Обнаружение достимулирующих исходно-уровень воздействия на восприятие объектов с помощью магнитоэнцефалографии

Neuroscience
 

Summary

В этой статье описывается, как настроить эксперимент, который позволяет обнаруживать до стимула исходного уровня влияния на восприятие объекта с помощью магнитоэнцефалографии (MEG). Она охватывает стимулматериала материал, экспериментальный дизайн, meG записи, и анализ данных.

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

Rassi, E., Fuscà, M., Weisz, N., Demarchi, G. Detecting Pre-Stimulus Source-Level Effects on Object Perception with Magnetoencephalography. J. Vis. Exp. (149), e60120, doi:10.3791/60120 (2019).

Please note that all translations are automatically generated.

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

Abstract

Предстимулирующая колеблящее сяплетивие активности мозга влияет на предстоящее восприятие. Характеристики этой деятельности до стимулирования могут предсказать, будет ли почти порог стимул воспринимается или не воспринимается, но они могут также предсказать, какой из двух конкурирующих стимулов с различным содержанием восприятия воспринимается? Неоднозначные визуальные стимулы, которые можно увидеть одним из двух возможных способов одновременно, идеально подходят для изучения этого вопроса. Магнецефалография (МЭГ) является нейрофизиологической техники измерения, которая записывает магнитные сигналы, испускаемые в результате деятельности мозга. Миллисекундное временное разрешение МЭГ позволяет охарактеризовать колеблящееся состояния мозга всего за 1 секунду записанных данных. Представляя пустой экран около 1 секунды до неоднозначного начала стимула поэтому обеспечивает временное окно, в котором можно исследовать ли до стимула осцилляторной деятельности смещения содержание предстоящего восприятия, как указано на участников Отчеты. Пространственное разрешение МЭГ не является превосходным, но достаточным для локализации источников мозговой активности в сантиметровом масштабе. Затем реконструкция источника деятельности МЭГ позволяет проверить гипотезы о колебательной активности конкретных регионов, представляющих интерес, а также своевременно-и частотно-разрешенной связи между интересуемыми регионами. Описанный протокол позволяет лучше понять влияние спонтанной, текущей активности мозга на зрительное восприятие.

Introduction

Мозг государства, предшествующие стимулы презентации влияют на то, как стимулы воспринимаются, а также нейронных реакций, связанных с восприятием1,2,3,4. Например, когда стимул представлен с интенсивностью, близкой к порогу восприятия (около порога), предстимулирующая нервная колебля, фаза и связь могут повлиять на то, будет ли предстоящий стимул восприниматься или не восприниматься5 ,6,7,8,9,10. Эти предстимулирующие сигналы могут также влиять на другие аспекты восприятия, такие как содержание объектов восприятия.

Представление людей с неоднозначным изображением, которое может быть интерпретировано одним из двух способов является идеальным способом зондирования восприятия объекта11. Это потому, что субъективное содержание восприятия может быть одним из двух объектов, в то время как фактический стимул остается неизменным. Поэтому можно оценить различия в записанных сигналов мозга между испытаниями, на которых люди сообщили, воспринимая один по сравнению с другими возможными интерпретации стимула. Учитывая доклады, можно также исследовать, были ли какие-либо различия в состояниях мозга до начала стимула.

Магнеоэнцефалография (MEG) является функциональным методом нейровизуализации, который фиксирует магнитные поля, производимые электрическими токами в головном мозге. В то время как зависимые (BOLD) реакции уровня крови (BOLD) разрешаются в сроки секунд, MEG обеспечивает миллисекундное разрешение и, следовательно, позволяет исследовать механизмы мозга, которые происходят в очень быстрых временных масштабах. Связанное с этим преимущество мЭГ заключается в том, что он позволяет охарактеризовать состояния мозга из коротких периодов записанных данных, то есть экспериментальные испытания могут быть сокращены таким образом, что многие испытания вписываются в экспериментальную сессию. Кроме того, MEG позволяет проводить анализ частотных доменов, которые могут выявлять осколочно-колеотительную активность.

В дополнение к высокому временному разрешению, MEG предлагает хорошее пространственное разрешение. С методами реконструкции источника12, одно может проецировать данные датчика-уровня к космосу источника. Это позволяет проверить гипотезы о деятельности указанных регионов интересов. Наконец, в то время как сигналы в сенсорном пространстве сильно коррелируются и поэтому связь между датчиками не может быть точно оценена, реконструкция источника позволяет оценить связь между регионами, представляющими интерес, поскольку она снижает корреляции между исходными сигналами13. Эти оценки подключения могут быть решены как в области времени, так и в области частоты.

Учитывая эти преимущества, МЭГ идеально подходит для изучения воздействия до стимулов на восприятие объектов в конкретных регионах, представляющих интерес. В настоящем докладе мы проиллюстрируем, как разработать такой эксперимент и настройку приобретения МЭГ, а также как применять реконструкцию источников и оценивать колебательную активность и подключение.

Protocol

Описанный протокол соответствует руководящим принципам комитета по этике исследований человека в Зальцбургском университете и соответствует Хельсинкской декларации.

1. Подготовка стимулирующего материала

  1. Скачать изображение Рубин лицо / вазу иллюзия14. Это будет показано половине участников.
  2. Используйте команду Matlab, чтобы инвертировать оригинальное черно-белое бинарное изображение Рубина, чтобы создать второе отрицательное изображение лица/вазы Rubin с черным и белымцветами, перевернутыми по отношению к исходуальному изображению (белый фон вместо черного фона). Это будет показано другой половине участников.
  3. Создайте маску, случайно карабкаясь блоками пикселей изображения Рубина. Разделите изображение на квадратные блоки, которые достаточно малы, чтобы скрыть очевидные особенности контура, например, от 2% до 5% от размера исходного изображения (5 на 5 пикселей из изображения 250 на 250), а затем случайным образом перетасовать их для создания маски.
  4. Создайте черный крест фиксации на белом фоне, так что крест фиксации меньше, чем изображение Рубина (менее 5 "визуального угла").

2. Настройка MEG и стимуляционного оборудования

  1. Подключите компьютер презентации стимула к проектору. Подключите контроллер проектора DLP LED с помощью оптоизолированного расширения USB (для данных) и цифрового визуального интерфейса (DVI) кабеля (для стимулов).
  2. Подключите компьютер приобретения MEG к компьютеру презентации стимула, чтобы позволить ему отправлять и получать триггеры. Подключите систему цифрового ввода/вывода (DIO) (кнопки и триггеры, 2x стандартные разъемы D24) интегрированной системы презентации стимулов в разъем MEG на оптоизолированной коробке прорыва BNC.
  3. Запись 1 минута пустой комнаты MEG данных на 1 кГц.
  4. Мониторинг сигналов от 102 магнитометров и 204 ортогоночастотных планарных градиометров на 102 различных позициях, визуализируя все сигналы в режиме реального времени на компьютере приобретения.

3. Подготовка участника эксперимента MEG

ПРИМЕЧАНИЕ: Подробная информация о приобретении данных MEG ранее были описаны15.

  1. Убедитесь, что участник понимает информированное согласие в соответствии с декларацией Хельсинки и подать им форму, которая также включает в себя заявление о согласии на обработку персональных данных.
  2. Предоставьте участнику немагнитную одежду и убедитесь, что у него нет металлических предметов в теле или на его телах. Попросите участников заполнить другую анонимную анкету, чтобы убедиться в этом, и чтобы у участника не было других критериев исключения, таких как неврологические расстройства, и задокументировать другие персональные данные, такие как handness и уровень отдыха.
  3. Посадите участника на цветно-ферромагнитный (деревянный) стул. Прикрепите 5 индикатора положения головы (HPI) катушки к голове с клейкой штукатуркой, два над одним глазом, один над другим глазом, и один за каждым ухом.
  4. Поместите датчик трекера системы оцифровки твердо на голову участника и зафиксировать его на очки для максимальной стабильности.
    ПРИМЕЧАНИЕ: 3D дигитайзер был использован(Таблица материалов).
  5. Оцифровывать анатомические ориентиры, левые и правые доарикулярные точки и nasion, и убедитесь, что левые и правые доарикулярные точки симметричны. Эти фидуциалы определяют рамку 3D-координат.
  6. Оцифровать 5 позиций катушки HPI с помощью 3D дигитизатора стилуса.
  7. Оцифровать до 300 точек вдоль головы и максимизировать покрытие формы головы. Обложка четко определенные области кожи головы на магнитно-резонансных (МР) изображения, над инионом на спине и nasion на фронте, а также носовой мост.
    ПРИМЕЧАНИЕ: Эти точки будут использоваться для совместной регистрации с анатомическим изображением для лучшей индивидуальной реконструкции источника.
  8. Удалите очки с помощью датчика трекера.
  9. Прикрепите одноразовые электроды выше (суперцильная арка) и ниже (медиальная к зигоматической верхнечелюстной кости) правый глаз для мониторинга вертикальных движений глаз.
  10. Прикрепите одноразовые электроды к левому глазу и к правому глазу (к цигоматической челюстной кости) для мониторинга горизонтальных движений глаз.
  11. Прикрепите одноразовые электроды ниже сердца и ниже правой ключицы, чтобы контролировать частоту сердечных приступов.
    ПРИМЕЧАНИЕ: Глаза и сердечные сигналы относительно надежны, поэтому проверка беспренеса одноразового электрода не требуется.
  12. Прикрепите одноразовый электрод в виде земли под шеей.
  13. Сопроводите участника в защищенную комнату МЭГ и поручите ему сесть в кресло МЭГ.
  14. Подключите ремень проводки HPI и одноразовые электроды в системе MEG.
  15. Поднимите стул так, чтобы голова участника касалась верхней части шлема MEG и удостоверилась, что участнику комфортно в этой позиции.
  16. Закройте дверь в закрытую комнату и общайтесь с участником через домофонную систему внутри и снаружи защищенной комнаты.
  17. Проинструктируйте участника пассивно смотреть на пустой экран (пустой, за исключением центрального креста фиксации) в течение 5 минут при записи данных MEG состояния покоя на 1 кГц. Держите частоту отбора проб на уровне 1 кГц на протяжении всего эксперимента.
  18. Проинструктируйте участника о требованиях к задаче и понижайте, чтобы они выполнили 20 практических испытаний.
    ПРИМЕЧАНИЕ: Пример инструкций: "Держите фиксацию в центре экрана в любое время. Появится крест, и после того, как крест исчезнет, вы увидите изображение, за которым следует скремблированное изображение. Как только скремблированный образ исчезает, нажмите на желтую кнопку, если вы видели лица и зеленую кнопку, если вы видели вазу ".
  19. Альтернативные кнопки ответа между участниками (например, справа для лиц, слева от вазы, или наоборот).
    ПРИМЕЧАНИЕ: Цвет кнопок ответа не имеет значения.

4. Представить эксперимент с помощью Psychtoolbox16

  1. Отображение инструкций для участников, говоря им, какая кнопка нажать, когда они видят лица и какую кнопку нажать, когда они видят вазу.
  2. Создайте одно испытание с 4 событиями, которые будут применяться ко всем испытаниям в этом порядке: крест фиксации, изображение Рубина, маска и подсказка ответа(рисунок 1).
  3. В начале каждого испытания отобразите крест фиксации для переменного периода времени между 1 s и 1.8 s.
  4. В конце этого периода времени, удалить фиксации крест и отобразить изображение Рубин для 150 ms.
  5. В конце 150 мс, удалить изображение Рубин и отобразить маску для 200 мс.
  6. В конце 200 мс, снимите маску и отобразите вопрос, чтобы побудить участников ответить с максимальным сроком ответа 2 с.
  7. Программа период ответа, что если участники отвечают в течение 2 с, следующее испытание (начиная с фиксации крест) начинается, когда они делают это. В противном случае, начать следующее испытание после 2 s.
  8. Сохраните время всех 4 событий, а также выбор ответа и его сроки.
  9. Повторите ту же структуру испытаний 100 раз, прежде чем показывать инструкцию для участников, чтобы отдохнуть кратко. Это один экспериментальный блок.
  10. Повторите структуру блока 4 раза в общей сложности 400 испытаний.

5. Мониторинг сигнала MEG и участника во время эксперимента

  1. Мониторинг участника с помощью видео.
  2. В начале каждого блока, перед началом выполнения задачи, приступайте к измерению данных МЭГ и записывайте исходную позицию руководителя участников по отношению к МЭГ. В используемой системе MEG нажмите GO для запуска. Когда диалог спрашивает, будут ли опущены или добавлены к записи данные HPI, проинспектировать сигнал катушек HPI и нажмите Accept, чтобы записать это начальное положение головы. После этого, нажмите Запись сырья, чтобы начать запись данных MEG.
  3. Если в какой-то момент на протяжении всего эксперимента участник хочет остановить эксперимент, прекратить эксперимент и зайти в защищенную комнату, чтобы отключить все датчики от системы MEG и освободить участника от стула.
  4. Мониторинг сигналов MEG, визуализируя их в режиме реального времени на компьютере приобретения.
  5. В перерывах между блоками общайтесь с участником через акустическую систему, чтобы убедиться, что они хорошо и готовы продолжать, и поручить им двигать конечностями, если они хотят, но не голову.
  6. В промежутке между блоками сохраните приобретенные сигналы MEG этого блока.
  7. После окончания эксперимента зайдите в защищенную комнату, отключите все датчики от системы МЭГ и освободите участника от стула.
  8. Сопроводите участника из защищенной комнаты и предложите им возможность либо отсоединить все датчики от лица и тела, либо отсоединить датчики для них.
  9. Спасибо участнику и предоставьте ему денежную компенсацию.

6. Предпроцессивные и сегментные сигналы MEG

  1. Используйте алгоритм разделения пространства сигнала, реализованный в программе Maxfilter (предоставлена производителем MEG) со значениями параметров по умолчанию для удаления внешнего шума из непрерывных сигналов MEG.
  2. Примените фильтр с высоким пропуском 0,1 Гц к непрерывным данным с помощью инструментария Fieldtrip17, функционирующего фут-преобработки.
    ПРИМЕЧАНИЕ: все впоследствии сообщили функции, закрепленные с 'ft' являются частью инструментария Fieldtrip.
  3. Сегмент данных MEG путем извлечения 1 второй до презентации стимула на каждом испытании.
  4. Назначаем эти эпохи ярлык пробного типа «лицо» или «ваза» в соответствии с поведенческими реакциями участников на каждое испытание.
  5. Визуально проверяйте испытания и каналы, чтобы выявить и удалить те, которые показывают превышение шума или артефактов, независимо от характера артефактов, используя ft'rejectvisual.
  6. Отклонить испытания и каналы с z-оценки выше 3, нажав zscore и выбрав испытания и каналы, превышающие значение 3 или испытаний с избыточной дисперсии, удалив выбросы, показывающие после нажатия var. Проинспектировать сигнал MEG для всех испытаний до или после этой процедуры.

7. Реконструкция источника

  1. Включите оба типы проб для выполнения локализации источника для получения общего линейно ограниченного минимального отклонения12 пространственных фильтров в процедуру луча, реализованной в Fieldtrip.
  2. Диапазон-проход фильтра епокативыданных данных на частотах интереса, в этом случае между 1 и 40 Гц.
  3. Выберите время интереса для расчета матрицы ковариантного действия, в данном случае 1 второго периода предварительного стимулирования.
    ПРИМЕЧАНИЕ: Результируют сегменты данных (выбранные между от -1 до 0 с и от 1 до 40 Гц) используются во всех следующих шагах, требующих ввода данных.
  4. Сегмент головного мозга и кожи головы из отдельных структурных изображений Mr с ft'volumesegment. Если нет, используйте стандартный T1 (из статистического параметрического картирования »SPM» инструментарий) Монреальский институт неврологии (MNI, Монреаль, Квебек, Канада) сканирование мозга вместо.
  5. Создайте для каждого участника реалистичную модель одной оболочки с использованием модели ft'prepare-headmodel.
  6. На отдельных изображениях MR, найти фидуциальных ориентиров, нажав на их местоположение на изображении, чтобы инициировать грубую совместной регистрации с ft'volumerealign.
  7. Выровняйте точки формы головы с кожей головы для более тонкой совместной регистрации.
  8. Подготовьте индивидуальную 3D-сетку с разрешением 1,5 см на основе шаблона MNI, который мозг превратился в объем мозга каждого участника с помощью модели ft'prepare-source.
  9. Вычислите передовую модель для каналов MEG и расположения сетки с помощью ft'prepare-leadfield. Используйте конфигурацию fixedori для вычисления свинца только для одной оптимальной диполевой ориентации.
  10. Рассчитайте матрицу ковариантности каждого испытания и усреднете ее во всех испытаниях.
  11. Вычислите пространственные фильтры, используя переднюю модель и среднюю матрицу ковариантного анализа с помощью фт-исходного анализа.
  12. Умножьте сигнал уровня датчика на фильтры LCMV, чтобы получить временные ряды для каждого местоположения источника в сетке и для каждого испытания.

8. Анализ предварительного стимулирования колеблях власти в регионе интересов

  1. Определите область интереса (ROI), например от предыдущей словесности18 (здесь fusiform зона стороны «FFA»; Координаты МНИ: 28 -64 -4 мм).
  2. Выделяйте виртуальный датчик, который пространственно соответствует рентабельности инвестиций, используя данные ft'selectdata.
  3. Разделение испытаний лица и вазы с использованием данных фут-кекса.
  4. Выполняйте частотный анализ рентабельности инвестиций отдельно по данным двух типов испытаний, используя ft'freqanalysis.
  5. Установите опцию метода mtmfft для выполнения быстрого преобразования Фурье.
  6. Установите опцию конуса для хнинга, чтобы использовать конус функции Hann.
  7. Определите частоты интереса от 1 Гц до 40 Гц.
  8. Установите опцию выхода для того чтобы pow извлечь значения силы от сложного спектра Fourier.
  9. Повторите процедуру для каждого участника, прежде чем усредненить спектры между участниками и построение в результате гранд-усредненные значения мощности в качестве функции частоты интереса.

9. Анализ предстимулирующей связи между заинтересованными регионами

  1. Определите одну (или более) рентабельность инвестиций, с которой предполагается подключение ранее выбранной рентабельности инвестиций, например, из предыдущей литературы18 (здесь V1; Координаты MNI: 12 -88 0).
  2. Повторите шаги 8.2 и 8.3.
  3. Выполняйте частотный анализ времени на обоих ROIs (представленных как 2 канала или "виртуальные датчики" в рамках одной структуры данных), отдельно по данным из двух типов испытаний, используя ft'freqanalysis.
  4. Установите метод mtmconvol для реализации многочастотного преобразования времени, основанного на умножении в частотном домене.
  5. Установите конус вариант dpss использовать дискретные протеат сфероидальных последовательностей функции конус.
  6. Определите частоты интереса от 8 Гц до 13 Гц.
  7. Установите ширину временного окна до 200 мс, а параметр сглаживания до 4 Гц.
  8. Установите вариант keeptrials, чтобы да, чтобы вернуть временные оценки одного испытания.
  9. Установите выход на четыре, чтобы вернуть комплекс Фурье спектра.
  10. Выполните анализ подключения на полученных данных о времени, используя анализ ft'connectivity.
  11. Установите метод coh и сложное поле, чтобы imag, чтобы вернуть воображаемую часть согласованности19.
  12. Повторите процедуру для каждого участника, прежде чем усредненить спектр ы пособнительности через частоты и участников и построение в результате гранд-усредненные мнимой согласованности значения в качестве функции времени.

10. Статистическое сравнение лица и вазы до стимула власти или согласованности спектры

  1. Объедините данные о силе до стимула или согласованности каждого предмета, в рамках каждого из 2 условий, в одну переменную Matlab, используя ft'freqgrandaverage с опцией keepindividual, установленной нада.
  2. Выполните кластерный тест перестановки20, сравнивая 2 результирующих переменных с помощью фут-фрекстатистики.
  3. Установите опцию метода motecarlo.
  4. Установите частотный вариант на «8 13» и установите avgoverfreq наyes.
  5. Установите clusteralpha до 0,05 и установите правильный хвост на альфа.
  6. Установите статистический вариант на ft'statfun-depsamplesT.
  7. Создайте матрицу дизайна с первым рядом из 20, за которым исследуется 20 двойки, а второй ряд последовательных чисел от 1 до 20 повторяется дважды. Передайте эту матрицу дизайна варианту проектирования.
    ПРИМЕЧАНИЕ: Матрица дизайна разделена на блоки по 20, потому что данные были собраны из 20 участников.
  8. Установите опцию ivar до 1 и опцию uvar до 2.

Representative Results

Мы представили Рубин лицо / вазы иллюзия участников кратко и неоднократно и попросил участников сообщить о своем percept (лицо или ваза?) После каждого испытания(Рисунок 1). Каждому испытанию предшествовал не менее 1 с чистого экрана (с крестом фиксации); это был предстимулительный интервал интереса.

Мы спросили, повлиялли ли достимулирующая колеблющиеся силы в регионах, представляющих интерес, или предстимулирующее подключение между заинтересованными регионами, на восприятие отчета о предстоящем неоднозначном стимулировании. Поэтому, в качестве первого шага, мы проецировали наши данные на источник пространства, чтобы мы могли извлечь сигналы из соответствующих ROIs.

Основываясь на предыдущей литературе, исследующей восприятие лица и объекта как с двусмысленными21, так и с недвусмысленными22 стимулами, мы определили, что FFA является нашей рентабельностью инвестиций. Впоследствии мы проанализировали низкочастотные (1-40 Гц) спектральные компоненты исходного сигнала ФФА и сравнили спектральные оценки из испытаний, о которых сообщалось, как "лицо" с теми из испытаний, которые были сообщены как "ваза". Кластерная перестановка, кластеризация на частотах 1-40 Гц, контрастирующая спектральная мощность на испытаниях, где люди сообщали лицо против вазы, не выявило существенных различий между 2 типами испытаний. Тем не менее, описательно, спектры мощности показали ожидаемый пик колеблях альфа-диапазона в диапазоне 8-13 Гц, и в меньшей степени активность бета-диапазона в диапазоне 13-25 Гц(рисунок 2).

Не найдя различий в спектральной силе до стимула, мы затем исследовали, были ли различия в предстимулирующей связи между пробными типами. В дополнение к FFA, мы определили V1, чтобы быть нашей второй рентабельности инвестиций из-за его повсеместное участие в видении. На основе результатов анализа мощности, мы определили частоты 8-13 Гц, чтобы быть нашими частотами интереса. Мы вычислили время- и частота-решена мнимая часть согласованности между нашими двумя ROIs, отдельно для лица и вазы испытаний, и усреднение результат по частотам интереса. Эта мера отражает синхронизацию колеблющейся фазы между областями мозга и консервативно контролирует эффекты проведения в мЭГ реконструированных источников19,так что это был метод выбора для оценки функционального соединения. Кластерная перестановка тест, кластеризации по времени-точек -1 до 0 с, контрастируя мнимой согласованности между V1 и FFA на испытаниях, где люди сообщили лицо против вазы, показали, что лицо испытаний сильнее до стимула подключения по сравнению с вазы испытаний, около 700 мс до начала стимула(рисунок 3).

Figure 1
Рисунок 1 Пример пробной структуры и необработанных данных. Нижняя панель: Пробная версия начинается с отображения креста фиксации. После 1 до 1,8 с, стимул Рубин появляется для 150 мс, а затем маска для 200 ms. Экран ответа затем, как представляется, побудить участников ответить с "лицо" или "ваза". Верхняя панель: Многоканальные исходные данные от участника примера, заблокированные по времени к началу стимула и усредненного в ходе испытаний. Это схема, чтобы выделить данные в предстимулирующем окне анализа (-1 s до 0 s; выделено в розовом цвете), который будет целевым интервалом для анализа. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 2
Рисунок 2 : Спектральная мощность в FFA. Оценки спектральной мощности из исходных локализованных сигналов FFA на испытаниях на лице и вазе. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Figure 3
Рисунок 3 : Связь между V1 и FFA. Воображаемый часть согласованности между исходными локализованными сигналами V1 и FFA на лице и вазах испытаний, в диапазоне частот 8-13 Гц. Затененные регионы представляют собой стандартную ошибку среднего для внутри субъектов конструкций23. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.

Discussion

Представление уникального стимула, который может быть истолкован как несколько объектов с течением времени, но как только один объект в любой момент времени, позволяет исследовать достимулирующее воздействие на восприятие объекта. Таким образом, можно связать предстимулирующие состояния мозга с субъективными отчетами о воспринимаемых объектах. В лабораторных условиях неоднозначные изображения, которые могут быть интерпретированы одним из двух способов, таких как иллюзия вазы Рубина, обеспечивают оптимальный случай, который позволяет напрямую контрастировать активность мозга между двумя типами испытаний: те, которые воспринимаются в одну сторону (например, "лицо" ) и те, воспринимается в другую сторону (например, "ваза").

Представление этих стимулов кратко (Злт;200 мс) гарантирует, что люди видят и впоследствии сообщают только об одном из двух возможных толкований стимула на данном судебном разбирательстве. Контрбалансирование (случайно чередующееся) между черной вазой/белыми лицами и белыми версиями ваза/черных лиц стимула между участниками уменьшает влияние низкоуровневых стимулирующих функций на последующий анализ. Представление маски сразу после стимула предотвращает после изображения от формирования и смещения ответов участников. Потому что анализ периода после начала стимула не представляет интереса, не требуется соответствие между низкочастотными функциями стимула и маски. Наконец, чередование кнопок отклика между участниками (например, слева от вазы, справа от лица или наоборот) предотвращает активность из-за двигательной подготовки от факторинга в контрасты.

Учитывая миллисекундное разрешение МЭГ, интервал до стимула, столь же короткий, как 1 с, достаточен для оценки таких показателей, как спектральная мощность и подключение. Учитывая короткую продолжительность каждого результирующего испытания, большое количество испытаний может быть размещено в экспериментальной сессии, обеспечивая высокое соотношение сигнала к шуму при усреднении сигналов MEG через испытания.

Конкретные чувствительные к категориям области, представляющие интерес, оказались активными во время восприятия объекта24,25. Например, FFA широко сообщается, что участвует в восприятии лица22. Для изучения влияния измеренной активности, вытекающей из конкретных источников, можно реконструировать данные МЭГ. Для изучения связи между источниками необходима реконструкция источника. Для облегчения анализа исходных данных данные на уровне одного истоков могут быть представлены «виртуальными датчиками». Представление данных таким образом позволяет анализировать однопробные исходные данные точно так же в исходном пространстве и пространстве датчиков (т.е. используя те же функции анализа, например, используя инструментарий Fieldtrip). Это позволяет просто проверять гипотезы о деятельности указанных регионов интересов.

В то время как до стимула колеблявласть власти было показано, влиять на обнаружение стимулов вблизи порога восприятия (воспринимаемое против не воспринимается), независимо от того, влияет ли это на содержание того, что видел менее известны. Здесь мы противопоставили достимулирующей колеблющейся власти в FFA между испытаниями, на которых люди сообщили лицо против вазы, и не нашли статистических различий. Впоследствии мы проверили ли связь между V1 и FFA влияет на предстоящий отчет восприятия, и обнаружили, что лицо испытаний предшествовали расширение связи между V1 и FFA в диапазоне альфа-частоты около 700 мс до начала стимула. То, что мы не нашли никакого эффекта в альфа-силе, а скорее вподключении в альфа-диапазоне, предполагает, что в то время как достимул альфа-сила может повлиять на обнаружение стимулов 7,8,это не обязательно влияет на категоризацию объектов. Поэтому наши результаты показывают, что для более полного понимания колеблющейся динамики, предшествующей восприятию объекта и их последующего влияния на восприятие объекта, недостаточно просто анализировать колебательную силу в регионах, представляющих интерес. Скорее, связь между регионами интересов должны быть приняты во внимание, как текущие колебания в силе этих связей может смещения последующего восприятия18. Наконец, несмотря на менее чем оптимальное пространственное разрешение МЭГ, наш протокол демонстрирует, что человек способен четко определить регионы, представляющие интерес, и исследовать их взаимосвязь. MEG может заменять электроэнцефалографию (ЭЭГ), потому что она предлагает превосходное пространственное разрешение, и может заменять функцию МРТ, потому что она предлагает превосходное временное разрешение. Поэтому MEG в сочетании с реконструкцией источника идеально подходит для исследования быстрых и локализованных нейронных процессов.

Disclosures

Авторам нечего раскрывать.

Acknowledgments

Эта работа была поддержана FWF Австрийский научный фонд, Imaging Mind: Связь и высшие когнитивные функции, W 1233-G17 (в Е.Р.) и Европейский исследовательский совет Грант WIN2CON, ERC StG 283404 (в N.W.). Авторы хотели бы отметить поддержку Нади Мюллер-Воггель, Николаса Питфилда и Манфреда Сейфтера за вклад в этот протокол.

Materials

Name Company Catalog Number Comments
Data analysis sowftware Elekta Oy, Stockholm, SWEDEN NM23321N Elekta standard data analysis software including MaxFilter release 2.2 
Data analysis workstation Elekta Oy, Stockholm, SWEDEN NM20998N MEG recoding PC and software
Head position coil kit Elekta Oy, Stockholm, SWEDEN NM23880N 5 Head Position Indicator (HPI) coils 
Neuromag TRIUX Elekta Oy, Stockholm, SWEDEN NM23900N 306-channel magnetoencephalograph system
Polhemus Fastrak 3D Polhemus, VT, USA 3D head digitization system
PROPixx VPixx Technologies Inc., QC, CANADA VPX-PRO-5001C Projector and data acquisition system
RESPONSEPixx VPixx Technologies Inc., QC, CANADA VPX-ACC-4910 MEG-compatible response collection handheld control pad system
Screen VPixx Technologies Inc., QC, CANADA VPX-ACC-5180 MEG-compatible rear projection screen with frame and stand
VacuumSchmelze AK-3 VacuumSchmelze GmbH & Co. KG, Hanau, GERMANY NM23122N Two-layer magnetically-shielded room
Software Version
Fieldtrip Open Source FTP-181005 fieldtriptoolbox.org
Matlab MathWorks, MA, USA R2018b mathworks.com/products/matlab
Psychophysics Toolbox Open Source PTB-3.0.13 psychtoolbox.org

DOWNLOAD MATERIALS LIST

References

  1. Arieli, A., Sterkin, A., Grinvald, A., Aertsen, A. Dynamics of ongoing activity: explanation of the large variability in evoked cortical responses. Science. 273, (5283), 1868-1871 (1996).
  2. Boly, M., et al. Baseline brain activity fluctuations predict somatosensory perception in humans. Proceedings of the National Academy of Sciences of the United States of America. 104, (29), 12187-12192 (2007).
  3. Rahn, E., Başar, E. Prestimulus EEG-activity strongly influences the auditory evoked vertex response: a new method for selective averaging. The International Journal of Neuroscience. 69, (1-4), 207-220 (1993).
  4. Supèr, H., van der Togt, C., Spekreijse, H., Lamme, V. A. F. Internal state of monkey primary visual cortex (V1) predicts figure-ground perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 23, (8), 3407-3414 (2003).
  5. Frey, J. N., et al. The Tactile Window to Consciousness is Characterized by Frequency-Specific Integration and Segregation of the Primary Somatosensory Cortex. Scientific Reports. 6, 20805 (2016).
  6. Leonardelli, E., et al. Prestimulus oscillatory alpha power and connectivity patterns predispose perceptual integration of an audio and a tactile stimulus. Human Brain Mapping. 36, (9), 3486-3498 (2015).
  7. Leske, S., et al. Prestimulus Network Integration of Auditory Cortex Predisposes Near-Threshold Perception Independently of Local Excitability. Cerebral Cortex. 25, (12), New York, NY. 4898-4907 (2015).
  8. Weisz, N., et al. Prestimulus oscillatory power and connectivity patterns predispose conscious somatosensory perception. Proceedings of the National Academy of Sciences of the United States of America. 111, (4), 417-425 (2014).
  9. Busch, N. A., Dubois, J., VanRullen, R. The phase of ongoing EEG oscillations predicts visual perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 29, (24), 7869-7876 (2009).
  10. Mathewson, K. E., Gratton, G., Fabiani, M., Beck, D. M., Ro, T. To see or not to see: prestimulus alpha phase predicts visual awareness. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 29, (9), 2725-2732 (2009).
  11. Blake, R., Logothetis, N. K. Visual competition. Nature Reviews Neuroscience. 3, (1), 13-21 (2002).
  12. Van Veen, B. D., van Drongelen, W., Yuchtman, M., Suzuki, A. Localization of brain electrical activity via linearly constrained minimum variance spatial filtering. IEEE Transactions on Biomedical Engineering. 44, (9), 867-880 (1997).
  13. Bastos, A. M., Schoffelen, J. -M. A Tutorial Review of Functional Connectivity Analysis Methods and Their Interpretational Pitfalls. Frontiers in Systems Neuroscience. 9, 175 (2015).
  14. Rubin, E. Synsoplevede Figurer. Gyldendalske Boghandel. Copenhagen. (1915).
  15. Balderston, N. L., Schultz, D. H., Baillet, S., Helmstetter, F. J. How to detect amygdala activity with magnetoencephalography using source imaging. Journal of Visualized Experiments. (76), e50212 (2013).
  16. Kleiner, M., et al. What's new in psychtoolbox-3. Perception. 36, (14), 1-16 (2007).
  17. Oostenveld, R., Fries, P., Maris, E., Schoffelen, J. -M. FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data. Computational Intelligence and Neuroscience. 2011, 156869 (2011).
  18. Rassi, E., Wutz, A., Mueller-Voggel, N., Weisz, N. Pre-stimulus feedback connectivity biases the content of visual experiences. BioRxiv. (2019).
  19. Nolte, G., et al. Identifying true brain interaction from EEG data using the imaginary part of coherency. Clinical Neurophysiology: Official Journal of the International Federation of Clinical Neurophysiology. 115, (10), 2292-2307 (2004).
  20. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164, (1), 177-190 (2007).
  21. Hesselmann, G., Kell, C. A., Eger, E., Kleinschmidt, A. Spontaneous local variations in ongoing neural activity bias perceptual decisions. Proceedings of the National Academy of Sciences of the United States of America. 105, (31), 10984-10989 (2008).
  22. Kanwisher, N., McDermott, J., Chun, M. M. The fusiform face area: a module in human extrastriate cortex specialized for face perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 17, (11), 4302-4311 (1997).
  23. Morey, R. D. Confidence Intervals from Normalized Data: A correction to Cousineau. Tutorials in Quantitative Methods for Psychology. 4, (2), 61-64 (2008).
  24. Miller, E. K., Nieder, A., Freedman, D. J., Wallis, J. D. Neural correlates of categories and concepts. Current Opinion in Neurobiology. 13, (2), 198-203 (2003).
  25. Kreiman, G., Koch, C., Fried, I. Category-specific visual responses of single neurons in the human medial temporal lobe. Nature Neuroscience. 3, (9), 946-953 (2000).

Comments

0 Comments


    Post a Question / Comment / Request

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

    Usage Statistics