Waiting
Login processing...

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

Neuroscience

Analyseren van neurale activiteit en connectiviteit intracraniële EEG-gegevens gebruiken met SPM Software

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

Presenteren we twee analytische protocollen die kunnen worden gebruikt voor het analyseren van intracraniële elektro-encefalografie gegevens met behulp van de statistische parametrische Mapping (SPM) software: analyse van het tijd-frequentie statistische parametrische toewijzing voor neurale activiteit, en dynamische causale het modelleren van geïnduceerde Responsie voor intra - en intersite - interregionale verbindingen.

Abstract

Het meten van neurale activiteit en connectiviteit gekoppeld aan cognitieve functies bij een hoge ruimtelijke en temporele resolutie is een belangrijk doel in cognitieve neurowetenschappen. Intracraniële elektro-encefalografie (EEG) elektrische neurale activiteit rechtstreeks kunt opnemen en heeft de unieke mogelijkheden om dit doel te bereiken. Traditioneel, heeft gemiddeld analyse toegepast om te analyseren van intracraniële EEG gegevens; verschillende nieuwe technieken zijn echter beschikbaar voor beeltenis van neurale activiteit en intra - en intersite - interregionale connectiviteit. Hier introduceren we twee analytische protocollen die we recent toegepast voor het analyseren van intracraniële EEG gegevens met behulp van de statistische parametrische Mapping (SPM) software: tijd-frequentie SPM analysis tool voor neurale activiteit en dynamische causale modellering van geïnduceerde Responsie voor intra - en intersite - interregionale connectiviteit. Als representatieve resultaten rapporteren we onze analyse van intracraniële EEG gegevens tijdens de waarneming van gezichten. De resultaten bleek dat de inferieure occipital gyrus (IOG) toonden een gamma-band activiteit op zeer vroege stadia (110 ms) in reactie op gezichten, en zowel de IOG en amygdala toonde snelle intra - en intersite - interregionale verbindingen met verschillende soorten oscillaties. Deze analytische protocollen hebben het potentieel om te identificeren van de neurale mechanismen die ten grondslag liggen aan de cognitieve functies met hoge ruimtelijke en temporele profielen.

Introduction

Het meten van neurale activiteit en connectiviteit gekoppeld aan cognitieve functies bij een hoge ruimtelijke en temporele resolutie is een van de belangrijkste doelstellingen van de cognitieve neurowetenschappen. Vervullen van dit doel is echter niet eenvoudig. Een populaire methode gebruikt voor het opnemen van neurale activiteit is functionele magnetische resonantie beeldvorming (MRI). Hoewel functionele MRI verschillende voordelen, zoals een hoge ruimtelijke resolutie op het niveau van de millimeter en de niet-invasieve opname biedt, is een duidelijk nadeel van functionele MRI zijn lage temporele resolutie. Daarnaast meet de functionele MRI bloed-zuurstof-niveau-afhankelijke signalen, die slechts indirect elektrische neurale activiteit weerspiegelen. Populaire elektrofysiologische methoden, met inbegrip van elektro-encefalografie (EEG) en Liquor (MEG), hebben hoge temporele resolutie op het niveau van de milliseconde. Zij hebben echter relatief lage ruimtelijke resolutie, omdat ze opnemen van elektrische/elektromagnetische signalen op de hoofdhuid en inverse problemen om te verbeelden hersenactiviteit moeten oplossen.

Intracraniële EEG kunt elektrische neurale activiteit op hoge temporele (milliseconden) en ruimtelijke (centimeter) resoluties1direct opnemen. Deze maatregel kan bieden waardevolle mogelijkheden om te begrijpen van neurale activiteit en connectiviteit, hoewel het duidelijke beperkingen heeft (bijvoorbeeld, meetbare regio's zijn beperkt tot de klinische criteria). Verschillende intracraniële EEG studies hebben traditionele gemiddelde analyse om te verbeelden neurale activiteit toegepast. Hoewel gemiddeld analyse gevoelig tijd vergrendeld en lage frequentie band activering detecteren kan, op kan niet speurder non-phase-locked en/of activering van hoge-frequentie (bijvoorbeeld gamma band). Bovendien, is functionele neurale koppeling niet geanalyseerd in de diepte in de literatuur over intracraniële EEG opnames. Verschillende nieuwe technieken zijn onlangs ontwikkeld om te verbeelden neurale activiteit en intra - en intersite - interregionale connectiviteit in functionele MRI en EEG/MEG-opnamen, die kunnen worden toegepast om intracraniële EEG gegevens te analyseren.

Hier introduceren we analytische protocollen die wij onlangs hebben toegepast om intracraniële EEG gegevens met behulp van de software van de statistische parametrische Mapping (SPM) te analyseren. Eerste, te onthullen wanneer en op welke frequentie, de hersengebieden kon worden geactiveerd, we tijd-frequentie SPM analyse2uitgevoerd. Deze analyse ontleedt de tijd en frequentie domeinen tegelijk met een continue wavelet transformatie en op de juiste manier corrigeert het family-wise (FWE)-foutenpercentage in de tijd-frequentie-kaarten met behulp van de willekeurige veldentheorie. Ten tweede, te onthullen hoe hersengebieden communiceren, pasten we dynamische causale modellering (DCM) van de geïnduceerde reacties4. DCM kan het onderzoek naar effectieve connectiviteit (dat wil zeggen, de causale en directionele invloeden tussen hersenen regio's5). Hoewel DCM werd oorspronkelijk voorgesteld als een instrument voor het analyseren van functionele MRI gegevens5, heeft DCM van geïnduceerde reacties uitgebreid analyseren van de spectra van de macht tijd-variërend van elektrofysiologische signalen4. Deze analyse kan de voorstelling van zowel intra - en intersite - interregionale neurale connectiviteit. Verschillende neurofysiologische studies hebben gesuggereerd dat lokale intraregionale berekeningen en lange-afstands interregionale communicatie hoofdzakelijk gebruik van gamma - en theta-band oscillaties, respectievelijk, en hun interacties (bijvoorbeeld, entrainments) kan theta-gamma Kruis-frequentie koppeling3,6,7,8worden weergegeven. Dit rapport richt zich op de analytische Gegevensprotocol; voor een overzicht van achtergrond informatie9,10 en opname protocollen11 van intracraniële EEG, gelieve te verwijzen naar de literatuur.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Onze studie werd goedgekeurd door de lokale institutionele ethische commissie.

1. basisgegevens

Opmerking: De analytische protocollen kunnen worden toegepast op verschillende soorten gegevens zonder beperkingen op de specifieke deelnemers, elektroden, referentiemethoden of elektrode locaties. We getest in ons voorbeeld, zes patiënten die lijden aan farmacologisch hardnekkige focale epilepsie. We testten de patiënten die had geen epileptische foci in de regio's van belang.

  1. Intracraniële EEG recordgegevens tijdens het cognitieve experiment op de doel-elektroden.
    1. Implantaat diepte-elektroden met behulp van de stereotactische methode12.
    2. Gebruik subduraal platina-elektroden (diameter: 2,3 mm) en diepte platina-elektroden (diameter: 0,8 mm) tegelijk meten corticale en subcorticale activiteit, respectievelijk.
    3. Referentie-elektroden op de oppervlakte van de schedel van de middellijn dorsale frontale regio, met de contacten van de elektroden geconfronteerd weg van de schedel te vermijden referentiële activering12plaatsen.
    4. Versterken van gegevens, online filter (band pass: 0,5 – 300 Hz), en monster bij 1000 Hz.
    5. Als u wilt opnemen en statistisch verwijderen artefacten oogbewegingen is gekoppeld, daarnaast opnemen electrooculograms. Selecteer de elektroden van de target op basis van theoretisch belang. Gebruik daarnaast individuele MRI en computertomografie gegevens om te controleren de elektrode-locaties.
  2. Proef en voorbehandelen intracraniële EEG proefgegevens (Figuur 1).
    Opmerking: De analytische protocollen kunnen worden toegepast op verschillende typen gegevens zonder enige beperking tot specifieke data-lengte of pre-processing methoden.
    1. Hier, het genieten van gegevens tijdens de 3000 ms (pre stimulans: 1000 ms; na stimulans: 2.000 ms) voor elk afzonderlijk experiment.
    2. Omdat deelnemers hier toonde abnormaal hoge amplitude activiteit in sommige proeven, eventueel in verband met epilepsie, het uitsluiten van deze proeven van de uitbijter met behulp van vooraf gedefinieerde drempels (> 800 μV en > 5 SD). Andere pre-processing stappen, met inbegrip van visuele inspectie en onafhankelijke componenten analyse, eventueel afhankelijk van de experimentele doelstellingen en voorwaarden.
  3. Omzetten in het inheemse formaat van het EEG een SPM MATLAB gebaseerde indeling (cf. SPM12 handleiding 12.1 en 12.2).
    Opmerking: De meeste EEG-gegevensindelingen kunnen direct importeren in SPM software door conversie selecteren in SPM Batch Editor interface en alle vereiste input parameters op te geven. Een andere mogelijke manier is het gebruik van een voorbeeldscript "spm_eeg_convert_arbitrary_data.m" in de subdirectory van de man/example_scripts van de programmamap van SPM. Dit script is een handige manier een ASCII-bestand of MAT bestand dat kan worden geëxporteerd door vele EEG systeem met SPM-indeling converteren.

2. tijd-frequentie SPM Analysis Tool

  1. Instellen van SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) en gebruik van de M/EEG analytische menu13 (Figuur 2).
  2. De tijd-frequentie SPM analyse2 uitvoeren door het selecteren van "tijd-frequentie-analyse" in het menu van de SPM voor de voorverwerkte intracraniële EEG gegevens voor elk afzonderlijk experiment continue wavelet ontleding met Morlet wavelets op basis van vooraf gedefinieerde parameters ( Figuur 3).
    Opmerking: Wavelet transformaties onthullen de temporele evolutie van spectrale componenten door intracraniële EEG gegevens met golven van verschillende frequenties14convolving.
    1. Hier voeren wavelet ontleding met behulp van zeven-cyclus Morlet wavelets voor het gehele tijdperk (-1,000-2.000 ms) en frequentiebereik van 4 tot 300 Hz.
    2. De moeder wavelet en aantal cycli is gebaseerd op een eerdere studie15bepalen. Merk op dat het aantal cycli in de wavelet de tijd-frequentie resoluties regelt en groter dan 5 om schatting stabiliteit13wordt aanbevolen.
    3. Tijd en frequentie varieert op basis van het belang van het onderzoek bepalen.
  3. De resulterende tijd-frequentie kaarten automatisch bijsnijden door het selecteren van "Bijsnijden" in het menu van de SPM randeffecten verwijderen. Hier, het bijsnijden van de kaarten van de tijd-frequentie in-200-500 ms.
  4. Het uitvoeren van de transformatie van de gegevens (optioneel) en correctie van de basislijn door het selecteren van "tijd-frequentie rescale" in het menu van de SPM voor de kaarten van de tijd-frequentie de macht gebeurtenissen gerelateerde wijzigingen beter visualiseren en verbeteren van de normaliteit van de gegevens.
    Opmerking: Hier, de tijd-frequentie kaarten waren log-getransformeerd en basislijn (-200 – 0 ms)-gecorrigeerd.
  5. De tijd-frequentie kaarten converteren met tweedimensionale (2D) afbeeldingen door het selecteren van "Convert2Images" in het menu van SPM.
    1. Glad met een Gauss-kernel met een vooraf gedefinieerde waarde van volledige breedte half-maximaal (FWHM) om te compenseren voor inter onderworpen variabiliteit en voldoen aan de uitgangspunten van de willekeurige veldentheorie gebruikt in de statistische inferentie2,13 .
      Opmerking: Hier, de tijd-frequentie kaarten werden gladgestreken met een Gaussiaans kernel van FWHM voor 96 ms in het tijdsdomein en 12 Hz in het frequentiedomein op basis van een eerdere studie2.
  6. De 2D beelden aangaan met het algemeen lineair model door het selecteren van "Geef 1e-niveau" in het menu van SPM.
  7. Schatten van het algemeen lineair model door het selecteren van "Schatting van het Model" in het menu van SPM.
  8. Voeren statistisch gevolgtrekkingen op de tijd-frequentie SPM {T} gegevens gebaseerd op de willekeurige veldentheorie2 door het selecteren van "Resultaten" in het menu van SPM. Detect aanzienlijk geactiveerde tijd-frequentie clusters met vooraf gedefinieerde drempels (eventueel gecorrigeerd voor meerdere vergelijkingen).
    Opmerking: Hier, de drempel van de mate van p < 0,05, die FWE-gecorrigeerd voor meerdere vergelijkingen, met een drempel van de hoogte van p was < 0,001 (ongecorrigeerde) werd gebruikt.

3. DCM van geïnduceerde reacties

  1. Instellen van SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) en gebruik van de M/EEG analytische menu13 (Figuur 4).
    1. DCM-analyse starten door te klikken op "DCM" knop in het menu van SPM. DCM voor geïnduceerde reacties activeren door "IND" in de keuzelijst te selecteren. De voorverwerkte intracraniële EEG gegevens importeren door te klikken op "nieuwe gegevens" in de DCM voor M/EEG menu.
  2. Geef in het venster tijd van belang, de voorwaarden van belang, contrasten voor de geselecteerde voorwaarden (dit definieert de ingangen van de modulatie later gebruikt in netwerk specificatie), frequentie venster van belang en het nummer van de wavelet-cycli in de DCM voor M/EEG menu ( Figuur 5).
    1. Vijf-cyclus Morlet wavelets (4-100 Hz in stappen van 1-Hz) en stel het tijdsinterval op 1 – 500 ms.
    2. Bepaal de wavelet-cyclus overeenkomstig de standaardinstelling. Let erop dat de aanbeveling van de software de waarde groter is dan 5 is om schatting stabiliteit13. De tijd – twee frequentiegebieden werden bepaald op basis van ons onderzoek belang. Merk op dat een venster van de tijd met een extra ± 512 ms automatisch werd gebruikt tijdens de berekening voor het verwijderen van randeffecten.
  3. (1) op grond van de DCM kader4,5, definiëren rijden ingangen, die de sensorische input op neurale-staten vertegenwoordigen; (2) intrinsieke verbindingen, die belichamen van de connectiviteit van de basislijn van neurale Staten en zelf verbindingen; en (3) f effecten op intrinsieke verbindingen via experimentele manipulaties voor null en hypothetische modellen. Ook de soort modulatie te definiëren als lineaire (binnen-/ bClk frequentie) of niet-lineaire (tussen-/ bClk frequentie).
    1. Intrinsieke (lineaire en niet-lineaire) verbindingen, drijvende ingangen en modulatie ingangen in de DCM voor M/EEG menu opgeven.
    2. De standaardinstellingen van sommige bijbehorende parameters (bijvoorbeeld voorafgaande prikkel begin tijd en duur) desgewenst wijzigen. De modellen schatten door in de DCM voor M/EEG menu "omkeren DCM" te selecteren. Daarna Selecteer resultaten als img opslaan om op te slaan van de frequentie-frequentie f koppeling parameter beelden.
  4. Het gedrag van een willekeurige-effecten Bayesian model selectie (BMS) analyse17 door te klikken op "BMS" in de DCM voor M/EEG menu te identificeren van de optimale netwerk-model. Gebruik het model verwacht waarschijnlijkheden en/of overschrijding waarschijnlijkheden als evaluatie maatregelen.
  5. Gevolgtrekkingen over de Kruis-frequentiepatronen van de f verbindingen met behulp van het winnende model parameters met behulp van het menu SPM maken (zie stap 2).
    1. De beelden van de parameter f koppeling glad door het selecteren van "Convert2Images" in het menu van SPM.
    2. Algemene lineaire model-analyses uitvoeren door het selecteren van "Geef 2e-niveau" in het menu van SPM.
    3. De 2D SPM {T}-waarden berekenen door te selecteren "Resultaten" in het menu van SPM.
      Opmerking: Hier, werd de FWHM vastgesteld op 8 Hz op basis van een eerdere studie4. Belangrijke waarden waren exploratorily geïdentificeerd met behulp van de drempel van een hoogte van p < 0.05 (ongecorrigeerde).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Met behulp van het protocol gepresenteerd hierin, geanalyseerd wij intracraniële EEG gegevens in reactie op gezichten18,19. Wij opgenomen gegevens uit zes patiënten tijdens het passieve bekijken van gezichten, mozaïeken en huizen in rechtop en ondersteboven oriëntaties. De contrasten van rechtop gezichten versus rechtop mozaïeken en rechtop gezichten versus rechtop huizen bleek het gezicht effect (dat wil zeggen, gezicht-specifieke hersenactiviteit ten opzichte van andere objecten). Het contrast van rechtop staat ten opzichte van omgekeerde gezichten bleek het gezicht-inversie-effect (dwz., gezicht-specifieke visuele verwerking eventueel gerelateerde configural/holistische verwerking20). Als het doel gebied voor de analyse van de tijd-frequentie en fase-amplitude Kruis-frequentie koppeling, wij het recht inferieur occipital gyrus (IOG) op basis van eerdere neuropsychologische21 en neuroimaging22 bevindingen geselecteerd. We testten voor DCM, het model waarin de IOG en de amygdala een functionele netwerk tijdens de verwerking van het gezicht op basis van eerdere anatomische bewijs23 vormen.

Tijd-frequentie-analyse

Tijd-frequentie analyses werden uitgevoerd om te onderzoeken van de profielen van het temporele en frequentie van IOG activiteit tijdens de verwerking van gezichten. Tijd-frequentie kaarten werden omgezet in 2D-afbeeldingen en ingevoerd in het algemeen lineair model met de factoren van stimulus-type (gezicht, huis en mozaïek) en richting (rechtop en omgekeerd). Belangrijke reacties werden geïdentificeerd met behulp van een drempel FWE-gecorrigeerde mate van p < 0.05 met een drempel van de hoogte van p < 0,001 (ongecorrigeerde). De contrasten het gezicht effect (rechtop gezicht vs. rechtop mozaïek) consequent testen bleek significante snelle (110-500 ms) gamma-band activiteit (Figuur 6a). De contrasten testen van het effect van de gezicht-inversie (rechtop gezicht vs. omgekeerd gezicht) geopenbaard aanzienlijke gamma band activiteit op een latere periode (195-500 ms).

DCM van geïnduceerde reacties

DCM van geïnduceerde reacties werd toegepast om te testen van de modellen van de functionele netwerk van het IOG en de amygdala. Voor zowel het gezicht en de gezicht-inversie effecten, de waarschijnlijkheid van de overschrijding van de random-effects Bayesian model selectie aangegeven dat het model met intraregionale f connectiviteit in zowel de regio's en de bidirectionele interregionale f connectiviteit is de meest waarschijnlijke onder alle mogelijke modellen (Figuur 6b).

Volgende, gecontroleerd we de spectrale profielen van de f koppelingen in het beste model. Significante effecten werden beoordeeld voor de hele spectraal bereik met een drempel van de hoogte van p < 0.05 (ongecorrigeerde). Belangrijke dezelfde - en cross-frequentie f koppelingen werden waargenomen voor zowel intra - en intersite - interregionale connectiviteit van zowel het gezicht en gezicht-inversie effecten (Figuur 6 c). Bijvoorbeeld, als de intraregionale modulatie van het effect van het gezicht bleek de amygdala negatieve gamma-gamma dezelfde - en beta-gamma Kruis-frequentie koppelingen. Ondertussen, de intra-IOG modulatie toonde een positieve Kruis-frequentie-koppeling in de theta/alpha/beta-gamma-band. Bovendien, als de interregionale koppeling van het effect van het gezicht, de IOG -> amygdala modulatie bleek een profiel waarin de theta/alpha-band in de IOG de gamma-band in de amygdala vergemakkelijkt. Voor de amygdala -> IOG modulatie, de gamma-band in de amygdala geremd de theta/alpha-band en de band dezelfde-frequentie gamma in de IOG. Voor het gezicht-inversie effect vergelijkbaar amygdala -> IOG modulatie, waarin de band van de gamma in de amygdala geremd van de gamma-band in de IOG, werd waargenomen. Echter voor IOG -> amygdala modulatie, de vereniging van de theta/alpha-gamma waargenomen in het gezicht-effect was niet duidelijk.

Figure 1
Figuur 1: illustratie van de generatie van de gegevens van de proef intracraniële elektro-encefalografie. Klik hier voor een grotere versie van dit cijfer.

Figure 2
Figuur 2: grafische gebruikersinterfaces van de statistische parametrische Mapping (SPM) software voor tijd-frequentie analyses. (1) SPM menu. (2) tijd-frequentie-analyse. (3) bijsnijden. (4) correctie van de basislijn. (5) conversie. (6) Glad. (7) statistisch model. (8) model schatting. (9) contrast. (10) de statistische inferentie. Klik hier voor een grotere versie van dit cijfer.

Figure 3
Figuur 3: stroomdiagram van de tijd-frequentie-analyse met behulp van de software van de statistische parametrische Mapping (SPM). (een) voorbereiden de voorverwerkte intracraniële elektro-encefalografie (EEG) gegevens voor elk afzonderlijk experiment. (b) gedrag ontleding van de tijd-frequentie (TF) voor de EEG-gegevens met behulp van de continue wavelet transformatie. (c) gewas, log-transformatie en basislijn juiste voor de TF kaarten. (d) zet de TF kaarten in tweedimensionale (2D) afbeeldingen. (e) Enter de 2D beelden in het algemeen lineair model. (f) uitvoeren statistisch gevolgtrekkingen over de TF SPM {T}-gegevens. Klik hier voor een grotere versie van dit cijfer.

Figure 4
Figuur 4: grafische gebruikersinterfaces van de statistische parametrische Mapping (SPM)-software voor dynamische causale analyses modellering (DCM). (1) SPM menu. (2) DCM menu. (3) Bayesian model selectie. (4) glad. (5) statistisch model. (6) model schatting. (7) contrast. (8) de statistische inferentie. Klik hier voor een grotere versie van dit cijfer.

Figure 5
Figuur 5: stroomdiagram van de dynamische causale modellering van geïnduceerde reacties. (een) berekenen de spectra van de tijd-frequentie voor elk afzonderlijk experiment van de gerichte meerdere elektroden (inferieure occipital gyrus (IOG) en amygdala in ons voorbeeld) gebruik van continue wavelet ontleding. Het gemiddelde van de spectrale magnitude van tijd-frequentie reacties op de opbrengst van de geïnduceerde reactie. Vervolgens de drijvende input, intrinsieke verbindingen en modulatie van intrinsieke verbindingen definiëren door experimentele manipulaties. Het construeren van modellen om te testen van de hypothesen en de raming van de modellen. (b) gedrag een random-effects Bayesian model selectie analyse om te identificeren van de optimale model. (c) converteren de frequentie-frequentie f koppeling parameters in tweedimensionale (2D) afbeeldingen (met vloeiend maken). Vervolgens random-effects algemene lineaire model-analyses uitvoeren en berekenen van de 2D SPM {T}-waarden. Klik hier voor een grotere versie van dit cijfer.

Figure 6
Figuur 6: representatieve resultaten. (een) tijd-frequentie kaarten van rechts inferieur occipital gyrus (IOG) activiteit voor het rechtop gezicht (FU; links) en rechtop mozaïek (MU; midden) voorwaarden. De SPM {T} voor FU versus MU zijn ook weergegeven (rechts). (b) functionele netwerk modellen in de IOG en de amygdala. Acht mogelijke combinaties van f input door FU versus MU op de verbindingen tussen de IOG, de amygdala en de zelfstandige verbinding op elk gebied werden onderzocht. (c) frequentie-frequentie f koppeling parameters en SPM {T} waarden voor FU versus MU voor IOG -> amygdala en amygdala -> IOG modulatie worden weergegeven. De rood-gele en blauwe-cyaan blobs geven belangrijke positieve/excitatory en negatieve/remmende connectiviteit, respectievelijk. Klik hier voor een grotere versie van dit cijfer.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

De analytische protocollen voor intracraniële EEG gegevens met behulp van de software van de SPM geïntroduceerd hierin hebben verschillende voordelen in vergelijking met functionele MRI. Ten eerste kunnen de protocollen verbeelden neurale activering met een hoge temporele resolutie. Daarom, blijkt uit de resultaten of de cognitieve correlaten van neurale activering in vroege of late stadia van verwerking ten uitvoer worden gelegd. In ons voorbeeld was het gezicht effect vastgesteld tijdens een zeer vroeg stadium (d.w.z., 110 ms) van visuele verwerking. Bovendien, de vergelijking van de temporele profielen van neurale activiteit met betrekking tot verschillende psychologische functies bieden interessante gevolgen. Met name bleek ons voorbeeld verschillende activering tijden voor het gezicht en gezicht-inversie effecten, beginnen bij 115 ms en 165 ms, respectievelijk in de IOG. Deze rijke temporele informatie kunt verdiepen ons begrip van neurocognitieve mechanismen.

Bovendien kunnen de protocollen verbeelden de intra - en intersite - interregionale neurale connectiviteit. Gegevens uit andere neurowetenschappelijke maatregelen, zoals de hemodynamische signalen en hoofdhuid opgenomen elektromagnetische signalen, bevatten een grote hoeveelheid lawaai en vereisen schatting gebaseerd op verschillende aannames te halen van de oorspronkelijke elektrische signalen, die kunnen worden vervormd de resulterende neurale connectiviteit. Vandaar dat de analyse van direct opgenomen elektrische signalen is waardevol. Als een illustratie, hoewel onze resultaten onthuld functionele koppeling tussen de IOG en de amygdala tijdens de verwerking van het gezicht, is deze koppeling niet aangetroffen in een vorige analyse van functionele MRI-gegevens24. Begrijpen van neurale mechanismen vereist de identificatie van de causale relaties tussen neurale circuits, temporele informatie van de neurale activering vereist.

Het is echter belangrijk op te merken dat de optimale protocol dat wordt gebruikt om te registreren en analyseren van intracraniële EEG besproken blijft. Bijvoorbeeld, hebben methodologische studies gesuggereerd dat referentie-elektroden lichamelijk fysiologische artefacten (b.v., oogbewegingen en spieractiviteit) en omgevingslawaai en de geschikte positie van referentie-elektroden voor kunnen halen Intracraniële EEG blijft vastberaden25,26. Verschillende pre-processing methoden (bijvoorbeeldfilteren en niet-lineaire transformaties) te verwijderen van artefacten (b.v., epileptische activiteit) hebben voorgesteld, hoewel ze onder debat27. Een studie ook gemeld dat tijd-frequentie analyses met behulp van wavelet ontleding kan vervagen de pieken in de oorspronkelijke gegevens28, en alternatieve analytische methoden, zoals de Hilbert-Huang transformatie, betere temporele resoluties29kan bieden. De extractie van het hoge-frequentie bereik kan ook worden verbeterd met behulp van dergelijke methoden30. Er wordt opgemerkt dat kruis-frequentie koppeling een vertekend beeld door scherpe niet-lineaire transiënten geven kan en controle voor dergelijke storende effecten nodig31,32,33. Verschillende analytische methoden zijn voorgesteld voor de analyse van intra - en intersite - interregionale koppeling, zoals de fase-vergrendeling waarde16, gewogen fase lag index34, en grootser causaliteit35, en het blijft onduidelijk welke analyses en parameters (bijvoorbeeld, frequentie) zijn het meest relevant zijn voor cognitieve verwerking3. In sommige gevallen intracraniële EEG gegevens kan niet voldoen aan de parametrische veronderstellingen en niet-parametrische analyses mogelijk optimale36. Andere analytische protocollen hebben onlangs voorgestelde37; vergeleken met andere protocollen, wellicht die zijn gebaseerd op de SPM software de unieke mogelijkheden om een uniform raamwerk voor de analyse van verschillende soorten neurowetenschappelijke gegevens38. Onderzoekers moeten aandacht besteden aan vooruitgang in de analytische protocollen voor intracraniële EEG gegevens.

Kortom introduceerden we analytische protocollen die we recent toegepast om intracraniële EEG-gegevens, waaronder tijd-frequentie SPM analysis tool, kruis-frequentie koppeling en DCM van geïnduceerde antwoorden te analyseren. Wij zijn van mening dat deze analytische protocollen neurale correlaten van de cognitieve functies met hoge ruimtelijke en temporele profielen kunnen identificeren.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

De auteurs hebben niets te onthullen.

Acknowledgments

Deze studie werd ondersteund door de fondsen van de Benesse Corporation, Japan maatschappij voor de promotie van wetenschap (JSPS) financiering programma voor volgende generatie toonaangevende onderzoekers (LZ008), de organisatie voor de bevordering van onderzoek in neurologische aandoeningen, en de 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

Neurowetenschappen kwestie 140 kruis-frequentie koppeling dynamische causale modellering (DCM) gezicht gamma-interstadiaal inferieur occipital gyrus intracraniële elektro-encefalografie (EEG) tijd-frequentie-analyse
Analyseren van neurale activiteit en connectiviteit intracraniële EEG-gegevens gebruiken met SPM Software
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