Rilevamento di effetti pre-stimolo a livello di origine sulla percezione degli oggetti con la magnetoencefalografia

Neuroscience
 

Summary

Questo articolo descrive come impostare un esperimento che consente di rilevare le influenze pre-stimolo a livello di origine sulla percezione degli oggetti utilizzando la magnetoencefalografia (MEG). Copre il materiale di stimolo, la progettazione sperimentale, la registrazione MEG e l'analisi dei dati.

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

L'attività cerebrale oscillatoria pre-stimolo influenza la percezione imminente. Le caratteristiche di questa attività pre-stimolo possono prevedere se uno stimolo vicino alla soglia sarà percepito o meno percepito, ma possono anche prevedere quale dei due stimoli concorrenti con diversi contenuti percettivi è percepito? Gli stimoli visivi ambigui, che possono essere visti in uno dei due modi possibili alla volta, sono ideali per indagare su questa domanda. La magnetoencefalografia (MEG) è una tecnica di misurazione neurofisiologica che registra i segnali magnetici emessi come risultato dell'attività cerebrale. La risoluzione temporale di un millisecondo di MEG consente una caratterizzazione degli stati del cervello oscillatori da un minimo di 1 secondo di dati registrati. La presentazione di uno schermo vuoto circa 1 secondo prima dell'insorgenza ambigua dello stimolo fornisce quindi un intervallo temporale in cui è possibile esaminare se l'attività oscillatova pre-stimolo dipenda il contenuto della percezione imminente, come indicato dalla Rapporti. La risoluzione spaziale di MEG non è eccellente, ma sufficiente per localizzare le fonti di attività cerebrale su scala centimetrale. La ricostruzione sorgente dell'attività MEG consente quindi di testare ipotesi sull'attività oscillatoria di specifiche regioni di interesse, nonché sulla connettività risolta nel tempo e nella frequenza tra le regioni di interesse. Il protocollo descritto consente una migliore comprensione dell'influenza dell'attività cerebrale spontanea e continua sulla percezione visiva.

Introduction

Gli stati cerebrali che precedono la presentazione degli stimoli influenzano il modo in cui gli stimoli sono percepiti così come le risposte neurali associate alla percezione1,2,3,4. Ad esempio, quando uno stimolo viene presentato con un'intensità vicina alla soglia percettiva (vicino alla soglia), la potenza oscillatoria neurale, la fase e la connettività pre-stimolo possono influenzare se lo stimolo imminente sarà percepito o non percepito5 ,6,7,8,9,10. Questi segnali pre-stimolo potrebbero anche influenzare altri aspetti della percezione, come il contenuto dell'oggetto percettivo.

Presentare alle persone un'immagine ambigua che può essere interpretata in uno dei due modi è un modo ideale per sondare la percezione dell'oggetto11. Questo perché il contenuto soggettivo della percezione può essere uno dei due oggetti, mentre lo stimolo effettivo rimane invariato. Si possono quindi valutare le differenze nei segnali cerebrali registrati tra le sperimentazioni in cui le persone hanno riferito di percepire uno rispetto all'altra possibile interpretazione dello stimolo. Dati i rapporti, si può anche indagare se ci sono state differenze negli stati cerebrali prima dell'insorgenza di stimolo.

La magnetoencefalografia (MEG) è una tecnica di neuroimaging funzionale che registra i campi magnetici prodotti dalle correnti elettriche nel cervello. Mentre le risposte dipendenti dal livello di ossigenazione del sangue (BOLD) si risolvono in una scala temporale di secondi, MEG fornisce una risoluzione al millisecondo e quindi consente di studiare i meccanismi cerebrali che si verificano a scale temporali molto veloci. Un vantaggio correlato di MEG è che permette di caratterizzare gli stati cerebrali da brevi periodi di dati registrati, il che significa che le prove sperimentali possono essere accorciate in modo tale che molte prove rientrano in una sessione sperimentale. Inoltre, MEG consente analisi di frequenza-dominio che possono scoprire l'attività oscillatoria.

Oltre alla sua alta risoluzione temporale, MEG offre una buona risoluzione spaziale. Con le tecniche di ricostruzione della sorgente12, si possono proiettare dati a livello di sensore nello spazio di origine. Ciò consente quindi di testare ipotesi sull'attività di determinate regioni di interessi. Infine, mentre i segnali nello spazio sensore sono altamente correlati e pertanto la connettività tra i sensori non può essere valutata con precisione, la ricostruzione della sorgente consente di valutare la connettività tra le regioni di interesse perché riduce la correlazioni tra i segnali sorgente13. Queste stime di connettività possono essere risolte in entrambi i domini di ora e frequenza.

Dati questi vantaggi, MEG è ideale per studiare gli effetti pre-stimolo sulla percezione degli oggetti in determinate regioni di interesse. Nella presente relazione illustreremo come progettare un esperimento di questo tipo e la configurazione dell'acquisizione MEG, nonché come applicare la ricostruzione della fonte e valutare l'attività oscillatoria e la connettività.

Protocol

Il protocollo descritto segue le linee guida del comitato etico della ricerca umana presso l'Università di Salisburgo, ed è in conformità con la Dichiarazione di Helsinki.

1. Preparare il materiale di stimolo

  1. Scarica un'immagine dell'illusione rubin face/vase14. Questo verrà mostrato alla metà dei partecipanti.
  2. Usate il comando Matlab per invertire l'immagine originale di Rubin in bianco e nero per creare una seconda immagine negativa Rubin face/vase con i colori in bianco e nero capovolti rispetto all'immagine originale (sfondo bianco anziché sfondo nero). Questo verrà mostrato all'altra metà dei partecipanti.
  3. Creare una maschera rimescolando casualmente blocchi di pixel dell'immagine Rubin. Dividere l'immagine in blocchi quadrati sufficientemente piccoli da nascondere caratteristiche di contorno evidenti, ad esempio tra il 2% e il 5% delle dimensioni dell'immagine originale (5 x 5 pixel da un'immagine di 250 x 250), quindi mischiarli casualmente per creare la maschera.
  4. Creare una croce di fissaggio nera su uno sfondo bianco, in modo che la croce di fissaggio sia più piccola dell'immagine Rubin (meno del 5o dell'angolo visivo).

2. Impostare MEG e apparecchiature di stimolazione

  1. Collegare il computer di presentazione dello stimolo al proiettore. Collegare il controller del proiettore LED DLP tramite un'estensione optoisolata USB (per i dati) e un cavo DVI (Digital Visual Interface) (per stimoli).
  2. Collegare il computer di acquisizione MEG al computer di presentazione stimolo per consentire di inviare e ricevere trigger. Collegare il sistema digitale di input/uscita (DIO) (pulsanti e trigger, connettori D24 standard 2x) del sistema di presentazione dello stimolo integrato nel connettore MEG sulla scatola di breakout BNC optoisolata.
  3. Registrare 1 minuto di dati MEG stanza vuota a 1 kHz.
  4. Monitorare i segnali dai 102 magnetometri e 204 gradiometri planari ortogonali posizionati in 102 posizioni diverse visualizzando tutti i segnali in tempo reale sul computer di acquisizione.

3. Preparare il partecipante per l'esperimento MEG

NOTA: i dettagli dell'acquisizione dei dati MEG sono stati descritti in precedenza15.

  1. Assicurati che il partecipante comprenda il consenso informato in conformità con la dichiarazione di Helsinki e che firmi il modulo che includa anche una dichiarazione di consenso al trattamento dei dati personali.
  2. Fornire al partecipante vestiti non magnetici e assicurarsi che non abbiano oggetti metallici dentro o sui loro corpi. Chiedere ai partecipanti di compilare un altro questionario anonimo per garantire questo, e che il partecipante non ha altri criteri di esclusione come disturbi neurologici, e di documentare altri dati personali come la maneggevolezza e il livello di riposo.
  3. Posto il partecipante su una sedia non ferromagnetica (legno). Fissare 5 bobine di posizione della testa (HPI) alla testa con intonaco adesivo, due sopra un occhio, uno sopra l'altro occhio e uno dietro ogni orecchio.
  4. Posizionare saldamente il sensore tracker del sistema di digitalizzazione sulla testa del partecipante e fissarlo agli occhiali per la massima stabilità.
    NOTA: è stato utilizzato un digitalizzatore 3D (Tabella dei materiali).
  5. Digitalizza i punti di riferimento anatomici, i punti preauauricolari sinistro e destro e la nasion, e assicurati che i punti pre-auricolari sinistro e destro siano simmetrici. Questi fiduciali definiscono il frame delle coordinate 3D.
  6. Digitalizza le 5 posizioni della bobina HPI utilizzando uno stilo digitalizzatore 3D.
  7. Digitalizza fino a 300 punti lungo il cuoio capelluto e massimizza la copertura della forma della testa. Coprire le aree ben definite del cuoio capelluto su immagini di risonanza magnetica (MR), sopra l'inione sul retro e la nasion sul davanti, così come il ponte nasale.
    NOTA: Questi punti saranno utilizzati per la co-registrazione con un'immagine anatomica per una migliore ricostruzione della sorgente individuale.
  8. Rimuovere gli occhiali con il sensore tracker.
  9. Fissare elettrodi monouso sopra (arco superciliario) e sotto (mediale all'osso mascellare zigomatico) l'occhio destro per monitorare i movimenti verticali degli occhi.
  10. Fissare elettrodi monouso a sinistra dell'occhio sinistro e a destra dell'occhio destro (osso mascellare zigomatico) per monitorare i movimenti orizzontali degli occhi.
  11. Attaccare elettrodi monouso sotto il cuore e sotto la clavicola destra per monitorare la frequenza cardiaca.
    NOTA: Gli occhi e i segnali cardiaci sono relativamente robusti, quindi non è necessario controllare l'impedibile degli elettrodi usa e getta.
  12. Fissare un elettrodo usa e getta come un terreno sotto il collo.
  13. Accompagna il partecipante nella stanza schermata meG e chiedigli di sedersi sulla sedia MEG.
  14. Collegare il cablaggio HPI e gli elettrodi monouso nel sistema MEG.
  15. Sollevare la sedia in modo che la testa del partecipante tocchi la parte superiore del casco MEG e assicurarsi che il partecipante sia a proprio agio in questa posizione.
  16. Chiudere la porta della stanza schermata e comunicare con il partecipante attraverso il sistema citofono all'interno e all'esterno della stanza schermata.
  17. Indicare al partecipante di fissare passivamente uno schermo vuoto (vuoto ad eccezione di una croce di fissaggio centrale) per 5 min durante la registrazione dei dati MEG dello stato di riposo a 1 kHz. Mantenere la frequenza di campionamento a 1 kHz durante l'esperimento.
  18. Istruire il partecipante dei requisiti del compito e fargli eseguire 20 prove pratiche.
    NOTA: istruzioni di esempio: "Mantenere sempre la fissazione al centro dello schermo. Apparirà una croce, e dopo che la croce scompare, vedrai un'immagine seguita da un'immagine strapazzata. Non appena l'immagine strapazzata scompare, fai clic sul pulsante giallo se avevi visto i volti e il pulsante verde se avessi visto un vaso."
  19. Alternare i pulsanti di risposta tra i partecipanti (ad esempio, a destra per le facce, a sinistra per il vaso o viceversa).
    NOTA: Il colore dei pulsanti di risposta non è importante.

4. Presentare l'esperimento utilizzando Psychtoolbox16

  1. Mostra le istruzioni per i partecipanti, indicando loro quale pulsante premere quando vedono i volti e quale pulsante premere quando vedono un vaso.
  2. Creare una singola prova con 4 eventi che si applicheranno a tutte le prove in questo ordine: fissazione croce, immagine Rubin, maschera e richiesta di risposta (Figura 1).
  3. All'inizio di ogni prova, visualizzare la croce di fissaggio per un periodo di tempo variabile compreso tra 1 s e 1,8 s.
  4. Alla fine di tale periodo di tempo, rimuovere la croce di fissaggio e visualizzare l'immagine Rubin per 150 ms.
  5. Alla fine dei 150 ms, rimuovere l'immagine Rubin e visualizzare la maschera per 200 ms.
  6. Alla fine dei 200 ms, rimuovere la maschera e visualizzare una domanda per indurre i partecipanti a rispondere con una scadenza massima di risposta di 2 s.
  7. Programmare il periodo di risposta in modo che se i partecipanti rispondono entro 2 s, la prova successiva (a partire da una croce di fissazione) inizia quando lo fanno. In caso contrario, avviare la versione di prova successiva dopo 2 s.
  8. Salvare la tempistica di tutti e 4 gli eventi, nonché la scelta di risposta e la sua tempistica.
  9. Ripetere la stessa struttura di prova 100 volte prima di visualizzare un'istruzione per i partecipanti di riposare brevemente. Si tratta di un blocco sperimentale.
  10. Ripetere la struttura del blocco 4 volte per un totale di 400 prove.

5. Monitorare il segnale MEG e il partecipante durante l'esperimento

  1. Monitorare il partecipante tramite video.
  2. All'inizio di ogni blocco, prima dell'inizio dell'attività, iniziare a misurare i dati MEG e registrare la posizione iniziale della posizione di testa dei partecipanti rispetto al MEG. Nel sistema MEG utilizzato, fare clic su GO per avviare. Quando una finestra di dialogo chiede se i dati HPI devono essere omessi o aggiunti alla registrazione, controllare il segnale delle bobine HPI e fare clic su Accetta per registrare la posizione iniziale della testa. Dopo di che, fare clic su Registra raw per avviare la registrazione dei dati MEG.
  3. Se in qualsiasi momento dell'esperimento il partecipante desidera interrompere l'esperimento, terminare l'esperimento e andare all'interno della stanza schermata per scollegare tutti i sensori dal sistema MEG e rilasciare il partecipante dalla sedia.
  4. Monitora i segnali MEG visualizzandoli in tempo reale sul computer di acquisizione.
  5. Tra i blocchi, comunicare con il partecipante attraverso il sistema di altoparlanti per assicurarsi che siano pronti a continuare, e istruire loro a muovere le loro membra se lo desiderano, ma non la testa.
  6. Tra i blocchi, salvare i segnali MEG acquisiti di quel blocco.
  7. Dopo la fine dell'esperimento, andare all'interno della stanza schermata, scollegare tutti i sensori dal sistema MEG e rilasciare il partecipante dalla sedia.
  8. Scorta il partecipante fuori dalla stanza schermata e offri loro la possibilità di staccare tutti i sensori dal viso e dal corpo stesso, o staccare i sensori per loro.
  9. Ringraziare il partecipante e fornire loro un compenso monetario.

6. Segnali MEG pre-processo e segmento

  1. Utilizzare l'algoritmo di separazione dello spazio del segnale implementato nel programma Maxfilter (fornito dal produttore MEG) con i valori dei parametri predefiniti per rimuovere il rumore esterno dai segnali MEG continui.
  2. Applicare un filtro passa-alto da 0,1 hz ai dati continui utilizzando la funzione ft_preprocessing della casella degli strumenti Fieldtrip.
    NOTA: tutte le funzioni riportate successivamente precedute da 'ft_' fanno parte della casella degli strumenti Fieldtrip.
  3. Segmentare i dati MEG estraendo il 1 secondo che precede la presentazione dello stimolo in ogni prova.
  4. Assegnare a queste epoche un'etichetta di tipo di prova "faccia" o "vaso" in base alle risposte comportamentali dei partecipanti in ogni prova.
  5. Controlla visivamente le prove e i canali per identificare e rimuovere quelli che mostrano rumori o artefatti che superano il superamento, indipendentemente dalla natura degli artefatti, utilizzando ft_rejectvisual.
  6. Rifiutare le prove e i canali con punteggi z superiori a 3 facendo clic su zscore e selezionando le prove e i canali che superano il valore di 3 o le prove con varianza in eccesso rimuovendo gli outlier visualizzati dopo aver fatto clic su var. Ispezionare il segnale MEG per tutte le prove prima o dopo questa procedura.

7. Ricostruzione della Sorgente

  1. Includere entrambi i tipi di prova per eseguire la localizzazione di origine per ottenere una varianza minima comune a vincoli lineari12 filtri spaziali nella procedura di trave implementata in Fieldtrip.
  2. Filtro a banda i dati epoched alle frequenze di interesse, in questo caso tra 1 e 40 Hz.
  3. Selezionare il tempo di interesse per calcolare la matrice di covarianza, in questo caso il periodo di prestimulo di 1 secondo.
    NOTA: i segmenti di dati risultanti (selezionati tra -1 e da 0 s e da 1 a 40 Hz) vengono utilizzati in tutti i passaggi seguenti che richiedono l'immissione di dati.
  4. Segmentare il cervello e il cuoio capelluto da singole immagini MR strutturali con ft_volumesegment. Se non è disponibile, utilizzare invece un T1 standard (dalla cassetta degli attrezzi di mappatura [SPM] di mappatura parametrica statistica) Montreal Institute of Neurology (MNI, Montreal, Quebec, Canada).
  5. Creare per ogni partecipante un modello realistico di testa a guscio singolo utilizzando ft_prepare_headmodel.
  6. Nelle singole immagini MR, individuare i punti di riferimento fiduciari facendo clic sulla loro posizione sull'immagine per avviare una co-registrazione grossolana con ft_volumerealign.
  7. Allineare i punti di forma della testa con il cuoio capelluto per una registrazione più fine.
  8. Preparare una singola griglia 3D con risoluzione di 1,5 cm in base al cervello modello MNI trasformato nel volume cerebrale di ogni partecipante con ft_prepare_sourcemodel.
  9. Calcolare il modello in avanti per i canali MEG e le posizioni della griglia con ft_prepare_leadfield. Utilizzare il fixedori di configurazione per calcolare il campo di piombo per un solo orientamento ottimale del dipolo.
  10. Calcolare la matrice di covarianza di ogni prova e calcolarla nella media in tutte le prove.
  11. Calcolare i filtri spaziali utilizzando il modello in avanti e la matrice di covarianza media con ft_sourceanalysis.
  12. Moltiplicare il segnale a livello di sensore ai filtri LCMV per ottenere la serie temporale per ogni posizione di origine nella griglia e per ogni prova.

8. Analizzare la potenza oscillatova pre-stimolo nella regione di interesse

  1. Definire una regione di interesse (ROI), ad esempio dalla letteratura precedente18 (qui area faccia fusiforme [FFA]; Coordinate MNI: [28 -64 -4] mm).
  2. Individuare il sensore virtuale che corrisponde spazialmente al ROI, utilizzando ft_selectdata.
  3. Dividi le prove di faccia e vaso utilizzando ft_selectdata.
  4. Eseguire un'analisi della frequenza sul ROI, separatamente sui dati dei due tipi di prova, utilizzando ft_freqanalysis.
  5. Impostare l'opzione del metodo su mtmfft per eseguire una trasformazione veloce di Fourier.
  6. Impostare l'opzione conifica su hanning per utilizzare una funzione Hann cono.
  7. Definire le frequenze di interesse da 1 Hz a 40 Hz.
  8. Impostare l'opzione di uscita su pow per estrarre i valori di potenza dai complessi spettri Fourier.
  9. Ripetere la procedura per ogni partecipante prima di calcolare la media degli spettri tra i partecipanti e tracciare i valori di potenza con grande media risultanti in funzione delle frequenze di interesse.

9. Analizzare la connettività pre-stimolo tra le regioni di interesse

  1. Definire uno (o più) ROI con cui si ipotizza che il ROI precedentemente selezionato sia collegato, ad esempio dalla letteratura precedente18 (qui V1; Coordinate MNI: [12 -88 0]).
  2. Ripetere i passaggi 8.2 e 8.3.
  3. Eseguire l'analisi della frequenza temporale su entrambi i ROI (rappresentati come 2 canali o "sensori virtuali" all'interno della stessa struttura di dati), separatamente sui dati dei due tipi di prova, utilizzando ft_freqanalysis.
  4. Impostare il metodo su mtmconvol per implementare una trasformazione multiscala temporale basata sulla moltiplicazione nel dominio della frequenza.
  5. Impostate l'opzione conicità su dpss per utilizzare una funzione di funzione di sequenze sferoidali propalate discrete.
  6. Definire le frequenze di interesse da 8 Hz a 13 Hz.
  7. Impostare la larghezza dell'intervallo di tempo su 200 ms e il parametro di arrotondamento a 4 Hz.
  8. Impostare l'opzione keeptrials su yes per restituire le stime della frequenza temporale delle singole prove.
  9. Impostare l'output su fourier per restituire gli spettri complex Fourier.
  10. Eseguire un'analisi della connettività sui dati di frequenza temporale risultanti utilizzando ft_connectivityanalysis.
  11. Impostare il metodo su coh e il campo complesso per immaginare per restituire la parte immaginaria di coherency19.
  12. Ripetere la procedura per ogni partecipante prima di calcolare la media degli spettri di coerenza tra frequenze e partecipanti e tracciare i valori di coerenza immaginaria con grande media risultanti in funzione del tempo.

10. Confrontare statisticamente il potere di pre-stimolo del viso e del vaso o gli spettri di coerenza

  1. Combinare i dati di potenza o coerenza pre-stimolo di ciascun soggetto, all'interno di ciascuna delle 2 condizioni, in una variabile Matlab utilizzando ft_freqgrandaverage con l'opzione keepindividual impostata su yes.
  2. Eseguire un test di permutazione basato su cluster20 confrontando le due variabili risultanti utilizzando ft_freqstatistics.
  3. Impostare l'opzione del metodo su motecarlo.
  4. Impostare l'opzione di frequenza su [8 13] e avgoverfreq su yes.
  5. Impostare clusteralpha su 0,05 e impostare correcttail su alpha.
  6. Impostate l'opzione statistica su ft_statfun_depsamplesT.
  7. Creare una matrice di progettazione con una prima riga di 20 una seguita da 20 due e una seconda riga di numeri consecutivi da 1 a 20 ripetuti due volte. Passare questa matrice di progettazione all'opzione di progettazione.
    NOTA: La matrice di progettazione è suddivisa in blocchi di 20 perché i dati sono stati raccolti da 20 partecipanti.
  8. Impostare l'opzione ivar su 1 e l'opzione uvar su 2.

Representative Results

Abbiamo presentato l'illusione del volto/vaso di Rubin ai partecipanti brevemente e ripetutamente e abbiamo chiesto ai partecipanti di segnalare il loro percetto (faccia o vaso?) dopo ogni prova (Figura 1). Ogni prova è stata preceduta da almeno 1 s di uno schermo vuoto (con fissazione croce); questo era l'intervallo di interesse pre-stimolo.

Abbiamo chiesto se il potere oscillatorio pre-stimolo nelle regioni di interesse o la connettività pre-stimolo tra le regioni di interesse ha influenzato il rapporto percettivo del prossimo stimolo ambiguo. Pertanto, come primo passo, abbiamo proiettato i nostri dati nello spazio di origine in modo da poter estrarre segnali dai ROI pertinenti.

Sulla base di precedenti pubblicazioni che studiano la percezione del volto e degli oggetti con21 ambigui e inequivocabili stimoli22, abbiamo determinato che l'AFF era il nostro ROI. Successivamente abbiamo analizzato i componenti spettrali a bassa frequenza (1-40 Hz) del segnale sorgente FFA e contrastato le stime spettrali delle prove riportate come "faccia" con quelle provenienti da studi segnalati come "vaso". Un test di permutazione basato su cluster, che si raggruppa sulle frequenze da 1 a 40 Hz, a contrasto della potenza spettrale negli studi in cui le persone hanno segnalato viso e vaso, non ha rivelato differenze significative tra i 2 tipi di prova. Tuttavia, in modo descrittivo, gli spettri di potenza hanno mostrato il picco di banda alfa oscillatoria previsto nell'intervallo di 8-13 Hz e, in misura minore, l'attività della banda beta nell'intervallo di 13-25 Hz (Figura 2).

Non avendo trovato differenze nella potenza spettrale pre-stimolo, abbiamo poi studiato se c'erano differenze nella connettività pre-stimolo tra i tipi di prova. Oltre all'AFF, abbiamo determinato che V1 era il nostro secondo ROI a causa del suo coinvolgimento onnipresente nella visione. Sulla base dei risultati dell'analisi di potenza, abbiamo determinato che le frequenze 8-13 Hz sono le nostre frequenze di interesse. Abbiamo calcolato la parte immaginaria risolta nel tempo e nella frequenza della coerenza tra le nostre due ROI, separatamente per le prove su faccia e vaso, e calcolato la media del risultato tra le frequenze di interesse. Questa misura riflette la sincronia della fase oscillatoria tra le regioni cerebrali e controlla in modo conservativo gli effetti di duzione del volume nelle fonti MEG ricostruite19, quindi è stato il metodo di scelta per valutare l'accoppiamento funzionale. Un test di permutazione basato su cluster, che raggruppa nei punti temporali -1 a 0 s, contrastando la coerenza immaginaria tra V1 e FFA su prove in cui le persone hanno segnalato faccia contro vaso, ha rivelato che le sperimentazioni facciali avevano una connettività pre-stimolo più forte rispetto alle prove dei vasi, circa 700 ms prima dell'insorgenza dello stimolo (Figura 3).

Figure 1
Figura 1 : struttura di prova di esempio e dati grezzi. Pannello inferiore: una prova inizia con la visualizzazione di una croce di fissaggio. Dopo 1 a 1,8 s, lo stimolo Rubin appare per 150 ms seguito da una maschera per 200 ms. Viene quindi visualizzata una schermata di risposta per richiedere ai partecipanti di rispondere con 'faccia' o 'vaso'. Pannello superiore: dati grezzi multicanale provenienti da un partecipante di esempio, bloccati nel tempo all'insorgenza dello stimolo e media tra le prove. Questo è uno schema per evidenziare i dati nella finestra di analisi pre-stimolo (da -1 s a 0 s; evidenziati in rosa), che sarà l'intervallo di destinazione per l'analisi. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 2
Figura 2 : Potenza spettrale in FFA. Stime di potenza spettrali da segnali FFA localizzati in origine su sperimentazioni su faccia e vaso. Fare clic qui per visualizzare una versione più grande di questa figura.

Figure 3
Figura 3 : connettività tra V1 e FFA. Parte immaginaria della coerenza tra i segnali V1 e FFA localizzati in materia di sorgente e prove di vasi, nell'intervallo di frequenza di 8-13 Hz. Le regioni ombreggiate rappresentano l'errore standard della media per i progetti all'interno dei soggetti23. Fare clic qui per visualizzare una versione più grande di questa figura.

Discussion

Presentare uno stimolo unico che può essere interpretato come più di un oggetto nel tempo, ma come un solo oggetto alla volta, consente di studiare gli effetti pre-stimolo sulla percezione dell'oggetto. In questo modo si è in grado di mettere in relazione gli stati cerebrali pre-stimolo ai rapporti soggettivi degli oggetti percepiti. In un ambiente di laboratorio, le immagini ambigue che possono essere interpretate in uno dei due modi, come l'illusione del vaso Rubin, forniscono un caso ottimale che consente contrasti diretti dell'attività cerebrale tra due tipi di prove: quelle percepite in un modo (ad esempio, "faccia" ) e quelli percepiti nell'altro modo (ad esempio, "vaso").

Presentare brevemente questi stimoli (<200 ms) assicura che le persone vedano e successivamente riferiscano solo una delle due possibili interpretazioni dello stimolo in un determinato processo. Il controbilanciamento (casualmente alternato) tra il vaso nero/facce bianche e le facce bianche/nere dello stimolo tra i partecipanti riduce l'influenza delle caratteristiche di stimolo di basso livello sull'analisi successiva. La presentazione di una maschera immediatamente dopo lo stimolo impedisce alle risposte dei partecipanti successivi e di biasimare. Poiché l'analisi del periodo dopo l'insorgenza dello stimolo non è di interesse, non è richiesta alcuna corrispondenza tra le caratteristiche a bassa frequenza dello stimolo e della maschera. Infine, l'alternanza dei pulsanti di risposta tra i partecipanti (ad esempio, a sinistra per il vaso, a destra per la faccia o viceversa) impedisce che l'attività dovuta alla preparazione del motore si sefactoring nei contrasti.

Data la risoluzione al millisecondo di MEG, un intervallo pre-stimolo di 1 s è sufficiente per stimare misure come la potenza spettrale e la connettività. Data la breve durata di ogni prova risultante, un gran numero di prove può essere ospitato in una sessione sperimentale, garantendo un elevato rapporto segnale-rumore quando si calcola la media dei segnali MEG tra le prove.

Specifiche regioni di interesse sensibili alle categorie hanno dimostrato di essere attive durante la percezione dell'oggetto24,25. Ad esempio, l'FFA è ampiamente segnalato per essere coinvolto nella percezione del viso22. Per studiare gli effetti dell'attività misurata derivante da fonti specifiche, si può ricostruire i dati MEG. Per analizzare la connettività tra le fonti, è necessaria la ricostruzione della fonte. Per facilitare l'analisi dei dati di origine, i dati a livello di origine a prova singola possono essere rappresentati da "sensori virtuali". La rappresentazione dei dati in questo modo consente di analizzare i dati di origine a prova singola nello stesso modo nello spazio di origine e nello spazio del sensore, ovvero utilizzando le stesse funzioni di analisi, ad esempio utilizzando la casella degli strumenti Fieldtrip. Ciò consente quindi di testare le ipotesi sull'attività di determinate regioni di interesse in modo semplice.

Mentre il potere oscillatorio pre-stimolo ha dimostrato di influenzare il rilevamento degli stimoli vicino alla soglia percettiva (percepita e non percepita), se influenza il contenuto di ciò che si vede è meno noto. Qui abbiamo contrastato il potere oscillatorio pre-stimolo nell'AFFA tra le sperimentazioni su cui le persone hanno segnalato affronta vs vaso, e non abbiamo trovato differenze statistiche. Successivamente abbiamo testato se la connettività tra V1 e FFA influenza l'imminente rapporto percettivo, e abbiamo scoperto che le sperimentazioni facciali sono state precedute da una maggiore connettività tra V1 e FFA nell'intervallo di frequenza alfa circa 700 ms prima dell'insorgenza dello stimolo. Che abbiamo trovato alcun effetto nella potenza alfa, ma piuttosto nella connettività nella banda alfa, suggerisce che mentre la potenza alfa pre-stimolo potrebbe influenzare il rilevamento di stimolo7,8, non influenza necessariamente la categorizzazione degli oggetti. I nostri risultati mostrano quindi che per una comprensione più completa delle dinamiche oscillatorie che precedono la percezione degli oggetti e la loro successiva influenza sulla percezione degli oggetti, non è sufficiente analizzare semplicemente il potere oscillatorio nelle regioni di interesse. Piuttosto, la connettività tra le regioni di interesse deve essere presa in considerazione, come le fluttuazioni in corso nella forza di queste connessioni possono polarire la percezione successiva18. Infine, nonostante la risoluzione spaziale non ottimale di MEG, il nostro protocollo dimostra che si è in grado di identificare chiaramente le regioni di interesse e indagare le loro relazioni. MEG può sostituire l'elettroencefalografia (EEG) perché offre una risoluzione spaziale superiore e può sostituire la RM di funzione perché offre una risoluzione temporale superiore. Pertanto, MEG combinato con la ricostruzione della fonte è ideale per studiare processi neurali veloci e localizzati.

Disclosures

Gli autori non hanno nulla da rivelare.

Acknowledgments

Questo lavoro è stato sostenuto da FWF Austrian Science Fund, Imaging the Mind: Connectivity and Higher Cognitive Function, W 1233-G17 (a E.R.) e dal Consiglio europeo della ricerca Grant WIN2CON, ERC StG 283404 (a N.W.). Gli autori desiderano riconoscere il sostegno di Nadia Maller-Voggel, Nicholas Peatfield e Manfred Seifter per i contributi a questo protocollo.

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