Summary
We maken gebruik van magneto-en elektro-encefalografie (MEG / EEG), gecombineerd met anatomische informatie gevangen genomen door magnetische resonantie beeldvorming (MRI), om de dynamiek van het corticale netwerk is verbonden met auditieve aandacht kaart te brengen.
Abstract
Magneto-en elektro-encefalografie (MEG / EEG) wordt neuroimaging technieken die een hoge temporele resolutie in het bijzonder geschikt is om het corticale netwerken die betrokken zijn bij dynamische perceptuele en cognitieve taken, zoals het bijwonen van verschillende geluiden in een cocktail kunnen onderzoeken. Vele vroegere studies hebben gebruikt data opgenomen op de sensor niveau alleen, dwz. De magnetische velden of elektrische potentialen opgenomen buitenkant en aan de hoofdhuid en zijn meestal gericht op activiteit die tijd vergrendeld op de stimulus. Dit type event-related field / mogelijke analyse is bijzonder nuttig wanneer er slechts een klein aantal verschillende dipolaire patronen die kunnen worden geïsoleerd en geïdentificeerd in ruimte en tijd. U kunt ook door het gebruik van anatomische informatie, kunnen deze eigen veld patronen worden gelokaliseerd als de huidige bronnen op de cortex. Echter, voor een meer aanhoudende respons die niet tijd vergrendeld op een specifieke stimulus (bijvoorbeeld.,ter voorbereiding voor het luisteren naar een van de twee gelijktijdig ingediende gesproken cijfers gebaseerd op de geactiveerde auditieve functie) of kunnen worden verdeeld over verschillende ruimtelijke locaties a priori onbekend, kan het rekruteren van een gedistribueerd netwerk corticale onvoldoende worden gevangen door een beperkt aantal focale bronnen.
We beschrijven een procedure die individuele anatomische MRI data werken om een relatie tussen de sensor informatie en de dipool activering op de cortex door het gebruik van minimum-norm schattingen (MNE). Deze inverse imaging benadering geeft ons een instrument voor gedistribueerde bron analyse. Ter illustratie beschrijven we alle procedures met behulp van FreeSurfer en MNE software, zowel gratis beschikbaar. We zullen een samenvatting van de MRI-sequenties en analyse stappen die nodig zijn om een voorwaartse model dat ons in staat stelt te verhouden de verwachte veldpatroon veroorzaakt door de dipolen verdeeld over de cortex naar de M / EEG-sensoren te produceren. Next, zullen we stap door de noodzakelijke processen die ons vergemakkelijken ruisvermindering de sensor gegevens van milieu-en fysiologische verontreinigingen. Wij zullen dan een overzicht van de procedure voor het combineren en in kaart brengen MEG / EEG sensorgegevens op de corticale ruimte, waardoor een familie van tijdreeksen van corticale dipool activering op de hersenen oppervlak (of "brain-films") met betrekking tot elke experimentele conditie. Ten slotte zullen we een paar statistische technieken die ons in staat stellen om wetenschappelijke gevolgtrekking maken over een onderwerp populatie (dwz., Uit te voeren op groepsniveau analyse) op basis van een gemeenschappelijke corticale coördinaatruimte.
Protocol
1. Anatomische verzamelen en verwerken
- Acquire een magnetisatie-en-klare snelle gradiënt echo (MPRAGE) MRI-scan van het onderwerp. Dit kan 5-10 min afhankelijk van de specifieke scan protocol gebruikt.
- Acquire twee extra snelle lage hoek shot (FLASH) MRI-scans (flip hoeken = 5 ° en 30 °) als EEG-gegevens worden gebruikt voor het inverse beeldvorming analyse, zoals FLASH sequenties bieden verschillende delen contrast van de standaard MPRAGE sequenties 1.
- Gebruik FreeSurfer software (zie tabel) 2, 3 om de corticale oppervlak reconstrueren en het opzetten van individuele M / EEG dipool bron ruimte.
- Deze bron ruimte is beperkt tot de grijs / witte stof grens gesegmenteerd uit de MPRAGE scan. Elke hemisfeer bevat ongeveer 100.000 potentiële hoekpunten, een onderlinge afstand van ~ 1 mm. Voor dipool amplitude schatting (zie hieronder), gebruik dan een raster afstand van 7 mm, dat ~ 3.000 dipolen per halfrond oplevert.
- Reconstruerende huid, de buitenste en binnenste schedel schedel oppervlakken van de MPRAGE en FLASH beelden met behulp van MNE (zie tabel) en FreeSurfer. Gebruik deze oppervlakken drie laagscheiding element model (BEM) te genereren.
2. M / EEG Data Acquisition
- Bereid onderwerp voor M / EEG opname.
- Raadpleeg Liu et al. 4 voor details over electrooculogram en referentie-elektrode voorbereiding en digitalisering van de vaste van het onderwerp monumenten, hoofd-positie-indicator spoelen (HPI) en EEG-elektroden.
- Zodra onderwerp zit in de MEG, het meten van de positie van het hoofd met behulp van de HPI spoelen.
- Start de opname. Begin presentatie van auditieve en visuele prikkels.
- Veel hardware en software oplossingen zijn beschikbaar voor stimulus (bv., Presentatie, E-Prime) uit te voeren. We gebruiken een Tucker-Davis Technologies RZ6 voor auditieve stimulus presentatie en trekker stempelen, met Psychtoolbox 5 voor visuele stimulus presentatie, zowel gecontroleerd door MATLAB. Testen auditieve en visuele latencies met microfoon en fotodiode aan het scherm en vervolgens zodat er geen waarneembare jitter (die noodzakelijk waarin de presentatie projector haar oorspronkelijke resolutie) voor het experiment zorgt ervoor timing integriteit.
- Onder voorbehoud reageert op auditieve en visuele prikkels via een optische-knop doos tijdens het uitvoeren van gedrags-taak.
- Bewaar alle stimuli, experimentele parameters en data bestanden voor off-line analyse.
3. M / EEG Co-registratie bij MRI Scan en Data Processing
- Met behulp van de MNE software laden digitizer gegevens en onder voorbehoud van de gereconstrueerde MRI hoofd model. Kies de vaste verstuurd naar co-registratie te starten en ga verder met automatische uitlijning procedure gebruiken om coördinaten transformatie (figuur 2) te voltooien.
- Om de locatie van elk dipool betrekking in de bron space met de locatie van elke sensor, combineren opgenomen HPI data (zie 2.2) om een oplossing te berekenen uit de drie lagen BEM (zie 1.4)
- Inspecteer alle opgenomen M / EEG data en identificeren kanalen die uitzonderlijk hoge variantie hebben of volledig vlak. Stel deze kanalen zo slecht kanalen.
- Gebruik signaal-space nok 6 of lawaaibestrijdingstechnieken (zoals signaal ruimte gescheiden 7) te projecteren of uit gescheiden ruimtelijke veldpatronen afkomstig van omgevingscondities veld verontreinigingen of andere ongewenste fysiologische signalen, zoals die geassocieerd met oog knippert en cardiale artefacten (Figuur 3).
- Breng tijd-domein artefact verwijderen (bv., Het verwijderen van tijdperken hebben een abnormaal hoog amplitude signalen als gevolg van stekelige een kanaal) en frequentie-domein artefact verwijderen (bv., Band-notch filter bij 50 of 60 Hz lijn-frequentie) verder toenemen signaal-ruisverhouding.
- Identificeer een baseline periode waarin het onderwerp werd niet uitvoeren van alle taken (bijv.., 200 ms periode voorafgaand aan het begin van elke proef). Genereer een gemiddelde van deze basislijn tijdperken om een ruisschatting (ook bekend als de covariantiematrix) te verkrijgen.
- Identificeer tijdperken van belang (bijvoorbeeld, alleen het verzamelen van tijdperken met de juiste gedragsreacties.) En bevatten de voorwaarden voor experimentele contrasten (bijv. tijdperken verbonden aan onder het inschakelen van hun auditieve aandacht aan de tegenovergestelde hemifield zoals oorspronkelijk cued -. "Switch" staat - versus onderwerp behoud van de aandacht op de originele hemifield - "Hold" staat). Genereer een gemiddelde reactietijd voor elk van de gedefinieerde toestand.
- Deze gemiddelden kunnen worden basislijn-gecorrigeerd of niet, afhankelijk van experimentele parameters (zie 8); gegevens die hier getoond worden baseline gecorrigeerd.
- Combineer de covariantiematrix (3.5) en de berekende vooruit oplossing (3.2) om een te krijgenverdeeld cortically beperkt minimum-norm inverse operator die de sensor metingen betrekking heeft op dipool huidige ramingen in de bron ruimte.
- U kunt ongeveer beperken of bevestig de dipool oriëntatie op de corticale normale richting 9.
- Genereren van een "brain film" van de gedistribueerde dipool schatting (dwz. De huidige schatting op elke locatie dipool in de bronruimte in tijd) voor elk experiment (Figuur 4).
- Afhankelijk van de temporele eigenschappen van uw experimentele opzet, kunt u bin uw gegevens in de tijd door het gemiddelde huidige schattingen met behulp van niet-overlappende tijdelijke ramen.
4. Statistische Inference Op basis van een gemeenschappelijk oppervlak coördinatensysteem
- Morph het "brein films" voor elk onderwerp op een gemeenschappelijke (gemiddeld) corticale ruimte, gebaseerd op een oppervlakte coördinatensysteem dat optimaal aansluit individuele sulcal-gyral patronen 3. Dit laat ons toe om te vergelijken of de gemiddelde corticale activiteiten in alle vakken. (Figuur 5).
- Er zijn veel verschillende statistische inferentie benaderingen. We zullen wijzen op drie mogelijke benaderingen hier. Benaderingen die niet worden uitgevoerd in software kan worden geschreven met behulp van aangepaste software-in onze voorbeelden hebben we gebruik MATLAB de niet-parametrische tijdruimtelijke clustering voeren permutatie test. Ondanks de hoge dimensionaliteit (Space x Tijd x Onderwerpen) van deze gegevens, kunnen al deze benaderingen worden uitgevoerd met behulp van standaard moderne desktop computer hardware in seconden (ROI; 4,3 benadering) om de uren (niet-parametrische clustering; 4.5).
- Regio-of-interest (ROI) benadering
- U kunt de ROI anatomisch (bijv.., Gedefinieerd door automatische verkaveling algoritme 1) en / of functioneel (bijv.., Door het opnemen van een functionele lokaliseren taak, zoals een Go / No saccade taak Ga naar de oculomoto identificerenr regio's).
- U kunt uw analyse verder te beperken tot een specifieke tijd-of-interest die geschikt is om uw experimentele paradigma (bijv.., Een periode onmiddellijk voor en na het begin van het geluid stimuli). U kunt ook gebruik maken van andere statistische inferentie geassocieerd met tijdreeksanalyse.
- De hersenen als geheel Bonferroni of False-Discovery-Rate (FDR) correctie
- Dienst Bonferroni of FDR correctie indien u de hersenen als geheel, all-time analyse.
- Genereer een statistische kaart op elke dipool locatie en elk tijdstip met behulp van geschikte toetsingsgrootheden, zoals een t-test of binnen-subjects ANOVA ongeveer normaal verdeelde data. Bijvoorbeeld kan z-scores van dynamische mapping statistische parameter van de MNE schattingen voor vaste dipool bronnen 10 worden gebruikt wanneer gecombineerd met een correctie voor correlaties in de schattingen (zoals de conservatieve Greenhouse-Geisser correctie).
- Voor Bonferronicorrectie verkrijgen aanzienlijke ruimte-tijd punten door drempelvorming op een significantieniveau van 0,05 gedeeld door het aantal vergelijkingen (aantal dipolen vermenigvuldigd met het aantal tijdstippen). Voor een minder conservatieve benadering, gebruik FDR p-waarde correctie 11.
- Niet-parametrische spatiotemporele clustering
- Gebruik deze methode (op basis van een eenvoudige uitbreiding van 12) aan de regio's van grote, consistente ruimtelijke en temporele activering vinden terwijl ze minder conservatief zijn dan Bonferroni-correctie, en minder vatbaar voor ik statistische fouten dan FDR Typ door het beheersen van de familie-wise foutenpercentage .
- Omdat deze benadering gebruikt permutatie of Monte Carlo resampling technieken, is het geen veronderstellingen van normaliteit van de data, en alleen veronderstelt dat de voorwaarde labels verwisselbaar onder de nulhypothese. Hoewel het meer rekenkundig intensief dan de vorige twee benaderingen kan nog worden uitgevoerd uur op eenenkele machine met behulp van moderne desktop computer hardware.
- Genereer een statistische kaart op elke dipool locatie en elk tijdstip met de juiste toetsingsgrootheden, zoals een t-test.
- Threshold deze kaart nog in een voorbereidende betekenis drempel, bijvoorbeeld p <0,05.
- Cluster deze vermeende belangrijke punten gebaseerd op spatio-temporele nabijheid, bijvoorbeeld. de belangrijke punten binnen 5 ms en 5 mm geodetische afstand van elkaar worden gebracht in hetzelfde cluster. Score elk resulterend cluster met behulp van hypervolume of totale betekenis (bijvoorbeeld. Som van t-scores van punten in het cluster).
- Voer een standaard permutatie resampling (of Monte Carlo resampling voor grotere datasets, bijvoorbeeld. Aantal personen n> 10, om te besparen op berekening) test met een maximale statistiek (zie 12 voor permutatie-test voorbeelden). Kort voor een willekeurige subgroep van patiënten (kiezen overal van 0 tot N proefpersonen) relabel de voorwaarden being ten opzichte van vóór het verkrijgen van de statistische kaart, voert clustering op de nieuwe statistische kaart, en het verkrijgen van de maximale cluster score voor dat relabeling. Voer deze procedure op nieuwe willekeurige relabelings tot 2 N permutaties een verdeling van de maximale statistiek te verkrijgen, het uitvoeren van alle mogelijke 2 N relabelings levert de permutatie test en het gebruik van een willekeurige subgroep van minder dan 2 N relabelings levert een Monte Carlo (of willekeurige ) permutatie test.
- Verkrijgen de betekenis van een gegeven origineel cluster (uit de oorspronkelijke etikettering) door bepaling van de hoeveelheid tijd de maximale clustergrootte groter zijn dan die van de oorspronkelijke cluster, bijvoorbeeld. clusters die groter waren dan 95% van de maximale statistiek clusters kan worden verklaard significant.
- Voor een diepgaande discussie over statistische inferentie in MEG gedistribueerde bron imaging, zie 13.
- Gebruik deze methode (op basis van een eenvoudige uitbreiding van 12) aan de regio's van grote, consistente ruimtelijke en temporele activering vinden terwijl ze minder conservatief zijn dan Bonferroni-correctie, en minder vatbaar voor ik statistische fouten dan FDR Typ door het beheersen van de familie-wise foutenpercentage .
- De resulterende bestanden kunnen worden vi sualized op vele manieren, met inbegrip van het gebruik van de formaten native gebruikt door multinationale software om spatio-temporele corticale schattingen, namelijk STC bestanden op te slaan. Deze naast labels die kunnen worden geproduceerd overeenkomstig de belangrijkste regio's, kunnen worden gegenereerd met behulp MNE toolboxes voorzien MATLAB en Python.
5. Representatieve resultaten
Figuur 6 een aantal representatieve resultaten met de gedragsmatige paradigma geschetst in figuur 4. Met de niet-parametrische spatiotemporele clustering procedure (4.5) wordt het recht FEF significant bevonden wanneer het onderwerp uitvoeren van een taak heroriëntatie vergeleken met een standaard taak (figuur 6 links). Met het ROI benadering (4.3) wordt het tijdsverloop van de juiste FEF weergegeven, samen met de periode dat deze twee voorwaarden zijn significant verschillend.
p_upload/4262/4262fig1.jpg "/>
Figuur 1. Workflow voor het genereren van een "brain film" met behulp van cortically-beperkt minimum-norm dipool schattingen (cf. figuur 1 in Liu et al.., 2010).
Figuur 2. MNE software die wordt gebruikt om EEG-kanalen en HPI locaties co-registratie mogelijk te maken op MRI een onderwerp te coördineren ruimte.
Figuur 3. MEG gegevens voor en na het gebruik van SSP op cardiale (oranje gemarkeerd) en in het oog knippert (gemarkeerd in blauw-groen) artefacten en lowpass filter aan line-frequentie te verwijderen te verwijderen. Klik hier om een grotere afbeelding te bekijken .
Figuur 4 Een "brain film" op inheemse onderwerp corticale ruimte en de timing van de audio-visuele presentatie (met auditieve stimuli gepresenteerd op 600 ms en een visuele stimulus gepresenteerd op -600 ms) in een experimenteel paradigma (Let op:. Zal dit gepresenteerd als een film in de uiteindelijke film clip)
Figuur 5. Vergelijking tussen een hypothetisch ROI in kaart gebracht op inheemse een onderwerp corticale ruimte en na morphed op een gemeenschappelijke corticale ruimte.
Figuur 6. Representatieve tijdruimtelijke cluster en het tijdsverloop geassocieerd met de twee experimentele voorwaardenties getest.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Om de dipool activering op de cortex van de verworven MEG / EEG data schatten, moeten we een inverse probleem dat niet uniek stabiele oplossing tenzij passende anatomisch en fysiologisch geluid beperkingen worden toegepast lossen. Met behulp van de anatomische beperking verworven voor individuele onderwerpen met behulp van MRI en de vaststelling van de minimum-norm als onze inschatting criterium, kunnen we komen tot een inverse corticale huidige bron schat dat is het eens met de sensor metingen. Deze aanpak is nuttig gebleken bij studies van niet alleen auditieve verwerking 14, maar ook andere domeinen zoals visuele 15 en taalverwerking 16.
Er zijn vele andere inverse benaderingen. Echter, al deze methoden worden samengevat in twee categorieën: lokalisatie (bijv. equivalente stroom dipool modeling.) Of imaging (bijvoorbeeld MNE, bundelvorming technieken.). Verder heeft elke inverse benadering heeft zijn tradeoff (zie 17 voor een diepgaande discussie). Zo moet de huidige raming met behulp van de hier gepresenteerde benadering noodzakelijk worden verspreid in de ruimte als gevolg van de minimum-norm beperking. Dit minimum-norm schatting benadering is zeer geschikt voor taken die een gedistribueerd corticale netwerk te werven. Mapping vroege responsen op stimuli die focale bron activiteit, zoals in auditie die verondersteld worden gelokaliseerd in en rondom de bilaterale auditieve cortex (bijv.., Bewustzijn en N1m betrekking negativiteit 18) oproepen, kan ook worden verbeterd door fMRI co-beperkingen 14.
Spectrale domein analyse, bijvoorbeeld., Onderzoeken de rol van verschillende corticale ritmes die deze aandacht in de cortex kan ook worden uitgevoerd na het gebruik van de bovengenoemde inverse technieken. Bovendien kunnen deze analyse eenvoudig worden uitgebreid om problemen in verband met functionele connectiviteit tussen verschillende gebieden in de brain.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Geen belangenconflicten verklaard.
Acknowledgments
De auteurs willen graag Matti S. Hämäläinen, Lilla Zöllei en drie anonieme reviewers bedanken voor hun nuttige opmerkingen. Financieringsbronnen: 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.
- 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).
