Summary
Bu makalede, manyetoensefalografi (Meg) kullanarak nesne algılamada pre-Stimulus kaynak düzeyi etkilerini algılamaya olanak sağlayan bir denemenin nasıl ayarlanacağı açıklanır. Uyarıcı malzemesi, deneysel tasarım, Meg kaydı ve veri analizini kapsar.
Abstract
Ön Stimulus osilör beyin aktivitesi yaklaşan algı etkiler. Bu pre-uyarıcı aktivite özellikleri bir yakın eşik uyarıcı algılanan veya algılanamaz olup olmadığını tahmin edebilirsiniz, ama aynı zamanda farklı algısal içeriği ile iki rakip uyaranlara hangisi algılandığını tahmin edebilir? Bir defada iki olası yoldan birinde görülebilir belirsiz görsel uyaranlara, bu soruyu araştırmak için idealdir. Manyetoensefalografi (MEG), beyin aktivitesinin bir sonucu olarak yayılan manyetik sinyalleri kaydeden bir nörofizyolojik ölçüm tekniğidir. MEG 'in milisaniyelik temporal çözünürlüğü, kaydedilen verilerin 1 saniyesi kadar az olan osilasyon beyin devletlerinin karakterizasyonu için izin verir. Belirsiz uyarıcı başlangıcından önce 1 saniye civarında boş bir ekran sunan bu nedenle, bir zaman penceresi sağlar hangi bir ön uyarıcı salınan aktivite yaklaşan algı içeriği önyargıları olup olmadığını araştırabilir, katılımcılar tarafından belirtildiği gibi Rapor. MEG 'in uzamsal çözünürlüğü mükemmel değildir, ancak santimetre ölçekte beyin aktivitesinin kaynaklarını yerelleştirmek için yeterlidir. MEG aktivitesinin kaynak yeniden yapılanma sonra ilgi belirli bölgelerin osilasyonu aktivite hakkında hipotezler test etmek için izin verir, yanı sıra ilgi bölgeleri arasında zaman ve frekans-çözülen bağlantı. Açıklanan protokol, spontan, devam eden beyin aktivitesinin görsel algı üzerinde etkisini daha iyi anlamayı sağlar.
Introduction
Beyin durumları uyaranlara tanıtımı etkisi uyaranlara yanı sıra algı1,2,3,4ile ilişkili nöral tepkiler algılanan yol. Örneğin, bir uyarıcı algı eşik (yakın eşik) yakın bir yoğunluk ile sunulduğunda, ön uyarıcı nöral osilat gücü, faz, ve bağlantı yaklaşan uyarıcı algılanan veya algılanamaz olup olmadığını etkileyebilir5 ,6,7,8,9,10. Bu ön Stimulus sinyalleri de algısal nesne içeriği gibi algı diğer yönlerini etkileyebilir.
İki yoldan biriyle yorumlanabilen belirsiz bir görüntüye sahip kişileri sunmak, nesne algı11' i araştırmak için ideal bir yoldur. Bunun nedeni, algının subjektif içeriği iki nesnelerden biri olabilir, ancak gerçek uyarıcı değişmeden kalır. Bu nedenle, insanların uyarıcının diğer olası yorumlarına karşı bir algılama rapor hangi denemeler arasında kaydedilmiş Beyin sinyalleri farklılıkları değerlendirmek olabilir. Raporlar göz önüne alındığında, bir de uyaran başlangıcından önce beyin Devletlerinde herhangi bir farklar olup olmadığını araştırabilirsiniz.
Magnetoensefalografi (MEG), Beyindeki elektrik akımlarının ürettiği manyetik alanları kaydeden fonksiyonel bir nörogörüntüleme tekniktir. Kan oxygenation düzeyinde bağımlı (BOLD) yanıtlar saniye zaman ölçeğinde çözümlerken, MEG milisaniyelik çözünürlük sağlar ve bu nedenle çok hızlı zaman çizelgelerinde meydana gelen beyin mekanizmalarının incelenmesi sağlar. MEG ile ilgili bir avantaj, kaydedilen verilerin kısa dönemlerinden beyin durumlarını karakterize etmenize olanak sağlar, yani deneysel denemeler, birçok denemelerin deneysel bir oturum içine sığması gibi kısaltılabilir. Ayrıca MEG, osilat aktivitesini ortaya çıkarabilen frekans etki alanı analizlerini de sağlar.
Yüksek temporal çözünürlüğe ek olarak, MEG iyi uzamsal çözünürlük sunar. Kaynak yeniden yapılanma teknikleri12ile, bir kaynak alanı için sensör düzeyinde veri proje olabilir. Bu da, belirtilen ilgi alanları etkinliklerine ilişkin hipotezler test etmenizi sağlar. Son olarak, sensör-uzaydaki sinyaller son derece ilişkilidir ve bu nedenle sensörler arasındaki bağlantı doğru şekilde değerlendirilemez, kaynak yeniden yapılanma, ilgi bölgeleri arasındaki bağlantının değerlendirilmesi için izin verir, çünkü Kaynak sinyalleri arasındaki korelasyonlar13. Bu bağlantı tahminleri hem zaman hem de frekans etki alanlarında çözülebilir.
Bu avantajları göz önüne alındığında, MEG ideal ilgi belirtilen bölgelerde nesne algı üzerinde ön Stimulus etkileri araştırmak için uygundur. Bu raporda, nasıl böyle bir deney ve MEG satın alma ayarlama tasarımı, yanı sıra kaynak yeniden yapılanma uygulamak ve osilasyonu aktivite ve bağlantı değerlendirmek nasıl gösterecek.
Protocol
Açıklanan protokol, Salzburg Üniversitesi 'nde insan araştırma etiği komitesinin yönergelerine uyur ve Helsinki Bildirgesi uyarınca yer almaktadır.
1. uyarıcı malzemesi hazırlayın
- Rubin yüz/vazo yanılsama14bir görüntü indirin. Bu, katılımcıların yarısına gösterilecektir.
- Orijinal görüntüye (siyah arka plan yerine beyaz arka plan) göre çevrilmiş siyah ve beyaz renklerle ikinci bir Rubin yüz/vazo negatif görüntü oluşturmak için orijinal siyah beyaz ikili Rubin görüntüsünü tersine çevirmek için MATLAB komutunu kullanın. Bu, katılımcıların diğer yarısında gösterilecektir.
- Rubin görüntüsünün piksel bloklarını rasgele karıştırarak bir maske oluşturun. Belirgin kontur özelliklerini gizlemek için yeterince küçük olan kare bloklarda resmi bölün, örneğin orijinal görüntünün boyutunun% 2 ve% 5 ' i (250 tarafından 250 bir görüntünün 5 ' i 5 piksel), sonra da rasgele maskeleme oluşturmak için onları shuffle.
- Beyaz bir arka planda siyah bir fiktasyon haç oluşturun, böylece sabitleme haç Rubin görüntüsünden daha küçüktür (5 ° ' den az görsel açı).
2. MEG ve stimülasyon ekipmanlarını ayarlayın
- Uyarıcı sunum bilgisayarını Projektöre bağlayın. DLP LED projektör kumandasını USB optoyalıtılmış bir uzantıyla (veriler için) ve dijital görsel arayüz (DVı) kablosuyla (uyaranlara) bağlayın.
- MEG edinme bilgisayarını, Tetikleyicileri gönderip almasına izin vermek için uyarıcı sunum bilgisayarına bağlayın. Entegre uyarıcı sunum sisteminin dijital giriş/çıkış (VıO) sistemini (düğmeler ve Tetikleyiciler, 2x standart D24 konnektörleri) optoyalıtılmış BNC Breakout kutusundaki MEG konektörüne takın.
- 1 kHz 'de boş oda MEG veri 1 dakika kaydedin.
- 102 magnetometre ve 204 ortogonal olarak yerleştirilmiş düzlemsel gradiometrelerden gelen sinyalleri 102 farklı konumlarda izleyerek, tüm sinyalleri edinme bilgisayarında gerçek zamanlı olarak görselleştirin.
3. MEG deneyi için katılımcının hazırlanması
Not: MEG veri edinme ayrıntıları daha önce15açıklanmıştır.
- Katılımcının Helsinki bildirimine uygun olarak bilgilendirilmiş rızayı anlamasını ve kişisel verilerin işlenmesi için bir onay beyanı içeren formu imzalamasını sağlayın.
- Katılımcı manyetik olmayan giysiler ile sağlamak ve onların vücutlarında ya da hiçbir metalik nesneleri olduğundan emin olun. Katılımcıların bunu sağlamak için başka bir anonim anket doldurmasını isteyin ve katılımcı nörolojik bozukluklar gibi başka bir dışlama kriterleri yok, ve ellilik ve dinlenme düzeyi gibi diğer kişisel verileri belgelemek için.
- Katılımcıyı Ferromagnetic olmayan (ahşap) bir sandalyeye oturur. 5 baş pozisyon göstergesi (HPı) bobinleri kafasına yapışkan sıva ile, iki gözün üzerinde, biri diğer gözün üstünde, diğeri ise her kulağın arkasına takın.
- Dijitalleştirme sisteminin izci sensörünü katılımcının kafasına sıkıca yerleştirin ve maksimum stabilite için gözlükler olarak düzeltin.
Not: 3D çizim tablası (malzeme tablosu) kullanıldı. - Anatomik simgeleri, sol ve sağ ön-auriküler noktaları ve nasion dijiize ve sol ve sağ ön-auriküler noktaları simetrik olduğundan emin olun. Bu işaretlemiştir 3B koordinat çerçevesini tanımlar.
- 3 boyutlu çizim tablası Stylus kullanarak 5 HPI bobin konumlarını Digitize.
- Kafa derisi boyunca 300 puana kadar Digitize ve baş şeklin kapsama maksimize. Manyetik rezonans (MR) görüntülerde kafa derisinin iyi tanımlanmış alanlarını, arkasındaki Trinitron üzerinde ve ön tarafta bulunan nazion 'un yanı sıra burun köprüsünü de kapsar.
Not: Bu puanlar, daha iyi bireysel kaynak yeniden yapılanma için anatomik bir görüntü ile ortak kayıt için kullanılacaktır. - İzleyici sensörüyle gözlükler çıkarın.
- Üstte tek kullanımlık elektrotları (superciliary Arch) ve aşağıda (zigomatik maksiller kemiğine medial) sağ gözün dikey göz hareketlerini izlemek için takın.
- Yatay göz hareketlerini izlemek için sol gözün solunda ve sağ gözün sağında (zigomatik maksiller kemiğine dorsal) tek kullanımlık elektrotları takın.
- Kalp hızını izlemek için sağ köprücük kemiğinin altında ve kalbin altına tek kullanımlık elektrotları takın.
Not: gözler ve kalp sinyalleri nispeten sağlam, bu nedenle tek kullanımlık elektrotların empedansı kontrol etmek gerekli değildir. - Boyun altında bir zemin olarak tek kullanımlık bir elektrot takın.
- Katılımcı MEG korumalı odaya eskort ve MEG sandalyede oturmak için talimat.
- HPı kablo demetini ve tek kullanımlık elektrotları MEG sistemine takın.
- Katılımcının kafası MEG kask üst dokunur ve katılımcı bu pozisyonda rahat emin olun sandalye kaldırın.
- Korumalı odanın kapısını kapatın ve koruma altındaki odanın içinde ve dışındaki interkom sistemi aracılığıyla katılımcıyla iletişim kurun.
- Katılımcının, 1 kHz 'de dinlenme durumu MEG verilerini kaydederken 5 dakika boyunca boş bir ekrana (Merkezi sabitleme haç dışında boş) pasif bir şekilde bakmasını isteyin. Deneme süresince 1 kHz 'de örnekleme hızını tutun.
- Görev gereksinimlerinin katılımcıını bildirin ve 20 uygulama denemeleri gerçekleştirin.
Not: örnek yönergeler: "her zaman ekran merkezinde sabitleme tutun. Bir çapraz görünür ve çapraz kaybolur sonra, bir görüntü şifreli görüntüsünün ardından görürsünüz. En kısa sürede şifreli görüntü kaybolur, Eğer bir vazo görmüşseniz yüzler ve yeşil düğme gördüm eğer sarı düğmeye tıklayın. " - Katılımcılar arasında yanıt düğmelerini alternatif (örneğin, yüzler için sağ, vazo için sol, ya da tersi).
Not: Yanıt düğmelerinin rengi önemli değildir.
4. Psychtoolbox16 kullanarak deneme mevcut
- Katılımcılar için talimatları görüntüleyin, ne zaman onlar yüzleri ve hangi düğmeye bir vazo görmek basın görmek basın onlara söylemek.
- Bu sırada tüm denemeler için geçerli olacak 4 olay ile tek bir deneme oluşturun: fiksasyon Cross, Rubin görüntü, maske ve yanıt istemi (Şekil 1).
- Her deneme başlangıcı, 1 s ve 1,8 s arasında değişken bir süre için sabitleme haç görüntüler.
- Bu süre sonunda, sabitleme haç çıkarın ve 150 MS için Rubin görüntü görüntüler.
- 150 MS sonunda, Rubin görüntü çıkarın ve 200 ms için maske görüntüler.
- 200 MS 'nin sonunda, maskeyi kaldırın ve katılımcıların en fazla 2 s yanıt süresi ile yanıt vermesini istemeye yönelik bir soru görüntüleyin.
- Katılımcılar 2 s içinde yanıt vermezse, bir sonraki deneme (sabitleme çapraz ile başlayarak) bunu yaparken başlar gibi yanıt süresini program. Aksi takdirde, 2 s sonra sonraki deneme başlatın.
- Tüm 4 olayların zamanlaması yanı sıra yanıt seçimi ve zamanlamasını kaydedin.
- Katılımcıların kısaca dinlenmesine yönelik bir yönerge görüntülemeden önce 100 kez aynı deneme yapısını yineleyin. Bu bir deneysel blok oluşturmaktadır.
- 400 toplam denemeler için blok yapısını 4 kez yineleyin.
5. deney sırasında MEG sinyalini ve katılımcısı izleyin
- Katılımcı video üzerinden izleyin.
- Her bloğun başlangıcında, görev başlamadan önce, MEG verilerini ölçmeye başlayın ve katılımcıların baş konumunun MEG ile ilgili ilk konumunu kaydedin. Kullanılan MEG sisteminde Başlat 'a Git 'i tıklatın. Bir iletişim kutusu HPı verilerinin kayıt için atlanacak veya eklenip kaydedilmediğini sorduğunda, HPı bobinleri sinyalini inceleyin ve ilk kafa pozisyonunu kaydetmek için kabul et 'i tıklatın. Bundan sonra, MEG verilerini kaydetmeye başlamak için RAW kaydet 'i tıklatın.
- Deney boyunca herhangi bir noktada katılımcı deneyi durdurmak, deneyi sonlandırmak ve MEG sisteminden tüm sensörleri çıkarın ve sandalyeden katılımcı serbest bırakmak için korumalı odanın içine gitmek istiyor.
- Satın alma bilgisayarında gerçek zamanlı olarak görselleştirerek MEG sinyallerini izleyin.
- Bloklar arasında, onlar iyi ve devam etmeye hazır olduğundan emin olmak için hoparlör sistemi aracılığıyla katılımcı ile iletişim ve istedikleri takdirde onların ekstremite taşımak için talimat, ama onların kafa değil.
- Bloklar arasında, bu bloğun alınan MEG sinyalleri kaydedin.
- Deney bittikten sonra, korumalı odanın içine gidin, MEG sisteminden tüm sensörleri çıkarın ve sandalyeden katılımcı bırakın.
- Katılımcı korumalı odanın dışına eskort ve onlara kendi yüz ve vücut kendilerini tüm sensörleri ayırmak veya onlar için sensörleri ayırmak için seçim teklif.
- Katılımcı teşekkür ve parasal tazminat sağlamak.
6. ön proses ve segment MEG sinyalleri
- Maxfilter programında uygulanan sinyal alanı ayırma algoritmasını kullanın (MEG üreticisi tarafından sağlanan), sürekli MEG sinyallerinden harici gürültüyü kaldırmak için varsayılan parametre değerlerine sahiptir.
- Fieldtrip Toolbox17 işlevi ft_preprocessing kullanarak sürekli verilere 0,1 Hz yüksek geçiş filtresi uygulayın.
Not: ' ft_ ' ile önekli tüm sonradan bildirilen işlevler fieldtrip araç kutusunun bir parçasıdır. - Her deneme üzerinde uyarıcı sunum önceki 1 saniye ayıklayarak Meg verileri segment.
- Bu dönemler her deneme adresindeki katılımcıların davranışsal yanıtlarına göre bir ' yüz ' veya ' vazo ' deneme türü etiketi atayın.
- Ft_rejectvisual kullanarak, eserlerin doğası ne olursa olsun, gürültüyü veya eserleri aşan göstermeyi belirlemek ve kaldırmak için denemeler ve kanalları görsel olarak inceleyin.
- Zscore 'a tıklayarak ve var'ı tıklattıktan sonra gösterilen aykırı değerleri kaldırarak aşırı varyans ile 3 veya deneme değerini aşan denemeler ve kanallar seçerek, z-skorları olan denemeleri ve kanalları 3 ' ün üzerinde reddet. Bu prosedürden önce veya sonra tüm denemeler için MEG sinyalini inceleyin.
7. kaynak yeniden yapılanma
- Fieldtrip 'te uygulanan beamonforming yordamında ortak doğrusal kısıtlı minimum varyans12 uzamsal filtreleri elde etmek için kaynak lokalizasyonu gerçekleştirmek üzere her iki deneme türünü de ekleyin.
- Bant-Pass bu durumda 1 ve 40 Hz arasında, faiz frekansları için epoched veri filtre.
- Bu durumda 1 saniyelik prestimulus döneminde, Kovaryans matrisini hesaplamak için ilgi süresini seçin.
Not: elde edilen veri segmentleri (-1 ile 0 s ve 1 ila 40 Hz arasında seçilir) veri girişi gerektiren tüm aşağıdaki adımlarda kullanılır. - Ft_volumesegment ile bireysel yapısal MR görüntüleri dışında beyin ve kafa derisi segment. Mevcut değilse, standart T1 kullanın (istatistiksel parametrik eşleme [SPM] araç kutusundan) Montreal Nöroloji Enstitüsü (MNı, Montreal, Quebec, Kanada) beyin taraması yerine.
- Her katılımcı için ft_prepare_headmodel kullanarak gerçekçi tek kabuk kafa modeli oluşturun.
- Bireysel MR görüntülerinde, ft_volumerealign ile kaba bir ortak kayıt başlatmak için görüntüde konumunuzu tıklayarak fiducial simgeler bulun.
- Daha ince bir ortak kayıt için baş şekil noktalarını kafa derisi ile hizalayın.
- Ft_prepare_sourcemodel ile her katılımcı beyin hacmine morphed MNı şablon beyin dayalı 1,5 cm çözünürlükte bireysel bir 3D ızgara hazırlayın.
- MEG kanalları ve ft_prepare_leadfield ile kılavuz konumları için ileriye dönük modeli hesaplayın. Yapılandırma fixedori leadfield yalnızca bir en iyi dipol oryantasyon hesaplamak için kullanın.
- Her deneme için Kovaryans matrisini hesaplayın ve tüm denemeler boyunca ortalama.
- İleriye dönük modeli ve ft_sourceanalysis ile ortalama Kovaryans matrisini kullanarak uzamsal filtreleri hesaplayın.
- Izgaradaki her kaynak konumu için ve her deneme sürümü için zaman serisini elde etmek üzere sensör düzeyi sinyalini LCMV filtrelerine çarpın.
8. ilgi bölgesinde ön Stimulus osilör gücünü analiz edin
- Önceki literatürden örneğin bir ilgi alanı (YG) tanımlayın18 (burada fusiform yüz alan [FFA]; MNı koordinatları: [28 -64 -4] mm).
- Ft_selectdata kullanarak, ROı için dağınık olarak karşılık gelen sanal sensörü tek dışarı.
- Bölünmüş yüz ve vazo denemeler ft_selectdata kullanarak.
- Ft_freqanalysis kullanarak, iki deneme türünden verileri ayrı olarak YG 'de bir frekans analizi gerçekleştirin.
- Hızlı Fourier dönüşümü gerçekleştirmek için mtmfft için yöntem seçeneğini ayarlayın.
- Bir hann fonksiyon konik kullanmak için Hanning için konik seçeneğini ayarlayın.
- 1 Hz 'den 40 Hz 'ye kadar ilgi frekanslarını tanımlayın.
- Karmaşık Fourier spektrumdan güç değerlerini ayıklamak için POW çıkış seçeneğini ayarlayın.
- Katılımcılar arasında spektrumları ortalamadan önce her katılımcı için prosedürü tekrarlayın ve elde edilen büyük ortalamalar arasındaki güç değerlerini ilgi frekanslarının bir işlevi olarak çizebilirsiniz.
9. ilgi bölgeleri arasında ön Stimulus bağlantı analiz
- Daha önce seçilen YG 'nin bağlı olduğu hipotez (veya daha fazla) YG 'sini tanımlayın, örneğin önceki literatürden18 (burada v1; MNı koordinatları: [12 -88 0]).
- 8,2 ve 8,3 adımları yineleyin.
- Her iki ROI (aynı veri yapısı içinde 2 kanal veya ' sanal sensörler ' olarak temsil edilen) üzerinde zaman sıklığı analizi gerçekleştirin, ft_freqanalysis kullanarak, Iki deneme türlerinin verileri ayrı olarak.
- Yöntemi mtmconvol frekans etki alanında çarpma dayalı bir multitaper zaman sıklığı dönüşümü uygulamak için ayarlayın.
- Ayrık prolat küroidal dizileri fonksiyon konik kullanmak için DPSS için konik seçeneğini ayarlayın.
- 8 Hz 'den 13 Hz 'ye kadar ilgi frekanslarını tanımlayın.
- Saat penceresinin genişliğini 200 MS ve yumuşatma parametresine 4 Hz olarak ayarlayın.
- Tek denemelerin zaman sıklığı tahminlerini döndürmek için keepdenemeler seçeneğini Yes olarak ayarlayın.
- Karmaşık Fourier spektrumları döndürmek için Fourier çıktısını ayarlayın.
- Ft_connectivityanalysis kullanarak elde edilen zaman sıklığı verilerinde bir bağlantı analizi gerçekleştirin.
- Yöntemi coh ve karmaşık alanı için IMAG , tutarlı19sanal bölümünü döndürmek için ayarlayın.
- Frekansları ve katılımcılar arasında tutarlılık spektrumları ortalamadan önce her katılımcı için yordamı yineleyin ve zaman işlevi olarak ortaya çıkan büyük ortalamasını hayali tutarlılık değerlerini çizerek.
10. istatistiksel olarak yüz ve vazo ön Stimulus güç veya tutarlılık Spectra karşılaştırma
- Her bir konunun ön Stimulus güç veya tutarlılık verileri birleştirin, 2 koşulların her birinde, bir MATLAB değişken kullanarak ft_freqgrandaverage seçeneği ile keepbireysel set Yes.
- Küme tabanlı permutasyon testi gerçekleştirin20 ft_freqstatistics kullanarak sonuç değişkenleri karşılaştırma.
- Yöntem seçeneğini motecarloolarak ayarlayın.
- [8 13] için frekans seçeneğini ayarlayın ve avgoverfreq Evetolarak ayarlayın.
- Clusteralpha 0,05 olarak ayarlayın ve Düzeltme kuyruğu Alfaolarak ayarlayın.
- İstatistik seçeneğini ft_statfun_depsamplesTolarak ayarlayın.
- Bir tasarım matrisini bir ilk satır ile 20 iki kez takip 20 olanlar ve ardışık sayılar 1 ' den 20 ' den sonra ikinci bir satır oluşturun. Bu tasarım matrisini Tasarım seçeneğine geçirin.
Not: veri 20 katılımcıdan toplanan çünkü tasarım matrisini 20 blokları ayrılır. - Ivar seçeneğini 1 ve Uvar seçeneğini 2 olarak ayarlayın.
Representative Results
Rubin yüz/vazo yanılsamasını katılımcılara kısaca ve tekrar tekrar sunduk ve katılımcıların her deneme (Şekil 1) takipte algılarını (yüz veya vazo) bildirdikleri soruldu. Her deneme en az 1 s boş bir ekran (sabitleme çapraz) ile öncesinde; Bu ilgi ön Stimulus aralığı oldu.
Biz ilgi bölgeleri arasında faiz veya ön Stimulus bağlantı bölgelerinde ön Stimulus osilör güç gelecek belirsiz Stimulus algısal raporunu etkiledi olup olmadığını sordu. Bu nedenle, ilk adım olarak, biz ilgili ROIs sinyalleri ayıklamak olabilir gibi kaynak alanı bizim veri öngörülen.
Hem belirsiz21 ve unbelirsiz22 uyaran ile yüz ve nesne algı araştırmak önceki literatür dayanarak, BIZ bizim YG olarak FFA belirlenir. Daha sonra, FFA kaynak sinyalinin düşük frekanslı (1-40 Hz) spektral bileşenlerini analiz ettik ve ' yüz ' olarak bildirilen çalışmalarla ' vazo ' olarak bildirilen deneylerden gelen spektral tahminlere karşı geldik. Bir küme tabanlı permutasyon testi, Frekanslar 1-40 Hz üzerinde kümeleme, insanların yüz vs vazo bildirilen denemeler üzerinde spektral güç zıt, 2 deneme türleri arasında önemli bir fark ortaya. Yine de, açıklayıcı, güç Spectra 8-13 Hz aralığında beklenen osilat Alfa bandı zirve gösterdi ve 13-25 Hz aralığında daha az ölçüde Beta Band aktivite (Şekil 2).
Ön Stimulus spektral güce hiçbir fark bulunamadı, biz sonraki deneme türleri arasındaki bağlantı ön Stimulus farklılıkları olup olmadığını araştırdık. FFA 'ya ek olarak, vizyonun her yerde katılımı nedeniyle v1 'i ikinci YG olarak belirlemiştir. Güç analizinin sonuçlarına dayanarak, biz frekans 8-13 Hz ilgi frekansları olarak belirlenir. İki ROI arasında, yüz ve vazo çalışmalarımız için ayrı olarak zaman ve frekans çözülen hayali parçasını hesapladık ve sonuç olarak faiz frekansları boyunca ortalamalar. Bu tedbir, beyin bölgeleri arasında osilatif fazın eşzamanlı olarak yansıtılır ve MEG 'in yeniden inşa edilen kaynaklardan gelen hacim iletim efektlerine karşı muhafazakârlık kontrolleri19, bu nedenle fonksiyonel bağlamanın değerlendirilmesi için tercih edilen yöntemdir. Bir küme tabanlı permutasyon testi, zaman noktaları üzerinde kümeleme-1 için 0 s, insanların yüz vs vazo bildirilen denemeler üzerinde v1 ve FFA arasında hayali tutarlılık zıt, yüz denemeleri vazo denemeleri ile karşılaştırıldığında daha güçlü ön Stimulus bağlantı olduğunu ortaya yaklaşık 700 ms uyaran başlangıcından önce (Şekil 3).
Şekil 1 : Örnek deneme yapısı ve ham veri. Alt panel: bir deneme, sabitleme haç ekranıyla başlar. Sonra 1 için 1,8 s, Rubin uyarıcı için görünür 150 MS için bir maske izledi 200 ms. bir yanıt ekranı daha sonra katılımcıların ' face ' veya ' vazo ' ile yanıt vermesini ister. Üst panel: örnek bir katılımcının çok kanallı ham verileri, deneme başlangıcına zaman kilitlendi ve denemeler boyunca ortalamalar. Bu, ön Stimulus analiz penceresindeki verileri vurgulamak için bir şematiktir (-1 s-0 s; pembe olarak vurgulanır), analiz için hedef Aralık olacaktır. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.
Şekil 2 : FFA spektral güç. Yüz ve vazo denemelerinde kaynak lokalize FFA sinyallerinden spektral güç tahminleri. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.
Şekil 3 : V1 ve FFA arasındaki bağlantı. Yüz ve vazo denemelerinde kaynak lokalize v1 ve FFA sinyalleri arasındaki tutarlılık hayali bölümü, 8-13 Hz. gölgeli bölgeler, konular içi tasarımlar için Ortalama standart hatayı temsil eder23. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.
Discussion
Zaman içinde birden fazla nesne olarak yorumlanır, ancak herhangi bir zamanda tek bir nesne olarak yorumlanabilir benzersiz bir uyarıcı sunmak, nesne algısı üzerinde ön uyarıcı etkilerini araştırmak için izin verir. Bu şekilde bir ön uyarıcı beyin durumları algılanan nesnelerin subjektif raporlara ilişkilendirmek mümkün. Bir laboratuar ortamında, Rubin vazo yanılsama gibi iki yoldan biriyle yorumlanabilen belirsiz görüntüler, iki deneme türü arasında beyin aktivitesinin basit kontrastlarına izin veren optimal bir olgu sunar: Bu tek yönlü (örn., ' yüz ' ) ve diğer şekilde algılanan (örneğin, ' vazo ').
Bu uyaranların kısaca (< 200 ms) sunulması, insanların belirli bir duruşmada uyarıcının iki olası yorumundan sadece birini görebilmesini ve daha sonra raporlamaları sağlar. Siyah vazo/beyaz yüzler ve beyaz vazo/siyah yüzler arasında karşı Dengeleme (rasgele alternatif) katılımcılar arasında uyarıcı sürümleri, sonraki analiz düşük düzeyli uyarıcı özelliklerinin etkisini azaltır. Uyarıcının hemen sonra bir maske sunulması, görüntülerin sonra, katılımcıların yanıtlarının oluşumunu ve önlediğini engeller. Uyarıcı başlangıçtan sonra dönemi analiz etmek ilgi değildir, çünkü uyarıcı ve maske düşük frekans özellikleri arasında hiçbir eşleştirme gereklidir. Son olarak, katılımcılar arasında yanıt düğmelerini değiştirerek (örneğin, vazo için sol, yüz için sağ veya tersi), Faktoring 'den kontrastlara kadar motor hazırlığı nedeniyle aktiviteyi önler.
MEG 'in milisaniyelik çözünürlüğü göz önüne alındığında, 1 s gibi kısa bir ön Stimulus aralığı spektral güç ve bağlantı gibi önlemleri tahmin etmek için yeterlidir. Ortaya çıkan her deneme süresinin kısa süresi göz önüne alındığında, deneysel bir oturumda çok sayıda denemeler bulunabilir ve denemeler arasında MEG sinyallerini ortalama olarak yüksek bir sinyal-gürültü oranı sağlar.
İlgi belirli kategoriye duyarlı bölgeler nesne algı24,25sırasında aktif olduğu gösterilmiştir. Örneğin, FFA yaygın yüz algısı22dahil olduğu bildirilmiştir. Belirli kaynaklardan kaynaklanan ölçülen aktivite etkilerini araştırmak için bir kaynak-MEG veri yeniden oluşturabilirsiniz. Kaynaklar arasındaki bağlantıyı araştırmak için kaynak yeniden yapılanma gereklidir. Kaynak veri analizini kolaylaştırmak için tek deneme kaynak düzeyinde veri ' sanal sensörler ' ile temsil edilebilir. Bu şekilde verileri temsil eden tek deneme kaynak verileri kaynak alanı ve sensör alanı (diğer bir şey, örneğin fieldtrip araç kutusu kullanarak aynı çözümleme işlevlerini kullanarak) tam olarak aynı şekilde analiz sağlar. Bu daha sonra anlaşılır bir şekilde ilgi alanları belirtilen bölgelerin etkinliği hakkında test hipotezler sağlar.
Pre-uyarıcı osilör güç algısal eşik (algılanan vs algılanmadı) yakın uyarıcı algılama etkilemek için gösterilirken, bu görülme içeriği etkiler olsun daha az bilinmektedir. Burada, insanların yüz vs vazo bildirilen ve istatistiksel farklar bulunamadı denemeler arasında FFA ön Stimulus osilör güç kontratlı. Daha sonra v1 ve FFA arasındaki bağlantı yaklaşan algısal raporu etkiler olup olmadığını test, ve yüz denemeler v1 ve FFA arasında Alfa frekans aralığında gelişmiş bağlantı öncesinde olduğunu bulundu 700 ms önce uyarıcı başlangıçından. Biz Alfa gücü hiçbir etkisi bulunamadı, ama Alfa bandında bağlantı yerine, ön uyarıcı Alfa gücü uyarıcı algılama etkileyebileceğini gösteriyor7,8, bu mutlaka nesne kategorizasyonu etkilemez. Bu nedenle, sonuç olarak, nesne algısının önceki osilör dinamiklerinin daha eksiksiz bir şekilde anlaşılması ve nesne algısında daha sonraki etkileri, sadece ilgi bölgelerinde salınmaz gücü analiz etmek yeterli değildir. Bunun yerine, ilgi bölgeleri arasındaki bağlantı dikkate alınmalıdır, bu bağlantıların gücüne devam eden dalgalanmalar önyargı sonraki algı18olabilir. Son olarak, MEG 'in az-daha-optimal uzamsal çözünürlüğe rağmen, bizim protokol bir açıkça ilgi bölgeleri belirlemek ve ilişkilerini araştırmak mümkün olduğunu göstermektedir. MEG Elektroensefalografi (EEG) yerini alabilir, çünkü üstün uzamsal çözünürlük sunar ve üstün temporal çözünürlük sunduğu için fonksiyon MRI 'nın yerini alabilir. Bu nedenle, MEG kaynak yeniden yapılanma ile birlikte ideal hızlı ve lokalize nöral süreçleri araştırmak için uygundur.
Disclosures
Yazarların ifşa etmesi gereken hiçbir şey yok.
Acknowledgments
Bu çalışma FWF Avusturya Bilim Fonu, Imaging Mind: bağlantı ve yüksek bilişsel fonksiyon, W 1233-G17 (acil servise) ve Avrupa Araştırma Konseyi Grant WIN2CON, ERC StG 283404 (N.W.) tarafından destekleniyordu. Yazarlar Nadia Müller-Voggel, Nicholas Peatfield ve Manfred Seifter bu protokol katkıları için destek kabul etmek istiyorum.
Materials
| Name | Company | Catalog Number | Comments |
| Data analysis sowftware | Elekta Oy, Stockholm, SWEDEN | NM23321N | Elekta standard data analysis software including MaxFilter release 2.2 |
| Data analysis workstation | Elekta Oy, Stockholm, SWEDEN | NM20998N | MEG recoding PC and software |
| Head position coil kit | Elekta Oy, Stockholm, SWEDEN | NM23880N | 5 Head Position Indicator (HPI) coils |
| Neuromag TRIUX | Elekta Oy, Stockholm, SWEDEN | NM23900N | 306-channel magnetoencephalograph system |
| Polhemus Fastrak 3D | Polhemus, VT, USA | 3D head digitization system | |
| PROPixx | VPixx Technologies Inc., QC, CANADA | VPX-PRO-5001C | Projector and data acquisition system |
| RESPONSEPixx | VPixx Technologies Inc., QC, CANADA | VPX-ACC-4910 | MEG-compatible response collection handheld control pad system |
| Screen | VPixx Technologies Inc., QC, CANADA | VPX-ACC-5180 | MEG-compatible rear projection screen with frame and stand |
| VacuumSchmelze AK-3 | VacuumSchmelze GmbH & Co. KG, Hanau, GERMANY | NM23122N | Two-layer magnetically-shielded room |
| Software | Version | ||
| Fieldtrip | Open Source | FTP-181005 | fieldtriptoolbox.org |
| Matlab | MathWorks, MA, USA | R2018b | mathworks.com/products/matlab |
| Psychophysics Toolbox | Open Source | PTB-3.0.13 | psychtoolbox.org |
References
- Arieli, A., Sterkin, A., Grinvald, A., Aertsen, A. Dynamics of ongoing activity: explanation of the large variability in evoked cortical responses. Science. 273 (5283), 1868-1871 (1996).
- Boly, M., et al. Baseline brain activity fluctuations predict somatosensory perception in humans. Proceedings of the National Academy of Sciences of the United States of America. 104 (29), 12187-12192 (2007).
- Rahn, E., Başar, E. Prestimulus EEG-activity strongly influences the auditory evoked vertex response: a new method for selective averaging. The International Journal of Neuroscience. 69 (1-4), 207-220 (1993).
- Supèr, H., van der Togt, C., Spekreijse, H., Lamme, V. A. F. Internal state of monkey primary visual cortex (V1) predicts figure-ground perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 23 (8), 3407-3414 (2003).
- Frey, J. N., et al. The Tactile Window to Consciousness is Characterized by Frequency-Specific Integration and Segregation of the Primary Somatosensory Cortex. Scientific Reports. 6, 20805 (2016).
- Leonardelli, E., et al. Prestimulus oscillatory alpha power and connectivity patterns predispose perceptual integration of an audio and a tactile stimulus. Human Brain Mapping. 36 (9), 3486-3498 (2015).
- Leske, S., et al. Prestimulus Network Integration of Auditory Cortex Predisposes Near-Threshold Perception Independently of Local Excitability. Cerebral Cortex. 25 (12), New York, NY. 4898-4907 (2015).
- Weisz, N., et al. Prestimulus oscillatory power and connectivity patterns predispose conscious somatosensory perception. Proceedings of the National Academy of Sciences of the United States of America. 111 (4), 417-425 (2014).
- Busch, N. A., Dubois, J., VanRullen, R. The phase of ongoing EEG oscillations predicts visual perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 29 (24), 7869-7876 (2009).
- Mathewson, K. E., Gratton, G., Fabiani, M., Beck, D. M., Ro, T. To see or not to see: prestimulus alpha phase predicts visual awareness. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 29 (9), 2725-2732 (2009).
- Blake, R., Logothetis, N. K. Visual competition. Nature Reviews Neuroscience. 3 (1), 13-21 (2002).
- Van Veen, B. D., van Drongelen, W., Yuchtman, M., Suzuki, A. Localization of brain electrical activity via linearly constrained minimum variance spatial filtering. IEEE Transactions on Biomedical Engineering. 44 (9), 867-880 (1997).
- Bastos, A. M., Schoffelen, J. -M. A Tutorial Review of Functional Connectivity Analysis Methods and Their Interpretational Pitfalls. Frontiers in Systems Neuroscience. 9, 175 (2015).
- Rubin, E. Synsoplevede Figurer. , Gyldendalske Boghandel. Copenhagen. (1915).
- Balderston, N. L., Schultz, D. H., Baillet, S., Helmstetter, F. J. How to detect amygdala activity with magnetoencephalography using source imaging. Journal of Visualized Experiments. (76), e50212 (2013).
- Kleiner, M., et al. What's new in psychtoolbox-3. Perception. 36 (14), 1-16 (2007).
- Oostenveld, R., Fries, P., Maris, E., Schoffelen, J. -M. FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data. Computational Intelligence and Neuroscience. 2011, 156869 (2011).
- Rassi, E., Wutz, A., Mueller-Voggel, N., Weisz, N. Pre-stimulus feedback connectivity biases the content of visual experiences. BioRxiv. , (2019).
- Nolte, G., et al. Identifying true brain interaction from EEG data using the imaginary part of coherency. Clinical Neurophysiology: Official Journal of the International Federation of Clinical Neurophysiology. 115 (10), 2292-2307 (2004).
- Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
- Hesselmann, G., Kell, C. A., Eger, E., Kleinschmidt, A. Spontaneous local variations in ongoing neural activity bias perceptual decisions. Proceedings of the National Academy of Sciences of the United States of America. 105 (31), 10984-10989 (2008).
- Kanwisher, N., McDermott, J., Chun, M. M. The fusiform face area: a module in human extrastriate cortex specialized for face perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 17 (11), 4302-4311 (1997).
- Morey, R. D. Confidence Intervals from Normalized Data: A correction to Cousineau. Tutorials in Quantitative Methods for Psychology. 4 (2), 61-64 (2008).
- Miller, E. K., Nieder, A., Freedman, D. J., Wallis, J. D. Neural correlates of categories and concepts. Current Opinion in Neurobiology. 13 (2), 198-203 (2003).
- Kreiman, G., Koch, C., Fried, I. Category-specific visual responses of single neurons in the human medial temporal lobe. Nature Neuroscience. 3 (9), 946-953 (2000).
