זיהוי השפעות טרום גירוי ברמת המקור על תפיסת האובייקט עם מגנטונצלוגרפיה

Summary

מאמר זה מתאר כיצד להגדיר ניסוי המאפשר זיהוי מראש ברמת מקור השפעות על תפיסת האובייקט באמצעות מגנטונצלוגרפיה (מג). היא כוללת חומר גירוי, תכנון ניסיוני, הקלטת מג, וניתוח נתונים.

Abstract

גירוי מקדים בפעילות המוח משפיע על התפיסה הקרובה. המאפיינים של הפעילות הקדם-גירוי הזאת יכולים לנבא אם הגירוי הקרוב יהיה נתפס או לא נתפס, אך האם הם יכולים גם לחזות מי משני גירויים מתחרים עם תוכן תפיסתי שונה נתפסת? גירויים חזותיים רב-משמעיים, שניתן לראותם באחת משתי דרכים אפשריות בכל פעם, מתאימים באופן אידיאלי לחקור שאלה זו. מגנטונצגרפיה (מג) היא טכניקת מדידה נוירולוגית הרושמת אותות מגנטיים הנפלטים כתוצאה מפעילות מוחית. הרזולוציה הטמפורלית מאלפית השניה של מג מאפשרת אפיון של מצבי המוח הממטרים ממעט כמו 1 שנייה של נתונים מוקלטים. הצגת מסך ריק בסביבות 1 לפני התפרצות הגירוי רב-משמעית, ולכן מספקת חלון זמן שבו ניתן לחקור אם פעילות מנדנוד מראש מציעה את תוכן התפיסה הקרובה, כפי שמצוין על-ידי המשתתפים ' דוחות. הרזולוציה המרחבית של מג אינה מצויינת, אלא מספיקה כדי לאתר מקורות של פעילות מוחית בקנה מידה של סנטימטר. שחזור המקור של פעילות מג ולאחר מכן מאפשר בדיקת השערות על פעילות מנדנוד של אזורים ספציפיים של עניין, כמו גם את הקישוריות הזמן והתדירות נפתרה בין אזורי עניין. הפרוטוקול המתואר מאפשר הבנה טובה יותר של ההשפעה של פעילות מוחית ספונטנית ומתמשכת על תפיסה חזותית.

Introduction

מצבי המוח לפני הצגת גירויים השפעה הגירוי הדרך נתפסת כמו גם את התגובות העצביות הקשורות לתפיסה^1,2,3,4. לדוגמה, כאשר הגירוי מוצג בעוצמה הקרובה לסף תפיסתי (קרוב לסף), כוח הגירוי העצבי מראש, שלב, וקישוריות יכול להשפיע אם הגירוי הקרוב נתפס או לא נתפס^{5 ,6,7,8,9,10}. אותות קדם גירוי אלה יכולים גם להשפיע על היבטים אחרים של תפיסה, כגון תוכן של אובייקט תפיסתי.

הצגת אנשים עם תמונה רב-משמעית שניתן לפרש באחת משתי דרכים היא דרך אידיאלית לחקור את תפיסת האובייקט¹¹. הסיבה לכך היא שהתוכן הסובייקטיבי של התפישה יכול להיות אחד משני העצמים, בעוד שהגירוי הממשי נשאר ללא שינוי. לפיכך, ניתן להעריך את ההבדלים באותות המוח המוקלט בין מבחנים שעליהם דיווחו אנשים הרואים אחד לעומת הפרשנות האפשרית האחרת של הגירוי. בהינתן דוחות, ניתן גם לחקור אם היו הבדלים כלשהם במצבי המוח לפני גירוי התפרצות.

מגנטונצגרפיה (מג) היא טכניקת נוירוהדמיה תפקודית הרושמת שדות מגנטיים המיוצרים על ידי זרמים חשמליים במוח. בעוד שתגובות ברמת חמצון-דם תלויות (מודגשות) בציר זמן של שניות, מג מספקת החלטה אלפית שניה ולכן מאפשרת חקירת מנגנוני המוח המתרחשים בצירי זמן מהירים מאוד. היתרון הקשור של מג הוא שהוא מאפשר אפיון מצבי המוח מתקופות קצרות של נתונים מוקלטים, משמעות מבחנים ניסיוניים ניתן לקצר כגון ניסויים רבים להשתלב במפגש ניסיוני. יתר על כן, מג מאפשר מנתח תדרים התחום אשר יכול לחשוף פעילות מנדנוד.

בנוסף הרזולוציה הטמפורלית הגבוהה שלה, מג מציעה רזולוציה מרחבית טובה. עם טכניקות שחזור המקור¹², אחד יכול להקרין נתונים ברמת חיישן לחלל המקור. הדבר מאפשר לבדוק השערות בנוגע לפעילות של אזורי תחומי עניין שצוינו. לבסוף, בעוד אותות בחלל חיישן הם מתואמים מאוד ולכן את הקישוריות בין חיישנים לא יכול להיות מוערך במדויק, שחזור המקור מאפשר להעריך את הקישוריות בין אזורי עניין, כי זה מקטין את . קשרים בין אותות מקור¹³ ניתן לפתור הערכות קישוריות אלה בתחומי הזמן והתדר.

בהינתן יתרונות אלה, מג הוא מתאים באופן אידיאלי כדי לחקור תופעות טרום גירוי על תפיסת האובייקט באזורים מסוימים של עניין. בדוח הנוכחי ניתן להדגים כיצד לעצב ניסוי כזה ואת הגדרת הרכישה של מג, כמו גם כיצד להחיל שחזור מקור ולהעריך את הפעילות והקישוריות.

Protocol

הפרוטוקול המתואר עוקב אחר ההנחיות של ועדת האתיקה של המחקר האנושי באוניברסיטת זלצבורג, והוא בהתאם להכרזת הלסינקי.

1. הכנת חומר גירוי

1. הורד תמונה של הפנים והאגרטל של רובין¹⁴. הדבר יוצג למחצית המשתתפים.
2. השתמש בפקודה Matlab ~ כדי להפוך את התמונה המקורית שחור ולבן בינארי של רובין כדי ליצור תמונה נוספת רובין פנים/אגרטל שלילי עם הצבעים שחור ולבן התהפך ביחס לתמונה המקורית (רקע לבן במקום רקע שחור). הדבר יוצג בפני החצי השני של המשתתפים.
3. ליצור מסכה על ידי באופן אקראי ערבול בלוקים של פיקסלים של התמונה רובין. לחלק את התמונה בלוקים רבועים כי הם קטנים מספיק כדי להסתיר תכונות מתאר ברורות, למשל בין 2% ו 5% מהגודל של התמונה המקורית (5 על ידי 5 פיקסלים מתוך תמונה של 250 על ידי 250), ואז באקראי לערבב אותם כדי ליצור את המסכה.
4. צור צלב קיבעון שחור על רקע לבן, כך הצלב הקיבעון קטן יותר מאשר התמונה רובין (פחות מ 5 ° של זווית חזותית).

2. להתקין את מג וציוד גירוי

1. חבר את מחשב הצגת הגירוי למקרן. חבר את בקר מקרן DLP LED באמצעות סיומת USB מבודדת (עבור נתונים) וכבל ממשק חזותי דיגיטלי (DVI) (לגירויים).
2. חבר את מחשב הרכישה שמג למחשב מצגת גירוי כדי לאפשר לו לשלוח ולקבל גורמים. חבר את מערכת קלט/פלט דיגיטלי (DIO) (לחצנים וגורמים, מחברי D24 סטנדרטיים 2x) של מערכת מצגת גירוי משולב למחבר מג בתיבת הפריצה BNC מבודד.
3. שיא 1 דקה של מידע מג חדר ריק ב 1 kHz.
4. לנטר את האותות מ 102 מגנטומטרים ו 204 orthogonally הציב gradiometers מישורי ב 102 מיקומים שונים על ידי המחשה כל האותות בזמן אמת על מחשב הרכישה.

3. הכן משתתף לניסוי מג

הערה: פרטים של רכישת נתוני מג תוארו בעבר¹⁵.

1. ודא כי המשתתף מבין את ההסכמה מושכלת בהתאם ההכרזה של הלסינקי ולקבל אותם לחתום על הטופס אשר כולל גם הצהרה של הסכמה לעיבוד של נתונים אישיים.
2. לספק למשתתף בגדים שאינם מגנטיים ולוודא שאין להם חפצים מתכתיים או על גופם. בקש מהמשתתפים למלא שאלון אנונימי נוסף כדי להבטיח זאת, ושאין למשתתף כל קריטריון להדרה אחר, כגון הפרעות נוירולוגיות, ולתעד נתונים אישיים אחרים כגון הקפדה ורמת מנוחה.
3. יש להושיב את המשתתף על כיסא לא-מגנטי (עץ). צרף 5 מיקום ראש מחוון (HPI) סלילי הראש עם טיח דביק, שניים מעל עין אחת, אחד מעל העין השנייה, ואחד מאחורי כל אוזן.
4. מניחים את חיישן המאתר של מערכת הדיגיטציה בחוזקה על ראש המשתתף ומסדרים אותו לתוך משקפיים ליציבות מקסימלית.
   הערה: שימוש בדיגיטייד תלת-ממדי שימש (טבלת חומרים).
5. דיגיטייז את ציוני הדרך האנטומיים, את הנקודות השמאלית והימנית לפני הסוף ואת הnasion, ולוודא את הנקודות השמאלי והימני מראש הם סימטריים. Fiducials אלה מגדירים את מסגרת הקואורדינטות התלת-ממדית.
6. דיגיטייז את 5 מיקומי הסליל HPI באמצעות העט של התקן הדיגיטציה תלת-ממדי.
7. דיגיטייז עד 300 נקודות לאורך הקרקפת והגדלת הכיסוי של צורת הראש. לכסות את האזורים המוגדרים היטב של הקרקפת על תהודה מגנטית (MR) תמונות, מעל inion על הגב ואת nasion בחזית, כמו גם את הגשר באף.
   הערה: נקודות אלה ישמשו עבור הרישום המשותף עם תמונה אנטומית עבור שחזור המקור האישי טוב יותר.
8. הסר את המשקפיים עם חיישן גשש.
9. הצמד אלקטרודות חד פעמיות לעיל (קשת סופרסילרית) ומתחת (האמצעי לעצם הלסת הימנית הזיגובטית) בעין ימין כדי לפקח על תנועות עיניים אנכיות.
10. הצמד אלקטרודות חד פעמיות משמאל לעין השמאלית ומימין לעין הימנית (מתחת לעצם הלסת האופקית) כדי לפקח על תנועות עיניים אופקיות.
11. הצמד אלקטרודות חד פעמיות מתחת ללב ומתחת לעצם הבריח הימני כדי לפקח על קצב הלב.
    הערה: העיניים ואותות הלב הם חזקים יחסית, ולכן בדיקת עכבה של אלקטרודות חד פעמיות אינו הכרחי.
12. חברו אלקטרודות חד פעמיות כקרקע מתחת לצוואר.
13. ללוות את המשתתף לחדר מג ' מוגן ולהנחות אותם לשבת בכיסא מג ' ר.
14. חבר את הרתמה לחיווט HPI ואת האלקטרודות החד במערכת שמג.
15. הרימו את הכסא כך שראש המשתתף ייגע בראש קסדת מג ויוודא שמשתתף נוח בתנוחה זו.
16. סגרו את הדלת לחדר המוגן והתקשרו עם המשתתף דרך מערכת האינטרקום שבתוך החדר המוגן ומחוצה לו.
17. הנחה את המשתתף לנעוץ במבט פסיבי על מסך ריק (ריק למעט מכלאה הקיבעון המרכזי) עבור 5 דקות בזמן הקלטת המצב מנוחה מג נתונים ב 1 kHz. שמור את קצב הדגימה. ב-kHz אחד בכל הניסוי
18. הנחה את המשתתף בדרישות המשימה ובצע 20 נסיונות לתרגול.
    הערה: הוראות לדוגמה: "שמור על הקיבעון שלך במרכז המסך כל הזמן. הצלב יופיע, ולאחר שהצלב ייעלם, תראה תמונה שאחריה מעורבל תמונה. ברגע שהתמונה המעורבלת נעלמת, לחץ על הכפתור הצהוב אם ראית את הפנים ואת הכפתור הירוק אם ראית אגרטל.
19. להחליף את לחצני התגובה על פני משתתפים (למשל, זכות לפרצופים, שמאל לאגרטל, או להיפך).
    הערה: הצבע של לחצני התגובה אינו משנה.

4. הציגו את הניסוי באמצעות כתיבת הכלים הפסיכומטרית¹⁶

1. הצג הוראות למשתתפים, אומר להם איזה כפתור ללחוץ כאשר הם רואים פרצופים ואיזה כפתור ללחוץ כאשר הם רואים אגרטל.
2. ליצור משפט יחיד עם 4 אירועים אשר יחולו על כל המבחנים בסדר זה: לחצות את הקיבעון, התמונה רובין, מסכה, ואת הבקשה תגובה (איור 1).
3. בתחילת כל ניסוי, להציג את צלב הקיבעון עבור פרק זמן משתנה בין 1 ו-1.8 s.
4. בסוף תקופת הזמן, להסיר את הצלב הקיבעון ולהציג את התמונה רובין עבור 150 ms.
5. בסוף 150 ms, להסיר את התמונה רובין ולהציג את המסכה עבור 200 ms.
6. בסוף 200 ms, להסיר את המסיכה ולהציג שאלה כדי להנחות את המשתתפים להגיב עם דדליין התגובה המקסימלית של 2 s.
7. לתכנת את תקופת התגובה, כך שאם המשתתפים מגיבים בתוך 2 s, המשפט הבא (החל מצלב הקיבעון) מתחיל כאשר הם עושים זאת. אחרת, התחל את המשפט הבא לאחר 2.
8. שמור את העיתוי של כל 4 האירועים, כמו גם את בחירת התגובה ואת התזמון שלה.
9. חזור על אותו מבנה ניסיון 100 פעמים לפני הצגת הוראה למשתתפים לנוח בקצרה. . זה מהווה בלוק ניסיוני אחד
10. חזור על מבנה הבלוק 4 פעמים עבור סך של 400 מבחנים.

5. נטר אות מג ' ו משתתף במהלך הניסוי

1. נטר את המשתתף באמצעות וידאו.
2. בתחילת כל בלוק, לפני תחילת המשימה, להתחיל למדוד את הנתונים מג ולהקליט את המיקום הראשוני של עמדת ראש המשתתפים ביחס מג. במערכת מג בשימוש, לחץ על GO כדי להתחיל. כאשר תיבת דו-שיח שואלת אם נתוני HPI מושמטים או מתווספים להקלטה, בדוק את אות הסלילים של HPI ולחץ על ' קבל ' כדי להקליט את מיקום הראש ההתחלתי. לאחר מכן, לחץ על הקלטת raw כדי להתחיל להקליט נתוני מג.
3. אם בשלב כלשהו במהלך הניסוי המשתתף מבקש להפסיק את הניסוי, לסיים את הניסוי וללכת בתוך החדר המוגן לנתק את כל החיישנים ממערכת מג ולשחרר את המשתתף מהכיסא.
4. עקוב אחר אותות מג על-ידי המחשה בזמן אמת על מחשב הרכישה.
5. בין בלוקים, לתקשר עם המשתתף דרך מערכת הרמקולים כדי לוודא שהם היטב ומוכנים להמשיך, ולהורות להם להזיז את הגפיים שלהם אם הם רוצים, אבל לא הראש שלהם.
6. בין בלוקים, שמור את האותות. הנרכשים של מג בבלוק הזה
7. לאחר סיום הניסוי, היכנסו לחדר המוגן, נתקו את כל החיישנים ממערכת מג, ושחררו את המשתתף מהכיסא.
8. ללוות את המשתתף מתוך חדר ממוגן ולהציע להם את הבחירה לנתק את כל החיישנים מפניהם והגוף עצמם, או לנתק את החיישנים עבורם.
9. תודה למשתתף ולספק להם פיצוי כספי.

6. לפני תהליך ופלח אותות מג

1. השתמש באלגוריתם של הפרדת מרחב האותות המיושם בתוכנית Maxfilter (המסופקת על-ידי יצרן מג) עם ערכי פרמטרים המהווים ברירת מחדל כדי להסיר רעש חיצוני מאותות ה-שמג הרציפים.
2. החל מסנן בגובה 0.1 Hz על הנתונים הרציפים באמצעות ארגז הכלים של שדות ' טיול¹⁷ פונקציה ft_preprocessing.
   הערה: כל הפונקציות שדווחו לאחר מכן בקידומת ' ft_ ' מהווים חלק מארגז הכלים ' מסע בשדות '.
3. פלח את נתוני ה-שמג על-ידי חילוץ השניה שלפני הצגת הגירוי בכל ניסוי.
4. הקצה את האפוקסי האלה לתווית של ' פנים ' או ' אגרטל ' בהתאם לתגובות ההתנהגות של המשתתפים בכל משפט.
5. בדוק באופן חזותי מבחנים וערוצים כדי לזהות ולהסיר את המראה העולה מעל רעש או חפצים, ללא קשר לאופי הפריטים, באמצעות ft_rejectvisual.
6. דחה מבחנים וערוצים עם z-ציונים מעל 3 על ידי לחיצה על zscore ובחירת מבחנים וערוצים עולה על הערך של 3 או מבחנים עם עודף שונות על ידי הסרת outliers מראה לאחר לחיצה על var. בדוק את אות מג עבור כל המבחנים לפני או אחרי הליך זה.

7. שחזור מקור

1. כלול את שני סוגי הניסיון לבצע את לוקליזציה המקור כדי לקבל שונות נפוצה מוגבלת ליניארי מוגבל¹² מסננים מרחביים בהליך beamforming מיושם בשדה השדה.
2. פס-מעבר מסנן את נתוני הנתונים לתדרי הריבית, במקרה זה בין 1 ל-40 Hz.
3. בחר את זמן הריבית כדי לחשב את מטריצת השונות המשותפת, במקרה זה את תקופת הגירוי השנייה השניה.
   הערה: מקטעי הנתונים המתקבלים (שנבחרו בין -1 ל-0 ו-1 עד 40 Hz) משמשים בכל השלבים הבאים המחייבים קלט נתונים.
4. פלח את המוח ואת הקרקפת מתוך תמונות MR מבניים בודדים עם ft_volumesegment. אם אינו זמין, השתמש ב-T1 רגיל (מתוך ארגז הכלים של המיפוי הפרמטרי הסטטיסטי [SPM]) מכון מונטריאול לנוירולוגיה (MNI, מונטריאול, קוויבק, קנדה) במקום זאת.
5. צור עבור כל משתתף מודל ריאליסטי הראש פגז יחיד באמצעות ft_prepare_headmodel.
6. על תמונות MR בודדים, לאתר את ציוני fiducial על ידי לחיצה על המיקום שלהם על התמונה כדי ליזום שיתוף הרישום גס עם ft_volumerealign.
7. יישר את צורת הראש נקודות עם הקרקפת עבור רישום משותף עדין יותר.
8. הכנת רשת תלת-ממד בודדת ברזולוציה של 1.5 ס מ בהתבסס על המוח תבנית MNI שורכה לתוך נפח המוח של כל משתתף עם ft_prepare_sourcemodel.
9. חשב את הדגם הקדמי עבור ערוצי מג ומיקומי הרשת עם ft_prepare_leadfield. השתמש בfixedori של התצורה כדי לחשב את שדה ההפניה עבור כיוון הדפסה אופטימלי אחד בלבד.
10. חשב את מטריצת השונות המשותפת של כל ניסוי והממוצע אותה בכל המבחנים.
11. חשב את המסננים המרחביים באמצעות הדגם הקדמי ומטריצת השונות המשותפת הממוצעת עם ft_sourceanalysis.
12. הכפל את האות ברמת החיישן למסנני ה-, כדי לקבל את סידרת הזמן עבור כל מיקום מקור ברשת ועבור כל ניסוי.

8. לנתח כח גירוי מקדים באזור העניין

1. הגדר אזור מעניין (ROI), לדוגמה מהספרות הקודמת¹⁸ (כאן כישורי אזור הפנים [ffa]; MNI קואורדינטות: [28 -64 -4] mm).
2. יחיד החוצה את החיישן הווירטואלי המתאים להחזר התשואה, באמצעות ft_selectdata.
3. לפצל מבחנים הפנים והאגרטל באמצעות ft_selectdata.
4. בצע ניתוח תדירות על ההחזר, בנפרד על הנתונים משני סוגי הניסיון, באמצעות ft_freqanalysis.
5. הגדר את אפשרות השיטה כדי mtmfft לבצע התמרת פורייה מהירה.
6. הגדר את האפשרות להתחדד כדי נינג להשתמש בפונקציה נינג להתחדד.
7. הגדר את תדרי הריבית מ-1 Hz עד 40 Hz.
8. הגדר את אפשרות הפלט כדי pow כדי לחלץ ערכי כוח מן הקומפלקס פורייה ספקטרום.
9. חזור על ההליך עבור כל משתתף לפני חישוב ממוצע הספקטרום של המשתתפים והתוויית ערכי הכוח המתקבלים בממוצע כפונקציה של תדרי הריבית.

9. ניתוח מקדם גירוי בין אזורי עניין

1. הגדר אחד (או יותר) ROI שבו שיערו הקודם שנבחר משרוי להיות מחובר, למשל מתוך ספרות קודמות¹⁸ (כאן V1; MNI קואורדינטות: [12 -88 0]).
2. חזור על שלבים 8.2 ו-8.3.
3. לבצע ניתוח תדר זמן על שני ROIs (מיוצגים כ 2 ערוצים או ' חיישנים וירטואליים ' בתוך מבנה נתונים זהה), בנפרד על הנתונים משני סוגי הניסוי, באמצעות ft_freqanalysis.
4. הגדר את השיטה ל- mtmconvol כדי ליישם שינוי תדר זמן רב להתחדד בהתבסס על כפל בתחום התדר.
5. הגדר את האפשרות להתחדד כדי dpss כדי להשתמש ברצף מערכת בנפרד רצפים הפונקציה להתחדד.
6. הגדר את תדרי הריבית מ-8 הרץ עד 13 Hz.
7. הגדר את רוחב חלון הזמן ל-200 אלפיות הראשונה ולפרמטר ההחלקה ל-4 Hz.
8. הגדר את האפשרות ' המשך במשפטים ' ככן כדי להחזיר את האומדנים של תדירות הזמן של הנסיונות היחידים.
9. הגדר את הפלט לפורייה כדי להחזיר את ספקטרום פורייה מורכב.
10. בצע ניתוח קישוריות על נתוני תדירות הזמן המתקבלת באמצעות ft_connectivityanalysis.
11. הגדר את השיטה ל- coh ולשדה המורכב ל- imag כדי להחזיר את החלק הדמיוני של קוהרנטיות¹⁹.
12. חזור על ההליך עבור כל משתתף לפני חישוב ממוצע של ספקטרום קוהרנטיות על פני תדרים ומשתתפים והתוויית הערכים שנוצרו בממוצע ובהתאם לערכי הקוהרנטיות הדמיוניים כפונקציה של זמן.

10. מבחינה סטטיסטית השוואת הפנים ו אגרטל הגירוי מראש או ספקטרום קוהרנטיות

1. לשלב את הכוח הקדם גירוי או נתונים קוהרנטיות מכל נושא, בתוך כל אחד 2 התנאים, לתוך משתנה אחד Matlab באמצעות ft_freqgrandaverage עם האפשרות משך כל להגדיר ככן.
2. ביצוע תמורה מבוססת אשכולות²⁰ השוואת 2 המשתנים המתקבלים באמצעות ft_freqstatistics.
3. הגדר את אפשרות השיטה ל- motecarlo.
4. הגדר את אפשרות התדירות ל-[8 13] והגדר avמfreq ככן.
5. הגדר ברדק אלפא ל 0.05 וקבע מתקן לאלפא.
6. הגדר את האפשרות הסטטיסטית ל- ft_statfun_depsamplesT.
7. צור מטריצת עיצוב עם שורה ראשונה של 20 אלה ולאחריה 20 זוגות, ושורה שנייה של מספרים רצופים מ-1 עד 20 חוזרות ונשנות פעמיים. העבר מטריצת עיצוב זו לאפשרות העיצוב.
   הערה: מטריצת העיצוב מחולקת בבלוקים של 20 מכיוון שהנתונים נאספו מ-20 משתתפים.
8. הגדר את האפשרות איוור ל-1 ולאפשרות uvar ל-2.

תוצאות

הצגנו את אשליית הפנים/האגרטל של רובין למשתתפים לזמן קצר ושוב וביקשו מהמשתתפים לדווח על שלהם (פנים או אגרטל?) לאחר כל ניסוי (איור 1). לפני כל ניסוי היה לפניו לפחות 1 s מסך ריק (עם קיבוע קיבעון); זה היה המרווח הטרום גירוי של ריבית.

שאלנו אם מניע מקדים את כוח הגירוי באזורי עניין או בקישוריות קדם-גירוי בין אזורי הריבית השפיעו על הדוח התפיסתי של הגירוי הרב-משמעי המתקרב. לכן, כצעד ראשון, הקרינו את הנתונים שלנו למרחב המקור כך שנוכל לחלץ אותות מהrois הרלוונטיים.

בהתבסס על הספרות הקודמות חוקר פנים והתפיסה האובייקט עם שני²¹ דו-משמעיים²² חד משמעית, קבענו FFA להיות התשואה שלנו. לאחר מכן ניתחנו את התדר נמוך (1-40 Hz) מרכיבים ספקטרלי של האות FFA מקור ובניגוד האומדנים ספקטרלי ממבחנים שדווחו כמו ' פנים ' עם אלה מתוך מבחנים שדווחו ' אגרטל '. בדיקה מבוססת אשכול, באשכולות על התדרים 1-40 Hz, כוח ספקטרלי מנוגד בניסויים שבהם אנשים דיווחו על הפנים לעומת אגרטל, לא חשף הבדלים משמעותיים בין שני סוגי הניסיון. עם זאת, descriptively, ספקטרום הכוח הראה את הפסגה הצפויה של פס אלפא בטווח של 8-13 Hz, ובמידה פחותה יותר להקות ביתא בטווח של 13-25 הרץ (איור 2).

לאחר שלא מצא הבדלים בכוח ספקטרלי טרום גירוי, אנו חקרו בשלב הבא אם היו הבדלים בקישוריות טרום גירוי בין סוגי הניסיון. בנוסף FFA, קבענו V1 להיות ההחזר השני שלנו בשל מעורבות בכל מקום בחזון. בהתבסס על תוצאות ניתוח הכוח, קבענו את התדרים 8-13 Hz להיות תדרי העניין שלנו. מצאנו את החלק הדמיוני של הזמן והתדר של הקוהרנטיות בין שני ROIs שלנו, בנפרד עבור משפטי פנים ואגרטל, ובממוצע את התוצאה על תדרי הריבית. מידה זו משקפת את סנכרון של השלב הנדנוד בין אזורי המוח ובקרות שמרנית נגד השפעות ההולכה של עוצמת הקול במקורות משוחזר של מג¹⁹, אז זה היה שיטת הבחירה להערכת צימוד פונקציונלי. בדיקה מבוססת אשכול, באשכולות על הזמן-נקודות -1 עד 0 s, מנוגדים קוהרנטיות דמיוני בין V1 ו-FFA בניסויים שבהם אנשים דיווחו על הפנים לעומת אגרטל, חשף כי בניסויים בפנים היה חזק יותר לקדם גירוי קישוריות לעומת מבחנים אגרטל, סביב 700 ms לפני גירוי התפרצות (איור 3).

איור 1 : מבנה ניסיון לדוגמה ונתונים גולמיים. הפאנל התחתון: המשפט מתחיל עם התצוגה של צלב הקיבעון. לאחר 1 עד 1.8 s, גירוי רובין מופיע עבור 150 ms ואחריו מסכה עבור 200 ms. מסך התגובה ולאחר מכן מופיע כדי להנחות את המשתתפים להגיב עם ' פנים ' או ' אגרטל '. הפאנל העליון: נתונים גולמיים מרובי ערוצים ממשתתף לדוגמה, זמן נעול לגירוי בממוצע וממוצעים על פני מבחנים. זהו סכימטי להדגיש את הנתונים בחלון ניתוח טרום הגירוי (-1 עד 0 s; מודגש בוורוד), אשר יהיה מרווח היעד לניתוח. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור 2 : כוח ספקטרלי ב FFA. הערכות כוח ספקטרליות ממקור מקומי מאותת FFA על הפנים ומבחנים אגרטל. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור 3 : קישוריות בין V1 ו-FFA. חלק דמיוני של קוהרנטיות בין מקור-מקומי ואותות FFA על הפנים ומבחנים אגרטל, בטווח תדירות של 8-13 Hz. אזורים מוצללים מייצגים את השגיאה הסטנדרטית של הממוצע עבור עיצובים בתוך הנושאים²³. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

Discussion

הצגת גירוי ייחודי אשר ניתן לפרש כיותר מאשר אובייקט אחד לאורך זמן, אבל כאובייקט אחד בלבד בכל זמן נתון, מאפשר לחקור תופעות טרום גירוי על תפיסת האובייקט. בדרך זו ניתן לקשר מצבי המוח מראש גירוי לדוחות סובייקטיבית של האובייקטים נתפס. בקביעת מעבדה, תמונות רב-משמעיות שניתן לפרש באחת משתי דרכים, כגון אשליית האגרטל של רובין, מספקות מקרה אופטימלי המאפשר לניגודים ברורים של פעילות מוחית בין שני סוגי ניסיון: אלה הנתפסים בדרך אחת (למשל, ' פנים ' ) ואלה שנתפסו בדרך האחרת (למשל, ' אגרטל ').

הצגת גירויים אלה בקצרה (< 200 אלפיות השניה) מבטיחה שאנשים יראו ולאחר מכן ידווחו רק על אחת משתי הפרשנויות האפשריות של הגירוי במשפט נתון. איזון נגדי (לסירוגין באופן אקראי) בין האגרטל השחור/הפנים הלבנות והאגרטל הלבן/הפנים השחורות של הגירוי על פני המשתתפים מקטין את ההשפעה של תכונות גירוי ברמה נמוכה בניתוח הבא. הצגת מסכה מיד לאחר הגירוי מונע לאחר-תמונות מתגובות המשתתפים ויוצרים. מכיוון שניתוח התקופה לאחר הגירוי אינו מעניין, אין צורך בהתאמה בין תכונות בתדר נמוך של הגירוי והמסיכה. לבסוף, לסירוגין את לחצני התגובה על פני המשתתפים (למשל, שמאלה לאגרטל, הזכות לפנים, או להיפך) מונע פעילות בשל הכנת המנוע מתוך פקטורינג אל הניגודים.

בהינתן הרזולוציה אלפית שניה של מג, מרווח טרום גירוי של קצר כמו 1 s מספיק כדי להעריך את האמצעים כגון כוח ספקטרלי וקישוריות. בהתחשב במשך הזמן הקצר של כל משפט שהתקבל, מספר גדול של מבחנים ניתן לאכלס בפגישה ניסיונית, להבטיח יחס האות לרעש גבוה כאשר ממוצע אותות מג על פני מבחנים.

אזורי עניין תלויי-קטגוריה ספציפיים הוכחו כפעילים במהלך תפיסת האובייקט^24,25. לדוגמה, מדווחים על FFA רבות כמעורבות בתפיסת הפנים²². כדי לחקור את ההשפעות של פעילות נמדדת הנובעת ממקורות ספציפיים, ניתן לשחזר נתונים מג בנייה ממקור. כדי לחקור את הקישוריות בין מקורות, שחזור המקור הוא הכרחי. כדי להקל על ניתוח נתוני המקור, ניתן לייצג נתונים ברמת מקור בעלת ניסיון בודד באמצעות ' חיישנים וירטואליים '. ייצוג הנתונים בדרך זו מאפשר לבצע ניתוח של נתוני מקור בעלי ניסיון בודד בדיוק באותו אופן בשטח המקור ובמרחב החיישנים (כלומר, באמצעות אותן פונקציות ניתוח, לדוגמה באמצעות ארגז הכלים של השדות). הדבר מאפשר לבחון השערות בנוגע לפעילות של אזורי אינטרסים שצוינו באופן ישיר.

בעוד מניע הגירוי מראש הוכח להשפיע על זיהוי גירוי בקרבת סף תפיסתי (נתפסת לעומת לא נתפס), בין אם הוא משפיע על התוכן של מה שנראה ידוע פחות. כאן אנחנו בניגוד כוח הגירוי מראש ב FFA בין מבחנים שבהם אנשים דיווחו על הפנים לעומת אגרטל, ולא מצאו הבדלים סטטיסטיים. לאחר מכן בדקנו אם הקישוריות בין V1 ו-FFA ההשפעות העתידיות של הדוח התפיסתי העתידיים, ומצא כי משפטי הפנים לפניהם הקישוריות משופרת בין V1 ו FFA בטווח תדר אלפא סביב 700 ms לפני התפרצות גירוי. כי לא מצאנו השפעה בכוח אלפא, אלא בקישוריות בלהקה אלפא, מציע כי בעוד כוח אלפא הגירוי מראש עשוי להשפיע על זיהוי גירוי^7,8, זה לא בהכרח להשפיע על סיווג אובייקטים. לפיכך, התוצאות שלנו מראות שלשם הבנה מלאה יותר של הדינמיקה המוחלטת לפני תפיסת האובייקט והשפעתם הבאה על תפיסת האובייקט, פשוט לנתח את הכוח הנדנוד באזורים של עניין אינו מספיק. במקום זאת, יש לקחת בחשבון את הקישוריות בין תחומי הריבית, כאשר התנודות המתמשכות בחוזק החיבורים הללו מאפשרות להטיה של התפיסה הבאה¹⁸. לבסוף, למרות הרזולוציה המרחבית הפחות מאופטימלית של מג, הפרוטוקול שלנו מוכיח שניתן לזהות בבירור אזורים מעניינים ולחקור את מערכות היחסים שלהם. מג יכול להחליף אלקטרונצלוגרפיה (EEG) משום שהוא מציע רזולוציה מרחבית מעולה, והוא יכול להחליף את ה-MRI פונקציה משום שהוא מציע ברזולוציה הטמפורלית מעולה. לכן, מג בשילוב עם שחזור המקור מתאים באופן אידיאלי לחקור תהליכים עצביים מהירה ומקומית.

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