Sinirsel aktivite ve bağlanırlığı İntrakraniyal EEG veri SPM yazılım programıyla analiz
October 30th, 2018
Biz istatistik parametrik eşleme (SPM) yazılımını kullanarak kafa içi elektroansefalografi verileri çözümlemek için kullanılan iki analitik protokol mevcut: zaman-frekans istatistiksel parametrik eşleme analizi için sinirsel aktivite ve dinamik nedensel içi ve arası regional bağlantısı için indüklenen tepkilerin modelleme.
Bu yöntem bilişsel nörobilim alanında anahtar sorulara cevap yardımcı olabilir. Bu tekniğin en büyük avantajı, yüksek uzamsal zamansal evrimler üzerinde nöral aktivite ve bağlantı analiz edebilirsiniz. İntrakraniyal EEG verilerinin analizine başlamak için SPM12'yi ayarlayın ve MEG EEG analitik menüsünü seçin.
İlk olarak, önceden tanımlanmış parametrelere dayalı Morlet dalgacıkları ile sürekli dalgaayrış ayrışması kullanarak her bir deneyin önceden işlenmiş intrakranial EEG verileri için zaman frekansı analizini yapın. Spektral bileşenlerin zamansal evrimini ortaya çıkarmak için, dört ila 300 hertz frekans aralığını kullanarak 1, 000 ila 2, 000 milisaniye tüm dönem için yedi döngülü Morlet dalgacıkları kullanarak dalgacık ayrışma yapın. Daha sonra, ana dalga dalgacıkını ve döngü sayısını belirleyin ve döngü sayısının zaman frekansı çözümlerini kontrol ettiğini ve tahmin kararlılığını sağlamak için beşten büyük olması gerektiğini unutmayın.
Zaman ve frekans aralıklarını belirleyin. Ardından, kenar efektlerini kaldırmak için ortaya çıkan zaman frekansı eşlemlerini otomatik olarak kırpın. Burada, haritalar 200 ila 500 milisaniye kırpılır.
Olayla ilgili güç değişikliklerini daha iyi görselleştirmek ve normalliği iyileştirmek için zaman frekansı haritaları için zaman frekansı yeniden ölçeğini seçerek istenirse veri dönüşümü ve temel düzeltme gerçekleştirin. Ardından, zaman frekansı eşlemlerini iki boyutlu görüntülere dönüştürün. Ayrıca, denekler arası değişkenliği telafi etmek ve rasgele alan teorisi varsayımlarına uymak için önceden tanımlanmış tam genişlikte yarım maksimum değere sahip bir Gauss çekirdeği ni kullanarak da pürüzsüz.
Şimdi SPM menüsünde ikinci düzeyi belirt'i seçin ve analiz edilecek 2B görüntüleri girin. Daha sonra model tahminini seçerek genel doğrusal modeli çalıştırın. Son olarak, rasgele alan teorisine dayalı zaman frekansı verileri üzerinde istatistiksel çıkarımlar gerçekleştirmek için sonuçları seçin.
Burada görülenler gibi önceden tanımlanmış eşiklere sahip önemli ölçüde etkinleştirilmiş zaman frekansı kümelerini algıla. SPM menüsünde DCM seçerek dinamik nedensel modelleme çözümlemesi başlatın. Ardından IND seçeneğini seçin ve önceden işlenmiş intrakranial EEG verilerini almak için yeni veriler seçin.
Ardından, ilgi süresi penceresini, ilgi sıklığını, kullanılacak dalgacık döngülerinin sayısını, ilgi koşullarını ve koşullara yönelik kontrastları belirtmek için MEG EEG menüsünü kullanın. Zaman penceresini 1 ila 500 milisaniye olarak ayarlayın. Bir hertz adımda dört ila 100 hertz beş döngülü Morlet dalgacıkları kullanın.
Dalgacık döngüsü için varsayılan ayarı kullanın. Araştırma ilgi alanına göre zaman-frekans aralıklarını belirleyin. Kenar efektlerini kaldırmak için hesaplama sırasında 512 milisaniye lik bir zaman penceresinin otomatik olarak kullanılabileceğini unutmayın.
DCM çerçevesine dayanarak, nöral durumlar üzerindeki duyusal girdileri temsil eden sürüş girdileri ve nöral durumlar arasında temel bağlantıyı somutlaştıran içsel bağlantıları tanımlayın. Ayrıca, null ve varsayımsal modeller için deneysel manipülasyonlar yoluyla içsel bağlantılar üzerinde modüler etkileri tanımlayın. Modülasyon türünü doğrusal veya doğrusal olmayan olarak tanımlayın.
Şimdi içsel doğrusal ve doğrusal olmayan bağlantıları, sürüş girişlerini ve modülasyon girişlerini belirtin. Önceki uyarıcı başlangıç süresi ve süresi gibi gerekirse ilgili parametrelerin varsayılan ayarlarını değiştirin. Ardından modelleri tahmin etmek için DCM'yi tersine çevirin.
Bundan sonra, frekans-frekans modüler bağlantı parametresi görüntülerini kaydetmek için sonuçları görüntü olarak kaydet'i seçin. Ardından, en uygun ağ modelini belirlemek için BMS'yi seçerek rastgele bir etki Bayesian Model Seçimi analizi gerçekleştirin. Değerlendirme ölçütleri olarak modeli beklenen olasılıkları ve katılım olasılıklarını kullanın.
Daha sonra kazanan model parametrelerini kullanarak modüler bağlantıların çapraz frekans desenleri ile ilgili çıkarımlar yapın. Şimdi, görüntülere dönüştür'ü seçerek modüler bağlantı parametresi görüntülerini düzleştirin. Sonra genel doğrusal model çözümlemesi gerçekleştirmek için ikinci düzey belirtin kullanın.
Son olarak, 2B SPMT değerlerini hesaplamak için sonuçları seçin. Burada, tam genişlikyarı maksimum sekiz hertz olarak ayarlanmış ve önemli değerler 0,05'ten az P düzeltilmemiş yükseklik eşiği kullanılarak araştırmacı olarak tanımlanmıştır. Fazların işlenmesi sırasında Inferior Oksipital Girus veya IOG aktivitesinin zamansal ve frekans profillerini araştırmak için zaman frekansı analizleri yapılmıştır.
Burada dik faz ve dik mozaik koşulları için doğru IOG aktivitesinin zaman-frekans haritalarını görüyoruz. Dik faz ve dik mozaik için SPMT verileri de gösterilmiştir. İşlevsel ağ modelleri burada gösterilmiştir.
IOG ve amigdala arasındaki bağlantılara dik faz karşı dik mozaik modüler giriş ve her bölgeye kendi kendine bağlantı sekiz olası kombinasyonları araştırıldı. Sıklık modülatör kaplin parametreleri ve Dik faz için SPMT değerleri karşı Dik mozaik IOG karşı amigdala ve amigdala karşı IOG modülasyonu burada gösterilmiştir. Mavi-siyan alanları inhibitör bağlantı gösterirken kırmızı-sarı alanlar önemli uyarıcı bağlantı gösterir.
Bu videoyu izledikten sonra, SPM yazılımını kullanarak nöral aktivite ve bağlantı tespit etmek için intrakranial EEG verilerini analiz etmek için iyi bir anlayışa sahip olmalısınız.
View the full transcript and gain access to thousands of scientific videos
Genel Bakış
Bu çalışma, beyin içi elektroensefalografi (iEEG) verilerinin analizi için İstatistiksel Parametrik Eşleme (SPM) yazılımını kullanarak analitik protokoller sunmaktadır. İki ana yaklaşım, sinirsel aktiviteyi değerlendirmek için zaman-frekans istatistiksel parametrik eşleme analizi ve intra- ve inter-bölgesel bağlantıyı değerlendirmek için dinamik nedensel modelleme (DCM) içermektedir.
Çalışmanın Ana Bileşenleri
Bilim Alanı
- Sinirbilim
- Elektrofizyoloji
- Bilişsel sinirbilim
Arka Plan
- Beyin içi EEG verileri, sinirsel aktivite ve bağlantı hakkında bilgiler sağlar.
- Zaman-frekans analizi, spektral bileşenlerin dinamiklerini ortaya çıkarır.
- Dinamik nedensel modelleme, duyusal girdilere bağlı bağlantı kalıplarını belirler.
Çalışmanın Amacı
- iEEG verilerinin detaylı analizi için yöntemler geliştirmek.
- Bilişsel süreçler sırasında sinirsel bağlantının nasıl değiştiğini keşfetmeyi sağlamak.
- Yaklaşımları, belirli görevler sırasındaki sinirsel aktivite ile doğrulamak.
Kullanılan Yöntemler
- Veri analizi için SPM12 yazılımı kullanılmaktadır.
- Ana model, insan deneklerden elde edilen beyin içi EEG verilerine dayanmaktadır.
- Zaman-frekans analizi, Morlet dalgacıkları ile sürekli dalgacık dönüşümü içerir.
- DCM, içsel bağlantıyı ve farklı koşulların modülatör etkilerini değerlendirmek için uygulanmaktadır.
Ana Sonuçlar
- Zaman-frekans haritaları, farklı bilişsel evrelerle ilişkili sinirsel aktiviteyi göstermektedir.
- DCM, beyin bölgeleri arasındaki hem uyarıcı hem de inhibitör bağlantı kalıplarını ortaya koymaktadır.
- Analizler, bilişsel işlemlerle ilgili önemli zamansal ve frekans profillerini göstermiştir.
Sonuçlar
- Çalışma, iEEG veri analizi için etkili metodolojileri göstermektedir.
- Bu yaklaşımlar, bilişsel sinirbilimde sinirsel salınımlar ve bağlantı hakkındaki anlamayı geliştirir.
- Bulgular, bilişsel işlevlerin altında yatan sinirsel mekanizmaların modellenmesi için önemli sonuçlar sunmaktadır.
Sıkça Sorulan Sorular
Executive Industry Relevance
High-resolution analysis of neural activity and connectivity using intracranial EEG with SPM software enables precise mapping of brain function relevant to early-stage CNS drug discovery. Quantitative time-frequency and connectivity outputs support mechanistic de-risking and target validation for neuropsychiatric and cognitive disorder portfolios. These protocols enhance predictive confidence at critical inflection points in neuroscience R&D pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables direct interrogation of neural circuit function and target engagement in disease-relevant brain regions.
- Supports mechanistic de-risking by quantifying intra- and inter-regional connectivity changes in response to experimental manipulations.
- Provides high spatial and temporal resolution data for functional target validation and pathway clarification.
Screening & Assay Development
- Generates validated time-frequency maps and connectivity metrics for downstream quantitative analysis.
- Facilitates reproducible assay development by standardizing data transformation, baseline correction, and statistical inference workflows.
- Enables robust comparison of experimental conditions, supporting reliable compound or intervention evaluation.
Translational & Preclinical Research
- Aligns neural activity and connectivity readouts with translational biomarkers for CNS disorders when supported by experimental design.
- Provides continuity from discovery through preclinical validation by linking mechanistic neural signatures to functional outcomes.
- Supports risk-adjusted advancement decisions based on quantitative neural network modeling.
Pipeline & Workflow Integration
This analytical workflow positions intracranial EEG analysis with SPM as a bridge from early discovery through lead identification and preclinical validation in neuroscience R&D.
- Discovery Biology: Enables hypothesis testing and pathway clarification by mapping neural activity and connectivity in response to defined stimuli.
- Screening: Provides standardized, quantitative outputs for assay readiness and reproducibility across experimental conditions.
- Analytics: Delivers statistical maps and connectivity models that facilitate cross-condition and cross-subject comparisons.
- Translational Research: Supports alignment with disease-relevant biomarkers and mechanistic endpoints when integrated with translational models.
- Enterprise Reuse: Establishes a reusable analytical capability for diverse CNS research programs leveraging intracranial EEG data.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in CNS target validation.
- Operational Value: Standardizes high-resolution neural data analysis for reproducibility and scalability across projects.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency by providing robust neural network evidence.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of CNS assets based on quantitative neural signatures.
Implementation Considerations
- Requires expertise in electrophysiology, SPM software, and statistical modeling of neural data.
- Demands access to high-quality intracranial EEG recordings and computational infrastructure for data processing.
- Necessitates cross-team standardization of preprocessing, analysis parameters, and statistical thresholds.
- May require adaptation of protocols for different brain regions, species, or experimental paradigms.
- Interpretation of connectivity models should consider experimental design and statistical assumptions.
