JoVE Logo
发表
联系我们

登录

需要订阅 JoVE 才能查看此. 登录或开始免费试用。

本文内容

  • 摘要
  • 摘要
  • 引言
  • 研究方案
  • 结果
  • 讨论
  • 披露声明
  • 致谢
  • 材料
  • 参考文献
  • 转载和许可

摘要

我们提出两种分析协议, 可用于分析颅内脑电图数据使用统计参数映射 (SPM) 软件: 时间-频率统计参数映射分析的神经活动, 和动态因果关系对内部和区域间连通性的诱导响应建模。

摘要

在高空间和时间分辨率下测量与认知功能相关的神经活动和连通性是认知神经科学的一个重要目标。颅内脑电图 (EEG) 可以直接记录电神经活动, 并具有实现这一目标的独特潜力。传统上, 应用平均分析法分析颅内脑电图数据;然而, 有几种新的技术可以用来描述神经活动和区域间的连接。在这里, 我们引入了两个分析协议, 我们最近使用统计参数映射 (SPM) 软件分析颅内脑电图数据: 时间-频率 SPM 分析的神经活动和动态因果模型的诱发反应内部和区域间的连接。我们报告我们的颅内脑电图数据的分析在面部观察作为代表性的结果。结果表明, 下枕回 (内部监督组) 在早期阶段 (110 ms) 表现为对面部的伽玛波段活动, 内部监督组和杏仁核均使用各种类型的振荡表现出快速的内、区域间连通性。这些分析协议有可能识别具有高空间和时态轮廓的认知功能的神经机制。

引言

在高空间和时间分辨率下测量与认知功能相关的神经活动和连接性是认知神经科学的主要目标之一。然而, 完成这个目标并不容易。一种常用的记录神经活动的方法是功能磁共振成像 (MRI)。虽然功能磁共振成像提供了一些优势, 如在毫米水平和非侵入性记录的高空间分辨率, 功能磁共振成像的一个明显的缺点是它的低时间分辨率。此外, 功能磁共振成像测量血氧水平依赖性信号, 这只是间接反映电神经活动。受欢迎的电生理方法, 包括脑电图 (eeg) 和脑磁图 (MEG), 在毫秒级有很高的时间分辨率。然而, 他们有相对较低的空间分辨率, 因为他们记录在头皮的电/磁信号, 必须解决困难的反问题, 以描绘大脑活动。

颅内脑电图可直接记录高时间 (毫秒) 和空间 (厘米) 分辨率1的电神经活动。这一措施可以为了解神经活动和连接提供有价值的机会, 尽管它有明确的局限性 (例如, 可测量区域仅限于临床标准)。一些颅内脑电图研究应用传统的平均分析来描述神经活动。虽然平均分析可以灵敏地检测锁定和低频波段激活, 但它无法检测到非锁相和/或高频 (例如伽玛波段) 激活。此外, 在颅内脑电图记录的文献中还没有深入分析功能性神经耦合。最近开发了几种新技术来描述功能磁共振成像和脑电图/MEG 记录中的神经活动和区域间连接, 可用于分析颅内脑电图数据。

在这里, 我们介绍了最近使用统计参数映射 (SPM) 软件分析颅内脑电图数据的分析协议。首先, 为了揭示何时, 以及在哪个频率, 大脑区域可以被激活, 我们执行时频 SPM 分析2。该分析利用连续小波变换同时分解时间和频域, 用随机场理论对时频映射中的族误差 (少数) 率进行了适当的校正。其次, 为了揭示大脑区域的沟通方式, 我们应用了诱发反应的动态因果模型 (DCM)4。DCM 支持对有效连通性的调查 (例如,大脑区域之间的因果和方向影响5)。尽管 dcm 最初被建议为分析功能性 MRI 数据5的工具, 但已将诱导反应的 dcm 扩展到电生理信号的时变功率谱分析4。此分析允许描述内部和区域间的神经连接。一些神经生理学研究表明, 局部区域内计算和远距离区域间通信主要使用伽玛和θ波段振荡, 它们的相互作用 (例如截留) 可以由θ-伽玛十字频率耦合3、6、7、8反射。本报告侧重于数据分析协议;如欲了解颅内脑电图的背景信息9、10和记录协议11 , 请参阅文献。

研究方案

我们的研究得到了当地机构伦理委员会的批准。

1. 基本信息

注: 分析协议可应用于各种类型的数据, 不受特定参与者、电极、参考方法或电极位置的限制。在本例中, 我们测试了六名患有药理顽固性病灶癫痫的患者。我们测试了在感兴趣区域没有癫痫灶的患者。

  1. 在靶电极的认知实验中记录颅内脑电图数据。
    1. 植入深度电极采用立体定向法12。
    2. 使用硬膜下铂电极 (直径: 2.3 毫米) 和深度铂电极 (直径: 0.8 毫米) 同时测量皮质和皮质下活动, 分别。
    3. 将参考电极放置在中线背前额区域的头骨表面上, 电极接触面远离颅骨, 以避免参照激活12。
    4. 放大数据, 在线过滤 (带通: 0.5–300 hz), 采样频率为 1000 hz。
    5. 记录和统计删除与眼球运动相关的工件, 另外记录 electrooculograms。根据理论兴趣选择目标电极。此外, 使用单个 MRI 和计算机断层扫描数据检查电极位置。
  2. 样品和预处理颅内脑电图数据 (图 1)。
    注意: 分析协议可应用于各种类型的数据, 而不受特定数据长度或预处理方法的限制。
    1. 在这里, 样本数据在 3000 ms (刺激前: 1000 ms; 后刺激: 2000 ms) 为每个试验。
    2. 因为这里的参与者在某些试验中显示异常的高振幅活动, 可能与癫痫有关, 因此使用预定义阈值 (> 800 和 > 5 SD) 排除这些异常试验。根据实验目标和条件, 可能需要其他预处理步骤, 包括目视检查和独立成分分析。
  3. 将 EEG 系统本机格式转换为基于 MATLAB 的 SPM 格式 (cf. SPM12 手册12.1 和 12.2)。
    注: 通过选择 spm 批编辑器接口中的转换并指定所有必需的输入参数, 可以直接将大多数 EEG 数据格式导入 spm 软件。另一种可能的方法是在 spm 程序目录的 man/example_scripts 子目录中使用示例脚本 "spm_eeg_convert_arbitrary_data"。此脚本提供了一种方便的方式来转换 ASCII 文件或 MAT 文件, 可以导出由许多脑电图系统与 SPM 格式。

2. 时频 SPM 分析

  1. 设置 SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) 并使用 m-/脑电图分析菜单13 (图 2)。
  2. 执行 time–frequency spm 分析2通过在 SPM 菜单中选择 "时间-频率分析", 使用基于预定义参数的 Morlet 小波连续小波分解对每次试验的颅内脑电图数据进行预处理 (图 3)。
    注: 小波变换通过多频率14的小波卷积颅内脑电图数据, 揭示频谱分量的时间演化。
    1. 在这里, 使用七循环 Morlet 小波对整个纪元 (-1,000–2,000 ms) 和 4–300 Hz 的频率范围进行小波分解。
    2. 根据先前的研究15确定母小波和周期数。请注意, 小波中的周期数控制 time–frequency 分辨率, 建议大于5以确保估计稳定性13。
    3. 根据研究兴趣确定时间和频率范围。
  3. 通过在 SPM 菜单中选择"裁剪"自动裁剪生成的 time–frequency 贴图, 以移除边缘效果。在这里, 裁剪 time–frequency 映射到-200–500台 ms。
  4. 通过在 time–frequency 地图的 SPM 菜单中选择"时间-频率重设" 来执行数据转换 (可选) 和基线校正, 以便更好地可视化事件相关的电源变化, 并提高数据的正常性。
    注意: 在这里, time–frequency 地图是对数转换和基线 (-200–0 ms)-修正。
  5. 通过在 SPM 菜单中选择"Convert2Images" , 将 time–frequency 地图转换为二维 (2D) 图像。
    1. 使用具有预定义全角半最大 (FWHM) 值的高斯内核进行平滑处理, 以补偿主体间的变异性, 并符合统计推断中使用的随机场理论的假设2,13.
      注意: 在这里, time–frequency 地图被平滑与一个高斯内核的 FWHM 的 96 ms 在时间域和 12 Hz 在频率域基于以前的研究2。
  6. 通过在 SPM 菜单中选择"指定第一级" , 在常规线性模型中输入2D 图像。
  7. 通过在 SPM 菜单中选择"模型估计"来估计一般线性模型。
  8. 在 spm 菜单中选择"结果" , 根据随机场理论2对 time–frequency SPM {T} 数据执行统计推断。使用预定义的阈值检测显著激活的 time–frequency 群集 (可能会对多个比较进行更正)。
    注意: 在这里, 使用 p < 0.001 (未校正) 的高度阈值的p < 0.05 的范围阈值, 这是少数校正的多个比较。

3. 诱发反应的 DCM

  1. 设置 SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) 并使用 m-/脑电图分析菜单13 (图 4)。
    1. 单击 SPM 菜单中的"dcm"按钮开始 dcm 分析。在列表框中选择"IND" , 激活诱发响应的 DCM。通过单击 DCM 中的"新数据"来导入预处理的颅内脑电图数据菜单。
  2. 指定感兴趣的时间窗口、感兴趣的条件、所选条件的对比度 (这定义了以后在网络规范中使用的调制输入)、感兴趣的频率窗口以及用于 "M/脑电图" 菜单的 DCM 中的小波周期数 (图 5)。
    1. 使用五循环 Morlet 小波 (4–100 hz 在 1 hz 步骤), 并将时间窗口设置为 1–500 ms。
    2. 根据默认设置确定小波周期。请注意, 软件建议值大于 5, 以确保估计稳定性13。time–frequency 范围是根据我们的研究兴趣确定的。请注意, 在计算过程中自动使用附加± 512 ms 的时间窗口来删除边缘效果。
  3. 基于 DCM 框架4,5, 定义 (1) 驱动输入, 表示神经状态的感官输入;(2) 内在连接, 它体现了神经状态与自我连接之间的基线连通性;(3)通过对空和虚模型的实验操作, 调节对固有连接的影响。还将调制的类型定义为线性 (频率范围内) 或非线性 (频率之间)。
    1. 在 DCM 中为 "M/脑电图" 菜单指定内部 (线性和非线性) 连接、驱动输入和调制输入。
    2. 如有必要, 修改一些相关参数的默认设置 (例如,先前的刺激起始时间和持续时间)。通过在 "M/脑电图" 菜单的 dcm 中选择"反转 dcm"来估算模型。之后选择将结果保存为 img , 以节省频率调节耦合参数图像。
  4. 通过在 DCM 中单击"BMS"以确定最佳网络模型, 进行随机效应贝叶斯模型选择 (bms) 分析17 。使用模型预期概率和/或超越概率作为评估度量值。
  5. 使用 SPM 菜单对调节连接的交叉频率模式进行推断 (参见步骤 2)。
    1. 在 SPM 菜单中选择"Convert2Images" , 平滑调节耦合参数图像。
    2. 通过在 SPM 菜单中选择"指定第二级"来执行常规线性模型分析。
    3. 通过在 spm 菜单中选择 "结果" 来计算 2D spm {T} 值。
      注意: 在这里, FWHM 设置为 8 Hz 基于上一个研究4。exploratorily 使用p < 0.05 的高度阈值 (未校正) 确定显著值。

结果

使用本文提供的协议, 我们分析了颅内脑电图数据, 以响应面18,19。我们在被动查看面部、马赛克和房屋的直立和倒置方向上记录了六名患者的数据。直立面与直立马赛克 、直立面与直立房屋的对比揭示了脸部效应 (即相对于其他物体的面部特定的大脑活动)。直立面与倒置面的对比揭示了人脸反转效应 ...

讨论

本文介绍的基于 SPM 软件的颅内脑电图数据分析规程与功能磁共振成像相比具有多种优点。首先, 这些协议可以在高时间分辨率下描述神经激活。因此, 研究结果表明, 神经激活的认知相关性是否在处理的早期或后期实现。在我们的示例中, 在视觉处理的早期阶段 (即110 ms) 中标识了面效果。此外, 与不同的心理功能相关的神经活动的时态剖面的比较提供了有趣的含义。特别是, 我们的例子揭示?...

披露声明

作者没有什么可透露的。

致谢

这项研究得到了倍乐生之公司, 日本促进科学协会 (jsp) 资助计划为下一代世界领先的研究人员 (LZ008), 促进神经发育紊乱研究组织的资金支持,和 jsp KAKENHI (15K04185; 18K03174)。

材料

NameCompanyCatalog NumberComments
none

参考文献

  1. Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).
  2. Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
  3. Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
  4. Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
  5. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
  6. Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
  7. Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
  8. Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191 (2010).
  9. Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
  10. Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
  11. Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993 (2012).
  12. Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
  13. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
  14. Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
  15. Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
  16. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  17. Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
  18. Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
  19. Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
  20. Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition?. Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
  21. Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
  22. Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
  23. Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
  24. Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
  25. Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
  26. Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
  27. Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
  28. Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
  29. Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
  30. Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
  31. Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
  32. Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351 (2016).
  33. Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
  34. Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
  35. Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
  36. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  37. Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
  38. Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).

转载和许可

请求许可使用此 JoVE 文章的文本或图形

请求许可

探索更多文章

140DCMEEG

This article has been published

Video Coming Soon

JoVE Logo

政策

使用条款

隐私

联系我们

向图书馆推荐

JoVE 新闻简报

科研

教育

发表

图书馆员

关于 JoVE

版权所属 © 2025 MyJoVE 公司版权所有，本公司不涉及任何医疗业务和医疗服务。