Kartläggning Kortikala Dynamics med samtidig MEG / EEG och anatomiskt-begränsade Minsta-norm uppskattningar: en auditiv uppmärksamhet Exempel

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

Vi använder magneto-och elektroencefalografi (MEG / EEG), i kombination med anatomisk information fångas upp av magnetisk resonanstomografi (MRT), för att kartlägga dynamiken i den kortikala nätverk i samband med auditiv uppmärksamhet.

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

Magneto-och elektroencefalografi (MEG / EEG) är neuroimaging teknik som ger en hög tidsupplösning särskilt lämplig för att undersöka kortikala nätverk som deltar i dynamiska perceptuella och kognitiva uppgifter, som sköter olika ljud i ett cocktailparty. Många tidigare studier har använt data som registrerats vid sensorn nivå bara har dvs., De magnetiska fält eller elektriska potentialer som spelats utanför och i hårbotten, och oftast fokuserat på aktiviteter som är tid-låst till den stimulans presentation. Denna typ av händelse-relaterat fält / potentiella analys är särskilt användbart när det finns bara ett litet antal distinkta dipolära mönster som kan isoleras och identifieras i tid och rum. Alternativt, genom att utnyttja anatomisk information, kan dessa distinkta fältmönster lokaliseras så strömkällor på hjärnbarken. Men för en mer varaktig respons som kanske inte tid låst till en viss stimulus (t.ex..,som förberedelse för att lyssna på en av de två samtidigt presenterade talade siffror baserade på cued auditiva funktionen) eller kan fördelas över flera rumsliga platser okända a priori kan rekryteringen av ett distribuerat kortikal nätverk inte i tillräcklig fångas med hjälp av ett begränsat antal fokala källor.

Här beskriver vi ett förfarande som använder individuella anatomiska MR data för att fastställa ett samband mellan sensorn information och dipol aktivering på hjärnbarken med hjälp av minsta-norm uppskattningar (MNE). Denna omvända avbildningsteknik ger oss ett verktyg för distribuerad källa analys. För illustrativa syften kommer vi att beskriva alla förfaranden som använder FreeSurfer och MNE programvara, båda fritt tillgängliga. Vi kommer att sammanfatta de MR-sekvenser och steg analys som krävs för att producera en framåt modell som gör att vi kan relatera det förväntade fältmönster orsakas av dipolerna fördelade på hjärnbarken på M / EEG sensorer. Next kommer vi gå igenom de nödvändiga processer som underlättar oss denoising sensordata från miljö-och fysiologiska föroreningar. Vi kommer då beskriva förfarandet för att kombinera och kartläggning MEG / EEG sensordata på kortikala utrymmet, varigenom en familj av tidsserier av kortikal dipol aktivering på hjärnans yta (eller "hjärna filmer") relaterad till varje experimentell betingelse. Slutligen kommer vi lyfta fram några statistiska metoder som gör det möjligt för oss att göra vetenskapliga slutsats över ett ämne befolkning (dvs.., Utför gruppnivå analys) bygger på en gemensam kortikala koordinatmodell.

Protocol

1. Anatomiska Datainsamling och bearbetning

  1. Förvärva en magnetisering förberedda snabb gradient eko (MPRAGE) MR-undersökning av ämnet. Detta kan ta 5-10 minuter beroende på vilken specifik skanning protokoll används.
  2. Förvärva ytterligare två snabba låg vinkel skott (FLASH) MRT (flip vinkel = 5 ° och 30 °) om EEG-data används för omvänd bildanalys, som Flash-sekvenser ger olika vävnader kontrast från de vanliga MPRAGE sekvenserna 1.
  3. Använd FreeSurfer programvara (se tabell) 2, 3 för att rekonstruera den kortikala ytan och att upprätta individuella M / EEG dipol källa utrymme.
    1. Denna källa utrymme begränsas till den grå / vit substans gränsen segmenterad från MPRAGE sökningen. Varje halvklotet innehåller cirka 100.000 potentiella hörn, fördelade på ~ 1 mm. För dipol amplitud uppskattning (se nedan), använd, avstånd 7 mm, vilket ger ~ 3000 dipoler per halvklotet.
  4. Rekonstruerahuden, yttre skalle och inre ytor skalle från MPRAGE och FLASH bilder med MNE (se tabell) och FreeSurfer. Använd dessa ytor för att generera en treskikts modell gränsen elementet (BEM).

2. M / EEG Data Acquisition

  1. Förbered ämne för M / EEG inspelning.
    1. Se Liu et al 4 för information om electrooculogram och referens elektrod förberedelse samt digitalisering av ämnets referenspunkter landmärken, huvud-lägesindikatorn rullar (HPI) och EEG elektroder.
  2. När motivet är placerad i MEG mäter huvudet position med hjälp av HPI spolar.
  3. Starta inspelningen. Börja presentation av auditiv och visuella stimuli.
    1. Många hård-och mjukvarulösningar finns tillgänglig för att utföra stimulans presentation (t.ex.., Presentation, E-Prime). Vi använder en Tucker-Davis Technologies RZ6 för auditiv stimulans presentation och utlösa stämpling med Psychtoolbox 5 för visuell stimulus presentation båda kontrolleras av MATLAB. Test av auditiva och visuella latenser med en mikrofon och fotodiod kopplad till skärmen, och därefter se till att det inte finns någon observerbar jitter (som kan göra det nödvändigt att ställa presentationen projektorn till dess ursprungliga upplösning) före försöket bidrar till timing integritet.
  4. Ämne svarar på hörsel-och synintryck via en optisk knapp låda när de utför beteende uppgift.
  5. Spara alla stimuli, experimentella parametrar och datafiler för off-line analys.

3. M / EEG Co-registrering med MRT och databehandling

  1. Med hjälp av multinationella program, ladda digitizer data och motivets rekonstruerade MR huvud modell. Välj referenspunkter landmärken för att initiera samarbete registreringsprocessen och fortsätt att använda automatisk justering förfarande för att slutföra koordinattransformation (Figur 2).
  2. Att relatera positionen för varje dipol i källan spess med placeringen av varje sensor kombinerar inspelade HPI data (se 2,2) för att beräkna en framåt lösning med tre lager BEM (se 1,4)
  3. Inspektera alla inspelade M / EEG data och identifiera kanaler som har exceptionellt hög varians eller är helt platt. Ställ dessa kanaler som dåliga kanaler.
  4. Använd signal-space projektion 6 eller andra ljud tekniker minskning (såsom signal rumsligt 7) att projekt eller separera rumsliga fältmönster härstammar från omgivande miljöområdet kontaminering eller andra oönskade fysiologiska signaler, såsom de som förknippas med eye-blinkar och hjärt artefakter (Figur 3).
    1. Applicera time-domain artefakt bort (t.ex.., Ta bort epoker innehåller onormalt höga amplitud beroende på tillsatta av en kanal) och frekvens-domän artefakt bort (t.ex.., Band-notch filtrering vid 50 eller 60 Hz linje-frekvens) för att ytterligare öka signal-till-brus-förhållande.
  5. Identifiera en baslinje under vilken ämnet inte utför någon uppgift (t.ex.., 200 ms perioden före början av varje försök). Generera ett genomsnitt av dessa grundläggande epoker för att erhålla en brusuppskattning (även känd som kovariansmatrisen).
  6. Identifiera epoker av intresse (t.ex. endast samla epoker med korrekta beteendet svar.) Och definiera förutsättningarna för experimentella kontraster (t.ex. epoker i samband med ämnet har bytt sin hörsel uppmärksamhet åt motsatt hemifield som ursprungligen cued -. "Switch" tillstånd - kontra ämne upprätthålla uppmärksamheten på den ursprungliga hemifield - "Hold" tillstånd). Generera en genomsnittlig respons för vart och ett av det definierade tillståndet.
    1. Dessa genomsnitt kan baslinjen-rättas eller inte beroende på experimentella parametrar (se punkt 8), data som visas här är utgångsläget, korrigeras.
  7. Kombinera kovariansmatrisen (3,5) och den beräknade framåt lösningen (3,2) för att erhålla enfördelade cortically begränsad minimum-norm invers operatör som relaterar sensorn mätningar dipol aktuella beräkningar i källan rymden.
    1. Du kan antingen cirka begränsa eller fixera dipol orientering till kortikala normala riktningen 9.
  8. Generera en "hjärna film" av den distribuerade dipolen uppskattningen (dvs.. Den aktuella uppskattningen vid varje dipol plats i källan utrymme i tid) för varje experimentell betingelse (figur 4).
    1. Beroende på den tidsmässiga egenskaperna hos din experimentell design kan du bin dina uppgifter i tid som genomsnittet nuvarande beräkningar använder icke-överlappande tidsmässiga fönster.

4. Statistisk inferens Baserat på en gemensam yta-koordinatsystemet

  1. Morph "hjärnan filmer" för varje ämne på en gemensam (genomsnitt) kortikal yta baserad på en yta, koordinatsystemet som optimalt anpassar individuella sulcal-gyral mönster 3. Detta tillåter oss att jämföra eller genomsnittlig kortikala aktiviteter i alla ämnen. (Figur 5).
  2. Det finns många olika statistiska slutsatser metoder. Vi kommer att belysa tre möjliga tillvägagångssätt här. Metoder som inte är implementerade i mjukvara kan skrivas med anpassade programvara i våra exempel använder vi MATLAB att utföra icke-parametriska plats och tid klustring permutation test. Trots den höga dimensionerna (Space x tid x Ämnen) av dessa data kan alla dessa metoder utföras med vanlig modern hårdvara stationär dator i sekunder (ROI, 4,3 tillvägagångssätt) till timmar (icke-parametrisk klustring, 4,5).
  3. Region av intresse (ROI) metoden
    1. Du kan definiera ROI anatomiskt (t.ex.., Som definieras av automatisk parcellation algoritm 1) och / eller funktionellt (t.ex.., Genom att spela in en funktionell lokaliserande uppgift, till exempel en Go / No Go saccade-rörelser uppgift att identifiera oculomotor regioner).
    2. Du kan ytterligare begränsa din analys till en viss tid av intresse som är lämplig för din experimentella paradigm (t.ex.., En tidsperiod omedelbart före och efter uppkomsten av de ljudstimuli). Du kan också använda andra statistisk inferens i samband med tidsserieanalys.
  4. Hela hjärnan Bonferroni eller Falskt Discovery-Rate (FDR) korrektion
    1. Anställ Bonferroni eller FDR korrigering om du behöver hela hjärnan, all-time analys.
    2. Skapa en statistisk karta på varje dipol plats och varje tidpunkt med hjälp av lämpliga tester statistik, såsom ett t-test eller inom ämnen ANOVA för cirka normalt fördelade data. Till exempel kan z-värden från dynamiska statistisk parameter kartläggning av MNE beräkningarna för fasta dipol källor 10 användas när det paras ihop med en korrektion för korrelationer i beräkningarna (t.ex. konservativa Greenhouse-Geisser korrigering).
    3. För Bonferronikorrigering, få betydande rumtiden poäng genom tröskling på en signifikansnivå på 0,05 dividerat med antalet jämförelser (antal dipoler multiplicerat med antalet tidpunkter). För en mindre konservativ hållning, använd FDR p-värde korrigering 11.
  5. Icke-parametriska Spatiotemporal klustring
    1. Använda denna metod (baserad på en enkel förlängning av 12) för att hitta områden av stor, konsekvent rumsliga och tidsmässiga aktivering samtidigt som mindre konservativ än Bonferroni korrigering och mindre benägna att typ I statistiska fel än FDR genom att styra för familjen-wise felfrekvens .
      1. Eftersom detta tillvägagångssätt använder permutation eller Monte Carlo resampling tekniker förlitar inte på antaganden om normalitet av data, och endast förutsätter att villkoret etiketter utbytbara under nollhypotesen. Även om det är mer beräkningsmässigt intensiv än de tidigare två metoder, kan det fortfarande göras i timmar på enenda maskin med modern hårdvara stationär dator.
    2. Generera en statistisk karta på varje dipol plats och varje tidpunkt med användning av lämpliga test-statistik, såsom ett t-test.
    3. Tröskelvärde denna karta på en preliminär betydelse tröskel, t.ex. p <0,05.
    4. Kluster dessa förmodade viktiga Poäng Baserat på tid och rum närhet, till exempel. viktiga punkter inom 5 ms och 5 mm geodetisk avstånd från varandra placeras i samma kluster. Poäng vardera resulterande kluster med hypervolume eller total betydelse (t.ex.. Summan av t-poäng av punkter i klustret).
    5. Utför en vanlig permutation omsampling (eller Monte Carlo omsampling för större datamängder, t.ex.. Antal individer N> 10, för att spara på beräkning) test med en maximal statistik (se 12 för permutation testexempel). Kortfattat, ett slumpmässigt undergrupp av patienter (välja allt från 0 till N personer), byta namn villkor being jämfört innan de har fått den statistiska kartan, gör klustring på nya statistiska kartan och få den maximala kluster poäng för det ommärkning. Utför denna procedur om nya slumpmässiga relabelings för upp till 2 N permutationer för att få en fördelning av den maximala statistik, utför alla 2 N möjliga relabelings ger den permutation test och utnyttja en slumpmässig delmängd av färre än 2 N relabelings ger en Monte Carlo (eller slumpvis ) permutation testet.
    6. Erhåll betydelsen av en given ursprunglig kluster (från den ursprungliga märkning) genom att bestämma den andel av tiden de maximala klusterstorlekar var större än den för den ursprungliga klustret, exempelvis. kluster som var större än 95% av den maximala statistiska kluster kan förklaras betydande.
      1. För en fördjupad diskussion om statistisk inferens i MEG distribuerad källa avbildning, se 13.
  6. De resulterande datafiler kan vi sualized på många sätt, bland annat med hjälp av formaten inbyggt används av MNE programvara för att lagra spatio-temporala kortikala beräkningar, nämligen STC-filer. Dessa, tillsammans med etiketter som kan produceras motsvarande de betydande områden, kan genereras med hjälp av MNE verktygslådor föreskrivs MATLAB och Python.

5. Representativa resultat

Figur 6 visar en uppsättning representativa resultat med användning av beteendemässiga paradigm skisseras i Figur 4. Använda icke-parametriska Spatiotemporal klustring förfarande (4,5), är rätten FEF konstaterades vara betydande när ett föremål utför en omorientering uppgift jämfört med en vanlig uppgift (Figur 6 vänster). Använda ROI metoden (4,3), är tidsförloppet av rätt FEF visas tillsammans med den tidsperiod som dessa två villkor är signifikant olika.

p_upload/4262/4262fig1.jpg "/>
Figur 1. Arbetsflöde för att generera en "brain film" med cortically-begränsad minimum-norm dipol uppskattningar (jfr figur 1 i Liu et al., 2010).

Figur 2
Figur 2. MNE programvara som används för att underlätta EEG kanaler och HPI platser samtidigt registrering på ett ämne är MR samordna utrymme.

Figur 3
Figur 3. MEG data före och efter användning SSP för att ta bort hjärt (markerad i orange) och ögon-blinkar (markeras med blå-grön) artefakter och lågpassfiltrering för att ta bort line-frekvensen. Klicka här för att se större bild .


Figur 4 En "brain film" på motivets inhemska kortikal utrymme och tidpunkten för audiovisuell presentation (med auditiva stimuli som presenteras på 600 ms och en visuell stimuli presenterades vid -600 ms) i en experimentell paradigm (Obs!. Detta kommer att bli presenteras som en film i den slutliga filmklippet)

Figur 5
Figur 5. Jämförelse mellan en hypotetisk ROI åskådliggöras på ett ämne äkta kortikal utrymme och efter förvandlats till ett gemensamt kortikal utrymme.

Figur 6
Figur 6. Representativa spatio-temporal kluster och tidsförloppet associerad med två experimentella villkortioner testades.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

För att uppskatta dipolen aktivering på hjärnbarken från de förvärvade MEG / EEG uppgifter måste vi lösa en omvänd problem som inte har en unik stabil lösning inte lämpliga anatomiskt och fysiologiskt sunda begränsningar tillämpas. Använda den anatomiska hinder som förvärvats för enskilda individer som använder MRI och anta minimi-normen som vår uppskattning kriterium, kan vi komma fram till ett omvänt kortikala strömkälla uppskattning som överensstämmer med sensorn mätningarna. Denna strategi har visat sig användbara i studier av inte bara auditiv bearbetning 14 men även andra områden som visuell 15 och språkbehandling 16.

Det finns många andra omvända metoder. Dock kan alla dessa metoder sammanfattas i två kategorier: lokalisering (t.ex. motsvarande ström dipol modellering.) Eller avbildning (t.ex. MNE, strålformning tekniker.). Vidare har varje inverterade tillvägagångssätt dess tradeoff (se 17 för en fördjupad diskussion). Till exempel måste den aktuella uppskattningen användning av den metod som presenteras här nödvändigtvis fördelas i rymden på grund av dess minimala-norm constraint. Detta minimum-norm uppskattning strategi är väl lämpad för uppgifter som rekryterar ett distribuerat kortikal nätverk. Kartläggning tidiga reaktioner på stimuli som framkallar fokal källa aktivitet, såsom de i audition som tros vara lokaliserad i och runt bilaterala hörselbarken (t.ex.., N1m och medvetenhet relaterat negativitet 18), kan också förbättras genom att använda fMRI co-begränsningar 14.

Spektrala domänen analys, t. ex., Undersöka betydelsen av olika kortikala rytmer inblandade i uppmärksamhet, över cortex kan också utföras efter att använda någon av de ovan nämnda omvända tekniker. Dessutom kan denna typ av analys lätt utvidgas att behandla frågor som rör funktionell konnektivitet mellan olika regioner i brAin.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Inga intressekonflikter deklareras.

Acknowledgements

Författarna vill tacka Matti S. Hämäläinen, Lilla Zöllei och tre anonyma granskare för deras värdefulla kommentarer. Finansieringskällor: R00DC010196 (AKCL), T32DC000018 (EDL), T32DC005361 (RKM).

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