Waiting
Login processing...

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

Neuroscience

Analysere nevrale aktivitet og Connectivity benytter intrakranielt EEG Data med SPM programvare

Published: October 30, 2018 doi: 10.3791/58187
Automatic Translation
*1, *2, 3, 4, 5, 5, 6, 7, 5
1Kokoro Research Center, Kyoto University, 2Brain Activity Imaging Center, Advanced Telecommunications Research Institute International, 3Department of Neurodevelopmental Psychiatry, Habilitation and Rehabilitation, Graduate School of Medicine, Kyoto University, 4National Epilepsy Center, 5Shizuoka Institute of Epilepsy and Neurological Disorders, 6Department of System Neuroscience, Sapporo Medical University, 7Faculty of Human Health Science, Graduate School of Medicine, Kyoto University
* These authors contributed equally

Summary

Vi presenterer to analytisk protokoller som kan brukes til å analysere intrakranielt Elektroencefalogram data ved hjelp av statistiske parametrisk kartlegging (SPM) programvare: tid-frekvens statistiske parametrisk kartlegging analyse for neural aktivitet og dynamisk kausal modellering av indusert intra - og inter - regional tilkobling.

Abstract

Måle nevrale aktivitet og tilkobling med kognitive funksjoner på romlige og tidsmessige høyoppløselige er et viktig mål i cognitive neuroscience. Intrakranielt Elektroencefalogram (EEG) kan direkte posten elektrisk nevrale aktivitet, og har unik potensial til å oppnå dette målet. Tradisjonelt er snitt analyse brukt for å analysere intrakranielt EEG data. flere nye teknikker er imidlertid tilgjengelige for avbildet nevrale aktivitet og intra - og inter - regional-tilkobling. Her introduserer vi to analytisk protokollene vi nylig søkt for å analysere intrakranielt EEG data ved hjelp av statistiske parametrisk kartlegging (SPM) programvare: tid-frekvens SPM analyse for neural aktivitet og dynamisk kausale modellering av indusert svar for intra - og inter - regional tilkobling. Vi rapporterer vår analyse av intrakranielt EEG data under observasjon ansikter som representant resultater. Resultatene viste at den mindreverdige occipital gyrus (IOG) viste gamma-band aktivitet på tidlige stadier (110 ms) som svar på ansikter, og både IOG og amygdala viste rask intra - og inter - regional tilkobling ved hjelp av ulike typer svingninger. Disse analytisk protokollene har potensial til å identifisere nevrale mekanismene bak kognitive funksjoner med høy romlig og tidsmessige profiler.

Introduction

Måle nevrale aktivitet og tilkobling med kognitive funksjoner på romlige og tidsmessige høyoppløselige er en av de primære mål av kognitiv nevrovitenskap. Men er nå dette målet ikke lett. En populær metode som brukes til å registrere nevrale aktivitet er funksjonell magnetisk resonans imaging (MRI). Selv om funksjonell MRI tilbyr flere fordeler, for eksempel en høy romlig oppløsning på millimeter nivå og ikke-invasiv opptak, er en klar ulempe av funksjonelle Mr lav timelige oppløsningen. I tillegg måler funksjonell MRI blod-oksygen-nivå-avhengige signaler, som bare indirekte gjenspeile elektrisk nevrale aktivitet. Populære elektrofysiologiske metoder, inkludert Elektroencefalogram (EEG) og magnetoencephalography (MEG), har høy timelige oppløsning på millisekund nivå. Men har de relativt lave romlige oppløsninger, fordi de ta elektrisk/magnetiske signaler på hodebunnen og må løse vanskelige omvendt problemer å avbilde hjerneaktiviteten.

Intrakranielt EEG kan direkte posten elektrisk nevrale aktivitet høy timelige (millisekunder) og romlig (centimeter) oppløsning1. Dette tiltaket gir verdifull muligheter å forstå nevrale aktivitet og tilkobling, selv om den har klare begrensninger (f.eksmålbare regioner er begrenset til kliniske kriterier). Flere intrakranielt EEG studier har brukt tradisjonelle snitt analyse for å skildre nevrale aktivitet. Selv om gjennomsnitt analysen finner følsomt tid-låst og lavfrekvente aktivisering, finner det ikke ikke-fase-låst og/eller høy frekvens (f.eks gamma band) aktivisering. I tillegg er funksjonelle nevrale koplingen ikke risikoanalysert i dybden i litteraturen om intrakranielt EEG innspillinger. Flere nye teknikker er nylig utviklet for å avbilde nevrale aktivitet og intra - og inter - regional tilkobling i funksjonelle Mr og EEG/MEG innspillinger, som kan brukes til å analysere intrakranielt EEG data.

Her introduserer vi analytisk protokoller som vi har nylig søkt for å analysere intrakranielt EEG data ved hjelp av statistiske parametrisk kartlegging (SPM) programvare. Første, å avsløre da, og med hvilken frekvens, hjernen regioner kan aktiveres, vi utført tid-frekvens SPM analyse2. Denne analysen dekomponerer tid og hyppigheten domener samtidig ved hjelp av en kontinuerlig wavelet transformering og riktig retter i family-wise (FWE) feil i tid-frekvens kartene ved hjelp av tilfeldige feltet teorien. Andre, for å vise hvordan områder av hjernen kommuniserer, vi brukt dynamisk kausale modellering (DCM) indusert svar4. DCM gjør etterforskningen av effektiv tilkobling (dvs. de kausale og retningsbestemt innflytelse blant hjernen regioner5). Selv om DCM ble opprinnelig foreslått som et verktøy for å analysere funksjonell MRI data5, er DCM indusert svar utvidet for å analysere de tid-varierende makt spektra av elektrofysiologiske signaler4. Denne analysen kan beskrivelsen av både intra - og inter - regional nevrale tilkobling. Flere nevrofysiologiske studier har antydet at lokale intra-regionale beregninger og langtrekkende interregionalt kommunikasjon hovedsakelig bruker gamma - og theta-band svingninger, henholdsvis, og deres samspill (f.eks, entrainments) kan gjenspeiles av theta-gamma kryss-frekvens kopling3,6,7,8. Denne rapporten fokuserer på de analytiske dataprotokoll; for en oversikt over bakgrunn informasjon9,10 og opptak protokoller11 av intrakranielt EEG, henvises til litteratur.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Vår studie ble godkjent av den lokale institusjonelle etikk.

1. grunnleggende informasjon

Merk: Analyse protokoller kan brukes til ulike typer data uten noen restriksjoner på bestemte deltakere, elektroder, referanse metoder eller elektrode steder. I vårt eksempel testet vi seks pasienter som lider av farmakologisk uløselige fokal epilepsi. Vi testet pasienter som hadde ingen epileptiske foci i områder av interesse.

  1. Registrere intrakranielt EEG data under kognitive eksperimentet på målet elektrodene.
    1. Implantatet dybde elektroder bruker stereotactic metoden12.
    2. Bruker subdural platina elektroder (diameter: 2,3 mm) og dybde platina elektroder (diameter: 0,8 mm) samtidig måle kortikale og subkortikal aktivitet, henholdsvis.
    3. Plass referanse elektrodene på overflaten av skallen av midtlinjen dorsal frontal regionen, med kontakter på elektrodene vendt fra skallen å unngå referanseintegritet aktivisering12.
    4. Forsterke data, filtrere online (band pass: 0,5-300 Hz), og eksempel på 1000 Hz.
    5. For å registrere og statistisk fjerne gjenstander forbundet med øyebevegelser, i tillegg registrere electrooculograms. Velg målet elektrodene basert på teoretisk interesser. I tillegg bruke personlige Mr og beregnede tomografi data for å sjekke elektrode plasseringene.
  2. Smak og de intrakranielt EEG prøveabonnementsdata (figur 1).
    Merk: Analyse protokoller kan brukes til ulike typer data uten alle begrensning å spesifikk datalengden eller forbehandling metoder.
    1. Her eksempeldata under 3000 ms (pre stimulans: 1000 ms; etter stimulans: 2000 ms) for hvert forsøk.
    2. Fordi deltakerne her viste unormalt høy amplitude aktivitet i noen prøvelser, muligens relatert til epilepsi, utelukke disse avvikende forsøk med forhåndsdefinerte terskler (> 800 μV og > 5 SD). Andre forbehandling tiltak, inkludert visuell inspeksjon og uavhengige komponent analyse, kan være nødvendig avhengig av eksperimentelle mål.
  3. Konvertere EEG systemet opprinnelige formatet til et MATLAB-baserte SPM format (jf SPM12 manuell 12.1 og 12.2).
    Merk: De fleste EEG dataformatene kan være direkte importert til SPM programvare ved å velge konvertering i SPM Batch redaktør grensesnitt og angi alle nødvendige inndataparametere. En annen mulig måte er å bruke et eksempelskript "spm_eeg_convert_arbitrary_data.m" i mann/example_scripts underkatalog av SPM programkatalogen. Dette skriptet gir en praktisk måte å konvertere en ASCII-fil eller MAT-filen kan eksporteres av mange EEG system med SPM format.

2. tid-frekvens SPM analyse

  1. Definere SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) og bruke M/EEG analytisk menyen13 (figur 2).
  2. Utføre det tid-frekvens SPM analyse2 ved å velge "tid-frekvens analyse" i SPM menyen for preprocessed intrakranielt EEG dataene for hvert forsøk med kontinuerlig wavelet nedbryting Morlet wavelets basert på forhåndsdefinerte parametere ( Figur 3).
    Merk: Wavelet transformeringer avsløre verdslige utviklingen av spectral komponenter av convolving intrakranielt EEG data med wavelets flere frekvenser14.
    1. Her, gjennomføre wavelet nedbryting med syv-syklus Morlet wavelets for hele epoken (blir – 1 000 – 2000 ms) og frekvensområdet 4-300 Hz.
    2. Bestemme mor wavelet og antall sykluser basert på en tidligere studie15. Merk at antall sykluser i wavelet styrer tid-frekvens vedtak og anbefales å bli større enn 5 å sikre estimering stabilitet13.
    3. Bestemme tid og hyppigheten områder basert på forskningsinteresse.
  3. Beskjære resulterende tid-frekvens kartene automatisk ved å velge "Beskjær" i rullegardinmenyen SPM fjerne kanteffekter. Her, beskjære tid-frekvens kartene i-200-500 ms.
  4. Utføre data transformation (valgfritt) og planlagte korrigering ved å velge "tid-frekvens rescale" i SPM menyen for tid-frekvens kart å visualisere endres hendelse-relaterte makt bedre og forbedre normalt data.
    Merk: Her tid-frekvens kartene var Logg-forvandlet og planlagte (-200-0 ms)-korrigert.
  5. Konvertere tid-frekvens kartene til todimensjonal (2D) bilder ved å velge "Convert2Images" i rullegardinmenyen SPM.
    1. Glatt bruke kjerne Gaussian med en forhåndsdefinert fullbreddes halv-maksimale (FWHM) verdi å kompensere for Inter underlagt variasjon og overholder forutsetninger for tilfeldig feltet teori brukes i statistisk inferens2,13 .
      Merk: Her, tid-frekvens kartene var glattet med kjerne Gaussian FWHM av 96 ms i tiden domenet og 12 Hz i frekvens domene basert på en tidligere studie2.
  6. Angi det 2D profilen i generell lineær modell ved å velge "Angi 1-nivå" i rullegardinmenyen SPM.
  7. Beregne den generell lineær modellen ved å velge "Model anslag" i rullegardinmenyen SPM.
  8. Utføre statistiske slutninger på tid-frekvens SPM {T} dataene basert på tilfeldig feltteori2 ved å velge "Resultater" i rullegardinmenyen SPM. Oppdage betydelig aktivert tid-frekvens klynger med forhåndsdefinerte terskler (muligens korrigert for flere sammenligninger).
    Merk: Her, grad terskelen p < 0,05, som var FWE-korrigert for flere sammenligninger, med en høyde grense for p < 0,001 (ukorrigert) ble brukt.

3. DCM indusert svar

  1. Definere SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) og bruke M/EEG analytisk menyen13 (Figur 4).
    1. Start DCM analyse ved å klikke "DCM" i rullegardinmenyen SPM. Aktivere DCM for indusert svar ved å velge "IND" i listen. Importere preprocessed intrakranielt EEG dataene ved å klikke "nye data" i DCM M/EEG menyen.
  2. Angi vinduet av interesse, forhold av interesse, kontraster for de valgte betingelsene (dette definere modulering innganger senere brukt i nettverksspesifikasjonen), frekvens vinduet rundt og antall wavelet sykluser i DCM M/EEG menyen ( Figur 5).
    1. Bruke fem-syklus Morlet wavelets (4-100 Hz i 1-Hz trinn) og angi tidsvinduet til 1-500 ms.
    2. Bestemme wavelet syklusen i henhold til standardinnstillingen. Merk at programvare anbefaling verdi som er større enn 5 å sikre estimering stabilitet13. Tid-frekvensområdene for ulike ble fastsatt basert på vår forskningsinteresse. Merk at et tidsvindu med en ekstra ± 512 ms var automatisk under beregning fjerne kanteffekter.
  3. Basert på DCM framework4,5, definere (1) kjører som representerer sensoriske innganger på neural stater; (2) iboende tilkoblinger, som legemliggjøre planlagte tilkobling blant nevrale stater og selv-tilkoblinger. og (3) modulatory effekter på iboende tilkoblinger via eksperimentelle manipulasjoner for null og hypotetisk gjennomsnitt modeller. Også definere typen modulering som lineære (i-frekvens) eller ikke-lineære (mellom-frekvens).
    1. Angi iboende (lineær og ikke-lineære) tilkoblinger, kjøring innganger og modulering innganger i DCM M/EEG menyen.
    2. Endre standardinnstillingene for noen relaterte parametere (f.eks tidligere stimulans utbruddet tid og varighet) om nødvendig. Anslå modeller ved å velge "Inverter DCM" i DCM M/EEG menyen. Etter at Velg lagre resultater som img lagre frekvens-frekvens modulatory kopling parameteren bilder.
  4. Gjennomføre en tilfeldig-effekter Bayesisk modell utvalg (BMS) analyse17 ved å klikke "BMS" i DCM M/EEG menyen å identifisere optimal nettverksmodellen. Bruk modell forventet sannsynligheter og/eller overskridelsenes sannsynligheter som evaluering tiltak.
  5. Slutninger om kryss-frekvens mønstre av modulatory tilkoblinger bruker parameterne for vinnende modellen ved hjelp av SPM menyen (se trinn 2).
    1. Glatt modulatory kopling parameteren bilder ved å velge "Convert2Images" i rullegardinmenyen SPM.
    2. Utføre generell lineær modell analyser ved å velge "Angi 2-nivå" i rullegardinmenyen SPM.
    3. Beregne 2D SPM {T} verdiene ved å velge "Resultater" i rullegardinmenyen SPM.
      Merk: Her, FWHM ble satt på 8 Hz basert på en tidligere studie4. Signifikante verdier ble exploratorily identifisert med en høyde grense for p < 0,05 (ukorrigert).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Ved hjelp av protokollen som presenteres her, analyserte vi intrakranielt EEG data svar på ansikter18,19. Vi registrerte data fra seks pasienter under passiv viser ansikter, mosaikker og hus i oppreist og invertert orientering. Kontraster oppreist ansikter versus oppreist mosaikker og oppreist ansikter versus oppreist hus avslørte ansikt effekt (dvs. ansikt-spesifikke hjerneaktivitet i forhold til andre objekter). Kontrasten i oppreist vender mot invertert ansikter viste ansiktet-inversjon effekten (dvs., ansikt-spesifikke visuell prosessering muligens relatert til configural/Holistisk behandling20). Som målregion for tid-frekvens analyse og fase-amplitude kryss-frekvens kopling valgte vi den rett dårligere occipital gyrus (IOG) basert på tidligere nevropsykologiske21 og neuroimaging22 funn. For DCM testet vi modellen som IOG og amygdala utgjør et fungerende nettverk under ansiktet behandling basert på tidligere anatomiske bevis23.

Tid-frekvens analyse

Tid-frekvens analyser ble gjennomført for å undersøke IOG aktivitet timelige og frekvens profiler under behandlingen av ansikter. Tid-frekvens kartene ble omgjort til 2D-bilder og inn i generell lineær modell med faktorer av stimulans type (ansikt, hus og mosaikk) og retning (stående og omvendt). Betydelig svar ble identifisert med en FWE-korrigert grad terskelen til p < 0,05 med en høyde grense for p < 0,001 (ukorrigert). Kontrastene testing ansikt effekt (stående ansikt vs oppreist mosaic) konsekvent avslørte betydelige rask (110-500 ms) gamma-band aktivitet (figur 6a). Kontrastene teste ansikt-inversjon effekten (stående ansikt vs invertert ansikt) viste betydelige gamma bandet aktivitet ved en senere periode (195-500 ms).

DCM indusert svar

DCM indusert svar ble brukt til å teste de funksjonelle Nettverksmodellene IOG og amygdala. For både ansikt og ansikt-inversjon effekter, overskridelsenes sannsynligheten for tilfeldige effekter Bayesisk modell utvalget indikerte at modellen med intra-regionale modulatory tilkobling både regioner og toveis interregionalt modulatory tilkobling var sannsynligvis blant alle mulige modeller (figur 6b).

Neste, vi inspiserte spectral profiler modulatory koplingene i beste modellen. Signifikant effekt ble vurdert for spectral utvalg med en høyde grense for p < 0,05 (ukorrigert). Betydelig samme og kryss-frekvens modulatory koblinger ble observert både intra - og inter - regional tilkobling av både ansikt og ansikt-inversjon effekten (figur 6 c). For eksempel som intra-regionale modulering av ansiktet effekten viste amygdala negativ gamma-gamma samme - og beta-gamma kryss-frekvens koblinger. I mellomtiden viste intra-IOG modulering en positiv kryss-frekvens kopling theta/alpha/beta-gamma bandet. I tillegg, som Inter-regionale koblingen av ansiktet effekten, IOG -> amygdala modulering avslørte en profil der theta/alpha bandet IOG tilrettelagt gamma bandet amygdala. -> IOG modulering for amygdala, gamma bandet amygdala hemmet theta/alpha bandet og den samme frekvens gamma i IOG. For ansikt-inversjon effekt,-lignende amygdala > IOG modulasjon, som gamma bandet amygdala hemmet gamma bandet i IOG, ble observert. Men for IOG -> amygdala modulasjon, theta/alpha-gamma foreningen observert i ansiktet effekten var ikke tydelig.

Figure 1
Figur 1: illustrasjon av generasjonen av rettssaken intrakranielt Elektroencefalogram dataene. Klikk her for å se en større versjon av dette tallet.

Figure 2
Figur 2: grafisk brukergrensesnitt av statistiske parametrisk kartlegging (SPM) programvaren for tid-frekvens analyser. (1) SPM menyen. (2) tid-frekvens analyse. (3) beskjæring. (4) baseline korreksjon. (5) konvertering. (6) Utjevning. (7) Statistisk modell. (8) modell estimering. (9) kontrast. (10) Statistisk inferens. Klikk her for å se en større versjon av dette tallet.

Figure 3
Figur 3: flytskjema for tid-frekvens analyse ved hjelp av statistiske parametrisk kartlegging (SPM) programvare. (en) forberede preprocessed intrakranielt Elektroencefalogram (EEG) data for hvert forsøk. (b) gjennomføre tid-frekvens (TF) nedbryting for EEG data ved hjelp av kontinuerlig wavelet transformere. (c) beskjære, Logg-transform og opprinnelige riktig for TF kart. (d) konvertere TF kart i todimensjonale (2D) bilder. (e) Enter 2D bilder til generell lineær modell. (f) utføre statistiske slutninger på TF SPM {T} data. Klikk her for å se en større versjon av dette tallet.

Figure 4
Figur 4: grafisk brukergrensesnitt av de statistiske parametrisk kartlegging (SPM) programvare for dynamisk kausale (DCM) analyse av gruppepolicymodellering. (1) SPM menyen. (2) DCM-menyen. (3) Bayesisk modell utvalg. (4) utjevning. (5) Statistisk modell. (6) modell estimering. (7) kontrast. (8) Statistisk inferens. Klikk her for å se en større versjon av dette tallet.

Figure 5
Figur 5: flytskjema for dynamisk kausale modellering av indusert svar. (en) beregne tid-frekvens spectra for hver prøveversjon av ønsket flere elektroder (underlegen occipital gyrus (IOG) og amygdala i vårt eksempel) bruker kontinuerlig wavelet nedbryting. Gjennomsnitt spectral størrelsen av tid-frekvens Svar å gi indusert svaret. Deretter definere kjøring inndata, iboende tilkoblinger og modulering av iboende tilkoblinger av eksperimentelle manipulasjoner. Lage modeller for å teste hypoteser og beregne modellene. (b) gjennomføre en tilfeldig-effekter Bayesisk modell utvalg analyse å identifisere optimal modellen. (c) konvertere frekvens-frekvens modulatory kopling parametere i todimensjonale (2D) bilder (med jevne). Deretter utføre tilfeldige effekter generell lineær modell analyser og beregne 2D SPM {T} verdiene. Klikk her for å se en større versjon av dette tallet.

Figure 6
Figur 6: representant resultater. (en) tid-frekvens kart rett dårligere occipital gyrus (IOG) aktivitet for oppreist ansiktet (FU, venstre) og oppreist mosaikk (MU, midten). SPM {T} dataene for FU versus MU vises også (høyre). (b) funksjonelle nettverksmodeller i IOG og amygdala. Åtte mulige kombinasjoner av modulatory inndata FU versus MU på tilkoblinger mellom IOG og amygdala og selv-tilkobling på hver region ble undersøkt. (c) frekvens-frekvens modulatory kopling SPM {T} og Parametersamlingen FU versus MU av IOG -> amygdala og amygdala -> IOG modulering vises. Rød-gul og blå-cyan blobs indikerer betydelige positive/eksitatoriske og negative/hemmende tilkobling, henholdsvis. Klikk her for å se en større versjon av dette tallet.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Analytiske protokollene for intrakranielt EEG data ved hjelp av SPM programvare introdusert her har flere fordeler sammenlignet med funksjonell MRI. Først kan protokollene skildrer nevrale aktivisering med en høy timelige oppløsning. Derfor indikerer resultatene om kognitiv korrelerer nevrale aktivisering implementeres på tidlig eller sent stadier av behandling. I vårt eksempel ble ansiktet effekten identifisert i de tidlige stadiene (dvs. 110 ms) av visuell prosessering. I tillegg sammenligning av timelige profilene nevrale aktivitet knyttet til ulike psykologiske funksjoner gir interessant implikasjoner. Spesielt avslørte vårt eksempel forskjellige aktivisering timene for ansikt og ansikt-inversjon effekter, begynner på 115 ms og 165 ms, henholdsvis i IOG. Rik timelige informasjon kan utdype vår forståelse av nevrokognitive mekanismer.

Videre kan protokollene skildrer intra - og inter - regional nevrale tilkobling. Data fra andre neuroscientific tiltak, som hemodynamic signaler og hodebunnen-innspilte elektromagnetiske signaler, inneholder en stor mengde støy og krever beregning basert på flere forutsetninger trekke ut den opprinnelige elektriske signaler, som kan forvrenge den resulterende nevrale tilkoblingen. Derfor er analyse direkte registrert elektriske signaler verdifull. Som en illustrasjon, selv om resultatene viste funksjonell kobling mellom IOG og amygdala under ansiktet behandlingen, ble slik kobling ikke funnet i en tidligere analyse av funksjonell MRI data24. Forstå nevrale mekanismer krever identifikasjon av årsaksforhold blant nevrale kretser, som krever timelige opplysninger av nevrale aktivisering.

Det er imidlertid viktig å merke seg at optimal protokollen som brukes til å registrere og analysere intrakranielt EEG er fortsatt omdiskutert. For eksempel har metodologiske studier antydet at referanse elektrodene kan plukke opp kroppslige fysiologiske gjenstander (f.eks, øyebevegelser og muskelaktivitet) og støy fra omgivelsene og passer plasseringen av referanse elektroder intrakranielt EEG gjenstår å bestemt25,26. Flere forbehandling metoder (f.eksfiltrering og ikke-lineære transformasjoner) fjerne gjenstander (f.eks, epileptiske aktivitet) er foreslått, selv om de er under debatten27. En studie rapporterte også at tid-frekvens analyser bruker wavelet dekomponering kan dimme toppene i opprinnelige data28og alternative analytiske metoder, som Hilbert-Huang transformeringen, kan tilby bedre timelige oppløsninger29. Utvinning av høyfrekvente området kan også forbedres ved hjelp av slike metoder30. Det har blitt bemerket at kryss-frekvens koblingen kan være partisk av skarpe ulineær transienter og kontrollere for slike forvirrende effekter er nødvendig31,32,33. Flere forskjellige analytiske metoder er foreslått for analyse av intra - og inter - regional kopling, som fase-låsing verdien16vektet fase lag indeks34, og finere kausalitet35og det er fortsatt uklart hvilke analyser og parametere (f.eks, frekvens) som er mest relevant for kognitive behandling3. I noen tilfeller intrakranielt EEG data kan ikke tilfredsstille parametrisk forutsetninger og ikke-parametriske analyser kan være optimal36. Nylig har protokoller analytisk vært foreslått37; sammenlignet med andre protokoller, kan basert på SPM programvaren ha unike potensiale til å gi et felles rammeverk for analyse av ulike typer neuroscientific data38. Forskere bør være oppmerksom på fremskritt i analytisk protokoller intrakranielt EEG data.

I sammendraget introdusert vi analytisk protokoller som vi nylig brukt til å analysere intrakranielt EEG data, som inkluderer tid-frekvens SPM analyse, cross-frekvens kopling og DCM indusert svar. Vi tror disse analytisk protokollene kan identifisere nevrale korrelerer kognitive funksjoner med høy romlig og tidsmessige profiler.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne ikke avsløre.

Acknowledgments

Denne studien ble støttet av midler fra Benesse Corporation, Japan Society for fremme av vitenskap (JSPER) finansiering programmet for neste generasjon verdensledende forskere (LZ008), organisasjonen for fremme forskning i Neurodevelopmental lidelser, og JSPS KAKENHI (15K 04185, 18K 03174).

Materials

Name Company Catalog Number Comments
none

DOWNLOAD MATERIALS LIST

References

  1. Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).
  2. Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
  3. Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
  4. Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
  5. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
  6. Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
  7. Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
  8. Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191 (2010).
  9. Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
  10. Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
  11. Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993 (2012).
  12. Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
  13. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
  14. Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
  15. Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
  16. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  17. Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
  18. Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
  19. Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
  20. Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition? Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
  21. Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
  22. Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
  23. Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
  24. Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
  25. Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
  26. Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
  27. Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
  28. Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
  29. Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
  30. Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
  31. Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
  32. Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351 (2016).
  33. Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
  34. Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
  35. Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
  36. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  37. Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
  38. Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).

Tags

Nevrovitenskap problemet 140 cross-frekvens kopling dynamisk kausal modellering (DCM) ansikt gamma oscillation mindreverdige occipital gyrus intrakranielt Elektroencefalogram (EEG) tid-frekvens analyse
Analysere nevrale aktivitet og Connectivity benytter intrakranielt EEG Data med SPM programvare
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Sato, W., Kochiyama, T., Uono, S.,… More

Sato, W., Kochiyama, T., Uono, S., Usui, N., Kondo, A., Matsuda, K., Usui, K., Toichi, M., Inoue, Y. Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software. J. Vis. Exp. (140), e58187, doi:10.3791/58187 (2018).

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