同时MEG / EEG和解剖约束的最小模估计皮质动态映射:听觉注意示例

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

我们使用磁和脑电图(MEG / EEG),磁共振成像(MRI)拍摄的解剖信息相结合,与听觉注意力的皮质网络的动态映射。

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

磁和脑电图(MEG / EEG)的神经影像学技术,提供高时间分辨率,特别适合动态感知和认知能力的任务,如参加一个鸡尾酒会不同的声音在参与调查的皮质神经元网络。许多过去的研究只采用的传感器记录的数据, ,记录外,在头皮上的磁场或电势,并通常集中在活动时间锁定的刺激呈现。这种类型的事件相关领域的/潜在的分析是非常有用的,只有少数不同的偶极模式,可以在时间和空间的分离和鉴定。另外,通过利用解剖信息,这些不同领域的模式可以被本地化为电流源上皮层。然而,对于一个更持久的反应,可能没有时间锁定到一个特定的刺激( ,准备听之一的两个同时出现的口语线索的听觉特性的基础上的数字),或者可以被分布在多个空间位置未知的先验 ,招募的一个分布式皮质网络可能不会被充分地通过使用有限数量的捕获焦点来源。

在这里,我们描述一个过程,采用个别解剖MRI数据建立的传感器信息和偶极子上皮层的激活,通过使用最小模估计(MNE)之间的关系。这种逆成像方法为我们提供了分布式信源分析工具。为了便于说明,我们将介绍使用FreeSurfer和跨国公司的软件,不管是免费的所有程序。我们将总结MRI序列和分析所需的步骤,以产生正向模型,使我们能够与预期的场模式到M / EEG传感器所造成的偶极子分布在皮层。 NEXT,我们会加强有利于我们在去噪的环境和生理污染物的传感器数据,通过必要的程序。然后,我们将概述的程序,用于组合和的MEG / EEG传感器数据映射到皮层的空间,从而产生皮质偶极激活在脑表面(或“大脑电影”)有关的每个实验条件下的时间序列的家庭。最后,我们将重点介绍一些统计技术,使我们能够在一个受人口( ,执行组级别分析)基于一个共同的皮质坐标空间科学推断。

Protocol

1。解剖数​​据采集与处理

  1. 收购磁化准备快速梯度回波(MPRAGE)MRI扫描的主题。这可能需要5-10分钟,这取决于使用特定扫描协议。
  2. 如果EEG数据用于逆成像分析,FLASH序列提供不同的组织从的标准MPRAGE序列1的对比度,获得两个额外的快速低角度拍摄(FLASH)MRI扫描(翻转角= 5°〜30°)。
  3. (见表)使用FreeSurfer软件2,3,重建皮质表面,并成立单独的M /脑电偶极子源空间。
    1. 这个源空间被约束为灰/白质边界分割从MPRAGE扫描。每个半球包含大约10万个潜在的顶点,间距为1毫米。偶极估计(见下文),使用的栅格间距为7毫米,产生〜3000元每半球的偶极子。
  4. 重建皮肤,外的头骨和内颅骨表面MNE(见表),FreeSurfer从MPRAGE和FLASH图像。使用这些表面上以产生一个三层的边界元模型(BEM)。

2。 M / EEG数据采集

  1. 准备主题M / EEG记录。
    1. 电图和参考电极的制备以及数字化主体的基准标志性建筑,头部位置指示器线圈(HPI)和脑电图电极的详细信息,请参阅刘 4。
  2. 一旦问题被放置在MEG,测量头的位置,使用HPI线圈的。
  3. 开始记录。开始呈现的听觉和视觉刺激。
    1. 许多硬件和软件解决方案,可用来进行刺激呈现( 例如 ,演示,E-总理)。我们使用了的塔克-戴维斯技术RZ6的听觉刺激呈现和触发冲压,5 Psychtoolbox的视觉小号timulus介绍,通过MATLAB控制。测试的听觉和视觉延迟使用麦克风和光电二极管连接到屏幕上,随后又确保有没有可观察到的抖动(这可能需要设置演示文稿投影机的原始分辨率)之前的实验,有助于确保时序的完整性。
  4. 主题通过光按钮盒的听觉和视觉刺激,而执行行为的任务。
  5. 所有的刺激,实验参数和数据文件保存为离线分析。

3。 M / EEG与MRI扫描和数据处理有限公司登记

  1. 使用的MNE软件,加载数字化仪的数据和对象的重建MRI头部模型。选择基准的地标,启动共登记过程中,继续使用自动校准程序来完成坐标变换( 图2)。
  2. 与每个偶极子的位置在源SP王牌与每个传感器的位置,结合记录的HPI数据(见2.2)来计算的正向与三层BEM溶液(见1.4)
  3. 检查所有记录的M / EEG数据,并确定有非常高的变异,或者是完全平坦的通道。设置这些坏信道的渠道。
  4. 使用信号空间投影6或其他降低噪声的技术(如信号空间分离7)突出或分离出空间场模式源于周围的环境领域的污染或其它不希望的生理信号,如那些与眼睛闪烁和心脏工件( 图3)。
    1. 应用时域神器去除( 例如 。时代,删除含有异常高振幅信号,由于扣球的通道)和频域神器去除( 例如 ,带50或60 Hz线路频率的陷波滤波),以进一步提高信号 - 噪声比。
  5. 确定一个基准期的主题不执行任何任务( 例如 ,200毫秒内每个试验开始之前)。生成这些基线历元的平均值,以获得(也被称为协方差矩阵)的噪声估计。
  6. 确定时代的兴趣( 例如 ,仅收集的时代,正确的行为反应),实验对比( 例如 ,时代主题切换的听觉注意力到对面的视野时,最初线索- “开关”状态-与主题相关的定义条件维持原来的视野时的注意 - “保留”状态)。为每个定义的条件生成的平均响应。
    1. 这些平均可基线校正或不依赖于实验参数(见图8),这里显示的数据是基线校正。
  7. 合并的协方差矩阵(3.5)和(3.2)计算的正解,以获得分布式皮层约束的最低标准,涉及的传感器测量偶极目前的估计,在源空间的逆算子。
    1. 您可以约限制或固定偶极子定位于大脑皮质的正常方向9。
  8. 生成一个“脑电影”分布式偶极子的每个实验条件下( 图4)的估计值( ,时间在每个偶极子的位置在源空间中的当前估计值)。
    1. 根据你的实验设计的时间特性,你可以BIN你的数据在目前的估计,使用非重叠的时间窗平均时间。

4。统计推断的基础上的共同表面的坐标系

  1. 变形的“大脑为每个主题的电影”到一个共同的(平均)皮质空间的基础上的表面为基础的坐标系统,最佳对齐个人的脑沟,GYRAL模式3。这使我们能够比较或所有科目的平均皮质活动。 ( 图5)。
  2. 有许多不同的统计推断方法。我们将突出三个可能的方法。方法没有被实施的软件包,可以用自定义软件在我们的例子中,我们使用MATLAB进行非参数的时空集中排列测试。尽管这些数据的高维(空间x时间x的主题),所有这些方法都可以使用标准的现代桌面电脑硬件秒(投资回报率4.3的方法)小时(非参数聚类; 4.5)。
  3. 地区的利益(投资回报率)的方法
    1. 您可以定义ROI解剖结构( 例如 ,定义自动地块划分算法1)和/或功能( 例如 ,通过记录功能定位的任务,如一个的Go / No转到扫视任务确定oculomotoŕ地区)。
    2. 您可以进一步限制您的分析,以一个特定的时间的利益,是适合您的实验范式( 例如 ,前一段时间在发病后的声音刺激)。您也可以使用其他的时间序列分析与统计推断。
  4. 全的大脑邦费罗尼或虚假发现率(FDR)校正
    1. 采用的Bonferroni法或FDR修正的,如果你需要全脑,全时间的分析。
    2. 生成统计在每个偶极子的位置的地图,并使用适当的检验统计量,如t-检验或受试者内方差分析为约常分布式数据的每个时间点。例如,z分数从动态统计参数映射的MNE估计固定偶极源10时,可以使用的校正中的估计的相关性(例如作为保守了Greenhouse-Geisser校正)配对。
    3. 对于邦费罗尼校正,取得显着的空间的时间点,在显着性水平为0.05的比较次数(乘以时间点的数目的偶极子数)除以通过阈值。对于一个较保守的方法,使用FDR p值修正11。
  5. 非参数时空聚类
    1. 使用此方法基于一个简单的扩展12地区的大,一致的空间和时间激活,而更小的保守Bonferroni校正,且不容易键入我的统计误差控制家庭明智的错误率比FDR 。
      1. 由于这种方法使用置换或蒙特卡洛重采样技术,它不依赖于数据的正常性的假设,并只假定的条件的标签的零假设下是可交换的。虽然这是比前两种方法计算密集的,它仍然可以执行在时间上的一个单台机器使用的现代桌面计算机硬件。
    2. 生成统计地图在每个偶极子的位置和每个时间点,使用适当的检验统计量,如t-检验。
    3. 本地图一个初步的意义阈值阈值, 例如 ,P <0.05。
    4. 这些假定的重要点集群时空接近的基础上, 例如 。 5毫秒和5毫米的测地距离的另一个重要点内,在同一个集群。得分每个群集使用超体积或总价值( 例如,T-集群中的得分点的总和)。
    5. 执行标准的置换重采样(或蒙地卡罗更大的数据集, 例如重采样数学科N> 10,,节省计算)测试的最大统计(排列测试的例子参见图12)。简单地说,对于一个随机子集的主题(选择从0到N个对象),重新标记的条件被克,比之前获得的统计图,进行聚类新的统计图,并获得最大的集群得分,重贴标签。执行此过程长达2 N排列新的随机relabelings上获得的最大统计量的分布;执行所有N个可能的relabelings产生的排列测试,并利用不到2 N relabelings蒙地卡罗(或随机产生的随机子集)置换测试。
    6. 获得一个给定的原始簇(从原来的标签)确定的时间比例最大的簇大小大于原来的集群的意义, 例如 。大于95%的最大统计集群的集群,可以被宣布重大。
      1. MEG分布式源成像的统计推断了深入的讨论,请参阅13。
  6. 由此产生的数据文件可以是vi sualized在许多方面,包括利用跨国公司软件的使用本地存储的时空皮质估计,即STC文件的格式。 ,旁边的标签,可以产生相应的重大地区,可以使用MATLAB和Python的跨国公司工具箱提供。

5。代表性的成果

图6示出了一组有代表性的结果,使用在图4中所概述的行为范式。使用非参数的的时空聚类程序(4.5)中,右侧的FEF被发现时是显着的被摄体相比,一个标准的任务( 图6左侧)进行重新调整任务。使用的ROI的方法(4.3),右FEF的时间过程被示出,随着的时间段,这两个条件是显着不同的。

p_upload/4262/4262fig1.jpg“/>
图1。工作流程产生一个“大脑电影”使用皮质约束的最低标准偶极子的估算( 参见 图1等人,2010)。

图2
图2。跨国公司使用的软件,方便的EEG渠道和HPI地点共同注册到一个主题的MRI统筹空间。

图3
图3。MEG数据之前和之后的使用SSP取出心脏(以橙色突出显示)和眼睛闪烁(蓝绿色突出显示),以删除线频率的文物和低通滤波。 点击此处查看大图


图4。主体的本地皮质空间和时间的的视听演示(在600毫秒的视觉刺激在-600毫秒的听觉刺激)在一个实验范式(注:这将是A“大脑电影”在最后的影片剪辑的电影)

图5
图5。主体的本地皮质空间映射到一个假设的投资回报率,后演变到一个共同的皮质空间之间的比较。

图6
图6。写照时空群集与两个实验条件和时间进程蒸发散测试。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

为了估计偶极子从收购MEG / EEG数据上皮层的激活,我们需要解决的一个反问题,没有唯一稳定的解决方案,除非适当的解剖和生理健全的约束应用于。使用的解剖收购个别科目使用MRI和采用的最低标准作为我们的估计准则的约束,我们可以得出逆皮层电流源的估计,同意传感器的测量。这种方法已被证明是有用的研究,不仅听觉处理14,但也有其他领域,如视觉15和语言处理16。

还有许多其他的逆的方法。然而,所有这些方法可归纳为两类:本地化( 例如 ,等效电流偶极子模型)或影像( 例如 ,跨国公司,波束赋形技术)。此外,每个逆方法都有其TRAdeoff(见17了深入的讨论)。例如,这里介绍的方法使用的当前估计值必须在空间分布的,由于其最小范数约束。这最低标准估算方法非常适合为皮质的分布式网络招聘的任务。映射的早期反应刺激,唤起重点源的活动,如在试听的双边和听觉皮层( 例如 ,N1M和意识相关负18),被认为是本地化的,也可以提高使用功能磁共振成像约束14。

谱域分析, 例如 ,调查的作用不同皮层节律参与在注意力,横跨皮层也可使用任何上述的逆技术之后进行。此外,这种类型的分析可以很容易地扩展到地址有关的问题,不同的区域之间的功能连接,在brAIN。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

没有利益冲突的声明。

Acknowledgements

作者要感谢马蒂·S.海迈莱伊宁,Zöllei里拉和审稿人的宝贵意见。资金来源: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