Summary
Denne artikkelen beskriver den halvautomatiske målingen av amplituder og ventetider for de fem første toppene og bunnene i den auditive hjernestammeresponsbølgeformen. En ekstra rutine samler og kommenterer dataene i et regneark for eksperimentanalyse. Disse gratis datarutinene utføres ved hjelp av åpen kildekode-statistikkpakke R.
Abstract
Mange rapporter de siste 15 årene har vurdert endringer i den auditive hjernestammeresponsen (ABR) bølgeformen etter fornærmelser som støyeksponering. Vanlige endringer inkluderer reduksjoner i topp 1-amplituden og de relative ventetidene til de senere toppene, samt økt sentral forsterkning, noe som gjenspeiles av en relativ økning i amplituden til de senere toppene sammenlignet med amplituden til topp 1. Mange eksperimenter identifiserer toppene og troughene visuelt for å vurdere deres relative høyder og ventetider, noe som er en arbeidskrevende prosess når bølgeformene samles i trinn på 5 dB i hele hørselsområdet for hver frekvens og tilstand. Denne artikkelen beskriver gratis rutiner som kan utføres i open source-plattformen R med RStudio-grensesnittet for å halvautomatisere målingene av toppene og bunnene i auditiv hjernestammerespons (ABR) bølgeformer. Rutinene identifiserer amplituder og ventetider av topper og bunner, viser disse på en generert bølgeform for inspeksjon, samler og kommenterer resultatene i et regneark for statistisk analyse, og genererer gjennomsnittlige bølgeformer for tall. I tilfeller der den automatiserte prosessen feilidentifiserer ABR-bølgeformen, er det et ekstra verktøy for å hjelpe til med korreksjon. Målet er å redusere tid og krefter som trengs for å analysere ABR-bølgeformen, slik at flere forskere vil inkludere disse analysene i fremtiden.
Introduction
Den auditive hjernestammeresponsen (ABR) brukes ofte til å bestemme hørselsterskler hos dyr og spedbarn. Siden ABR er et elektroencefalogram (EEG) av de første responsene i nervesystemet på auditiv stimuli, bærer den tilleggsinformasjon som gjenspeiler koordinert avfyring av cochlear spiral ganglion nevroner og tidlig signalbehandling i den auditive hjernestammen, inkludert bilateral behandling1. Disse responsene kan påvirkes av støytraumer. For eksempel kan støyeksponering som er tilstrekkelig til å indusere en midlertidig terskelforskyvning hos mus, også permanent redusere amplituden til ABR topp 12. Videre kan slike traumer redusere interpeak-latensene og øke de relative amplitudene til de senere toppene3, muligens på grunn av tap av hemmende regulering4. I tillegg til disse funnene har spesifikke genetiske mutasjoner vist seg å endre ABR-bølgeformen i fravær av traumer 5,6,7. Dermed kan rutineanalysen av ABR-bølgeformer gi innsikt i hørselssystemet i eksperimentelle modeller.
Det har også vært interesse for å bruke ABR-bølgeformer som diagnostisk verktøy for pasienter. Tidligere rapporter har vurdert om ABR peak 1 er redusert hos mennesker etter støyeksponering eller hos tinnituspasienter 8,9. Spesielt har migreneangrep blitt rapportert å midlertidig øke interpeak latencies i flere uker, hvoretter ABR-bølgeformen vender tilbake til normal hos berørte individer10. COVID-19 har blitt rapportert å drive langsiktige endringer i ABR interpeak latencies 11,12, selv om en annen studie rapporterte forskjellige resultater13. Hørselstap er ofte komorbid med demens i aldring, og personer med større hørselstap har en tendens til å oppleve demens som utvikler seg raskere14. Forskere har undersøkt ABR-bølgeformendringer i nevrodegenerative sykdommer, som Parkinsons sykdom (gjennomgått i Jafari et al.15) og Alzheimers sykdom (gjennomgått i Swords et al.16), samt i normal aldring 17. Etter hvert som flere forskere og klinikere undersøker sensoriske underskudd som biomarkører for vanlige sykdommer i aldring, kan teknikker som ABR bli rutine i helsevesenet.
En undersøkelse av metodeseksjonene i litteraturen avslører at laboratorier ofte skriver tilpassede skript i MatLab for å analysere ABR-bølgeformer. ABR-plattformen laget av Intelligent Hearing Systems har en funksjon for bølgeformanalyse, men det krever at en operatør manuelt velger topper og bunner. Her har vi skrevet halvautomatiske analyserutiner for open source, fritt tilgjengelig statistikkmiljø R og RStudio-grensesnittet. Denne rapporten sammenligner dataene som er oppnådd ved hjelp av våre rutiner med dataene som er oppnådd ved at en eksperimentør manuelt identifiserer toppene og troughene og viser at dataene fra de to metodene er sterkt korrelert. Det er viktig at rutinene inneholder en blendende funksjon, der metadataene for prøvene plasseres i en egen fil som ikke blir innlemmet før til slutten. Disse funksjonene har strømlinjeformet bølgeformanalyse for laboratoriet vårt.
Protocol
Alle prosedyrer utført på dyr ble godkjent på forhånd av University of Rochester Committee for Animal Research. De eksperimentelle forsøkspersonene var 12 villtype F1 hann- og hunnmus ved 1 måneds alder. Disse F1-musene er et produkt av parring av en CBA/CaJ-demning og en C57BL/6J-far. Musene ble avlet og plassert i vivarium-anlegget med en standard 12 timers lys / mørk syklus, ubegrenset mat og vann og rikelig med hekkeforsyninger. Ikke mer enn fem søsken av samme kjønn ble plassert sammen i ett bur.
1. Innhenting av data for analyse
MERK: Dette trinnet må være i samsvar med institusjonelle retningslinjer og forhåndsgodkjennes av det institusjonelle dyrevelferdsutvalget. Den detaljerte prosessen for å generere ABR-data fra mus er beskrevet andre steder18.
- Ta opp ABR med den valgte plattformen.
MERK: I det tilfellet som vises her, ble opptakene utført på mus.- Bruk en stimulans på 5 ms klikk som begynner på et lydtrykknivå på 75 dB og reduseres i trinn på 5 dB til 5 dB. Ta opp et gjennomsnitt på 512 feier for hver amplitude. Avvis svar hvis deres topp til trough amplitude er større enn 31 μV i alle tilfeller mellom 1,3 ms og 12,5 ms etter stimulansen.
MERK: Opptak fra tone pip-presentasjoner kan også brukes. Vi forventer at analyserutinen vil fungere for andre arter, inkludert mennesker.
- Bruk en stimulans på 5 ms klikk som begynner på et lydtrykknivå på 75 dB og reduseres i trinn på 5 dB til 5 dB. Ta opp et gjennomsnitt på 512 feier for hver amplitude. Avvis svar hvis deres topp til trough amplitude er større enn 31 μV i alle tilfeller mellom 1,3 ms og 12,5 ms etter stimulansen.
- Eksporter ABR-opptaket som en ASCII-fil.
- For IHS, åpne dataprogrammet.
- Last inn filen av interesse, og vis de ønskede bølgeformene på en side.
- Under Data-fanen velger du Lagre side som ASCII for å få en .txt fil.
- Når du har gitt datafilen riktig navn ("ID"), registrerer du ID-en og emneinformasjonen i en metadatafil med tittelen "info.csv." Forsikre deg om at "ID" ikke inneholder informasjon som genotype, kjønn, alder eller behandling; Denne informasjonen registreres i stedet i "Info.csv."
MERK: En rettferdig kortstokk kan brukes til å tilfeldig tildele etiketter om nødvendig. - Gjenta med alle filene som skal analyseres som separate "ID" -filer.
2. Installere de nødvendige pakkene og laste dataene på arbeidsdatamaskinen
- Last ned og installer R (https://www.r-project.org) og RStudio (https://www.rstudio.com).
MERK: Protokollen beskrevet her brukte R ≥ 4.0.0. - Installer de nødvendige bibliotekene, tidyverse, shiny, plotly og zoo, ved å skrive inn følgende kommando i kommandovinduet til RStudio:
Install.packages("tidyverse")
Install.packages("skinnende")
Install.packages("plottet")
Install.packages("zoo") - Last ned skriptene FindPeaks.R og See_trace_click. R fra White lab GitHub (https://github.com/PWhiteLab/FindPeaks), samt tilhørende fil "Time.csv."
- Opprett en ny mappe som skal inneholde alle ASCII-filene, "info.csv" og "Time.csv." I dette eksemplet gir du mappen navnet "Test_Folder". I "Test_Folder" plasserer du ASCII-filene i en undermappe med tittelen "ASCII_Folder."
3. Innhenting av den foreløpige analysen med FindPeaks.R
- Åpne skriptet FindPeaks.R i RStudio.
- Høyreklikk på fanen for skriptet i verktøylinjen for å velge Angi arbeidskatalog, og sett den til Test_Folder (se Supplerende figur S1A).
- I skriptvinduet klikker du på Kilde øverst til høyre på verktøylinjen for å laste inn programmet (se Supplerende figur S1B).
- I kommandovinduet bruker du følgende kommandoer til å analysere bølgeformene (se supplerende figur S2):
FindPeaks_single("ASCII_folder/ID.txt") for individuelle filer (se supplerende figur S2A)
FindPeaks_group("ASCII_Folder") for batchbehandling (se supplerende figur S2B)
MERK: Skriptet vil sende ut (1) pdf-filer som viser bølgeformene med merkede topper og bunner (se tilleggsfigur S2C) og (2) en ID.csv fil som inneholder numeriske data for amplitude (μV) og latens (ms). Begge filene vil bli plassert i "Test_Folder".
4. Verifisere den foreløpige analysen
MERK: Ved lave lydnivåer kan deler av bølgeformen bli vanskelig å skille fra støy, og FindPeaks.R kan feilidentifisere toppene eller troughene sammenlignet med eksperimentørens mening. Hvis det er uoverensstemmelse, kan den .csv filen endres med data hentet fra skriptet See_trace_click.R.
- Last inn bølgeformdataene for den spesifikke personen ved hjelp av kommandoen (se tilleggsfigur S3A):
Bølgeform <- ASCII_extract("ASCII_Folder/ID.txt") - Åpne See_trace_click. R-skript i RStudio.
- I overskriften til venstre klikker du på Kjør app-knappen , og venter på at et nytt interaktivt (Shiny) vindu skal vises (se Supplerende figur S3B).
- I boksen øverst til venstre skriver du inn lydnivået for bølgeformen som krever revisjon, og ser etter bølgeformen som vises i vinduet.
- Flytt markøren rundt bølgeformen for å vise ventetiden og amplituden når som helst.
- Klikk på riktig topp og følgende trough for å registrere dataene i tabellen nedenfor. Kopier og lim inn latensdataene i den .csv filen (se supplerende figur S3C).
- For å beregne amplitudemålingen, trekk følgende bunnamplitude fra toppamplituden i regnearkcellen.
5. Kompilere og visualisere datasettet
- Overfør de bekreftede .csv filene til en ny undermappe i Test_Folder med tittelen "Peak_Data."
- Legg til dataene i en enkelt .csv fil og gi den navnet "Peak_Data.csv."
- Bruk følgende kommando:
Kompilere ("Peak_Data")
MERK: Dette skriptet kombinerer metadataene fra info.csv med Peak_Data.csv for å merke dataene med gruppeinformasjon. Den beregner også automatisk interpeak latencies og amplitude ratios. - Utfør statistisk analyse på de kompilerte dataene.
- Bruk en normalitetstest, for eksempel Shapiro-Wilks-testen, til å vurdere fordelingen av dataene med følgende funksjon:
Shapiro.test() - Hvis Shapiro-Wilks-testen ikke er signifikant, har datasettet en normalfordeling; Vurder derfor dataene med en parametrisk test som ANOVA med følgende funksjon:
AOV() - Hvis Shapiro-Wilks-testen er mindre enn p = 0,05, bruk Kruskal-Wallis rangsumtest (med funksjonen nedenfor) eller et annet passende ikke-parametrisk mål (se andre muligheter i diskusjonen).
Kruskal.test()
- Bruk en normalitetstest, for eksempel Shapiro-Wilks-testen, til å vurdere fordelingen av dataene med følgende funksjon:
- Hvis du vil vise gjennomsnittlige bølgeformer, bruker du følgende kommando:
Average_Waveform("ASCII_Folder ", aes(x = Data_Pnt_ms, y = "dB", gruppe = Genotype, farge = Genotype))
MERK: Denne kommandoen viser gjennomsnittlige bølgeformer for forskjellige genotyper i forskjellige farger. For y-variabelen dB setter du inn tallet som tilsvarer ønsket amplitude, for eksempel 75, uten anførselstegn. For andre sammenligninger bruker du den tilsvarende gruppeetiketten fra metadataene.
Representative Results
Vi testet rutinene på ABR-bølgeformresponser på en klikkserie, som begynte på 75 dB og gikk ned i trinn på 5 dB til 5 dB. Disse dataene ble innhentet som tidligere beskrevet19. Vi testet også verktøyet på tonepipedata og oppnådde lignende resultater. ABR-data fra de fleste ABR-systemer kan eksporteres som .txt (ASCII)-filer. Vi lastet ABR ASCII-filer på en datamaskin og åpnet dem i RStudio som beskrevet i protokollen. Etter å ha kjørt FindPeaks.R-rutinen i batchform, oppnådde vi prøvebølgeformer med automatisert merking (figur 1) og en .csv fil med resultatene. Resultatene ble gjennomgått for å fjerne irrelevante topper. For å validere den automatiserte merkingen brukte vi også ABR-programfunksjonen til å manuelt merke de fem første toppene og bunnene på hver bølgeform oppnådd med klikkserien beskrevet ovenfor. Eksperimentøren som utførte denne oppgaven hadde 2 års erfaring med å registrere og analysere ABR-data. Figur 2 viser denne sammenligningen, med de automatiserte FindPeaks.R-dataene i rødt og de manuelt oppnådde dataene i svart. Hver sporing representerer dataene fra en enkelt mus. Gjennomsnittet for begge metodene med ett standardavvik vises også. Resultatene oppnådd av FindPeaks.R korrelerer sterkt med resultater oppnådd manuelt (se tilleggsfigur S4).
Figur 1: Representativ bølgeformrespons på en 75 dB klikkstimulus for en ung F1-mus. Latens i millisekunder plottes på x-aksen, og amplitude i mikrovolt plottes på y-aksen. Toppene ble automatisk identifisert med FindPeaks.R og er merket med rødt, mens troughene er merket med blått. Klikk her for å se en større versjon av dette tallet.
Figur 2: Sammenligning av dataene hentet fra de manuelt identifiserte toppene med dataene fra FindPeaks.R-analysen. (A, C, E, G, I) Amplituder i mikrovolt og (B, D, F, H, J) ventetider i millisekunder plottes for lydnivåer mellom 5 dB og 75 dB (x-akse, alle grafer) for topper I-V i bølgeformene oppnådd for klikkstimuli presentert for 12 mus. De manuelt oppnådde verdiene (svart) sammenlignes med de samme datasettene som analyseres med FindPeaks.R (rød). Gjennomsnittene er plottet som tunge linjer, med det skyggelagte området som representerer ett standardavvik. Det ble ikke sett forskjeller mellom metodene ved vurdering med Kruskal-Wallis rangsumtest (A, differanse = 0,0547977 ± 0,0010028, maks = 0,96, p = 0,9216; B, forskjell = −0,0001734 ± 0,0001214, maks = 0,04, p = 0,8289; C, forskjell = −0,0212209 ± 0,0006806, maks = 0,92, p = 0,9687; D, forskjell = −0,0011047 ± 0,0001556, maks = 0,06, p = 0,771; E, forskjell = −0,0323077 ± 0,0006169, maks = 0,66, p = 0,899; F, forskjell = −0,0072189 ± 0,0001460, maks = 0,04, p = 0,8644; G, forskjell = 0,201754 ± 0,0007407, maks = 0,64, p = 0,9312; H, forskjell = −0,0007018 ± 0,0001717, maks = 0,09, p = 0,8013; I, forskjell = 0, 0347561 ± 0, 0007343, maks = 1, 05, p = 0, 8856; J, differanse = −0,0078049 ± 0,0002762, maks = 0,16, p = 0,886), og resultatene var høyt korrelerte (kjikvadrerte verdier: 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; forskjeller presentert som gjennomsnitt ± SEM; maks = absolutt maksimumsforskjell). Klikk her for å se en større versjon av dette tallet.
Supplerende figur S1: Analyse med FindPeaks.R. (A) Velge arbeidskatalog (se protokolltrinn 3.2); (B) laste inn programmet (se protokoll trinn 3.3). Vennligst klikk her for å laste ned denne filen.
Supplerende figur S2: Skriptutgang og kommandoer for analyse av bølgeformene. Kommandoer for (A) individuelle filer og (B) gruppebehandling. (C) Utdata PDF-fil som viser bølgeformer med merkede topper og bunner. Se protokoll trinn 3.4. Vennligst klikk her for å laste ned denne filen.
Supplerende figur S3: Verifikasjon av analysen. (A) Laste inn bølgeformdataene (se protokolltrinn 4.1). (B) Plassering av Kjør app-knappen . Eksempeldatafilen er også angitt. (C) Skinnende vindu med bølgeform. I dette tilfellet er lydnivået 75 dB, som angitt i toppvinduet. Ved å klikke på en ønsket topp og følgende bunn registreres dataene for amplitude og latens i tabellen (protokolltrinn 4.6). Topp 3-data vises. Vennligst klikk her for å laste ned denne filen.
Supplerende figur S4: Sammenligning av de individuelle dataene hentet fra de manuelt identifiserte toppene til dataene fra FindPeaks.R-analysen. (A,C,E,G,I) Amplituder i mikrovolt og (B, D, F, H, J) ventetider i millisekunder plottes for lydnivåer mellom 5 dB og 75 dB (x-akse, alle grafer) for topper I-V i bølgeformer oppnådd for klikkstimuli presentert for 12 mus. Hvert dyr er merket med en unik farge, som vist i legenden. Dataene som er oppnådd med FindPeaks.R er merket med solide farger, mens dataene som er oppnådd manuelt, er merket med mindre mettede versjoner av de samme fargene. Mens begge datasettene er plottet inn i denne figuren, er det bare én linje som vises når de er identiske. Vennligst klikk her for å laste ned denne filen.
Discussion
Protokollen som er beskrevet i denne publikasjonen, skal bidra til å strømlinjeforme innsamlingen av data som beskriver spenningsamplitudeforhold og latensintervaller for ABR til klikk og tonerør. Ved å bruke enkeltkommandoer i RStudio, kan en eksperimentør trekke ut, kompilere og vise denne informasjonen i et enkelt dokument for statistisk analyse. Ved å gjøre denne analysen rutine, håper vi at feltet vil oppdage nye måter at ABR kan endres i utvikling, i aldring, eller ved fornærmelse i ulike arter. Slik informasjon kan være verdifull for å identifisere viktige mekanismer som ligner på synpatopati fra støy2. De unge musene som ble brukt til dette eksperimentet hadde svært variable responser, sannsynligvis fordi den auditive hjernestammen fortsatt modnes i denne alderen20 år. De to kvantifiseringsmetodene viste likevel svært sterke sammenhenger (figur 2).
Skriptet bruker en fil som heter "Time.csv" for å angi intervaller i dataene for toppidentifikasjon. Kort fortalt er en maksimal spenningsamplitude som forekommer i et spesifisert tidsintervall merket "topp 1", et spenningsminimum som forekommer i følgende intervall er merket "gjennom 1", og så videre. Vi valgte intervallene for å omfatte ventetidene til både klikk- og tonepiperesponsene for CBA/CaJ-mus i alderen 1 måned til 12 måneder ved bruk av frekvenser som spenner over 8 kHz til 32 kHz. Vi brukte verktøyet til også å måle tonepiperesponser hos mus. Andre arter, inkludert mennesker, har også ABR-responser innenfor lignende vinduer, og vi forventer at dette verktøyet også kan brukes til data fra andre arter. Vi vil anbefale å bruke den nye parallelle ABR-metoden for mennesker21, som gir gode bølgeformer. Tidsintervallbegrensningen begrenser bruken av dette verktøyet til å vurdere umiddelbare ABR-responser. Vi bemerker imidlertid at intervalldataene i denne filen kan endres av brukere for å automatisere målingene av ABR-svar på tale eller hendelsesrelaterte potensialer (ERP) som karakteristisk forekommer på forskjellige tidspunkter som svar på lyd.
Noen funksjoner i den statistiske behandlingen av disse dataene er verdt å fremheve. Så vidt vi vet, har feltet ikke en standardisert behandling for å skille amplitudeprogresjoner. Tidlige studier brukte ANOVA22,23. Dataene fra klikkserien her (figur 2) var ikke-parametriske, noe som førte til bruk av Kruskal-Wallis rangsumtest. I likhet med ANOVA vurderer Kruskal-Wallis rangsumtest forskjeller i verdiene oppnådd på et gitt nivå av en stimulus; det vil si at den sammenligner linjene som er oppnådd på grafen. Imidlertid er andre behandlinger også mulige. Biologisk reflekterer amplitudeprogresjoner den ekstra rekrutteringen av nevroner med høyere terskel etter hvert som stimulusnivået øker. Dette antyder at arealet under kurven, som representerer integralene til linjene, kan være det mer relevante målet. Generaliserte estimeringsligninger (GEE) kan brukes til å modellere individuelle data for en integrert analyse, som i Patel et al.5. Spesielt kan GEE-analyse ta hensyn til de gjentatte tiltaksdesignene av disse forsøkene. Etter hvert som flere forskere diskuterer dataanalysemetodene, forventer vi fremveksten av en konsensus om beste praksis.
Avslutningsvis presenterer dette papiret gratis og brukervennlige verktøy for måling, kompilering og visualisering av ABR-bølgeformer. Disse verktøyene kan brukes av nybegynnere av RStudio ved å følge denne protokollen, og de inneholder et blendende trinn for forbedret strenghet og reproduserbarhet. Vi forutser at rutinemessig ABR-bølgeformanalyse vil gjøre det mulig å oppdage fornærmelser, genetiske varianter og andre behandlinger som kan påvirke hørselsfunksjonen.
Disclosures
Forfatterne har ingen interessekonflikter.
Acknowledgments
Dette arbeidet ble støttet av to tilskudd fra NIDCD til PW: R01 DC018660 og en administrativ tilleggspris, 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. Auditory dysfunction in Parkinson's disease. Movement Disorders. 35 (4), 537-550 (2020).
- 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).
