Kaynak Görüntüleme kullanarak Manyetoensefalografi ile amigdala Aktivitesi Algılama nasıl

Bu prosedürün genel amacı, MAGNETOENCEPHALOGRAPHY veya MEG kullanarak öğrenme sırasında amigdala aktivitesini tespit etmektir. Bu, önce amigdalayı harekete geçiren örtük bir korku öğrenme görevi tasarlayarak gerçekleştirilir. İkinci adım, MEG kullanarak görev sırasında beyin aktivitesini kaydetmektir.

Ardından, yüksek çözünürlüklü anatomik MRI taramaları kullanarak korteks ve amigdala yüzeylerini tanımlayın. Son adım, MEJ sinyalinin nöral kaynaklarını modellemek için korteks ve amigdala yüzeylerini kullanmaktır. Sonuç olarak, kaynak görüntüleme modelleri, farkındalık olmadan öğrenme sırasında amigdaladaki nöral aktivasyonu göstermek için kullanılabilir.

Dolayısıyla, bu tekniğin FMRI gibi mevcut yöntemlere göre ana avantajı, MEG sinyallerinin gerçek zamanlı olarak kaydedilmesi ve hızlı veya geçici olan sinirsel süreçleri incelemek için kullanılabilmesidir. Bu yöntem amigdala fonksiyonunu incelemek için kullanılabilse de, diğer subkortikal bölgelerin fonksiyonunu incelemek için de kullanılabilir. Uyarıcı sunum bilgisayarını standart bir DB 25 çok konektörlü şerit kablo kullanarak MEG toplama sistemine bağlayarak başlayın.

Ardından, uyaran sunum bilgisayarını döşeme bağımsız monitörüne veya sam'e bağlayın. Sekiz bit ila iki bit izolasyon adaptörü ve senkronizasyon kablosu kullanılarak, uyaran sunumlarını işaretlemek için kullanılan transistörden transistöre mantık darbeleri, sam'a gönderilirse MEG verilerinde artefaktlara neden olabilir. Bu artefaktları önlemek için, burada görüldüğü gibi yalnızca izolasyon adaptörü tarafından engellenen bitleri kullanarak uyaranların başlangıcını işaretleyin.

Şok stimülatörü daha sonra sam'a bağlanır. Ardından, dalga kılavuzundan blendajlı ve şok stimülatörüne bağlı blendajlı bir uzatma kablosu geçirin. SAM daha sonra döşeme veri toplama yazılımını çalıştıran bir bilgisayara bağlanmalıdır.

Oyun bağlantı noktasını oyun bağlantı noktasına, BNC ayırıcıya ve oyun bağlantı noktasını USB adaptörüne kullanarak döner kadranı uyaran sunum bilgisayarına ve MEG toplama sistemine bağlayın. Burada gösterilen şemayı kullanarak elektrotları ve sensörleri konuya takın. Düzgün bir şekilde kurulduktan sonra, referans noktaları kullanarak deneğin kafasının HPI bobinlerine göre konumunu sayısallaştırın.

Ardından, deneğin kafa derisi boyunca 50 ila 100 noktayı sayısallaştırın. Kişiye MEG sistemine kadar eşlik edin ve elektrotları ve sensörleri uygun arayüze bağlayın. Sandalyeyi, öznenin başı MEG kaskının üst kısmına değecek şekilde kaldırın ve ekranı, yansıtılan görüntü odakta olacak şekilde konumlandırın.

Ardından, şoku, deneğin acı verici ancak tolere edilebilir olarak bildirdiği bir seviyeye ayarlayın. Son olarak, örnek bir sunum senaryosu kullanarak konuya kadranın doğru kullanımı konusunda talimat verin. Olay kodlarını kaydetmeye ve şok dağıtımına başlamak için döşeme veri toplama yazılımını yükleyerek başlayın.

Eğitim seansı önceden programlanmıştır ve burada her şey hazır olduğunda görüldüğü gibi koşul, uyaran veya CS başına 15 deneme ile dört blok diferansiyel iz korku koşullandırmasından oluşur. Dört eğitim denemesine başlayın ve ham verileri iki kilohertz'de kaydedin. Her biri sırasında, sistematik gürültü kaynakları için verileri gerçek zamanlı olarak görsel olarak inceleyin.

Her koşudan sonra, alışkanlığı değerlendirmek için denekten şokun yoğunluğunu derecelendirmesini isteyin. Denemeleri tamamladıktan sonra, parçalı bir subkortikal hacim ve korteks, dış deri ve dış kafatasının yüzeyleri oluşturmak için ücretsiz sörfçü kullanın. Ardından, amigdala ve hipokampus hacimlerini oluşturun ve yüzeylere dönüştürün.

Slicer three ve ParaView'ı kullanarak, bir sonraki adım beyin fırtınası veritabanında yeni bir konu oluşturmaktır. MRI hacmini beyin fırtınasına aktarın ve referans noktalarını belirleyerek hacmi standart alana çarpıtın, yüzeyleri içe aktarın ve kafa derisi yüzeyini MRI ile manuel olarak hizalayın. Tamamlandığında.

Bu dönüşümü diğer tüm yüzeylere uygulayın. Kabuk, hipokampal ve amigdala yüzeylerini birleştirin. Son olarak, amigdala ve hipokampus için ilgi alanları oluşturun.

Oluşturulduktan sonra, her eğitim oturumu için MEG kayıt dosyasını içe aktarın. MEG toplama yazılımı, manyetik olarak korunan odanın dışındaki kaynakların neden olduğu artefaktları gidermek için sinyal alanı ayrımını kullanır. Uyandırılan yanıtları analiz etmek için genellikle SSS olarak işaretlenmiş bir klasörde bulunan temiz dosyaları kullandığınızdan emin olun.

İlk olarak, deneysel denemelerin her birine karşılık gelen epic'leri tanımlamak için olay kanalını kullanın. Elektrokardiyografi ve elektro ikonografi kanallarında tanımlanan olaylardan sinyal alanı projeksiyonlarını kullanarak kalp atışlarının ve göz hareketlerinin neden olduğu artefaktları kaldırın. Ardından, kafa noktalarını kullanarak MRI kaydını iyileştirin.

Cortex'in girdisi ile çakışan küreler yöntemini kullanarak kayıtlardan gürültü kovaryansını hesaplayın, minimum norm tahmin yöntemini kullanarak kafa modeli hesaplama kaynaklarını hesaplayın ve kaynaklar üzerinde analize devam edin. Bireysel denemeler için sonraki bant geçiş filtre kaynakları. Bant geçiren filtrelenmiş kaynakların mutlak değerini alın ve bu değerleri temel değişkenliğe dayalı olarak Z puanına dönüştürün, kaynakları uzamsal olarak düzeltin ve denemeler arasında ortalama kaynakları düzeltin.

Bu ortalamaları deney için varsayılan anatomiye yansıtın. Ardından, farklı koşullardaki kaynaklar üzerinde T testlerini hesaplayın. Aile bazında hatayı düzeltmek için uzamsal ve zamansal eşikleri kullanarak önemli T-testi sonuçlarını filtreleyin.

Önemli ölçüde etkinleştirilen bölgeleri belirleyin ve her konu için etkinleştirme zaman seyrini dışa aktarın. Son olarak, her bir zaman noktasında denekler arasında ortalamanın ortalama ve standart hatasını hesaplayın. İlk olarak, bireysel denemelerden elde edilen ham verileri, ilgilenilen anatomik ve işlevsel bölgelerden gelen veriler üzerinde zaman frekansı ayrışmalarını hesaplayan deney için varsayılan anatomiye yansıtın.

Elde edilen zaman frekansı ayrıştırma haritalarını Z-skoruna dönüştürün ve her denek için denemelerde elde edilen haritaların ortalamasını alın. Son olarak, burada gösterilen farklı koşullar boyunca haritalar üzerinde T-testi yapın, tipik bir koşullandırma çalışmasından elde edilen davranışsal sonuçlardır. Soldaki grafik, deneklerin 60 deneme boyunca benzer beklenti seviyelerine sahip olduğunu gösteriyor ve bu da maskeleme prosedürünün durum uyaranları arasında ayrım yapma yeteneklerini engellediğini gösteriyor.

Sağdaki grafik, test oturumu sırasındaki farklı yanıtları gösterir. Filtrelenmemiş grubun, yeni uyaranlara kıyasla eski uyaranlara daha büyük tepkiler gösterdiğine dikkat edin, bu da eğitimin filtrelenmiş gruba kıyasla daha iyi bir yeniden kazanıma yol açtığını düşündürür. Bu örnek, tipik bir koşullandırma deneyinden elde edilen MEG sonuçlarını göstermektedir.

Soldaki 3B model, amigdala ve turuncu rengi ve hipokampusu yeşil renkte göstermektedir. Sağdaki grafik, bir amigdala kümesindeki etkinliği temsil eder. Açık renkli çizgi, filtrelenmemiş yüzler tarafından uyandırılan aktiviteyi temsil ederken, daha koyu çizgi, filtrelenmiş yüzler tarafından uyandırılan aktiviteyi temsil eder.

Bu grafik, amigdaladan kaydedilen MEG sinyalini zaman ve frekansa göre ayrılmış olarak temsil eder. Sıcak renkler, filtrelenmemiş yüzler için filtrelenmiş yüzlere göre önemli ölçüde daha fazla güç gösteren spektro spektrograftaki bölgeleri temsil eder. Soğuk renkler zıt bölgeleri temsil ederken, çizgili kaplama gruplar arasında önemli farklılıkları temsil eder.

Bu şekil oksipital yüz alanı aktivasyonunu göstermektedir. Tipik bir koşullandırma deneyinde, sıcak renkler filtrelenmemiş yüzlere filtrelenmiş yüzlere göre daha büyük tepkileri temsil eder. Bu prosedürü takiben.

Sinirsel iletişimle ilgili ek soruları yanıtlamak için tutarlılık analizi gibi diğer yöntemler de kullanılabilir. Bu videoyu izledikten sonra, nöral tepkileri ve subkortikal beyin yapılarını tespit etmek için kaynak görüntülemenin nasıl kullanılacağını iyi anlamış olmalısınız.