Summary
Usamos magneto-e eletroencefalografia (MEG / EEG), combinado com informações anatômicas capturado por ressonância magnética (MRI), para mapear a dinâmica da rede cortical associado à atenção auditiva.
Abstract
Magneto e eletroencefalografia (MEG / EEG) são técnicas de neuroimagem que proporcionam uma alta resolução temporal particularmente adequado para investigar as redes corticais envolvidas no dinâmicos tarefas perceptivas e cognitivas, tais como atendimento a diferentes sons em um coquetel. Muitos estudos anteriores tenham utilizado os dados gravados no nível do sensor, isto é., Os campos magnéticos ou eléctricos dos potenciais registados fora e no couro cabeludo, e têm geralmente focada na actividade que é tempo de bloqueado para a apresentação do estímulo. Este tipo de evento relacionado campo / análise de potencial é particularmente útil quando há apenas um pequeno número de diferentes padrões dipolares que podem ser isolados e identificados no espaço e no tempo. Em alternativa, através da utilização de informação anatómica, estes padrões de campo diferentes podem ser localizados como fontes de corrente no córtex. No entanto, para uma resposta mais sustentada, que não pode ser bloqueado em tempo a um estímulo específico (p. ex.,, em preparação para a ouvir um dos dois simultaneamente apresentados dígitos faladas acordo com a função auditiva cued) ou pode ser distribuído através de múltiplas localizações espaciais desconhecidas a priori, o recrutamento de uma rede distribuída cortical podem não ser adequadamente capturado por meio de um número limitado de fontes focais.
Aqui, nós descrevemos um processo que emprega anatómicas individuais dos dados de MRI para estabelecer uma relação entre as informações do sensor e a activação de dipolo no córtex através do uso da norma mínima estimativas (ENM). Esta abordagem de imagem inversa nos fornece uma ferramenta para análise da fonte distribuído. Para fins ilustrativos, vamos descrever todos os procedimentos que utilizam FreeSurfer MNE e software, tanto livremente disponíveis. Vamos resumir as seqüências de RM e etapas de análise necessários para produzir um modelo para a frente que nos permite relacionar o padrão de campo esperado causado pelos dipolos distribuídos no córtex sobre os sensores do M / EEG. Next, vamos percorrer os processos necessários que facilitem nos denoising os dados do sensor de contaminantes ambientais e fisiológicos. Iremos em seguida, descrevem o procedimento para a combinação de mapeamento e MEG / dados do sensor para o espaço de EEG cortical, produzindo desse modo uma família de séries de tempo da activação do dipolo cortical na superfície do cérebro (ou "filmes cérebro") relacionadas com cada condição experimental. Finalmente, vamos destacar algumas técnicas estatísticas que nos permitem fazer inferência científica em uma população de assunto (ou seja., Realizar ao nível do grupo de análise) com base em um espaço de coordenadas comum cortical.
Protocol
1. Aquisição de Dados e Processamento anatômica
- Adquirir uma magnetização preparado rápida gradiente eco (MPRAGE) exame de ressonância magnética do assunto. Isto pode demorar de 5-10 min, dependendo de qual protocolo verificação específica for utilizado.
- Adquirir mais dois tiro baixo ângulo rápido (FLASH) exames de ressonância magnética (ângulos de inclinação = 5 ° e 30 °) se os dados de EEG são usados para análise de imagem inversa, como seqüências FLASH proporcionar contraste tecido diferente das seqüências MPRAGE padrão 1.
- Use FreeSurfer software (ver tabela) 2, 3 reconstruir a superfície cortical e configurar M indivíduo / espaço de origem EEG dipolo.
- Este espaço de origem é restrito ao limite massa cinzenta / branco segmentada da verificação MPRAGE. Cada hemisfério contém cerca de 100.000 potenciais vértices, espaçadas de ~ 1 mm. Para a estimativa da amplitude dipolo (ver abaixo), utilizar um espaçamento da grelha, de 7 mm, o que produz ~ 3000 dipolos por hemisfério.
- Reconstruira pele do crânio, exterior e superfícies internas do crânio a partir das imagens e flash usando MPRAGE MNE (ver tabela) e FreeSurfer. Usar estas superfícies para gerar um modelo de três camadas de elementos de contorno (MEC).
2. M / EEG de Aquisição de Dados
- Prepare assunto para M / EEG gravação.
- Consulte a Liu et al 4 para detalhes de eletrooculograma e preparação do eletrodo de referência, bem como a digitalização dos marcos fiduciais do sujeito, bobinas cabeça-posição indicadoras (HPI) e eletrodos de EEG.
- Uma vez sujeito está sentado no MEG, medir a posição da cabeça usando as bobinas HPI.
- Iniciar a gravação. Comece a apresentação de estímulos auditivos e visuais.
- Muitos hardware e soluções de software estão disponíveis para realizar a apresentação do estímulo (por exemplo., Apresentação, E-Prime). Nós usamos um Tucker-Davis Technologies RZ6 para a apresentação do estímulo auditivo eo gatilho estamparia, com Psychtoolbox 5 para visual stimulus apresentação, ambas controladas pelo MATLAB. Testando as latências auditivas e visuais, utilizando um microfone e fotodiodo acoplado à tela e, posteriormente, assegurando que não há jitter observável (que pode exigir a apresentação definindo projetor para sua resolução nativa) antes da experiência ajuda a garantir a integridade timing.
- Assunto responde a estímulos auditivos e visuais através de uma caixa de botões óptico durante a execução de tarefa comportamental.
- Guardar todos os estímulos, parâmetros experimentais e arquivos de dados para análise off-line.
3. M / EEG co-registo com IRM Digitalização e Processamento de Dados
- Usando o software MNE, carregar dados digitalizadoras e modelo sujeito cabeça reconstruída ressonância magnética. Escolha marcos fiduciais para iniciar processo de co-registo e continuar a usar procedimento de alinhamento automático para completar transformação de coordenadas (Figura 2).
- Para relacionar a localização de cada dipolo no sp fonteace com a localização de cada sensor, combinar os dados gravados HPI (ver 2.2) para calcular uma solução para a frente com o BEM três camadas (ver 1.4)
- Inspecione todos gravados M / EEG dados e identificar canais que têm variância excepcionalmente alta ou são completamente plana. Definir esses canais como canais ruins.
- Usar o sinal de projecção espaço-6 ou técnicas de redução de ruído diferentes (tais como a separação de sinal do espaço 7) projectar ou separar padrões de campo espaciais originado de contaminação ambiental ambiente campo ou de outros sinais fisiológicos indesejáveis, tais como aquelas associadas com olho-pisca e artefactos cardíacos (Figura 3).
- Aplicar no domínio do tempo de remoção artefato (por exemplo., Removendo epochs contendo sinais de amplitude anormalmente elevados, devido à cravação de um canal) e no domínio da frequência de remoção artefato (por exemplo., Banda de filtragem no entalhe 50 ou 60 Hz de frequência de linha) para aumentar ainda mais a sinal-para-ruído.
- Identificar um período de linha de base em que o sujeito não foi executar qualquer tarefa (por exemplo., 200 ms período antes do início de cada ensaio). Gerar uma média de linha de base dessas épocas, a fim de se obter uma estimativa do ruído (também conhecido como a matriz de covariâncias).
- Identificar épocas de interesse (por exemplo, apenas coletando épocas corretas com respostas comportamentais.) E definir as condições para contrastes experimentais (por exemplo, épocas associado com o assunto de ter mudado a sua atenção auditiva para o hemicampo oposto como originalmente cued -. "Switch" condição - versus assunto manter a atenção no hemicampo original - "Hold" condição). Gerar uma resposta média para cada uma das condições definidas.
- Estas médias podem ser de base corrigida ou não dependendo dos parâmetros experimentais (v. 8), os dados aqui apresentados são de linha de base corrigida.
- Combinar a matriz de covariância (3.5) e da solução para a frente computadorizada (3,2) para se obter umdistribuídos operador inverso corticalmente constrangido mínimo norma, que relaciona as medições do sensor de dipolo estimativas atuais no espaço de origem.
- Você pode restringir ou cerca de fixar a orientação dipolo para a direção cortical normal 9.
- Gerar um "filme cérebro" da estimativa distribuída dipolo (ou seja., A estimativa actual de cada local de dipolo no espaço de origem no tempo) para cada condição experimental (Figura 4).
- Dependendo das características temporais de seu projeto experimental, você pode bin seus dados em tempo por uma média de estimativas atuais usando não sobrepostos janelas temporais.
4. Inferência Estatística baseada em um sistema de coordenadas comum baseado na superfície
- Morph os "filmes" do cérebro de cada sujeito para um espaço (média) cortical comum com base em um sistema de coordenadas baseado na superfície que se alinha optimamente indivíduo sulcamento-gyral padrões 3. Isso nos permite comparar ou média atividade cortical em todas as disciplinas. (Figura 5).
- Existem várias abordagens de inferência estatística. Vamos destacar três abordagens possíveis aqui. Abordagens que não são implementados no pacote de software pode ser escrito usando software-in personalizado nossos exemplos usamos o MATLAB para executar a não-paramétrico agrupamento espaço-temporal teste de permutação. Apesar da alta dimensionalidade (espaço x tempo x Assuntos) desses dados, todas estas abordagens podem ser realizados utilizando hardware padrão moderno de desktop em segundos (ROI; 4,3 abordagem) para horas (não-paramétrico de clusters; 4.5).
- Região de interesse abordagem (ROI)
- Pode-se definir a ROI anatomicamente (por exemplo., Definido pelo algoritmo de divisão em parcelas automático 1) e / ou funcionalmente (por exemplo., Gravando uma tarefa funcional localizadora, como um passa / não passa tarefa saccade para identificar o oculomotoregiões R).
- É possível restringir ainda mais a análise de um tempo específico, de interesse, que é apropriado para o seu paradigma experimental (p. ex., Um período de tempo imediatamente antes e após o início do estímulo de som). Você também pode usar a inferência estatística outro associado com análise de séries temporais.
- Todo o cérebro Bonferroni ou Falso-Discovery-Rate (FDR) correção
- Empregar a correção de Bonferroni ou FDR se você precisar de todo o cérebro, a análise de todos os tempos.
- Gerar um mapa de estatística em cada local de dipolo e cada ponto do tempo usando estatísticas de teste apropriadas, como um teste t ou dentro de sujeitos-ANOVA para os dados de aproximadamente normalmente distribuídas. Por exemplo, z-score de mapeamento de parâmetros dinâmicos estatística das estimativas MNE para fixos fontes dipolo 10 pode ser usado quando emparelhado com uma correção para as correlações das estimativas (como a correção de Greenhouse Geisser-conservador).
- Para Bonferronicorrecção, obter significativas de espaço-tempo por thresholding pontos a um nível de significância de 0,05, dividido pelo número de comparações (número de dipolos multiplicado pelo número de pontos de tempo). Para uma abordagem menos conservadora, use FDR correção p-valor 11.
- Não paramétrico de agrupamento espaço-temporal
- Utilize este método (com base em uma simples extensão de 12) para encontrar regiões de grande, ativação consistente espacial e temporal ao ser menos conservador do que a correção de Bonferroni, e menos propenso a erros de Tipo I estatísticos que o FDR, controlando para a taxa de erro família sábio .
- Porque esta abordagem utiliza permutação ou técnicas de Monte Carlo reamostragem, não se baseiam em pressupostos de normalidade dos dados, e só assume que as etiquetas são intercambiáveis condição sob a hipótese nula. Embora seja mais intensivos computacionalmente do que as duas anteriores abordagens, pode ainda ser realizada em horas numaúnica máquina usando hardware moderno computador desktop.
- Gerar um mapa de estatística em cada local de dipolo e cada ponto de tempo utilizando a estatística de teste adequadas, como um t-teste.
- Mapa limiar isto a um limiar de significado preliminar, por exemplo, p <0,05.
- Cluster estes pontos putativos significativas baseadas em espaço-temporal de proximidade, por exemplo. pontos importantes dentro de 5 ms e 5 mm de distância geodésica da outra são colocados no mesmo cluster. Marcar cada cluster resultante usando hipervolume ou significado total (por exemplo,. Soma de t-escores de pontos no cluster).
- Realizar uma reamostragem padrão permutação (ou Monte Carlo reamostragem para maiores conjuntos de dados, por exemplo. Número de indivíduos N> 10, para economizar em computação) teste com uma estatística máxima (ver exemplos 12 para teste de permutação). Resumidamente, para um subconjunto aleatório de indivíduos (escolher em qualquer lugar a partir de 0 a N indivíduos), as condições relabel being comparação antes de obter o mapa estatístico, realizar agrupamento no novo mapa estatístico, e obter a pontuação máxima para o grupo que nomes. Executar este procedimento em novas relabelings aleatórios para até 2 N permutações para obter uma distribuição da estatística máxima; realizando todas as 2 N relabelings possíveis produz o teste de permutação e utilizando um subconjunto aleatório de menos de 2 N relabelings produz um Monte Carlo (ou aleatória ) teste de permutação.
- Obter o significado de um dado grupo original (a partir do rótulo original) através da determinação da proporção de tempo que os tamanhos máximos de fragmentação eram maiores do que o do conjunto original, por exemplo. aglomerados que eram maiores do que 95% dos aglomerados estatísticos máximas pode ser declarado significativo.
- Para uma discussão aprofundada sobre inferência estatística em MEG imagens fonte distribuído, consulte 13.
- Utilize este método (com base em uma simples extensão de 12) para encontrar regiões de grande, ativação consistente espacial e temporal ao ser menos conservador do que a correção de Bonferroni, e menos propenso a erros de Tipo I estatísticos que o FDR, controlando para a taxa de erro família sábio .
- Os arquivos de dados resultantes pode ser vi sualized de muitas maneiras, inclusive usando os formatos nativamente utilizados pelo software MNE para armazenar espaço-temporais estimativas corticais, ou seja, arquivos do STC. Estas, juntamente com as etiquetas que podem ser produzidos correspondentes às regiões significativas, podem ser gerados usando caixas de ferramentas MNE previstas MATLAB e Python.
5. Resultados representativos
A Figura 6 mostra um conjunto de resultados representativos utilizando o paradigma comportamental descrito na Figura 4. Utilizando o procedimento de agrupamento não-paramétrico de espaço-temporal (4.5), a FEF direito é considerado significativo quando um sujeito está a executar uma tarefa reorientação em comparação com um padrão de tarefa (à esquerda Figura 6). Utilizando a abordagem de ROI (4.3), o curso de tempo da FEF direita é mostrado juntamente com o período de tempo em que estas duas condições são significativamente diferentes.
p_upload/4262/4262fig1.jpg "/>
Figura 1. Fluxo de trabalho para gerar um "filme cérebro" utilizando-corticalmente constrangido norma mínima estimativas-dipolo (cf., a Figura 1, em Liu et al., 2010).
Figura 2. Software MNE utilizado para facilitar os canais de EEG e locais HPI co-registo para o espaço um sujeito coordenado ressonância magnética.
Figura 3. Dados MEG antes e depois de usar SSP para remover cardíaca (destacado em laranja) e olho-pisca (destacado em azul-verde) artefatos e lowpass de filtragem para remover a linha-freqüência. Clique aqui para ver maior figura .
Figura 4 Um "filme cérebro" em espaço nativo sujeito cortical e o momento da apresentação audio-visual (com estímulos auditivos apresentados a 600 ms e um estímulo visual apresentado em -600 ms) num paradigma experimental (Nota:. Esta será apresentado como um filme no clipe de filme final)
Figura 5. Comparação entre um ROI hipotética mapeado no espaço nativo de um sujeito cortical e depois se transformou em um espaço comum cortical.
Figura 6. Representante agrupamento espaço-temporal e curso temporal associado com a condição experimental doisções testado.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
A fim de estimar a activação de dipolo no córtex do MEG / adquiridos dados de EEG, precisamos de resolver um problema inverso, que não tem uma solução única e estável a menos apropriados anatomicamente e fisiologicamente constrangimentos de som são aplicadas. Usando a restrição anatômica adquiridos para assuntos individuais usando ressonância magnética e adotar a norma-mínimo como critério de estimativa, podemos chegar a uma estimativa fonte inversa cortical atual que está de acordo com as medições do sensor. Esta abordagem provou ser útil em estudos de processamento auditivo não apenas 14, mas também outros domínios como o Visual 15 e processamento da linguagem 16.
Há muitas outras abordagens inversas. No entanto, todos estes métodos podem ser resumidos em duas categorias: localização (por exemplo, modelação de corrente equivalente de dipolo.) Ou de imagem (por exemplo, EMN, beamforming técnicas.). Além disso, cada abordagem inversa tem o seu tradeoff (ver 17 para uma discussão em profundidade). Por exemplo, a estimativa actual utilizando a abordagem aqui apresentada tem necessariamente de ser distribuído no espaço, devido à sua norma mínima restrição. Esta abordagem estimativa mínima norma é bem adequado para tarefas que recrutam uma rede distribuída cortical. Mapeamento primeiras respostas a estímulos que evocam actividade fonte focal, tais como aquelas em teste que se pensa estar localizada em torno bilateral e córtex auditivo (por exemplo., N1m e sensibilização relacionada negatividade 18), também pode ser melhorada através da utilização de co-fMRI constrangimentos 14.
A análise espectral de domínio, por exemplo., Investigando o papel dos diferentes ritmos corticais envolvidas em atenção, em todo o córtex também pode ser realizada após o uso de qualquer uma das técnicas acima mencionadas inversos. Além disso, este tipo de análise pode ser facilmente estendido para abordar questões relacionadas com a conectividade funcional entre as distintas regiões do brAin.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Não há conflitos de interesse declarados.
Acknowledgments
Os autores gostariam de agradecer Matti S. Hämäläinen, Lilla Zöllei e três revisores anônimos por seus comentários úteis. Fontes de financiamento: 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).
