Summary
Usamos magneto-y electroencefalografía (MEG / EEG), combinada con la información anatómica capturado por resonancia magnética (MRI), para asignar la dinámica de la red cortical asociada con la atención auditiva.
Abstract
Magneto y electroencefalografía (MEG / EEG) son técnicas de neuroimagen que proporcionan una alta resolución temporal especialmente adecuado para investigar las redes corticales implicadas en tareas dinámicas perceptivas y cognitivas, tales como asistir a diferentes sonidos en un cóctel. Muchos estudios anteriores han utilizado los datos registrados en el sensor de nivel único, es decir., Los campos magnéticos o los potenciales eléctricos registrados fuera y en el cuero cabelludo, y por lo general han centrado en la actividad que lleva mucho tiempo bloqueado a la presentación del estímulo. Este tipo de evento relacionado con campo / análisis de potencial es particularmente útil cuando sólo hay un pequeño número de distintos patrones dipolares que pueden ser aislados e identificados en el espacio y el tiempo. Alternativamente, mediante la utilización de la información anatómica, estos patrones de campo distintos pueden ser localizados como fuentes de corriente sobre la corteza. Sin embargo, para una respuesta más sostenida que no puede ser tiempo-bloqueado a un estímulo específico (p. ej.,en preparación para escuchar a uno de los dos presentados simultáneamente dígitos hablados basado en la función auditiva Complementada) o puede ser distribuido a través de múltiples localizaciones espaciales desconocidos a priori, el reclutamiento de una red cortical distribuida puede no estar adecuadamente capturado mediante el uso de un número limitado de fuentes focales.
A continuación, describimos un procedimiento que emplea datos de resonancia magnética anatómicas individuales para establecer una relación entre la información del sensor y la activación de dipolo en la corteza a través del uso de estimaciones de norma mínima-(MNE). Este enfoque de imagen inversa nos proporciona una herramienta para el análisis de fuentes distribuidas. Para fines ilustrativos, se describen todos los procedimientos que utilizan FreeSurfer y software MNE, tanto libremente disponible. Vamos a resumir las secuencias de resonancia magnética y análisis de los pasos necesarios para obtener un modelo de avance que nos permite relacionar el patrón de campo previstas a causa de los dipolos distribuidos en la corteza en los sensores M / EEG. Next, vamos a pasar por los procesos necesarios que nos faciliten la eliminación de ruido en los datos del sensor de contaminantes ambientales y fisiológicos. A continuación, se describen el procedimiento para combinar y mapeo de MEG / EEG de datos del sensor en el espacio cortical, produciendo de ese modo una familia de series de tiempo de activación cortical dipolo sobre la superficie del cerebro (o "películas cerebrales") en relación con cada condición experimental. Por último, destacaremos algunas técnicas estadísticas que nos permitan hacer inferencia científica a través de una población de sujetos (es decir., Lleve a cabo a nivel de grupo de análisis) sobre la base de un espacio de coordenadas cortical común.
Protocol
1. Adquisición de Datos y Procesamiento de Anatomía
- Adquirir una magnetización preparado rápido eco de gradiente (MPRAGE) IRM del tema. Esto puede tomar 5-10 minutos según el protocolo de exploración específica se utiliza.
- Adquirir dos adicional rápido de bajo ángulo de disparo (FLASH) imágenes por resonancia magnética (ángulos flip = 5 ° y 30 °) si los datos de EEG se utiliza para el análisis de imagen inversa, como secuencias FLASH proporcionar contraste de tejidos diferentes de las secuencias MPRAGE estándar 1.
- Utilice FreeSurfer software (véase el cuadro) 2, 3 para reconstruir la superficie cortical y establecer individuo M / espacio EEG fuente dipolar.
- Este espacio de origen está limitado por el límite de la materia gris / blanca segmentada de la exploración MPRAGE. Cada hemisferio contiene aproximadamente 100.000 vértices posibles, espaciados a aproximadamente 1 mm. Para la estimación de la amplitud de dipolo (ver más abajo), utilizar un espaciado de malla de 7 mm, lo que da ~ 3.000 dipolos por hemisferio.
- Reconstruirla piel, el cráneo exterior y las superficies internas del cráneo de las imágenes MPRAGE y FLASH utilizando MNE (véase el cuadro) y FreeSurfer. Usar estas superficies para generar un modelo de tres capas límite elemento (BEM).
2. M / EEG de Adquisición de Datos
- Preparar tema para M / EEG de grabación.
- Consulte Liu et al 4 para los detalles de electrooculograma y preparación electrodo de referencia, así como la digitalización de las señales fiduciales del sujeto, la posición de cabeza bobinas indicadoras (HPI) y electrodos de EEG.
- Una vez sujeto está sentado en el MEG, medir la posición de la cabeza usando las bobinas HPI.
- Inicie la grabación. Comienza la presentación de estímulos auditivos y visuales.
- Muchos hardware y soluciones de software están disponibles para llevar a cabo la presentación del estímulo (p. ej., Presentación, E-Prime). Usamos un Tucker-Davis Tecnologías RZ6 para la presentación auditiva y estímulo desencadenante estampado, con Psychtoolbox 5 para visual spresentación timulus, ambas controladas por MATLAB. Prueba de las latencias auditivas y visuales utilizando un micrófono y un fotodiodo conectado a la pantalla, y, posteriormente, asegurar que no hay fluctuación observable (lo que puede requerir ajustar la presentación proyector a su resolución nativa) antes del experimento ayuda a garantizar la integridad de temporización.
- Asunto responde a estímulos auditivos y visuales a través de una caja de botones óptico en el desempeño de la tarea conductual.
- Guarde todos los estímulos experimentales, parámetros y archivos de datos para el análisis fuera de línea.
3. M / Co-registro EEG con resonancia magnética y Procesamiento de Datos
- Utilizando el software de las EMN, cargar datos digitalizador y sujeto modelo reconstruido cabeza MRI. Elige hitos fiduciales para iniciar el proceso de co-registro y proceder a utilizar el procedimiento de alineación automática para completar la transformación de coordenadas (Figura 2).
- Para relacionar la ubicación de cada dipolo en el sp fuenteas con la ubicación de cada sensor, se combinan los datos registrados HPI (ver 2,2) para calcular una solución hacia adelante con el BEM de tres capas (ver 1,4)
- Inspeccione todas las registradas M / EEG datos e identificar los canales que tienen varianza excepcionalmente alta o están completamente plana. Ajuste estos canales como canales malos.
- El uso de señales espacio de proyección 6 u otras técnicas de reducción de ruido (tales como separación de la señal espacio 7) para proyectar o separar los patrones espaciales de campo se originó de la contaminación ambiental campo ambiental u otras señales fisiológicas indeseables, tales como aquellos asociados con el ojo-parpadea y artefactos cardiacos (Figura 3).
- Aplicar el dominio del tiempo eliminación de artefactos (por ejemplo., La eliminación de épocas que contienen señales de amplitud anormalmente elevados debido a la adición de un canal) y el dominio de frecuencia eliminación de artefactos (por ejemplo., Banda-muesca filtrado a 50 o 60 Hz de frecuencia de línea) para aumentar aún más señal-a-ruido.
- Identificar un período de línea de base en el que el sujeto no se realiza cualquier tarea (por ejemplo., 200 período ms antes del inicio de cada ensayo). Generar un promedio de estas épocas de línea de base con el fin de obtener una estimación de ruido (también conocida como la matriz de covarianza).
- Identificar las épocas de interés (por ejemplo, sólo recoger las épocas correctas con las respuestas de comportamiento.) Y definir las condiciones para contrastes experimentales (por ejemplo, épocas asociado con sujetos que han cambiado su atención auditiva al hemicampo opuesto originalmente con claves -. "Switch" condición - en comparación con sujetos mantener la atención en el hemicampo original - "Hold" condición). Generar un medio de respuesta para cada uno de la condición definida.
- Estos promedios se pueden basal-corregido o no dependiendo de los parámetros experimentales (ver 8); datos mostrados aquí son de línea de base corregidas.
- Combinar la matriz de covarianza (3,5) y la solución calculada hacia delante (3,2) para obtener unadistribuidos cortical constreñido mínima norma de operador inverso que relaciona las mediciones del sensor a las estimaciones actuales dipolo en el espacio de origen.
- Usted puede restringir o aproximadamente fijar la orientación del dipolo a la dirección cortical normal 9.
- Generar una "película cerebro" de la estimación distribuida dipolo (es decir., La estimación actual en cada ubicación de dipolo en el espacio de origen en el tiempo) para cada condición experimental (Figura 4).
- Dependiendo de las características temporales de su diseño experimental, bin pueden sus datos en tiempo al promediar las estimaciones actuales utilizando no se solapan ventanas temporales.
4. Inferencia estadística basada en un sistema de coordenadas común basada en la superficie
- Morph las películas "cerebro" de cada sujeto sobre una común (promedio) de espacio cortical basada en un sistema de coordenadas basada en la superficie que se alinea óptimamente individuo sulcal-gyral patrones 3. Esto nos permite comparar o media actividad cortical en todas las asignaturas. (Figura 5).
- Hay muchos enfoques diferentes de inferencia estadística. Destacaremos tres enfoques posibles aquí. Situaciones que no se implementan en el paquete de software puede ser escrito usando software personalizado en nuestros ejemplos utilizan MATLAB para realizar la prueba no paramétrica espacio-temporal agrupación prueba de permutación. A pesar de la alta dimensionalidad (Espacio x Tiempo x Los sujetos) de estos datos, todos estos enfoques se puede realizar utilizando el hardware estándar moderna computadora de escritorio en cuestión de segundos (ROI; 4.3 Enfoque) a horas (clustering no paramétrico; 4,5).
- Región de interés (ROI) Enfoque
- Se puede definir la ROI anatómicamente (p. ej., Definido por el algoritmo de parcelación automática 1) y / o funcionalmente (p. ej., Mediante el registro de una tarea de localizadora funcional, tal como un Go / No Go tarea saccade para identificar el oculomotor regiones).
- Además, usted puede limitar el análisis a un tiempo específico de interés que se adecue a su paradigma experimental (p. ej., Un período de tiempo inmediatamente antes y después de la aparición de los estímulos sonoros). También puede utilizar otra inferencia estadística asociada con el análisis de series de tiempo.
- Todo el cerebro Bonferroni o Falso-Discovery-Rate (FDR) corrección
- Emplear la corrección de Bonferroni o FDR si requiere de todo el cerebro, todo en tiempo de análisis.
- Generar un mapa estadístico en cada lugar dipolo y cada punto de tiempo utilizando las estadísticas de las pruebas pertinentes, tales como un t-test o ANOVA intra-sujetos para los datos de aproximadamente normalmente distribuidos. Por ejemplo, las puntuaciones z de la asignación dinámica de parámetros estadística de las estimaciones de las EMN fijos fuentes de dipolo 10 se puede utilizar cuando se combina con una corrección para correlaciones en las estimaciones (por ejemplo, el conservador Greenhouse-Geisser corrección).
- Para Bonferronicorrección, obtener importantes puntos de espacio-tiempo por umbralización a un nivel de significación de 0,05 dividido por el número de comparaciones (número de dipolos multiplicado por el número de puntos de tiempo). Para un enfoque menos conservador, utilice FDR p-valor de corrección 11.
- No paramétrico de agrupamiento espacio-temporal
- Utilizar este método (basado en una simple extensión de 12) para encontrar regiones de activación grande, consistente espacial y temporal, pero menos conservadoras que la corrección de Bonferroni, y menos propenso a errores de tipo I estadísticos que FDR mediante el control de la tasa de error de la familia sabia .
- Debido a que este método utiliza permutación o técnicas de Monte Carlo remuestreo, que no se basa en la hipótesis de normalidad de los datos, y sólo supone que las etiquetas son intercambiables condición bajo la hipótesis nula. Aunque es más computacionalmente intensivas de los dos enfoques anteriores, todavía se puede realizar en una hora ensola máquina con hardware moderno ordenador de sobremesa.
- Generar un mapa estadístico en cada ubicación de dipolo y cada punto de tiempo utilizando las pruebas estadísticas apropiadas, tales como una prueba de la t.
- Umbral este mapa en un umbral de significación preliminar, por ejemplo, p <0,05.
- Cluster estos puntos supuestos significativos basados en la proximidad espacio-temporal, por ejemplo. puntos importantes dentro de 5 ms y 5 mm de distancia geodésica entre sí, se pone en la misma categoría. Puntuación de cada grupo resultante usando hipervolumen o significado total (p. ej. Suma de las puntuaciones t de puntos en el grupo).
- Realice un nuevo muestreo estándar permutación (o Monte Carlo remuestreo para grandes conjuntos de datos, por ejemplo. Número de sujetos N> 10, para ahorrar en el cálculo) prueba con una estadística máxima (ver 12 para ejemplos de prueba de permutación). En pocas palabras, para un subconjunto aleatorio de los sujetos (elegir desde 0 hasta N sujetos), reetiquetar las condiciones being comparación antes de obtener el mapa estadístico, lleve a cabo la agrupación en el mapa estadística nueva, y obtener la puntuación máxima para ese grupo reetiquetado. Realizar este procedimiento en nuevos relabelings aleatorios para hasta 2 N permutaciones para obtener una distribución de la estadística máxima; realizar todo 2 N relabelings posibles produce la permutación de prueba y la utilización de un subconjunto aleatorio de menos de 2 N relabelings produce un Monte Carlo (o al azar ) prueba de permutación.
- Obtener el significado de un grupo determinado original (del etiquetado original) mediante la determinación de la proporción de tiempo que los tamaños de clúster máximos fueron mayores que la de la agrupación original, por ejemplo. grupos que eran más grandes que 95% de los racimos Estadística de máximo puede ser declarado significativo.
- Para una discusión a fondo sobre la inferencia estadística en imágenes MEG fuente distribuida, ver 13.
- Utilizar este método (basado en una simple extensión de 12) para encontrar regiones de activación grande, consistente espacial y temporal, pero menos conservadoras que la corrección de Bonferroni, y menos propenso a errores de tipo I estadísticos que FDR mediante el control de la tasa de error de la familia sabia .
- Los archivos de datos resultantes pueden ser vi sualized de muchas maneras, incluyendo el uso de forma nativa los formatos utilizados por las EMN software para almacenar espacio-temporales estimaciones corticales, es decir, los archivos de STC. Estos, junto a etiquetas que pueden ser producidos correspondientes a las regiones importantes, se pueden generar utilizando cajas de herramientas EMN previstas MATLAB y Python.
5. Los resultados representativos
La figura 6 muestra un conjunto de resultados representativos utilizando el paradigma de comportamiento descrito en la Figura 4. Utilizando el procedimiento no paramétrico de clusters espaciotemporal (4,5), el FEF derecho se encuentra para ser significativo cuando un sujeto está realizando una tarea reorientación en comparación con una tarea estándar (Figura 6 a la izquierda). Utilizando el enfoque de ROI (4,3), el curso temporal de la FEF derecha se muestra, junto con el período de tiempo que estas dos condiciones son significativamente diferentes.
p_upload/4262/4262fig1.jpg "/>
Figura 1. Flujo de trabajo para la generación de una "película cerebro" utilizando cortical constreñido-norma mínimo estimaciones dipolo (véase la Figura 1 en Liu et al., 2010).
Figura 2. MNE software utilizado para facilitar canales de EEG y lugares HPI co-registro en una MRI sujeto coordenadas espacio.
Figura 3. MEG datos antes y después de usar SSP para eliminar cardíaco (resaltada en naranja) y los ojos parpadea (resaltado en azul-verde) los artefactos y filtrado de paso bajo para eliminar la línea de frecuencia. Haga clic aquí para ampliar la cifra .
Figura 4 Una "película cerebro" en el espacio nativo cortical del sujeto y el momento de la presentación audiovisual (con estímulos auditivos presentados en 600 ms y un estímulo visual presentada en -600 ms) en un paradigma experimental (Nota:. Este será presenta como una película en el clip de película final)
Figura 5. Comparación entre un ROI hipotético asignado en el espacio nativo cortical de un sujeto y después se transformó en un espacio común cortical.
Figura 6. Representante espacio-temporal del clúster y tiempo de evolución, asociada con la condición experimental dosciones probado.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Con el fin de estimar la activación de dipolo en la corteza de los MEG adquiridos / datos de EEG, que necesitamos para resolver un problema inverso, el cual no tiene una solución única estable a menos apropiados anatómica y fisiológicamente limitaciones de sonido se aplican. Utilizando la restricción anatómica adquirida por los sujetos individuales utilizando la RM y la adopción de la norma mínima como criterio de estimación, podemos llegar a una estimación inversa cortical fuente de corriente que esté de acuerdo con las mediciones de los sensores. Este enfoque ha demostrado ser útil en estudios de procesamiento auditivo no sólo 14, pero también otros ámbitos como la visual y el procesamiento del lenguaje 15 16.
Hay muchos enfoques inversas otros. Sin embargo, todos estos métodos se pueden resumir en dos categorías: localización (por ejemplo, el modelado dipolo equivalente actual.) O imagen (por ejemplo, sobre las EMN, la formación de haz técnicas.). Además, cada enfoque inverso tiene su tradeoff (ver 17 para una discusión en profundidad). Por ejemplo, la estimación actual utilizando el enfoque que aquí se presenta necesariamente debe ser distribuido en el espacio debido a su mínimo-norma de restricción. Este enfoque de estimación mínimo-norma es muy adecuado para tareas que reclutar una red cortical distribuida. Mapeo de las primeras respuestas a los estímulos que evocan actividad de la fuente focal, tales como los de audición que se cree que están localizados en y alrededor de la corteza auditiva bilateral (p. ej., N1m y sensibilización relacionada negatividad 18), también se puede mejorar mediante el uso de fMRI co-limitaciones 14.
Análisis de dominio espectral, por ejemplo., Investigando el papel de diferentes ritmos corticales implicadas en la atención, a través de la corteza también se puede realizar después de usar cualquiera de las técnicas mencionadas anteriormente inversas. Además, este tipo de análisis se puede extender fácilmente para abordar cuestiones relacionadas con la conectividad funcional entre regiones distintas en el BRain.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
No hay conflictos de interés declarado.
Acknowledgments
Los autores desean agradecer a Matti S. Hämäläinen, Zöllei Lilla y tres revisores anónimos por sus útiles comentarios. Fuentes de financiación: R00DC010196 (AKCL); T32DC000018 (EDL); T32DC005361 (RKM).
Materials
| Name | Company | Catalog Number | Comments |
| 306-channel Vectorview MEG system | Eleka-Neuromag Ltd, | ||
| 1.5-T Avanto MRI scanner | Siemens Medical Solutions | ||
| FreeSurfer | http://freesurfer.net/ | ||
| MNE software | http://www.nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php | ||
| EEG electrodes | Brain Products, Easycap GmbH | ||
| 3Space Fastrak system | Polhemus | ||
| Optical button box (FIU-932) | Current Designs |
References
- Fischl, B. Automatically parcellating the human cerebral cortex. Cerebral Cortex. 14, 11-22 (2004).
- Dale, A., Sereno, M. Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: A linear approach. Journal of Cognitive Neuroscience. 5, 162-176 (1993).
- Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. NeuroImage. 9, 195-207 (1999).
- Liu, H. Functional Mapping with Simultaneous MEG and EEG. Journal of Visualized Experiments. (40), e1668 (2010).
- Brainard, D. H. The Psychophysics Toolbox. Spatial Vision. 10, 433-436 (1997).
- Uusitalo, M. A., Ilmoniemi, R. J. Signal-space projection method for separating MEG or EEG into components. Med. Biol. Eng. Comput. 35, 135-140 (1997).
- Taulu, S., Simola, J., Kajola, M. Applications of the signal space separation method. IEEE Transactions on Signal Processing. 53, 3359-3372 (2005).
- Urbach, T. P., Kutas, M. Interpreting event-related brain potential (ERP) distributions: Implications of baseline potentials and variability with application to amplitude normalization by vector scaling. Biological Psychology. 72, 333-343 (2006).
- Lin, F. -H., Belliveau, J. W., Dale, A. M., Hämäläinen, M. S. Distributed current estimates using cortical orientation constraints. Human Brain Mapping. 27, 1-13 (2006).
- Dale, A. Dynamic statistical parametric mapping: combining fMRI and MEG for high-resolution imaging of cortical activity. Neuron. 26, 55-67 (2000).
- Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12, 419-446 (2003).
- Nichols, T. E., Holmes, A. P. Nonparametric permutation tests for functional neuroimaging: a primer with examples. Human Brain Mapping. 15, 1-25 (2001).
- Pantazis, D., Leahy, R. M. Statistical Inference in MEG Distributed Source Imaging. MEG: An Introduction to Methods. Hansen, P., Kringelbach, M., Salmelin, R. , Oxford University Press. New York. 245-272 (2010).
- Ahveninen, J. Attention-driven auditory cortex short-term plasticity helps segregate relevant sounds from noise. Proceedings of the National Academy of Sciences. , 1-6 (2011).
- Sharon, D. The advantage of combining MEG and EEG: comparison to fMRI in focally stimulated visual cortex. Neuroimage. 36, 1225-1235 (2007).
- Herrmann, B., Maess, B., Hasting, A. S., Friederici, A. D. Localization of the syntactic mismatch negativity in the temporal cortex: An MEG study. NeuroImage. 48, 590-600 (2009).
- Baillet, S. The Dowser in the Fields: Searching for MEG Sources. MEG: An Introduction to Methods. Hansen, P., Kringelbach, M., Salmelin, R. , Oxford University Press. New York. 83-123 (2010).
- Gutschalk, A., Micheyl, C., Oxenham, A. J. Neural correlates of auditory perceptual awareness under informational masking. PLoS Biology. 6, e138 (2008).
