Cette méthode peut aider à répondre à des questions clés dans le domaine des neurosciences cognitives. Le principal avantage de cette technique est qu’elle peut analyser l’activité neuronale et la connectivité sur les évolutions temporelles spatiales élevées. Pour commencer l’analyse des données intracrâniens de l’EEG, configurez SPM12 et sélectionnez le menu analytique MEG EEG.
Tout d’abord, effectuez l’analyse de fréquence de temps pour les données intracrânaires prétraitées d’EEG de chaque essai utilisant la décomposition continue d’onde avec des ondes de Morlet basées sur des paramètres prédéfinis. Pour révéler l’évolution temporelle des composants spectraux, conductez la décomposition des ondes à l’aide d’ondes Morlet à sept cycles pendant toute l’époque de 1000 à 2000 millisecondes en utilisant la plage de fréquences de quatre à 300 hertz. Ensuite, déterminez l’onde mère et le nombre de cycles et notez que le nombre de cycles contrôle les résolutions de fréquence de temps et devrait être supérieur à cinq pour assurer la stabilité de l’estimation.
Déterminez les plages de temps et de fréquences. Recadrer ensuite automatiquement les cartes de fréquence de temps qui en résultent pour supprimer les effets de bord. Ici, les cartes sont rogées à 200 à 500 millisecondes.
Effectuez la transformation des données si désiré et la correction de base en sélectionnant le recale de fréquence de temps pour les cartes de fréquence de temps afin de mieux visualiser les changements de puissance liés aux événements et d’améliorer la normalité. Ensuite, convertissez les cartes de fréquence de temps en images bidimensionnelles. Aussi lisse à l’aide d’un noyau gaussien avec une valeur demi-maximale de pleine largeur prédéfinie pour compenser la variabilité inter-sujets et pour se conformer aux hypothèses de la théorie aléatoire du champ.
Sélectionnez maintenant spécifier le deuxième niveau dans le menu SPM et entrez les images 2D qui seront analysées. Exécutez ensuite le modèle linéaire général en sélectionnant l’estimation du modèle. Enfin, sélectionnez les résultats pour effectuer des inférences statistiques sur les données de fréquence de temps basées sur la théorie aléatoire du champ.
Détectez les clusters de fréquences de temps activés de manière significative avec des seuils prédéfinis tels que ceux observés ici. Commencez l’analyse dynamique de modélisation causale en sélectionnant DCM dans le menu SPM. Choisissez ensuite l’option IND et sélectionnez de nouvelles données pour importer les données intracrâniens prétraitées de l’EEG.
Ensuite, utilisez le menu EEG MEG pour spécifier la fenêtre d’intérêt du temps, la fenêtre d’intérêt de fréquence, le nombre de cycles wavelet qui seront utilisés, les conditions d’intérêt et les contrastes pour les conditions. Réglez la fenêtre de temps à une à 500 millisecondes. Utilisez des ondes Morlet à cinq cycle de quatre à 100 hertz en une seule étape hertz.
Utilisez le paramètre par défaut pour le cycle wavelet. Déterminer les plages de fréquences de temps en fonction de l’intérêt pour la recherche. Notez qu’une fenêtre de temps avec 512 millisecondes supplémentaires peut être automatiquement utilisée pendant le calcul pour supprimer les effets de bord.
Basé sur le cadre DCM, définir les entrées de conduite qui représentent des entrées sensorielles sur les états neuronaux et les connexions intrinsèques qui incarnent la connectivité de base entre les états neuronaux. Définissez également les effets modulateurs sur les connexions intrinsèques par le biais de manipulations expérimentales pour des modèles nuls et supposés. Définissez le type de modulation comme linéaire ou non linéaire.
Spécifiez maintenant les connexions linéaires et non linéaires intrinsèques, les entrées de conduite et les entrées de modulation. Modifiez les paramètres par défaut des paramètres connexes si nécessaire, tels que le temps et la durée d’apparition du stimulus antérieur. Choisissez ensuite d’inverser DCM pour estimer les modèles.
Après cela, sélectionnez enregistrer les résultats comme image pour enregistrer des images de paramètre de couplage modulatoire fréquence-fréquence. Ensuite, effectuez une analyse de sélection des modèles bayésiens à effets aléatoires en sélectionnant BMS pour identifier le modèle réseau optimal. Utilisez les probabilités et les probabilités d’accédence prévues du modèle comme mesures d’évaluation.
Faites ensuite des inférences concernant les modèles de fréquences croisées des connexions modulatoires à l’aide des paramètres du modèle gagnant. Maintenant lisser les images modulatoires paramètre couplage en sélectionnant convertir en images. Ensuite, utilisez spécifier le deuxième niveau pour effectuer l’analyse générale du modèle linéaire.
Enfin, sélectionnez les résultats pour calculer les valeurs SPMT 2D. En l’espèce, le demi-maximum de largeur totale a été fixé à huit hertz et des valeurs significatives ont été identifiées exploratoirement à l’aide d’un seuil de hauteur non corrigé de P inférieur à 0,05. Des analyses de fréquence temporelle ont été effectuées pour étudier les profils temporels et de fréquence de l’activité occipitale inférieure de Gyrus ou IOG pendant le traitement des phases.
Ici, nous voyons des cartes de fréquence de temps de la bonne activité IOG pour la phase verticale et les conditions de mosaïque verticale. Les données SPMT pour la phase verticale par rapport à la mosaïque verticale sont également affichées. Les modèles de réseau fonctionnels sont affichés ici.
Huit combinaisons possibles d’entrée modulatoire de phase verticale par rapport à mosaïque verticale sur les connexions entre l’IOG et l’amygdale et d’auto-connexion sur chaque région ont été étudiées. Les paramètres de couplage modulatoire fréquence-fréquence et les valeurs SPMT pour la phase verticale par rapport à la mosaïque verticale pour l’IOG par rapport à l’amygdale et l’amygdale par rapport à la modulation IOG sont montrés ici. Les zones rouge-jaune indiquent une connectivité excitatrice significative tandis que les zones bleu-cyan indiquent une connectivité inhibitrice.
Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension sur la façon d’analyser les données intracrâniens EEG pour détecter l’activité neuronale et la connectivité à l’aide du logiciel SPM.
