Summary
Den här artikeln beskrivs hur du ställer in ett experiment som gör det möjligt att upptäcka pre-stimulus källa-nivå påverkan på objekt perception med Magnetencefalografi (Meg). Den omfattar stimulus material, experimentell design, MEG inspelning, och dataanalys.
Abstract
Pre-stimulus oscillatoriska hjärnaktivitet påverkar kommande perception. Egenskaperna hos denna pre-stimulus aktivitet kan förutsäga om en nära tröskel stimulans kommer att uppfattas eller inte uppfattas, men kan de också förutsäga vilka en av två konkurrerande stimuli med olika perceptuella innehåll uppfattas? Tvetydiga visuella stimuli, som kan ses på ett av två möjliga sätt i taget, är idealiska för att undersöka denna fråga. Magnetoencefalografi (MEG) är en neurofysiologisk mätteknik som registrerar magnetiska signaler som avges som ett resultat av hjärnaktivitet. Millisekunden temporal upplösning av MEG möjliggör en karakterisering av oscillatoriska hjärntillstånd från så lite som 1 sekund av inspelade data. Presentera en tom skärm runt 1 sekund före den tvetydiga stimulans debut ger därför ett tidsfönster där man kan undersöka om pre-stimulans oscillerande aktivitet fördomar innehållet i kommande uppfattning, vilket framgår av deltagarnas Rapporter. Den rumsliga upplösningen av MEG är inte utmärkt, men tillräcklig för att lokalisera källor till hjärnaktivitet i centimeter skala. Källa rekonstruktion av MEG aktivitet gör sedan för att testa hypoteser om den oscillerande aktiviteten i specifika regioner av intresse, samt tid och frekvens-löst anslutning mellan regioner av intresse. Det beskrivna protokollet möjliggör en bättre förståelse av påverkan av spontan, pågående hjärnaktivitet på visuell perception.
Introduction
Hjärnans tillstånd före stimuli presentation påverka hur stimuli uppfattas liksom neurala svar i samband med perception1,2,3,4. Till exempel, när en stimulans presenteras med en intensitet nära perceptuella tröskel (nära-tröskel), pre-stimulus neurala oscillatoriska kraft, fas och anslutning kan påverka om den kommande stimulansen kommer att uppfattas eller inte uppfattas5 ,6,7,8,9,10. Dessa pre-stimulans signaler kan också påverka andra aspekter av perception, såsom perceptuell objektinnehåll.
Att presentera personer med en tvetydig bild som kan tolkas på ett av två sätt är ett perfekt sätt att avsöka objekt perception11. Detta beror på att det subjektiva innehållet i perception kan vara ett av två objekt, medan den faktiska stimulansen förblir oförändrad. Man kan därför bedöma skillnaderna i inspelade hjärnsignaler mellan prövningar där människor rapporterade att uppfatta en kontra den andra möjliga tolkningen av stimulansen. Med tanke på rapporterna, man kan också undersöka om det fanns några skillnader i hjärnans tillstånd före stimulans debut.
Magnetoencefalografi (MEG) är en funktionell neuroimaging teknik som registrerar magnetiska fält som produceras av elektriska strömmar i hjärnan. Medan blod-syresättning nivå beroende (fet) svar lösa på en tidsskala av sekunder, MEG ger millisekund upplösning och därför gör det möjligt att undersöka hjärnans mekanismer som sker vid mycket snabba tidsskalor. En relaterad fördel med MEG är att det gör det möjligt att karakterisera hjärnans tillstånd från korta perioder av inspelade data, vilket innebär experimentella försök kan förkortas så att många prövningar passar in i en experimentell session. Vidare möjliggör MEG för frekvens-domän analyser som kan avslöja oscillerande aktivitet.
Förutom sin höga temporala upplösning, MEG erbjuder bra rumslig upplösning. Med käll rekonstruktion tekniker12, kan man projektera avkännarejämnar data till käll utrymme. Detta gör det möjligt att testa hypoteser om aktiviteten i specificerade intresseområden. Slutligen, medan signaler i sensor-rymden är starkt korrelerade och därför anslutningen mellan sensorer inte kan bedömas korrekt, möjliggör källa rekonstruktion för bedömning av anslutning mellan regioner av intresse eftersom det minskar samband mellan käll signalerna13. Dessa anslutnings uppskattningar kan lösas i både tid och frekvens domäner.
Med tanke på dessa fördelar, MEG är idealiskt lämpad att undersöka pre-stimulanseffekter på objekt perception i specificerade områden av intresse. I detta betänkande kommer vi att illustrera hur man utformar ett sådant experiment och MEG-anskaffningen, samt hur man ansöker om käll rekonstruktion och bedömer oscillerande aktivitet och uppkoppling.
Protocol
Det beskrivna protokollet följer riktlinjerna från etikkommittén för mänskliga forskningsfrågor vid Salzburgs universitet och är i enlighet med Helsingforsdeklarationen.
1. Förbered stimulus material
- Ladda ner en bild av Rubin Face/Vase illusion14. Detta kommer att visas för hälften av deltagarna.
- Använd MATLAB kommandot ~ för att invertera den ursprungliga svartvita binära Rubin bilden för att skapa en andra Rubin ansikte/vas negativ bild med svarta och vita färger vänt med avseende på den ursprungliga bilden (vit bakgrund i stället för svart bakgrund). Detta kommer att visas för den andra halvan av deltagarna.
- Skapa en mask genom att slumpmässigt förvrängt block av pixlar i Rubin bilden. Dela upp bilden i fyrkantiga block som är tillräckligt små för att dölja uppenbara kontur funktioner, till exempel mellan 2% och 5% av storleken på den ursprungliga bilden (5 av 5 pixlar ur en bild av 250 av 250), sedan slumpmässigt blanda dem för att skapa masken.
- Skapa en svart fixering kors på en vit bakgrund, så att fixering korset är mindre än Rubin bilden (mindre än 5 ° visuell vinkel).
2. ställa in MEG och stimulering utrustning
- Anslut den stimulus presentation datorn till projektorn. Anslut den DLP-LEDDA projektorns styrenhet via en USB optoisolerad förlängning (för data) och en DVI-kabel (Digital Visual Interface) (för stimuli).
- Anslut MEG förvärvs datorn till stimulus presentation datorn för att låta den skicka och ta emot utlösare. Anslut Digital Input/Output (DIO) system (knappar och triggers, 2x standard D24 kontakter) av integrerade stimulus presentationssystem i MEG-kontakten på optoisolerade BNC breakout box.
- Rekord 1 minut av tomma rum MEG data vid 1 kHz.
- Övervaka signalerna från 102 magnetometrar och 204 ortogonalt placerade planar gradiometrar vid 102 olika positioner genom att visualisera alla signaler i realtid på förvärvs datorn.
3. Förbered deltagaren för MEG experiment
Obs: uppgifter om MEG datainsamling har tidigare beskrivits15.
- Se till att deltagaren förstår informerat samtycke i enlighet med Helsingforsdeklarationen och få dem att underteckna blanketten som också innehåller ett meddelande om samtycke till behandling av personuppgifter.
- Förse deltagaren med icke-magnetiska kläder och se till att de inte har några metallföremål i eller på deras kroppar. Be deltagarna fylla i ytterligare ett anonymt frågeformulär för att säkerställa detta och att deltagaren inte har några andra uteslutningskriterier såsom neurologiska störningar, och att dokumentera andra personuppgifter som vänsterhänthet och nivå av vila.
- Placera deltagaren på en icke-ferromagnetisk (trä) stol. Fäst 5 huvud Positionsindikator (HPI) spolar till huvudet med plåster, två ovanför ena ögat, en ovanför det andra ögat, och en bakom varje öra.
- Placera Tracker-sensorn i digitaliserings systemet stadigt på deltagarens huvud och fäst den mot glasögon för maximal stabilitet.
Anmärkning: en 3D-digitaliserare användes (tabell över material). - Digitalisera de anatomiska landmärken, vänster och höger pre-auricular punkter och nasion, och se till vänster och höger pre-auricular punkter är symmetriska. Dessa fiducials definiera 3D-koordinaten ram.
- Digitalisera 5 HPI spole positioner med hjälp av en 3D digitizer Stylus.
- Digitalisera upp till 300 punkter längs hårbotten och maximera täckningen av huvudformen. Täck de väldefinierade områdena i hårbotten på magnetisk resonans (MR) bilder, ovanför Inion på ryggen och nasion på framsidan, liksom nasala bron.
Obs: dessa punkter kommer att användas för co-registrering med en anatomisk bild för bättre individuell källa rekonstruktion. - Ta bort glasögon med tracker-sensorn.
- Fäst engångselektroder ovan (superciliär båge) och nedan (mediala till zygomatic maxillary Bone) höger öga för att övervaka vertikala ögonrörelser.
- Fäst engångselektroder till vänster om vänster öga och till höger om höger öga (rygg till zygomatic maxillary Bone) för att övervaka horisontella ögonrörelser.
- Fäst engångselektroder under hjärtat och under höger nyckelben för att övervaka hjärtfrekvensen.
Obs: ögonen och hjärtat signalerna är relativt robust, så kontrollera impedansen av engångselektroder är inte nödvändigt. - Fäst en engångselektrod som en grund under halsen.
- Eskortera deltagaren till MEG avskärmade rummet och instruera dem att sitta i MEG stolen.
- Anslut HPI-kablaget och engångselektroderna i MEG-systemet.
- Höj stolen så att deltagarens huvud vidrör toppen på MEG-hjälmen och se till att deltagaren är bekväm i denna position.
- Stäng dörren till skärmad rum och kommunicera med deltagaren via intercom systemet i och utanför skärmad rummet.
- Instruera deltagaren att passivt stirra på en tom skärm (tom med undantag för en central fixering Cross) för 5 min medan du spelar vilande stat MEG data vid 1 kHz. Behåll samplingsfrekvensen på 1 kHz under experimentet.
- Instruera deltagaren om uppgiftskraven och få dem att utföra 20 övnings försök.
Anmärkning: exempel instruktioner: "Behåll din fixering i mitten av skärmen hela tiden. Ett kors visas, och efter att korset försvinner kommer du att se en bild följt av en förvrängd bild. Så snart den kodade bilden försvinner, klicka på den gula knappen om du hade sett ansikten och den gröna knappen om du hade sett en vas. " - Växla mellan deltagarnas svarsknappar (t. ex. höger för ansikten, vänster för vas eller tvärtom).
ANMÄRKNINGAR: färgen på svarsknapparna spelar ingen roll.
4. presentera experimentet med Psychtoolbox16
- Visa instruktioner till deltagarna och berätta för dem vilken knapp du ska trycka på när de ser ansikten och vilken knapp du ska trycka på när de ser en vas.
- Skapa en enda utvärderingsversion med 4 händelser som gäller för alla försök i den här ordningen: fixering Cross, Rubin bild, mask och svar prompt (figur 1).
- I början av varje prov, Visa fixering korset för en variabel tidsperiod mellan 1 s och 1,8 s.
- Vid slutet av den tidsperioden, ta bort fixering korset och Visa Rubin bilden för 150 ms.
- I slutet av 150 ms, ta bort Rubin bilden och Visa masken för 200 MS.
- I slutet av 200 MS, ta bort masken och visa en fråga för att uppmana deltagarna att svara med en maximal svars tidsgräns på 2 s.
- Program mera svarsperioden så att om deltagarna svarar inom 2 s börjar nästa prov (börjar med ett fixeringskors) när de gör det. Annars startar du nästa provversion efter 2 s.
- Spara tidpunkten för alla 4 händelser samt svars val och dess timing.
- Upprepa samma test struktur 100 gånger innan du visar en instruktion för deltagarna att vila kort. Detta utgör ett experimentellt kvarter.
- Upprepa block strukturen 4 gånger för totalt 400 prövningar.
5. Monitor MEG signal och deltagare under experimentet
- Övervaka deltagaren via video.
- I början av varje block, innan uppgiften startar, börja mäta MEG data och registrera den ursprungliga positionen för deltagarnas huvud position med avseende på MEG. Klicka på gå till start i det Meg-system som används. När en dialogruta frågar om HPI-data ska utelämnas eller läggas till i inspelningen ska du inspektera HPI coils-signalen och klicka på acceptera för att registrera den inledande huvud positionen. Därefter klickar du på spela in RAW för att börja spela in Meg-data.
- Om deltagaren vid något tillfälle under experimentet vill stoppa experimentet, avsluta experimentet och gå in i skärmad rummet för att koppla bort alla sensorer från MEG-systemet och frigöra deltagaren från stolen.
- Övervaka MEG-signalerna genom att visualisera dem i realtid på förvärvs datorn.
- Mellan blocken, kommunicera med deltagaren genom högtalarsystemet för att se till att de är väl och redo att fortsätta, och instruera dem att flytta sina armar och ben om de vill, men inte huvudet.
- Mellan blocken, spara den förvärvade MEG signaler av blocket.
- Efter slutet av experimentet, gå in i avskärmad rum, koppla bort alla sensorer från MEG systemet, och släpp deltagaren från stolen.
- Eskortera deltagaren ur avskärmad rum och erbjuda dem valet att antingen Lossa alla sensorer från deras ansikte och kropp själva, eller lossa sensorerna för dem.
- Tacka deltagaren och ge dem monetär kompensation.
6. pre-process och segment MEG signaler
- Använd algoritmen för signal utrymmes separation som implementeras i Maxfilter-programmet (som tillhandahålls av MEG-tillverkaren) med standardparametervärden för att ta bort externt brus från de kontinuerliga MEG-signalerna.
- Använd ett högpassfilter på 0,1 Hz för kontinuerliga data med hjälp av funktionen Fieldtrip Toolbox17 ft_preprocessing.
Anmärkning: alla senare rapporterade funktioner som har prefixats med "ft_" är en del av Fieldtrip Toolbox. - Segmentera MEG-data genom att extrahera 1 sekund före stimulans presentationen på varje testperiod.
- Tilldela dessa epoker en "ansikte" eller "vas" rättegång typ etikett enligt deltagarnas beteendemässiga svar på varje rättegång.
- Inspektera försök och kanaler visuellt för att identifiera och ta bort dem som visar överskridande av brus eller artefakter, oavsett art av artefakter, med hjälp av ft_rejectvisual.
- Avvisa försök och kanaler med z-poäng över 3 genom att klicka zscore och välja försök och kanaler som överskrider värdet av 3 eller prövningar med överflödig avvikelse genom att ta bort avvikare som visar efter att ha klickat var. Inspektera MEG-signalen för alla försök före eller efter denna procedur.
7. rekonstruktion av källor
- Inkludera båda utvärderings typer för att utföra käll lokalisering för att få vanliga linjärt begränsad minsta avvikelse12 spatial filter i den strålformning procedur som implementeras i fieldtrip.
- Band-pass filtrerar de epoched datan till frekvenserna av intresserar, i detta fall mellan 1 och 40 Hz.
- Välj den tid av intresse att beräkna kovariansmatrisen, i detta fall den 1 andra prestimulus period.
Anmärkning: de resulterande datasegmenten (valda mellan-1 till 0 s och 1 till 40 Hz) används i alla följande steg som kräver datainmatning. - Segmentera hjärnan och hårbotten ur individuella strukturella MR-bilder med ft_volumesegment. Om den inte är tillgänglig använder du en standard T1 (från den statistiska parametriska mappningen [SPM] Toolbox) Montreal Institute of Neurology (MNI, Montreal, Quebec, Kanada) hjärnskanning istället.
- Skapa för varje deltagare en realistisk Single-Shell huvud modell med ft_prepare_headmodel.
- På enskilda Mr bilder, lokalisera relaterat landmärken genom att klicka på deras plats på bilden för att initiera en grov Co-registrering med ft_volumerealign.
- Justera huvudet formen punkter med hårbotten för en finare Co-registrering.
- Förbered en individuell 3D-rutnät på 1,5 cm upplösning baserad på MNI mall hjärnan förvandlats till hjärnans volym av varje deltagare med ft_prepare_sourcemodel.
- Beräkna framåtmodellen för MEG-kanalerna och rutnäts platserna med ft_prepare_leadfield. Använd konfigurationen fixedori att beräkna leadfield för endast en optimal dipol orientering.
- Beräkna kovariansmatrisen för varje testperiod och genomsnittlig den i alla försök.
- Beräkna spatialfiltren med hjälp av framåtmodellen och den genomsnittliga kovariansmatrisen med ft_sourceanalysis.
- Multiplicera sensor nivå signalen med LCMV-filtren för att erhålla tidsserierna för varje källplats i rutnätet och för varje utvärderingsversion.
8. analysera pre-stimulus oscillerande effekt i regionen av intresse
- Definiera en intresse region (ROI), till exempel från tidigare litteratur18 (här spolformade Face Area [FFA]; MNI koordinater: [28 -64 -4] mm).
- Enstaka ut den virtuella sensorn som rumsligt motsvarar ROI, med hjälp av ft_selectdata.
- Dela ansikte och vas prövningar med ft_selectdata.
- Utför en frekvensanalys på ROI, separat på data från de två test typerna, med hjälp av ft_freqanalysis.
- Ställ in metoden alternativet att mtmfft att utföra en snabb Fourier Transform.
- Ställ in taper alternativet att Hanning att använda en hann funktion taper.
- Definiera frekvenser av intresse från 1 Hz till 40 Hz.
- Ställ in utmatnings alternativet på POW för att extrahera effektvärden från komplexa fourierspektra.
- Upprepa proceduren för varje deltagare innan medelvärdet av spektrat över deltagarna och plottning av de resulterande Grand-medelvärdet effektvärden som en funktion av frekvenserna av intresse.
9. analysera pre-stimulus Connectivity mellan regioner av intresse
- Definiera en (eller flera) ROI med vilken den tidigare valda ROI är en hypotes om att anslutas, till exempel från tidigare litteratur18 (här v1; MNI koordinater: [12 -88 0]).
- Upprepa steg 8,2 och 8,3.
- Utför tidsfrekvens analys på både ROIs (representerad som 2 kanaler eller ' virtuella sensorer ' inom samma datastruktur), separat på data från de två prov typerna, med hjälp av ft_freqanalysis.
- Ange metoden mtmconvol att implementera en multitaper tid frekvensomvandling baserat på multiplikation i frekvensdomänen.
- Ställ in taper alternativet att DPSS att använda en diskret prolate sfäroidala sekvenser funktion Kona.
- Definiera frekvenser av intresse från 8 Hz till 13 Hz.
- Ange bredden på tidsfönstret till 200 MS och utjämningsparametern till 4 Hz.
- Ange alternativet keeptrials till Ja för att returnera tidsfrekvens uppskattningar av enskilda försök.
- Ställ in utdata till Fourier för att returnera komplexa fourierspektra.
- Utför en anslutnings analys på resulterande tidsfrekvens data med hjälp av ft_connectivityanalysis.
- Ställ in metoden på coh och det komplexa fältet för att Tange att returnera den imaginära delen av enhetlighet19.
- Upprepa proceduren för varje deltagare innan medelvärdet av samstämmigheten spektra över frekvenser och deltagare och rita de resulterande Grand-medelvärdet imaginära konsekvens värden som en funktion av tiden.
10. statistiskt jämföra ansikte och vas pre-stimulus Power eller samstämmighet Spectra
- Kombinera pre-stimulus makt eller konsekvensdata från varje ämne, inom vart och ett av de 2 villkor, i en MATLAB variabel med ft_freqgrandaverage med alternativet keepindividual inställt på Ja.
- Utför ett klusterbaserat permutations test20 jämföra de 2 resulterande variablerna med ft_freqstatistics.
- Ange metod alternativet för motecarlo.
- Ställ in frekvens alternativet på [8 13] och Ställ in avgoverfreq på Ja.
- Ställ clusteralpha till 0,05 och ställa correcttail till alpha.
- Ange alternativet statistik till ft_statfun_depsamplesT.
- Skapa en design mat ris med en första rad med 20 sådana följt av 20 tvåor, och en andra rad av konsekutiv siffror från 1 till 20 upprepas två gånger. Passera denna design matris till design alternativet.
Obs: design matrisen är uppdelad i block om 20 eftersom data samlades in från 20 deltagare. - Ställ in alternativet Ivar till 1 och uvar -alternativet till 2.
Representative Results
Vi presenterade Rubin ansikte/vas illusion till deltagarna kort och flera gånger och frågade deltagarna att rapportera deras percept (ansikte eller vas?) efter varje rättegång (figur 1). Varje provperiod föregås av minst 1 s av en blank skärm (med fixering Cross); Detta var den pre-stimulus intervall av intresse.
Vi frågade om pre-stimulans oscillerande effekt i regioner av intresse eller pre-stimulus anslutning mellan regioner av intresse påverkat perceptuella rapporten från den kommande tvetydiga stimulans. Därför, som ett första steg, vi projicerade våra data till käll utrymme så att vi kunde extrahera signaler från relevanta ROIs.
Baserat på tidigare litteratur undersöker ansikte och objekt perception med både tvetydiga21 och entydiga22 STIMULI, bestämde vi FFA att vara vår ROI. Vi analyserade därefter de lågfrekventa (1-40 Hz) spektralkomponenterna i FFA-källsignalen och kontrasterade de spektrala uppskattningarna från prövningar som rapporterades som "ansikte" med de från prövningar som rapporterades som "vas". En klusterbaserad permutations test, klustring över frekvenserna 1-40 Hz, kontrasterande spektraleffekt på prövningar där människor rapporterade ansikte vs vas, avslöjade inga signifikanta skillnader mellan de 2 försöks typerna. Ändå, Descriptively visade Power Spectra den förväntade oscillerande alfa band topp i intervallet 8-13 Hz, och i mindre utsträckning beta-bandaktivitet i intervallet 13-25 Hz (figur 2).
Efter att ha funnit några skillnader i pre-stimulus spektralkraft, undersökte vi nästa om det fanns skillnader i pre-stimulus Connectivity mellan försöks typerna. Förutom FFA, bestämde vi v1 att vara vår andra ROI på grund av dess allestädes närvarande engagemang i vision. Baserat på resultaten av effektanalysen, vi fastställt frekvenserna 8-13 Hz att vara våra frekvenser av intresse. Vi beräknade den tid-och frekvens-lösta imaginära delen av enhetlighet mellan våra två ROIs, separat för ansikte och vas prövningar, och i genomsnitt resultatet över de frekvenser av intresse. Denna åtgärd återspeglar Synchrony av oscillatoriska fasen bland hjärnregioner och konservativt kontroller mot volym lednings effekter i MEG rekonstruerade källor19, så det var den metod för val för bedömning funktionell koppling. En klusterbaserad permutation test, klustring över tiden-punkter-1 till 0 s, kontrasterande imaginära enhetlighet mellan v1 och FFA på prövningar där människor rapporterade ansikte vs vas, avslöjade att ansiktet prövningar hade starkare pre-stimulus Connectivity jämfört med vas prövningar, cirka 700 MS före stimulans debut (figur 3).
Figur 1 : Exempel på test struktur och rådata. Nedre panelen: en provperiod inleds med att ett fixeringskors visas. Efter 1 till 1,8 s, visas Rubin stimulus för 150 ms följt av en mask för 200 MS. ett svar skärmen sedan verkar uppmana deltagarna att svara med "ansikte" eller "vas". Övre panelen: flera kanaler rådata från en exempel deltagare, tidslåst till stimulans debut och medelvärde över prövningar. Detta är en schematisk att lyfta fram data i pre-stimulus analysfönstret (-1 s till 0 s; markerad i rosa), som kommer att vara målintervallet för analys. Vänligen klicka här för att se en större version av denna siffra.
Figur 2 : Spektralkraft i FFA. Spektralkraft uppskattningar från källa-lokaliserade FFA signaler på ansikte och vas prövningar. Vänligen klicka här för att se en större version av denna siffra.
Figur 3 : Anslutning mellan v1 och FFA. Imaginär del av enhetlighet mellan källa-lokaliserade v1 och FFA signaler på ansikte och vas prövningar, i frekvensomfång på 8-13 Hz. skuggade regioner representerar standardfelet för medelvärdet för inom-ämnen mönster23. Vänligen klicka här för att se en större version av denna siffra.
Discussion
Presentera en unik stimulans som kan tolkas som mer än ett objekt över tiden, men som bara ett objekt vid varje given tidpunkt, gör det möjligt för att utreda pre-stimulanseffekter på objekt perception. På detta sätt en kan relatera pre-stimulus hjärnan stater till subjektiva rapporter av de upplevda objekten. I en laboratoriemiljö, tvetydiga bilder som kan tolkas på ett av två sätt, såsom Rubin Vase illusion, ger ett optimalt fall som möjliggör enkla kontraster av hjärnans aktivitet mellan två försöks typer: de uppfattade ett sätt (t. ex., "ansikte" ) och de som uppfattas på andra sätt (t. ex. "vas").
Presentera dessa stimuli kortfattat (< 200 MS) ser till att människor ser och därefter rapportera endast en av de två möjliga tolkningar av stimulans på en given rättegång. Motbalansering (slumpmässigt alternerande) mellan svart vas/vita ansikten och vit vas/svart ansikten versioner av stimulans över deltagarna minskar påverkan av låg nivå stimulans funktioner på efterföljande analys. Presentera en mask omedelbart efter stimulansen förhindrar efter-bilder från att bilda och polarisering deltagarnas svar. Eftersom att analysera perioden efter stimulans debut är inte av intresse, ingen matchning mellan lågfrekventa funktioner i stimulus och mask krävs. Slutligen, alternerande svarsknapparna över deltagarna (t. ex., vänster för vas, höger för ansiktet, eller vice versa) förhindrar aktivitet på grund av motor beredning från factoring i kontrasterna.
Med tanke på millisekunden upplösning av MEG, en pre-stimulus intervall på så kort som 1 s är tillräckligt för att uppskatta åtgärder såsom spektralkraft och konnektivitet. Med tanke på den korta varaktigheten av varje resulterande rättegång, ett stort antal prövningar kan rymmas i en experimentell session, att säkerställa en hög signal-brus-förhållande när medelvärdet MEG signaler över prövningar.
Särskilda kategori känsliga områden av intresse har visat sig vara aktiva under föreställnings objekt24,25. Till exempel, FFA är allmänt rapporterade att vara inblandade i Face perception22. För att undersöka effekterna av uppmätt aktivitet som härrör från specifika källor kan man källrekonstruera MEG-data. För att undersöka anslutningen mellan källor, är käll rekonstruktion nödvändigt. För att underlätta analys av källuppgifter kan data från en enda utvärderingsversion representeras av "virtuella sensorer". Att representera data på detta sätt gör det möjligt för en att analysera enskilda prov källdata på exakt samma sätt i käll utrymme och sensor utrymme (det vill, med hjälp av samma analysfunktioner, till exempel med hjälp av den Fieldtrip verktygslådan). Detta gör det möjligt att testa hypoteser om aktiviteten i specificerade områden av intressen på ett enkelt sätt.
Medan pre-stimulus oscillerande effekt har visat sig påverka stimulus Detection nära perceptuella tröskel (uppfattas kontra inte uppfattas), om det påverkar innehållet i vad som ses är mindre känd. Här kontrasterade vi pre-stimulus oscillerande kraft i FFA mellan prövningar som människor rapporterade ansikte vs vas, och fann inga statistiska skillnader. Vi testade därefter om anslutningen mellan v1 och FFA påverkar den kommande perceptuella rapporten, och fann att ansikte prövningar föregicks av förbättrad anslutning mellan v1 och FFA i alfa frekvensområdet runt 700 MS före stimulans debut. Att vi hittade ingen effekt i ALFAKRAFT, utan snarare i anslutning i alfa-bandet, tyder på att medan pre-stimulus alpha Power kan påverka stimulus Detection7,8, det påverkar inte nödvändigtvis objekt kategorisering. Våra resultat visar därför att för en mer fullständig förståelse av oscillatoriska dynamik före objekt perception och deras efterföljande påverkan på objekt perception, helt enkelt analysera oscillerande kraft i regioner av intresse är inte tillräckligt. Snarare måste anslutning mellan regioner av intresse beaktas, eftersom de pågående svängningar i styrkan i dessa anslutningar kan bias efterföljande perception18. Slutligen, trots den mindre än optimala rumsliga upplösningen av MEG, vårt protokoll visar att man kan tydligt identifiera regioner av intresse och undersöka deras relationer. MEG kan ersätta elektroencefalografi (EEG) eftersom det erbjuder överlägsen rumslig upplösning, och kan ersätta funktionen MRI eftersom det erbjuder överlägsen temporal upplösning. Därför är MEG kombinerat med käll rekonstruktion perfekt lämpad för att undersöka snabba och lokaliserade neurala processer.
Disclosures
Författarna har inget att avslöja.
Acknowledgments
Detta arbete stöddes av FWF österrikiska vetenskaps fonden, Imaging sinnet: connectivity och högre kognitiv funktion, W 1233-G17 (till E.R.) och Europeiska forskningsrådet Grant WIN2CON, ERC StG 283404 (till N.V.). Författarna skulle vilja erkänna stödet från Nadia Müller-Voggel, Nicholas Peatfield och Manfred Seifter för bidrag till detta protokoll.
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).
