, используя данные ft'selectdata.
3. Разделение испытаний лица и вазы с использованием данных фут-кекса.
4. Выполняйте частотный анализ рентабельности инвестиций отдельно по данным двух типов испытаний, используя ft'freqanalysis.
5. Установите опцию метода mtmfft для выполнения быстрого преобразования Фурье.
6. Установите опцию конуса для хнинга, чтобы использовать конус функции Hann.
7. Определите частоты интереса от 1 Гц до 40 Гц.
8. Установите опцию выхода для того чтобы pow извлечь значения силы от сложного спектра Fourier.
9. Повторите процедуру для каждого участника, прежде чем усредненить спектры между участниками и построение в результате гранд-усредненные значения мощности в качестве функции частоты интереса.

9. Анализ предстимулирующей связи между заинтересованными регионами

1. Определите одну (или более) рентабельность инвестиций, с которой предполагается подключение ранее выбранной рентабельности инвестиций, например, из предыдущей литературы¹⁸ (здесь V1; Координаты MNI: 12 -88 0).
2. Повторите шаги 8.2 и 8.3.
3. Выполняйте частотный анализ времени на обоих ROIs (представленных как 2 канала или "виртуальные датчики" в рамках одной структуры данных), отдельно по данным из двух типов испытаний, используя ft'freqanalysis.
4. Установите метод mtmconvol для реализации многочастотного преобразования времени, основанного на умножении в частотном домене.
5. Установите конус вариант dpss использовать дискретные протеат сфероидальных последовательностей функции конус.
6. Определите частоты интереса от 8 Гц до 13 Гц.
7. Установите ширину временного окна до 200 мс, а параметр сглаживания до 4 Гц.
8. Установите вариант keeptrials, чтобы да, чтобы вернуть временные оценки одного испытания.
9. Установите выход на четыре, чтобы вернуть комплекс Фурье спектра.
10. Выполните анализ подключения на полученных данных о времени, используя анализ ft'connectivity.
11. Установите метод coh и сложное поле, чтобы imag, чтобы вернуть воображаемую часть согласованности¹⁹.
12. Повторите процедуру для каждого участника, прежде чем усредненить спектр ы пособнительности через частоты и участников и построение в результате гранд-усредненные мнимой согласованности значения в качестве функции времени.

10. Статистическое сравнение лица и вазы до стимула власти или согласованности спектры

1. Объедините данные о силе до стимула или согласованности каждого предмета, в рамках каждого из 2 условий, в одну переменную Matlab, используя ft'freqgrandaverage с опцией keepindividual, установленной нада.
2. Выполните кластерный тест перестановки^20, сравнивая 2 результирующих переменных с помощью фут-фрекстатистики.
3. Установите опцию метода motecarlo.
4. Установите частотный вариант на «8 13» и установите avgoverfreq наyes.
5. Установите clusteralpha до 0,05 и установите правильный хвост на альфа.
6. Установите статистический вариант на ft'statfun-depsamplesT.
7. Создайте матрицу дизайна с первым рядом из 20, за которым исследуется 20 двойки, а второй ряд последовательных чисел от 1 до 20 повторяется дважды. Передайте эту матрицу дизайна варианту проектирования.
   ПРИМЕЧАНИЕ: Матрица дизайна разделена на блоки по 20, потому что данные были собраны из 20 участников.
8. Установите опцию ivar до 1 и опцию uvar до 2.

Мы представили Рубин лицо / вазы иллюзия участников кратко и неоднократно и попросил участников сообщить о своем percept (лицо или ваза?) После каждого испытания(Рисунок 1). Каждому испытанию предшествовал не менее 1 с чистого экрана (с крестом фиксации); это был предстимулительный интервал интереса.

Мы спросили, повлиялли ли достимулирующая колеблющиеся силы в регионах, представляющих интерес, или предстимулирующее подключение между заинтересованными регионами, на восприятие отчета о предстоящем неоднозначном стимулировании. Поэтому, в качестве первого шага, мы проецировали наши данные на источник пространства, чтобы мы могли извлечь сигналы из соответствующих ROIs.

Основываясь на предыдущей литературе, исследующей восприятие лица и объекта как с двусмысленными21, так и с недвусмысленными22 стимулами, мы определили, что FFA является нашей рентабельностью инвестиций. Впоследствии мы проанализировали низкочастотные (1-40 Гц) спектральные компоненты исходного сигнала ФФА и сравнили спектральные оценки из испытаний, о которых сообщалось, как "лицо" с теми из испытаний, которые были сообщены как "ваза". Кластерная перестановка, кластеризация на частотах 1-40 Гц, контрастирующая спектральная мощность на испытаниях, где люди сообщали лицо против вазы, не выявило существенных различий между 2 типами испытаний. Тем не менее, описательно, спектры мощности показали ожидаемый пик колеблях альфа-диапазона в диапазоне 8-13 Гц, и в меньшей степени активность бета-диапазона в диапазоне 13-25 Гц(рисунок 2).

Не найдя различий в спектральной силе до стимула, мы затем исследовали, были ли различия в предстимулирующей связи между пробными типами. В дополнение к FFA, мы определили V1, чтобы быть нашей второй рентабельности инвестиций из-за его повсеместное участие в видении. На основе результатов анализа мощности, мы определили частоты 8-13 Гц, чтобы быть нашими частотами интереса. Мы вычислили время- и частота-решена мнимая часть согласованности между нашими двумя ROIs, отдельно для лица и вазы испытаний, и усреднение результат по частотам интереса. Эта мера отражает синхронизацию колеблющейся фазы между областями мозга и консервативно контролирует эффекты проведения в мЭГ реконструированных источников19,так что это был метод выбора для оценки функционального соединения. Кластерная перестановка тест, кластеризации по времени-точек -1 до 0 с, контрастируя мнимой согласованности между V1 и FFA на испытаниях, где люди сообщили лицо против вазы, показали, что лицо испытаний сильнее до стимула подключения по сравнению с вазы испытаний, около 700 мс до начала стимула(рисунок 3).

Рисунок 1 Пример пробной структуры и необработанных данных. Нижняя панель: Пробная версия начинается с отображения креста фиксации. После 1 до 1,8 с, стимул Рубин появляется для 150 мс, а затем маска для 200 ms. Экран ответа затем, как представляется, побудить участников ответить с "лицо" или "ваза". Верхняя панель: Многоканальные исходные данные от участника примера, заблокированные по времени к началу стимула и усредненного в ходе испытаний. Это схема, чтобы выделить данные в предстимулирующем окне анализа (-1 s до 0 s; выделено в розовом цвете), который будет целевым интервалом для анализа. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Рисунок 2 : Спектральная мощность в FFA. Оценки спектральной мощности из исходных локализованных сигналов FFA на испытаниях на лице и вазе. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Рисунок 3 : Связь между V1 и FFA. Воображаемый часть согласованности между исходными локализованными сигналами V1 и FFA на лице и вазах испытаний, в диапазоне частот 8-13 Гц. Затененные регионы представляют собой стандартную ошибку среднего для внутри субъектов конструкций23. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Авторам нечего раскрывать.