Detectando efeitos de nível de fonte de pré-estímulo na percepção de objeto com magnetoencefalografia

Neuroscience
 

Summary

Este artigo descreve como configurar um experimento que permite detectar influências de nível de fonte pré-estímulo na percepção do objeto usando a magnetoencefalografia (MEG). Abrange material de estímulo, desenho experimental, gravação de MEG e análise de dados.

Cite this Article

Copy Citation | Download Citations

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

A atividade cerebral oscilatória pré-estímulo influencia a percepção futura. As características dessa atividade pré-estímulo podem prever se um estímulo de near-Threshold será percebido ou não percebido, mas também pode prever qual dos dois estímulos concorrentes com diferentes conteúdos perceptuais é percebido? Estímulos visuais ambíguos, que podem ser vistos em uma de duas maneiras possíveis de cada vez, são ideais para investigar essa questão. A magnetoencefalografia (MEG) é uma técnica de medição neurofisiológica que registra sinais magnéticos emitidos como resultado da atividade cerebral. A definição temporal milisegundos de Meg permite uma caracterização de Estados oscilatória do cérebro de tão pouco quanto 1 segundo de dados gravados. Apresentar uma tela vazia em torno de 1 segundo antes do início do estímulo ambíguo, portanto, fornece uma janela de tempo em que se pode investigar se a atividade oscilatória pré-estímulo vieses o conteúdo da próxima percepção, como indicado pelos participantes Relatórios. A resolução espacial da MEG não é excelente, mas suficiente para localizar as fontes de atividade cerebral na escala do centímetro. A reconstrução da fonte da atividade de MEG então permite testar hipóteses sobre a atividade oscilatória de regiões específicas de interesse, bem como a conectividade tempo-e freqüência-resolvida entre regiões do interesse. O protocolo descrito possibilita uma melhor compreensão da influência da atividade cerebral espontânea e contínua na percepção visual.

Introduction

Os Estados cerebrais que precedem a apresentação dos estímulos influenciam a forma como os estímulos são percebidos, bem como as respostas neurais associadas à percepção1,2,3,4. Por exemplo, quando um estímulo é apresentado com uma intensidade próxima ao limiar perceptivo (Near-Threshold), o poder oscilatório neural pré-estímulo, a fase e a conectividade podem influenciar se o próximo estímulo será percebido ou não percebido5 ,6,7,8,9,10. Esses sinais de pré-estímulo também podem influenciar outros aspectos da percepção, como o conteúdo de objeto perceptivo.

Apresentar pessoas com uma imagem ambígua que pode ser interpretada de duas maneiras é uma maneira ideal de investigar a percepção do objeto11. Isso porque o conteúdo subjetivo da percepção pode ser um dos dois objetos, enquanto o estímulo real permanece inalterado. Pode-se, portanto, avaliar as diferenças nos sinais cerebrais gravados entre os ensaios em que as pessoas relataram perceber um versus a outra interpretação possível do estímulo. Dado os relatórios, um pode igualmente investigar se havia alguma diferença nos Estados de cérebro antes do início do estímulo.

A magnetoencefalografia (MEG) é uma técnica de neuroimagem funcional que registra campos magnéticos produzidos por correntes elétricas no cérebro. Embora as respostas dependentes do nível de oxigenação do sangue (BOLD) resolvam em uma escala temporal de segundos, o MEG fornece resolução de milissegundos e, portanto, permite investigar mecanismos cerebrais que ocorrem em escalas de tempo muito rápidas. Uma vantagem relacionada do MEG é que ele permite caracterizar Estados cerebrais de curtos períodos de dados gravados, o que significa que os ensaios experimentais podem ser encurtados de tal forma que muitos ensaios se encaixam em uma sessão experimental. Além disso, o MEG permite análises de domínio de frequência que podem revelar a atividade oscilatória.

Além de sua alta resolução temporal, a MEG oferece boa resolução espacial. Com técnicas da reconstrução da fonte12, uma pode projetar dados do sensor-nível ao espaço da fonte. Isso permite testar hipóteses sobre a atividade de regiões de interesse especificadas. Finalmente, enquanto os sinais no sensor-espaço são altamente correlacionados e, portanto, a conectividade entre os sensores não pode ser avaliada com precisão, a reconstrução da fonte permite a avaliação da conectividade entre as regiões de interesse, porque reduz a correlações entre os sinais de origem13. Essas estimativas de conectividade podem ser resolvidas nos domínios de tempo e frequência.

Dadas essas vantagens, a MEG é ideal para investigar os efeitos pré-estímulo na percepção do objeto em regiões de interesse especificadas. No presente relatório vamos ilustrar como projetar tal experimento e a aquisição de MEG set-up, bem como a forma de aplicar a reconstrução da fonte e avaliar a atividade oscilatória e conectividade.

Protocol

O protocolo descrito segue as diretrizes do Comitê de ética em pesquisa humana da Universidade de Salzburgo, e está de acordo com a declaração de Helsínquia.

1. Prepare o material do estímulo

  1. Baixe uma imagem da ilusão de face/vaso de Rubin14. Isto será mostrado a metade dos participantes.
  2. Use o comando MATLAB ~ para inverter a imagem binária preta e branca original de Rubin para criar uma segunda imagem negativa de face/vaso de Rubin com as cores preto e branco invertidas com relação à imagem original (fundo branco em vez do fundo preto). Isso será mostrado para a outra metade dos participantes.
  3. Crie uma máscara aleatoriamente scrambling blocos de pixels da imagem Rubin. Divida a imagem em blocos quadrados que são pequenos o suficiente para ocultar características de contorno óbvias, por exemplo, entre 2% e 5% do tamanho da imagem original (5 por 5 pixels de uma imagem de 250 por 250), em seguida, aleatoriamente embaralhar-los para criar a máscara.
  4. Crie uma cruz preta da fixação em um fundo branco, tal que a Cruz da fixação é menor do que a imagem de Rubin (menos de 5 ° do ângulo visual).

2. configurar o MEG e equipamentos de estimulação

  1. Conecte o computador de apresentação do estímulo ao projetor. Conecte o controlador de projetor DLP LED através de uma extensão USB Optoisolado (para dados), e um cabo de interface visual digital (DVI) (para estímulos).
  2. Conecte o computador de aquisição MEG ao computador de apresentação de estímulo para permitir que ele envie e receba gatilhos. Conecte o sistema de entrada/saída digital (DIO) (botões e gatilhos, 2x conectores D24 padrão) do sistema de apresentação de estímulo integrado no conector MEG na caixa de breakout BNC optoisolada.
  3. Grave 1 minuto de dados de MEG de quarto vazio em 1 kHz.
  4. Monitore os sinais dos magnetometros 102 e 204 gradiômetros planares posicionados ortogonalmente em 102 posições diferentes visualizando todos os sinais em tempo real no computador de aquisição.

3. Prepare o participante para o experimento MEG

Nota: os detalhes da aquisição de dados de MEG foram descritos previamente15.

  1. Certifique-se de que o participante compreenda o consentimento informado de acordo com a declaração de Helsínquia e faça-os assinar o formulário que inclui também uma declaração de consentimento para o tratamento de dados pessoais.
  2. Forneça o participante com roupa não-magnética e certifique-se que não têm nenhum objeto metálico dentro ou em seus corpos. Peça aos participantes que preencham outro questionário anônimo para garantir isso e que o participante não tenha outros critérios de exclusão, como distúrbios neurológicos, e que documente outros dados pessoais, como a destação e o nível de descanso.
  3. Assente o participante numa cadeira não ferromagnética (de madeira). Prenda 5 bobinas do indicador de posição principal (HPI) à cabeça com Emplastro adesivo, dois acima de um olho, um acima do outro olho, e um atrás de cada orelha.
  4. Coloque o sensor do rastreador do sistema de digitalização firmemente na cabeça do participante e fixe-o aos espetáculos para a máxima estabilidade.
    Nota: foi utilizado um digitalizador 3D (tabela de materiais).
  5. Digitalize os marcos anatômicos, os pontos pré-auriculares esquerdo e direito e o Nasion, e certifique-se de que os pontos pré-auriculares esquerdo e direito são simétricos. Esses fiduciais definem o quadro de coordenadas 3D.
  6. Digitalize as 5 posições da bobina HPI usando uma caneta Digitalizador 3D.
  7. Digitalize até 300 pontos ao longo do couro cabeludo e maximize a cobertura da forma da cabeça. Cubra as áreas bem definidas do couro cabeludo em imagens de ressonância magnética (RM), acima do inion na parte de trás e o násio na frente, bem como a ponte nasal.
    Nota: estes pontos serão utilizados para o coregisto com uma imagem anatômica para uma melhor reconstrução da fonte individual.
  8. Retire os óculos com o sensor do rastreador.
  9. Anexar eletrodos descartáveis acima (arco superciliar) e abaixo (medial ao osso maxilar zigomático) o olho direito para monitorar movimentos oculares verticais.
  10. Prenda eletrodos descartáveis à esquerda do olho esquerdo e à direita do olho direito (dorsal ao osso maxilar zigomático) para monitorar os movimentos oculares horizontais.
  11. Anexar eletrodos descartáveis abaixo do coração e abaixo da clavícula direita para monitorar a frequência cardíaca.
    Nota: os olhos e os sinais cardíacos são relativamente robustos, pelo que não é necessário verificar a impedância dos eléctrodos descartáveis.
  12. Prenda um eletrodo descartável como um solo abaixo do pescoço.
  13. Escolte o participante para a sala blindada da MEG e instrua-os a sentar-se na cadeira MEG.
  14. Conecte o arnês de fiação HPI e os eletrodos descartáveis no sistema MEG.
  15. Levante a cadeira de tal forma que a cabeça do participante toque no topo do capacete MEG e certifique-se de que o participante se encontra confortável nesta posição.
  16. Feche a porta para a sala blindada e comunique-se com o participante através do sistema de intercomunicador dentro e fora da sala blindada.
  17. Instrua o participante a encarar passivamente uma tela vazia (vazia, exceto por uma cruz de fixação central) por 5 min durante a gravação de dados MEG de estado de repouso em 1 kHz. Mantenha a taxa de amostragem em 1 kHz durante todo o experimento.
  18. Instrua o participante dos requisitos da tarefa e faça com que eles realizem 20 testes de prática.
    Nota: instruções de exemplo: "Mantenha a sua fixação no centro da tela em todos os momentos. Uma cruz aparecerá, e depois que a Cruz desaparece, você verá uma imagem seguida por uma imagem embaralhada. Assim que a imagem embaralhada desaparece, clique no botão amarelo se você tivesse visto rostos e o botão verde se você tivesse visto um vaso. "
  19. Alterne os botões de resposta entre os participantes (por exemplo, direito para faces, esquerda para vaso ou vice-versa).
    Nota: a cor dos botões de resposta não importa.

4. apresente o experimento usando o psychtoolbox16

  1. Exibir instruções para os participantes, dizendo-lhes que botão para pressionar quando vêem rostos e que botão para pressionar quando vêem um vaso.
  2. Crie uma única versão de avaliação com 4 eventos que serão aplicados a todos os testes nesta ordem: Cruz de fixação, imagem de Rubin, máscara e prompt de resposta (Figura 1).
  3. No início de cada ensaio, exibir a Cruz de fixação para um período de tempo variável entre 1 s e 1,8 s.
  4. No final desse período de tempo, remova a Cruz de fixação e exiba a imagem de Rubin para 150 ms.
  5. No final do 150 ms, remova a imagem de Rubin e exibir a máscara para 200 ms.
  6. No final do 200 MS, remova a máscara e exibir uma pergunta para alertar os participantes para responder com um prazo máximo de resposta de 2 s.
  7. Programe o período de resposta de modo que, se os participantes responderem dentro de 2 s, o próximo teste (começando com uma cruz de fixação) começa quando o fazem. Caso contrário, inicie a próxima avaliação após 2 s.
  8. Salve o tempo de todos os 4 eventos, bem como a escolha de resposta e seu timing.
  9. Repita a mesma estrutura de avaliação 100 vezes antes de exibir uma instrução para que os participantes descansem brevemente. Isto constitui um bloco experimental.
  10. Repita a estrutura do bloco 4 vezes para um total de 400 ensaios.

5. Monitore o sinal e o participante do MEG durante o experimento

  1. Monitore o participante via vídeo.
  2. No início de cada bloco, antes da tarefa começar, comece a medir os dados do MEG e registre a posição inicial da posição da cabeça dos participantes em relação ao MEG. No sistema MEG usado, clique em ir para iniciar. Quando uma caixa de diálogo perguntar se os dados de HPI devem ser omitidos ou adicionados à gravação, inspecione o sinal de bobinas HPI e clique em aceitar para registrar a posição inicial da cabeça. Depois disso, clique em gravar RAW para iniciar a gravação de dados Meg.
  3. Se em qualquer ponto durante todo o experimento o participante deseja interromper o experimento, encerre o experimento e vá para dentro da sala blindada para desconectar todos os sensores do sistema MEG e liberar o participante da cadeira.
  4. Monitore os sinais do MEG visualizando-os em tempo real no computador de aquisição.
  5. Entre os blocos, comunique-se com o participante através do sistema de alto-falante para se certificar de que eles estão bem e pronto para continuar, e instruí-los a mover seus membros, se quiserem, mas não a sua cabeça.
  6. Entre os blocos, salve os sinais MEG adquiridos desse bloco.
  7. Após o término do experimento, vá para dentro da sala blindada, desconecte todos os sensores do sistema MEG e libere o participante da cadeira.
  8. Escolte o participante para fora da sala blindada e ofereça-lhes a opção de separar todos os sensores de seu rosto e corpo, ou separar os sensores para eles.
  9. Agradeça ao participante e forneça-lhes uma compensação monetária.

6. pré-processo e segmento de sinais MEG

  1. Use o algoritmo de separação de espaço de sinal implementado no programa Maxfilter (fornecido pelo fabricante do MEG) com valores de parâmetro padrão para remover o ruído externo dos sinais MEG contínuos.
  2. Aplique um filtro de passagem alta de 0,1 Hz aos dados contínuos usando a função de caixa de ferramentas Fieldtrip17 ft_preprocessing.
    Observação: todas as funções relatadas subseqüentemente prefixadas com ' ft_ ' são parte da caixa de ferramentas Fieldtrip.
  3. Segmente os dados de MEG extraindo o 1 segundo que precede a apresentação do estímulo em cada experimentação.
  4. Atribua estes epochs uma etiqueta do tipo experimental da "cara" ou do "vaso" de acordo com as respostas comportáveis dos participants em cada experimentação.
  5. Inspecione visualmente os testes e os canais para identificar e remover aqueles que apresentam excesso de ruído ou artefatos, independentemente da natureza dos artefatos, usando ft_rejectvisual.
  6. Rejeite ensaios e canais com escores z acima de 3 clicando em zscore e selecionando testes e canais que excedam o valor de 3 ou ensaios com excesso de variância removendo outliers mostrando depois de clicar em var. Inspecione o sinal MEG para todos os ensaios antes ou após este procedimento.

7. reconstrução da fonte

  1. Inclua os dois tipos de avaliação para executar a localização de origem para obter filtros espaciais de variância mínima restrita linearmente12 no procedimento de beamforming implementado no Fieldtrip.
  2. Band-pass filtre os dados epoched às freqüências do interesse, neste caso entre 1 e 40 hertz.
  3. Selecione o tempo de interesse para calcular a matriz de covariância, neste caso o período de 1 segundo prestimulus.
    Observação: os segmentos de dados resultantes (selecionados entre-1 a 0 s e 1 a 40 Hz) são usados em todas as etapas a seguir que exigem entrada de dados.
  4. Segmente o cérebro e o escalpe fora das imagens estruturais individuais do Sr. com ft_volumesegment. Se não estiver disponível, use um T1 padrão (da caixa de ferramentas mapeamento paramétrico estatístico [SPM]) Instituto de Neurologia de Montreal (MNI, Montreal, Quebec, Canadá) em vez disso, a varredura cerebral.
  5. Crie para cada participante um modelo de cabeça de casca única realista usando ft_prepare_headmodel.
  6. Em imagens de MR individuais, localize os marcos de referência, clicando em sua localização na imagem para iniciar um coregistro grosseiro com ft_volumerealign.
  7. Alinhe os pontos da forma da cabeça com o couro cabeludo para um melhor coregistro.
  8. Prepare uma grade 3D individual na definição de 1,5 cm baseada no cérebro do molde de MNI se transformou no volume do cérebro de cada participante com ft_prepare_sourcemodel.
  9. Calcule o modelo para a frente para os canais MEG e os locais de grade com ft_prepare_leadfield. Use a configuração fixedori para computar o leadfield para somente uma orientação óptima do dipolo.
  10. Calcule a matriz de covariância de cada teste e a média em todos os testes.
  11. Calcule os filtros espaciais usando o modelo de encaminhamento e a matriz de covariância média com ft_sourceanalysis.
  12. Multiplique o sinal de nível de sensor aos filtros LCMV para obter a série temporal para cada local de origem na grade e para cada teste.

8. analisar o poder oscillatório pré-estímulo na região de interesse

  1. Definir uma região de interesse (ROI), por exemplo, da literatura anterior18 (aqui área de rosto fusiforme [FFA]; Coordenadas MNI: [28 -64 -4] mm).
  2. Escolha o sensor virtual que corresponde espacialmente ao ROI, usando ft_selectdata.
  3. Split face e vasos de ensaios usando ft_selectdata.
  4. Realize uma análise de frequência no ROI, separadamente nos dados dos dois tipos de teste, usando ft_freqanalysis.
  5. Defina a opção do método como mtmfft para executar uma transformada rápida de Fourier.
  6. Ajuste a opção do atarraxamento ao Hanning para usar um atarraxamento da função de Hann.
  7. Defina as frequências de juros de 1 Hz a 40 Hz.
  8. Defina a opção de saída como pow para extrair valores de energia dos espectros complexos de Fourier.
  9. Repita o procedimento para cada participante antes da média dos espectros entre os participantes e traçando os valores de potência de grande média resultantes em função das frequências de interesse.

9. analisar a conectividade pré-estímulo entre regiões de interesse

  1. Defina um (ou mais) ROI com o qual o ROI previamente selecionado é hipotético para ser conectado, por exemplo, da literatura anterior18 (aqui v1; Coordenadas MNI: [12 -88 0]).
  2. Repita as etapas 8,2 e 8,3.
  3. Realize análises de frequência de tempo em ambos os ROIs (representados como 2 canais ou "sensores virtuais" dentro da mesma estrutura de dados), separadamente nos dados dos dois tipos de teste, usando ft_freqanalysis.
  4. Defina o método como mtmconvol para implementar uma transformação de frequência de tempo análise com base na multiplicação no domínio de frequência.
  5. Ajuste a opção do atarraxamento ao DPSS para usar um atarraxamento discreto da função das seqüências esferoidal do prolate.
  6. Defina as frequências de juros de 8 Hz a 13 Hz.
  7. Defina a largura da janela de tempo para 200 MS e o parâmetro de suavização para 4 Hz.
  8. Defina a opção keeptrials como Sim para retornar as estimativas de frequência de tempo dos testes individuais.
  9. Ajuste a saída a Fourier para retornar os espectros complexos de Fourier.
  10. Realize uma análise de conectividade nos dados de frequência de tempo resultantes usando ft_connectivityanalysis.
  11. Defina o método como coh e o campo Complex como imag para retornar a parte imaginária da coerência19.
  12. Repita o procedimento para cada participante antes de calcular a média dos espectros de coerência entre frequências e participantes e traçando os valores de coerência imaginários de grande média resultantes em função do tempo.

10. comparando estatisticamente os espectros de potência ou de coerência pré-estímulo da face e do vaso

  1. Combine os dados de poder ou coerência pré-estímulo de cada assunto, dentro de cada uma das 2 condições, em uma variável MATLAB usando ft_freqgrandaverage com a opção keepindividual definida como Sim.
  2. Execute um teste de permutação baseado em cluster20 comparando as 2 variáveis resultantes usando ft_freqstatistics.
  3. Defina a opção do método como motecarlo.
  4. Defina a opção de frequência para [8 13] e defina avgoverfreq como Sim.
  5. Defina clusteralpha para 0, 5 e defina correcttail para Alpha.
  6. Defina a opção de estatística como ft_statfun_depsamplesT.
  7. Crie uma matriz de projeto com uma primeira linha de 20 uns seguidos por 20 twos, e uma segunda fileira de números consecutivos de 1 a 20 repetido duas vezes. Passe essa matriz de design para a opção de design .
    Nota: a matriz de projeto é dividida em blocos de 20, pois os dados foram coletados de 20 participantes.
  8. Defina a opção Ivar como 1 e a opção uvar como 2.

Representative Results

Nós apresentamos a ilusão da cara/vaso de Rubin aos participants momentaneamente e repetidamente e pedimos que os participants relatem seu percepto (cara ou vaso?) depois de cada experimentação (Figura 1). Cada ensaio foi precedido por pelo menos 1 s de uma tela em branco (com Cruz de fixação); Este era o intervalo do pre-estímulo do interesse.

Perguntamos se o poder oscilatório pré-estímulo em regiões de interesse ou conectividade pré-estímulo entre regiões de interesse influenciou o relato perceptivo do próximo estímulo ambíguo. Portanto, como primeiro passo, projetamos nossos dados para o espaço de origem de forma que pudéssemos extrair sinais dos ROIs relevantes.

Com base na literatura anterior investigando a percepção do rosto e do objeto com21 ambíguas e sem ambiguidades22 estímulos, determinamos o FFA para ser nosso ROI. Posteriormente, analisamos os componentes espectrais de baixa frequência (1-40 Hz) do sinal da fonte de FFA e contrastamos as estimativas espectrais de ensaios relatados como ' face ' com os de ensaios relatados como ' vaso '. Um teste de permutação baseado em cluster, clustering sobre as freqüências 1-40 Hz, contrastando potência espectral em ensaios onde as pessoas relataram face vs vaso, não revelaram diferenças significativas entre os 2 tipos de teste. No entanto, descritivamente, os espectros de potência mostraram o pico de banda alfa oscilatório esperado na faixa de 8-13 Hz e, em menor grau, a atividade da banda beta na faixa de 13-25 Hz (Figura 2).

Não tendo encontrado diferenças no poder espectral pré-estímulo, investigamos, em seguida, se houve diferenças na conectividade pré-estímulo entre os tipos experimentais. Além de FFA, determinamos v1 para ser o nosso segundo ROI devido ao seu envolvimento onipresente na visão. Com base nos resultados da análise de potência, determinamos as freqüências 8-13 Hz para ser nossas freqüências de interesse. Calculamos a parte imaginária tempo-e frequência-resolvida da coerência entre os nossos dois ROIs, separadamente para ensaios de rosto e vaso, e em média o resultado através das frequências de interesse. Esta medida reflete a sincronia da fase oscilatória entre as regiões cerebrais e controles conservadoramente contra os efeitos de condução de volume em fontes reconstruídas MEG19, por isso foi o método de escolha para avaliar o acoplamento funcional. Um teste de permutação baseado em cluster, clustering ao longo dos pontos de tempo-1 a 0 s, contrastando a coerência imaginária entre v1 e FFA em ensaios em que as pessoas relataram face vs vaso, revelou que os ensaios de face tinham maior conectividade pré-estímulo em comparação com vasos de ensaios, em torno de 700 MS antes do início do estímulo (Figura 3).

Figure 1
Figura 1 : Exemplo de estrutura experimental e dados brutos. Painel inferior: um ensaio começa com a exibição de uma cruz de fixação. Após 1 a 1,8 s, o estímulo de Rubin aparece para 150 ms seguido por uma máscara para 200 ms. uma tela de resposta, em seguida, parece alertar os participantes para responder com ' face ' ou ' vaso '. Painel superior: dados brutos multicanal de um participante de exemplo, bloqueado pelo tempo para o início do estímulo e em média em todos os ensaios. Este é um esquema para destacar os dados na janela de análise pré-estímulo (-1 s a 0 s; destacado em rosa), que será o intervalo-alvo para análise. Por favor clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2 : Potência espectral em FFA. Estimativas de potência espectral de sinais de FFA localizados na fonte em ensaios de rosto e vaso. Por favor clique aqui para ver uma versão maior desta figura.

Figure 3
Figura 3 : Conectividade entre v1 e FFA. Parte imaginária da coerência entre os sinais v1 e FFA localizados na face e no vaso, na faixa de frequência de 8-13 Hz. regiões sombreadas representam o erro padrão da média para projetos de dentro de assuntos23. Por favor clique aqui para ver uma versão maior desta figura.

Discussion

Apresentando um estímulo único que pode ser interpretado como mais de um objeto ao longo do tempo, mas como apenas um objeto em um determinado momento, permite investigar os efeitos pré-estímulo na percepção do objeto. Desta forma, um é capaz de relacionar os Estados cerebrais pré-estímulo aos relatos subjetivos dos objetos percebidos. Em um ambiente de laboratório, imagens ambíguas que podem ser interpretadas em uma de duas maneiras, como a ilusão de vaso de Rubin, fornecem um caso ideal que permite contrastes diretos da atividade cerebral entre dois tipos experimentais: aqueles percebidos de uma forma (por exemplo, ' face ' ) e aqueles percebidos da outra forma (por exemplo, ' vaso ').

Apresentar estes estímulos momentaneamente (< 200 MS) assegura-se de que os povos vejam e relatem subseqüentemente somente uma das duas interpretações possíveis do estímulo em uma experimentação dada. O contrabalo (alternando aleatoriamente) entre o vaso preto/faces brancas e o vaso branco/faces pretas versões do estímulo entre os participantes reduz a influência de características de estímulo de baixo nível na análise subsequente. Apresentar uma máscara imediatamente após o estímulo impede que as imagens após a formação e a supressão das respostas dos participantes. Porque analisando o período após o início do estímulo não é de interesse, nenhuma correspondência entre as características de baixa freqüência do estímulo e máscara é necessária. Finalmente, alternando os botões de resposta entre os participantes (por exemplo, esquerda para o vaso, direito para o rosto, ou vice-versa) impede a atividade devido à preparação do motor de factoring para os contrastes.

Dada a resolução de milissegundos de MEG, um intervalo pré-estímulo de tão curto quanto 1 s é suficiente para estimar medidas como potência espectral e conectividade. Dada a curta duração de cada tentativa resultante, um grande número de ensaios pode ser acomodado em uma sessão experimental, garantindo uma alta relação sinal-ruído quando a média de sinais de MEG através de ensaios.

Regiões específicas sensíveis à categoria de interesse mostraram-se ativas durante a percepção do objeto24,25. Por exemplo, FFA é amplamente relatado para ser envolvido na percepção da face22. Para investigar os efeitos da atividade medida decorrente de fontes específicas, pode-se reconstruir os dados do MEG. Para investigar a conectividade entre fontes, a reconstrução da fonte é necessária. Para facilitar a análise de dados de origem, os dados de nível de fonte de teste único podem ser representados por "sensores virtuais". Representar os dados dessa forma permite analisar dados de origem de avaliação única exatamente da mesma maneira no espaço de origem e no espaço do sensor (ou seja, usando as mesmas funções de análise, por exemplo, usando a caixa de ferramentas Fieldtrip). Isso, então, permite testar hipóteses sobre a atividade de regiões especificadas de interesses de forma direta.

Quando o poder oscilatório do pre-estímulo foi mostrado para influenciar a deteção do estímulo perto do limiar perceptivo (percebido contra não percebido), se influencia o índice do que é visto é menos sabido. Aqui nós contrastamos o poder oscillatório pré-estímulo em FFA entre os ensaios em que as pessoas relataram face vs vaso, e não encontrou diferenças estatísticas. Nós testamos subseqüentemente se a conectividade entre v1 e FFA influencia o relatório perceptivo upcoming, e encontrou que as experimentações da cara foram precedidas pela conectividade aumentada entre v1 e FFA na escala de freqüência do Alfa em torno de 700 MS antes do início do estímulo. Que não encontramos nenhum efeito no poder alfa, mas sim na conectividade na banda alfa, sugere que, enquanto o poder alfa pré-estímulo pode influenciar a detecção de estímulo7,8, ele não influencia necessariamente a categorização de objetos. Nossos resultados mostram, portanto, que para uma compreensão mais completa da dinâmica oscilatória que precede a percepção do objeto e sua subsequente influência na percepção do objeto, basta analisar o poder oscilatório em regiões de interesse não é suficiente. Em vez disso, a conectividade entre as regiões de interesse deve ser levada em conta, pois as flutuações contínuas na força dessas conexões podem viés de percepção subseqüente18. Finalmente, apesar da resolução espacial menos do que ideal do MEG, nosso protocolo demonstra que é capaz de identificar claramente as regiões de interesse e investigar suas relações. MEG pode sobrepor a electroencefalografia (EEG) porque oferece a definição espacial superior, e pode sobrepor a função MRI porque oferece a definição temporal superior. Conseqüentemente, o MEG combinado com a reconstrução da fonte é serido idealmente para investigar processos neurais rápidos e localizados.

Disclosures

Os autores não têm nada a revelar.

Acknowledgments

Este trabalho foi apoiado pelo FWF Austrian Science Fund, imagem da mente: conectividade e maior função cognitiva, W 1233-G17 (para o PS) e Conselho Europeu de pesquisa Grant WIN2CON, ERC StG 283404 (para N.W.). Os autores gostariam de reconhecer o apoio de Nadia Müller-Voggel, Nicholas Peatfield, e Manfred Seifter para contribuições para este protocolo.

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