Summary
Biz manyetik rezonans görüntüleme (MRG) tarafından yakalanır anatomik bilgi ile kombine manyeto ve elektroensefalografi (MEG / EEG), işitsel dikkat ile ilişkili kortikal ağ dinamikleri eşlemek için kullanabilirsiniz.
Abstract
Magneto-ve elektroensefalografi (MEG / EEG) böyle bir kokteyl parti içinde farklı sesler olarak katılıyor dinamik algısal ve bilişsel görevler, yer kortikal ağları araştırmak için uygundur, yüksek temporal çözünürlük sağlamak nörogörüntüleme teknikleri uygulanır. Birçok geçmiş çalışmalardan yalnızca, genellikle uyaran sunum için zaman-kilitli olduğu aktivite yani., Manyetik alanlar ya da dışında ve kafa derisi üzerinde kaydedilen elektrik potansiyelleri ve odaklanmış sensör seviyesinde kaydedilen verileri istihdam var. Izole ve uzay ve zaman içinde tespit edilebilir ayrı dipolar desenler sadece az sayıda olduğunda olay ile ilgili alanda potansiyel / Bu analiz türü, özellikle yararlıdır. Alternatif olarak, anatomik bilgi kullanarak, bu farklı alan desenleri korteks üzerinde akım kaynağı olarak lokalize edilebilir. Bununla birlikte, daha uzun süreli bir tepki için o (örn.., Belirli bir uyarıcı için zaman-kilitli olmayabilircued işitsel özelliği dayalı iki eş zamanlı olarak konuşulan basamak) birini dinlerken ya da önsel bilinmeyen birden mekansal konumlara dağıtılmış olabilir hazırlık, dağıtılmış kortikal ağ işe yeterince sınırlı sayıda kullanarak yakalanan olabilir fokal kaynaklar.
Burada, sensör bilgileri ve minimum-norm tahminleri (MEB) aracılığıyla korteks üzerinde dipol aktivasyonu arasında bir ilişki kurmak için bireysel anatomik MRG verileri kullanan bir prosedür tanımlamaktır. Bu ters görüntüleme yaklaşım bize dağıtılmış kaynak analizi için bir araç sağlar. Amaçlıdır, biz FreeSurfer ve MEB yazılımı, hem serbestçe kullanılabilir kullanarak tüm prosedürleri anlatacağız. Biz bize EEG / M sensörler üzerine korteks üzerinde dağıtılan dipoller sonucunda oluşması beklenen alan desen ilişki sağlayan bir ileri modeli üretmek için gerekli MRG sekansları ve analizi adımları özetleyeceğim. Next, çevresel ve fizyolojik kirleticilerden uzak sensör verileri denoising bize kolaylaştıracak gerekli süreçler yoluyla adım olacaktır. Biz o zaman böylece her deneysel durumu ile ilgili beyin yüzeyinin (ya da "beyin filmler") kortikal dipol aktivasyon zaman serisi bir aile üreten, kortikal alan üzerine MEG / EEG sensör verileri birleştirerek ve haritalama için prosedürü özetleyecek. Son olarak, bize ortak bir kortikal koordinat alanından dayalı bir konu nüfusta (örn., Grup düzeyinde analiz) arasında bilimsel bir çıkarım yapmak için izin birkaç istatistiksel teknikler vurgulayacaktır.
Protocol
1. Anatomik Veri Toplama ve İşleme
- Konulardan biri mıknatıslanma hazırlanmış hızlı gradient eko (MPRAGE) MRI taraması edinin. Bu, belirli bir tarama protokolü kullanıldığı bağlı olarak 5-10 dakika sürebilir.
- FLASH dizileri standart MPRAGE dizileri 1 farklı doku kontrastı sağlamak gibi EEG verileri, ters görüntü analiz için kullanılması durumunda iki ek hızlı düşük açılı çekim (FLASH) MRI taramaları (flip açılar = 5 ° ve 30 °) edinin.
- Kortikal yüzey yeniden ve bireysel M / EEG dipol alanı kurmak için FreeSurfer yazılım (bkz. Tablo) 2, 3 kullanın.
- Bu kaynak alanı MPRAGE tarama bölümlenmiş gri / beyaz cevher sınır sınırlanır. Her yarımkürede ~ 1 mm aralıklı yaklaşık 100.000 potansiyel noktalar içerir. Dipol genlik kestirimi için (aşağıya bakınız), yarımküre başına ~ 3.000 dipoller verimleri 7 mm, bir ızgara boşluğunu kullanın.
- Yeniden kurmakderi, dış kafatası ve MEB (bkz. Tablo) ve FreeSurfer kullanarak MPRAGE ve FLASH görüntülerden iç kafatası yüzeyler. Üç katmanlı sınır elemanlar modeli (BEM) oluşturmak için bu yüzeylerde kullanın.
2. M / EEG Veri Toplama
- M / EEG kaydı için konu hazırlayın.
- Electrooculogram ve referans elektrot hazırlanmasının yanı sıra öznenin konvansiyonel simgesel, baş konum göstergesi bobinler (HPI) ve EEG elektrotları sayısallaştırılması detayları için Liu ve ark 4'e başvurun.
- Bir kere konu HPI bobinleri kullanarak baş pozisyonu ölçmek, MEG oturduğundan.
- Kayda başlayın. Işitsel ve görsel uyaranlara sunum başlayın.
- Birçok donanım ve yazılım çözümleri uyaran sunum (örn., Sunum, E-Prime) gerçekleştirmek için kullanılabilir. Biz görsel s Psychtoolbox 5 ile, damgalama işitsel uyaran sunum ve tetikleyici için bir Tucker-Davis Teknolojileri RZ6 kullanınTümülüsü sunum, MATLAB tarafından kontrol hem de. Ekrana bağlı bir mikrofon ve fotodiyot kullanılarak işitsel ve görsel gecikmeleri Test ve sonradan oraya sağlanması deney zamanlaması bütünlüğünü sağlamaya yardımcı olur önce hiçbir gözlemlenebilir jitter (doğal çözünürlük için sunum projektörü ayarlama gerektirebilir olan).
- Davranışsal görev yaparken Konu optik bir düğme kutusu üzerinden işitsel ve görsel uyaranlara yanıt verir.
- Off-line analiz için tüm uyarılara, deneysel parametreleri ve veri dosyalarını kaydedin.
3. MRI tarama ve Veri İşleme M / EEG Co-kaydı
- MEB yazılımı kullanarak, sayısallaştırıcı veri ve öznenin yeniden MR kafa modeli yüklenemedi. Co-kayıt sürecini başlatmak ve koordinat dönüşümü (Şekil 2) tamamlamak için otomatik hizalama prosedürü kullanmaya devam etmek için indirgeme görülecek seçin.
- Kaynak sp içinde her bir dipol yer ilişkilendirilmesiher sensörün konumu ace, (bakınız 1.4) üç katmanlı BEM ile ileri çözüm hesaplamak için (2.2) kaydedildi HPI verileri birleştirir
- Kaydedilen tüm M / EEG verileri inceleyin ve olağanüstü yüksek varyans ya da tamamen düz kanallar tespit. Kötü kanal olarak bu kanalları ayarlayın.
- Proje ya da mekansal alan desenleri gibi göz yanıp söner ve kardiyak eserler ile ilişkili olanlar gibi ortam çevresel alanda kontaminasyon veya diğer istenmeyen fizyolojik sinyalleri kökenli dışarı ayırmak için sinyal-uzay projeksiyon 6 ya da başka gürültü azaltma teknikleri (örneğin sinyal alanı ayrılması 7 gibi) kullanın (Şekil 3).
- Daha da artması time-domain artifakı kaldırma (örneğin., Bir kanalın spiking nedeniyle anormal derecede yüksek genlikli sinyalleri içeren dönemini kaldırarak) ve frekans alanı artifakı kaldırma (örneğin., 50 veya 60 Hz hat frekansı filtreleme bant çentik) Uygula sinyal-gürültü oranı.
- Hangi konuda (örneğin., Önce her davanın başlangıcından 200 ms süre) herhangi bir görevi gerçekleştirirken değildi bir bazal dönemi belirleyin. Bir gürültü tahmin (aynı zamanda kovaryans matris olarak da bilinir) elde etmek için, bu başlangıç dönemini bir ortalama oluşturur.
- Faiz dönemleri (. Örneğin, sadece doğru davranışsal tepkileri ile çağları toplama) belirlenmesi ve deneysel karşıtlıkları (örneğin, başlangıçta cued gibi konularla karşı hemifield onların işitsel dikkat açık olması ile ilişkili çağları için koşulları tanımlamak -. "Switch" kalıntıları - versus konu Orijinal hemifield dikkat sürdürülmesi -) koşulu "Tut". Tanımlanan durum her biri için ortalama tepki oluşturur.
- Bu ortalamalar baseline-düzeltilmiş veya (8) deney parametrelerine bağlı olarak değil, olabilir; burada gösterilen veri taban-düzeltilir.
- Bir elde etmek için kovaryans matrisi (3.5) ve bilgisayarlı ileri solüsyonu (3.2) birleştirinkaynak uzayda dipol güncel tahminlere sensörü ölçümleri ilgilidir kortikal kısıtlı minimum norm ters operatörü dağıtıldı.
- Ya yaklaşık sınırlamak veya kortikal normal yönde 9 dipol yönelimi çözebilirsiniz.
- Her deneysel durumda (Şekil 4) için dağıtılmış dipol tahmin (yani., Zaman içinde kaynak uzayda her dipol yerde mevcut tahmini) bir "beyin filmi" oluşturun.
- Eğer örtüşmeyen zamansal pencereleri kullanarak mevcut tahminlerin ortalamasını alarak zaman verilerinizi bin, senin deneysel tasarım zamansal özelliklerine olabilir bağlı.
4. İstatistiksel Çıkarım Ortak Yüzey tabanlı Koordinat Sistemi dayanarak
- Morph ortak (ortalama) kortikal alan üzerine her konu için "beyin filmleri" optimal bireysel sulkal-gy hizalar bir yüzey tabanlı koordinat sistemine dayalıral desenleri 3. Bu bize tüm denekler genelinde kortikal aktivitelerini karşılaştırmak veya ortalama sağlar. (Şekil 5).
- Birçok farklı istatistiksel çıkarsama yaklaşımlar vardır. Biz burada üç olası yaklaşımlar vurgulamak olacaktır. Yazılım paketi uygulanmamış Yaklaşımlar biz MATLAB parametrik olmayan uzay-zamansal kümeleme permütasyon testi gerçekleştirmek için kullanabileceğiniz örneklerimizde yazılım özel kullanılarak yazılabilir. (Non-parametrik kümeleme; 4.5) saate kadar; bu verilerin yüksek boyutluluğu (Uzay x Süre x Konular) rağmen, bu yaklaşımların hepsi (4.3 yaklaşımı ROI) saniye içinde standart modern masaüstü bilgisayar donanım kullanılarak yapılabilir.
- Bölge-faiz (ROI) yaklaşımı
- Siz veya anatomik ROI define (örneğin. Otomatik parselasyon algoritma 1 ile tanımlanır) ve / olabilir fonksiyonel (örneğin. Gibi / Hayır oculomoto tanımlamak için sakkad görevi git Go olarak, işlevsel bir lokalizasyon görev kaydederekr bölgeleri).
- Sen daha da deneysel paradigma (örn., Ses uyaranların başlangıcından hemen önce ve sonra bir süre) için uygun olan belirli bir zaman-faiz için analiz kısıtlayabilirsiniz. Ayrıca zaman serisi analizi ile ilişkili diğer istatistiksel çıkarsama kullanabilirsiniz.
- Tüm beyin Bonferroni veya Yanlış-Discovery-Rate (FDR) düzeltme
- Eğer tüm beyin, tüm zamanların analizi gerekiyorsa Bonferroni veya FDR düzeltme çalıştırmak.
- Örneğin yaklaşık normalde dağıtılmış veri için t-testi veya içi konularda ANOVA uygun test istatistiği kullanılarak her dipol yerde bir istatistik harita ve her zaman noktası oluşturun. Tahminleri korelasyon için bir düzeltme (örneğin, tutucu Sera-Geisser düzeltme gibi) ile birlikte Örneğin, sabit dipol 10 MEB tahminleri dinamik istatistiksel parametre haritalama z-skorları kullanılabilir.
- Bonferroni içindüzeltme, karşılaştırmalar sayısı (zaman noktalarının sayısı ile çarpılır dipoller sayısına) bölünür ve 0.05 anlamlılık düzeyinde eşikleme göre önemli uzay-zaman puan almak. Bir daha muhafazakar bir yaklaşım için, FDR p-değeri düzeltme 11 kullanın.
- Non-parametrik zamanmekansal kümeleme
- Bonferroni düzeltmesi daha az muhafazakar olurken, büyük tutarlı mekansal ve zamansal aktivasyon bölgeleri bulmak için bu yöntemi (12 basit bir uzantısı göre) kullanın ve aile bilge hata oranı kontrol ederek FDR daha ben istatistik hataları yazın daha az eğilimli .
- Bu yaklaşımın permütasyon kullanan ya da Monte Carlo resampling teknikleri nedeniyle, verilerin normallik varsayımları güveniyor, ve sadece koşul etiketleri hipotezi altında değiştirilebilir olduğunu varsayar değil. Bu önceki iki yaklaşım çok daha yoğun işlemci olmasına rağmen, yine de bir saat üzerinde yapılabilmektedirmodern masaüstü bilgisayar donanımı kullanarak tek bir makine.
- Her dipol yer ve böyle bir t-testi gibi uygun test istatistiği kullanılarak her noktada bir istatistik haritası oluşturun.
- Bir ön önemi eşiğinde Eşik Bu harita, örneğin p <0.05.
- Küme uzay-zamansal yakınlık dayalı bu varsayılan önemli noktaları, örneğin. 5 ms ve bir başka 5 mm jeodezik mesafesinde önemli noktaları aynı küme konur. Hypervolume veya toplam önemi (örneğin. Kümedeki noktaların t-skorlarının toplamı) kullanarak her bir sonuç küme Atar.
- Standart bir permütasyon resampling gerçekleştirin (büyük veri setleri, örneğin resampling veya Monte Carlo. Konular K> 10 sayısı, hesaplama kaydetmek için), maksimal istatistik (permütasyon test örnekleri için 12 bakınız) testi. Kısaca, denekler rastgele bir alt (0 N konularının her yerde seçmek) için, yeniden isimlendirmekte bein koşullarıg İstatistiksel harita almadan önce karşılaştırıldığında, yeni istatistik harita üzerinde kümeleme gerçekleştirmek ve bu etiketlenmesi maksimal küme puanı elde. Maksimal istatistik bir dağılımını elde etmek için 2 N permütasyon kadar yeni rastgele relabelings bu yordamı gerçekleştirin; hepsi 2 N mümkün relabelings gerçekleştirerek permütasyon testi verir ve Monte Carlo (veya rastgele verimleri az 2 N relabelings rastgele bir alt kullanan ) permütasyon testi.
- Maksimal küme boyutu ilk küme göre daha fazla olduğu zaman oranının belirlenmesi, belirli bir ilk kümesini (orijinal etiketlemeden) önemini elde edilir, örn. maksimal istatistik kümelerin% 95 daha büyük olan kümeleri önemli bildirilebilir.
- MEG dağıtılmış kaynak görüntülemede istatistiksel çıkarsama üzerine derinlemesine bir tartışma için, 13 bkz.
- Bonferroni düzeltmesi daha az muhafazakar olurken, büyük tutarlı mekansal ve zamansal aktivasyon bölgeleri bulmak için bu yöntemi (12 basit bir uzantısı göre) kullanın ve aile bilge hata oranı kontrol ederek FDR daha ben istatistik hataları yazın daha az eğilimli .
- Elde edilen veri dosyaları vi olabilir, doğal yani uzay-zamansal kortikal tahminleri, STC dosyalarını depolamak için MEB yazılımı tarafından kullanılan biçimleri kullanarak da dahil olmak üzere birçok bakımdan, sualized. Bunlar önemli bölgelere karşılık gelen imal edilebilir etiketler ile birlikte, MATLAB ve Python için sağlanan MNE araç kutusu kullanılarak oluşturulabilir.
5. Temsilcisi Sonuçlar
Şekil 6, Şekil 4'te açıklanan davranış paradigma ile temsil eden sonuçlar dizisini gösterir. Parametrik olmayan zamanmekansal kümeleme prosedür (4.5) kullanarak, doğru FEF bir konu, standart bir görev (Şekil 6 sol) ile karşılaştırıldığında bir uyarlanmasını görevi ifa ederken önemli olduğu bulunmuştur. ROI yaklaşım (4.3) kullanarak, doğru FEF bir zaman süreçlerinin bu iki durum önemli ölçüde farklı olduğu zaman süresi ile birlikte gösterilmiştir.
p_upload/4262/4262fig1.jpg "/>
Şekil 1. Minimum norm dipol tahminleri (bkz., Liu ve ark Şekil 1., 2010), kortikal-kısıtlı kullanarak bir "beyin filmi" oluşturmak için iş akışı.
Şekil 2. MEB yazılım tek bir kişinin MRI koordine alan üzerine EEG kanalı ve HPI yerle co-kayıt kolaylaştırmak için kullanılır.
Şekil 3. Önce ve kardiyak (turuncu renkte) ve göz yanıp söner (mavi-yeşil vurgulanır) hattı frekans kaldırmak için filtreleme eserler ve lowpass kaldırmak için SSP kullandıktan sonra. MEG verileri büyük bir rakam görmek için buraya tıklayın .
Şekil 4 bir deneysel paradigma (Not olarak konunun yerli kortikal alan ve görsel-işitsel sunum (600 ms ve -600 ms sunulan bir görsel uyarana sunulan işitsel uyaranlar ile) zamanlaması konusunda bir "beyin filmi":. Olacak bu ) son film klibi bir film olarak sundu
Şekil 5., Bir konu yerli kortikal alanı ve ortak bir kortikal alan üzerine morphed sonra eşlenen varsayımsal bir ROI karşılaştırılması.
Şekil 6. İki deneysel koşullar ile ilişkili Örnek uzay-zamansal kümelenme ve zaman-tabiiFONKSİYONLARIN test.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Edinilen MEG / EEG verilerinden korteks üzerinde dipol aktivasyon tahmin etmek amacıyla, uygun anatomik ve fizyolojik ses kısıtlamaları uygulanır sürece benzersiz bir istikrarlı çözüm bulunmamış ters bir sorunu çözmek gerekir. MRG kullanarak ve tahmini kriter olarak minimum norm benimseyerek bireysel konular için alınan anatomik kısıtlaması kullanarak, sensör ölçümleri ile hemfikir olduğunu bir ters kortikal akım kaynağı tahmine ulaşmak olabilir. Bu yaklaşım sadece işitsel işleme 14 değil, aynı zamanda görsel 15 ve dil işleme 16 gibi diğer alanların çalışmalarda yararlı olduğu kanıtlanmıştır.
Diğer birçok ters yaklaşım vardır. Lokalizasyonu (örneğin, eşdeğer akım dipol modelleme.) Veya görüntüleme (örneğin, MEB, teknikleri hüzme.): Ancak, tüm bu yöntemlerin iki kategoride özetlenebilir. Ayrıca, her ters yaklaşımı tra vardırdeoff (derinlemesine bir tartışma için 17'e bakınız). Örneğin, burada sunulan yaklaşımı kullanarak mevcut tahmini ille nedeniyle minimum norm kısıtlaması uzayda dağıtılmalıdır. Bu minimum norm tahmin yaklaşımı iyi bir dağıtılmış kortikal ağ askere görevleri için idealdir. , Bu tür ikili işitsel korteks (örneğin., N1m ve olumsuzluk 18 ilgili farkındalık) ve çevresine lokalize inanıldığı seçmelerde gibi fokal kaynağı aktivite anımsatan uyaranları erken yanıtları eşleme aynı zamanda co-kısıtlamaları fMRI kullanılarak geliştirilebilir 14.
Spektral analiz etki, örn., Korteksi boyunca dikkat içinde yer alan farklı kortikal ritim, rolünü araştırmak da adı geçen ters tekniklerinin herhangi biri kullanılarak sonra gerçekleştirilebilir. Ayrıca, bu analiz türünü kolayca br farklı bölgeler arasında fonksiyonel bağlantı ile ilgili adres sorular uzatılabilirain.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Çıkar çatışması ilan etti.
Acknowledgments
Yazarlar yararlı yorumlar için Matti S. Hämäläinen, Lilla Zöllei ve üç anonim değerlendirenler teşekkür etmek istiyorum. Finansman Kaynakları: R00DC010196 (AKCL); T32DC000018 (EDS); 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).
