Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Um protocolo para a administração do real-time fMRI treinamento de Neurofeedback

Published: August 24, 2017 doi: 10.3791/55543
Automatic Translation
1,2, 2, 3, 2,4, 5, 1,6
1Office of the Vice President for Research and Graduate Studies, Wright State University, 2Department of Biomedical, Industrial and Human Factors Engineering, Wright State University, 3Pediatric Radiology and Medical Imaging, Dayton Children's Hospital, 4Department of Trauma Care and Surgery, Boonshoft School of Medicine, Wright State University, 5Department of Defense Hearing Center of Excellence, JBSA-Lackland, 6Department of Neurology, Boonshoft School of Medicine, Wright State University

Summary

A capacidade de induzir e/ou controlar a plasticidade neural pode ser crítica em futuros tratamentos para distúrbios neurológicos e a recuperação de uma lesão cerebral. Neste trabalho, apresentamos um protocolo sobre o uso do treinamento de neurofeedback com ressonância magnética funcional para modular a função do cérebro humano.

Abstract

Distúrbios neurológicos caracterizam-se por anormal celular-, molecular-e a nível de circuito funções no cérebro. Novos métodos para induzir e controlar processos de neuroplastic e correta função anormal ou mesmo turno funções do tecido danificado para regiões do cérebro fisiologicamente saudáveis, prendem o potencial para melhorar drasticamente a saúde em geral. Das intervenções neuroplastic atual no desenvolvimento, treinamento de neurofeedback (NFT) de ressonância magnética funcional (fMRI) tem as vantagens de estar completamente não-invasivo, não-farmacológicas e espacialmente localizadas para o cérebro do alvo regiões, bem como não há efeitos colaterais conhecidos. Além disso, técnicas NFT, inicialmente desenvolvidas usando o fMRI, muitas vezes podem ser traduzidas para exercícios que podem ser executados fora do scanner sem o auxílio de profissionais médicos ou equipamentos médicos sofisticados. Em fMRI NFT, o sinal de fMRI é medido a partir de regiões específicas do cérebro, processado e apresentado ao participante em tempo real. Através de treinamento, técnicas de processamento mental auto-dirigida, que regulam esse sinal e suas correlações neurofisiológica subjacentes, são desenvolvidas. FMRI NFT tem sido usado para treinar volitivos controle sobre uma grande variedade de regiões do cérebro com implicações para vários diferentes sistemas cognitivos, comportamentais e motor. Além disso, fMRI NFT se mostrou promissor em uma ampla gama de aplicações, tais como o tratamento de distúrbios neurológicos e o aumento do desempenho humano da linha de base. Neste artigo, apresentamos um protocolo NFT fMRI desenvolvido em nossa instituição para modulação de ambos saudáveis e função anormal do cérebro, bem como exemplos de como usar o método para atingir regiões cognitivas e auditivas do cérebro.

Introduction

Distúrbios neurológicos apresentam grandes impedimentos em indivíduos afetados, suas famílias e da sociedade. Tratamentos para distúrbios neurológicos podem ser inexistente ou de eficácia duvidosa e muitas vezes apenas como alvo os sintomas da doença. Tal é o caso para o zumbido – o fantasma percepção do som – que não tem um tratamento aprovado pelo E.U. Food and Drug Administration (FDA). O zumbido pode ter um profundo impacto na vida de uma pessoa, interferindo com as tarefas diárias, diminuindo a concentração ou alterar a percepção do som real. Além disso, os indivíduos afetados pelo zumbido também podem experimentar fadiga, stress, problemas de sono, problemas de memória, depressão, ansiedade e irritabilidade1. Terapias que existem, como antidepressivos e medicamentos anti-ansiedade, apenas ajudam a gerenciar os sintomas associados e não podem tratar a causa subjacente. Isso cria uma lacuna crítica para tratamentos inovadores desses distúrbios.

Melhorias nas técnicas de aquisição de poder computacional e algoritmos revolucionaram a velocidade com que dados funcionais de ressonância magnética (fMRI) podem ser medidos e processados. Isto permitiu o advento da ressonância magnética em tempo real, onde os dados podem ser processados como é recolhida. Primeiras aplicações de fMRI em tempo real foram limitados2, principalmente inibida pela incapacidade de concluir rapidamente as etapas de pré-processamento típicas para análise off-line como a correção do movimento. Melhorias na tecnologia e algoritmos de computação agora aumentaram a velocidade, sensibilidade e versatilidade de fMRI em tempo real3 permitindo similar pré-processamento off-line ser aplicada em tempo real. Estes desenvolvimentos conduziram a 4 domínios de aplicativo principal de fMRI em tempo real: intra-operatório orientação cirúrgica4, cérebro-computador interfaces5,6, adaptando-se estímulos para cérebro atual afirma7, e treinamento de neurofeedback8.

NFT, embora não o foco original da fMRI em tempo real, é um campo crescente de investigação onde indivíduos aprendem a modular a atividade cerebral volitivamente através da implementação de estratégias mentais (ou seja, imaginado tarefas). NFT é uma forma de condicionamento operante,9, que foi mostrado para aumentar taxas de disparo neuronal e atividade neuronal em macacos10. Além disso, fMRI NFT tem sido associada a plasticidade de temporização dependente de spike, que são alterações neurais que ocorrem durante a aprendizagem associativa11. Implicações mais sugerem fMRI em que NFT induz a plasticidade através de potenciação a longo prazo (LTP), resultando aprimorada eficiência sináptica12. Outra postulação implica mecanismos celulares de habilidade de aprendizagem, tais como volitivos controle sobre a atividade cerebral e pode envolver alterações na condutância da membrana de tensão-dependente - expressado como uma mudança na excitabilidade neural13. Em qualquer caso, parece que aquele fMRI NFT influencia o cérebro a nível neural. Estas teorias fornecem um forte argumento para a utilização de fMRI NFT no tratamento de distúrbios neurológicos.

FMRI NFT, ao contrário dos tradicional fMRI, oferece a oportunidade de investigar a relação entre a actividade cerebral e comportamento11,14. Recentemente, tem havido aumento em estudos envolvendo fMRI NFT com quase o dobro de artigos publicado em 2011-2012 (n = 30) em comparação com os 10 anos anteriores (n = 16)11. Um dos primeiros estudos fMRI NFT foi conduzido por Weiskopf e colegas em 20038. Este estudo demonstrou com sucesso a viabilidade de feedback on-line e autoregulação do fMRI sinal no córtex Anterior cingulado (ACC), usando um participante. Gabarito foi exibido com um atraso de aproximadamente dois segundos, mais do que uma ordem de magnitude mais rápido do que os poucos estudos anteriores. O primeiro estudo completo foi realizado em 2004, onde 6 participantes aprenderam a controlar a actividade do córtex somatomotora15. FMRI NFT foi concluída em 3 sessões realizadas no mesmo dia. Observou-se aumento da atividade espacialmente seletivo para a região de destino no córtex somatomotora através do curso de formação a nível único-assunto e grupo. Este efeito não foi observado para o grupo controle que recebeu informações de fMRI real de uma região de fundo (não correlacionada com a tarefa a ser executada) no início da corrida. Pesquisadores já demonstraram que os humanos podem aprender volitivos controle sobre o fMRI sinal medido de várias regiões do cérebro incluindo a ACC16, amígdala17, insula anterior18,19, auditivo e atenção relacionadas com redes20, de córtex pré-frontal bilateral rostrolateral21, córtex pré-frontal dorsolateral12,22,23, córtices motor24, 25de27,,26,28, córtex auditivo primário29,30, regiões associadas com regiões de rede emocional31,32 , giro frontal inferior direito33e córtices visual34,35.

Os mecanismos subjacentes de muitas desordens neurológicas são desconhecidos. No exemplo do zumbido, não há nenhuma fonte óbvia para o fantasma som na maioria dos casos36,37,38. Apesar disso, a evidência sugere que um mecanismo central pode ser responsável para o perceptivo de zumbido em alguns indivíduos, como demonstrado pela falta de resolução dos sintomas após a completa dissecação do nervo auditivo39. Hiperatividade associada com zumbido foi encontrada no córtex auditivo primário40,41,42. Novas evidências sugerem que os efeitos do zumbido estendem ainda mais em áreas envolvidas no processamento de emoção e atenção do estado43. Baseado nestas anomalias, paradigmas NFT fMRI podem ser desenvolvidas para induzir e controlar neuroplastic mecanismos que incentivem padrões neurais normais.

Protocol

o seguinte protocolo NFT fMRI está em conformidade com as diretrizes fornecidas pela Wright estado Universidade institucional Review Board.

1. grupos de controle

  1. cuidadosamente considerar e determinar controle grupos apriorísticas. Criar grupos de controle para permitir que o hypothesis(es) a ser avaliada e a conta para efeitos de fatores adicionais, tais como prática ou as expectativas criadas pelo feedback exibe 44.

2. Configuração de hardware

  1. preparar todo o hardware antes do participante entra na sala de MRI usando os mesmos procedimentos como tradicional fMRI.
  2. Ligar sistema dispositivo compatível com o senhor display e resposta ao estímulo computador (PC).
  3. Rota de cabeamento para os dispositivos de resposta compatível com o senhor e fones de ouvido através de ou em torno do MRI bore.
  4. Ligar a saída de TR-gatilho do MRI para estímulo PC.
    Nota: Em algumas configurações, isso pode estar ligado para o hardware de dispositivo de resposta compatível com o senhor, que então se conecta ao computador de estímulo. Isto é imperativo para a aquisição de estímulos e dados de sincronização.
  5. Posição compatível com o senhor deputado exibir para que será visível ao participante através do espelho (a) afixada à bobina de cabeça.

3. Posicionamento do participante

Nota: O participante deve ser posicionado sobre a mesa do scanner, de uma forma semelhante a um típico cérebro MRI e da mesma maneira como fMRI tradicional.

  1. Ter a participante mentira para baixo em uma posição supina na mesa do scanner. Peça-lhes para manter sua cabeça dentro da bobina cabeça.
  2. Coloque os fones de ouvido sobre o participante ' s cabeça e assegurar que as orelhas estão cobertas. Se proteção auditiva adicional for necessária, inserir tampões para os ouvidos antes de posicionar os cabeça telefones.
  3. Coloque uma almofada sob o participante ' joelhos s para maior conforto.
  4. Travar a parte superior do corpo da bobina da cabeça no lugar.
  5. Apor o espelho para a bobina de cabeça.
  6. Posicionar os dispositivos de resposta no participante ' mãos de s.
  7. Marco a localização do participante ' nasion s relativo para o scanner.
  8. Mover a pérgula localização ao centro do MRI bore.
  9. Confirma que o participante possa ver a tela inteira usando o espelho. Perguntar ao participante para ajustar o espelho conforme necessário.

4. Localizando a região de destino

  1. executar um " funcional " localizador. Use a atividade cerebral de localizador funcional para definir o destino da região de interesse (ROI) 11.
    Nota: Esta execução é executada em uma maneira semelhante à tradicional fMRI. No entanto, o alvo ROI também pode ser definido usando a anatomia individual ou padronizado Atlas, removendo a necessidade de realizar um localizador funcional.
    1. Tarefa Script e/ou visual de fornecer instruções para o participante.
      Nota: Estas instruções devem ser conciso, mas contêm informações suficientes para permitir que o participante a executar com êxito a tarefa executada durante o localizador funcional. Aqui, as instruções informar o participante de que um ponto será na tela e eles podem ouvir sons em fones de ouvido. Seu objetivo é relaxar e concentrar-se em ponto.
    2. Início sincronizado administração de estímulos sonoros (por exemplo, bilateral ruído contínuo de branco 29) e aquisição de dados, empurrando o " Scan " botão do scanner do Sr.
      Nota: Isto é realizado através da programação a apresentação dos estímulos usando o gatilho TR desde a aquisição de fMRI. O gatilho de TR é controlado através do protocolo de fMRI no entanto isso pode ser afetado pelo fabricante da ressonância e os pacotes instalados. Estímulos visuais, táteis e/ou auditivos podem ser fornecidos para executar outras tarefas e/ou outras regiões-alvo.
      1. Alternativo a entrega de estímulos de tarefa (ruído branco) com o correspondente controle estímulos (sem ruído), em um padrão de bloqueados. Use o controle de estímulos para ativar indesejados redes/sistemas ativados em estímulos a tarefa.
        Nota: Esta alternância ocorre por sincronizando estímulos para a aquisição de fMRI e monitoramento pulsos TR.
      2. Recolher todo-cérebro eco planar imagens usando uma sequência de pulso MRI gradiente-recordou-eco; parâmetros de exemplo para a sequência de pulso incluem uma matriz de aquisição de 64 x 64 elementos nas direções fase e frequência, 41 fatias alinhadas paralelamente para o avião de comissura anterior da comissura posterior, 3,75 x 3,75 x 3 tamanho de voxel de 3 mm, 0.5 mm fatia gap, supressão de gordura habilitado, TR/TE = 2.000/20 ms e um aleta ângulo = 90 °.
  2. Calcular um mapa de ativação dos dados coletados durante o localizador funcional usando estatísticas multivariadas fMRI.
    Nota: Os passos seguintes são uma variante do processamento realizado por fMRI tradicional. Alguns passos foram retirados ou simplificados para diminuir o tempo de processamento.
    1. Pré-processar os dados durante a aquisição de dados usando o software personalizado criado técnicas de pré-processamento padrão 12 , 45.
      1. Executar 3D espacial de filtragem usando um kernel de passa-baixa Gaussian (largura total metade-máximo de 4, 5mm).
      2. Correto para movimento translacional, alinhando o centro de massa para cada volume para o primeiro volume do localizador funcional tri-linear interpolação.
      3. Executar a filtragem temporal usando um kernel de passa-baixa Gaussian com σ = 3 s.
    2. Criar um modelo para prever a resposta neurofisiológica para a tarefa; isto é executado da mesma maneira como fMRI tradicional.
      1. Criar um modelo psicológico que descreve o ativo e descansar para cada ponto de tempo 46 Estados-Membros. Este modelos pontos de tempo durante a tarefa com um valor de ' 1 ' e controlar com um ' 0 '.
      2. Convolve o modelo psicológico com uma função de resposta hemodinâmica (HRF) predefinidos 46 para prever a resposta de fMRI (neurofisiológica) para a tarefa.
    3. Ajustar os dados de fMRI em cada voxel como função do tempo para o modelo neurofisiológico usando um modelo Linear geral (GLM). Isso resulta em um mapa de parâmetro β, que é convertido em t ou z-estatística mapas (ativação) usando o padrão estatísticas transformações.
  3. Usar o mapa de ativação sobreposto em uma imagem média fMRI para determinar a região em que o sinal de realimentação para o neurofeedback subsequente será derivado.
    Nota: Isto é executado usando software personalizado. Para remover as alterações globais e inespecíficas, um segundo ROI também pode ser definido.
    1. Navigate através das fatias usando a roda de controle deslizante do mouse ou a barra deslizante de fatia de encontrar marcadores anatômicos visíveis na fDados de MRI, tais como a superfície inferior do chifre frontal dos ventrículos laterais 12.
    2. Limite o mapa de ativação usando a barra deslizante de limiar para revelar os voxels mais robustamente ativado durante o localizador funcional na região de destino.
      1. Executar esta selecionando um limiar apriorísticas ou manualmente, ajustando o limite de.
    3. Usar o botão esquerdo do mouse para selecionar individuais voxels com ativação acima do limiar selecionado e dentro da região de destino para adicionar para o ROI.
      Nota: Voxels podem ser selecionados a partir de uma ou mais fatias.

5. fMRI NFT

  1. conduta neurofeedback é executado usando um modelo de carrinho de rolimã com a alternância de tarefas e controle de condições.
    1. Implementar uma tarefa condição onde os participantes aumentar ou diminuir a atividade da região de destino, com a direção do controle, sendo fundamental para alcançar os resultados desejados.
      Nota: por exemplo, muitas regiões do cérebro são hiperativas em pacientes com zumbido e, portanto, diminuindo a atividade pode incentivar padrões neurais normais.
    2. Alternam a condição da tarefa com uma condição de controle, onde os participantes retornam a atividade para descansar, relaxar e limpar sua mente.
    3. Fornecer o participante com um exemplo de roteiro de tarefas de mindfulness para ser usado durante as duas condições como auxiliares para modulando a atividade cerebral em direção aos Estados desejados de partida. Instrua o participante a executar tarefas de mindfulness essa atividade cerebral de unidade para o estado desejado.
      1. o exemplo do zumbido, instruir os participantes para desviar a atenção do sistema auditivo para outros sistemas sensoriais para reduzir a atividade auditiva.
    4. Cálculo de base
      Nota: devido a afinação MRI componentes de hardware antes de cada execução, linhas de base são utilizadas para normalizar os dados antes de apresentar o gabarito para o participante. A média de linha de base é determinada para a região de destino usando uma média de um ou mais volumes adquiridos no início de cada fMRI NFT executar 12 , 47.
      1. Instruir o participante a relaxar durante uma contagem regressiva apresentada no início da varredura.
  2. Begin sincronizado estímulos apresentação e aquisição de dados pressionando a " varredura " botão no scanner MRI. Recolher imagens planares echo usando uma sequência de pulso MRI gradiente-eco-recorda-se da mesma maneira como prescrito para o localizador funcional na etapa 4.1.2.
  3. Adquirir volumes de linha de base.
    1. Apresentar visualmente um temporizador de contagem regressiva e gabarito em branco display.
    2. Processo os dados durante a aquisição usando software personalizado.
      1. Executar 3D espacial de filtragem usando um kernel de passa-baixa Gaussian (largura total metade-máximo de 4, 5mm).
      2. Correta para movimento translacional usando o centro de massa para cada volume, cada volume está registrado para o primeiro volume do localizador funcional tri-linear interpolação.
      3. Computação média sinal do alvo ROI através do tempo e do espaço.
      4. Somar os sinais de todos os voxels dentro da meta ROI em cada volume.
      5. Média de ROI criar para cada volume, dividindo a soma pelo número de voxels no ROI.
      6. Média as somas dos volumes de linha de base.
  4. Adquirir volumes neurofeedback
    1. pré-processar os dados durante a aquisição usando software personalizado.
      1. Executar 3D espacial de filtragem usando um kernel de passa-baixa Gaussian (largura total metade-máximo de 4, 5mm).
      2. Correto para movimento translacional, alinhando o centro de massa para cada volume para o primeiro volume do localizador funcional tri-linear interpolação.
    2. Calcular o sinal de realimentação. Um sinal de realimentação é derivado de cada volume adquirido durante fMRI NFT. Esta é a informação que é apresentada ao participante para auxiliar a aprendizagem controle volitivos.
      1. Média o sinal de fMRI de voxels todos dentro da meta ROI para criar um único valor.
      2. Calcular a variação percentual entre a média ROI a atual e a média de linha de base do ROI. Opcionalmente, este sinal pode ser escalado por um fator dependente do participante ' desempenho de s.
      3. Calcular o sinal de realimentação filtrando temporalmente (Gaussian kernel de passa-baixa com uma sigma de 3 s composto apenas por componentes) a atual variação percentual com os sinais de feedback de volumes anteriores de neurofeedback.
    3. Exibir o sinal de realimentação.
      1. Display feedback atual sinal através de um enredo termômetro-estilo de bar, onde a altura da barra é proporcional ao gabarito valor 18 , 19 , 21 , 34.
        2. Exposição de
      2. instruções de sobreposição para o participante sobre o feedback.
        Nota: Estas instruções são simples e deve direcionar o participante para relaxar, ou aumentar ou diminuir a atividade (ou seja, a barra do termômetro).
    4. Opcionalmente fornecer estimulação adicional. Estimulação visual, auditiva ou tátil adicional pode ser apresentada simultaneamente com gabarito.

6. Avaliar a capacidade de auto-regular o alvo ROI.

Nota: depois de neurofeedback é concluído, a capacidade de auto-regular a região de destino para cada execução de treinamento precisa ser quantificada.

  1. Analyze intra-sujeitos mudanças no feedback sinais 12.
    1. Criar um modelo psicológico que representam as condições de descanso e a tarefa de neurofeedback.
      Nota: Este modelo é integrado com um HRF predefinido para produzir um modelo neurofisiológico. O processo é idêntico ao descrito para o localizador funcional.
    2. Caber a série de tempo do sinal de gabarito para o modelo neurofisiológico usando um GLM. Isso resulta em um parâmetro β, que é convertido em t ou z-estatística representativa da capacidade de auto-regular.
  2. Realizar comparações inter sujeitas.
    Nota: Estatísticas representativas do desempenho de autoregulação podem ser comparadas através de execuções e grupos usando análises estatísticas adequadas (por exemplo, emparelhado t - testes ou ANOVAs). Estes testes avaliar as alterações na capacidade de auto-regular a região de destino através de treinamento e grupos e pode ser usados para avaliar o estudo ' hypothesis(es) s.

Representative Results

Nossa equipe tem demonstrado um aumento significativo no controle sobre o córtex pré-frontal dorsolateral esquerdo (DLPFC) aprendida com fMRI NFT em uma coorte de 18 participantes. Realizou-se uma ANOVA One-Way dentro-temas em valores quantitativos de controle volitivos12. Esta análise revelou controle da esquerda que DLPFC aumentou significativamente em 5x
6 corridas de s min:24 do neurofeedback separaram em cinco sessões separadas conduzidas dentro d 14 (Figura 1; F(4,68) = 2,216, p = 0,038, esfericidade assumida, uni-caudal). Mudanças no desempenho no teste um complexo multitarefa, antes e depois da NFT, foram comparadas com um grupo que não recebeu neurofeedback usando ANOVA mista-modelo de 2 x 2. Post-hoc, correção de Bonferroni comparações revelaram um aumento significativo em desempenho em um teste de multitarefa complexos que não recebeu treinamento adicional (p < 0.005, uni-caudal), e esse aumento foi significativamente maior do que um grupo de controle que realizada formação semelhante, mas não foi fornecido com o auxílio adicional de neurofeedback (p < 0,03, esfericidade assumiu, unicaudal)12. Apesar do grupo experimento ganhar controle sobre o DLPFC esquerdo através de treinamento, um platô não foi observado. Isto significa que o máximo controle não é necessário para produzir resultados comportamentais e que efeitos ainda maiores podem ser possíveis com mais formação12. Além disso, a nossa equipa revelou fMRI NFT combinado com n-prática trás cria focais mudanças na atividade cerebral que estão confinadas à região de destino e não afeta os componentes de cima ou para baixo-fluxo da rede de memória de trabalho (Figura 2), 22.

Sobre o zumbido, um estudo anterior investigou fMRI NFT como um possível tratamento de29. Neste estudo, 4 x 4 min corre de neurofeedback foram concluídas em uma sessão de formação único. Avaliações comportamentais do zumbido foram realizadas antes e após a sessão NFT fMRI único. Sucesso para baixo-Regulamento volitivos do córtex auditivo foi alcançado e levou a uma redução significativa na ativação auditiva. Este estudo demonstra a promessa de fMRI NFT no tratamento de zumbido, no entanto, apenas seis participantes foram estudados e um grupo controle não foi utilizado para comparação. Além disso, análises estatísticas, incluindo os dados comportamentais não foram realizadas. Expandindo este estudo pode revelar oportunidades interessantes de novo tratamento para pacientes com zumbido.

Figure 1
Figura 1: aumentar o controle sobre a esquerda DLPFC. Média deixou o controle DLPFC para cada neurofeedback executar (realizado em dias separados) são indicados por círculos de luz verdes. Uma análise de regressão linear revelou um aumento significativo no controle através de treinamento (linha verde escura; β = 1.078, p < 0.033). Barras de erro representam 1 Unmodified SEM. trabalho de Sherwood et al 12, republicado sob a licença Creative Commons Attribution. Clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2: efeito localizado de aprendizagem deixou o controle DLPFC. (A), a probabilidade de inclusão de voxel para fMRI NFT selecionado a partir de um n-localizador volta funcional. Luz azuis voxels foram incluídos mais frequentemente na região alvo NFT, voxels azuis escuros foram incluídos, menos frequentemente, e voxels claras não foram incluídos. (B) baseada em Voxel ANOVA resultados para o efeito principal da sessão de treino (vermelho-amarelo). Esse efeito mostrou uma grande sobreposição com a esquerda ROIs DLPFC alvejado para NFT. Fatias axiais são exibidas na Convenção radiológica na coordenadas z = 22, 26, 30, 34 e 38 mm (da esquerda para a direita). Trabalho sem modificações de Sherwood et al 22, reimpresso sob a licença Creative Commons Attribution. Clique aqui para ver uma versão maior desta figura.

Discussion

O protocolo NFT fMRI discutido neste documento pode ser adaptado para qualquer região do cérebro-alvo e discute uma univariada, a abordagem baseada em ROI para neurofeedback. Isto pode ser conseguido através da programação de tarefas adicionais funcionais localizador para ativar outras regiões. Incorporando essas tarefas para o software personalizado neurofeedback, temos desenvolvido um processo muito simples. No entanto, há uma limitação: a região de destino deve ser funcionalmente definida. Neste momento, nossa equipe desenvolveu o software não executa qualquer registo entre imagens anatômicas e funcionais. Portanto, outros métodos de seleção de ROI, como ROIs baseados em atlas, não podem ser implementados neste momento. Além disso, parâmetros para os estímulos e neurofeedback (por exemplo, bloco de duração, número de blocos e parâmetros de imagem incluindo TR) podem ser facilmente manipulados pelo operador. Além disso, a transferência é executado para avaliar a capacidade de auto-regular o alvo que ROI na ausência de neurofeedback pode ser implementada. O software que desenvolvemos não oferece neurofeedback utilizando padrões multivariados35,48 ou conectividade entre cérebro regiões49.

FMRI NFT oferece vantagens significativas sobre outras formas de neurofeedback, mas também tem suas limitações. A principal vantagem do fMRI NFT é a resolução espacial que supera todas as outras formas de NFT como eletroencefalograma (EEG)-com base em neurofeedback. Resolução espacial avançada permite que as estruturas/funções cerebrais específicas em todo o cérebro inteiro para ser alvo de50. Atualmente, isso não é atingível com outras terapias tais como farmacoterapia, que são sistemáticas. No entanto, a grande desvantagem de fMRI NFT é o tempo de atraso. Não só são muito mais lento do que o EEG (até 3 ordens de magnitude mais lentas) de taxas de amostragem, o lag hemodinâmico associado com o sinal de ressonância magnética mais adiciona esse atraso. Apesar disso, há provas contundentes de que os participantes podem superar esse atraso e, com a prática, aprender a controlar a atividade cerebral (por exemplo, para um revisão, consulte Sulzer et al 11 e Scharnowski et al . 50).

A popularidade do fMRI NFT está crescendo, mas permanece em um estágio de infância. Devido a isto, práticas comuns ainda precisa ser aprovado. O protocolo descrito detalhes métodos que são cientificamente aceitos. Por exemplo, vários formulários de comentários dos displays têm sido utilizados em diversos estudos, incluindo um termômetro-estilo bar trama18,19,21,34. Além disso, um sinal de realimentação apresentados como a mudança de porcentagem de sinal com uma linha de base calculada a partir da região de destino também tem sido extensivamente implementado12,19,21,25 , 30 , 51 , 52.

Controlar efeitos plásticos no cérebro oferece uma técnica terapêutica inovadora para tratar distúrbios neurológicos ou lesões cerebrais com atividade anormal do cérebro, como que associado com zumbido discutido acima. Embora os mecanismos exatos traduzindo neuromodulação em efeitos comportamentais são ainda desconhecidos, fMRI NFT tem sido associada com LTP11. Através do processo de aprendizagem, o comportamento é reforçado quando um ativamente regula a atividade cerebral em redes cerebrais relacionados à tarefa. Tais resultados de reforço no engajamento dos mecanismos de neuroplastic, fazendo com que a rede para executar com mais eficiência. Isto coincide com outras técnicas NFT como neurofeedback baseados em EEG, onde os indivíduos são treinados para controlar as faixas de frequência dos sinais elétricos medidos de regiões locais o couro cabeludo53,54,55 . Outros indicaram que a LTP de plasticidade sináptica, resultando em aprimorada eficiência sináptica12. Ainda outra postulação sugere mecanismos celulares da aprendizagem podem envolver alterações na condutância da membrana de tensão-dependente que é expressa como uma mudança na excitabilidade neural13. Em qualquer caso, parece que fMRI que NFT provoca alterações a nível celular, e que o indivíduo pode aprender um pouco controlam sobre esses processos. Esta habilidade e essas mudanças podem ser críticas na aprendizagem e desenvolvimento de tratamentos para lesões cerebrais e distúrbios neurológicos.

Um aspecto importante do fMRI NFT é medir alterações no comportamento. Isto é imperativo para muitas hipóteses que preveem mudanças comportamentais, impulsionadas pelas mudanças neurais induzida em NFT. No mínimo, essas avaliações devem ser coletadas em dois pontos de tempo: antes e após NFT. No caso de zumbido, estas avaliações comportamentais poderiam consistir unicamente de questionários subjetivos como não há nenhuma medida direta para o zumbido. Para outras doenças neurológicas, uma revisão de literatura deve ser conduzida para determinar as avaliações documentadas, razoáveis e adequadas para o hypothesis(es) específicas a ser investigado. Algumas hipóteses exigem medições em pontos de tempo adicionais, tais como aqueles explorando quase-, curto e a longo prazo efeitos de fMRI NFT. Algumas avaliações podem exigir treinamento antes da NFT para reduzir efeitos de aprendizagem. Outras hipóteses ainda podem exigir testes neurológicos tais como aqueles interessados em níveis de metabólitos do cérebro, perfusão cerebral ou redes funcionais.

O procedimento NFT fMRI tem duas fases críticas. O primeiro é determinar uma região do cérebro para o alvo do neurofeedback. Antes de realizar qualquer procedimento, uma revisão minuciosa da literatura deve ser conduzida para investigar redes neurais e estruturas/funções importantes associadas com a doença neurológica ou lesão cerebral. A partir disso, estruturas/funções-chave deve ser cuidadosamente selecionadas como o destino do neurofeedback. Próximo, outra revisão de literatura deve ser realizada para examinar as tarefas associadas com esta estrutura/função. Esta tarefa pode ou não ser associada com o transtorno, mas deve ser confirmado que a tarefa ativa a região (ões) desejada na população designada. Durante os procedimentos de neurofeedback, nesta região de destino será Selecionadoda individualmente ou na primeira sessão, ou a cada sessão. Portanto, a variabilidade intere intra - subject pode ser importantes fatores que poderiam levar a resultados imprevisíveis. É fundamental para criar um protocolo para selecionar a região de destino e realizar a formação de pessoal adequado. Existem dois métodos para definir um alvo ROI: anatomicamente e funcionalmente. Definições anatômicas utilizam ressonâncias estruturais para definir a região de destino estritamente de anatomia,e possivelmente usando um atlas padrão. Imagens funcionais são registradas para as imagens estruturais, e a região de destino é transformada em espaço funcional21,26. O método funcional, a região de destino é Selecionadoda de um ativação mapa produzido através da realização de um localizador funcional11,12,24,29,44. Este método foi discutido neste documento.

A segunda etapa crítica em fMRI NFT é a seleção do grupo controle. Grupos de controle são cruciais para determinar o efeito de fMRI NFT, e a seleção de grupos de controle deve ser cuidadosamente ponderada. Estudos anteriores têm usado uma vasta gama de controles. Um procedimento comum para um grupo de controle é a tentativa de controle volitiva na presença de gabarito de Souza. Esse feedback pode ser subjugada de um participante do grupo experimental21,44, provenientes de uma região não envolvida no processo desejado sem o conhecimento para o participante17,33, 44, ou invertido52. Outros estudos utilizaram grupos controle que tentam volitivos controle, mas não são fornecidos com neurofeedback12,21,44,56.

Um estudo anterior sugere que, quando indivíduos tentam controlar o gabarito de Souza, há maior ativação no insula bilateral, motor suplementar, cingulado anterior, dorsomedial e áreas pré-frontal laterais quando comparado ao assistir passivamente uma gabarito exibir57. Esses achados implicar um amplo fronto-parietais e rede odontódios-cingulo é ativado quando há a intenção de controlar a atividade cerebral. Além disso, estas descobertas sugerem que grupos de controle tradicional usados em experimentos NFT usará correlações neurais consistentes com controle cognitivo, mesmo na presença de gabarito de Souza. Uma meta-análise separada revelou atividade no insula anterior e gânglios basais, que são regiões envolvidas no controle cognitivo e outras funções cognitivas superiores, foram componentes fundamentais para a tentativa de controle volitivos58. Os resultados da meta-análise corroboram a conclusão anterior57. Tomados em conjunto, esta evidência sugere que é fundamental para delinear os efeitos de sucesso controle volitivos e aqueles relacionados à tentativa de autoregulação. Portanto, a inclusão de grupos de controle que não tentativa de autoregulação pode ser importante.

No entanto, estudos anteriores onde controle grupos recebidos sham fMRI sinais revelaram diferenças no alvo atividade ROI observaram-se daqueles que receberam o gabarito verdadeiro15,16,17, 18 , 20 , 21 , 25 , 26 , 28 , 33 , 34 , 44, que implica estratégias de formação que não incorporam o gabarito não são eficazes na modulação da região de destino. Além disso, os grupos de controle que receberam instruções idênticas e no mesmo período de treinamento, mas não receber feedback sobre o nível atual de atividade cerebral não apresentam resultados comportamentais semelhantes como os grupos experimentais que receberam neurofeedback12,18,21,32,44,59. Estes achados sugerem que os efeitos experienciais são atribuíveis a fMRI induzida por NFT aprendizagem ao invés de outra aprendizagem ou alterações inespecíficas. Portanto, regimes de treinamento específicos devem ser desenvolvidos que visem sistemas neurofisiológicos específicos para obter os efeitos desejados. Os resultados de um estudo com uma variedade de grupos de controle indicaram formação comportamental, prática, feedback sensorial e biofeedback sozinho não produzem efeitos comportamentais equivalentes, como aqueles que recebem o fMRI NFT44.

Disclosures

Os autores não têm nada para divulgar.

Acknowledgments

Este material é baseado na pesquisa patrocinada pela força aérea dos EUA, sob o número do contrato FA8650-16-2-6702. As opiniões expressadas são as dos autores e não refletem as opiniões oficiais ou política do departamento de defesa e seus componentes. O governo dos EUA está autorizado a reproduzir e distribuir separatas para fins governamentais, sem prejuízo de quaisquer direitos autorais notação nela. O voluntário, totalmente dos temas utilizados nesta pesquisa foi obtido consentimento como exigido pelo 32 CFR 219 e DODI 3216.02_AFI 40-402.

Materials

Name Company Catalog Number Comments
3T MRI GE Medical 750W Discovery Data Acquisition Hardware
MR-Compatible Display System InVivo SensaVue Visual Stimuli Hardware
MR-Compatible Auditory System Resonance Technologies CinemaVision Auditory Stimuli Hardware
Experimental Stimulus Software Neurobehavioral Systems Presentation Software to Control Stimuli Presentation
Experimental Processing Software Mathworks MATLAB Software to Process Data
Data Processing Software Microsoft Visual Studio C++ Software to Process Data
Response Pads Cedrus Corporation Lumina Hardware to Receive Participant Input

DOWNLOAD MATERIALS LIST

References

  1. Vanneste, S., Plazier, M., der Loo, E. V., de Heyning, P. V., Congedo, M., De Ridder, D. The neural correlates of tinnitus-related distress. NeuroImage. 52 (2), 470-480 (2010).
  2. Cox, R. W., Jesmanowicz, A., Hyde, J. S. Real-time functional magnetic resonance imaging. Magn Reson Med. 33 (2), 230-236 (1995).
  3. Weiskopf, N., et al. Real-time functional magnetic resonance imaging: methods and applications. P Int School Magn Reson Brain Funct. 25 (6), 989-1003 (2007).
  4. Hirsch, J., et al. An integrated functional magnetic resonance imaging procedure for preoperative mapping of cortical areas associated with tactile, motor, language, and visual functions. Neurosurgery. 47 (3), 711-722 (2000).
  5. Yoo, S. -S., et al. Brain computer interface using fMRI: spatial navigation by thoughts. Neuroreport. 15 (10), 1591-1595 (2004).
  6. Sorger, B., Reithler, J., Dahmen, B., Goebel, R. A real-time fMRI-based spelling device immediately enabling robust motor-independent communication. Curr Biol. 22 (14), 1333-1338 (2012).
  7. Yoo, J. J., et al. When the brain is prepared to learn: Enhancing human learning using real-time fMRI. NeuroImage. 59 (1), 846-852 (2012).
  8. Weiskopf, N., et al. Physiological self-regulation of regional brain activity using real-time functional magnetic resonance imaging (fMRI): methodology and exemplary data. NeuroImage. 19 (3), 577-586 (2003).
  9. Fetz, E. E. Volitional control of neural activity: Implications for brain-computer interfaces. J Physiology. 579 (Pt 3), 571-579 (2007).
  10. Fetz, E. E. Operant Conditioning of Cortical Unit Activity. Science. 163 (3870), 955-958 (1969).
  11. Sulzer, J., et al. Real-time fMRI neurofeedback: Progress and challenges. NeuroImage. 76 (0), 386-399 (2013).
  12. Sherwood, M. S., Kane, J. H., Weisend, M. P., Parker, J. G. Enhanced control of dorsolateral prefrontal cortex neurophysiology with real-time functional magnetic resonance imaging (rt-fMRI) neurofeedback training and working memory practice. NeuroImage. 124 (A), 214-223 (2016).
  13. Mozzachiodi, R., Byrne, J. H. More than synaptic plasticity: Role of nonsynaptic plasticity in learning and memory. Trends Neurosci. 33 (1), 17-26 (2010).
  14. Weiskopf, N., Scharnowski, F., Veit, R., Goebel, R., Birbaumer, N., Mathiak, K. Self-regulation of local brain activity using real-time functional magnetic resonance imaging (fMRI). J Physiology-Paris. 98 (4-6), 357-373 (2004).
  15. deCharms, R. C., Christoff, K., Glover, G. H., Pauly, J. M., Whitfield, S., Gabrieli, J. D. E. Learned regulation of spatially localized brain activation using real-time fMRI. NeuroImage. 21 (1), 436-443 (2004).
  16. Hamilton, J. P., Glover, G. H., Hsu, J. -J., Johnson, R. F., Gotlib, I. H. Modulation of subgenual anterior cingulate cortex activity with real-time neurofeedback. Hum Brain Mapp. 32 (1), 22-31 (2011).
  17. Zotev, V., et al. Self-regulation of amygdala activation using real-time fMRI neurofeedback. PLoS ONE. 6 (9), e24522 (2011).
  18. Caria, A., et al. Regulation of anterior insular cortex activity using real-time fMRI. NeuroImage. 35 (3), 1238-1246 (2007).
  19. Veit, R., Singh, V., Sitaram, R., Caria, A., Rauss, K., Birbaumer, N. Using real-time fMRI to learn voluntary regulation of the anterior insula in the presence of threat-related stimuli. Soc Cogn Affect Neur. 7 (6), 623-634 (2012).
  20. Lee, J. -H., Kim, J., Yoo, S. -S. Real-time fMRI-based neurofeedback reinforces causality of attention networks. Neurosci Res. 72 (4), 347-354 (2012).
  21. McCaig, R. G., Dixon, M., Keramatian, K., Liu, I., Christoff, K. Improved modulation of rostrolateral prefrontal cortex using real-time fMRI training and meta-cognitive awareness. NeuroImage. 55 (3), 1298-1305 (2011).
  22. Sherwood, M. S., Weisend, M. P., Kane, J. H., Parker, J. G. Combining real-time fMRI neurofeedback training of the DLPFC with n-back practice results in neuroplastic effects confined to the neurofeedback target region. Front Behav Neurosci. 10 (138), 1-9 (2016).
  23. Zhang, G., Yao, L., Zhang, H., Long, Z., Zhao, X. Improved working memory performance through self-regulation of dorsal lateral prefrontal cortex activation using real-time fMRI. PLoS ONE. 8 (8), e73735 (2013).
  24. Sitaram, R., et al. Acquired control of ventral premotor cortex activity by feedback training: an exploratory real-time fMRI and TMS study. Neurorehab Neural Re. 26 (3), 256-265 (2012).
  25. Subramanian, L., et al. Real-time functional magnetic resonance imaging neurofeedback for treatment of Parkinson's Disease. J Neurosci. 31 (45), 16309-16317 (2011).
  26. Yoo, S. -S., Lee, J. -H., O'Leary, H., Panych, L. P., Jolesz, F. A. Neurofeedback fMRI-mediated learning and consolidation of regional brain activation during motor imagery. Int J Imag Syst Tech. 18 (1), 69-78 (2008).
  27. Berman, B. D., Horovitz, S. G., Venkataraman, G., Hallett, M. Self-modulation of primary motor cortex activity with motor and motor imagery tasks using real-time fMRI-based neurofeedback. NeuroImage. 59 (2), 917-925 (2012).
  28. Chiew, M., LaConte, S. M., Graham, S. J. Investigation of fMRI neurofeedback of differential primary motor cortex activity using kinesthetic motor imagery. NeuroImage. 61 (1), 21-31 (2012).
  29. Haller, S., Birbaumer, N., Veit, R. Real-time fMRI feedback training may improve chronic tinnitus. Eur Radiol. 20 (3), 696-703 (2010).
  30. Haller, S., et al. Dynamic reconfiguration of human brain functional networks through neurofeedback. NeuroImage. 81 (0), 243-252 (2013).
  31. Johnston, S. J., Boehm, S. G., Healy, D., Goebel, R., Linden, D. E. J. Neurofeedback: A promising tool for the self-regulation of emotion networks. NeuroImage. 49 (1), 1066-1072 (2010).
  32. Johnston, S., Linden, D. E. J., Healy, D., Goebel, R., Habes, I., Boehm, S. G. Upregulation of emotion areas through neurofeedback with a focus on positive mood. Cogn Affect Behav Ne. 11 (1), 44-51 (2011).
  33. Rota, G., et al. Self-regulation of regional cortical activity using real-time fMRI: The right inferior frontal gyrus and linguistic processing. Hum Brain Mapp. 30 (5), 1605-1614 (2009).
  34. Scharnowski, F., Hutton, C., Josephs, O., Weiskopf, N., Rees, G. Improving visual perception through neurofeedback. J Neurosci. 32 (49), 17830-17841 (2012).
  35. Shibata, K., Watanabe, T., Sasaki, Y., Kawato, M. Perceptual learning incepted by decoded fMRI neurofeedback without stimulus presentation. Science. 334 (6061), 1413-1415 (2011).
  36. Fowler, E. Head noises in normal and in disordered ears: Significance, measurement, differentiation and treatment. Arch Otolaryngol. 39 (6), 498-503 (1944).
  37. Penner, M. J. An estimate of the prevalence of tinnitus caused by spontaneous otoacoustic emissions. Arch Otolaryngol. 116 (4), 418-423 (1990).
  38. Sismanis, A., Smoker, W. R. K. Pulsatile tinnitus: Recent advances in diagnosis. Laryngoscope. 104 (6), 681-688 (1994).
  39. Folmer, R. L., Griest, S. E., Martin, W. H. Chronic tinnitus as phantom auditory pain. Otolaryngology. 124 (4), 394-400 (2001).
  40. Gu, J. W., Halpin, C. F., Nam, E. -C., Levine, R. A., Melcher, J. R. Tinnitus, diminished sound-level tolerance, and elevated auditory activity in humans with clinically normal hearing sensitivity. J Neurophysiol. 104 (6), 3361-3370 (2010).
  41. Schecklmann, M., et al. Neural correlates of tinnitus duration and distress: A positron emission tomography study. Hum Brain Mapp. 34 (1), 233-240 (2013).
  42. Geven, L. I., de Kleine, E., Willemsen, A. T. M., van Dijk, P. Asymmetry in primary auditory cortex activity in tinnitus patients and controls. Neurosci. 256, 117-125 (2014).
  43. Seydell-Greenwald, A., Leaver, A. M., Turesky, T. K., Morgan, S., Kim, H. J., Rauschecker, J. P. Functional MRI evidence for a role of ventral prefrontal cortex in tinnitus. Brain Res. 1485, 22-39 (2012).
  44. deCharms, R. C., et al. Control over brain activation and pain learned by using real-time functional MRI. P Natl Acad Sci USA. 102 (51), 18626-18631 (2005).
  45. Friston, K. J., et al. Analysis of fMRI time-series revisited. NeuroImage. 2 (1), 45-53 (1995).
  46. Ashby, F. G. Statistical analysis of fMRI data. , MIT Press. Cambridge, Mass. (2011).
  47. Ruiz, S., et al. Acquired self-control of insula cortex modulates emotion recognition and brain network connectivity in schizophrenia. Hum Brain Mapp. 34 (1), 200-212 (2013).
  48. Papageorgiou, T. D., Curtis, W. A., McHenry, M., LaConte, S. M. Neurofeedback of two motor functions using supervised learning-based real-time functional magnetic resonance imaging. Eng Med Biol Soc Ann. , 5377-5380 (2009).
  49. Koush, Y., et al. Connectivity-based neurofeedback: Dynamic causal modeling for real-time fMRI. NeuroImage. 81, 422-430 (2013).
  50. Scharnowski, F., Weiskopf, N. Cognitive enhancement through real-time fMRI neurofeedback. Curr Opin Behav Sci. 4, 122-127 (2015).
  51. Sulzer, J., et al. Neurofeedback-mediated self-regulation of the dopaminergic midbrain. NeuroImage. 83, 817-825 (2013).
  52. Berman, B. D., Horovitz, S. G., Hallett, M. Modulation of functionally localized right insular cortex activity using real-time fMRI-based neurofeedback. Front Human Neurosci. 7 (638), 1-11 (2013).
  53. Birbaumer, N., Cohen, L. G. Brain-computer interfaces: Communication and restoration of movement in paralysis. J Physiol. 579 (3), 621-636 (2007).
  54. Daly, J. J., Wolpaw, J. R. Brain-computer interfaces in neurological rehabilitation. Lancet Neurol. 7 (11), 1032-1043 (2008).
  55. Ros, T., Munneke, M. A. M., Ruge, D., Gruzelier, J. H., Rothwell, J. C. Endogenous control of waking brain rhythms induces neuroplasticity in humans. Eur J Neurosci. 31 (4), 770-778 (2010).
  56. Linden, D. E. J., et al. Real-Time Self-regulation of emotion networks in patients with depression. PLoS ONE. 7 (6), e38115 (2012).
  57. Ninaus, M., et al. Neural substrates of cognitive control under the belief of getting neurofeedback training. Front Hum Neurosci. 7 (914), 1-10 (2013).
  58. Emmert, K., et al. Meta-analysis of real-time fMRI neurofeedback studies using individual participant data: How is brain regulation mediated? NeuroImage. 124, 806-812 (2016).
  59. Linden, D. E. J., Turner, D. L. Real-time functional magnetic resonance imaging neurofeedback in motor neurorehabilitation. Curr Opin Neurol. 29 (4), 412-418 (2016).

Tags

Neurociência edição 126 fMRI neurofeedback distúrbios neurológicos zumbido neuroplasticidade potenciação de longa duração
Um protocolo para a administração do real-time fMRI treinamento de Neurofeedback
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Sherwood, M. S., Diller, E. E., Ey,… More

Sherwood, M. S., Diller, E. E., Ey, E., Ganapathy, S., Nelson, J. T., Parker, J. G. A Protocol for the Administration of Real-Time fMRI Neurofeedback Training. J. Vis. Exp. (126), e55543, doi:10.3791/55543 (2017).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter