Summary
Denne artikel beskriver den halvautomatiske måling af amplituder og latenstider for de første fem toppe og trug i den auditive hjernestammeresponsbølgeform. En yderligere rutine samler og kommenterer dataene i et regneark til eksperimentanalyse. Disse gratis computerrutiner udføres ved hjælp af open source statistisk pakke R.
Abstract
Mange rapporter i de sidste 15 år har vurderet ændringer i den auditive hjernestammerespons (ABR) bølgeform efter fornærmelser som støjeksponering. Almindelige ændringer omfatter reduktioner i peak 1 amplitude og de relative latenstider af de senere toppe samt øget central forstærkning, hvilket afspejles af en relativ stigning i amplituderne af de senere toppe sammenlignet med amplituden af top 1. Mange eksperimenter identificerer toppe og trug visuelt for at vurdere deres relative højder og latenstider, hvilket er en besværlig proces, når bølgeformerne samles i trin på 5 dB i hele høreområdet for hver frekvens og tilstand. Dette papir beskriver gratis rutiner, der kan udføres i open source-platformen R med RStudio-grænsefladen for at halvautomatisere målingerne af toppe og trug af auditive hjernestammerespons (ABR) bølgeformer. Rutinerne identificerer amplituder og latenstider for toppe og trug, viser disse på en genereret bølgeform til inspektion, samler og kommenterer resultaterne i et regneark til statistisk analyse og genererer gennemsnitlige bølgeformer for tal. I tilfælde, hvor den automatiserede proces fejlidentificerer ABR-bølgeformen, er der et ekstra værktøj til at hjælpe med korrektion. Målet er at reducere den tid og kræfter, der er nødvendige for at analysere ABR-bølgeformen, så flere forskere vil inkludere disse analyser i fremtiden.
Introduction
Det auditive hjernestammerespons (ABR) bruges ofte til at bestemme høretærskler hos forsøgspersoner og spædbørn. Da ABR er et elektroencefalogram (EEG) over nervesystemets første reaktioner på auditive stimuli, bærer det yderligere information, der afspejler den koordinerede affyring af cochlear spiralganglionneuroner og tidlig signalbehandling i den auditive hjernestamme, herunder bilateral behandling1. Disse reaktioner kan blive påvirket af støjtraumer. For eksempel kan støjeksponering, der er tilstrækkelig til at fremkalde et midlertidigt tærskelskift hos mus, også permanent reducere amplituden af ABR-top 12. Desuden kan sådanne traumer reducere interpeak-latenserne og øge de relative amplituder af de senere toppe3, muligvis på grund af et tab af hæmmende regulering4. Ud over disse fund har specifikke genetiske mutationer vist sig at ændre ABR-bølgeformen i fravær af traume 5,6,7. Således kan den rutinemæssige analyse af ABR-bølgeformer give indsigt i det auditive system i eksperimentelle modeller.
Der har også været interesse for at bruge ABR-bølgeformer som et diagnostisk værktøj til patienter. Tidligere rapporter har vurderet, om ABR-peak 1 er reduceret hos humane patienter efter støjeksponering eller hos tinnituspatienter 8,9. Især er migræneanfald blevet rapporteret midlertidigt at øge interpeak-latenserne i flere uger, hvorefter ABR-bølgeformen vender tilbage til normal hos berørte individer10. COVID-19 er rapporteret at drive langsigtede ændringer i ABR interpeak latenstider 11,12, selvom en anden undersøgelse rapporterede forskellige resultater13. Høretab er ofte comorbid med demens i aldring, og personer med større høretab har tendens til at opleve demens, der udvikler sig hurtigere14. Forskere har undersøgt ABR-bølgeformændringer i neurodegenerative sygdomme, såsom Parkinsons sygdom (gennemgået i Jafari et al.15) og Alzheimers sygdom (gennemgået i Swords et al.16) såvel som i normal aldring 17. Efterhånden som flere forskere og klinikere undersøger sensoriske underskud som biomarkører for almindelige sygdomme i aldring, kan teknikker som ABR blive rutine i sundhedsvæsenet.
En gennemgang af metodeafsnittene i litteraturen afslører, at laboratorier ofte skriver brugerdefinerede scripts i MatLab til analyse af ABR-bølgeformer. ABR-platformen lavet af Intelligent Hearing Systems har en funktion til bølgeformsanalyse, men det kræver, at en operatør manuelt vælger toppe og trug. Her har vi skrevet halvautomatiske analyserutiner til open source, frit tilgængeligt statistisk miljø R og RStudio-grænsefladen. Denne rapport sammenligner de data, der er opnået ved hjælp af vores rutiner, med de data, der opnås ved at få en eksperimentator til manuelt at identificere toppe og trug og viser, at dataene fra de to metoder er stærkt korrelerede. Det er vigtigt, at rutinerne indeholder en blændende funktion, hvor metadataene for prøverne placeres i en separat fil, der ikke inkorporeres før slutningen. Disse funktioner har strømlinet bølgeformsanalyse til vores laboratorium.
Protocol
Alle procedurer udført på dyr blev godkendt på forhånd af University of Rochester Committee for Animal Research. De forsøgspersoner var 12 vildtype F1 han- og hunmus ved 1 måneds alderen. Disse F1-mus er produktet af parring af en CBA/CaJ-dæmning og en C57BL/6J-far. Musene blev opdrættet og opstaldet i vivariumanlægget med en standard 12 timers lys / mørk cyklus, ubegrænset mad og vand og rigelige redeforsyninger. Ikke mere end fem søskende af samme køn blev anbragt sammen i et bur.
1. Indhentning af data til analyse
BEMÆRK: Dette trin skal overholde institutionelle retningslinjer og forhåndsgodkendes af det institutionelle dyrevelfærdsudvalg. Den detaljerede proces til generering af ABR-data fra mus er beskrevet andetsteds18.
- Optag ABR med den valgte platform.
BEMÆRK: I det tilfælde, der er vist her, blev optagelserne udført på mus.- Brug en klikstimulering på 5 ms, der begynder ved et lydtrykniveau på 75 dB og falder i trin på 5 dB til 5 dB. Optag i gennemsnit 512 fejninger for hver amplitude. Afvis svar, hvis deres top til trugamplitude er større end 31 μV i ethvert tilfælde mellem 1,3 ms og 12,5 ms efter stimulus.
BEMÆRK: Optagelser fra tone pip-præsentationer kan også bruges. Vi forventer, at analyserutinen vil fungere for andre arter, herunder mennesker.
- Brug en klikstimulering på 5 ms, der begynder ved et lydtrykniveau på 75 dB og falder i trin på 5 dB til 5 dB. Optag i gennemsnit 512 fejninger for hver amplitude. Afvis svar, hvis deres top til trugamplitude er større end 31 μV i ethvert tilfælde mellem 1,3 ms og 12,5 ms efter stimulus.
- Eksporter ABR-optagelsen som en ASCII-fil.
- For IHS skal du åbne computerprogrammet.
- Indlæs filen af interesse, og vis de ønskede bølgeformer på en side.
- Under fanen Data skal du vælge Gem side som ASCII for at hente en .txt fil.
- Når du har navngivet datafilen korrekt ("ID"), skal du registrere ID'et og emneoplysningerne i en metadatafil med titlen "info.csv". Sørg for, at "ID" ikke indeholder nogen oplysninger såsom genotype, køn, alder eller behandling; Disse oplysninger registreres i stedet i "info.csv".
BEMÆRK: Et rimeligt spil spillekort kan bruges til tilfældigt at tildele etiketter, hvis det er nødvendigt. - Gentag med alle de filer, der skal analyseres som separate "ID" -filer.
2. Installation af de nødvendige pakker og indlæsning af dataene på arbejdscomputeren
- Download og installer R (https://www.r-project.org) og RStudio (https://www.rstudio.com).
BEMÆRK: Protokollen beskrevet her brugte R ≥ 4.0.0. - Installer de nødvendige biblioteker, tidyverse, shiny, plotly og zoo, ved at skrive følgende kommando i kommandovinduet i RStudio:
Install.packages("tidyverse")
Install.packages("skinnende")
Install.packages("plotly")
Install.packages("zoo") - Download scripts FindPeaks.R og See_trace_click. R fra White lab GitHub (https://github.com/PWhiteLab/FindPeaks) samt den tilhørende fil "Time.csv."
- Opret en ny mappe, der skal indeholde alle ASCII-filer, "info.csv" og "Time.csv." I dette eksempel skal du navngive mappen "Test_Folder". Inden for "Test_Folder" skal du placere ASCII-filerne i en undermappe med titlen "ASCII_Folder".
3. Indhentning af den foreløbige analyse med FindPeaks.R
- Åbn FindPeaks.R-scriptet i RStudio.
- Højreklik på fanen for scriptet i værktøjslinjen for at vælge Indstil arbejdsmappe, og indstil den til Test_Folder (se supplerende figur S1A).
- I scriptvinduet skal du klikke på Kilde øverst til højre på værktøjslinjen for at indlæse programmet (se supplerende figur S1B).
- I kommandovinduet skal du bruge følgende kommandoer til at analysere bølgeformerne (se supplerende figur S2):
FindPeaks_single("ASCII_folder/ID.txt" ) for individuelle filer (se supplerende figur S2A)
FindPeaks_group("ASCII_Folder" ) for batchforarbejdning (se supplerende figur S2B)
BEMÆRK: Scriptet udsender (1) pdf-filer, der viser bølgeformerne med mærkede toppe og trug (se supplerende figur S2C) og (2) en ID.csv fil, der indeholder de numeriske data for amplituden (μV) og latenstid (ms). Begge filer placeres i "Test_Folder".
4. Kontrol af den foreløbige analyse
BEMÆRK: Ved lave lydniveauer kan dele af bølgeformen blive vanskelige at skelne fra støj, og FindPeaks.R kan fejlidentificere toppe eller trug sammenlignet med eksperimentatorens mening. Hvis der er en uoverensstemmelse, kan den .csv fil ændres med data hentet fra scriptet See_trace_click.R.
- Indlæs bølgeformsdataene for den specifikke person ved hjælp af kommandoen (se supplerende figur S3A):
Bølgeform <- ASCII_extract("ASCII_Folder/ID.txt") - Åbn See_trace_click. R-script i RStudio.
- I overskriften til venstre skal du klikke på knappen Kør app og vente på, at et nyt interaktivt (skinnende) vindue vises (se supplerende figur S3B).
- I feltet øverst til venstre skal du indtaste lydniveauet for den bølgeform, der kræver revision, og se efter bølgeformen, der vises i vinduet.
- Flyt markøren rundt om bølgeformen for at afsløre latenstiden og amplituden på ethvert tidspunkt.
- Klik på den korrekte top og det følgende trug for at registrere dataene i nedenstående tabel. Kopiér og indsæt latenstidsdataene i filen .csv (se supplerende figur S3C).
- For at beregne amplitudemålingen skal du trække følgende trugamplitude fra spidsamplituden i regnearkscellen.
5. Kompilering og visualisering af datasættet
- Overfør de verificerede .csv-filer til en ny undermappe i Test_Folder med titlen "Peak_Data".
- Tilføj dataene i en enkelt .csv fil, og navngiv dem "Peak_Data.csv".
- Brug følgende kommando:
Kompiler ("Peak_Data")
BEMÆRK: Dette script kombinerer metadataene fra info.csv med Peak_Data.csv til at mærke dataene med gruppeoplysninger. Det beregner også automatisk interpeak latensiteter og amplitudeforhold. - Udfør statistisk analyse på de kompilerede data.
- Brug en test for normalitet, såsom Shapiro-Wilks-testen, til at vurdere fordelingen af dataene med følgende funktion:
Shapiro.test() - Hvis Shapiro-Wilks-testen ikke er signifikant, har datasættet en normalfordeling; vurder derfor dataene med en parametrisk test såsom ANOVA med følgende funktion:
Aov() - Hvis Shapiro-Wilks-testen er mindre end p = 0,05, skal du bruge Kruskal-Wallis rank sum-testen (med funktionen nedenfor) eller et andet passende ikke-parametrisk mål (se andre muligheder i diskussionen).
kruskal.test()
- Brug en test for normalitet, såsom Shapiro-Wilks-testen, til at vurdere fordelingen af dataene med følgende funktion:
- Hvis du vil have vist gennemsnitlige bølgeformer, skal du bruge følgende kommando:
Average_Waveform("ASCII_Folder ", aes(x = Data_Pnt_ms, y = "dB", gruppe = Genotype, farve = Genotype))
BEMÆRK: Denne kommando viser de gennemsnitlige bølgeformer for forskellige genotyper i forskellige farver. For y-variablen dB skal du indsætte det tal, der svarer til den ønskede amplitude, såsom 75, uden anførselstegn. For andre sammenligninger skal du bruge den tilsvarende gruppeetiket fra metadataene.
Representative Results
Vi testede rutinerne på ABR-bølgeformsresponser på en klikserie, der begyndte ved 75 dB og trådte ned i trin på 5 dB til 5 dB. Disse data blev indhentet som tidligere beskrevet19. Vi testede også værktøjet på tone pip-data og opnåede lignende resultater. ABR-data fra de fleste ABR-systemer kan eksporteres som ASCII-filer (.txt). Vi indlæste ABR ASCII-filer på en computer og åbnede dem i RStudio som beskrevet i protokollen. Efter at have kørt FindPeaks.R-rutinen i batchform opnåede vi prøvebølgeformer med automatiseret mærkning (figur 1) og en .csv-fil med resultaterne. Resultaterne blev gennemgået for at fjerne irrelevante toppe. For at validere den automatiserede mærkning brugte vi også ABR-programfunktionen til manuelt at mærke de første fem toppe og trug på hver bølgeform opnået med klikserien beskrevet ovenfor. Eksperimentatoren, der udførte denne opgave, havde 2 års erfaring med at registrere og analysere ABR-data. Figur 2 viser denne sammenligning med de automatiserede FindPeaks.R-data i rødt og de manuelt opnåede data i sort. Hvert spor repræsenterer dataene fra en enkelt mus. Gennemsnittet for begge metoder med en standardafvigelse vises også. Resultaterne opnået af FindPeaks.R korrelerer stærkt med resultater opnået manuelt (se supplerende figur S4).
Figur 1: Repræsentativ bølgeformsrespons på en klikstimulering på 75 dB for en ung F1-mus. Latens i millisekunder afbildes på x-aksen, og amplitude i mikrovolt afbildes på y-aksen. Tinderne blev automatisk identificeret med FindPeaks.R og er mærket med rødt, mens trugene er mærket med blåt. Klik her for at se en større version af denne figur.
Figur 2: Sammenligning af data fra de manuelt identificerede toppe med dataene fra FindPeaks.R-analysen. (A, C, E, G, I) amplituder i mikrovolt og (B, D, F, H, J) latenstider i millisekunder afbildes for lydniveauer mellem 5 dB og 75 dB (x-akse, alle grafer) for toppe I-V i bølgeformerne opnået for klikstimuli præsenteret for 12 mus. De manuelt opnåede værdier (sort) sammenlignes med de samme datasæt, der er analyseret med FindPeaks.R (rød). Gennemsnittene er plottet som tunge linjer, hvor det skraverede område repræsenterer en standardafvigelse. Der blev ikke set forskelle mellem metoderne, når de blev vurderet med Kruskal-Wallis rank sum test (A, forskel = 0,0547977 ± 0,0010028, max = 0,96, p = 0,9216; B, forskel = -0,0001734 ± 0,0001214, maks. = 0,04, p = 0,8289; C, forskel = -0,0212209 ± 0,0006806, maks. = 0,92, p = 0,9687; D, forskel = -0,0011047 ± 0,0001556, maks. = 0,06, p = 0,771; E, forskel = -0,0323077 ± 0,0006169, maks. = 0,66, p = 0,899; F, forskel = -0,0072189 ± 0,0001460, maks. = 0,04, p = 0,8644; G, forskel = 0,201754 ± 0,0007407, max = 0,64, p = 0,9312; H, forskel = -0,0007018 ± 0,0001717, maks. = 0,09, p = 0,8013; I, forskel = 0,0347561 ± 0,0007343, maks. = 1,05, p = 0,8856; J, forskel = -0,0078049 ± 0,0002762, max = 0,16, p = 0,886), og resultaterne var stærkt korrelerede (chi-kvadrerede værdier: A, 0,009696; B, 0,046684; C, 0,0015395; D, 0,084742; E, 0,016102; F, 0,029153; G, 0,0074604; H, 0,063322; I, 0,020699; J, 0,020544; forskelle præsenteret som middel ± SEM; max = absolut maksimal forskel). Klik her for at se en større version af denne figur.
Supplerende figur S1: Analyse med FindPeaks.R. (A) Valg af arbejdsmappe (se protokoltrin 3.2); (B) indlæsning af programmet (se protokoltrin 3.3). Klik her for at downloade denne fil.
Supplerende figur S2: Scriptoutput og kommandoer til analyse af bølgeformerne. Kommandoer til (A) individuelle filer og (B) batchbehandling. (C) Output PDF-fil, der viser bølgeformer med mærkede toppe og trug. Se protokoltrin 3.4. Klik her for at downloade denne fil.
Supplerende figur S3: Verifikation af analysen. (A) Indlæsning af bølgeformsdata (se protokoltrin 4.1). (B) Placering af knappen Kør app . Eksempeldatafilen er også angivet. (C) Skinnende vindue med bølgeform. I dette tilfælde er lydniveauet 75 dB, som angivet i det øverste vindue. Ved at klikke på en ønsket top og det følgende trug registreres dataene for amplitude og latenstid i tabellen (protokoltrin 4.6). Peak 3-data vises. Klik her for at downloade denne fil.
Supplerende figur S4: Sammenligning af de individuelle data fra de manuelt identificerede toppe med dataene fra FindPeaks.R-analysen. (A,C,E,G,I) Amplituder i mikrovolt og (B,D,F,H,J) latenstider i millisekunder afbildes for lydniveauer mellem 5 dB og 75 dB (x-akse, alle grafer) for toppe I-V i bølgeformer opnået for klikstimuli præsenteret for 12 mus. Hvert dyr er mærket med en unik farve, som vist i legenden. De data, der opnås med FindPeaks.R, er mærket med solide farver, mens de data, der opnås manuelt, er mærket med mindre mættede versioner af de samme farver. Mens begge datasæt er plottet i denne figur, når de er identiske, er kun en linje tydelig. Klik her for at downloade denne fil.
Discussion
Den protokol, der er beskrevet i denne publikation, skal hjælpe med at strømline indsamlingen af data, der beskriver spændingsamplitudeforhold og latenstidsintervaller for ABR'er til klik og tonepips. Ved at anvende enkelte kommandoer i RStudio kan en eksperimentator udtrække, kompilere og vise disse oplysninger i et enkelt dokument til statistisk analyse. Ved at gøre denne analyse rutine håber vi, at feltet vil opdage nye måder, hvorpå ABR kan ændres i udvikling, i aldring eller ved fornærmelse i forskellige arter. Sådanne oplysninger kan være værdifulde til at identificere vigtige mekanismer svarende til synaptopati fra støj2. De unge mus, der blev brugt til dette eksperiment, havde meget varierende responser, sandsynligvis fordi den auditive hjernestamme stadig modnes i denne alder af20 år. Ikke desto mindre viste de to kvantificeringsmetoder meget stærke sammenhænge (figur 2).
Scriptet bruger en fil kaldet "Time.csv" til at indstille intervaller i dataene til peak identifikation. Kort fortalt er en maksimal spændingsamplitude, der forekommer i et bestemt tidsinterval, mærket "top 1", et spændingsminimum, der forekommer i det følgende interval, er mærket "gennem 1" osv. Vi valgte intervallerne til at omfatte latenstiderne for både klik- og tonepipresponserne for CBA/CaJ-mus i alderen 1 måned til 12 måneder gamle ved hjælp af frekvenser fra 8 kHz til 32 kHz. Vi brugte med succes værktøjet til også at måle tone pip-respons hos mus. Andre arter, herunder mennesker, har også ABR-svar inden for lignende vinduer, og vi forventer, at dette værktøj også kan bruges til data fra andre arter. Vi vil anbefale at bruge den nye parallelle ABR-metode til mennesker21, som producerer fremragende bølgeformer. Tidsintervalbegrænsningen begrænser brugen af dette værktøj til vurdering af øjeblikkelige ABR-svar. Vi bemærker dog, at intervaldataene i denne fil kan ændres af brugerne for at automatisere målingerne af ABR-svar på tale eller af begivenhedsrelaterede potentialer (ERP'er), der karakteristisk forekommer på forskellige tidspunkter som reaktion på lyd.
Nogle funktioner i den statistiske behandling af disse data er værd at fremhæve. Så vidt vi ved, har feltet ikke en standardiseret behandling til at skelne amplitudeprogressioner. Tidlige undersøgelser anvendte ANOVA22,23. Dataene fra klikserien her (figur 2) var ikke-parametriske, hvilket førte til brugen af Kruskal-Wallis rangsumtesten. I lighed med ANOVA vurderer Kruskal-Wallis rank sum-testen forskelle i de værdier, der opnås på et givet niveau af en stimulus; det vil sige, det sammenligner de linjer, der er opnået på grafen. Andre behandlinger er dog også mulige. Biologisk afspejler amplitudeprogressioner den yderligere rekruttering af neuroner med højere tærskel, når stimulusniveauet stiger. Dette tyder på, at arealet under kurven, som repræsenterer linjernes integraler, kunne være den mere relevante foranstaltning. Generaliserede estimeringsligninger (GEE) kan bruges til at modellere individuelle data til en integreret analyse, som i Patel et al.5. Især kan GEE-analyse tage højde for de gentagne foranstaltninger, der er designet af disse eksperimenter. Efterhånden som flere forskere diskuterer dataanalysemetoderne, forventer vi, at der opstår enighed om bedste praksis.
Afslutningsvis præsenterer dette papir gratis og brugervenlige værktøjer til måling, kompilering og visualisering af ABR-bølgeformer. Disse værktøjer kan bruges af nybegyndere af RStudio ved at følge denne protokol, og de indeholder et blændende trin for forbedret stringens og reproducerbarhed. Vi forudser, at rutinemæssig ABR-bølgeformsanalyse vil muliggøre opdagelsen af fornærmelser, genetiske varianter og andre behandlinger, der kan påvirke auditiv funktion.
Disclosures
Forfatterne har ingen interessekonflikter.
Acknowledgments
Dette arbejde blev støttet af to tilskud fra NIDCD til PW: R01 DC018660 og en administrativ supplerende pris, R01 DC014261-05S1.
Materials
| Name | Company | Catalog Number | Comments |
| C57BL/6J mice | Jackson Labs | 664 | |
| CBA/CaJ mice | Jackson Labs | 654 | |
| E-series PC | Dell | n/a (this equipment was discontinued) | This runs the IHS system. |
| Mini-anechoic chamber | Industrial Acoustics Company | Special order number 104306 | This enclosure reduces noise levels for auditory testing of animals. |
| Optiplex 7040 | Dell | i5-6500 | Rstudio may also be run on a Mac or Linux system. |
| Universal Smart Box | Intelligent Hearing Systems | n/a (this equipment was discontinued) | Both TDT and IHS can output hearing data as ASCII files. |
References
- Gopal, K. V., Pierel, K. Binaural interaction component in children at risk for central auditory processing disorders. Scandinavian Audiology. 28 (2), 77-84 (1999).
- Kujawa, S. G., Liberman, M. C. Adding insult to injury: Cochlear nerve degeneration after "temporary" noise-induced hearing loss. Journal of Neuroscience. 29 (45), 14077-14085 (2009).
- Salvi, R. J., Wang, J., Ding, D. Auditory plasticity and hyperactivity following cochlear damage. Hearing Research. 147 (1-2), 261-274 (2000).
- Schrode, K. M., Muniak, M. A., Kim, Y. H., Lauer, A. M. Central compensation in auditory brainstem after damaging noise exposure. eNeuro. 5 (4), (2018).
- Patel, S., et al. SIRT3 promotes auditory function in young adult FVB/nJ mice but is dispensable for hearing recovery after noise exposure. PLoS One. 15 (7), 0235491 (2020).
- Milinkeviciute, G., Chokr, S. M., Castro, E. M., Cramer, K. S. CX3CR1 mutation alters synaptic and astrocytic protein expression, topographic gradients, and response latencies in the auditory brainstem. Journal of Comparative Neurology. 529 (11), 3076-3097 (2021).
- Ison, J. R., Allen, P. D., Oertel, D. Deleting the HCN1 subunit of hyperpolarization-activated ion channels in mice impairs acoustic startle reflexes, gap detection, and spatial localization. Journal of the Association for Research in Otolaryngology. 18 (3), 427-440 (2017).
- Chen, F., Zhao, F., Mahafza, N., Lu, W. Detecting noise-induced cochlear synaptopathy by auditory brainstem response in tinnitus patients with normal hearing thresholds: A meta-analysis. Frontiers in Neuroscience. 15, 778197 (2021).
- Santos-Filha, V. A., Samelli, A. G., Matas, C. G. Noise-induced tinnitus: Auditory evoked potential in symptomatic and asymptomatic patients. Clinics. 69 (7), 487-490 (2014).
- Kochar, K., Srivastava, T., Maurya, R. K., Jain, R., Aggarwal, P. Visual evoked potential & brainstem auditory evoked potentials in acute attack & after the attack of migraine. Electromyography and Clinical Neurophysiology. 42 (3), 175-179 (2002).
- Gedik, O., Husam, H., Basoz, M., Tas, N., Aksoy, F. The effect of coronavirus disease 2019 on the hearing system. Journal of Laryngology and Otology. 135 (9), 810-814 (2021).
- Ozturk, B., Kavruk, H., Aykul, A. Audiological findings in individuals diagnosed with COVID-19. American Journal of Otolaryngology. 43 (3), 103428 (2022).
- Dror, A. A., et al. Auditory performance in recovered SARS-COV-2 patients. Otology & Neurotology. 42 (5), 666-670 (2021).
- Lin, F. R., et al. Hearing loss and incident dementia. Archives of Neurology. 68 (2), 214-220 (2011).
- Jafari, Z., Kolb, B. E., Mohajerani, M. H.
- Swords, G. M., Nguyen, L. T., Mudar, R. A., Llano, D. A. Auditory system dysfunction in Alzheimer disease and its prodromal states: A review. Ageing Research Reviews. 44, 49-59 (2018).
- Konrad-Martin, D., et al. Age-related changes in the auditory brainstem response. Journal of the American Academy of Audiology. 23 (1), 18-35 (2012).
- Navntoft, C. A., Marozeau, J., Barkat, T. R. Cochlear implant surgery and electrically-evoked auditory brainstem response recordings in C57BL/6 mice. Journal of Visualized Experiments. (143), e59073 (2019).
- Gilels, F., Paquette, S. T., Beaulac, H. J., Bullen, A., White, P. M. Severe hearing loss and outer hair cell death in homozygous Foxo3 knockout mice after moderate noise exposure. Scientific Reports. 7, 1054 (2017).
- Rubio, M. E. Auditory brainstem development and plasticity. Current Opinion in Physiology. 18, 7-10 (2020).
- Polonenko, M. J., Maddox, R. K. The parallel auditory brainstem response. Trends in Hearing. 23, 2331216519871395 (2019).
- Shi, L., et al. Noise-induced damage to ribbon synapses without permanent threshold shifts in neonatal mice. Neuroscience. 304, 368-377 (2015).
- Lin, H. W., Furman, A. C., Kujawa, S. G., Liberman, M. C. Primary neural degeneration in the Guinea pig cochlea after reversible noise-induced threshold shift. Journal of the Association for Research in Otolaryngology. 12 (5), 605-616 (2011).
