Oppdage pre-stimulans kilde-nivå effekter på objekt Perception med magnetoencephalography

Neuroscience
 

Summary

Denne artikkelen beskriver hvordan du setter opp et eksperiment som gjør det mulig å oppdage før stimulans kildenivå påvirkninger på objekt persepsjon ved hjelp av magnetoencephalography (MEG). Det dekker stimulans materiale, eksperimentell design, MEG opptak, og dataanalyse.

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

Pre-stimulans oscillasjon hjernen aktivitet påvirker kommende persepsjon. Karakteristikkene av denne pre-stimulans aktiviteten kan forutsi om en nesten terskel stimulans vil bli oppfattet eller ikke oppfattes, men kan de også forutsi hvilken av to konkurrerende stimuli med ulike oppfattet innholdet oppfattes? Tvetydige visuelle stimuli, som kan sees på en av to mulige måter om gangen, er ideelt egnet til å undersøke dette spørsmålet. Magnetoencephalography (MEG) er en nevrofysiologiske måleteknikk som registrerer magnetiske signaler som slippes ut som et resultat av hjerne aktivitet. Den midlertidige oppløsningen til MEG i millisekunder tillater en karakteristikk av oscillasjon hjerne tilstander fra så lite som 1 sekund av innspilte data. Presenterer en tom skjerm rundt 1 sekund før tvetydig stimulans utbruddet gir derfor en tid vindu der man kan undersøke om pre-stimulans oscillasjon aktivitet fordommer innholdet i kommende persepsjon, som indikert av deltakernes Rapporter. Den romlige oppløsningen av MEG er ikke utmerket, men tilstrekkelig til å lokalisere kilder til hjernens aktivitet på centimeter skala. Kilde rekonstruksjon av MEG aktivitet deretter gir mulighet for testing hypoteser om oscillasjon aktivitet av bestemte regioner av interesse, samt tid-og frekvens-løst tilkobling mellom regioner av interesse. Den beskrevne protokollen gir en bedre forståelse av påvirkning av spontan, pågående hjerne aktivitet på visuell persepsjon.

Introduction

Brain tilstander foregående stimuli presentasjon påvirke måten stimuli oppfattes samt neural responser knyttet til persepsjon1,2,3,4. For eksempel, når en stimulans er presentert med en intensitet nær oppfattes terskel (nær-terskel), pre-stimulans nevrale oscillasjon makt, fase, og tilkobling kan påvirke om den kommende stimulans vil bli oppfattet eller ikke oppfattet5 ,6,7,8,9,10. Disse pre-stimulans signalene kan også påvirke andre aspekter av persepsjon, som oppfattes objekt innhold.

Presentere folk med et tvetydig bilde som kan tolkes på en av to måter er en ideell måte å granske objektet persepsjon11. Dette er fordi det subjektive innholdet av persepsjon kan være ett av to objekter, mens den faktiske stimulans forblir uendret. Man kan derfor vurdere forskjellene i innspilte hjernen signaler mellom prøvelser som folk rapporterte oppfatte en versus andre mulige tolkning av stimulans. Gitt rapportene, kan man også undersøke om det var noen forskjeller i hjernen statene før stimulans utbruddet.

Magnetoencephalography (MEG) er en funksjonell neuroimaging teknikk som registrerer magnetiske felt produsert av elektriske strømmer i hjernen. Mens blod oksygenering nivå avhengige (BOLD) svar løse på en tidsskala på sekunder, gir MEG millisekunder oppløsning og derfor kan undersøke hjernen mekanismer som oppstår ved svært rask tidsrammer. En beslektet fordel med MEG er at den tillater karakteriserer hjerne tilstander fra korte perioder med innspilte data, noe som betyr at eksperimentelle forsøk kan forkortes slik at mange prøvelser passer inn i en eksperimentell sesjon. Videre tillater MEG for frekvens-domene analyser som kan avdekke oscillasjon aktivitet.

I tillegg til høy Temporal oppløsning, gir MEG god romlig oppløsning. Med kilde gjenoppbyggings teknikker12, kan man projisere sensor nivå data til kilde plass. Dette gjør det mulig å teste hypoteser om aktiviteten til bestemte regioner av interesser. Til slutt, mens signalene i sensor-plass er svært korrelert og derfor tilkobling mellom sensorer ikke kan vurderes nøyaktig, kan kilde rekonstruksjon for vurdering av tilkobling mellom regioner av interesse fordi det reduserer sammenhenger mellom kilde signalene13. Disse tilkoblings anslagene kan løses både i tids-og frekvens domenene.

Gitt disse fordelene, MEG er ideelt egnet til å undersøke pre-stimulans effekter på objektet persepsjon i spesifiserte regioner av interesse. I denne rapporten vil vi illustrere hvordan man utformer et slikt eksperiment og MEG oppkjøpet oppsett, samt hvordan du bruker kilde rekonstruksjon og vurdere oscillasjon aktivitet og tilkobling.

Protocol

Den beskrevne protokollen følger retningslinjene for menneskelig forskning etikk komiteen ved Universitetet i Salzburg, og er i samsvar med Declaration of Helsinki.

1. Forbered stimulans materiale

  1. Last ned et bilde av Rubin ansikt/vase illusjon14. Dette vil bli vist til halvparten av deltakerne.
  2. Bruk MATLAB-kommandoen ~ for å invertere det opprinnelige, svarte og hvite binære Rubin-bildet for å opprette et nytt Rubin ansikt/vase negativt bilde med svarte og hvite farger vendt i forhold til det opprinnelige bildet (hvit bakgrunn i stedet for svart bakgrunn). Dette vil bli vist til den andre halvparten av deltakerne.
  3. Lag en maske av tilfeldig desperat blokker med piksler av Rubin bildet. Delbildet i firkantede blokker som er små nok til å skjule åpenbare kontur funksjoner, for eksempel mellom 2% og 5% av størrelsen på det opprinnelige bildet (5 av 5 piksler ut av et bilde av 250 med 250), og deretter tilfeldig shuffle dem til å lage masken.
  4. Lag en svart fiksering kors på en hvit bakgrunn, slik at fiksering korset er mindre enn Rubin bildet (mindre enn 5 ° visuell vinkel).

2. Sett opp MEG og stimulering utstyr

  1. Koble stimulans presentasjonen datamaskinen til projektoren. Koble DLP LED projektor kontrolleren via en USB-optoisolated (for data), og en Digital Visual Interface (DVI)-kabel (for stimuli).
  2. Koble MEG oppkjøpet datamaskinen til stimulans presentasjonen datamaskinen til å la den sende og motta utløsere. Plugg det Digital input/produksjon (DIO) system (tastene og avtrekker, 2x målestokk D24 forbinde) av det integrert stimulans presentasjon system inn i MEG forbinde på optoisolated BNC brekke bokse med.
  3. Record 1 minutt av tomt rom MEG data på 1 kHz.
  4. Monitor signalene fra 102 magnetometers og 204 ortogonalt plassert Planar gradiometers på 102 forskjellige posisjoner ved å visualisere alle signaler i sanntid på oppkjøpet datamaskinen.

3. Forbered deltakeren på MEG-eksperimentet

Merk: detaljer om MEG data oppkjøpet er tidligere beskrevet15.

  1. Sørg for at deltakeren forstår informert samtykke i samsvar med erklæringen av Helsingfors og be dem signere skjemaet som også inkluderer en erklæring om samtykke til behandling av personopplysninger.
  2. Gi deltakeren med ikke-magnetiske klær og sørge for at de ikke har metalliske gjenstander i eller på kroppen sin. Be deltakerne om å fylle ut et anonymt spørreskjema for å sikre dette, og at deltakeren ikke har noen andre ekskluderings kriterier som nevrologiske lidelser, og for å dokumentere andre personopplysninger som håndbruk og hvile nivå.
  3. Plasser deltakeren på en ikke-ferromagnetisk (tre) stol. Fest 5 hodet posisjonsindikator (HPI) spoler til hodet med selvklebende, to over ett øye, en over det andre øyet, og en bak hvert øre.
  4. Plasser sporings sensoren på digitaliserings systemet fast på deltakerens hode og fest den til brillene for maksimal stabilitet.
    Merk: en 3D-digitalisering ble brukt (tabell med materialer).
  5. Digitalisere de anatomiske landemerkene, de venstre og høyre auricular punktene og nasion, og sørg for at venstre og høyre auricular punkter er symmetriske. Disse fiducials definerer 3D-koordinat RAM men.
  6. Digitalisere 5 HPI coil posisjoner ved hjelp av en 3D digitaliserings pennen.
  7. Digitalisere opp til 300 poeng langs hodebunnen og maksimere dekningen av hodet form. Dekk godt definerte områder av hodebunnen på magnetisk resonans (MR) bilder, over inion på baksiden og nasion på forsiden, samt nesebroen.
    Merk: Disse poengene vil bli brukt for co-registrering med et anatomisk bilde for bedre individuell kilde rekonstruksjon.
  8. Fjern brillene med sporings sensoren.
  9. Fest Engangselektroder ovenfor (superciliarydelen buen) og under (midtre zygomatic maksillære ben) høyre øye for å overvåke vertikale øyebevegelser.
  10. Fest Engangselektroder til venstre for venstre øye og til høyre for høyre øye (rygg til zygomatic maksillære bein) for å overvåke horisontale øyebevegelser.
  11. Fest Engangselektroder under hjertet og under høyre kragebeinet for å overvåke hjertefrekvensen.
    Merk: øynene og hjerte signalene er relativt robuste, så det er ikke nødvendig å kontrollere impedans på Engangselektroder.
  12. Fest en en gangs elektrode som en grunn under nakken.
  13. Escort deltakeren til MEG skjermet rom og instruere dem til å sitte i MEG stolen.
  14. Plugg inn HPI Lednings selen og en gangs elektrodene i MEG-systemet.
  15. Hev stolen slik at deltakerens hode berører toppen av MEG hjelm og sørge for at deltakeren er komfortabel i denne posisjonen.
  16. Steng døren til skjermet rom og kommunisere med deltakeren gjennom intercom systemet i og utenfor skjermet rom.
  17. Instruere deltakeren til passivt stirre på en tom skjerm (tom bortsett fra en sentral fiksering kryss) i 5 min mens innspillingen hvile-statlige MEG data på 1 kHz. Behold samplingsfrekvensen ved 1 kHz i løpet av eksperimentet.
  18. Instruere deltakeren av oppgaven krav og få dem til å utføre 20 praksis prøvelser.
    Merk: eksempel instruksjoner: "Hold fiksering midt på skjermen til enhver tid. Et kryss vises, og etter at korset forsvinner, vil du se et bilde etterfulgt av et forvrengt bilde. Så snart det krypterte bildet forsvinner, klikker du på den gule knappen hvis du hadde sett ansikter og den grønne knappen hvis du hadde sett en vase. "
  19. Alternative svarknappene på tvers av deltakere (f.eks. høyre for ansikter, venstre for vase eller omvendt).
    Merk: fargen på svarknapper spiller ingen rolle.

4. Presenter eksperimentet med Psychtoolbox16

  1. Vis instruksjoner til deltakerne, og Fortell dem hvilken knapp som skal trykkes når de ser ansikter, og hvilken knapp som skal trykkes når de ser en vase.
  2. Opprett en enkelt prøve med 4 hendelser som gjelder for alle forsøk i denne rekkefølgen: fiksering kryss, Rubin bilde, maske, og respons spørsmål (figur 1).
  3. I begynnelsen av hvert forsøk, Vis fiksering korset for en variabel tidsperiode mellom 1 s og 1,8 s.
  4. På slutten av denne tidsperioden, Fjern fiksering korset og vise Rubin bildet for 150 MS.
  5. På slutten av 150-MS, Fjern Rubin bildet og vise masken for 200 MS.
  6. På slutten av 200-MS, fjerner du masken og viser et spørsmål for å be deltakerne om å svare med en maksimal respons frist på 2 s.
  7. Program respons perioden slik at hvis deltakerne svarer innen 2 s, begynner neste prøve (starter med en fiksering kryss) når de gjør det. Ellers starter du neste prøveversjon etter 2 s.
  8. Lagre timing av alle 4 hendelser, samt respons valg og timing.
  9. Gjentagelse det likt prøve struktur 100 timene tidligere fremvisningen av en instruksjoner for deltakere å hvile kort. Dette utgjør en eksperimentell blokk.
  10. Gjenta blokk strukturen 4 ganger for totalt 400 forsøk.

5. Monitor MEG signal og deltaker under eksperimentet

  1. Overvåk deltakeren via video.
  2. I begynnelsen av hver blokk, før oppgaven starter, kan du begynne å måle MEG-data og registrere startposisjonen til deltakernes hode posisjon med hensyn til MEG. I MEG-systemet som brukes, klikker du til start. Når en dialog spør om HPI-data skal utelates eller legges til innspillingen, inspisere HPI spoler signalet, og klikk godta for å registrere den første hodet posisjon. Etter det, klikk Record RAW å starte innspillingen meg data.
  3. Hvis på noe punkt i løpet av eksperimentet deltakeren ønsker å stoppe eksperimentet, avslutte eksperimentet og gå inn i skjermet rom for å koble alle sensorer fra MEG systemet og slipp deltakeren fra stolen.
  4. Overvåk MEG signaler ved å visualisere dem i sanntid på oppkjøpet datamaskinen.
  5. I mellom blokkene, kommunisere med deltakeren gjennom høyttalersystemet for å sikre at de er godt og klar til å fortsette, og instruere dem til å flytte sine lemmer hvis de ønsker, men ikke hodet.
  6. Inne imellom avdelinger, bevare det ervervet MEG signaler av det hindre.
  7. Etter slutten av eksperimentet, gå inn i skjermet rom, koble alle sensorer fra MEG systemet, og slipp deltakeren fra stolen.
  8. Escort deltakeren ut av skjermet rom og tilby dem valget mellom å enten løsne alle sensorer fra deres ansikt og kropp selv, eller løsne sensorene for dem.
  9. Takk deltakeren og gi dem økonomisk kompensasjon.

6. pre-Process og segment MEG signaler

  1. Bruk signalet mellomrom separasjon algoritmen implementert i Maxfilter program (levert av MEG produsenten) med standard parameterverdier for å fjerne ekstern støy fra den kontinuerlige MEG signaler.
  2. Påfør et 0,1 Hz High-pass-filter på kontinuerlige data ved hjelp av fieldtrip Toolbox17 Function-ft_preprocessing.
    Merk: alle senere rapporterte funksjoner prefiks med ' ft_ ' er en del av fieldtrip verktøykasse.
  3. Segmentere MEG data ved å trekke ut 1 sekund forut for stimulans presentasjonen på hvert forsøk.
  4. Tilordne disse epoker en "ansikt" eller "vase" prøve type etikett i henhold til deltakernes atferdsmessige responser på hvert forsøk.
  5. Undersøk prøvelser og kanaler visuelt for å identifisere og fjerne de som viser høyere støy eller artefakter, uavhengig av natur gjenstandene, ved hjelp av ft_rejectvisual.
  6. Avvis forsøk og kanaler med z-score over 3 ved å klikke zscore og velge forsøk og kanaler som overstiger verdien av 3 eller forsøk med overflødig varians ved å fjerne outliers som vises etter at du klikket varians. Inspiser MEG signal for alle forsøkene før eller etter denne prosedyren.

7. kilde rekonstruksjon

  1. Inkluder begge prøve typene for å utføre kilde lokalisering for å få felles lineært begrenset minimums avvik12 avstandstoleranse filtre i Stråleforming prosedyren implementert i fieldtrip.
  2. Band-Pass filtrere epoched data til frekvensene av interesse, i dette tilfellet mellom 1 og 40 Hz.
  3. Velg tidspunktet for interessen for å beregne kovariansen matrise, i dette tilfellet den 1 andre prestimulus perioden.
    Merk: de resulterende data segmentene (valgt mellom-1 og 0 s og 1 til 40 Hz) brukes i alle de følgende trinnene som krever dataregistrering.
  4. Segmentere hjernen og hodebunnen ut av individuelle strukturelle MR bilder med ft_volumesegment. Hvis ikke tilgjengelig, bruk en standard T1 (fra den statistiske parametrisk kartlegging [SPM] Toolbox) Montreal Institute of nevrologi (MNI, Montreal, Quebec, Canada) hjerneskanning i stedet.
  5. Opprett for hver deltaker en realistisk single-Shell hodet modell ved hjelp ft_prepare_headmodel.
  6. På individuelle MR-bilder, Finn fiducial landemerker ved å klikke på deres plassering på bildet for å starte en grov co-registrering med ft_volumerealign.
  7. Juster hode form punktene med hodebunnen for en finere co-registrering.
  8. Forbered en individuell 3D rutenett på 1,5 cm oppløsning basert på MNI malen hjernen morphed inn i hjernen volumet av hver deltaker med ft_prepare_sourcemodel.
  9. Beregn modellen fremover for MEG-kanaler og rutenett stedene med ft_prepare_leadfield. Bruk konfigurasjonen fixedori å beregne leadfield for bare én optimal dipol orientering.
  10. Beregn kovariansen matrise av hver prøve og gjennomsnittlig den på tvers av alle prøvelser.
  11. Beregn romlige filtre ved hjelp av Forward modellen og gjennomsnittlig kovariansen matrise med ft_sourceanalysis.
  12. Multipliser sensor nivå signalet til LCMV-filtrene for å hente tidsserien for hver kildeplassering i rutenettet og for hvert forsøk.

8. analyser pre-stimulans oscillasjon makt i regionen av interesse

  1. Definere en region av interesse (ROI), for eksempel fra tidligere litteratur18 (her fusiform ansiktet området [FFA]; MNI-koordinater: [28 -64 -4] mm).
  2. Single ut den virtuelle sensoren som romlig tilsvarer AVKASTNINGEN, ved hjelp ft_selectdata.
  3. Split ansikt og vase prøvelser ved hjelp av ft_selectdata.
  4. Utfør en frekvens analyse på AVKASTNINGEN, separat på data fra de to prøve typene, ved hjelp av ft_freqanalysis.
  5. Sett metoden alternativet til mtmfft å utføre en rask Fourier Transform.
  6. Sett taper alternativet til hanning å bruke en hann funksjon taper.
  7. Definer frekvensene av interesse fra 1 Hz til 40 Hz.
  8. Sett output alternativet til POW å trekke ut kraft verdier fra komplekset Fourier Spectra.
  9. Gjenta prosedyren for hver deltaker før du snitt på Spectra tvers av deltakerne og plotting den resulterende Grand-gjennomsnittet kraft verdier som en funksjon av frekvensene av interesse.

9. analyser pre-stimulans tilkobling mellom regioner av interesse

  1. Definer en (eller flere) avkastning som den tidligere valgte AVKASTNINGEN er hypotetisk gjennomsnitt å være tilkoblet, for eksempel fra tidligere litteratur18 (her v1; MNI-koordinater: [12 -88 0]).
  2. Gjenta trinn 8,2 og 8,3.
  3. Utfør tids frekvens analyse på begge ROIs (representert som 2 kanaler eller "virtuelle sensorer" i samme datastruktur), separat på data fra de to prøve typene, ved hjelp av ft_freqanalysis.
  4. Angi metoden til mtmconvol for å implementere en multitaper tids frekvens transformasjon basert på multiplikasjon i frekvens domenet.
  5. Sett taper alternativet til DPSS å bruke en diskret forlenget spheroidal sekvenser funksjon taper.
  6. Definer frekvensene av interesse fra 8 Hz til 13 Hz.
  7. Angi bredden på tidsvinduet til 200 MS og utjevnings parameteren til 4 Hz.
  8. Sett keeptrials -alternativet til Ja for å returnere tids frekvens anslagene for enkelt forsøkene.
  9. Sett utgang til Fourier å returnere komplekse Fourier.
  10. Utfør en tilkoblings analyse på de resulterende tids frekvens dataene ved hjelp av ft_connectivityanalysis.
  11. Angi metoden som skal COH og det komplekse feltet som skal fantasi , for å returnere den imaginære delen av coherency19.
  12. Gjenta fremgangsmåten for hver deltaker før du snitt sammenheng Spectra på tvers av frekvenser og deltakere og plotting den resulterende Grand-gjennomsnitt imaginære coherency verdier som en funksjon av tid.

10. statistisk sammenligne ansikt og vase pre-stimulans makt eller sammenheng Spectra

  1. Kombiner pre-stimulans makt eller sammenheng data fra hvert emne, innenfor hver av de to forholdene, i en MATLAB variabel ved hjelp ft_freqgrandaverage med alternativet keepindividual satt til Ja.
  2. Utfør en klynge BAS ert permutasjon test20 sammenligning av 2 resulterende variabler ved hjelp av ft_freqstatistics.
  3. Angi metode alternativet til motecarlo.
  4. Sett frekvens alternativet til [8 13] og sett avgoverfreq til Ja.
  5. Sett clusteralpha til 0,05 og sett correcttail til Alpha.
  6. Angi statistikk alternativet til ft_statfun_depsamplesT.
  7. Lag en design matrise med en første rad på 20 de etterfulgt av 20 to, og en annen rad med påfølgende tall fra 1 til 20 gjentas to ganger. Pass denne designen matrise til design alternativet.
    Merk: design Matrix er delt i blokker på 20 fordi dataene ble samlet inn fra 20 deltakere.
  8. Sett Ivar alternativet til 1 og uvar alternativet til 2.

Representative Results

Vi presenterte den Rubin ansikt/vase illusjon til deltakerne kort og gjentatte ganger, og ba deltakerne til å rapportere sine percept (ansikt eller vase?) etter hvert forsøk (figur 1). Hvert forsøk ble innledet med minst 1 s av en blank skjerm (med fiksering kryss); Dette var pre-stimulans intervall av interesse.

Vi spurte om pre-stimulans oscillasjon makt i regioner av interesse eller pre-stimulans tilkobling mellom regioner av interesse påvirket den oppfattes rapporten fra den kommende tvetydige stimulans. Derfor, som et første skritt, vi anslått våre data til kilden plass slik at vi kunne trekke ut signaler fra de aktuelle ROIs.

Basert på tidligere litteratur gransker ansikt og objekt persepsjon med både tvetydige21 og entydig22 STIMULI, bestemte vi FFA for å være vår avkastning. Vi analyserte deretter lav frekvens (1-40 Hz) Spectral komponenter i FFA kilde signalet og kontrast til Spectral anslagene fra rettssaker rapportert som "ansikt" med de fra rettssaker rapportert som "vase". En klynge BAS ert permutasjon test, klynger over frekvensene 1-40 Hz, kontrasterende Spectral kraft på prøvelser der folk rapporterte ansikt vs vase, avslørte ingen vesentlige forskjeller mellom de to prøve typene. Likevel, deskriptivt, makten Spectra viste forventet oscillasjon Alpha bandet Peak i størrelsesområdet 8-13 Hz, og i mindre grad beta band aktivitet i størrelsesområdet 13-25 Hz (figur 2).

Etter å ha funnet noen forskjeller i pre-stimulans Spectral makt, vi neste undersøkt om det var forskjeller i pre-stimulans tilkobling mellom rettssaken typer. I tillegg til FFA, bestemte vi v1 å være vår andre avkastning på grunn av sin allestedsnærværende engasjement i visjonen. Basert på resultatene av kraft analysen, bestemte vi frekvensene 8-13 Hz å være våre frekvenser av interesse. Vi beregnet den tid-og frekvens-løst imaginære del av coherency mellom våre to ROIs, separat for ansikt og vase prøvelser, og i gjennomsnitt resultatet over frekvensene av interesse. Dette tiltaket reflekterer Synchrony av oscillasjon fase blant hjerneregioner og konservativt kontroller mot volum Lednings effekter i MEG rekonstruert kilder19, så det var metoden for valg for å vurdere funksjonell kopling. En klynge-basert permutasjon test, klynger over tid-1 til 0 s, kontrasterende imaginære coherency mellom v1 og FFA på prøvelser der folk rapporterte ansikt vs vase, avslørte at ansiktet prøvelser hadde sterkere pre-stimulans tilkobling sammenlignet vase prøvelser, rundt 700 MS før stimulans utbruddet (Figur 3).

Figure 1
Figur 1 : Eksempel prøve struktur og rådata. Nederste panel: en prøveperiode starter med visning av et feste kors. Etter 1 til 1,8 s, den Rubin stimulans vises for 150 MS etterfulgt av en maske for 200 MS. et svar skjermbilde vises deretter for å be deltakerne om å svare med "ansikt" eller "vase". Top panel: flerkanals rådata fra et eksempel deltaker, tid-låst til stimulans utbruddet og gjennomsnitt på tvers av prøvelser. Dette er en skjematisk å fremheve data i pre-stimulans analyse vinduet (-1 s til 0 s; uthevet i rosa), som vil være målintervallet for analyse. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 2
Figur 2 : Spectral makt i FFA. Spectral kraft anslag fra kilde-lokaliserte FFA signaler på ansiktet og vase prøvelser. Vennligst klikk her for å se en større versjon av dette tallet.

Figure 3
Figur 3 : Tilkobling mellom v1 og FFA. Imaginære del av coherency mellom kilde-lokaliserte v1 og FFA signaler på ansiktet og vase prøvelser, i frekvensområdet på 8-13 Hz. skyggelagte områder representerer standardfeilen av gjennomsnittet for innenfor-fag design23. Vennligst klikk her for å se en større versjon av dette tallet.

Discussion

Presenterer en unik stimulans som kan tolkes som mer enn ett objekt over tid, men som bare ett objekt til enhver tid, åpner for å undersøke pre-stimulans effekter på objektet persepsjon. På denne måten en er i stand til å forholde pre-stimulans hjernen statene til subjektive rapporter om oppfattet objekter. I et laboratoriemiljø, tvetydige bilder som kan tolkes på en av to måter, for eksempel Rubin vase illusjon, gir en optimal sak som gjør det mulig for enkle kontraster i hjernens aktivitet mellom to prøvetyper: de som oppfattes som en måte (for eksempel "ansikt" ) og de som oppfattes som den andre veien (f. eks ' vase ').

Presentere disse stimuli kort (< 200 MS) sikrer at folk ser og deretter rapportere bare én av de to mulige tolkninger av stimulans på en gitt rettssak. Counterbalancing (tilfeldig vekslende) mellom svart vase/hvite ansikter og hvit vase/svart ansikter versjoner av stimulans på tvers av deltakerne reduserer innflytelsen av lavt nivå stimulans funksjoner på den påfølgende analysen. Presentere en maske umiddelbart etter stimulans hindrer etter-bilder fra forming og avvik deltakernes svar. Fordi analysere perioden etter stimulans utbruddet er ikke av interesse, ingen matchende mellom lav frekvens funksjoner av stimulans og maske er nødvendig. Til slutt, alternerende svarknappene på tvers av deltakere (f. eks, venstre for vase, høyre for ansiktet, eller vice versa) hindrer aktivitet på grunn av motorisk forberedelse fra factoring inn i kontraster.

Gitt oppløsningen til MEG i millisekunder, er et intervall på før stimulans så kort som 1 s tilstrekkelig til å anslå tiltak som Spectral strøm og tilkobling. Gitt den korte varigheten av hver resulterende rettssaken, et stort antall forsøk kan innkvarteres i en eksperimentell økt, noe som sikrer et høyt signal-til-støy-forhold når snitt MEG signaler på tvers av prøvelser.

Spesifikke kategori sensitive områder av interesse har vist å være aktive under objekt oppfatning24,25. For eksempel er FFA allment rapportert å være involvert i ansiktet persepsjon22. For å undersøke virkningene av målt aktivitet som stammer fra spesifikke kilder, kan en kilde-rekonstruere MEG data. For å undersøke forbindelsen mellom kilder, er kilde gjenoppbygging nødvendig. For å forenkle kildedata analyse kan enkelt forsøksdata på kildenivå representeres av «virtuelle sensorer». Ved å representere dataene på denne måten kan én enkelt prøvekilde data analyseres på nøyaktig samme måte i kilde plass og sensor plass (det vil si å bruke de samme analysefunksjonene, for eksempel ved hjelp av fieldtrip verktøykasse). Dette gjør det mulig å teste hypoteser om aktiviteten til bestemte regioner av interesser på en grei måte.

Mens pre-stimulans oscillasjon makt har vist seg å påvirke stimulans deteksjon nær oppfattes terskel (oppfattes vs ikke oppfattes), om det påvirker innholdet av det som er sett er mindre kjent. Her har vi kontrast pre-stimulans oscillasjon makt i FFA mellom prøvelser som folk rapporterte ansikt vs vase, og fant ingen statistiske forskjeller. Vi testet deretter om tilkobling mellom v1 og FFA påvirker den kommende oppfattes rapporten, og fant at ansiktet forsøk ble innledet av forbedrede tilkoblingsmuligheter mellom v1 og FFA i Alpha frekvensområdet rundt 700 MS før stimulans utbruddet. At vi fant ingen effekt i Alpha makt, men i tilkobling i Alpha band, antyder at mens pre-stimulans Alpha makt kan påvirke stimulans deteksjon7,8, det gjør ikke nødvendigvis påvirke objekt kategorisering. Våre resultater viser derfor at for en mer fullstendig forståelse av oscillasjon dynamikk foregående objektet persepsjon og deres påfølgende innflytelse på objektet persepsjon, bare analysere oscillasjon makt i regioner av interesse er ikke tilstrekkelig. Rather, tilkobling mellom regioner av interesse må tas i betraktning, som den pågående svingninger i styrken av disse tilkoblingene kan bias påfølgende oppfatning18. Til slutt, til tross for den mindre-enn-optimale romlige oppløsningen av MEG, viser vår protokoll at man er i stand til å tydelig identifisere regioner av interesse og undersøke deres forhold. MEG kan erstatte Elektroencefalogram (EEG) fordi det gir overlegen romlig oppløsning, og kan erstatte funksjonen MRI fordi den gir overlegen Temporal oppløsning. Derfor er MEG kombinert med kilde rekonstruksjon ideelt egnet til å undersøke raske og lokaliserte nevrale prosesser.

Disclosures

Forfatterne har ingenting å avsløre.

Acknowledgments

Dette arbeidet ble støttet av FWF østerrikske vitenskaps fond, Imaging The Mind: tilkobling og høyere kognitiv funksjon, W 1233-G17 (til E.R.) og European Research Council Grant WIN2CON, ERC StG 283404 (til N.W.). Forfatterne vil gjerne erkjenne støtte fra Nadia Müller-Voggel, Nicholas Peatfield, og Manfred Seifter for bidrag til denne protokollen.

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