同時MEG / EEGおよび解剖学的に制約のある最小ノルム推定値を使用してマッピング皮質ダイナミクス:聴覚注意の例

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:

 

Summary

我々は、磁気共鳴画像法(MRI)によって捕捉解剖学的情報と組み合わせ磁気と脳波(MEG / EEG)は、聴覚注意に関連付けられた皮質ネットワークのダイナミクスをマッピングするために使用します。

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

磁気と脳波(MEG / EEG)は、カクテルパーティーの異なる音に通うように動的知覚と認知作業に関与皮質ネットワークを調査するために特に適した高時間分解能を提供する技術を神経画像診断されています。過去に多くの研究が、。 すなわち 、唯一のセンサレベルで記録されたデータを用いて磁場や外と頭皮上の電位が記録された、通常は刺激提示に時間ロックされている活動に焦点を当てている。た空間的にも時間的に単離·同定することができます異なる双極子パターンの数が少ないだけであるとき、事象関連フィールド/潜在的なこのタイプの分析は、特に有用である。あるいは、解剖学的情報を利用することによって、これらの異なるフィールドパターンは皮質上の電流源として定位させることができる。しかし、特定の刺激( 例えば 。に時間ロックされない場合があり、より持続的な応答のために手掛かり聴覚機能に基づいて2つの同時提示音声の数字の1を聞くための準備中)、または未知のアプリオリ複数の空間の場所に分散してもよいし、分散した大脳皮質の補充は十分に、限られた数を使用してキャプチャされない場合がありますフォーカル源。

ここでは、センサ情報と最小ノルム推定(MNE)の使用を通して皮質上の双極子活性化との関係を確立するために、個々の解剖学的MRIデータを採用して手順を説明します。この逆イメージングアプローチは、私たちに分散ソース解析するためのツールを提供しています。例示的な目的のために、我々はFreeSurferと多国籍企業のソフトウェア、両方自由に利用できるを使用して、すべての手順を説明します。我々は、私たちは、M /脳波センサー上に皮質に分布する双極子によって引き起こされる予想されるフィールドパターンを関連付けることができフォワードモデルを生成するために必要なMRIシーケンスと分析手順を要約します。 NEXトンは、環境的および生理学的汚染物からセンサデータのノイズ除去で私たちを容易にするために必要なプロセスを通っていきます。我々は、それによって各実験条件に関連する脳表面上の皮質双極子活性化の時系列(または "脳の映画")の家族を生産、皮質の空間にMEG / EEGセンサーデータを組み合わせると写像するための手順を概説します。最後に、私たちは、私たちは共通の皮質の座標空間に基づいて被験者集団( すなわち 。、グループレベルの分析を行う)の向こう側に科学的な推論を作ることを可能にするいくつかの統計的手法をハイライト表示されます。

Protocol

1。解剖学的データの収集と処理

  1. 被写体の1磁化準備急速勾配エコー(MPRAGE)MRIスキャンを取得する。これは、特定のスキャンプロトコルが使用されているかに応じて5〜10分かかる場合があります。
  2. FLASHの配列が標準MPRAGEシーケンス1から別の組織のコントラストを提供するように脳波データは、逆イメージング分析のために使用されている場合、2種類の追加、高速で低角度ショット(フラッシュ)MRIスキャンを(フリップ角= 5°、30°)を取得。
  3. 皮質表面を再構築し、個々のM /脳波双極子源領域を設定するFreeSurferソフトウェア(表を参照)2、3を使用ます。
    1. このソース領域はMPRAGEスキャンから分割グレー/白質の境界に制限されます。各半球は約1mmで離隔約10万潜在的な頂点が含まれています。双極子振幅推定(下記参照)については、半球あたり約3000ダイポールをもたらす7ミリメートルのグリッド間隔を使用します。
  4. 再建する多国籍企業(表を参照)、FreeSurferを使用MPRAGEやFLASH画像から皮膚、頭蓋骨の外側と内側の頭蓋骨面。三層境界要素モデル(BEM)を生成するためにこれらの面を使用しています。

2。 M /脳波データ集録

  1. M /脳波記録の件名を準備します。
    1. 電図と参照電極の準備だけでなく、対象者の基準ランドマーク、ヘッド位置インジケータコイル(HPI)およびEEG電極のデジタル化の詳細については、Liu 4を参照してください。
  2. 一度件名はHPIのコイルを使用してヘッド位置を測定し、脳磁図に装着されている。
  3. 記録を開始します。聴覚と視覚刺激のプレゼンテーションを開始します。
    1. 多くのハードウェアおよびソフトウェア·ソリューションは、刺激提示( 例えば 。、プレゼンテーション、電子首相)を実行するために利用されています。我々は、視覚秒間Psychtoolbox 5で、スタンピング聴覚刺激提示およびトリガをタッカー·デイビス·テクノロジーズRZ6を使用timulusプレゼンテーションは、MATLABによって制御両方。聴覚と視覚の待ち時間画面に接続されたマイクとフォトダイオードを使用して、その後(そのネイティブの解像度にプレゼンテーションのプロジェクターを設定する必要になるかもしれない)に観察可能なジッタがない確実にテストを実験する前のタイミングの整合性を確保するのに役立ちます。
  4. 行動のタスクを実行するときに、被写体は、光ボタンボックスを介して聴覚と視覚刺激に応答します。
  5. オフライン分析のために全ての刺激、実験パラメータおよびデータ·ファイルを保存します。

3。 MRIスキャンおよびデータ処理を使用したM /脳波共同登録

  1. MNEソフトウェアを使用して、デジタイザのデータと被験者の再構築されたMRIの頭部モデルをロードします。共同登録プロセスを開始し、座標変換( 図2)を完了するために、自動アライメントプロシージャを使用して続行する基準ランドマークを選択してください。
  2. ソースspに各双極子の位置を関連付けるために各センサーの場所を持つエース、三層BEMを進め解を計算するために記録されたHPIのデータ(2.2参照)を組み合わせる(1.4参照)
  3. 記録されたすべてのM / EEGデータを点検し、非常に高い分散を持っているか、完全に平坦であるチャネルを識別します。悪いチャネルとして、これらのチャネルを設定します。
  4. 周囲の環境分野の汚染や、目が点滅し、心臓の成果物に関連するものなど、他の望ましくない生理的信号、由来空間フィールドパターンを投影するか、分離する信号空間投影6または他のノイズ低減技術(例えば、信号空間の分離7など)を使用( 図3)。
    1. さらに増加するタイム·ドメイン·アーティファクト除去( 例えば 。、チャネルのスパイクに起因する異常に高い振幅の信号が含まれている時代を除去する)と周波数領域のアーチファクト除去( 例えば 。、50または60Hzライン周波数でフィルタリングバンドノッチ)を適用信号対雑音比。
  5. サブジェクト( 例えば 。、前各試験の開始から200 msの期間)任意のタスクを実行されなかったベースライン期間を特定します。 (また、共分散行列とも呼ばれる)雑音推定値を得るために、これらのベースラインのエポックの平均を生成します。
  6. 興味のあるエポック( 例えば 、唯一の正しい行動応答にエポックを収集)を識別し、実験的なコントラスト( 例えば 、もともと手掛かりとして、被験者が反対半視野に彼らの聴覚注意を切り替えたことに関連付けられているエポックのための条件を定義する- 。 "スイッチ"の条件-対主題"ホールド"状態) - オリジナルの半視野に注意を維持する。定義された条件のそれぞれについて、平均応答を生成します。
    1. これらの平均値は、ベースライン補正されたり(8を参照)実験パラメータに依存しないことができ、ここに示されているデータは、ベースライン補正されています。
  7. 取得するために共分散行列(3.5)と計算された前方の溶液(3.2)を組み合わせる元空間内電流双極子推定にセンサーの測定値を関連付ける皮質制約最小ノルム逆数演算を配布しました。
    1. あなたはどちら約制約または皮質法線方向9に双極子の向きを修正することができます。
  8. 各実験条件( 図4)のための分散型ダイポール推定値( すなわち 。、時間内のソース·スペース内の各ダイポール位置で現在の推定値)の"脳の映画"を生成。
    1. あなたの実験デザインの時間特性に応じて、非重複時間的なウィンドウを使用して現在の推定値を平均することによって、時間のあなたのデータをbinことができます。

4。共通面ベースの座標系に基づいて統計的推論

  1. モーフ最適に個々の脳溝-GYを揃えサーフェスベースの座標系に基づいて一般的な(平均的な)皮質の空間に各科目の "脳の映画"RALパターン3。これは、私たちはすべての被験者間で比較や平均皮質活動することができます。 ( 図5)。
  2. さまざまな統計的推論のアプローチがあります。我々はここで3つのアプローチが強調表示されます。ソフトウェア·パッケージに実装されていないアプローチは、我々はノンパラメトリック時空間クラスタリング順列テストを実行するには、MATLABを使用しています。カスタムソフトウェアの私達の例を使用して書き込むことができます(ノンパラメトリッククラスタリング、4.5)の時間に、これらのデータを高次元(空間X時間×科目)にもかかわらず、これらのアプローチのすべてが(4.3アプローチROI)を秒単位で標準の現代的なデスクトップコンピュータのハードウェアを使用して実行できます。
  3. 関心領域(ROI)のアプローチ
    1. あなたは、そして/または、 例えば、(機能的に( 例えば 。、自動parcellationアルゴリズム1によって定義される)解剖学的にROIを定義することができます、機能局在の作業を記録することによって、そのような剛/ oculomotoを識別するための碁サッケードタスクとしてR領域)。
    2. あなたはさらに、あなたの実験パラダイム( 例えば 、音刺激の発症前と直後の期間)に適した特定の時間の関心に分析を制限することができます。また、時系列分析に関連した他の統計的推論を使用することができます。
  4. 全脳ボンフェローニまたはFalse-ディスカバリー·レート(FDR)の補正
    1. あなたは、全脳、すべてのリアルタイム解析が必要な場合は、ボンフェローニまたはFDR補正を採用しています。
    2. ほぼ正規分布したデータに対して適切なテストなどのt検定などの統計、または被験者内分散分析を用いて、各双極子の位置と各時点での統計マップを生成します。推定値の相関の補正(そのような保守的な温室Geisser補正など)と組み合わせた場合、例えば、固定長ダイポール源10の多国籍企業の推定値の動的な統計パラメータマッピングからzスコアを使用することができます。
    3. ボンフェローニのために補正は、比較の回数(時間ポイントの数を乗じた双極子の数)で割った0.05の有意水準で有意な閾値処理することによって時空点を得る。少ない保守的なアプローチについては、FDRのp値の補正11を使用しています
  5. ノンパラメトリック時空間クラスタリング
    1. Bonferroni補正未満保守的でありながら、大規模で一貫性のある空間的、時間的な活性化の領域を見つけるために、このメソッドを(12の単純な拡張子に基づいて)を使用し、家族的なエラー·レートを制御することにより、FDRはより私を統計誤差を入力しにくい。
      1. このアプローチは順列やモンテカルロリサンプリング技法を使用しているので、データの正規性の仮定に依存しており、唯一の条件のラベルは、帰無仮説の下で交換可能であることを前提としていません。それは前の2つの方法より計算集約的であるが、それはまだ上に時間で行うことができます現代的なデスクトップコンピュータのハードウェアを使用して、単一のマシン。
    2. 各双極子の位置とそのようなt-検定などの適切な検定統計量を使用して、各時点での統計的なマップを生成します。
    3. 予備的有意性の閾値での閾値このマップ、 例えば、p <0.05。
    4. クラスタ時空間近接度に基づいて、これらの推定上の重要なポイント、 例えば 。 5ミリ秒と互いの5ミリメートル測地距離内の重要なポイントは、同じクラスタに配置されます。ハイパーボリュームまたは総意義を( たとえば 、クラスタ内のポイントのT-スコアの合計)を使用して得られた各クラスタのスコアを獲得。
    5. 最大の統計で標準順列リサンプリング(またはモンテカルロ大規模なデータセットのためにリサンプリング、被験者の 。数N> 10、計算に保存するの)テストを実行します(順列試験例12を参照)。簡単に説明すると、被験者のランダムなサブセット(0からNまでの任意選択科目)について、再ラベルバイン条件グラムは統計マップを取得する前に比べて、新たな統計地図上でクラスタリングを実行し、その再ラベルに対する最大クラスタのスコアを取得します。最大統計量の分布を得るために2 Nの順列までの新しいランダムrelabelings上で、この手順を実行し、すべての2 N個の可能relabelingsを実行するには、並べ替え検定をもたらすとモンテカルロ(またはランダムもたらすより少ない2 N relabelingsのランダムなサブセットを利用)順列テスト。
    6. 最大クラスタサイズが元のクラスタなどのそれを上回っていた時間の割合を決定することによって、与えられた元のクラスタ(元のラベルから)の重要性を取得します。最大統計クラスターの95%を超えていたクラスタが重要宣言することができます。
      1. MEG分散ソースイメージングにおける統計的推論に関する詳細な議論については、13を参照してください。
  6. 結果のデータファイルは、viことができますネイティブすなわち時空間皮質見積もり、STCのファイルを格納するために多国籍企業のソフトウェアが利用するフォーマットを使用して、などの多くの方法でsualized。これらは、重要な領域に対応して製造することができるラベルと一緒に、MATLABやPythonのために提供MNEツールボックスを使用して生成できます。

5。代表的な結果

図6は、図4で説明した行動パラダイムを用いて代表的な結果のセットを示しています。ノンパラメトリックな時空間クラスタリング手順(4.5)を使用して、右FEF被験者が標準タスク( 図6左)に比べて方向転換タスクを実行しているときに重要であることが判明した。 ROIのアプローチ(4.3)を使用して、右FEFの時間経過は、次の2つの条件が大幅に異なっている期間とともに表示されます。

p_upload/4262/4262fig1.jpg "/>
皮質に制約のある最小ノルム双極子推定( 参照 、Liu 、2010年の図1)を用いて、 "脳の映画"を生成する1。ワークフロー

図2
一人の被験者のMRI座標空間上にEEGチャネルとHPI場所共同登録を容易にするために使用される図2:多国籍企業のソフトウェア。

図3
(3)脳磁図データの前と心臓(オレンジ色で強調表示されている)と目が点滅します(青緑色で強調表示されている)アーティファクトおよびライン周波数を除去するためにローパスフィルタを削除するには、SSPを使用した後の拡大図を表示するには、ここをクリックしてください


これは次のようになります被写体のネイティブ皮質スペースと1つの実験パラダイム(注における視聴覚プレゼンテーションのタイミング(600 msおよび-600ミリ秒で発表された視覚刺激で発表された聴覚刺激で)上の図は、4 "脳の映画"最後のムービークリップ内のムービーとして提示)

図5
図5被験者のネイティブ皮質空間上と共通の皮質の空間に変身した後にマップされた仮想的な投資収益率との比較。

図6
図6つの実験条件に関連付けられている代表的な時空クラスタおよびタイムコースtionsはテストされています。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

取得MEG / EEGデータから皮質への双極子の活性化を推定するために、我々は適切な解剖学的および生理学的に音の制約が適用されない限り、安定したユニークなソリューションを持っていない逆問題を、解決する必要があります。 MRIを用いて、我々の推定基準として最小ノルムを採用し、個々の科目について取得解剖学的制約を使用して、我々はセンサ測定値と一致している逆の皮質電流源推定に到着することができます。このアプローチだけではなく、聴覚処理14だけでなく、視覚的な1516の言語処理など、他のドメインの研究に有用であることが分かった。

他の多くの逆のアプローチがあります。ローカライゼーション( 例えば 、等価電流双極子モデル。)やイメージング( 例えば 、多国籍企業、技術をビームフォーミング):ただし、すべてのこれらのメソッドは、2つのカテゴリにまとめることができます。さらに、それぞれの逆のアプローチは、そのTRAを持ってdeoff(徹底的な議論のための17を参照)。例えば、ここに提示されたアプローチを使用して、現在の推定値は、必ずしもその最小ノルムの制約によりスペースに配布されなければなりません。この最小ノルム推定アプローチがうまく分散皮質ネットワークを募集するタスクに適しています。このような二国間の聴覚皮質( 例えば 。、否定18関連N1mと意識)やその周辺にローカライズされていると考えられるそのオーディションのものと焦点ソース·アクティビティーを呼び起こす刺激に早い応答をマッピングすることも共同制約fMRIを用いて改善することができます14。

スペクトラルドメイン解析、 例えば 。、注目に関与するさまざまな皮質リズムの役割を調査、皮質全体ではまた、上記の逆の技術のいずれかを使用した後に行うことができます。さらに、このタイプの分析は容易にBRの異なる領域間の機能的結合に関連する質問に対応するために拡張することができますアイン。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

特別な利害関係は宣言されません。

Acknowledgements

作者は彼らの役に立つコメントについてマッティS.Hämäläinen、リラZölleiと3匿名の査読者に感謝したいと思います。資金源: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