Summary
우리는 자기 공명 영상 (MRI)에 의해 캡처 해부학 적 정보와 결합 마그네토와 electroencephalography (멕 / EEG)은, 청각주의와 관련된 대뇌 피질의 네트워크의 역학을 매핑 사용합니다.
Abstract
매그니토와 electroencephalography (멕 / EEG)는 같은 칵테일 파티에서 다른 소리에 참석 등의 역동적 지각과인지 작업에 참여 대뇌 피질의 네트워크를 조사 할 특히 적합 높은 시간적 해상도를 제공하는 기술을 neuroimaging 있습니다. 많은 과거의 연구는, 보통 자극 프리젠 테이션 시간 고정 활동에 즉., 자기장 또는 외부와 두피에 기록 된 전기 전위, 그리고 집중 한 센서 수준에서 기록 된 데이터를 고용했습니다. 고립 된 공간과 시간에서 확인하실 수 있습니다 뚜렷한 이극 성 패턴 만 소수가있을 때 이벤트 관련 분야 / 잠재적 인 분석이 유형의 특히 유용합니다. 또는 해부학 적 정보를 이용하여이 서로 다른 필드 패턴은 컴퓨터에 접속 전류 소스로 지역화 할 수 있습니다. 그러나,보다 지속적인 응답을 그 (예., 특정 자극에 시간이 잠겨되지 않을 수 있습니다보이기 청각 기능에 따라 두 가지를 동시에 제시 말한 자리) 중 하나를 듣고 또는 선험적 알 수없는 여러 공간 위치에 걸쳐 분산 될 수 있습니다 준비에 분산 대뇌 피질의 네트워크의 모집은 적절히 제한된 수의를 사용하여 캡처 할 수 없습니다 초점 소스.
여기, 우리는 센서 정보와 최소 - 표준 견적 (MNE)의 사용을 통해 컴퓨터에 접속 쌍극자 활성화 사이의 관계를 확립하기 위해 개인 해부학 MRI 데이터를 고용 절차를 설명합니다. 이 역 이미징 접근 방식은 우리에게 분산 소스 분석을위한 도구를 제공합니다. 설명의 목적을 위해, 우리는 FreeSurfer 및 MNE 소프트웨어를 모두 자유롭게 사용할 수를 사용하는 모든 절차를 설명합니다. 우리는 우리가 EEG / M 센서로 컴퓨터에 접속 배포 dipoles으로 인한 예상 필드 패턴을 연관 할 수있는 앞으로 모델을 생산하는 데 필요한 MRI 시퀀스 및 분석 단계를 요약합니다. Next, 우리는 환경 및 생리 학적 오염 물질의 센서 데이터를 denoising에서 우리를 용이하게 필요한 프로세스를 통해 단계 것이다. 우리는이를 통해 각 실험 조건에 관련된 뇌의 표면 (또는 "뇌 영화")에서 대뇌 피질의 쌍극자 활성화 시간이 일련의 가족을 생산, 대뇌 피질의 공간에 멕 / EEG 센서 데이터를 통합 및 매핑에 대한 절차를 설명합니다. 마지막으로, 우리는 우리가 일반적으로 대뇌 피질의 좌표 공간에 따라 대상 인구 (예., 그룹 수준의 분석을 수행)에서 과학 추론을 할 수 있도록 몇 가지 통계 기법을 강조 표시됩니다.
Protocol
1. 해부학 적 데이터 수집 및 처리
- 주제 중 하나를 자화 준비된 빠른 기울기 에코 (MPRAGE) MRI 검사를 취득. 이 특정 검사 프로토콜이 사용되는에 따라 5-10 분 걸릴 수 있습니다.
- FLASH 시퀀스를 표준 MPRAGE 시퀀스 1에서 다른 조직 대조을 제공하는 EEG 데이터가 역 이미징 분석에 사용하는 경우 두 개의 빠른 낮은 각도 샷 (FLASH) MRI 스캔을 (플립 각도 = 5 °, 30 °) 취득.
- 대뇌 피질의 표면을 재구성하고, 각 M / EEG 다이폴 소스 공간을 설정하는 FreeSurfer 소프트웨어 (표 참조) 2, 3을 사용합니다.
- 이 소스 공간이 MPRAGE 검사에서 분할 회색 / 흰색 물질 경계에 구속되어 있습니다. 각 반구는 ~ 1mm의 간격을두고 약 100,000 가능성이 정점을 포함하고 있습니다. 쌍극 진폭 견적 (아래 참조), 반구 당 ~ 3,000 dipoles를 얻을 7mm의 격자 간격을 사용합니다.
- 재건하다피부 바깥 쪽 두개골 및 MNE (표 참조) FreeSurfer를 사용하여 MPRAGE와 FLASH 이미지에서 내부 두개골 표면. 3 층 경계 요소 모델 (뱀)을 생성하려면 다음 표면을 사용합니다.
2. M / EEG 데이터 수집
- M / EEG 기록에 대한 주제를 준비합니다.
- electrooculogram 및 참조 전극 준비뿐만 아니라 피사체의 fiducial 랜드 마크, 헤드 위치 표시기 코일 (HPI)와 EEG 전극의 디지털화에 대한 자세한 내용은 류 외 4 참조하십시오.
- 일단 주제는 HPI 코일을 사용하여 머리의 위치를 측정, 멕에 장착되어 있습니다.
- 녹화를 시작합니다. 청각 및 시각 자극의 프리젠 테이션을 시작합니다.
- 많은 하드웨어 및 소프트웨어 솔루션은 자극 프리젠 테이션 (예를 들면., 프리젠 테이션, E-프라임)을 수행 할 수 있습니다. 우리는 시각적 s에 대한 Psychtoolbox 5, 스탬핑 청각 자극 프리젠 테이션 및 트리거에 대한 터커 - 데이비스 기술 RZ6를 사용하여timulus 프리젠 테이션, MATLAB에 의해 제어 모두. 화면에 부착 된 마이크와 포토 다이오드를 사용하여 청각과 시각적 대기 시간을 테스트하고, 이후이 보장하는 실험 타이밍 무결성을 보장하는 데 도움이하기 전에 더 관찰 지터 (는 기본 해상도로 프리젠 테이션 프로젝터를 설정 필요로 할 수있는)이다.
- 행동 작업을 수행하는 동안이 주제는 광학 버튼 상자를 통해 청각 및 시각 자극에 응답합니다.
- 오프라인 분석을 위해 모든 자극, 실험 매개 변수 및 데이터 파일을 저장합니다.
3. MRI 스캔 및 데이터 처리와 M / EEG 공동 등록
- MNE 소프트웨어를 사용하여 디지타이저 데이터와 피사체의 복원 MRI 머리 모델을로드합니다. 공동 등록 절차를 시작하고 좌표 변환 (그림 2)를 완료하기 위해 자동 정렬 절차를 사용하여 수행 할 수 fiducial 랜드 마크를 선택합니다.
- 소스 SP 각 쌍극자의 위치를 연관각 센서의 위치와 에이스는 (1.4 참조) 세 층 벰과 함께 앞으로 솔루션을 계산하는 (2.2 참조) 기록 HPI 데이터를 결합
- 모든 기록 M / EEG 데이터를 검사하고 매우 높은 변동이 있거나 완전히 평평 채널을 확인합니다. 나쁜 채널 이러한 채널을 설정합니다.
- 프로젝트 또는 공간 필드 패턴 등 눈 깜박와 심장 유물과 관련된 것과 같은 주변 환경 분야 오염 또는 기타 바람직하지 않은 생리 신호에서 유래 아웃 분리 신호 공간 투영 6 기타 노이즈 감소 기술을 (예 : 신호 공간을 분리 7 등)를 사용하여 (그림 3).
- 더 증가 할 시간 도메인 유물 제거 (예., 채널의 난리로 인해 비정상적으로 높은 진폭 신호를 포함 epochs를 제거) 및 주파수 도메인 유물 제거 (예., 50 또는 60 Hz 라인 주파수에서 필터링 대역 수준)을 적용 신호 대 잡음 비율입니다.
- 있는 대상 (예., 이전에 각 시험의 시작 200 밀리 기간) 어떤 작업을 수행하지 않은 기준 기간을 확인합니다. 잡음 견적을 (또한 공분산 행렬로 알려진)을 획득하기 위해이 기준 epochs의 평균을 생성합니다.
- 관심 epochs를 (. 예를 들어, 만 올바른 행동 반응과 epochs를 수집) 확인하고 실험 대조 (예를 들어, 원래 보이기 시작으로 피사체가 반대 hemifield 자신의 청각 관심을 전환 것에과 관련된 epochs에 대한 조건을 정의 -. "스위치"조건 - 대 제목 원래 hemifield에 관심을 유지하는 것은 -) 상태를 "대기". 정의 된 조건 각각에 대해 평균 응답을 생성 할 수 있습니다.
- 이 평균은 기본 - 수정 또는 (8 참조) 실험 매개 변수에 따라 수는 없습니다, 여기에 표시된 데이터는 기본 - 수정합니다.
- 를 얻기 위해 공분산 행렬 (3.5)와 계산 된 전달 솔루션 (3.2)를 결합소스 공간에서 쌍극자 현재 추정 센서 측정을 관련 cortically 제약 최소 - 표준의 역 연산자를 배포했습니다.
- 당신도 약 제한 또는 대뇌 피질의 정상적인 방향으로 9 쌍극자 방향을 수정할 수 있습니다.
- 각 실험 조건 (그림 4)에 대한 분산 쌍극자 추정 (예., 시간에서 소스 공간의 각 쌍극자 위치에서 현재 추정)의 "뇌 동영상을"생성합니다.
- 당신은 겹치지 시간적 창을 사용하여 현재 추정치를 평균하여 시간에 데이터 빈, 실험 설계의 시간적 특성에 따라 수 있습니다.
4. 통계 추론은 일반적인 표면 기반의 좌표계에 근거
- Morph 공통의 (평균) 대뇌 피질의 공간로 각 과목에 대한 "뇌 영화는"최적의 개인 sulcal-GY을 일치 표면 기반의 좌표계를 기준으로역 학 패턴 3. 이것은 우리가 모든 과목에서 대뇌 피질의 활동을 비교하거나 평균 할 수 있습니다. (그림 5).
- 여러 가지 통계 추론의 방법이 있습니다. 우리는 여기서 세 가지 접근 방식을 강조합니다. 소프트웨어 패키지에서 구현되지 않은 방법 우리가 MATLAB는 비 파라 spatio - 시간적 클러스터링 할 순열 테스트를 수행하는 데 사용하는 우리의 예에서 소프트웨어 사용자 정의를 사용하여 쓸 수 있습니다. (비 파라 메트릭 클러스터링, 4.5) 시간, 이러한 데이터의 높은 차원 (공간 X 시간 X 과목)에도 불구하고, 이러한 방식 모두 (4.3 접근 방식 ROI) 초 표준 현대적인 데스크탑 컴퓨터 하드웨어를 사용하여 수행 할 수 있습니다.
- 지역 수준의 관심 (ROI) 접근 방식
- 당신은 또는 해부학 적 투자 수익 (ROI)을 정의 (예., 자동 parcellation 알고리즘 (1)에 의해 정의) 및 / 기능 (예., 이러한 / 아니이 oculomoto을 식별 할 수 saccade 작업을 이동 이동 등의 기능 현지화 작업을 기록하여R 지역).
- 당신은 또한 실험 패러다임 (예., 소리 자극의 발병 전후 즉시 기간)에 맞는 특정 시간의이자로 분석을 제한 할 수 있습니다. 당신은 또한 시간 시리즈 분석과 관련된 기타 통계 추론을 사용할 수 있습니다.
- 전체 - 뇌 Bonferroni 또는 거짓 - 디스커버리 - 속도 (루즈 벨트) 보정
- 당신은 전체 - 뇌, 모든 시간 분석을 필요로하는 경우 Bonferroni이나 루즈 벨트 정정을 채용하고 있습니다.
- 이러한 약 일반적으로 - 분산 데이터에 대한 t-테스트 또는 내 - 주제의 ANOVA 적절한 테스트 통계를 사용하여 각 쌍극자 위치에서 통계지도와마다 지점을 생성합니다. 견적에 상관 관계에 대한 수정 (예 : 보수적 인 온실-Geisser 보정 등)와 결합하여 예를 들어, 고정 다이폴 소스 10 MNE 예상 동적 통계 매개 변수 매핑에서 Z-점수는 사용할 수 있습니다.
- Bonferroni에 대한수정은 비교의 수 (시간 포인트의 수를 곱한 dipoles 수)로 나눈 0.05의 유의 수준에서 임계 값에 의해 상당한 시공간 포인트를 얻습니다. 덜 보수적 인 접근 방법의 경우, 루즈 벨트 P-값을 보정 11을 사용합니다.
- 비 파라 메트릭 spatiotemporal 클러스터링
- Bonferroni 보정보다 덜 보수적하면서 대규모 일관 공간과 측두엽 활성화 영역을 찾기 위해이 방법을 (12의 단순 확장에 따라)를 사용하고, 가족 현명한 오류 속도에 대한 제어가 루즈 벨트보다 통계적 오류를 입력 할 적은 경향이 .
- 이 방법이 순열 사용하거나 몬테 카를로 resampling 기법 때문에 데이터의 정상 상태의 가정에 의존하며, 조건 라벨이 null이 가설에 따라 교환 있다고 가정하지 않습니다. 그 이전 두 접근법보다 더 많은 계산 집약적이지만, 그것은 여전히에 시간을 수행 할 수 있습니다현대적인 데스크탑 컴퓨터 하드웨어를 사용하여 단일 시스템.
- 각 쌍극 위치 및 t-test로 해당 테스트 통계를 사용하여 각 시점에서 통계지도를 생성 할 수 있습니다.
- 예비 중요성 임계 값의 임계 값이지도, 예를 들어 P <0.05.
- 클러스터 spatio - 시간적 근접을 기준으로 해당 putative 중요한 점을, 예를 들어. 5 MS 서로의 5mm 측지 거리에 중요한 점은 같은 클러스터에 넣어 수 있습니다. hypervolume 또는 총 중요성 (예를 들면. 클러스터에서 점 t-점수의 합)를 사용하여 각각의 결과 클러스터를 점수.
- 표준 순열 resampling 수행 (큰 데이터 집합, 즉 resampling 또는 몬테 카를로합니다. 과목 N> 10 수, 계산에 저장) 최대 통계 (순열 테스트 예제 12 참조) 테스트합니다. 간단히, 과목의 임의의 부분 집합 (0에서 N 주제 곳 선택)에 대한, relabel 대책을 마련 조건g의 통계지도를 취득하기 전에 비교, 새로운 통계지도에서 클러스터링을 수행하고 그 relabeling의 최대 클러스터 점수를 얻습니다. 최대 통계의 분포를 얻기 위해이 N 순열까지의 새로운 임의의 relabelings에서이 절차를 수행, 모든 2 N 수 relabelings을 수행는 순열 테스트를 산출하고 몬테 카를로 (또는 임의의 산출 미만이 N relabelings 임의의 하위 집합을 사용 ) 순열 테스트합니다.
- 최대 클러스터 크기가 원래 클러스터보다 더 있었다 시간의 비율을 결정하여 주어진 원본 클러스터 (원래 라벨에서)의 중요성을 확보, 예. 최대 통계 클러스터의 95 %보다 큰있었습니다 클러스터는 중요한 선언 할 수 있습니다.
- 멕 분산 소스 영상의 통계 추론에 깊이있는 토론의 경우, 13를 참조하십시오.
- Bonferroni 보정보다 덜 보수적하면서 대규모 일관 공간과 측두엽 활성화 영역을 찾기 위해이 방법을 (12의 단순 확장에 따라)를 사용하고, 가족 현명한 오류 속도에 대한 제어가 루즈 벨트보다 통계적 오류를 입력 할 적은 경향이 .
- 결과 데이터 파일은 바이올라 할 수 있습니다 기본적으로 즉 spatio - 시간적 대뇌 피질의 추정, STC 파일을 저장하기 위해 MNE 소프트웨어로 활용 형식을 포함하여 여러 가지에 sualized. 이은 중요한 지역에 해당 생산할 수 라벨과 함께, MATLAB과 파이썬을 위해 제공 MNE toolboxes를 사용하여 생성 할 수 있습니다.
5. 대표 결과
그림 6은 그림 4에 나와있는 행동 패러다임을 사용하여 대표적인 결과 집합을 표시합니다. 비 파라 spatiotemporal 클러스터링 절차 (4.5)를 사용, 오른쪽 FEF는 피사체가 표준 작업 (그림 6 왼쪽)에 비해 reorientation 작업을 수행 할 때 중요한 것으로되어 있습니다. 투자 수익 (ROI) 접근 (4.3)를 사용, 오른쪽 FEF의 시간 코스는이 두 조건이 크게 다른 것을 기간과 함께 표시됩니다.
p_upload/4262/4262fig1.jpg "/>
그림 1. 최소 - 표준 다이폴 예상 (참조하라, 류 외의 그림 1., 2010) cortically 제약을 사용하여 "뇌 동영상을"생성 워크 플로우.
그림 2. MNE 소프트웨어를 하나의 주제의 MRI 공동 종좌표 공간에 EEG 채널과 HPI 위치 공동 등록을 촉진하는 데 사용됩니다.
그림 3. 이전과 심장 (주황색으로 강조 표시) 및 눈 깜박 (파란색 - 녹색으로 강조 표시) 라인 주파수를 제거 할 필터링 유물과 로우 패스를 제거하려면 SSP를 사용 후. 멕 데이터는 큰 그림을 보려면 여기를 클릭하십시오 .
그림 4 한 실험 패러다임 (참고로 대상의 기본 대뇌 피질의 공간과 시청각 프리젠 테이션 (600 밀리 -600 MS에서 발표 시각적 자극에서 발표 청각 자극 포함)의 타이밍에 대한 A "뇌 영화":.이 될 것입니다 ) 최종 무비 클립에서 동영상으로 제공
그림 5. 대상의 기본 대뇌 피질의 공간과 공동 대뇌 피질의 공간에 변형 후 매핑 된 가상 투자 수익 (ROI) 사이의 비교.
그림 6. 두 실험 condi과 관련된 대표 spatio - 시간적 클러스터 및 시간 코스tions은 테스트.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
획득 멕 / EEG 데이터의 컴퓨터에 접속 쌍극자 활성화를 추정하기 위해, 우리는 적절한 해부학 및 생리 학적 소리 제약이 적용되지 않는 고유 한 안정적인 솔루션이없는 역 문제를 해결해야합니다. MRI를 사용하고 추정 기준으로 최소 - 표준을 채택 개별 과목에 대한 취득 해부학 제약 조건을 사용하여, 우리는 센서 측정에 동의하는 역 대뇌 피질의 전류 소스 추정치에 도착하실 수 있습니다. 이 방법은뿐만 아니라 청각 처리 14뿐 아니라 시각적 15 언어 처리 16와 같은 다른 도메인의 연구에 도움이 입증되었습니다.
많은 다른 역 가지가 있습니다. 현지화 (예를 들어, 상응하는 현재 다이폴 모델링.) 또는 이미지 (예를 들어, MNE, 기술을 beamforming.) : 그러나이 모든 방법은 두 가지 범주로 요약 할 수 있습니다. 또한, 각 역의 접근 방식은 tra이deoff (에 대한 심도있는 토론을 위해 17 참조). 예를 들어, 여기에 제시된 방법을 사용하여 현재 추정치는 반드시 인해 최소 - 정 제약에 공간에 배포해야합니다. 이 최소 - 표준 추정 방식은 잘 분산 대뇌 피질의 네트워크를 모집 작업에 적합합니다. 이러한 양국 청각 피질 (예., N1m과 부정적 18 관련 인식)과 주변 지역화 할 것으로됩니다 오디션에서와 같이 초점 소스 활동을 연상 자극에 초기 반응을 매핑들도 공동 제약 fMRI를 사용하여 향상시킬 수 있습니다 14.
스펙트럼 도메인 분석, 예., 피질에 걸쳐 관심에 관련된 다른 대뇌 피질의 리듬의 역할을 조사도 앞서 언급 한 역 기술 중 하나를 사용 후 수행 할 수 있습니다. 또한, 분석의이 유형은 쉽게 BR에 뚜렷한 지역 간의 기능적 연결에 관련된 주소 질문에 확장 될 수 있습니다아니야.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
관심 없음 충돌이 선언 없습니다.
Acknowledgments
저자는 자신의 도움이 의견을 Matti S. Hämäläinen, Lilla Zöllei 세 익명 리뷰어 감사드립니다. 자금 출처 : R00DC010196 (AKCL), T32DC000018 (편집 판단리스트), 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).
