Hur man upptäcker amygdalaaktiviteten med magnetoencefalografi använda Source Imaging

Behavior
 

Summary

I den här artikeln beskrivs hur du spelar in amygdalaaktiviteten med magnetencefalografi (MEG). Utöver denna artikel kommer att beskriva hur man genomför konditionering spår rädsla utan medvetenhet, en uppgift som aktiverar amygdala. Det kommer att omfatta tre områden: 1) Utforma ett paradigm trace conditioning hjälp bakåt maskering för att manipulera medvetandet. 2) Inspelning hjärnaktivitet under uppgiften med hjälp av magnetencefalografi. 3) Använda source imaging att återvinna signalen från subkortikala strukturer.

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

Balderston, N. L., Schultz, D. H., Baillet, S., Helmstetter, F. J. How to Detect Amygdala Activity with Magnetoencephalography using Source Imaging. J. Vis. Exp. (76), e50212, doi:10.3791/50212 (2013).

Please note that all translations are automatically generated.

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

Abstract

I spår rädsla konditionering en villkorlig stimulus (CS) förutspår uppkomsten av den ovillkorliga stimulus (UCS), som presenteras efter en kort stimulans fri period (svepintervallet) 1. Eftersom CS och UCS inte co-uppstå tidsmässigt, måste motivet upprätthålla en representation av denna CS under svepintervallet. Hos människor, kräver denna typ av lärande medvetenhet om stimulans oförutsedda för att överbrygga svepintervallet 2-4. Men när ett ansikte som en CS, kan individer lära implicit att frukta ansiktet även i avsaknad av uttryckliga medvetenhet *. Detta tyder på att det kan finnas ytterligare neurala mekanismer som kan hålla vissa typer av "biologiskt relevanta" stimuli under ett kort svepintervallet. Med tanke på att amygdala är involverad i spår konditionering, och är känslig för ansikten, är det möjligt att denna struktur kan upprätthålla en representation av ett ansikte CS under ett kort svepintervallet.

5. Presentationen av masken gör målet osynliga 6-8. Andra kräver maskering mycket snabb och exakt timing vilket gör det svårt att undersöka neurala reaktioner framkallade av maskerade stimuli med många gemensamma strategier. Blod-syresättning nivåberoende (BOLD) svar löser på en tidsskala för långsam för denna typ av metod, och riktiga tekniker tidsregistrering som electroencephalography (EEG) och magnetencefalografi (MEG) har svårt att återhämta signal från djupa källor.

Däremot har det funnits de senaste framstegen inom de metoder som används för att lokalisera de neurala källorna i MEG-signalen 9-11. Genom att samla högupplösta MRI-bilder av patientens hjärna, är det möjligt att skapa en källa som bygger på individuell neural anatomi. Med hjälp av denna modell för att "bilden" källorna av MEG-signalen, är det möjligt att återvinna signalen från djupa subcortical strukturer som amygdala och hippocampus *.

Protocol

Designa ett paradigm trace conditioning hjälp bakåt maskering blockera medvetenheten

Ett. Design Stimuli

  1. Utforma stimuli för de två grupperna.
  2. Välj 4 neutrala uttryck från olika individer.
  3. Passa ytorna så att ögat regionen av varje yta är på samma plats.
  4. Beskär ansikten med en oval så att håret, öronen, och andra perifera funktioner inte längre syns.
  5. Använd verktygslådan signalbehandling i Matlab (Se Tabell 1 för programvara som krävs för att köra experimentet) att skapa högpassfUtrerade bilder, genom att ta bort all information som är mindre än 5 cykler per grad 12.
  6. Skapa masken genom att sammanfoga flera neutrala uttryck tillsammans, och lägga hög spatial frekvens brus i bilden.
  7. Normalisera alla bilder så att de har samma luminans.

2. Programmera Experiment med presentation

  1. Programmera utbildning och provningsfaser i presentation med de parametrar som beskrivs nedan (se figur 1).
  2. Dessutom programmet en separat fil (PCC) som kommer att användas av PSYLAB datainsamling programvara paket under utbildning och prov, för att leverera den chock som utlöstes av presentation.
  3. För träningspass programmet 4 block av differentiell spår rädsla konditionering med 15 försök per CS, per block.
  4. På varje försök presentera CSS för 30 msek.
  5. På varje försök presentera masken för 970 msek.
  6. På varje CS + försök presentera chock UCS för 100 ms, så att den coterminates med masken.
  7. Vary platsen för CS / masken kombination så att det slumpmässigt förekommer i en av fyra kvadranter.
  8. Presentera en rättegång var 6 ± 2 sek med en variabel intertrial intervall.
  9. För test session program 1 block av återförvärv med 5 försök av varje ansikte CS, och 5 försök vardera av två nya ansikte CSS. För att maximera din förmåga att spela in svaren huden konduktans (SCR) under testerna prövningar presentera CS för 8 sek.
  10. På varje CS + försök presentera chock UCS för 100 ms, så att den coterminates med CS +.
  11. Presentera en studie var 20 ± 4 sek med en variabel intertrial intervall.
  12. Instruera patienter att rapportera UCS förväntade under båda sessionerna, och spela in sina svar med hjälp av en MR / MEG-kompatibel axel enhet (joystick, reglage, ringa, se avsnitt 7).
  13. Rekord SCR under testning sessionen med hjälp av elektroder som sitter på undersidan av deltagarna vänster fot (se avsnitt 9).

Inspelning hjärnaktivitet under uppgiften med hjälp av magnetencefalografi

Tre. Setup utrustning för utbildning på MEG Suite (se figur 2).

  1. Anslut datorn stimulans presentation för MEG förvärvet systemet använder en standard DB25 multikontakt bandkabel (se tabell 2
  2. Anslut datorn stimulans presentation till PSYLAB fristående bildskärm (SAM) med 8-bitars till 2-bit isolering adaptern och synkroniseringskabeln.
  3. De transistor-transistor-logik (TTL) pulser används för att markera den stimulans presentationer kan orsaka artefakter i MEG uppgifterna om de skickas till SAM. För att undvika dessa artefakter, markera starten av de stimuli som endast använder de bitar blockerade genom isolering adaptern.
  4. Anslut chock stimulator (SHK1) till SAM med kabeln som medföljer enheten.
  5. Passera skärmad förlängningskabel genom vågledare och anslut den till chock stimulatorn.
  6. Anslut SAM till en dator som kör PSYLAB datainsamling programvara med hjälp av en vanlig USB-kabel.
  7. Koppla på ratten till den stimulans presentationen dator (USB) och MEG förvärvet systemet (BNC) med gameport-to-gameport/BNC splitter och Gameport-till-USB anpassaer.
  8. Spela två minuter av sensordata utan motivet i rummet.

4. Setup för provning vid MRI Suite

  1. Anslut datorn stimulans presentation till SAM med synkroniseringskabeln.
  2. Anslut chock stimulator (SHK1) och hudens konduktans förstärkaren (SC5) till SAM hjälp av kablar som medföljer enheten.
  3. Passera de skärmade förlängningskablar för SCR och chock genom vågledare och koppla dem till sina respektive enheter.
  4. Anslut SAM till en dator som kör PSYLAB datainsamling programvara med hjälp av en vanlig USB-kabel.
  5. Koppla på ratten till den stimulans presentationen datorn med Gameport till USB-adapter.

Fem. Setup ämne för utbildning på MEG Suite (se figur 3)

  1. Fäst elektroderna och sensorer till ämnet med hjälp av schematiska i figur 3 som en guide.
  2. Fäst engångselektroder tillövervaka blinkning med ögonen ovanför och under patientens högra öga.
  3. Fäst engångselektroder att övervaka hjärtfrekvens till ämnet vänstra sida strax under hjärtat och till höger bröstet strax under nyckelbenet.
  4. Bifoga en disponibel elektrod som en hänvisning till baksidan av motivets vänstra axel.
  5. Fäst två cup elektroder på patientens högra ben över höger tibialnerven över den mediala fotknölen att administrera chock.
  6. Fäst 4 huvud lägesvisare (HPI) spolar till ämnet, en ovanför varje öga och en bakom varje öra.
  7. Digitalisera positionen av patientens huvud i förhållande till HPI spolar med referenspunkter punkter.
  8. Använda Polhemus systemet, karta ställning motivets nasion, och vänster och höger tragi.
  9. Passa motivets digitala huvud i förhållande till de referenspunkter punkter, se till att punkterna är symmetriska.
  10. Nästa karta ställning motivets HPI spolar.
  11. Slutligen, siffraize 50-100 punkter längs motivets hårbotten.
  12. Eskortera omfattas av MEG-system och anslut elektroderna och sensorer till lämpligt gränssnitt.
  13. Anslut engångselektrodens leder in i MEG-system förstärkaren.
  14. Anslut HPI ledningsnätet i MEG-system.
  15. Plug chocken elektroden leder till den avskärmade förlängningskabel.
  16. Höj stolen så att ämnet huvud vidrör toppen av MEG hjälmen.
  17. Placera duken så att den projicerade bilden är i fokus.

6. Shock Upparbetning

  1. Ställ chock till en nivå som ämnet rapporterna som smärtsam men tolereras.
  2. Arm chocken stimulatorn genom att vrida ratten från 0 mA position 5 mA positionen.
  3. Administrera flera presentationer av chocken med fönstret stimulans kontroll från PSYLAB datainsamling programvara paket.
  4. Efter varje presentation har motivet betygsätta intensiteten av chocken på enskala från 0 (inte alls smärtsamma) till 10 (smärtsam men tolereras).
  5. Gradvis öka intensiteten av chocken tills motivet taxor som den som en 10.
  6. Anteckna värdet på skalan i parametervärdet rutan i ämnet detaljer fönstret, chocker kommer att administreras under experimentet vid värdet som anges i denna ruta.

7. Response Device

  1. Instruera ämnet på korrekt användning av ratten med ett scenario exempel presentation.
  2. Instruktioner:. "Flytta markören hela vägen till höger (100) om du är absolut säker på att du kommer att få en presentation av stimulans inom en snar framtid Flytta markören hela vägen till vänster (0) om du är säker att du inte kommer att få en stimulans inom en snar framtid. Flytta markören till mitten (50) om du är osäker på om du kommer att få stimulans inom en snar framtid. "

8. Rekord MEG under träning

  1. Record två minuter av rådata vid 2 kHz, medan ämnet vilar med öppna ögon.
  2. Innan utbildningen påbörjas koder inspelningshändelse och defibrillering använder PSYLAB datainsamling programvara.
  3. Var noga med att PSYLAB kör rätt PCC-koden så att den skickar chock när aktiveras av datorn.
  4. Spela rådata vid 2 kHz under vart och ett av de fyra träningsåk.
  5. Spela online-medelvärden som ett sätt att visuellt inspektera data i realtid för systematiska bullerkällor.
  6. Be motivet att gradera intensiteten av chocken efter varje körning för att bedöma tillvänjning.

9. Setup Ämne för testning vid MRI Suite

  1. Eskortera föremål från MEG suite till MRT-rummet.
  2. Sätt tillbaka chock elektroderna och kalibrera om intensiteten av chocken.
  3. Fäst två cup elektroder till botten av patientens vänstra fot att övervaka SCR.
  4. Se till att ämnet fortfarande förstår hur man använder tHan svar enhet.
  5. Placera motivet på MRI bordet, säkra deras huvud, och anslut SCR och chock elektroden leder till motsvarande skärmade kablar.
  6. Placera spegeln fastsatt på huvudet spolen så att deltagaren kan se skärmen placeras bakom huvudet spolen.

10. Record fMRI under testning

  1. Samla högupplösta anatomiska bilder (SPGR).
  2. Spela in blod-syresättning nivåberoende svar under test session med vanliga imaging parametrar (TR = 2 sek; TE = 25 ms, fleld av view = 24 cm, flip vinkel = 90 °).
  3. Efter tester har motivet fylla ett inlägg experimentell enkät.

Använda source imaging att återvinna signalen från subkortikala strukturer.

11. Analysera Beteende och fMRI data

  1. Använd UCS förväntade att avgöra huruvida patienterna kunde diskriminera mellan stimuli.
  2. GenomsnittUCS förväntade data för 900 msek svepintervallet och föregående 900 msek referensperioden för varje försök.
  3. Subtrahera värdet för referensperioden från värdet för svepintervallet att avgöra hur motivet rörde ratten efter stimulans presentationen.
  4. Utför en CS typ av försök upprepade mätningar ANOVA över ämnesgränserna.
  5. Analysera beteendemässiga och fMRI data från test session med tidigare publicerade standarder 5,13-15.

12. Förbehandla MRI Volym

  1. Använd FreeSurfer 16 för att skapa en segmenterad subkortikal volym, och ytorna på cortex, yttre skalet, och yttre skalle.
  2. Konvertera volymer och ytor till AFNI läsbart format.
  3. Kör importsurfaces.csh - den första gången du kör programmet kommer det att kopiera alla filer du behöver till en ny "modell"-mappen i varje ämne för segmentering mapp. Det kommer också att skapa ett "importsurface.mrml" fil som används för att skapa bränningenace modeller av amygdala och hippocampus.
  4. Skapa och konvertera amygdala och hippocampus volymer i ytor med Slicer3 och paraview.
    1. Kör Slicer3 importsurface.mrml från subjektets "modell" katalogen. Detta laddar ytor och volymer i 3dslicer.
    2. Skapa modeller av amygdala och hippocampus, spara modeller {struktur}. VTK.
    3. Importera. Vtk filer till paraview.
    4. Kör filtrera "generera ytnormaler."
    5. Exportera ytnormaler för Amy och hipp som {struktur}. Ply (ASCII) filer.
  5. Importera ytorna och MRI volym i Brainstorm.
  6. Kör importsurfaces.csh igen - detta kommer att konvertera ytorna till filer som kan läsas av Matlab och kommer att kopiera alla tess_ {struktur} matta filer i Brainstorm databas katalogen..
  7. Se till att du redan har skapat ämnet i Brainstorm innan du kopierar tess_ {struktur}. Matta filer att brainstorma mappen (se steg 14,1).
  8. Once du få ytorna i Brainstorm se till att uppdatera databasen.
  9. Warp MRI volymen i standard utrymme genom att identifiera de referenspunkter punkter.
  10. Manuellt justera hårbotten yta med MRI, sedan tillämpa varpen på alla andra ytor.
  11. Slå ihop de två pial ytorna och minska det totala antalet hörn till 15.000.
  12. Slå ihop de två hippocampus ytorna och minska det totala antalet hörn till 2.000.
  13. Slå ihop de två amygdala ytorna och minska det totala antalet hörn till 1.000.
  14. Slå ihop de pial, hippocampus, och amygdala ytor.
  15. Skapa områden av intresse (scouter) för amygdala och hippocampus.

13. Förbehandla MEG inspelningar med Brainstorm 11

  1. Skapa nytt ämne i Brainstorm databasen.
  2. Importera MEG inspelningen fil för varje träningspass.
  3. Ta bort artefakter orsakade av källor utanför magnetiskt skärmade rum (MSR) använder signalrymdenseparation 17.
  4. Ta bort artefakter orsakade av hjärtslag och ögonrörelser med projektioner signalrymden från händelser som identifierats på elektrokardiografi (EKG) och electrooculography (EOG) kanaler.
  5. Inspektera inspelningarna för att säkerställa att Brainstorm korrekt identifierats hjärtrytm och blinkning med ögonen händelser.
  6. Inspektera inspelningar för andra möjliga källor till buller.
  7. Inspektera framkallade data som skapats från online genomsnitt för systematiska källor artefakt.
    1. Observera att TTL pulser används för att markera starten av stimuli kan orsaka artefakter i inspelningarna om de skickas till PSYLAB SAM-enheten.
    2. Skicka bara TTL pulser som behövs för att administrera chock för SAM-enheten och isolera enheten från de återstående pulserna med hjälp av 8-bitars till 2-bit isolering adapter.

14. Analysera Evoked Svar med Brainstorm

  1. Använd händelsen kanalen att identifiera epoker (-200 msek till 900 msek) motsvarandetill var och en av de experimentella försök.
  2. Begränsa MRI registrering med huvudet poäng.
  3. Beräkna buller kovarians från inspelningar.
  4. Beräkna huvud modell med överlappande sfärer metod med cortex som indata.
  5. Beräkna källor med minsta-norm uppskattning metod 10.
  6. Fortsätt analysen på källor.
  7. Bandpassfilter källor för enskilda studier (1 Hz till 20 Hz).
  8. Ta det absoluta värdet av de filtrerade bandpass-källor och konvertera dessa värden till z-värden baserade på baslinjen variabilitet.
  9. Rumsligt utjämna källorna (sigma = 5 mm).
  10. Genomsnittlig källor i studierna.
  11. Projekt medelvärdena på standard anatomi för experimentet.
  12. Beräkna t-tester på källor i olika förhållanden.
  13. Filter signifikanta t-testresultat med rumsliga och tidsmässiga trösklar för att korrigera för familj-wise fel.
  14. Identifiera betydligt aktiverade regioner och exportera tidsförloppet för acmotivation för varje ämne.
  15. Beräkna medelvärdet och standardavvikelsen för medelvärdet över ämnen vid varje tidpunkt.

15. Utför Tid-frekvens farliga sönderdelningar på ROI med Brainstorm

  1. Projekt rådata från de enskilda försöken på standard anatomi för experimentet.
  2. Identifiera och skapa områden av intresse från analysen av framkallade svaret eller anatomisk-funktionell a priori hypoteser.
  3. Beräkna tid-frekvens sönderfall av data från din ROI för varje prövning med vanliga parametrar (central frekvens = 1 Hz; tidsupplösning [FWHM] = 3 sek; frekvensområde = 10:90 Hz frekvens upplösning = 1 Hz).
  4. Konvertera resulterande tid-frekvens nedbrytningsprodukter kartor till z-värden.
  5. Genomsnittlig de resulterande kartorna över prövningar för varje ämne.
  6. Utför t-test på kartorna över de olika förutsättningar.

Representative Results

Använda de metoder som beskrivs här, har våra undersökningar ledde till två viktiga slutsatser: 1) Det är möjligt att manipulera medvetenheten om Visuell CSS under trace conditioning, och ändå visar tecken på lärande. 2) Det är möjligt att återvinna MEG-signaler från amygdala med * källa avbildning.

I avsnitt 2, beskrev vi hur man manipulerar medvetenheten om visuell CSS med bakåt maskering. När de utsätts för en maskerad stimulus som visas för ~ 30 ms, ämnena är i allmänhet ovetande om den stimulans presentationen 5,6,8 *. Ett sätt att kontrollera framgången med denna manipulation är att mäta försökspersonernas förmåga att förutsäga förekomsten av UCS. Om maskering manipulation är framgångsrik bör ämnen inte kan exakt förutsäga förekomsten av UCS baserad på CS typ (se figur 4).

Även om tidpunkten för denna typ av utbildning gör det svårt att direkt mäta leARNING under träningspasset. Det är möjligt att indirekt mäta lärande genom att utsätta dem för en efterföljande omaskerade återackvisition testsessionen med nya och gamla stimuli 5 *. Om patienter har möjlighet att lära sig om de risker under utbildningen fasen, bör de visa större magnitud differential (CS +> CS-) SCR till de gamla stimuli i förhållande till nya stimuli. Denna effekt är uppenbar i den ofiltrerade gruppen när vi tittar på testfasen studier efter ämnena har åter utsatts för CS-UCS eventualiteter (dvs. Trials 2-5, se Figur 4).

I § ​​8, beskrev vi hur du spelar in MEG under maskerade spår konditionering session. Använda source avbilda att bearbeta dessa inspelningar, är det möjligt att återvinna MEG-signal från subkortikala strukturer som amygdala 18 *. Ämnen visat ofiltrerad ansikte (N = 9) gemensamma specifikationer uppvisar större amygdala svar (Figur 5) och GAMma oscillationer (Figur 6) än personer som visas högpassfUtrerade ansikten (N = 9). Dessutom är dessa ämnen visar också större svar i ett nätverk av regioner ansikte bearbetning som occipital ansiktet området (Figur 7 och Supplemental Video).

Figur 1
Figur 1. Schematisk skildrar en typisk träningspass. Nuvarande 60 försök med en CS + och 60 försök av en CS-i pseudo-ordning, så att det finns fyra block om 15 försök vardera. Presentera CSS för 30 ms, omedelbart följt av en 970 ms mask som coterminates med chocken UCS på CS + prövningar.

Figur 2
Figur 2. Schematisk depicting den utrustning som används i en typisk konditionering experiment Denna inställning gör det möjligt att: 1.) nuvarande visuella stimuli via presentationsprogram, 2) administrera en elektrisk stimulering UCS via Psylab hårdvaran (SAM), 3) rekord UCS förväntade med en axel enhet (ratten) fäst vid presentationen datorn, och 4) synkronisera stimulans presentationer och svar med Meg inspelningar via MEG förvärvet systemets gränssnitt.

Figur 3
Figur 3. Illustration som visar läget för varje sensor och referensimplantaten punkter som beskrivs i avsnitt 5. Dots med bifogade linjerna motsvarar de märkta sensorerna och ledningarna. Blå pilar representerar referenspunkternas punkter som används för att registrera Meg inspelningar med MRI anatomiska volymen. Lila punkts representerar digitaliserade hårbotten punkter som används för att ytterligare förfina MEG-MRI coregistration.

Figur 4
Figur 4. Behavioral resultat från en typisk konditionering studie. Grafen till vänster visar UCS förväntade hela träningspasset, kollapsade över de ofiltrerade och filtrerade grupper. Observera att patienter visar liknande nivåer av UCS förväntade för CS + och CS-över de 60 studierna, vilket tyder på att det maskningsprocedur blockerade deras förmåga att skilja mellan CSS (F (1,17) = 2,19, p = 0,16). Diagrammet till höger visar de differentiella SCR under testningen session. Lägg märke till att den ofiltrerade, men inte den filtrerade gruppen verkar vara att visa större differentiella SCR till de gamla stimuli än de nya stimuli (Ofiltrerad Ny / Old x CS + / CS-interaktion: F (1,7) = 5,94, p = 0,045; Filtrerad Ny / Gamla x CS + / CS-interaktion: F (1,7) = 1,13, p = 0,32), vilket tyder på att utbildningen leder till bättre återförvärv av CS-UCS föreningar för dessa ämnen. (* P <0,05).

Figur 5
Figur 5. MEG resultaten från en typisk konditionering experiment. Figuren till vänster visar 3D-modeller av amygdala (orange), hippocampus (grön), och hjärnbarken som används för att modellera källorna av MEG-signalen. Diagrammet till höger representerar aktivitet från en amygdala kluster modelleras från MEG-inspelningar. Den ljusa linjen representerar den verksamhet framkallade av Ofiltrerade ansikten, medan den mörka linjen representerar den verksamhet framkallade av Filtrerade ansikten. Vertical grå skuggade delarna representerar tidsintervall där Ofiltrerade ansikten väcker betydligt större respons än Filtrerade ansikten (F (1,17)> 3,44, p <0,05). Klicka här för att visa en större bild .

Figur 6
Figur 6. Amygdala tidsfrekvens resultaten från en typisk konditionering experiment. Figuren till vänster visar 3D-modeller av amygdala (orange), hippocampus (grön), och hjärnbarken som används för att modellera källorna av MEG-signalen. Diagrammet till höger representerar MEG-signalen registreras från amygdala uppdelade efter tid och frekvens. Varma färger representerar regioner i spektrograf som visar betydligt mer kraft för unfiltered ansikten än för filtrerade ansikten. Coola färger representerar motsatsen. Regioner med randiga overlay utgör betydande skillnader mellan grupperna. Klicka här för att visa en större bild .

Figur 7
Figur 7. Figur visar occipital aktivering träffyta i ett typiskt konditionering experiment. Färgerna representerar storleken på den ofiltrerade> Filtrerad t-test vid motsvarande dipol. Varma färger representerar större svar på Ofiltrerade ansikten än att Filtrerade ansikten. Coola färger representerar större svar på Filtrerade ansikten än att Ofiltrerade ansikten.

Supplemental Video. Video visar kortikala svar på en typisk conditioning experiment. Färgerna representerar storleken på den ofiltrerade> Filtrerad t-test vid motsvarande dipol. Varma färger representerar större svar på Ofiltrerade ansikten än att Filtrerade ansikten. Coola färger representerar större svar på Filtrerade ansikten än att Ofiltrerade ansikten. Klicka här för att se extra film .

Discussion

I detta dokument beskriver vi metoder 1) att manipulera försökspersonernas medvetenhet om mål gemensamma specifikationer under en spårning rädsla konditionering paradigm. 2) och att återvinna MEG-signal från amygdala under svepet rädsla konditionering utan medvetenhet. Med hjälp av dessa metoder, kunde vi visa att spåra konditionering utan medvetenhet är möjlig när ansikten används för att förutsäga UCS. Detta resultat tyder på att ytorna får särskild behandling även när presenteras nedan den perceptuella detektionströskel *. I enlighet med denna slutsats fann vi att brett spektrum ansikten väcker robusta amygdala svar och brister av gamma svängningar under svepintervallet. Detta resultat antyder att amygdala har förmåga att bibehålla en representation av ett ansikte CS under ett kort svepintervallet.

Även presenteras tillsammans, kan dessa två metoder användas självständigt såväl. Till exempel är det möjligt att använda bakåt maskering för att manipulera målet synlighethet i andra paradigm där beteende kan påverkas av känslomässiga signaler bearbetas under den nivå av medvetande 5,6,8 *. Dessutom, med hjälp av metoden källan avbildning beskrivs här är det möjligt att skapa 3D-modeller av andra subcortical strukturer, och det kan vara möjligt att återvinna signalen från dessa strukturer under andra region specifika uppgifter. Till exempel genom att använda källa avbildning till modellen hippocampus aktivitet, kan det vara möjligt återvinna MEG-signal från hippocampus källor under uppgifter som rumslig navigering.

De metoder som beskrivs här har utformats med två mål i åtanke: 1) blocket medvetenhet om målet stimuli, 2) och maximera förmågan att upptäcka stimulans framkallade amygdala svar med hjälp av MEG. Dessa konstruktionskrav gör det svårt att mäta försökspersonernas implicita kunskap av stimulansåtgärderna oförutsedda. Till exempel, SCR lösa under loppet av några sekunder 5,13, ​​men är det enbart CSS presenterasför ~ 30 ms under träning, och chocken presenteras strax efter (~ 900 ms). Givet dessa tidsbrist, kommer CR uttryck oundvikligen kompliceras av UCR uttryck under träning. På grund av denna colinearity, är det nödvändigt att testa försökspersonernas kunskap om stimulans oförutsedda med hjälp av en efterföljande omaskerade test session. Men ett test session i slutet av experimentet är inte optimalt eftersom SCR tenderar att vänja under loppet av försöket 1. Med tanke på antalet försök som behövs för att visa pålitliga evoked med MEG, kommer detta SCR tillvänjning minska betydligt styrkan att upptäcka en beteendevetenskaplig effekt av utbildningen. Framtida studier bör fokusera på att hitta bättre sätt att indexera implicit inlärning under rädsla konditionering med maskerade CSS. Detta kan göras antingen genom att hitta ett alternativ index av rädsla under träningen (dvs. elev dilatation 19,20) eller hitta en mer känsligt mått på rädsla som kan vara administrastrerade efter träningspasset.

Disclosures

Författarna har ingenting att lämna ut.

Acknowledgments

Denna studie stöddes av National Institute of Mental Health (MH060668 och MH069558).

Materials

Name Company Catalog Number Comments
Software
Matlab Mathworks mathworks.com/products/matlab
Presentation Neurobehavioral Systems neurobs.com
Psylab Contact Precision Instruments psychlab.com
AFNI NIMH - Scientific and Statistical Computing Core afni.nimh.nih.gov/afni
Freesurfer Martinos Center for Biomedical Imaging surfer.nmr.mgh.harvard.edu/fswiki
MNE Martinos Center for Biomedical Imaging nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php
Brainstorm open-source collaboration neuroimage.usc.edu/brainstorm
3d Slicer open-source collaboration slicer.org
Paraview Kitware paraview.org
Table 1. Software used Software used.
Equipment
Physiological Monitoring System
Psylab stand alone monitor (x2) Contact Precision Instruments SAM
Skin conductance amplifier Contact Precision Instruments SC5
Shock stimulator (x2) Contact Precision Instruments SHK1
Additional Components
8-bit synchronization cable (x2) Contact Precision Instruments Included with SAM
8-bit to 2-bit isolation adapter N/A Custom
DB25 ribbon cable (x2) N/A Standard
Shielded extension cable (x3) Contact Precision Instruments CL41
Radiotranslucent cup electrodes for SCR and shock (x6) Biopac EL258-RT
Signa Gel Parker Laboratories 15-250
Response Device
Rotary dial with gameport connector (x2) N/A Custom
Gameport-to-gameport/BNC splitter N/A Custom
BNC cable N/A Standard
Gameport-to-USB adapter (x2) Rockfire RM203U
Additional Components for MEG Setup
HPI coils and wiring harness N/A Custom
HPI positioning system Inition Polhemus Isotrak
Table 2. Equipment used.

DOWNLOAD MATERIALS LIST

References

  1. Knight, D. C., Cheng, D. T., Smith, C. N., Stein, E. A., Helmstetter, F. J. Neural substrates mediating human delay and trace fear conditioning. Journal of Neuroscience. 24, 218-228 (2004).
  2. Knight, D. C., Nguyen, H. T., Bandettini, P. A. The role of awareness in delay and trace fear conditioning in humans. Cognitive, Affective, & Behavioral Neuroscience. 6, 157-162 (2006).
  3. Manns, J. R., Clark, R. E., Squire, L. R. Parallel acquisition of awareness and trace eyeblink classical conditioning. Learning & Memory. 7, 267-272 (2000).
  4. Weike, A. I. I., Schupp, H. T. T., Hamm, A. O. Fear acquisition requires awareness in trace but not delay conditioning. Psychophysiology. 44, 170-180 (2007).
  5. Balderston, N. L., Helmstetter, F. J. Conditioning with masked stimuli affects the timecourse of skin conductance responses. Behavioral Neuroscience. 124, 478-489 (2010).
  6. Flykt, A., Esteves, F., Öhman, A., Ohman, A. Skin conductance responses to masked conditioned stimuli: phylogenetic/ontogenetic factors versus direction of threat. Biological Psychology. 74, 328-336 (2007).
  7. Öhman, A., Carlsson, K., Lundqvist, D., Ingvar, M. On the unconscious subcortical origin of human fear. Physiology & Behavior. 92, 180-185 (2007).
  8. Whalen, P. J., et al. Masked presentations of emotional facial expressions modulate amygdala activity without explicit knowledge. Journal of Neuroscience. 18, 411 (1998).
  9. Huang, M. X., Mosher, J. C., Leahy, R. M. A sensor-weighted overlapping-sphere head model and exhaustive head model comparison for MEG. Physics in Medicine and Biology. 44, 423-440 (1999).
  10. Hämäläinen, M. S., Ilmoniemi, R. J. Interpreting magnetic fields of the brain: minimum norm estimates. Medical & Biological Engineering & Computing. 32, 35-42 (1994).
  11. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience. 2011, 879716-87 (2011).
  12. Rotshtein, P., Vuilleumier, P., Winston, J., Driver, J., Dolan, R. J. Distinct and convergent visual processing of high and low spatial frequency information in faces. Cerebral Cortex. 17, 2713-2724 (2007).
  13. Cheng, D. T., Richards, J., Helmstetter, F. J. Activity in the human amygdala corresponds to early, rather than late period autonomic responses to a signal for shock. Learning & Memory. 14, 485-490 (2007).
  14. Knight, D. C., Smith, C. N., Stein, E. A., Helmstetter, F. J. Functional MRI of human Pavlovian fear conditioning: patterns of activation as a function of learning. Neuroreport. 10, 3665-3670 (1999).
  15. Schultz, D. H., Helmstetter, F. J. Classical conditioning of autonomic fear responses is independent of contingency awareness. Journal of Experimental Psychology Animal Behavior Processes. 36, 495-500 (2010).
  16. Fischl, B., et al. Sequence-independent segmentation of magnetic resonance images. NeuroImage. 23, 69-84 (2004).
  17. Taulu, S., Kajola, M., Simola, J. Suppression of interference and artifacts by the Signal Space Separation Method. Brain Topography. 16, 269-275 (2004).
  18. Dumas, T., et al. MEG study of amygdala responses during the perception of emotional faces and gaze. 17th International Conference on Biomagnetism Advances in Biomagnetism-Biomag, (2010).
  19. Reinhard, G., Lachnit, H., König, S. Tracking stimulus processing in Pavlovian pupillary conditioning. Psychophysiology. 43, 73-83 (2006).
  20. Reinhard, G., Lachnit, H. Differential conditioning of anticipatory pupillary dilation responses in humans. Biological Psychology. 60, 51-68 (2002).

Comments

0 Comments


    Post a Question / Comment / Request

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

    Usage Statistics