磁気脳波による物体知覚に対する刺激前のソースレベルの影響の検出

Neuroscience
 

Summary

この記事では、磁気脳波検査(MEG)を用いて物体知覚に対する刺激前のソースレベルの影響を検出できる実験を設定する方法について説明する。刺激材料、実験設計、MEG記録、データ分析をカバーしています。

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

刺激前の振動脳活動は、今後の知覚に影響を与えます。この刺激前の活動の特徴は、ほぼ閾値の刺激が知覚されるかどうかを予測できますが、知覚内容が異なる2つの競合する刺激のうちのどれが知覚されるかを予測することもできますか?一度に2つの可能な方法のいずれかで見ることができるあいまいな視覚刺激は、この質問を調査するのに理想的です。磁気脳波検査(MEG)は、脳活動の結果として放出される磁気信号を記録する神経生理学的測定技術です。MEGのミリ秒の時間的分解能は、記録されたデータのわずか1秒から振動脳状態の特徴付けを可能にする。したがって、あいまいな刺激発症の約1秒前に空の画面を表示すると、参加者が示すように、事前刺激振動活性が今後の知覚の内容を偏っているかどうかを調べることができる時間枠を提供します。レポート。MEGの空間分解能は優れているわけではないが、センチメートルスケールで脳活動の源を局在させるには十分である。MEG活性のソース再構築は、関心のある特定の領域の振動活性、ならびに対象地域間の時間および周波数解決された接続性に関する仮説をテストすることを可能にする。記載されたプロトコルは、視覚知覚に対する自発的で進行中の脳活動の影響をより深く理解することを可能にする。

Introduction

刺激表示の前の脳の状態は、刺激が知覚される方法だけでなく、知覚1、2、3、4に関連する神経応答に影響を与える。例えば、知覚閾値(近い閾値)に近い強度で刺激が提示された場合、刺激前の神経振動力、位相、および接続性は、今後の刺激が知覚されるか否かに影響を与える可能性がある5 ,6,7,8,9,10.これらの刺激前の信号は、知覚物体の内容など、知覚の他の側面にも影響を与える可能性があります。

2つの方法のいずれかで解釈できるあいまいな画像を人々に提示することは、物体知覚11をプローブする理想的な方法である。これは、知覚の主観的な内容は2つのオブジェクトのうちの1つであり、実際の刺激は変わらないためです。したがって、1つは、人々が一方を知覚し、刺激の他の可能な解釈を知覚する試験間の記録された脳信号の違いを評価することができます。レポートを考えると、刺激発症前に脳の状態に違いがあったかどうかを調べることもできます。

磁気脳波検査(MEG)は、脳内の電流によって生成される磁場を記録する機能的な神経イメージング技術です。血液酸素レベル依存(BOLD)応答は秒単位で解決しますが、MEGはミリ秒の分解能を提供するため、非常に速いタイムスケールで発生する脳のメカニズムを調査することができます。MEGの関連する利点は、記録されたデータの短い期間から脳の状態を特徴付けることができるということです, 多くの試験が実験セッションに収まるように実験的な試験を短縮できることを意味します.さらに、MEGは振動活動を明らかにすることができる周波数ドメイン分析を可能にする。

その高い時間分解能に加えて、MEGは良好な空間分解能を提供しています。ソース再構成技術12では、センサレベルのデータをソース空間に投影することができる。これにより、指定された関心領域のアクティビティに関する仮説をテストできます。最後に、センサ空間内の信号は相関性が高いため、センサ間の接続性を正確に評価することはできませんが、ソースの再構築により、対象地域間の接続性の評価が可能になります。ソース信号間の相関関係13.これらの接続性の推定値は、時間ドメインと周波数ドメインの両方で解決できます。

これらの利点を考えると、MEGは、関心のある特定の領域における物体知覚に対する刺激前の影響を調査するのに理想的である。本レポートでは、このような実験とMEG取得セットアップを設計する方法と、ソース再構築を適用し、振動活性と接続性を評価する方法について説明します。

Protocol

記載されたプロトコルは、ザルツブルク大学の人間研究倫理委員会のガイドラインに従い、ヘルシンキ宣言に従っています。

1. 刺激材料の準備

  1. ルビンの顔/花瓶の錯覚14の画像をダウンロードしてください。参加者の半数に表示されます。
  2. Matlab コマンド ~ を使用して、元の白黒のバイナリ ルービン イメージを反転して、元のイメージ (黒の背景ではなく白の背景) に対して反転した黒と白の色で 2 番目のルービン面/花瓶の負のイメージを作成します。これは、参加者の残りの半分に表示されます。
  3. ルービン画像のピクセルのブロックをランダムにスクランブルしてマスクを作成します。イメージを、元のイメージのサイズの 2% から 5% (250 x 250 のイメージのうち 5 x 5 ピクセル) までなど、明らかな輪郭フィーチャを非表示にするのに十分な小さい正方形のブロックにイメージを分割し、ランダムにシャッフルしてマスクを作成します。
  4. 白い背景に黒い固定クロスを作成し、固定の十字がルービン画像よりも小さく(視覚角度の5°未満)にします。

2. MEGおよび刺激装置の設置

  1. 刺激プレゼンテーションコンピュータをプロジェクターに接続します。DLP LEDプロジェクターコントローラをUSBオプト絶縁拡張機能(データ用)とデジタルビジュアルインターフェイス(DVI)ケーブル(刺激用)で接続します。
  2. MEG 取得コンピュータを刺激プレゼンテーション コンピュータに接続して、トリガーを送受信できるようにします。統合された刺激プレゼンテーションシステムのデジタル入出力(DIO)システム(ボタンとトリガ、2x標準D24コネクタ)を、光分離BNCブレークアウトボックスのMEGコネクタに差し込みます。
  3. 1 kHz で空室 MEG データの 1 分間を記録します。
  4. 集録コンピュータ上のすべての信号をリアルタイムで視覚化することにより、102の磁力計と204の直交的に配置された平面放射計からの信号を102の異なる位置で監視します。

3. MEG実験の参加者の準備

注: MEG データ取得の詳細については、前述の15.

  1. 参加者がヘルシンキの宣言に従ってインフォームドコンセントを理解していることを確認し、個人データの処理に同意の声明を含むフォームに署名してもらいます。
  2. 参加者に非磁性服を提供し、体の中や体に金属物がないことを確認します。参加者に別の匿名アンケートに記入してもらい、神経疾患などの他の除外基準を持たないようにし、その他の個人データ(利き手や休息レベルなど)を文書化してもらいます。
  3. 参加者を非強磁性(木製)の椅子に座ります。接着剤石膏で頭部に5つのヘッドポジションインジケータ(HPI)コイルを取り付け、片方の目の上に2つ、もう片方の目の上に1つ、各耳の後ろに1つを取り付けます。
  4. デジタル化システムのトラッカーセンサーを参加者の頭の上にしっかりと置き、メガネに固定して安定性を最大限に高めます。
    注:3Dデジタイザ(材料の表)が使用されました。
  5. 解剖学的ランドマーク、左右の前オーキュラポイントとナシオンをデジタル化し、左右の前オーラルポイントが対称であることを確認します。これらのフィデューシャルは、3D 座標フレームを定義します。
  6. 3D デジタイザ スタイラスを使用して、5 HPI コイルの位置をデジタイズします。
  7. 頭皮に沿って最大300ポイントをデジタル化し、ヘッド形状のカバレッジを最大化します。磁気共鳴(MR)画像上の頭皮の明確に定義された領域をカバーし、背面のイオンと前面の鼻、鼻橋の上に。
    注:これらの点は、より良い個々のソースの再構築のための解剖学的イメージとの共同登録に使用されます。
  8. トラッカーセンサーで眼鏡を取り外します。
  9. 上(超シリアリーアーチ)と下(扁平上顎骨の中間)右目に使い捨て電極を取り付け、垂直眼球の動きを監視します。
  10. 使い捨て電極を左目の左側と右目の右側(扁桃骨の背骨)に取り付け、水平方向の眼の動きを監視します。
  11. 心拍数を監視するために、使い捨て電極を心臓の下と右鎖骨の下に取り付けます。
    注:目と心臓の信号は比較的強いので、使い捨て電極のインピーダンスをチェックする必要はありません。
  12. 使い捨て電極を首の下に地面として取り付けます。
  13. MEGシールドルームに参加者を護衛し、MEGの椅子に座るように指示します。
  14. HPI配線ハーネスと使い捨て電極をMEGシステムに差し込みます。
  15. 参加者の頭がMEGヘルメットの上部に触れ、参加者がこの位置で快適であることを確認するために椅子を上げます。
  16. シールドルームのドアを閉め、シールドルームの内外のインターホンシステムを通じて参加者と通信します。
  17. 休止状態の MEG データを 1 kHz で記録しながら、5 分間、空の画面 (中央固定クロスを除く空) を受動的に見つめる方法を参加者に指示します。実験中はサンプリングレートを1kHzに保ちます。
  18. タスク要件の参加者に指示し、20 回の実習を実行してもらいます。
    注: 指示例: "固定は常に画面の中央に置いてください。十字が表示され、十字が消えると、スクランブル画像が続く画像が表示されます。スクランブル画像が消えるとすぐに、顔を見た場合は黄色のボタンをクリックし、花瓶を見た場合は緑色のボタンをクリックしてください。
  19. 参加者間で応答ボタンを交互に行います(例:顔の右側、花瓶の左、またはその逆)。
    注:応答ボタンの色は関係ありません。

4. サイコツールボックス16を用いて実験を行う

  1. 参加者に指示を表示し、顔を見たときにどのボタンを押し、花瓶を見たときにどのボタンを押するかを指示します。
  2. 固定クロス、ルービン画像、マスク、レスポンスプロンプト(図1)の順にすべての試行に適用される4つのイベントを含む単一のトライアルを作成します。
  3. 各試行の開始時に、1 s から 1.8 s の間の可変期間の固定クロスを表示します。
  4. その期間の終わりに、固定クロスを削除し、150 ミリ秒の Rubin イメージを表示します。
  5. 150 ミリ秒の終わりに、Rubin イメージを削除し、マスクを 200 ミリ秒表示します。
  6. 200 ミリ秒の終わりに、マスクを取り外し、質問を表示して、参加者に最大応答期限 2 秒で応答するよう促します。
  7. 参加者が2s以内に応答した場合、次のトライアル(固定クロスから始まる)が開始されるように応答期間をプログラムします。それ以外の場合は、2 s の後に次のトライアルを開始します。
  8. 応答の選択とタイミングと同様に、4 つのイベントのタイミングを保存します。
  9. 参加者が短時間休息するように指示を表示する前に、同じ試用構造を 100 回繰り返します。これは1つの実験ブロックを構成する。
  10. 合計400回の試行に対してブロック構造を4回繰り返します。

5. 実験中にMEG信号と参加者を監視する

  1. ビデオを使用して参加者を監視します。
  2. 各ブロックの先頭で、タスクが開始される前に、MEGデータの測定を開始し、MEGに対する参加者のヘッドポジションの初期位置を記録する。使用する MEG システムで、[GO] をクリックして開始します。 HPIデータを省略するか、記録に追加するかのダイアログが表示された場合は、HPIコイル信号を検査し、[受け入れ]をクリックして初期ヘッド位置を記録します。その後、[生の記録]をクリックして MEG データの記録を開始します。
  3. 実験中の任意の時点で、参加者が実験を中止し、MEGシステムからすべてのセンサーを取り外し、参加者を椅子から解放するためにシールドルーム内に入ります。
  4. MEG信号を取得コンピュータ上でリアルタイムで視覚化して監視します。
  5. ブロックの間に、スピーカーシステムを通じて参加者とコミュニケーションを取り、彼らが元気で続行する準備ができていることを確認し、彼らが望む場合は、彼らの頭ではなく、彼らの手足を動かすように指示します。
  6. ブロックの間に、そのブロックの取得したMEG信号を保存します。
  7. 実験が終わったら、シールドルームの中に入り、MEGシステムからすべてのセンサーを取り外し、参加者を椅子から解放します。
  8. 参加者をシールドルームからエスコートし、顔と体からすべてのセンサーを取り外すか、センサーを取り外すかの選択を提供します。
  9. 参加者に感謝し、金銭的な補償を提供します。

6. 前処理およびセグメントMEG信号

  1. Maxfilter プログラム(MEG 製造元が提供)に実装されている信号空間分離アルゴリズムをデフォルトパラメータ値で使用して、連続 MEG 信号から外部ノイズを除去します。
  2. Fieldtrip ツールボックス17関数 ft_前処理を使用して、0.1 Hz のハイパス フィルタを連続データに適用します。
    注: 後で報告されたすべての関数に 'ft_' の接頭辞が付いている関数はすべて、Fieldtrip ツールボックスの一部です。
  3. 各試験の刺激プレゼンテーションの前の1秒を抽出してMEGデータをセグメント化します。
  4. 各トライアルの参加者の行動応答に従って、これらのエポックに「顔」または「花瓶」のトライアルタイプラベルを割り当てます。
  5. 試験とチャネルを視覚的に検査して、ft_rejectvisual を使用して、アーティファクトの性質にかかわらず、ノイズやアーティファクトを超えるノイズやアーティファクトを表示する対象を特定して削除します。
  6. zscoreをクリックし、var をクリックした後に表示される外れ値を削除して、3 または過剰な差異を持つ試用値を超える試用値とチャネルを選択して、Z スコアを 3 を超える試用値とチャネルを 3 より超える試用値を拒否します。この手順の前または後のすべての試験について MEG 信号を検査します。

7. ソースの再構築

  1. Fieldtrip で実装されているビームフォーミング手順で、一般的な線形拘束された最小分散12空間フィルタを取得するために、ソースローカリゼーションを実行する両方の試用タイプを含めます。
  2. バンドパスは、エポックされたデータを対象の周波数(この場合は1~40 Hz)にフィルタリングします。
  3. 共分散行列を計算する対象時間を選択します(この場合、1秒前刺激期間)。
    注: 結果のデータ セグメント (-1 ~ 0 s と 1 ~ 40 Hz の間で選択) は、データ入力を必要とする次のすべての手順で使用されます。
  4. ft_volumeセグメントを使用して、個々の構造MR画像から脳と頭皮をセグメント化します。利用できない場合は、標準的なT1(統計パラメトリックマッピング[SPM]ツールボックスから)モントリオール神経学研究所(MNI、モントリオール、ケベック、カナダ)の脳スキャンを使用してください。
  5. ft_prepare_headmodel を使用して、各参加者に対して現実的な単一シェル ヘッド モデルを作成します。
  6. 個々の MR 画像で、画像上の位置をクリックして、ft_volumerealign を使用して粗い共同登録を開始して、図のランドマークを見つけます。
  7. ヘッドシェイプポイントを頭皮に合わせて、より細かい共同登録を行います。
  8. ft_prepare_sourcemodel を使用して各参加者の脳容積に変形した MNI テンプレート脳に基づいて、1.5 cm の解像度で個々の 3D グリッドを準備します。
  9. MEG チャネルのフォワード モデルと、ft_prepare_leadfield を使用してグリッド位置を計算します。コンフィギュレーションfixedoriを使用して、最適なダイポール方向を 1 つだけのリードフィールドを計算します。
  10. 各試行の共分散行列を計算し、すべての試行で平均化します。
  11. ft_sourceanalysis を使用して、前方モデルと平均共分散行列を使用して空間フィルタを計算します。
  12. センサーレベルの信号を LCMV フィルタに乗算して、グリッド内の各ソース位置とトライアルごとに時系列を取得します。

8. 対象地域における刺激前振動力の解析

  1. 例えば、以前の文献18から関心のある領域(ROI)を定義する(ここではファシフォーム面領域[FFA];MNI座標: [28 -64 -4] mm)
  2. ft_selectdata を使用して、空間的に ROI に対応する仮想センサーを選択します。
  3. ft_selectdata を使用して、顔と花瓶の試行を分割します。
  4. ft_freqanalysis を使用して、2 つの試用タイプのデータに対して ROI の周波数解析を実行します。
  5. メソッド オプションをmtmfftに設定して、高速なフーリエ変換を実行します。
  6. ハンファンクションテーパを使用するハニングにテーパオプションを設定します。
  7. 1 Hz から 40 Hz までの関心のある周波数を定義します。
  8. 出力オプションをpowに設定して、複雑なフーリエスペクトルから電力値を抽出します。
  9. 参加者全体のスペクトルを平均化し、得られた総平均電力値を対象周波数の関数としてプロットする前に、各参加者の手順を繰り返します。

9. 関心のある地域間の事前刺激接続性の解析

  1. 以前に選択した ROI が接続されると仮定された1つ (またはそれ以上) ROI を定義します(ここでは V1;MNI座標: [12 -88 0])
  2. 手順 8.2 と 8.3 を繰り返します。
  3. ft_freqanalysis を使用して、2 つの試行タイプのデータに対して、両方の ROI (同じデータ構造内で 2 チャネルまたは「仮想センサー」として表される) で時間周波数分析を実行します。
  4. 周波数ドメインの乗算に基づいてマルチテーパ時間周波数変換を実装するには、メソッドをmtmconvolに設定します。
  5. 離散プロレート回転楕円体シーケンス関数テーパを使用するように、テーパオプションをdps に設定します。
  6. 8 Hz から 13 Hz までの関心のある周波数を定義します。
  7. 時間枠の幅を 200 ミリ秒に設定し、スムージング パラメータを 4 Hz に設定します。
  8. 単一の試行の時間頻度の推定値を返すには、keeptrials オプションをyesに設定します。
  9. 複雑なフーリエスペクトルを返すには、出力をFourierに設定します。
  10. ft_connectivityanalysis を使用して、結果の時間周波数データに対して接続性解析を実行します。
  11. cooh にメソッドを設定し、複雑なフィールドをイマジネーションに設定して、一貫性19の虚数部分を返します。
  12. 周波数と参加者の間でコヒーレンススペクトルを平均化し、結果として得られる壮大な平均的な想像上の一貫性値を時間の関数としてプロットする前に、各参加者の手順を繰り返します。

10. 顔と花瓶の刺激前力またはコサイレンススペクトルを統計的に比較する

  1. 各被験者の刺激前の力または一貫性データを、2つの条件のそれぞれ内で、ft_freqgrandaverageを使用して1つのMatlab変数に組み合わせます。
  2. ft_freqstatistics を使用して結果として得られる 2 つの変数を比較するクラスターベースの順列テスト20を実行します。
  3. メソッド オプションをモテカルロに設定します。
  4. 周波数オプションを [8 13] に設定し、avgoverfreq をyesに設定します。
  5. クラスタアルファを 0.05 に設定し、正しい尾アルファに設定します。
  6. 統計オプションをft_statfun_depsamplesTに設定します。
  7. 20 行目の最初の行に 20 の行が続き、20 行目の 2 行目が 2 回繰り返されるデザイン マトリックスを作成します。このデザイン マトリックスをデザインオプションに渡します。
    注: データは 20 人の参加者から収集されたため、デザイン マトリックスは 20 のブロックに分割されます。
  8. ivarオプションを 1 に、uvar オプションを 2 に設定します。

Representative Results

私たちは、参加者にルビンの顔/花瓶の錯覚を短く繰り返し提示し、各試験に続いて参加者に知覚(顔または花瓶?)を報告するよう依頼しました(図1)。各トライアルの前に、少なくとも 1 s の空白の画面が行われました (固定クロス付き)。これは、関心のある刺激前の間隔でした。

我々は、関心のある領域における刺激前振動力と、関心のある領域間の刺激前の接続性が、今後のあいまいな刺激の知覚報告に影響を与えたかどうかを尋ねた。そこで、最初のステップとして、関連するROIから信号を抽出できるように、データをソース空間に投影しました。

あいまいな21と明確な22刺激の両方で顔と物体の知覚を調査する以前の文献に基づいて、我々はFFAを私たちのROIであると決定しました。その後、FFA源信号の低周波(1-40Hz)スペクトル成分を分析し、「顔」として報告された試験からのスペクトル推定値と「花瓶」として報告された試験のスペクトル推定値を対比した。クラスターベースの順列テストでは、周波数1~40Hzを超えるクラスタリングを行い、顔対花瓶を報告した試験のスペクトルパワーを対比して、2つの試験タイプの間に有意な差は見なさなかった。それにもかかわらず、説明的に、パワースペクトルは、8〜13 Hzの範囲で予想される振動アルファバンドピークを示し、13〜25Hzの範囲でベータバンド活性がより少ない程度に示した(図2)。

刺激前スペクトルパワーに違いは見つからなかったので、次に試用タイプ間の刺激前接続性に違いがあるかどうかを調べた。FFAに加えて、ビジョンへの普遍的な関与により、V1が2番目のROIであると判断しました。電力解析の結果をもとに、周波数8~13Hzを対象の周波数と判定した。我々は、顔と花瓶の試験のために別々に、2つのROI間の一貫性の時間と周波数分解された架空の部分を計算し、関心のある周波数全体で結果を平均化した。この測定は、脳領域間の振動相の同期を反映し、MEG再構築元19における体積伝導効果に対する控えめな制御を反映しているので、機能結合を評価するための選択方法であった。クラスターベースの順列テストは、時間ポイント-1から0 sの間でクラスタリングし、人々が顔対花瓶を報告した試験でV1とFFAの間の想像上の一貫性を対比して、顔の試験は花瓶の試験と比較してより強い刺激前の接続性を有することを明らかにしました。刺激発症前の約700ミリ秒(図3)。

Figure 1
図 1: トライアル構造と生データの例。下部パネル: 試用版は、固定クロスの表示から始まります。1~1.8秒後、ルービン刺激は150ミリ秒、続いて200ミリ秒のマスクが表示され、応答画面は参加者に「顔」または「花瓶」で応答するように促します。トップパネル:参加者の例からのマルチチャネル生データ、刺激発症にタイムロックされ、試験全体で平均化。これは、分析のターゲット間隔となる事前刺激分析ウィンドウ(-1~ 0 s;ピンクでハイライト表示)でデータを強調表示する回路図です。この図のより大きなバージョンを表示するには、ここをクリックしてください。

Figure 2
図 2: FFAのスペクトルパワー。スペクトルパワーは、顔および花瓶の試験でソース局在化したFFA信号から推定されます。この図のより大きなバージョンを表示するには、ここをクリックしてください。

Figure 3
図 3: V1 と FFA の間の接続。顔および花瓶試験上のソース局在V1とFFA信号との間の一貫性の想像上の部分は、8〜13 Hzの周波範囲において、被験者内設計23の平均の標準誤差を表す。この図のより大きなバージョンを表示するには、ここをクリックしてください。

Discussion

時間の経過とともに複数のオブジェクトとして解釈できるユニークな刺激を提示することは、任意の時点で1つのオブジェクトとして、物体知覚に対する刺激前の影響を調べることができます。このようにして、刺激前の脳の状態を知覚された物体の主観的な報告に関連付けることができます。実験室の設定では、ルービン花瓶の錯覚のような2つの方法のいずれかで解釈することができるあいまいな画像は、2つの試験タイプ間の脳活動の簡単なコントラストを可能にする最適なケースを提供します:例えば、一方向に知覚されたもの(例えば、「顔」))と、他の方法(例えば、花瓶)を知覚したもの。

これらの刺激を簡単に提示する(<200ミリ秒)ことは、人々が特定の試験で刺激の2つの可能な解釈のうちの1つだけを見て、その後報告することを保証します。参加者間の刺激の黒い花瓶/白い顔と白い花瓶/黒の顔バージョンの間のカウンターバランス(ランダムに交互に)は、その後の分析に対する低レベル刺激特徴の影響を減少させます。刺激の直後にマスクを提示すると、アフターイメージが参加者の反応を形成し、偏らせるのを防ぐことができます。刺激発症後の期間を分析することは重要ではないため、刺激とマスクの低周波特徴の一致は必要ありません。最後に、参加者間で応答ボタンを交互に(例えば、花瓶の左、顔のために右、またはその逆)、モーターの準備がコントラストにファクタリングすることによる活動を防ぎます。

MEGのミリ秒の分解能を考えると、1秒という短い刺激間隔でスペクトルパワーや接続性などの測定を推定するのに十分です。各試験の短い期間を考えると、多数の試験を実験セッションに収容することができ、試験全体でMEG信号を平均化する際に高い信号対雑音比を確保することができます。

対象となる特定のカテゴリに敏感な領域は、物体知覚24、25の間にアクティブであることが示されている。例えば、FFAは顔知覚22に関与していると広く報告されている。特定のソースに起因する測定された活動の影響を調べるために、MEGデータをソース再構築することができます。ソース間の接続性を調べるためには、ソースの再構築が必要です。ソース データ分析を容易にするために、単一試用版のソース レベルのデータを「仮想センサー」で表すことができます。この方法でデータを表すと、ソース空間とセンサー空間でまったく同じ方法で単一試用ソース データを分析できます (たとえば、Fieldtrip ツールボックスを使用するなど、同じ解析関数を使用します)。これにより、指定された関心領域のアクティビティに関する仮説を簡単にテストできます。

刺激前発振力は知覚閾値付近の刺激検出に影響を与えることが示されているが(知覚対知覚されない)、それが見られるものの内容に影響を与えるかどうかはあまり知られていない。ここでは、人々が顔対花瓶を報告した試験の間にFFAの刺激前振動力を対比し、統計的な違いは見つかりませんでした。その後、V1とFFAの間の接続が今後の知覚報告に影響を与えるかどうかをテストし、顔面試験が刺激発症前の約700msのアルファ周波数範囲におけるV1とFFA間の強化された接続によって先行していることを発見した。我々はαパワーに効果を見出さなかったが、むしろαバンドの接続性において、刺激前のα力が刺激検出7、8影響を与えるかもしれないが、必ずしも物体分類に影響を与えないことを示唆している。したがって、我々の結果は、物体知覚に先行する振動ダイナミクスとその後の物体知覚への影響をより完全に理解するためには、単に対象領域の振動力を分析するだけでは十分ではないことを示している。むしろ、これらの接続の強さの継続的な変動は、その後の知覚18に偏りがちなため、関心のある領域間の接続性を考慮する必要があります。最後に、MEGの最適ではない空間分解能にもかかわらず、我々のプロトコルは、関心のある領域を明確に識別し、その関係を調査できることを示しています。MEGは、優れた空間分解能を提供し、優れた時間分解能を提供するので、脳波検査(EEG)に取って代わることができます。したがって、MEGとソース再構成を組み合わせることで、高速かつ局所的な神経プロセスを調査するのに理想的です。

Disclosures

著者は何も開示していない。

Acknowledgments

この研究は、FWFオーストリア科学基金、イメージング・ザ・マインド:コネクティビティと高い認知機能、W 1233-G17(E.R.へ)、欧州研究評議会グラントWIN2CON、ERC StG 283404(N.W.へ)によって支援されました。著者らは、ナディア・ミュラー・ヴォーゲル、ニコラス・ピートフィールド、マンフレッド・シーフターのこのプロトコルへの貢献に対する支持を認めたい。

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