Методическая статья

Полуавтоматизированный анализ пиковой амплитуды и латентности для сигналов слухового ответа ствола мозга с использованием R

2.9K просмотров

⸱

DOI:

10.3791/64737

⸱

9 декабря 2022 г.

 , 
1Department of Biomedical Genetics, University of Rochester Medical Center, 2Department of Neuroscience, Ernst J. Del Monte Institute for Neuroscience, University of Rochester Medical Center

В этой статье

Краткое содержание

В данной статье описывается полуавтоматическое измерение амплитуд и задержек первых пяти пиков и впадин в форме сигнала ответа слухового ствола мозга. Дополнительная процедура компилирует и аннотирует данные в электронную таблицу для анализа экспериментатором. Эти бесплатные компьютерные процедуры выполняются с использованием статистического пакета С открытым исходным кодом R.

Аннотация

Во многих отчетах за последние 15 лет оценивались изменения в форме сигнала слухового ответа ствола мозга (ABR) после инсультов, таких как воздействие шума. Общие изменения включают уменьшение амплитуды пика 1 и относительных задержек более поздних пиков, а также увеличение центрального усиления, что отражается относительным увеличением амплитуд более поздних пиков по сравнению с амплитудой пика 1. Многие экспериментаторы идентифицируют пики и впадины визуально, чтобы оценить их относительную высоту и задержки, что является трудоемким процессом, когда формы сигналов собираются с шагом 5 дБ по всему диапазону слуха для каждой частоты и состояния. В данной статье описываются свободные процедуры, которые могут быть выполнены на платформе с открытым исходным кодом R с интерфейсом RStudio для полуавтоматизации измерений пиков и впадин сигналов слухового ответа ствола мозга (ABR). Процедуры определяют амплитуды и задержки пиков и впадин, отображают их на сгенерированной форме сигнала для проверки, сопоставляют и аннотируют результаты в электронную таблицу для статистического анализа и генерируют усредненные формы сигналов для цифр. В тех случаях, когда автоматизированный процесс искажает форму сигнала ABR, существует дополнительный инструмент, помогающий в коррекции. Цель состоит в том, чтобы сократить время и усилия, необходимые для анализа формы сигнала ABR, чтобы больше исследователей включили эти анализы в будущем.

Введение

Слуховая реакция ствола мозга (ABR) часто используется для определения порогов слуха у животных и младенцев. Поскольку АБР представляет собой запись электроэнцефалограммы (ЭЭГ) первых реакций нервной системы на слуховые раздражители, она несет дополнительную информацию, которая отражает скоординированное срабатывание кохлеарных спиральных ганглиозных нейронов и раннюю обработку сигналов в слуховом стволе мозга, включая двустороннюю обработку1. На эти реакции может влиять шумовая травма. Например, воздействие шума, которое является достаточным для того, чтобы вызвать временный сдвиг порога у мышей, также может навсегда уменьшить амплитуду пика ABR 12. Кроме того, такая травма может уменьшить промежуточные задержки и увеличить относительные амплитуды более поздних пиков3, возможно, из-за потери ингибирующей регуляции4. В дополнение к этим выводам было показано, что специфические генетические мутации изменяют форму волны ABR при отсутствии травмы 5,6,7. Таким образом, рутинный анализ форм сигналов ABR может дать представление о слуховой системе в экспериментальных моделях.

Также был проявлен интерес к использованию форм сигналов ABR в качестве диагностического инструмента для пациентов. В предыдущих отчетах оценивалось, снижается ли пик ABR 1 у пациентов с человеческим эффектом после воздействия шума или у пациентов с тиннитусом 8,9. Примечательно, что приступы мигрени, как сообщается, временно увеличивают промежуточные задержки в течение нескольких недель, после чего форма волны ABR возвращается к норме у пострадавших лиц10. Сообщается, что COVID-19 приводит к долгосрочным изменениям в задержках ABRinterpeak 11,12, хотя в другом исследовании сообщалось о других результатах13. Потеря слуха часто сочетается с деменцией в старении, и люди с большей потерей слуха, как правило, испытывают деменцию, которая прогрессирует быстрее14. Исследователи исследовали изменения формы сигнала ABR при нейродегенеративных заболеваниях, таких как болезнь Паркинсона (рассмотренная в Jafari et al.15) и болезнь Альцгеймера (рассмотренная в Swords et al.16), а также при нормальном старении17 лет. По мере того, как все больше исследователей и клиницистов исследуют сенсорный дефицит в качестве биомаркеров распространенных заболеваний при старении, такие методы, как ABR, могут стать рутиной в здравоохранении.

Изучение разделов методов в литературе показывает, что лаборатории часто пишут пользовательские скрипты в MatLab для анализа форм сигналов ABR. Платформа ABR, созданная Intelligent Hearing Systems, имеет функцию анализа формы сигнала, но она требует, чтобы оператор вручную выбирал пики и впадины. Здесь мы написали полуавтоматические процедуры анализа для свободно доступной статистической среды R с открытым исходным кодом и интерфейса RStudio. Этот отчет сравнивает данные, полученные с использованием наших процедур, с данными, полученными экспериментатором, вручную идентифицирующим пики и впадины, и показывает, что данные двух методов сильно коррелируют. Важно отметить, что процедуры включают ослепляющую функцию, в которой метаданные для образцов помещаются в отдельный файл, который не включен до конца. Эти функции упростили анализ формы сигнала для нашей лаборатории.

Протокол

Все процедуры, выполненные на животных, были заранее одобрены Комитетом по исследованиям животных Университета Рочестера. Подопытными были 12 самцов и самок мышей F1 дикого типа в возрасте 1 месяца. Эти мыши F1 являются продуктом спаривания плотины CBA / CaJ и C57BL / 6J sire. Мышей разводили и размещали в виварии со стандартным 12-часовым циклом света / темноты, неограниченной пищей и водой и достаточными гнездовыми запасами. Не более пяти однополых братьев и сестер были размещены вместе в одной клетке.

1. Получение данных для анализа

ПРИМЕЧАНИЕ: Этот шаг должен соответствовать институциональным руководящим принципам и быть предварительно одобрен институциональным комитетом по защите животных. Подробный процесс генерации данных ABR от мышей был описан в другом месте18.

  1. Запишите ABR с выбранной платформой.
    ПРИМЕЧАНИЕ: В приведенном здесь случае записи были выполнены на мышах.
    1. Используйте стимул щелчка 5 мс, начинающийся с уровня звукового давления 75 дБ и уменьшающийся с шагом 5 дБ до 5 дБ. Записывайте в среднем 512 разверток для каждой амплитуды. Отклоняйте ответы, если их пиковая амплитуда превышает 31 мкВ в любом случае между 1,3 мс и 12,5 мс после стимула.
      ПРИМЕЧАНИЕ: Также могут быть использованы записи из тональных презентаций пипсов. Мы ожидаем, что процедура анализа будет работать для других видов, включая людей.
  2. Экспортируйте запись ABR в виде ФАЙЛА ASCII.
    1. Для IHS откройте компьютерную программу.
    2. Загрузите интересующий файл и отобразите нужные формы сигналов на одной странице.
    3. На вкладке Данные выберите Сохранить страницу как ASCII , чтобы получить файл .txt.
    4. После присвоения соответствующего имени файлу данных («ИДЕНТИФИКАТОР») запишите идентификатор и информацию о теме в файл метаданных под названием «info.csv». Убедитесь, что «ID» не включает в себя какую-либо информацию, такую как генотип, пол, возраст или лечение; Вместо этого эта информация записывается в папку «Info.csv».
      ПРИМЕЧАНИЕ: Справедливая колода игральных карт может быть использована для случайного назначения меток, если это необходимо.
    5. Повторите со всеми файлами, подлежащими анализу, как отдельные файлы "ID".

2. Установка необходимых пакетов и загрузка данных на рабочий компьютер

  1. Загрузите и установите R (https://www.r-project.org) и RStudio (https://www.rstudio.com).
    ПРИМЕЧАНИЕ: Протокол, описанный здесь, использовал R ≥ 4.0.0.
  2. Установите необходимые библиотеки, аккуратные, блестящие, сюжетные и zoo, введя следующую команду в командном окне RStudio:
    Install.packages("tidyverse")
    Install.packages("блестящий")
    Install.packages("plotly")
    Install.packages("zoo")
  3. Скачайте скрипты FindPeaks.R и See_trace_click. R из белой лаборатории GitHub (https://github.com/PWhiteLab/FindPeaks), а также связанный файл «Время.csv».
  4. Создайте новую папку, содержащую все файлы ASCII, «info.csv» и «Time.csv». В этом примере присвойте папке имя "Test_Folder". В разделе «Test_Folder» поместите файлы ASCII во вложенную папку под названием «ASCII_Folder».

3. Получение предварительного анализа с помощью FindPeaks.R

  1. Откройте сценарий FindPeaks.R в RStudio.
  2. Щелкните правой кнопкой мыши вкладку скрипта на панели инструментов, чтобы выбрать Set working directory и установить для него значение Test_Folder (см. Дополнительный рисунок S1A).
  3. В окне скрипта нажмите Source (Источник ) в правом верхнем углу панели инструментов, чтобы загрузить программу (см. Дополнительный рисунок S1B).
  4. В командном окне используйте следующие команды для анализа осциллограмм (см. дополнительный рисунок S2):
    FindPeaks_single("ASCII_folder/ID.txt") для отдельных файлов (см. дополнительный рисунок S2A)
    FindPeaks_group ("ASCII_Folder") для периодической обработки (см. дополнительный рисунок S2B)
    ПРИМЕЧАНИЕ: Скрипт выведет (1) pdf-файлы, отображающие формы сигналов с помеченными пиками и впадинами (см. Дополнительный рисунок S2C) и (2) файл ID.csv содержащий числовые данные для амплитуды (мкВ) и задержки (мс). Оба файла будут помещены в "Test_Folder".

4. Проверка предварительного анализа

ПРИМЕЧАНИЕ: При низких уровнях звука части формы сигнала может стать трудно отличить от шума, и FindPeaks.R может неправильно идентифицировать пики или впадины по сравнению с мнением экспериментатора. Если есть несоответствие, то файл .csv может быть дополнен данными, полученными из скрипта See_trace_click.R.

  1. Загрузите данные осциллограммы для конкретного человека с помощью команды (см. Дополнительный рисунок S3A):
    <-ASCII_extract сигнала ("ASCII_Folder/ID.txt")
  2. Откройте See_trace_click. Скрипт R в RStudio.
  3. В заголовке слева нажмите кнопку Run App и дождитесь появления нового интерактивного (Shiny) окна (см. дополнительный рисунок S3B).
  4. В поле в левом верхнем углу введите уровень звука для формы сигнала, требующей пересмотра, и найдите форму сигнала, отображаемую в окне.
  5. Наведите курсор вокруг формы сигнала, чтобы выявить задержку и амплитуду в любой точке.
  6. Нажмите на правильный пик и следующую впадину , чтобы записать данные в таблице ниже. Скопируйте и вставьте данные о задержке в файл .csv (см. дополнительный рисунок S3C).
  7. Чтобы рассчитать измерение амплитуды, вычтите следующую амплитуду желоба из пиковой амплитуды в ячейке электронной таблицы.

5. Компиляция и визуализация набора данных

  1. Перенесите проверенные файлы .csv в новую вложенную папку в Test_Folder под названием «Peak_Data».
  2. Добавьте данные в один .csv файл и назовите его «Peak_Data.csv».
  3. Используйте следующую команду:
    Компиляция ("Peak_Data")
    ПРИМЕЧАНИЕ: Этот скрипт объединяет метаданные из info.csv с Peak_Data.csv, чтобы пометить данные информацией о группе. Он также автоматически вычисляет промежуточные задержки и амплитудные соотношения.
  4. Провести статистический анализ собранных данных.
    1. Используйте тест на нормальность, такой как тест Шапиро-Уилкса, для оценки распределения данных со следующей функцией:
      шапиро.тест()
    2. Если тест Шапиро-Уилкса незначителен, набор данных имеет нормальное распределение; Следовательно, оцените данные с помощью параметрического теста, такого как ANOVA со следующей функцией:
      аов()
    3. Если тест Шапиро-Уилкса меньше p = 0,05, используйте тест на сумму ранга Крускаля-Уоллиса (с функцией ниже) или другую подходящую непараметрическую меру (см. другие возможности в обсуждении).
      kruskal.test()
  5. Чтобы отобразить средние формы сигналов, используйте следующую команду:
    Average_Waveform("ASCII_Folder", aes(x = Data_Pnt_ms, y = "dB", группа = генотип, цвет = генотип))
    ПРИМЕЧАНИЕ: Эта команда показывает средние формы сигналов для разных генотипов в разных цветах. Для переменной y дБ вставьте число, соответствующее требуемой амплитуде, например 75, без кавычек. Для других сравнений используйте соответствующую метку группы из метаданных.

Результаты

Мы протестировали процедуры на реакциях формы сигнала ABR на серию щелчков, начиная с 75 дБ и снижаясь с шагом 5 дБ до 5 дБ. Эти данные были получены так, как описано ранее19. Мы также протестировали инструмент на данных тональных труб и получили аналогичные результаты. Данные ABR из большинства систем ABR могут быть экспортированы в виде файлов .txt (ASCII). Мы загрузили файлы ABR ASCII на компьютер и открыли их в RStudio, как описано в протоколе. После выполнения процедуры FindPeaks.R в пакетной форме мы получили образцы осциллограмм с автоматической маркировкой (рисунок 1) и файл .csv с результатами. Результаты были пересмотрены, чтобы удалить нерелевантные пики. Для проверки автоматической маркировки мы также использовали возможность программы ABR вручную маркировать первые пять пиков и впадин на каждой форме сигнала, полученной с помощью серии кликов, описанной выше. Экспериментатор, выполняющий эту задачу, имел 2-летний опыт записи и анализа данных ABR. На рисунке 2 показано это сравнение: автоматизированные данные FindPeaks.R выделены красным цветом, а данные, полученные вручную, — черным. Каждая трассировка представляет данные с одной мыши. Также отображается среднее значение для обоих методов с одним стандартным отклонением. Результаты, полученные FindPeaks.R, сильно коррелируют с результатами, полученными вручную (см. Дополнительный рисунок S4).

figure-results-1
Рисунок 1: Репрезентативная реакция осциллограммы на стимул щелчка 75 дБ для молодой мыши F1. Задержка в миллисекундах строится на оси x, а амплитуда в микровольтах строится на оси Y. Пики были автоматически идентифицированы с помощью FindPeaks.R и помечены красным цветом, тогда как впадины помечены синим цветом. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

figure-results-2
Рисунок 2: Сравнение данных, полученных из вручную идентифицированных пиков, с данными, предоставленными анализом FindPeaks.R. (A,C,E,G,I) Амплитуды в микровольтах и (B,D,F,H,J) задержки в миллисекундах строятся для уровней звука от 5 дБ до 75 дБ (ось x, все графики) для пиков I-V в формах сигналов, полученных для стимулов щелчка, представленных 12 мышам. Полученные вручную значения (черный) сравниваются с теми же наборами данных, проанализированными с помощью FindPeaks.R (красный). Средние значения строятся в виде тяжелых линий, причем затененная область представляет собой одно стандартное отклонение. Различий между методами при оценке с помощью теста на ранговую сумму Крускаля-Уоллиса (A, разница = 0,0547977 ± 0,0010028, max = 0,96, p = 0,9216; B, разность = −0,0001734 ± 0,0001214, max = 0,04, p = 0,8289; C, разность = −0,0212209 ± 0,0006806, max = 0,92, p = 0,9687; D, разность = −0,0011047 ± 0,0001556, макс = 0,06, p = 0,771; E, разность = −0,0323077 ± 0,0006169, max = 0,66, p = 0,899; F, разность = −0,0072189 ± 0,0001460, макс = 0,04, p = 0,8644; G, разница = 0,201754 ± 0,0007407, max = 0,64, p = 0,9312; H, разность = −0,0007018 ± 0,0001717, max = 0,09, p = 0,8013; I, разность = 0,0347561 ± 0,0007343, макс = 1,05, p = 0,8856; J, разность = −0,0078049 ± 0,0002762, max = 0,16, p = 0,886), и результаты были сильно коррелированы (значения хи-квадрат: A, 0,009696; В, 0,046684; С, 0,0015395; Д, 0,084742; Э, 0,016102; Ф, 0,029153; Г, 0,0074604; H, 0,063322; I, 0,020699; J, 0,020544; различия, представленные как средние ± SEM; max = абсолютная максимальная разница). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Дополнительный рисунок S1: Анализ с помощью FindPeaks.R. (A) Выбор рабочего каталога (см. шаг 3.2 протокола); (B) загрузка программы (см. шаг протокола 3.3). Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный рисунок S2: Вывод скрипта и команды для анализа осциллограмм. Команды для (A) отдельных файлов и (B) пакетной обработки. (C) Выходной PDF-файл, показывающий формы сигналов с помеченными пиками и впадинами. См. шаг протокола 3.4. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный рисунок S3: Проверка анализа. (A) Загрузка данных формы сигнала (см. шаг протокола 4.1). (B) Расположение кнопки Запустить приложение . Также указывается файл образца данных. (C) Блестящее окно с осциллограммой. В этом случае уровень звука составляет 75 дБ, как указано в верхнем окне. Нажатие на нужный пик и следующую впадину записывает данные об амплитуде и задержке в таблице (шаг протокола 4.6). Показаны данные пика 3. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Дополнительный рисунок S4: Сравнение отдельных данных, полученных из вручную идентифицированных пиков, с данными, предоставленными анализом FindPeaks.R. (A,C,E,G,I) Амплитуды в микровольтах и (B,D,F,H,J) задержки в миллисекундах строятся для уровней звука от 5 дБ до 75 дБ (ось x, все графики) для пиков I-V в формах сигналов, полученных для стимулов щелчка, представленных 12 мышам. Каждое животное помечено уникальным цветом, как показано в легенде. Данные, полученные с помощью FindPeaks.R, маркируются сплошными цветами, в то время как данные, полученные вручную, маркируются менее насыщенными версиями тех же цветов. Хотя оба набора данных построены на этом рисунке, когда они идентичны, видна только одна строка. Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Обсуждение

Протокол, описанный в этой публикации, должен помочь упростить сбор данных, описывающих коэффициенты амплитуды напряжения и интервалы задержки для ABR к щелчкам и тональным пипам. Используя отдельные команды в RStudio, экспериментатор может извлекать, компилировать и отображать эту информацию в одном документе для статистического анализа. Сделав этот анализ рутинным, мы надеемся, что область откроет новые способы, которыми ABR может быть изменен в развитии, в старении или путем оскорбления у разных видов. Такая информация может быть полезна для выявления важных механизмов, подобных синаптопатии от шума2. Молодые мыши, используемые для этого эксперимента, имели очень изменчивые ответы, вероятно, потому, что слуховой ствол мозга все еще созревает в этом возрасте20 лет. Тем не менее, два метода количественной оценки показали очень сильные корреляции (рисунок 2).

Сценарий использует файл с именем «Time.csv» для установки интервалов в данных для идентификации пика. Вкратце, максимальная амплитуда напряжения, возникающая в указанном временном интервале, обозначается как «пик 1», минимум напряжения, находящийся в следующем интервале, обозначается как «впадина 1» и так далее. Мы выбрали интервалы, чтобы охватить задержки как щелчковых, так и тональных реакций для мышей CBA / CaJ в возрасте от 1 месяца до 12 месяцев, используя частоты, охватывающие от 8 кГц до 32 кГц. Мы успешно использовали этот инструмент для измерения реакций тональных пипсов у мышей. Другие виды, включая людей, также имеют ответы ABR в аналогичных окнах, и мы ожидаем, что этот инструмент также может быть использован для данных от других видов. Мы бы рекомендовали использовать новый параллельный метод ABR для людей21, который дает отличные формы сигналов. Ограничение временного интервала ограничивает использование этого инструмента оценкой немедленных ответов ABR. Однако мы отмечаем, что интервальные данные в этом файле могут быть изменены пользователями для автоматизации измерений реакций ABR на речь или потенциалов, связанных с событиями (ERP), которые характерно происходят в разное время в ответ на звук.

Стоит выделить некоторые особенности статистической обработки этих данных. Насколько нам известно, эта область не имеет стандартизированной обработки для различения амплитудных прогрессий. В ранних исследованиях использовалась ANOVA22,23. Данные из серии кликов здесь (рисунок 2) были непараметрическими, что привело к использованию теста суммы ранга Крускаля-Уоллиса. Подобно ANOVA, тест на ранговую сумму Крускаля-Уоллиса оценивает различия в значениях, полученных на данном уровне стимула; то есть сравнивает линии, полученные на графике. Тем не менее, возможны и другие методы лечения. Биологически амплитудные прогрессии отражают дополнительную рекрутирование более высокопороговых нейронов по мере увеличения уровня стимула. Это говорит о том, что площадь под кривой, которая представляет собой интегралы линий, может быть более релевантной мерой. Обобщенные оценочные уравнения (GEE) могут быть использованы для моделирования отдельных данных для интегрального анализа, как в Patel et al.5. Примечательно, что анализ GEE может учитывать повторяющиеся меры дизайна этих экспериментов. По мере того, как все больше исследователей обсуждают методы анализа данных, мы ожидаем появления консенсуса в отношении лучших практик.

В заключение, в этой статье представлены бесплатные и простые в использовании инструменты для измерения, компиляции и визуализации форм сигналов ABR. Эти инструменты могут быть использованы начинающими студентами RStudio, следуя этому протоколу, и они включают в себя ослепляющий шаг для улучшения строгости и воспроизводимости. Мы предполагаем, что рутинный анализ формы сигнала ABR позволит обнаружить нарушения, генетические варианты и другие методы лечения, которые могут повлиять на слуховую функцию.

Раскрытие информации

У авторов нет конфликта интересов.

Благодарности

Эта работа была поддержана двумя грантами от NIDCD для PW: R01 DC018660 и административной дополнительной премией R01 DC014261-05S1.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
C57BL/6J  мышиJackson Labs664
CBA/CaJ мышиJackson Labs654
E-seriesPC Delln/a (это оборудование было снято с производства)Работает под управлением системы IHS.
Мини-безэховая камеракомпании Industrial Acoustics CompanyСпециальный заказ No 104306Этот корпус снижает уровень шума при слуховом тестировании животных.
Optiplex 7040Delli5-6500Rstudio также может работать на компьютере Mac или Linux.
Universal Smart BoxIntelligent Hearing Systemsn/a (это оборудование снято с производства)Как TDT, так и IHS могут выводить слуховые данные в виде файлов ASCII.

Ссылки

  1. Gopal, K. V., Pierel, K. Binaural interaction component in children at risk for central auditory processing disorders. Scandinavian Audiology. 28 (2), 77-84 (1999).
  2. Kujawa, S. G., Liberman, M. C. Adding insult to injury: Cochlear nerve degeneration after "temporary" noise-induced hearing loss. Journal of Neuroscience. 29 (45), 14077-14085 (2009).
  3. Salvi, R. J., Wang, J., Ding, D. Auditory plasticity and hyperactivity following cochlear damage. Hearing Research. 147 (1-2), 261-274 (2000).
  4. Schrode, K. M., Muniak, M. A., Kim, Y. H., Lauer, A. M. Central compensation in auditory brainstem after damaging noise exposure. eNeuro. 5 (4), (2018).
  5. Patel, S., et al. SIRT3 promotes auditory function in young adult FVB/nJ mice but is dispensable for hearing recovery after noise exposure. PLoS One. 15 (7), 0235491(2020).
  6. Milinkeviciute, G., Chokr, S. M., Castro, E. M., Cramer, K. S. CX3CR1 mutation alters synaptic and astrocytic protein expression, topographic gradients, and response latencies in the auditory brainstem. Journal of Comparative Neurology. 529 (11), 3076-3097 (2021).
  7. Ison, J. R., Allen, P. D., Oertel, D. Deleting the HCN1 subunit of hyperpolarization-activated ion channels in mice impairs acoustic startle reflexes, gap detection, and spatial localization. Journal of the Association for Research in Otolaryngology. 18 (3), 427-440 (2017).
  8. Chen, F., Zhao, F., Mahafza, N., Lu, W. Detecting noise-induced cochlear synaptopathy by auditory brainstem response in tinnitus patients with normal hearing thresholds: A meta-analysis. Frontiers in Neuroscience. 15, 778197(2021).
  9. Santos-Filha, V. A., Samelli, A. G., Matas, C. G. Noise-induced tinnitus: Auditory evoked potential in symptomatic and asymptomatic patients. Clinics. 69 (7), 487-490 (2014).
  10. Kochar, K., Srivastava, T., Maurya, R. K., Jain, R., Aggarwal, P. Visual evoked potential & brainstem auditory evoked potentials in acute attack & after the attack of migraine. Electromyography and Clinical Neurophysiology. 42 (3), 175-179 (2002).
  11. Gedik, O., Husam, H., Basoz, M., Tas, N., Aksoy, F. The effect of coronavirus disease 2019 on the hearing system. Journal of Laryngology and Otology. 135 (9), 810-814 (2021).
  12. Ozturk, B., Kavruk, H., Aykul, A. Audiological findings in individuals diagnosed with COVID-19. American Journal of Otolaryngology. 43 (3), 103428(2022).
  13. Dror, A. A., et al. Auditory performance in recovered SARS-COV-2 patients. Otology & Neurotology. 42 (5), 666-670 (2021).
  14. Lin, F. R., et al. Hearing loss and incident dementia. Archives of Neurology. 68 (2), 214-220 (2011).
  15. Jafari, Z., Kolb, B. E., Mohajerani, M. H. Auditory dysfunction in Parkinson's disease. Movement Disorders. 35 (4), 537-550 (2020).
  16. Swords, G. M., Nguyen, L. T., Mudar, R. A., Llano, D. A. Auditory system dysfunction in Alzheimer disease and its prodromal states: A review. Ageing Research Reviews. 44, 49-59 (2018).
  17. Konrad-Martin, D., et al. Age-related changes in the auditory brainstem response. Journal of the American Academy of Audiology. 23 (1), 18-35 (2012).
  18. Navntoft, C. A., Marozeau, J., Barkat, T. R. Cochlear implant surgery and electrically-evoked auditory brainstem response recordings in C57BL/6 mice. Journal of Visualized Experiments. (143), e59073(2019).
  19. Gilels, F., Paquette, S. T., Beaulac, H. J., Bullen, A., White, P. M. Severe hearing loss and outer hair cell death in homozygous Foxo3 knockout mice after moderate noise exposure. Scientific Reports. 7, 1054(2017).
  20. Rubio, M. E. Auditory brainstem development and plasticity. Current Opinion in Physiology. 18, 7-10 (2020).
  21. Polonenko, M. J., Maddox, R. K. The parallel auditory brainstem response. Trends in Hearing. 23, 2331216519871395(2019).
  22. Shi, L., et al. Noise-induced damage to ribbon synapses without permanent threshold shifts in neonatal mice. Neuroscience. 304, 368-377 (2015).
  23. Lin, H. W., Furman, A. C., Kujawa, S. G., Liberman, M. C. Primary neural degeneration in the Guinea pig cochlea after reversible noise-induced threshold shift. Journal of the Association for Research in Otolaryngology. 12 (5), 605-616 (2011).

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

RStudioFindpeaksANOVA

Похожие статьи