Kortlægning Corticale Dynamics Brug Samtidige MEG / EEG og Anatomisk-begrænset Minimum-norm skøn: en auditiv Attention Eksempel

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:

 

Summary

Vi bruger magneto-og elektroencefalografi (MEG / EEG), kombineret med anatomiske oplysninger fanget af magnetisk resonans imaging (MRI), at kortlægge dynamikken i den kortikale netværk forbundet med auditive opmærksomhed.

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-og elektroencefalografi (MEG / EEG) er Neuroimaging teknikker, der giver en høj tidsopløsning særligt egnet til at undersøge de kortikale netværk, der er involveret i dynamiske perceptuelle og kognitive opgaver, såsom at deltage i forskellige lyde i et cocktailparty. Mange tidligere undersøgelser har ansat data, der registreres på sensoren niveau kun har dvs., De magnetiske felter eller de elektriske potentialer optaget uden for og på hovedbunden, og som regel fokuseret på aktivitet, der er tid-låst til stimulus præsentation. Denne type begivenhed-relateret område / potentielle analyse er især nyttig, når der kun er et lille antal forskellige dipolære mønstre, der kan isoleres og identificeres i rum og tid. Alternativt ved at anvende anatomiske oplysninger, kan disse forskellige felt mønstre lokaliseres som nuværende kilder på cortex. Men for en mere vedvarende respons som måske ikke er tid-låst til en specifik påvirkning (f.eks.,som forberedelse til at lytte til en af de to samtidigt præsenteret talte cifre baseret på cued auditive funktionen) eller kan være fordelt over flere rumlige placeringer ukendt på forhånd, kan ansætte en fordelt cortical netværk ikke i tilstrækkelig grad fanges ved hjælp af et begrænset antal fokale kilder.

Her beskriver vi en fremgangsmåde, der anvender individuelle anatomiske MRI-data til at skabe en forbindelse mellem sensoren information og dipolen aktivering på cortex ved anvendelse af minimum-norm estimater (MNE). Denne omvendte billedbehandling tilgang giver os et redskab til distribueret kilde analyse. Til illustrative formål vil vi beskrive alle procedurer ved hjælp FreeSurfer og MNE software, både frit tilgængelige. Vi vil opsummere MRI sekvenser og analyser nødvendige skridt til at producere en fremadrettet model, der gør os i stand til at relatere det forventede feltmønster forårsaget af dipoler fordelt på cortex på M / EEG sensorer. Next, vil vi gå gennem de nødvendige processer, der letter os i denoising sensordataene fra miljømæssige og fysiologiske stoffer. Vi vil herefter beskrive en metode til at kombinere og kortlægning MEG / EEG sensordata på den kortikale rum, hvorved der dannes en familie af tidsserier af cortical dipol aktivering på hjernen overflade (eller "hjerne-film") i forbindelse med hver eksperimentel betingelse. Endelig vil vi fremhæve nogle statistiske teknikker, der gør os i stand til at gøre videnskabelig inferens tværs et emne befolkning (dvs.., Udføre gruppe-niveau analyse) baseret på en fælles cortical koordinat rum.

Protocol

1. Anatomisk Data Acquisition and Processing

  1. Erhverve en magnetisering forberedt hurtig gradient ekko (MPRAGE) MR-scanning af emnet. Dette kan tage 5-10 min afhængig af hvilken specifik scanning protokol der anvendes.
  2. Erhverve yderligere to hurtige lav vinkel shot (FLASH) MR-scanninger (flip vinkler = 5 ° og 30 °), hvis EEG data anvendes til inverse billeddannelse analyse, som flash-sekvenser giver forskellige væv kontrast fra standard MPRAGE sekvenserne 1.
  3. Brug FreeSurfer software (se tabel) 2, 3 for at rekonstruere den kortikale overflade og at oprette individuelle M / EEG dipol kilde plads.
    1. Denne kilde rum er begrænset til den grå / hvid substans grænse segmenteret fra MPRAGE scanningen. Hver halvkugle indeholder omkring 100.000 potentielle vertices, fordelt på ~ 1 mm. For dipol amplitude estimering (se nedenfor), skal du bruge en gitterafstand på 7 mm, hvilket giver ~ 3.000 dipoler pr halvkugle.
  4. Rekonstruerehuden, ydre kranium og indvendige kranium overflader fra MPRAGE og FLASH billeder med MNE (se tabel) og FreeSurfer. Brug disse overflader for at frembringe et trelags grænse element model (BEM).

2. M / EEG Data Acquisition

  1. Forbered emne for M / EEG optagelse.
    1. Der henvises til Liu et al 4 for nærmere oplysninger om electrooculogram og reference elektrode forberedelse samt digitalisering af fagets referencemærker vartegn, hoved-stilling indikator bredbånd (HPI) og EEG elektroder.
  2. Når emnet sidder i MEG, måle hovedets position ved hjælp af HPI spolerne.
  3. Start optagelsen. Begynd præsentation af auditive og visuelle stimuli.
    1. Mange hardware og software løsninger er tilgængelige til at udføre stimulus præsentation (f.eks., Præsentation, E-Prime). Vi bruger en Tucker-Davis Technologies RZ6 for auditiv stimulus præsentation og udløser stempling, med Psychtoolbox 5 for visuel stimulus præsentation, der begge kontrolleres af MATLAB. Test de auditive og visuelle latenstider ved hjælp af en mikrofon og fotodiode fastgjort til skærmen, og derefter sikre, at der ikke er nogen observerbar jitter (som kan nødvendiggøre sætte præsentationen projektoren til dens native opløsning) forud for eksperimentet med til at sikre timing integritet.
  4. Emne reagerer på auditive og visuelle stimuli via en optisk knap kasse, mens de udfører adfærdsmæssige opgave.
  5. Gem alle stimuli, eksperimentelle parametre og datafiler til off-line analyse.

3. M / EEG Co-registrering hos MRI scanning og databehandling

  1. Brug den multinationale software, indlæse digitizer data og fagets rekonstruerede MRI hoved model. Pick referencemærker vartegn at iværksætte co-registreringen, og fortsætte med at bruge automatisk tilpasning procedure for at fuldføre koordinat transformation (figur 2).
  2. At relatere placeringen af ​​hver dipol i kilden spes med placeringen af ​​hver sensor, kombinere optaget HPI data (se 2,2) til at beregne en fremadrettet løsning med tre-lags BEM (se 1,4)
  3. Efterse alle registrerede M / EEG data og identificere kanaler, der har usædvanligt høje varians eller er helt flad. Indstil disse kanaler som dårlige kanaler.
  4. Brug signal-space fremspring 6 eller andre støjreduktion teknikker (såsom signal space separation 7) for at rage eller adskille rumlige felt mønstre stammede fra omgivende miljøområdet forurening eller andre uønskede fysiologiske signaler, såsom dem forbundet med eye-blinker og kardiale artefakter (fig. 3).
    1. Anvende tidsdomæne artefakt fjernelse (f.eks. Og fjerner epoker indeholder unormalt høje amplitude på grund spiking af en kanal) og frekvens-domæne artefakt fjernelse (f.eks., Band-notch filtrering ved 50 eller 60 Hz linie-frekvens) for yderligere at øge signal-støj-forhold.
  5. Identificer en baseline periode, hvor emnet blev ikke udfører alle opgaver (f.eks., 200 ms periode forud for starten af hvert forsøg). Generere et gennemsnit af disse baseline epoker for at opnå en støjestimatet (også kendt som kovariansmatricen).
  6. Identificer epoker af interesse (fx kun indsamle epoker med korrekte adfærdsmæssige reaktioner.) Og definere betingelserne for eksperimentelle kontraster (f.eks epoker i forbindelse med emnet har skiftet deres auditive opmærksomhed til den modsatte hemifield som oprindeligt cued -. "Switch" tilstand - kontra emne opretholdelse opmærksomhed på den oprindelige hemifield - "Hold" tilstand). Generere en gennemsnitlig respons for hver af de definerede tilstand.
    1. Disse gennemsnit kan baseline-korrigeret eller ikke afhængigt af eksperimentelle parametre (se 8), viste data her er baseline-korrigeret.
  7. Kombiner kovariansmatricen (3,5) og den beregnede løsning der (3,2) for at opnå enfordelt cortically begrænset minimum-norm invers operatør, der relaterer de sensormålinger til dipol aktuelle skøn i kilde rummet.
    1. Du kan enten cirka begrænse eller fastsætte dipol orientering til den kortikale normal retning 9.
  8. Generere et "hjerne-film" af det fordelte dipol estimat (dvs.. Det aktuelle estimat ved hver dipol sted i kilden rum i tid) for hver forsøgsbetingelse (figur 4).
    1. Afhængigt af de tidsbestemte karakteristika dit eksperimentelle design, kan du bin dine data i tid ved at tage gennemsnittet nuværende beregninger ved hjælp af ikke-overlappende tidsmæssige vinduer.

4. Statistisk inferens baseret på en fælles Surface-baseret koordinatsystem

  1. Morph de "hjerne-film" for hver genstand på en fælles (gennemsnit) kortikal rum baseret på en overflade-baseret koordinatsystem, der optimalt justerer individuel sulcal-gyrelle mønstre 3. Dette giver os mulighed for at sammenligne eller gennemsnitlig kortikale aktiviteter på tværs af alle fag. (Figur 5).
  2. Der er mange forskellige statistisk inferens tilgange. Vi vil fremhæve tre mulige metoder her. Tilgange, der ikke er gennemført i software-pakke kan skrives ved hjælp af brugerdefineret software-i vore eksempler, vi bruger MATLAB til at udføre de ikke-parametrisk spatio-temporale klyngedannelse permutation test. Trods den høje dimensionalitet (Space x tid x Emner) af disse data, kan alle disse metoder udføres ved hjælp af standard moderne desktop computer hardware i sekunder (ROI, 4,3 tilgang) til timer (ikke-parametrisk clustering; 4,5).
  3. Region-of-interesse (ROI) tilgang
    1. Du kan definere ROI anatomisk (f.eks., Defineret ved automatisk udstykning algoritme 1) og / eller funktionelt (f.eks., Ved at optage en funktionel lokaliserende opgave, såsom en go / no go saccade opgave at identificere oculomotor regioner).
    2. Du kan yderligere begrænse din analyse til et bestemt tidspunkt af interesse, der passer til dit eksperimentelle paradigme (f.eks., En periode umiddelbart før og efter indtræden af de sunde stimuli). Du kan også bruge andre statistisk inferens i forbindelse med tidsserieanalyser.
  4. Hel-hjerne Bonferroni eller falsk-Discovery-Rate (FDR) korrektion
    1. Ansæt Bonferroni eller FDR korrektion, hvis du har brug for hel-hjerne, all-time analyse.
    2. Generer et statistisk kort på hver dipol sted og hvert tidspunkt ved hjælp af passende teststørrelser, såsom en t-test eller inden-subjekter ANOVA for ca normalt-distribuerede data. For eksempel kan z-scoren fra dynamisk statistisk parameter kortlægning af den multinationale estimater for faste dipol kilder 10 anvendes, når parret med en korrektion for korrelationer i overslaget (såsom den konservative Greenhouse-Geisser korrektion).
    3. For Bonferronikorrektion, kan opnås betydelige plads-tidspunkter ved tærskling ved et signifikansniveau på 0,05 divideret med antallet af sammenligninger (antal dipoler ganget med antal tidspunkter). For en mindre konservativ tilgang, bruge FDR p-værdi korrektion 11.
  5. Ikke-parametrisk Spatiotemporal klyngedannelse
    1. Brug denne metode (baseret på en simpel udvidelse af 12) for at finde områder af store, sammenhængende rumlige og tidsmæssige aktivering og samtidig være mindre konservative end Bonferroni korrektion, og mindre tilbøjelig til Type I statistiske fejl end FDR ved at kontrollere for familien-wise fejlprocent .
      1. Fordi denne metode anvender permutation eller Monte Carlo gensampling teknikker, betyder det ikke stole på antagelser om normalitet af dataene, og kun antager, at betingelsen etiketter er udskiftelige under nulhypotesen. Selv om det er mere regnekraft end de to foregående fremgangsmåder, kan det stadig udføres i timer på enenkelt maskine ved hjælp af moderne desktop computer hardware.
    2. Generer et statistisk kort på hver dipol sted og hvert tidspunkt med passende undersøgelsesmetoder statistik, såsom en t-test.
    3. Threshold dette kort på et indledende betydning tærskel, fx p <0,05.
    4. Cluster disse formodede vigtige point baseret på spatio-temporale nærhed, f.eks. væsentlige punkter inden for 5 ms og 5 mm geodætisk afstand af hinanden er sat i samme klynge. Scor hver resulterende klynge ved hjælp hypervolume eller total betydning (f.eks. Sum af t-score point i klyngen).
    5. Udfør en standard permutation resampling (eller Monte Carlo resampling til større datasæt, f.eks. Antal emner N> 10, for at spare på beregning) test med en maksimal statistik (se 12 for permutation testeksempler). Kort fortalt, efter en tilfældig undergruppe af personer (vælge alt fra 0 til N-patienter), relabel betingelserne being sammenlignet før de får den statistiske kort, udføre grupperingen på nye statistiske kort, og få det maksimale klynge score for at ommærkning. Udføre denne procedure på nye tilfældige relabelings i op til 2 N permutationer at opnå en fordeling af den maksimale statistiske, udføre alle 2 N mulige relabelings giver den permutation test og under anvendelse af en tilfældig delmængde af mindre end 2 N relabelings giver en Monte Carlo (eller random ) permutation test.
    6. Opnåelse betydningen af en given original klynge (fra den oprindelige mærkning) ved bestemmelse af den andel af tiden de maksimale klyngestørrelser var større end den af den oprindelige klynge, f.eks. klynger, der var større end 95% af den maksimale statistiske klynger kan erklæres betydelig.
      1. For en indgående drøftelse om statistisk inferens i MEG distribueret kilde billeddannelse, se 13.
  6. De resulterende datafiler kan være vi sualized på mange måder, herunder ved hjælp af de formater indbygget anvendes af multinationale software til at gemme spatio-temporale cortex skøn, nemlig STC filer. Disse, sammen med etiketter, der kan fremstilles svarende til de væsentlige områder, kan genereres ved hjælp MNE værktøjskasser fastsat MATLAB og Python.

5. Repræsentative resultater

Figur 6 viser en række repræsentative resultater ved anvendelse af adfærdsmæssige paradigme skitseret i figur 4. Brug af ikke-parametrisk Spatiotemporal clustering procedure (4,5), er retten FEF sig at være væsentlig, når et individ udfører en nyorientering opgave i forhold til en standard opgave (Figur 6 til venstre). Brug af ROI metode (4.3), er tidsforløbet for den rette FEF vist sammen med tidsperioden, at disse to betingelser er signifikant forskellige.

p_upload/4262/4262fig1.jpg "/>
Figur 1. Workflow til generering af en "brain film" ved hjælp cortically-begrænset minimum-norm dipol skøn (jf. figur 1 i Liu et al., 2010).

Figur 2
Figur 2. Multinational software, der bruges til at lette EEG kanaler og HPI placeringer co-registrering på én fagets MRI koordinat rum.

Figur 3
Figur 3. MEG data før og efter brug af SSP til at fjerne hjerte (markeret med orange) og eye-blinker (markeret med blå-grøn) artefakter og lavpasfiltrering at fjerne line-frekvens. Klik her for at se større figur .


Figur 4 A "brain film" på fagets native kortikale plads og timingen af den audio-visuelle præsentation (med auditive stimuli præsenteret ved 600 ms og en visuel stimulus præsenteret på -600 ms) i en eksperimentel paradigme (Bemærk:. Det vil være præsenteret som en film i den endelige film klip)

Figur 5
Figur 5. Sammenligning mellem en hypotetisk ROI kortlagt på et individs indfødt kortikal rum og efter forvandlet til en fælles kortikal rum.

Figur 6
Figur 6. Repræsentant spatio-temporal klynge-og tidsforløbet forbundet med de to eksperimentelle betingelsertioner testet.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

For at vurdere den dipole aktivering på cortex fra de tilkøbte MEG / EEG data, er vi nødt til at løse en invers problem, som ikke har en unik stabil løsning, medmindre passende anatomisk og fysiologisk sunde begrænsninger anvendes. Brug af anatomiske begrænsning erhvervet for de enkelte fag ved hjælp af MRI og vedtagelse af minimum-norm som vores skøn kriterium, kan vi nå frem til en invers kortikale aktuelle kilde estimat, der er enig med sensormålinger. Denne fremgangsmåde har vist sig nyttigt i studier af ikke blot auditive forarbejdning 14, men også andre områder som visuel 15 og sprogbehandling 16.

Der er mange andre inverse fremgangsmåder. Men alle disse metoder kan sammenfattes i to kategorier: lokalisering (f.eks ækvivalent strøm dipol modellering.) Eller billedbehandling (f.eks MNE, stråleformning teknikker.). Endvidere har hver omvendte rækkefølge har sin tradeoff (se 17 for en tilbundsgående diskussion). For eksempel skal det aktuelle estimat ved hjælp af metoden præsenteret her nødvendigvis blive fordelt i rummet på grund af sin minimum-norm begrænsning. Dette minimum-norm skøn tilgang er velegnet til opgaver, der rekrutterer et distribueret kortikal netværk. Kortlægning tidlige reaktioner på stimuli, fremkalder fokal kilde aktivitet, såsom dem, der audition, der menes at være lokaliseret i og omkring bilateral cortex (f.eks., N1m og bevidsthed vedrørende negativitet 18), kan også forbedres ved hjælp af fMRI co-begrænsninger 14.

Spectral domæne analyse, f.eks., At undersøge betydningen af forskellige kortikale rytmer, der er involveret i opmærksomhed, på tværs af cortex kan også udføres efter at have brugt nogen af de ovennævnte inverse teknikker. Endvidere kan denne type analyse let udvides til at behandle spørgsmål vedrørende funktionel forbindelse mellem forskellige regioner i brain.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Ingen interessekonflikter erklæret.

Acknowledgements

Forfatterne vil gerne takke Matti S. Hämäläinen, Lilla Zöllei og tre anonyme korrekturlæsere for deres nyttige kommentarer. Finansieringskilder: 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