Сопоставление корковой динамики Одновременное использование MEG / ЭЭГ и анатомически ограничен минимальной нормой Оценки: Пример слухового внимания

Neuroscience

Your institution must subscribe to JoVE's Neuroscience section to access this content.

Fill out the form below to receive a free trial or learn more about access:

Welcome!

Enter your email below to get your free 10 minute trial to JoVE!





We use/store this info to ensure you have proper access and that your account is secure. We may use this info to send you notifications about your account, your institutional access, and/or other related products. To learn more about our GDPR policies click here.

If you want more info regarding data storage, please contact gdpr@jove.com.

 

Summary

Мы используем магнито-и электроэнцефалографии (MEG / ЭЭГ), в сочетании с анатомическую информацию, полученную при магнитно-резонансной томографии (МРТ), для отображения динамики корковых сети, связанные с слуховое внимание.

Cite this Article

Copy Citation | Download Citations

Lee, A. K., Larson, E., Maddox, R. K. Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example. J. Vis. Exp. (68), e4262, doi:10.3791/4262 (2012).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

Protocol

1. Анатомические сбора и обработки данных

  1. Приобрести одну намагниченности подготовленные быстрое градиентное эхо (MPRAGE) МРТ субъекта. Это может занять 5-10 минут, в зависимости от конкретного протокола сканирования используется.
  2. Приобретите два дополнительных быстрых низким углом выстрела (FLASH) МРТ (флип углы = 5 ° и 30 °), если данные ЭЭГ используется для обратного анализа изображений, а FLASH последовательности предоставлять различные ткани отличие от стандартной последовательности MPRAGE 1.
  3. Используйте FreeSurfer программного обеспечения (см. таблицу) 2, 3 для восстановления поверхности коры и устанавливать индивидуальные M / ЭЭГ дипольных пространство источник.
    1. Этот источник пространстве ограничены серого / белого вещества границе сегментирован от MPRAGE сканирования. Каждое полушарие содержит около 100000 потенциальных вершин, расположенных на ~ 1 мм. Для дипольных оценки амплитуды (см. ниже), используйте сетки 7 мм, что дает ~ 3000 диполи в полушарии.
  4. Реконструироватькожи, внешний черепа и внутренней поверхности черепа от MPRAGE и флэш-изображений с помощью МНК (см. таблицу) и FreeSurfer. Использование этих поверхностей для создания трехслойных граничных элементов модели (МГЭ).

2. M / ЭЭГ сбора данных

  1. Подготовка тема для M / записи ЭЭГ.
    1. Обратитесь к Лю и др. 4 для деталей электроокулограммы и подготовка электрода, а также оцифровки координатных ориентиры субъекта, головной указатель положения катушки (HPI) и ЭЭГ-электроды.
  2. Как только субъект сидит в MEG, измерить положение головы использования HPI катушек.
  3. Начать запись. Начало презентации слуховых и зрительных раздражителей.
    1. Многие аппаратные и программные решения доступны для выполнения предъявления стимула (например,., Презентации, E-Prime). Мы используем Tucker-Davis технологий RZ6 для слуховых стимулов презентации и запуска штамповки, с Psychtoolbox 5 для визуального ыtimulus презентации, контролируемые MATLAB. Тестирование слуховых и зрительных задержками с помощью микрофона и фотодиод прикреплена к экрану, а затем и обеспечения там не наблюдается дрожание (что может потребовать установки проектора на презентации своего родного разрешения) до эксперимента помогает гарантировать целостность сроки.
  4. Тема реагирует на звуковые и световые раздражители с помощью оптического окна кнопки во время выполнения поведенческих задач.
  5. Сохранить все раздражители, экспериментальных параметров и файлов данных для обработки и анализа.

3. M / ЭЭГ Co-регистрацию с помощью МРТ сканирование и обработка данных

  1. Использование МНК программное обеспечение, загрузить дигитайзер данных и реконструированных МРТ модели субъекта голову. Выберите доверительное ориентиры для начала совместного процесс регистрации и приступить к использованию автоматической процедуры выравнивания завершить преобразование координат (рис. 2).
  2. Чтобы связать местоположение каждого диполя в источнике SPТуз с расположением каждого датчика, объединить записанные HPI данных (см. п. 2.2) для вычисления вперед решение с трехслойным BEM (см. 1.4)
  3. Проверьте все записанные M / данные ЭЭГ и выявить каналы, которые имеют исключительно высокую дисперсию или полностью плоские. Установить эти каналы, как плохо каналов.
  4. Используйте сигнал пространство проекции 6 или других шумов методов (например, сигнал разделения пространства 7), проекта или выделить пространственных структур поля возник из окружающего загрязнения окружающей среды поля или другие нежелательные физиологические сигналы, такие как те, что связаны с глаз мигает и сердечные артефакты (рис. 3).
    1. Применить во временной области удаления артефактов (например,., Удаление эпох содержащих аномально высокой амплитуды сигналов из-за пики канала) и в частотной области удаления артефактов (например,., Группа превосходную фильтрацию на 50 или 60 Гц линия частоты) для дальнейшего увеличения отношение сигнал-шум.
  5. Определение базового периода, в котором субъект не выполняет любое задание (например,., 200 мс период до начала каждого испытания). Создание среднем из этих базовых эпох, чтобы получить оценку шума (также известный как ковариационная матрица).
  6. Определить эпохи интерес (например, только сбор эпох с правильной поведенческой реакции.), И определим условия для экспериментальной контрастов (например, эпохи связана с темой переключив свое слуховое внимание на противоположной hemifield как изначально подавал реплики -. "Switch" состоянии - в зависимости от темы поддержание внимание на оригинальный hemifield - "держать" состояние). Создание средний ответ для каждого состояния определены.
    1. Эти средние можно базовой коррекцией или нет в зависимости от параметров эксперимента (см. 8); данные, приведенные здесь, являются базовыми-исправлена.
  7. Комбинат ковариационной матрицы (3,5) и компьютерная решение вперед (3,2) для полученияраспределенный cortically ограничен минимальной нормы обратного оператора, что касается датчика измерения дипольного текущие оценки в исходном пространстве.
    1. Вы можете примерно ограничивать или исправить ориентация диполей в корковых нормальном направлении 9.
  8. Создание "мозг фильм" распределенной дипольных оценку (то есть., Текущая оценка на каждый диполь расположения в исходном пространстве и времени) для каждой экспериментальной состояние (рис. 4).
    1. В зависимости от временных характеристик вашего эксперимента, вы можете бен данных во времени усреднения текущих оценок с использованием непересекающихся временных окон.

4. Статистический вывод на основе общей наземной системы координат

  1. Morph "мозг фильмов" для каждого субъекта на общий (средний) корковых пространства на основе наземной системой координат, которая оптимально выравнивает отдельные sulcal-GYRAL модели 3. Это позволяет нам сравнивать или среднее корковой деятельности по всем предметам. (Рис. 5).
  2. Есть много различных статистических подходов вывода. Мы будем выделить три возможных подхода здесь. Подходы, которые не реализованы в программном пакете могут быть написаны с использованием специального программного обеспечения, в нашем примере мы используем MATLAB для выполнения непараметрические пространственно-временных кластеров перестановки теста. Несмотря на большой размерности (Space х Время х субъектах) этих данных, все эти подходы могут быть выполнены с использованием стандартного современного оборудования настольного компьютера в секундах (ROI; 4,3 подход) до нескольких часов (непараметрический кластеризации; 4,5).
  3. Область интересов, (ROI) подход
    1. Вы можете определить ROI анатомически (например,., Определяется алгоритм автоматического парцелляция 1) и / или функционально (например,., Регистрируя локализующую функциональных задач, таких как Go / No Go саккады задача определить oculomotoГ регионов).
    2. Вы можете еще ​​больше ограничивают свой ​​анализ к определенному времени интересов, который соответствует вашим экспериментальных парадигм (например,., Период времени, непосредственно до и после появления звуковых раздражителей). Вы также можете использовать другие статистические выводы, связанные с анализа временных рядов.
  4. Всего мозг Bonferroni или ложь-Discovery-Rate (FDR) коррекция
    1. Применять Bonferroni или FDR коррекции, если вам требуется целого мозга, все время анализа.
    2. Создание статистической карты на каждый диполь место и каждый момент времени, используя соответствующие статистические данные испытаний, таких как Т-тест или внутри субъектов ANOVA примерно нормально распределенных данных. Например, г-баллов из динамического отображения статистических параметров МНК оценки для фиксированных дипольных источников 10 может использоваться в паре с поправкой на корреляции в оценках (например, консервативная Парниковый-Geisser коррекции).
    3. Для Bonferroniкоррекция, получение значительных пространственно-временных точек по пороговой на уровне значимости 0,05, деленное на количество сравнений (число диполей, умноженный на число моментов времени). Для менее консервативный подход, использование FDR р-значение коррекции 11.
  5. Непараметрические пространственно-временной кластеризации
    1. Используйте этот метод (основан на простом расширении 12), чтобы найти регионах большая, в соответствии пространственной и временной активации в то же время менее консервативны, чем коррекцией Бонферрони, и менее склонны к I типа статистических ошибок, чем Рузвельт, управляя для семейного мудрый ошибок .
      1. Поскольку этот подход используется перестановка или Монте-Карло ресамплинг методы, он не опирается на предположения о нормальности данных, а лишь предполагает, что условия этикетки сменной при нулевой гипотезе. Хотя это более интенсивных вычислений, чем предыдущие два подхода, она может быть выполнена в час наодной машине с использованием современного компьютерного оборудования рабочего стола.
    2. Создание статистической карты на каждый диполь месте и каждый раз точку с помощью соответствующих статистических испытаний, таких как Т-тест.
    3. Порог этой карте на предварительном порог значения, например, р <0,05.
    4. Кластер этих предполагаемых значительных пунктов основываясь на пространственно-временной близости, например. важные моменты в течение 5 мс и 5 мм геодезическое расстояние друг от друга, помещают в одном кластере. Забьет в результате каждого кластера с помощью гиперобъем или полное значение (например,. Суммы Т-баллов точек в кластере).
    5. Выполните стандартную перестановку передискретизации (или Монте-Карло интерполяции для больших наборов данных, например. Количество предметов N> 10, чтобы сэкономить на вычисление) тест с максимальным статистики (см. 12 для перестановки примеры тестов). Короче говоря, для случайного подмножества предметов (выбор в любом месте от 0 до N предметов), переразметьте условиях Бейнг по сравнению до получения статистической карте, выполнить кластеризацию на новую статистическую карту и получить максимальную оценку кластера, что перемаркировки. Выполните эту процедуру на новые случайные перемаркировок на срок до 2 N перестановок для получения распределения максимального статистики; выполнять все 2 N возможных перемаркировок приводит к перестановке испытание и использование случайного подмножества меньше, чем 2 N перемаркировок дает Монте-Карло (или случайные ) перестановка тест.
    6. Получить значение данного исходного кластера (от первоначальной маркировки), определив долю времени, максимальные размеры кластеров были больше, чем у исходного кластера, например. кластеров, которые были больше, чем на 95% от максимального скопления статистика может быть признан значительным.
      1. Для углубленного обсуждения на статистические выводы в MEG распределенной визуализации источника см. 13.
  6. В результате файлы данных могут быть VI sualized во многих отношениях, в том числе используя формат изначально использованы МНК программного обеспечения для хранения пространственно-временных корковых оценки, а именно STC файлов. Это, наряду с этикетки, которые могут быть произведены соответствующие значимых регионах, может быть создан с помощью МНК набор инструментов предусмотренных MATLAB и Python.

5. Представитель Результаты

На рисунке 6 показан набор представитель результатов с помощью поведенческой парадигмы указаны на рисунке 4. Использование непараметрических пространственно-временная процедура кластеризации (4,5), право FEF оказывается существенным, когда субъект выполняет задачу переориентации сравнению со стандартной задачей (рис. 6 слева). Используя подход ROI (4,3), время хода правого FEF показано, наряду с периодом времени, что эти два условия значительно отличаются.

p_upload/4262/4262fig1.jpg "/>
Рисунок 1. Рабочего процесса для создания «мозгового кино», используя cortically-ограничена минимальной нормой дипольных оценки (см. рисунок 1 в Liu и соавт., 2010).

Рисунок 2
Рисунок 2. MNE программное обеспечение, используемое для облегчения каналов ЭЭГ и HPI местах ко-регистрация на МРТ координат пространства одного субъекта.

Рисунок 3
Рисунок 3. MEG данные до и после использования SSP для удаления сердца (выделены оранжевым цветом) и глазом мигает (выделено сине-зеленый), артефакты и низкочастотной фильтрации для удаления линии частоты. Нажмите, чтобы увеличить показатель .


Рисунок 4 "мозг фильм" на родном корковых субъекта пространстве и времени проведения аудио-визуальных презентаций (с слуховых раздражителей, представленных на 600 мс и визуальные стимулы, представленные на -600 мс) в одной экспериментальной парадигмы (Примечание:. Этого будет представлены в виде фильмов в финале клипа)

Рисунок 5
Рисунок 5. Сравнение между гипотетическими ROI отображается на родном корковых пространство субъекта и после превратились на общей корковой пространстве.

Рисунок 6
Рисунок 6. Представитель пространственно-временных кластеров и время курс связан с двух экспериментальных условияхных испытания.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Для того чтобы оценить дипольного активацию на кору от приобретенного MEG / данные ЭЭГ, нам нужно решить обратную задачу, которая не имеет единственное устойчивое решение, если соответствующие анатомически и физиологически звук ограничениями. Использование анатомических ограничений приобретенные по отдельным предметам с использованием МРТ и принятие минимальной нормой, как наш критерий оценки, мы можем прийти к обратным корковых текущей оценки источника, который согласуется с датчиком измерения. Этот подход оказался полезным при изучении не только слуховой обработки 14, а также других областей, таких как визуальная 15 и языковой обработки 16.

Есть много других обратных подходов. Однако все эти методы могут быть сведены в две категории: локализация (например, эквивалентного тока дипольного моделирования.) Или изображение (например, МНК, методы формирования диаграммы направленности.). Кроме того, каждый обратный подход имеет свои траdeoff (см. 17 для углубленного обсуждения). Например, текущая оценка с использованием подхода, представленные здесь обязательно должны быть распределены в пространстве благодаря своей минимальной нормой ограничение. Это минимальных норм оценка подход хорошо подходит для задач, которые вербуют распределенных корковой сети. Сопоставление раннего реагирования на раздражители, которые вызывают координационного активность источника, такие как прослушивание в которые, как полагают быть локализованы внутри и вокруг двусторонних слуховой коре (например,., N1m и населения по вопросам отрицательность 18), также могут быть улучшены с помощью МРТ совместно ограничений 14.

Спектральный анализ домена, например., Исследуя роль различных корковых ритмов участие во внимание, по всей коры также может быть выполнена после использования любого из вышеупомянутых методов обратного. Кроме того, этот тип анализа может быть легко расширена для решения вопросов, связанных с функциональной связи между различными регионами в брАйн.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Нет конфликта интересов объявлены.

Acknowledgements

Авторы хотели бы поблагодарить Матти С. Хямяляйнен, Lilla Zöllei и три анонимных рецензентов за их полезные комментарии. Источники финансирования: R00DC010196 (AKCL); T32DC000018 (EDL); T32DC005361 (РКМ).

Materials

Name Company Catalog Number Comments
306-channel Vectorview MEG system Eleka-Neuromag Ltd,
1.5-T Avanto MRI scanner Siemens Medical Solutions
FreeSurfer http://freesurfer.net/
MNE software http://www.nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php
EEG electrodes Brain Products, Easycap GmbH
3Space Fastrak system Polhemus
Optical button box (FIU-932) Current Designs

DOWNLOAD MATERIALS LIST

References

  1. Fischl, B. Automatically parcellating the human cerebral cortex. Cerebral Cortex. 14, 11-22 (2004).
  2. Dale, A., Sereno, M. Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: A linear approach. Journal of Cognitive Neuroscience. 5, 162-176 (1993).
  3. Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. NeuroImage. 9, 195-207 (1999).
  4. Liu, H. Functional Mapping with Simultaneous MEG and EEG. Journal of Visualized Experiments. (40), e1668 (2010).
  5. Brainard, D. H. The Psychophysics Toolbox. Spatial Vision. 10, 433-436 (1997).
  6. Uusitalo, M. A., Ilmoniemi, R. J. Signal-space projection method for separating MEG or EEG into components. Med. Biol. Eng. Comput. 35, 135-140 (1997).
  7. Taulu, S., Simola, J., Kajola, M. Applications of the signal space separation method. IEEE Transactions on Signal Processing. 53, 3359-3372 (2005).
  8. Urbach, T. P., Kutas, M. Interpreting event-related brain potential (ERP) distributions: Implications of baseline potentials and variability with application to amplitude normalization by vector scaling. Biological Psychology. 72, 333-343 (2006).
  9. Lin, F. -H., Belliveau, J. W., Dale, A. M., Hämäläinen, M. S. Distributed current estimates using cortical orientation constraints. Human Brain Mapping. 27, 1-13 (2006).
  10. Dale, A. Dynamic statistical parametric mapping: combining fMRI and MEG for high-resolution imaging of cortical activity. Neuron. 26, 55-67 (2000).
  11. Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12, 419-446 (2003).
  12. Nichols, T. E., Holmes, A. P. Nonparametric permutation tests for functional neuroimaging: a primer with examples. Human Brain Mapping. 15, 1-25 (2001).
  13. Pantazis, D., Leahy, R. M. Statistical Inference in MEG Distributed Source Imaging. MEG: An Introduction to Methods. Hansen, P., Kringelbach, M., Salmelin, R. Oxford University Press. New York. 245-272 (2010).
  14. Ahveninen, J. Attention-driven auditory cortex short-term plasticity helps segregate relevant sounds from noise. Proceedings of the National Academy of Sciences. 1-6 (2011).
  15. Sharon, D. The advantage of combining MEG and EEG: comparison to fMRI in focally stimulated visual cortex. Neuroimage. 36, 1225-1235 (2007).
  16. Herrmann, B., Maess, B., Hasting, A. S., Friederici, A. D. Localization of the syntactic mismatch negativity in the temporal cortex: An MEG study. NeuroImage. 48, 590-600 (2009).
  17. Baillet, S. The Dowser in the Fields: Searching for MEG Sources. MEG: An Introduction to Methods. Hansen, P., Kringelbach, M., Salmelin, R. Oxford University Press. New York. 83-123 (2010).
  18. Gutschalk, A., Micheyl, C., Oxenham, A. J. Neural correlates of auditory perceptual awareness under informational masking. PLoS Biology. 6, e138 (2008).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics