Detectar efectos de nivel de fuente previos al estímulo en la percepción de los objetos con magnetoencefalografía

Neuroscience
 

Summary

Este artículo describe cómo configurar un experimento que permite detectar influencias pre-estímulo a nivel de fuente en la percepción de objetos utilizando magnetoencefalografía (MEG). Abarca material de estímulo, diseño experimental, registro MEG y análisis de datos.

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

La actividad cerebral oscilatoria pre-estímulo influye en la percepción que se avecina. Las características de esta actividad preestímulo pueden predecir si un estímulo de umbral cercano será percibido o no, pero ¿pueden predecir también cuál de los dos estímulos competidores con diferentes contenidos perceptivos se percibe? Los estímulos visuales ambiguos, que se pueden ver de una de dos maneras posibles a la vez, son ideales para investigar esta pregunta. La magnetoencefalografía (MEG) es una técnica de medición neurofisiológica que registra las señales magnéticas emitidas como resultado de la actividad cerebral. La resolución temporal de milisegundos de MEG permite una caracterización de los estados cerebrales oscilatoles a partir de tan solo 1 segundo de los datos registrados. La presentación de una pantalla vacía alrededor de 1 segundo antes del inicio del estímulo ambiguo proporciona, por lo tanto, una ventana de tiempo en la que se puede investigar si la actividad oscilatoria preestímulo sesga el contenido de la percepción próxima, como lo indican los participantes Informes. La resolución espacial de MEG no es excelente, pero suficiente para localizar fuentes de actividad cerebral a escala de centímetros. La reconstrucción de la fuente de la actividad MEG permite probar hipótesis sobre la actividad oscilatoria de regiones específicas de interés, así como la conectividad de tiempo y frecuencia resuelta entre regiones de interés. El protocolo descrito permite una mejor comprensión de la influencia de la actividad cerebral espontánea y continua en la percepción visual.

Introduction

Los estados cerebrales anteriores a la presentación de estímulos influyen en la forma en que se perciben los estímulos, así como las respuestas neuronales asociadas con la percepción1,2,3,4. Por ejemplo, cuando un estímulo se presenta con una intensidad cercana al umbral perceptivo (umbral cercano), la potencia oscilatoria neural preestímulo, la fase y la conectividad pueden influir si el próximo estímulo se percibirá o no 5 ,6,7,8,9,10. Estas señales pre-estímulo también podrían influir en otros aspectos de la percepción, como el contenido de objetos perceptivos.

Presentar a las personas una imagen ambigua que se puede interpretar de una de dos maneras es una manera ideal de sondear la percepción de objetos11. Esto se debe a que el contenido subjetivo de la percepción puede ser uno de dos objetos, mientras que el estímulo real permanece inalterado. Por lo tanto, se pueden evaluar las diferencias en las señales cerebrales registradas entre los ensayos en los que las personas informaron percibir uno frente a la otra posible interpretación del estímulo. Dados los informes, también se puede investigar si hubo alguna diferencia en los estados del cerebro antes de la aparición del estímulo.

La magnetoencefalografía (MEG) es una técnica de neuroimagen funcional que registra los campos magnéticos producidos por las corrientes eléctricas en el cerebro. Mientras que las respuestas dependientes del nivel de oxigenación sanguínea (BOLD) se resuelven en una escala de tiempo de segundos, MEG proporciona una resolución de milisegundos y, por lo tanto, permite investigar los mecanismos cerebrales que se producen en escalas de tiempo muy rápidas. Una ventaja relacionada de MEG es que permite caracterizar los estados cerebrales a partir de cortos períodos de datos registrados, lo que significa que los ensayos experimentales se pueden acortar de tal manera que muchos ensayos encajan en una sesión experimental. Además, MEG permite análisis de dominio de frecuencia que pueden descubrir la actividad oscilatoria.

Además de su alta resolución temporal, MEG ofrece una buena resolución espacial. Con las técnicas de reconstrucción de origen12,se pueden proyectar datos a nivel de sensor al espacio de origen. A continuación, permite probar hipótesis sobre la actividad de regiones de interés especificadas. Por último, mientras que las señales en el espacio del sensor están altamente correlacionadas y, por lo tanto, la conectividad entre sensores no se puede evaluar con precisión, la reconstrucción de la fuente permite la evaluación de la conectividad entre regiones de interés porque reduce la correlaciones entre las señales de origen13. Estas estimaciones de conectividad se pueden resolver en los dominios de tiempo y frecuencia.

Dadas estas ventajas, MEG es ideal para investigar los efectos de preestímulo en la percepción de objetos en regiones de interés específicas. En el presente informe ilustraremos cómo diseñar un experimento de este tipo y la configuración de adquisición de MEG, así como cómo aplicar la reconstrucción de la fuente y evaluar la actividad y la conectividad oscilatorias.

Protocol

El protocolo descrito sigue las directrices del comité de ética de la investigación humana en la Universidad de Salzburgo, y está de acuerdo con la Declaración de Helsinki.

1. Preparar material de estímulo

  1. Descargue una imagen de la ilusión cara/vase de Rubín14. Esto se mostrará a la mitad de los participantes.
  2. Utilice el comando Matlab para invertir la imagen binaria original de Rubin en blanco y negro para crear una segunda imagen negativa de cara/vase de Rubín con los colores en blanco y negro volteados con respecto a la imagen original (fondo blanco en lugar de fondo negro). Esto se mostrará a la otra mitad de los participantes.
  3. Cree una máscara codificando aleatoriamente bloques de píxeles de la imagen de Rubin. Divida la imagen en bloques cuadrados que sean lo suficientemente pequeños como para ocultar entidades de contorno obvias, por ejemplo entre el 2% y el 5% del tamaño de la imagen original (5 por 5 píxeles de una imagen de 250 por 250), luego aleatoriamente barajarlas para crear la máscara.
  4. Cree una cruz de fijación negra sobre un fondo blanco, de forma que la cruz de fijación sea más pequeña que la imagen de Rubin (menos de 5o de ángulo visual).

2. Configurar el MEG y el equipo de estimulación

  1. Conecte el ordenador de presentación de estímulo al proyector. Conecte el controlador del proyector LED DLP a través de una extensión optoaislada USB (para datos) y un cable de interfaz visual digital (DVI) (para estímulos).
  2. Conecte el ordenador de adquisición de MEG al ordenador de presentación de estímulo para permitir que envíe y reciba desencadenadores. Enchufe el sistema digital de entrada/salida (DIO) (botones y disparadores, 2 conectores D24 estándar) del sistema de presentación de estímulo integrado en el conector MEG de la caja de ruptura BNC optoisolated.
  3. Registre 1 minuto de datos MEG de habitación vacía a 1 kHz.
  4. Supervise las señales de los 102 magnetómetros y 204 gradiómetros planos colocados ortogonalmente en 102 posiciones diferentes visualizando todas las señales en tiempo real en el ordenador de adquisición.

3. Preparar al participante para el experimento MEG

NOTA: Los detalles de la adquisición de datos MEG se han descrito previamente15.

  1. Asegúrese de que el participante entienda el consentimiento informado de acuerdo con la declaración de Helsinki y pídale que firme el formulario que también incluye una declaración de consentimiento para el tratamiento de datos personales.
  2. Proporcione al participante ropa no magnética y asegúrese de que no tenga objetos metálicos dentro o sobre sus cuerpos. Pida a los participantes que rellenen otro cuestionario anónimo para asegurar esto, y que el participante no tenga ningún otro criterio de exclusión como trastornos neurológicos, y que documente otros datos personales como la entrega y el nivel de descanso.
  3. Asiento al participante en una silla no ferromagnética (madera). Fije 5 bobinas indicadoras de posición de cabeza (HPI) a la cabeza con yeso adhesivo, dos por encima de un ojo, una por encima del otro ojo y una detrás de cada oreja.
  4. Coloque el sensor de seguimiento del sistema de digitalización firmemente en la cabeza del participante y fíjelo a las gafas para una máxima estabilidad.
    NOTA: Se utilizó un digitalizador 3D (Tablade materiales).
  5. Digitalice los puntos de referencia anatómicos, los puntos preauriculares izquierdo y derecho y la nasion, y asegúrese de que los puntos preauriculares izquierdo y derecho sean simétricos. Estos fiduciarios definen el marco de coordenadas 3D.
  6. Digitalice las posiciones de la bobina de 5 HPI utilizando un lápiz digitalizador 3D.
  7. Digitaliza hasta 300 puntos a lo largo del cuero cabelludo y maximiza la cobertura de la forma de la cabeza. Cubra las áreas bien definidas del cuero cabelludo en imágenes de resonancia magnética (RM), por encima de la inión en la parte posterior y el nasion en la parte delantera, así como el puente nasal.
    NOTA: Estos puntos se utilizarán para el registro previo con una imagen anatómica para una mejor reconstrucción de la fuente individual.
  8. Retire las gafas con el sensor de seguimiento.
  9. Coloque los electrodos desechables por encima (arco superciliar) y por debajo (medial al hueso maxilar cigomático) el ojo derecho para monitorear los movimientos oculares verticales.
  10. Fije los electrodos desechables a la izquierda del ojo izquierdo y a la derecha del ojo derecho (dorsal al hueso maxilar cigomático) para monitorear los movimientos horizontales de los ojos.
  11. Coloque los electrodos desechables debajo del corazón y por debajo de la clavícula adecuada para controlar la frecuencia cardíaca.
    NOTA: Los ojos y las señales cardíacas son relativamente robustos, por lo que no es necesario comprobar la impedancia de los electrodos desechables.
  12. Coloque un electrodo desechable como un suelo debajo del cuello.
  13. Acompaña al participante a la sala blindada del MEG e indícale que se sente en la silla meG.
  14. Enchufe el arnés de cableado HPI y los electrodos desechables en el sistema MEG.
  15. Levante la silla de tal manera que la cabeza del participante toque la parte superior del casco MEG y asegúrese de que el participante se sienta cómodo en esta posición.
  16. Cierre la puerta de la sala blindada y comuníquese con el participante a través del sistema de intercomunicación dentro y fuera de la sala blindada.
  17. Indique al participante que mire pasivamente fijación a una pantalla vacía (vacío excepto por una cruz de fijación central) durante 5 minutos mientras graba datos MEG de estado de reposo a 1 kHz. Mantenga la frecuencia de muestreo a 1 kHz durante todo el experimento.
  18. Instruya al participante de los requisitos de la tarea y pídales que realicen 20 ensayos de práctica.
    NOTA: Instrucciones de ejemplo: "Mantenga la fijación en el centro de la pantalla en todo momento. Aparecerá una cruz, y después de que la cruz desaparezca, verá una imagen seguida de una imagen revuelta. Tan pronto como la imagen revuelta desaparezca, haga clic en el botón amarillo si había visto caras y el botón verde si había visto un jarrón".
  19. Alterna los botones de respuesta entre los participantes (por ejemplo, a la derecha para las caras, a la izquierda para el jarrón o viceversa).
    NOTA: El color de los botones de respuesta no importa.

4. Presente el experimento usando Psychtoolbox16

  1. Muestre instrucciones a los participantes, diciéndoles qué botón presionar cuando vean caras y qué botón presionar cuando vean un jarrón.
  2. Cree una sola prueba con 4 eventos que se aplicarán a todas las pruebas en este orden: cruz de fijación, imagen de Rubín, máscara y solicitud de respuesta (Figura1).
  3. Al comienzo de cada prueba, muestre la cruz de fijación durante un período de tiempo variable entre 1 s y 1,8 s.
  4. Al final de ese período de tiempo, retire la cruz de fijación y muestre la imagen de Rubin durante 150 ms.
  5. Al final de los 150 ms, retire la imagen de Rubin y muestre la máscara durante 200 ms.
  6. Al final de los 200 ms, retire la máscara y muestre una pregunta para incitar a los participantes a responder con un plazo máximo de respuesta de 2 s.
  7. Programe el período de respuesta de tal forma que si los participantes responden dentro de 2 s, el siguiente ensayo (comenzando con una cruz de fijación) comienza cuando lo hacen. De lo contrario, inicie la siguiente prueba después de 2 s.
  8. Guarde el tiempo de los 4 eventos, así como la elección de respuesta y su sincronización.
  9. Repita la misma estructura de prueba 100 veces antes de mostrar una instrucción para que los participantes descansen brevemente. Esto constituye un bloque experimental.
  10. Repita la estructura del bloque 4 veces para un total de 400 ensayos.

5. Monitorear la señal MEG y el participante durante el experimento

  1. Supervise al participante a través de vídeo.
  2. Al principio de cada bloque, antes de que comience la tarea, comience a medir los datos de MEG y registre la posición inicial de la posición principal de los participantes con respecto al MEG. En el sistema MEG utilizado, haga clic en GO para iniciar. Cuando un cuadro de diálogo pregunta si los datos hpI deben omitirse o agregarse a la grabación, inspeccione la señal de bobinas HPI y haga clic en Aceptar para registrar la posición inicial del cabezal. Después de eso, haga clic en Grabar sin procesar para comenzar a grabar datos MEG.
  3. Si en algún momento del experimento el participante desea detener el experimento, termine el experimento y entre en la sala blindada para desconectar todos los sensores del sistema MEG y liberar al participante de la silla.
  4. Supervise las señales MEG visualizándolas en tiempo real en el ordenador de adquisición.
  5. Entre bloques, comuníquese con el participante a través del sistema de altavoces para asegurarse de que están bien y listos para continuar, e indíqueles que muevan sus extremidades si lo desean, pero no su cabeza.
  6. Entre bloques, guarde las señales MEG adquiridas de ese bloque.
  7. Después del final del experimento, entra en la sala blindada, desconecta todos los sensores del sistema MEG y suelta al participante de la silla.
  8. Acompaña al participante fuera de la habitación blindada y ofrécele la opción de separar todos los sensores de su cara y cuerpo, o separar los sensores para ellos.
  9. Agradecer al participante y proporcionarle sin compensación monetaria.

6. Señales MEG pre-procesos y segmentos

  1. Utilice el algoritmo de separación de espacio de señal implementado en el programa Maxfilter (proporcionado por el fabricante MEG) con valores de parámetro predeterminados para eliminar el ruido externo de las señales MEG continuas.
  2. Aplique un filtro de paso alto de 0,1 Hz a los datos continuos utilizando la caja de herramientas Fieldtrip17 function ft_preprocessing.
    NOTA: todas las funciones notificadas posteriormente con el prefijo 'ft_' forman parte de la caja de herramientas Fieldtrip.
  3. Segmente los datos de MEG extrayendo el 1 segundo anterior a la presentación de estímulo en cada ensayo.
  4. Asigne a estas épocas una etiqueta de tipo de ensayo "cara" o "vase" de acuerdo con las respuestas de comportamiento de los participantes en cada ensayo.
  5. Inspeccione visualmente los ensayos y los canales para identificar y eliminar aquellos que muestran ruido o artefactos que excedan, independientemente de la naturaleza de los artefactos, utilizando ft_rejectvisual.
  6. Rechazar pruebas y canales con puntuaciones z por encima de 3 haciendo clic en zscore y seleccionando pruebas y canales que excedan el valor de 3 o pruebas con exceso de varianza mediante la eliminación de valores atípicos que se muestran después de hacer clic en var. Inspeccione la señal MEG para todos los ensayos antes o después de este procedimiento.

7. Reconstrucción de la fuente

  1. Incluya ambos tipos de prueba para realizar la localización de origen para obtener la varianza mínima restringida común12 filtros espaciales en el procedimiento de formación de haces implementado en Fieldtrip.
  2. Filtro de paso de banda de los datos de época a las frecuencias de interés, en este caso entre 1 y 40 Hz.
  3. Seleccione el tiempo de interés para calcular la matriz de covarianza, en este caso el período de preestímulo de 1 segundo.
    NOTA: Los segmentos de datos resultantes (seleccionados entre -1 a 0 s y 1 a 40 Hz) se utilizan en todos los pasos siguientes que requieren entrada de datos.
  4. Segmente el cerebro y el cuero cabelludo de imágenes de RM estructurales individuales con ft_volumesegment. Si no está disponible, utilice un escáner cerebral estándar T1 (de la caja de herramientas de mapeo paramétrico estadístico [SPM]) del Instituto de Neurología de Montreal (MNI, Montreal, Quebec, Canadá) en su lugar.
  5. Cree para cada participante un modelo de cabezal de una sola carcasa realista con ft_prepare_headmodel.
  6. En imágenes MR individuales, localice los puntos de referencia fiduciarios haciendo clic en su ubicación en la imagen para iniciar un registro co-registro grueso con ft_volumerealign.
  7. Alinee los puntos de forma de la cabeza con el cuero cabelludo para un co-registro más fino.
  8. Prepare una cuadrícula 3D individual a una resolución de 1,5 cm basada en el cerebro de la plantilla MNI transformado en el volumen cerebral de cada participante con ft_prepare_sourcemodel.
  9. Calcular el modelo hacia delante para los canales MEG y las ubicaciones de cuadrícula con ft_prepare_leadfield. Utilice la configuración fixedori para calcular el campo de plomo para una orientación de dipolo óptima.
  10. Calcule la matriz de covarianza de cada ensayo y promedie en todos los ensayos.
  11. Calcule los filtros espaciales utilizando el modelo hacia delante y la matriz de covarianza promedio con ft_sourceanalysis.
  12. Multiplique la señal de nivel de sensor a los filtros LCMV para obtener la serie temporal para cada ubicación de origen en la cuadrícula y para cada ensayo.

8. Analizar el poder oscilatoso pre-estímulo en la región de interés

  1. Definir una región de interés (ROI), por ejemplo de la literatura anterior18 (aquí área de cara fusiforme [FFA]; Coordenadas MNI: [28 -64 -4] mm).
  2. Seleccione el sensor virtual que corresponde espacialmente al ROI, utilizando ft_selectdata.
  3. Divida los ensayos de cara y jarse con ft_selectdata.
  4. Realice un análisis de frecuencia en el ROI, por separado en los datos de los dos tipos de prueba, utilizando ft_freqanalysis.
  5. Establezca la opción de método en mtmfft para realizar una transformación rápida de Fourier.
  6. Establezca la opción de cónica en rebanar para utilizar una cónica de función Hann.
  7. Definir las frecuencias de interés de 1 Hz a 40 Hz.
  8. Establezca la opción de salida en pow para extraer los valores de potencia de los complejos espectros de Fourier.
  9. Repita el procedimiento para cada participante antes de promediar los espectros entre los participantes y trazar los valores de potencia promediados resultantes en función de las frecuencias de interés.

9. Analizar la conectividad pre-estímulo entre regiones de interés

  1. Defina un ROI (o más) con el que se haya hipotetizado el ROI previamente seleccionado, por ejemplo de la literatura anterior18 (aquí V1; Coordenadas MNI: [12 -88 0]).
  2. Repita los pasos 8.2 y 8.3.
  3. Realice análisis de frecuencia de tiempo en ambos ROI (representados como 2 canales o "sensores virtuales" dentro de la misma estructura de datos), por separado en los datos de los dos tipos de prueba, utilizando ft_freqanalysis.
  4. Establezca el método en mtmconvol para implementar una transformación de frecuencia de tiempo multitaper basada en la multiplicación en el dominio de frecuencia.
  5. Establezca la opción de cóxo en dpss para utilizar un cónico de función de secuencias esferoidales de prolato discreto.
  6. Definir las frecuencias de interés de 8 Hz a 13 Hz.
  7. Establezca la anchura de la ventana de tiempo en 200 ms y el parámetro de suavizado en 4 Hz.
  8. Establezca la opción keeptrials en yes para devolver las estimaciones de frecuencia de tiempo de los ensayos individuales.
  9. Establezca la salida en fourier para devolver los complejos espectros de Fourier.
  10. Realice un análisis de conectividad en los datos de frecuencia de tiempo resultantes mediante ft_connectivityanalysis.
  11. Establezca el método en coh y el campo complejo en imag para devolver la parte imaginaria de la coherencia19.
  12. Repita el procedimiento para cada participante antes de promediar los espectros de coherencia entre frecuencias y participantes y trazar los valores de coherencia imaginarios de gran promedio resultantes en función del tiempo.

10. Comparación estadística del poder de preestímulo de la cara y el jarrón o espectros de coherencia

  1. Combine los datos de potencia o coherencia previos al estímulo de cada sujeto, dentro de cada una de las 2 condiciones, en una variable Matlab utilizando ft_freqgrandaverage con la opción keepindividual establecida en yes.
  2. Realice una prueba de permutación basada en clúster20 comparando las 2 variables resultantes mediante ft_freqstatistics.
  3. Establezca la opción de método en motecarlo.
  4. Establezca la opción de frecuencia en [8 13] y establezca avgoverfreq en yes.
  5. Establezca clusteralpha en 0.05 y corrijatail en alpha.
  6. Establezca la opción estadística en ft_statfun_depsamplesT.
  7. Crea una matriz de diseño con una primera fila de 20 seguidas de 20 dos, y una segunda fila de números consecutivos del 1 al 20 repetidos dos veces. Pase esta matriz de diseño a la opción de diseño.
    NOTA: La matriz de diseño se divide en bloques de 20 porque los datos se recopilaron de 20 participantes.
  8. Establezca la opción ivar en 1 y la opción uvar en 2.

Representative Results

Presentamos la ilusión cara/vase de Rubin a los participantes brevemente y repetidamente y pedimos a los participantes que informaran de su percepción (¿cara o jarrón?) después de cada ensayo (Figura1). Cada ensayo fue precedido por al menos 1 s de una pantalla en blanco (con cruz de fijación); este fue el intervalo de pre-estímulo de interés.

Preguntamos si el poder oscilatol preestimulador en regiones de interés o la conectividad previa al estímulo entre regiones de interés influyó en el informe perceptivo del próximo estímulo ambiguo. Por lo tanto, como primer paso, proyectamos nuestros datos al espacio de origen para que pudiéramos extraer señales de los ROI pertinentes.

Basándonos en la literatura anterior que investiga la percepción de rostros y objetos con estímulos21 ambiguos e inequívocos, determinamos que la FFA es nuestro ROI. Posteriormente analizamos los componentes espectrales de baja frecuencia (1-40 Hz) de la señal de origen FFA y contrastamos las estimaciones espectrales de los ensayos notificados como "cara" con las de los ensayos notificados como 'vase'. Una prueba de permutación basada en clúster, que se agrupa en frecuencias de 1-40 Hz, que contrasta con la potencia espectral en los ensayos en los que las personas informaron cara frente a florero, no reveló diferencias significativas entre los 2 tipos de ensayo. Sin embargo, descriptivamente, los espectros de potencia mostraron el pico de banda alfa oscilatoliente esperado en el rango de 8-13 Hz, y en menor medida la actividad de la banda beta en el rango de 13-25 Hz (Figura2).

Después de no haber encontrado diferencias en el poder espectral de pre-estímulo, a continuación investigamos si había diferencias en la conectividad de pre-estímulo entre los tipos de ensayo. Además de FFA, determinamos V1 para ser nuestro segundo ROI debido a su omnipresente implicación en la visión. Basándonos en los resultados del análisis de potencia, determinamos que las frecuencias 8-13 Hz son nuestras frecuencias de interés. Calculamos la parte imaginaria de coherencia resuelta en el tiempo y la frecuencia entre nuestros dos ROC, por separado para los ensayos faciales y de jarrones, y promediamos el resultado en las frecuencias de interés. Esta medida refleja la sincronía de la fase oscilatoria entre las regiones cerebrales y controla conservadoramente los efectos de conducción de volumen en las fuentes reconstruidas meG19,por lo que fue el método de elección para evaluar el acoplamiento funcional. Una prueba de permutación basada en clúster, agrupada en los puntos de tiempo -1 a 0 s, contrastando la coherencia imaginaria entre V1 y FFA en ensayos en los que las personas informaron cara frente a jarrón, reveló que los ensayos faciales tenían una conectividad preestímulo más fuerte en comparación con los ensayos de jarrones, alrededor de 700 ms antes del inicio del estímulo (Figura3).

Figure 1
Figura 1 : Ejemplo de estructura de prueba y datos sin procesar. Panel inferior: Una prueba comienza con la visualización de una cruz de fijación. Después de 1 a 1.8 s, el estímulo de Rubin aparece para 150 ms seguido de una máscara para 200 ms. Una pantalla de respuesta entonces parece pedir a los participantes que respondan con 'cara' o 'vase'. Panel superior: Datos sin procesar multicanal de un participante de ejemplo, bloqueados en el tiempo hasta el inicio del estímulo y promediados en todos los ensayos. Este es un esquema para resaltar los datos en la ventana de análisis de pre-estímulo (-1 s a 0 s; resaltado en rosa), que será el intervalo de destino para el análisis. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2 : Potencia espectral en FFA. Estimaciones de potencia espectral a partir de señales FFA localizadas por fuentes en ensayos faciales y de jarrón. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3 : Conectividad entre V1 y FFA. Parte imaginaria de coherencia entre las señales V1 y FFA localizadas por fuente en ensayos faciales y de jarrones, en el rango de frecuencias de 8-13 Hz. Las regiones sombreadas representan el error estándar de la media para los diseños23de los sujetos. Haga clic aquí para ver una versión más grande de esta figura.

Discussion

Presentar un estímulo único que puede interpretarse como más de un objeto a lo largo del tiempo, pero como un solo objeto en un momento dado, permite investigar los efectos previos al estímulo en la percepción del objeto. De esta manera uno es capaz de relacionar los estados cerebrales pre-estímulo con los informes subjetivos de los objetos percibidos. En un entorno de laboratorio, las imágenes ambiguas que se pueden interpretar de dos maneras, como la ilusión del jarrón rubín, proporcionan un caso óptimo que permite contrastes directos de la actividad cerebral entre dos tipos de ensayo: los que se perciben de una manera (por ejemplo, "cara" ) y los que se perciben de otro modo (por ejemplo, «vase»).

La presentación breve de estos estímulos (<200 ms) garantiza que la gente vea y posteriormente informe sólo una de las dos interpretaciones posibles del estímulo en un ensayo dado. El contrapeso (alternando aleatoriamente) entre el jarrón negro/caras blancas y las versiones de las caras blancas del florero/negro del estímulo entre los participantes reduce la influencia de las características de estímulo de bajo nivel en el análisis posterior. Presentar una máscara inmediatamente después del estímulo evita que las imágenes posteriores formen y sesgan las respuestas de los participantes. Debido a que el análisis del período después de la aparición del estímulo no es de interés, no se requiere ninguna coincidencia entre las características de baja frecuencia del estímulo y la máscara. Por último, alternar los botones de respuesta entre los participantes (por ejemplo, izquierda para jarrón, derecha para la cara o viceversa) evita que la actividad debido a la preparación del motor tenga en cuenta los contrastes.

Dada la resolución de milisegundos de MEG, un intervalo de pre-estímulo tan corto como 1 s es suficiente para estimar medidas como la potencia espectral y la conectividad. Dada la corta duración de cada ensayo resultante, se puede acomodar un gran número de ensayos en una sesión experimental, lo que garantiza una alta relación señal-ruido al promediar las señales MEG en todos los ensayos.

Se ha demostrado que las regiones de interés específicas sensibles a categorías están activas durante la percepción del objeto24,25. Por ejemplo, FFA es ampliamente reportado para estar involucrado en la percepción de la cara22. Para investigar los efectos de la actividad medida derivada de fuentes específicas, se pueden reconstruir los datos de MEG de origen. Para investigar la conectividad entre orígenes, es necesaria la reconstrucción de la fuente. Para facilitar el análisis de datos de origen, los datos de nivel de origen de prueba único se pueden representar mediante "sensores virtuales". Representar los datos de esta manera permite analizar los datos de origen de prueba único de la misma manera en el espacio de origen y el espacio del sensor (es decir, utilizando las mismas funciones de análisis, por ejemplo, utilizando la caja de herramientas Fieldtrip). Esto permite probar hipótesis sobre la actividad de regiones de intereses especificadas de una manera sencilla.

Mientras que el poder oscilatoriamente pre-estímulo se ha demostrado para influir en la detección de estímulo cerca del umbral perceptivo (percibido vs no percibido), si influye en el contenido de lo que se ve es menos conocido. Aquí contrastamos el poder oscilatol del preestímulo en FFA entre los ensayos en los que las personas informaron cara vs jarrón, y no encontramos diferencias estadísticas. Posteriormente probamos si la conectividad entre V1 y FFA influye en el próximo informe perceptivo, y encontramos que los ensayos faciales fueron precedidos por una mayor conectividad entre V1 y FFA en el rango de frecuencia alfa alrededor de 700 ms antes del inicio del estímulo. Que no encontramos ningún efecto en la potencia alfa, sino más bien en la conectividad en la banda alfa, sugiere que mientras que la potencia alfa preestímulo podría influir en la detección de estímulo7,8, no necesariamente influye en la categorización de objetos. Por lo tanto, nuestros resultados muestran que para una comprensión más completa de la dinámica oscilatoria que precede a la percepción de los objetos y su posterior influencia en la percepción de los objetos, simplemente analizar el poder oscilatoentrelagótico en regiones de interés no es suficiente. Más bien, debe tenerse en cuenta la conectividad entre regiones de interés, ya que las fluctuaciones en curso en la fuerza de estas conexiones pueden sesgar la percepción posterior18. Por último, a pesar de la resolución espacial menos que óptima de MEG, nuestro protocolo demuestra que uno es capaz de identificar claramente las regiones de interés e investigar sus relaciones. MEG puede reemplazar la electroencefalografía (EEG) porque ofrece una resolución espacial superior y puede reemplazar la RMN de función porque ofrece una resolución temporal superior. Por lo tanto, MEG combinado con la reconstrucción de origen es ideal para investigar procesos neuronales rápidos y localizados.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Este trabajo fue apoyado por el FWF Austrian Science Fund, Imaging the Mind: Connectivity and Higher Cognitive Function, W 1233-G17 (to E.R.) y European Research Council Grant WIN2CON, ERC StG 283404 (a N.W.). Los autores desean reconocer el apoyo de Nadia M'ller-Voggel, Nicholas Peatfield y Manfred Seifter por sus contribuciones a 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