Waiting
Login processing...

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

Neuroscience

Analyser l’activité neurale et la connectivité à l’aide des données EEG intracrânienne avec logiciel SPM

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

Nous présentons deux protocoles analytiques qui peuvent être utilisés pour analyser les données de l’électroencéphalographie intracrânienne en utilisant le logiciel de statistiques paramétriques cartographie (SPM) : analyse temps-fréquence statistique paramétrique mappage pour l’activité neuronale et la dynamique causale modélisation des réponses induites pour intra - et inter - régionales, connectivité.

Abstract

Mesurer l’activité neurale et connectivité associée à des fonctions cognitives à haute résolution spatiale et temporelle est un objectif important en neurosciences cognitives. Intracrânienne électroencéphalographie (EEG) permet d’enregistrer directement l’activité électrique neuronale et a le potentiel unique pour atteindre cet objectif. Traditionnellement, avec une moyenne d’analyse a été appliquée pour analyser les données EEG intracrâniennes ; Cependant, plusieurs nouvelles techniques sont disponibles pour dépeindre la connectivité neuronale d’activité et intra - et inter - régionales. Ici, nous présentons deux protocoles analytiques nous avons récemment utilisé pour analyser des données EEG intracrâniennes en utilisant le logiciel de cartographie statistique paramétrique (SPM) : analyse SPM de temps / fréquence d’activité neurale et la modélisation dynamique causale des réponses pour induites par connectivité - inter et intra régionales. Nous rapportons notre analyse des données d’EEG intracrâniennes lors de l’observation des visages comme résultats représentatifs. Les résultats ont révélé que le gyrus occipital (IOG) ont montré une activité gamma-bande aux tout premiers stades (110 ms) en réponse à des visages et IOG et amygdale a montré rapidement intra - et inter - régionales, connectivité à l’aide de divers types d’oscillations. Ces protocoles analytiques ont le potentiel d’identifier les mécanismes neurones sous-tendant les fonctions cognitives avec hautes profils spatiaux et temporels.

Introduction

Mesurer l’activité neurale et connectivité associée à des fonctions cognitives à haute résolution spatiale et temporelle est l’un des principaux objectifs de la neuroscience cognitive. Toutefois, cet objectif n’est pas facile. Une méthode populaire utilisée pour enregistrer l’activité neurale est fonctionnel d’imagerie par résonance magnétique (IRM). Bien que l’IRM fonctionnelle offre plusieurs avantages, notamment une résolution spatiale élevée au niveau de millimètre et enregistrement non invasif, un désavantage évident de l’IRM fonctionnelle est sa faible résolution temporelle. En outre, l’IRM fonctionnelle mesure oxygène-sang-dépendante du niveau des signaux, qui reflètent seulement indirectement l’activité neurale électrique. Méthodes électrophysiologiques populaires, y compris l’électroencéphalographie (EEG) et la magnétoencéphalographie (MEG), ont une résolution temporelle élevée à l’échelle de la milliseconde. Toutefois, ils ont des résolutions spatiales relativement faibles, car ils enregistrent les signaux électriques/magnétiques au cuir chevelu et doivent résoudre les difficiles problèmes inverses pour décrire l’activité cérébrale.

EEG intracrânien peut enregistrer directement l’activité neurale électrique à haute temporelle (milliseconde) et de résolutions spatiales (centimètre)1. Cette mesure peut fournir des occasions précieuses pour comprendre l’activité neuronale et la connectivité, même si elle a des lacunes évidentes (par exemple, les régions mesurables sont limite à des critères cliniques). Plusieurs études d’EEG intracrâniennes ont appliqué traditionnel analyse moyenne pour décrire l’activité neurale. Bien qu’en moyenne l’analyse peut détecter avec sensibilité activation du verrouillage de temps et de basse fréquence de bande, il ne peut pas détecter non-phase-locked et/ou l’activation de haute fréquence (par exemple, bande de gamma). En outre, couplage neuronal fonctionnel n’a pas été analysée en profondeur dans la littérature sur les enregistrements d’EEG intracrâniens. Plusieurs nouvelles techniques ont été récemment développés pour dépeindre neural activité et intra - et inter - régionales, la connectivité fonctionnelle enregistrements IRM et EEG/MEG, qui peuvent être appliqués pour analyser des données EEG intracrâniennes.

Ici, nous présentons des protocoles analytiques que nous avons récemment utilisé pour analyser des données EEG intracrâniennes en utilisant le logiciel de cartographie statistique paramétrique (SPM). Premier, à révéler quand et à quelle fréquence, les régions du cerveau pourraient être activées, nous avons effectué d’analyse temps-fréquence SPM2. Cette analyse décompose les domaines temporels et fréquentiels simultanément en utilisant une transformée en ondelettes continue et appropriée corrige le taux d’erreur moyen (FFE) dans les cartes de temps-fréquence à l’aide de la théorie des champs aléatoire. Deuxièmement, pour indiquer comment communiquent des régions du cerveau, nous avons appliqué dynamique modélisation causale (DCM) des réponses induites par4. DCM permet l’étude de connectivité efficace (p. ex., les influences causales et directionnels parmi les régions de cerveau5). Bien que le DCM a été initialement proposé comme un outil d’analyse de données MRI fonctionnel5, DCM des réponses induites a été étendu pour analyser les spectres de puissance instationnaire de signaux électrophysiologiques4. Cette analyse permet la représentation de deux connectivité neuronale intra - et inter - régionales. Plusieurs études neurophysiologiques ont suggéré que les calculs intra-régional locaux et communications interrégionales à longue portée utilisent principalement les oscillations bandes thêta et gamma, respectivement, et leurs interactions (p. ex., entrainments) peut se traduire par thêta-gamma Croix-fréquence attelage3,6,7,8. Ce rapport se concentre sur le protocole d’analyse de données ; pour un aperçu des informations de fond9,10 et enregistrement des protocoles11 d’EEG intracrânien, veuillez vous référer à la littérature.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Notre étude a été approuvée par le Comité d’éthique institutionnel local.

1. Généralités

Remarque : Les protocoles analytiques peuvent être appliquées à différents types de données sans aucune restriction quant à participants spécifiques, électrodes, méthodes de référence ou des sites de l’électrode. Dans notre exemple, nous avons testé six patients souffrant d’épilepsie focale pharmacologiquement réfractaire. Nous avons testé des patients ayant ne subi aucune foyers épileptiques dans les régions d’intérêt.

  1. Enregistrer des données de EEG intracrâniennes pendant l’expérience cognitive les électrodes de la cible.
    1. Implanter des électrodes de profondeur à l’aide de la méthode stéréotaxique12.
    2. Utiliser des électrodes de platine sous-dural (diamètre : 2,3 mm) et des électrodes de platine de profondeur (diamètre : 0. 8 mm) pour mesurer simultanément l’activité corticale et sous-corticale, respectivement.
    3. Placer les électrodes de référence sur la surface du crâne de la région frontale dorsale médiane, avec les contacts des électrodes à l’opposé du crâne afin d’éviter l’activation référentielle12.
    4. Amplifier les données, filtre en ligne (passe-bande : 0,5 à 300 Hz) et l’échantillon à 1 000 Hz.
    5. Pour enregistrer et supprimer statistiquement les artefacts associés à des mouvements oculaires, en outre enregistrer electrooculograms. Sélectionnez les électrodes de cibles fondées sur des intérêts théoriques. En outre, utiliser différents IRM et tomodensitométrie données pour vérifier l’emplacement de l’électrode.
  2. Goûtez et Prétraiter les données du procès de l’EEG intracrâniennes (Figure 1).
    Remarque : Les protocoles analytiques peuvent être appliquées à différents types de données sans aucune restriction de longueur de données spécifique ou les méthodes de prétraitement.
    1. Ici, Echantillons pendant 3 000 ms (stimulation préalable : 1 000 ms ; après stimulation : 2 000 ms) pour chaque essai.
    2. Parce que les participants ont montré ici anormalement activité de grande amplitude dans certains essais, éventuellement liés à l’épilepsie, excluent ces essais atypiques à l’aide de seuils prédéfinis (> 800 μV et > 5 SD). Les autres étapes de prétraitement, y compris l’inspection visuelle et l’analyse en composantes indépendantes, peuvent être nécessaires selon les conditions expérimentales objectifs.
  3. Convertir le format natif du système EEG dans un format basé sur MATLAB SPM (cf. SPM12 manuel 12.1 et 12.2).
    Remarque : Les plupart des formats de données EEG peuvent être directement importés dans le logiciel SPM en sélectionnant Conversion dans l’interface de l’éditeur de lot de SPM et en spécifiant tous les paramètres d’entrée requis. Une autre façon possible est d’utiliser un exemple de script « spm_eeg_convert_arbitrary_data.m » dans le sous-répertoire homme/example_scripts le répertoire de programme SPM. Ce script fournit un moyen pratique pour convertir un fichier ASCII ou MAT qui peut être exportée de nombreux système d’EEG avec format de SPM.

2. temps-fréquence SPM analyse

  1. Mettre en place des SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) et utilisez la M/EEG menu analytique13 (Figure 2).
  2. Effectuer l’analyse de temps – fréquence SPM2 en sélectionnant « analyse temps-fréquence » dans le menu SPM pour les données d’EEG intracrâniennes prétraités de chaque essai à l’aide de la décomposition des ondelettes continues avec ondelettes de Morlet basés sur des paramètres prédéfinis ( Figure 3).
    Remarque : Les transformations Wavelet révèlent l’évolution temporelle des composantes spectrales par convolution intracrâniennes données EEG avec ondelettes de multiples fréquences14.
    1. Ici, procéder à la décomposition par ondelettes utilisant les ondelettes de Morlet cycle de sept pour l’époque tout (-1,000 – 2 000 ms) et la gamme de fréquences de 4 à 300 Hz.
    2. Déterminer l’ondelette mère et le nombre de cycles basés sur une précédente étude15. Notez que le nombre de cycles dans les ondelettes contrôle les temps – fréquence de résolution et qu’il est recommandé d’être supérieur à 5 afin d’assurer la stabilité d’estimation13.
    3. Déterminer les plages en temps et fréquence basées sur l’intérêt de la recherche.
  3. Recadrer les cartes de temps-fréquence qui en résulte automatiquement en sélectionnant « Crop » dans le menu SPM pour supprimer les effets de bord. Ici, les cartes de temps – fréquence des cultures en -200 – 500 ms.
  4. Effectuer la transformation de données (facultative) et la correction de base en sélectionnant « échelle de temps-fréquence » dans le menu SPM pour les cartes de temps – fréquence de visualiser les changements liés aux événements de pouvoir mieux et améliorer la normalité des données.
    Remarque : Les cartes de temps-fréquence ont été ici, logarithme et baseline (-200-0 ms)-corrigé.
  5. Convertir les cartes de temps – fréquence des images bidimensionnelles (2D) en sélectionnant « Convert2Images » dans le menu SPM.
    1. Lisse en utilisant un noyau gaussien d’une valeur de (FWHM) de demi-maximum pleine largeur prédéfinie pour compenser la variabilité inter-sujet et sont conformes aux hypothèses de la théorie des champs aléatoire utilisés dans l’inférence statistique2,13 .
      NOTE : Ici, les cartes de temps-fréquence ont été lissées avec un noyau gaussien de FWHM de 96 ms dans le domaine temporel et 12 Hz dans le domaine fréquentiel, basé sur une précédente étude2.
  6. Entrer les images 2D dans le modèle linéaire général en sélectionnant « précisez 1er niveau » dans le menu SPM.
  7. Estimer le modèle linéaire général en sélectionnant « Estimation du modèle » dans le menu SPM.
  8. Effectuer des inférences statistiques sur les données SPM {T} temps – fréquence basées sur la théorie des champs aléatoires2 en sélectionnant « Résultats » dans le menu SPM. Détecter des grappes de temps – fréquence significativement activés avec seuils prédéfinis (éventuellement corrigées pour les comparaisons multiples).
    NOTE : Ici, le seuil de mesure de p < 0,05, qui était FWE-corrigé pour les comparaisons multiples, avec un seuil de hauteur de p < 0,001 (non corrigé) a été utilisé.

3. DCM des réponses induites par

  1. Mettre en place des SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) et utilisez la M/EEG menu analytique13 (Figure 4).
    1. Démarrer l’analyse DCM en cliquant sur le bouton « DCM » dans le menu SPM. Activer le DCM pour réponses induites en sélectionnant « IND » dans la zone de liste. Importer les données d’EEG intracrâniennes prétraitées en cliquant sur « new data » dans le DCM pour menu M/EEG.
  2. Spécifier la fenêtre de temps d’intérêt, conditions d’intérêt, les contrastes pour les conditions choisies (cela définir les entrées de modulation plus tard utilisées dans la spécification du réseau), fenêtre de fréquence d’intérêt et le nombre de cycles par ondelettes dans le DCM pour M/EEG menu ( La figure 5).
    1. Utiliser le cycle de cinq ondelettes de Morlet (4 – 100 Hz par pas de 1 Hz) et définir la durée de validité de 1 à 500 ms.
    2. Déterminer le cycle d’ondelettes conformément au paramètre par défaut. Notez que la recommandation de logiciels est la valeur supérieure à 5 pour assurer la stabilité d’estimation13. Les plages de temps-fréquence ont été déterminées basé sur nos intérêts de recherche. Notez qu’une fenêtre de temps avec ± supplémentaires ms 512 servait automatiquement pendant le calcul pour supprimer les effets de bord.
  3. Basé sur le DCM cadre4,5, décrivez la (1) conduite entrées, qui représentent les entrées sensorielles aux États neurones ; (2) connexions intrinsèques, qui incarnent la connectivité de base entre les États neurones et connexions autonome ; et (3) effets modulateurs sur connexions intrinsèques via des manipulations expérimentales pour les modèles null et hypothétiques. Également définir le type de modulation linéaire (au sein de fréquence) ou non linéaire (entre-fréquence).
    1. Spécifier des connexions intrinsèques (linéaires et non linéaires), entrées de conduite et modulation dans le DCM pour menu M/EEG.
    2. Modifier les paramètres par défaut de certains paramètres connexes (p. ex., les temps de début de stimulation préalable et durée) si nécessaire. Estimer les modèles en sélectionnant « inverser le DCM » dans le DCM pour menu M/EEG. Ensuite sélectionnez enregistrer les résultats sous forme d’img pour enregistrer la fréquence fréquence modulante couplage images de paramètre.
  4. Mener un effets aléatoires bayésien modèle sélection (BMS) analyse17 en cliquant sur « BMS » dans le DCM pour menu M/EEG pour identifier le modèle de réseau optimale. Utiliser les probabilités de modèle prévu et/ou les probabilités de dépassement comme mesures d’évaluation.
  5. Faire des déductions concernant les modèles de croix-fréquence des modulateurs connexions à l’aide des paramètres du modèle gagnant en utilisant le menu SPM (voir étape 2).
    1. Lisser les images de paramètre de couplage modulatrices en sélectionnant « Convert2Images » dans le menu SPM.
    2. Effectuer des analyses de modèle linéaire général en sélectionnant « Spécifier 2e niveau » dans le menu SPM.
    3. Calculer les valeurs SPM {T} 2D en sélectionnant « Résultats » dans le menu SPM.
      NOTE : Ici, la FWHM a été fixé à 8 Hz, basé sur une précédente étude4. Valeurs significatives ont été identifiés exploratorily en utilisant un seuil hauteur de p < 0,05 (non corrigé).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

En utilisant le protocole présenté dans la présente, nous avons analysé intracrâniennes données EEG en réponse à faces18,19. Nous avons enregistré des données provenant de six patients durant l’affichage passif de visages, de mosaïques et maisons en position verticale et inversé les orientations. Les contrastes des faces dressées contre verticale mosaïques et des faces dressées contre maisons debout a révélé l’effet du visage (c.-à-d. une activité spécifique visage cerveau par rapport à d’autres objets). Le contraste du moyeu est confrontée versus inversé visages a révélé l’effet visage-inversion (i.e., traitement visuel spécifique visage possiblement liés au traitement holistique/configural20). Comme la région cible pour l’analyse temps-fréquence et le couplage de croix-fréquence de phase – amplitude, nous avons choisi le droit occipital gyrus (IOG) issu des précédentes conclusions de22 21 et neuro-imagerie neuropsychologiques. Pour le DCM, nous avons testé le modèle dans lequel l’IOG et l’amygdale constituent un réseau fonctionnel pendant le traitement visage issu des précédentes preuves anatomiques23.

Analyse temps-fréquence

Temps-fréquence des analyses ont été menées afin d’étudier les profils temporels et la fréquence de l’activité de l’Institut pendant le traitement des visages. Cartes de temps-fréquence ont été converties en images 2D et a conclu le général modèle linéaire avec les facteurs de type de stimulus (visage, house et mosaïque) et orientation (verticale et vers le bas). Des réponses significatives ont été identifiés à l’aide d’un seuil de mesure FWE-corrigé de p < 0,05 avec un seuil de hauteur de p < 0,001 (non corrigé). Les contrastes de tester l’effet de la face (visage verticale vs verticale mosaïque) constamment révèlent significative rapide (110-500 ms) gamma-bande activité (Figure 6 a). Les contrastes de tester l’effet de visage-inversion (verticale vs inversé face-à-face) a révélé l’activité gamma importante bande à une période ultérieure (195-500 ms).

DCM des réponses induites par

DCM des réponses induites a été appliquée pour tester les modèles de réseau fonctionnel de l’Institut et l’amygdale. Pour le visage et le visage-inversion des effets, les probabilités de dépassement de la sélection de modèle bayésien effets aléatoires a indiqué que le modèle avec une connectivité modulatrice intrarégionale dans deux régions et bidirectionnelle interrégional modulatrice connectivité était le plus susceptible parmi tous les modèles possibles (Figure 6 b).

Ensuite, nous avons inspecté les profils spectraux des accouplements modulatrices dans le meilleur modèle. Des effets significatifs ont été évalués pour toute la gamme spectrale avec un seuil de hauteur de p < 0,05 (non corrigé). Accouplements modulatrices significative même et Croix-fréquence ont été observées pour les deux intra - et inter - régionales, connectivité des deux effets visage et visage-inversion (Figure 6C). Par exemple, comme la modulation intra-régional de l’effet de visage, l’amygdale a révélé négatif gamma-gamma accouplements Croix-fréquence même - et bêta-gamma. Pendant ce temps, la modulation de l’intra-IOG a montré un accouplement de croix-fréquence positif dans la bande thêta/alpha/bêta-gamma. En outre, comme le couplage entre les régions de l’effet de visage, Institut sur la gouvernance -> amygdale modulation a révélé un profil dans lequel la bande theta/alpha en Institut sur la gouvernance a facilité la bande gamma dans l’amygdale. Pour amygdale -> modulation IOG, la bande gamma dans l’amygdale inhibe la bande theta/alpha et le gamma de même fréquence en Institut sur la gouvernance. Pour l’effet de visage-inversion, amygdale similaire -> modulation IOG, dans lequel la bande gamma dans l’amygdale inhibe la bande gamma dans l’Institut, a été observée. Toutefois, pour IOG -> modulation de l’amygdale, l’association alpha-theta/gamma observée dans l’effet de visage n’était pas évidente.

Figure 1
Figure 1 : Illustration de la génération des données du procès électroencéphalographie intracrânienne. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 2
Figure 2 : interfaces graphiques utilisateur des logiciels de cartographie statistique paramétrique (SPM) pour analyses temps / fréquence. (1) menu SPM. (2) analyse temps-fréquence. (3) de culture. (4) correction de la ligne de base. (5) conversion. (6) Lissage. (7) modèle statistique. (8) estimation du modèle. (9) contraste. (10) inférence. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 3
Figure 3 : organigramme de l’analyse temps-fréquence à l’aide du logiciel de cartographie statistique paramétrique (SPM). unepréparation l’électroencéphalographie intracrânienne prétraité (EEG) les données de chaque essai. transforment les données (b), à la décomposition de temps / fréquence (TF) de conduite pour l’EEG à l’aide d’ondelettes continues. (c), à la culture, Journal-transform et base correcte pour la TF cartes. (d), convertir le TF mappe vers des images bidimensionnelles (2D). (e), entrez les 2D images dans le modèle linéaire général. (f), effectuer des inférences statistiques sur les données TF SPM {T}. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 4
Figure 4 : interfaces graphiques utilisateur des logiciels de cartographie statistique paramétrique (SPM) pour des analyses dynamiques causales modélisation (DCM). (1) menu SPM. (2) menu de DCM. (3) sélection du modèle bayésien. (4) lissage. (5) modèle statistique. (6) estimation du modèle. (7) contraste. (8) inférence. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 5
Figure 5 : organigramme de la modélisation dynamique causale des réponses induites par. (a) calculer les spectres du temps-fréquence pour chaque essai de la cible plusieurs électrodes (le gyrus occipital inférieur (IOG) et les amygdales dans notre exemple) à l’aide de la décomposition des ondelettes continues. La moyenne des amplitudes spectrales des réponses de temps / fréquence pour donner la réponse induite. Ensuite, définir la conduite entrée, connexions intrinsèques et modulation des connexions intrinsèques par des manipulations expérimentales. Construire des modèles pour tester les hypothèses et estimer les modèles. (b) conduite par effets aléatoires analyse bayésienne modèle sélection pour identifier le modèle optimal. (c) convertir la fréquence-fréquence modulante les paramètres de couplage en deux dimensions (2D) images (avec lissage). Ensuite, effectuer des analyses du modèle linéaire général effets aléatoires et calculer les valeurs SPM {T} 2D. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 6
Figure 6 : résultats représentatifs. (a) temps-fréquence des cartes d’activité gyrus occipital inférieur droit (IOG) pour la face verticale (FU ; gauche) et des conditions de mosaïque verticale (MU ; moyen). Les données SPM {T} pour FU contre MU figurent également (à droite). (b) fonctionnels les modèles de réseaux dans l’Institut et l’amygdale. Huit combinaisons possibles d’entrées modulatrices par FU contre MU sur les connexions entre l’Institut et l’amygdale et l’insertion automatique sur chaque région ont été étudiés. (c), à la fréquence fréquence modulante couplage des paramètres et des valeurs SPM {T} pour FU contre MU d’IOG -> amygdale et amygdale -> IOG modulation sont indiqués. Les blobs rouge-jaune et bleu-cyan indiquent positif significatif/excitateurs et connectivité négatif/inhibiteur, respectivement. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Les protocoles analytiques pour intracrâniennes données EEG en utilisant le logiciel SPM a présenté ci-après présentent plusieurs avantages par rapport à l’IRM fonctionnelle. Tout d’abord, les protocoles peuvent dépeindre activation neurale à une haute résolution temporelle. Par conséquent, les résultats indiquent que les corrélats cognitifs d’activation neurale sont mises en œuvre aux stades précoces ou tardive du traitement. Dans notre exemple, l’effet de visage a été identifiée durant les tout premiers stades (c.-à-d., 110 ms) du traitement visuel. En outre, la comparaison des profils temporelles de l’activité neuronale liée à des fonctions psychologiques différentes fournissent des implications intéressantes. En particulier, notre exemple révélé fois activation différents pour les effets visage et visage-inversion, commençant à 115 ms et 165 ms, respectivement, dans l’Institut. Ces riches informations temporelles peuvent approfondir notre compréhension des mécanismes neurocognitifs.

En outre, les protocoles peuvent dépeindre intra - et inter - régionales, connectivité neuronale. Données d’autres mesures de neuroscientifiques, tels que des signaux hémodynamiques et cuir chevelu-enregistré les signaux électromagnétiques, contiennent une grande quantité de bruit et exigent l’estimation basée sur plusieurs hypothèses pour extraire les signaux électriques originales, qui peuvent fausser la connectivité neuronale résultante. Par conséquent, l’analyse des signaux électriques directement enregistrés est précieux. À titre d’illustration, bien que nos résultats ont révélé un couplage fonctionnel entre l’Institut et l’amygdale pendant le traitement du visage, ce couplage n’a pas décelé dans une précédente analyse de données MRI fonctionnel24. La compréhension des mécanismes neurones nécessite l’identification des relations causales entre les circuits neuronaux, qui exige des informations temporelles d’activation neurale.

Cependant, il est important de noter que le protocole optimal permet d’enregistrer et d’analyser les EEG intracrânien reste controversé. Par exemple, des études méthodologiques ont suggéré que les électrodes de référence peuvent ramasser des artefacts corporellement physiologiques (p. ex., les mouvements oculaires et activité musculaire) et bruit dans l’environnement et la position appropriée des électrodes de référence pour EEG intracrânien reste à être déterminée25,26. Plusieurs méthodes de prétraitement (par exemple, filtrage et non linéaire des transformations) pour supprimer les artefacts (p. ex., activité épileptique) ont été proposés, bien qu’ils soient sous débat27. Une étude a également signalé que les analyses temps / fréquence à l’aide de la décomposition de l’ondelette pourrait brouiller les pics dans l’original données28et autres méthodes analytiques, comme la transformation de Hilbert-Huang, peut offrir de meilleures résolutions temporelles29. L’extraction de la gamme de haute fréquence peut également être améliorée en utilisant ces méthodes30. Il a été noté que couplage Croix-fréquence pourrait être biaisée par sharp transitoires non linéaire et contrôler de tels effets confondants est nécessaire31,32,,33. Plusieurs méthodes d’analyse différentes ont été proposées pour l’analyse d’intra - et inter - régionales, couplage, tels que la valeur de verrouillage de phase16, pondérée phase lag indice34et Grander causalité35et il ne sait pas Quelles analyses et paramètres (p. ex., fréquence) sont les plus pertinents pour cognitive traitement3. Dans certains cas, intracrâniennes données EEG peuvent ne pas répondre des hypothèses paramétriques et des analyses non paramétriques peuvent être optimale36. Récemment, les autres protocoles analytiques ont été proposé37; par rapport aux autres protocoles, ceux basés sur le logiciel SPM peuvent avoir le potentiel unique de fournir un cadre unifié pour l’analyse des différents types de données neuroscientifiques38. Chercheurs doivent porter une attention particulière à des progrès dans les protocoles analytiques pour intracrâniennes données EEG.

En résumé, nous avons introduit des protocoles analytiques que nous avons récemment appliqué pour analyser des données EEG intracrâniennes, qui incluent l’analyse temps-fréquence SPM et Croix-fréquence couplage DCM des réponses induites. Nous croyons que ces protocoles analytiques peuvent s’identifier les corrélats neurones des fonctions cognitives élevées profils spatiaux et temporels.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

Cette étude a été financée par des fonds de la Corporation de Benesse, la société japonaise pour le programme de financement pour les chercheurs de prochaine génération mondiaux (LZ008), l’Organisation pour la promotion de la recherche dans les troubles du développement neurologique, de la Promotion of Science (JSPS) et le KAKENHI JSPS (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

Neurosciences numéro 140 Croix-fréquence femelle dynamique causale modélisation (DCM) visage oscillation gamma gyrus occipital inférieur intracrânienne électroencéphalographie (EEG) analyse temps-fréquence
Analyser l’activité neurale et la connectivité à l’aide des données EEG intracrânienne avec logiciel SPM
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