JoVE Logo
Autori
Contattaci

Accedi

In questo articolo

  • Riepilogo
  • Abstract
  • Introduzione
  • Protocollo
  • Risultati
  • Discussione
  • Divulgazioni
  • Riconoscimenti
  • Materiali
  • Riferimenti
  • Ristampe e Autorizzazioni

Riepilogo

La capacità di indurre e/o controllo di plasticità neurale può essere critica nei futuri trattamenti per i disturbi neurologici e il recupero dal trauma cranico. In questa carta, presentiamo un protocollo sull'uso del neurofeedback training con risonanza magnetica funzionale per modulare la funzione del cervello umano.

Abstract

Disordini neurologici sono caratterizzati da anormale cellular-, molecolare-e a livello di circuito funzioni nel cervello. Nuovi metodi per indurre e controllare processi neuroplastici e corretta funzione anormale o funzioni MAIUSC anche dai tessuti danneggiati a regioni cerebrali fisiologicamente sana, tengono il potenziale per migliorare notevolmente la salute generale. Degli interventi neuroplastico corrente in fase di sviluppo, formazione di neurofeedback (NFT) da risonanza magnetica funzionale (fMRI) ha i vantaggi di essere completamente non-invasiva, non farmacologica e spazialmente localizzato al cervello di destinazione regioni, oltre ad non avere nessun effetto collaterale. Inoltre, tecniche di NFT, inizialmente sviluppati usando fMRI, spesso possono essere tradotto in esercizi che possono essere effettuati di fuori lo scanner senza l'ausilio di professionisti del settore medicali o sofisticate apparecchiature mediche. In fMRI NFT, il segnale fMRI è misurato da regioni specifiche del cervello, elaborato e presentato al partecipante in tempo reale. Attraverso la formazione, tecniche di elaborazione mentale auto-diretto, che regolano questo segnale e le sue componenti neurophysiologic sottostante, sono sviluppate. FMRI NFT è stato utilizzato per addestrare volitivo controllo su una vasta gamma di regioni del cervello con implicazioni per diversi sistemi cognitivi, comportamentali e motori. Inoltre, fMRI NFT ha indicato la promessa in una vasta gamma di applicazioni quali il trattamento dei disordini neurologici e l'aumento delle prestazioni umane di riferimento. In questo articolo, presentiamo un protocollo NFT fMRI sviluppato alla nostra istituzione per modulazione di entrambi sani e funzione anormale del cervello, nonché esempi di utilizzo del metodo di destinazione sia cognitive e uditive regioni del cervello.

Introduzione

Disordini neurologici presentano impedimenti principali su individui affetti, loro famiglie e la società. Trattamenti per i disturbi neurologici possono essere inesistenti o di efficacia discutibile e destinazione spesso solo i sintomi del disturbo. Tale è il caso per il tinnito – il fantasma percezione del suono – che non è un trattamento approvato per l'US Food and Drug Administration (FDA). Acufene può avere un profondo impatto sulla vita di una persona, interferendo con le attività quotidiane diminuendo la concentrazione o alterando la percezione del suono reale. Inoltre, gli individui affetti da tinnito possono verificarsi anche affaticamento, stress, problemi di sonno, problemi di memoria, depressione, ansia e irritabilità1. Le terapie che esistono, come antidepressivi e farmaci ansiolitici, solo aiutano a gestire i sintomi associati e non possono trattare la causa sottostante. Questo crea una lacuna critica per trattamenti innovativi di questi disordini.

Miglioramenti nelle tecniche di acquisizione, potenza computazionale e algoritmi hanno rivoluzionato la velocità con cui possono essere misurati ed elaborati dati funzionali di formazione immagine a risonanza magnetica (fMRI). Questo ha permesso l'avvento di fMRI in tempo reale, dove i dati possono essere trattati come sono stati raccolti. Le prime applicazioni di fMRI in tempo reale erano limitate2, principalmente inibita dall'incapacità di completare rapidamente i passaggi di pre-elaborazione tipici di analisi non in linea come la correzione dei movimenti. Miglioramenti nella tecnologia e algoritmi di calcolo ora hanno aumentato la velocità, la sensibilità e la versatilità di fMRI in tempo reale3 che consente di pre-elaborazione simile non in linea essere applicati in tempo reale. Questi sviluppi hanno portato a 4 domini applicazione primaria di fMRI in tempo reale: guida chirurgica intraoperatoria4, cervello-computer interfacce5,6, adattando gli stimoli per cervello corrente dichiara7, e neurofeedback formazione8.

NFT, anche se non il fuoco originale di fMRI in tempo reale, è un campo crescente della ricerca dove gli individui imparano a modulare l'attività di cervello volitionally attraverso l'attuazione di strategie mentali (cioè immaginato compiti). NFT è una forma di condizionamento9, che ha dimostrato di aumentare i tassi di infornamento di un neurone e l'attività neuronale in scimmie10. Inoltre, la fMRI NFT è stato associato con plasticità di temporizzazione-dipendente di spike, che sono cambiamenti neurali che si verificano durante l'apprendimento associativo11. Ulteriori implicazioni suggeriscono fMRI che NFT induce plasticità tramite potenziamento a lungo termine (LTP), con conseguente maggiore efficienza sinaptica12. Un altro Postulazione implica meccanismi cellulari di abilità di apprendimento, ad esempio volitiva controllo sulle attività del cervello e può comportare cambiamenti di conduttanza di membrana voltaggio-dipendenti - espresso come un cambiamento di eccitabilità neurale13. In ogni caso, sembra che la fMRI NFT influenza il cervello a livello neurale. Queste teorie forniscono un caso forte per l'uso della RMF NFT nel trattamento dei disordini neurologici.

FMRI NFT, a differenza dei tradizionali fMRI, offre la possibilità di indagare il rapporto tra attività cerebrale e comportamento11,14. Recentemente, c'è stato spike negli studi fMRI che coinvolgono NFT con quasi due volte altretanti articoli pubblicati nel 2011-2012 (n = 30) rispetto ai precedenti 10 anni (n = 16)11. Uno dei primi studi fMRI NFT è stato condotto da Weiskopf e colleghi nel 20038. Questo studio ha dimostrato con successo la fattibilità di feedback on-line e auto-regolazione del segnale fMRI nella corteccia cingolata anteriore (ACC), utilizzando uno dei partecipanti. Feedback è stato visualizzato con un ritardo di circa due secondi, più che un ordine di grandezza più veloce rispetto i pochi studi precedenti. Il primo studio completo è stato condotto nel 2004 dove 6 partecipanti imparato a controllare l'attività della corteccia somatomotoria15. FMRI NFT è stato completato in 3 sessioni eseguite lo stesso giorno. Spazialmente selettivo alla regione di destinazione nella corteccia somatomotoria attività aumentata è stata osservata attraverso il corso di formazione a livello di singolo-oggetto e di gruppo. Questo effetto non è stato osservato per il gruppo di controllo che ha ricevuto informazioni di fMRI reale da una regione di sfondo (non correlata con l'attività da eseguire) precedentemente in fuga. I ricercatori da allora hanno indicato che gli esseri umani possono imparare volitiva controllo sopra il segnale fMRI misurato da numerose regioni del cervello, tra cui l'ACC16, amigdala17, insula anteriore18,19, uditivi e attenzione relative reti20, rostrolateral bilaterale corteccia prefrontale21, corteccia prefrontale dorsolaterale12,22,23, motore cortecce24, 25,26,27,28, corteccia uditiva primaria29,30, regioni associate emotivo rete regioni31,32 , giro frontale inferiore di destra33e cortecce visive34,35.

I meccanismi di fondo di molti disordini neurologici sono sconosciuti. Nell'esempio del tinnito, non c'è nessuna fonte evidente per il suono fantasma nella maggioranza dei casi36,37,38. Nonostante questo, la prova suggerisce che un meccanismo centrale può essere responsabile per la percezione del tinnito in alcuni individui, come dimostrato dalla mancanza di risoluzione di sintomo dopo dissezione completa del nervo uditivo39. Iperattività associata con il tinnito è stato trovato in corteccia uditiva primaria40,41,42. Più ulteriormente la prova suggerisce che gli effetti del tinnito estendono ulteriormente in aree coinvolte nell'elaborazione delle emozioni e dell'attenzione di stato43. Basato su queste anomalie, paradigmi NFT fMRI possono essere sviluppati per indurre e meccanismi neuroplastici che incoraggiano modelli neurali normali di controllo.

Protocollo

il seguente protocollo NFT fMRI è conforme alle linee guida fornite da Wright State University Institutional Review Board.

1. gruppi di controllo

  1. considerare con attenzione e determinare i gruppi di controllo a priori. Progettazione di gruppi di controllo per consentire il hypothesis(es) deve essere valutata e per tenere conto di effetti da ulteriori fattori come pratica o aspettative create dal feedback Visualizza 44.

2. Configurazione hardware

  1. preparare tutto l'hardware prima che il partecipante entra nella stanza di MRI utilizzando le stesse procedure come tradizionale fMRI.
  2. Collegare il sistema di dispositivo di visualizzazione e risposta Sig.-compatibili al stimolo computer (PC).
  3. Route cablaggio per i dispositivi di risposta Sig.-compatibili e foro cuffie attraverso o intorno il MRI.
  4. Collegare l'uscita di TR-grilletto da MRI allo stimolo PC.
    Nota: In alcune configurazioni, questo può essere collegato all'hardware del dispositivo di risposta RM-compatibili, che quindi si connette al computer di stimolo. Questo è un imperativo per l'acquisizione di dati e di stimoli di sincronizzazione.
  5. Posizione del sig.-compatibili visualizzare in modo che sarà visibile al partecipante attraverso lo specchio (deve essere) apposto alla bobina testa.

3. Posizionamento partecipante

Nota: il partecipante deve essere posizionato sul tavolo dello scanner in modo simile ad un tipico cervello MRI e nello stesso modo come tradizionale fMRI.

  1. Hanno la bugia partecipante verso il basso in posizione supina sul tavolo dello scanner. Chiedere loro di mantenere la loro testa all'interno della bobina testa.
  2. Inserire la cuffia sul partecipante ' s testa e garantire le orecchie sono coperte. Se sia necessaria una protezione ulteriore udienza, inserire i tappi per le orecchie prima del posizionamento della testa telefoni.
  3. Mettere un cuscinetto sotto il partecipante ' ginocchia di s per un maggiore comfort.
  4. Innestare la parte superiore del corpo della bobina testa.
  5. Apporre lo specchio alla bobina testa.
  6. i dispositivi di risposta di posizione nel partecipante ' mani di s.
  7. Punto di riferimento la posizione del partecipante ' nasion s relativo scanner.
  8. Spostare il percorso monumentale al centro del MRI alesaggio.
  9. Conferma che il partecipante può visualizzare l'intero display utilizzando lo specchio. Chiedere il partecipante per regolare lo specchietto come necessario.

4. Localizzazione della regione di destinazione

  1. eseguire un " funzionale " localizzatore. Utilizzare l'attività di cervello da localizzatore funzionale per definire la destinazione della regione di interesse (ROI) 11.
    Nota: Questa corsa viene eseguita in modo simile al tradizionale fMRI. Tuttavia, la destinazione ROI possono anche essere definite utilizzando anatomia individuale o standardizzata atlanti eliminando la necessità di eseguire un localizzatore funzionale.
    1. Attività di script e/o visivo di fornire istruzioni per il partecipante.
      Nota: Queste istruzioni dovrebbero essere conciso ma contengono informazioni sufficienti per consentire al partecipante di eseguire correttamente il compito eseguito durante il localizzatore funzionale. Qui, le istruzioni informano il partecipante che un punto sarà sullo schermo e si possono sentire i suoni in cuffia. Il loro obiettivo è quello di rilassarsi e concentrarsi sul puntino.
    2. Begin sincronizzato la somministrazione di stimoli acustici (ad es., bilaterale continuo rumore bianco 29) e acquisizione dati premendo il " Scan " dello scanner di MR.
      Nota: Questo è affidato la presentazione degli stimoli utilizzando il grilletto TR dall'acquisizione fMRI di programmazione. Il trigger di TR è controllato tramite il protocollo fMRI tuttavia questa può essere influenzata dal produttore del MRI e i pacchetti installati. Qualsiasi stimoli visivo, tattili e/o uditivi possono essere forniti per eseguire altre attività e/o di altre regioni di destinazione.
      1. Alternate la consegna degli stimoli del compito (rumore bianco) con abbinati di controllo stimoli (nessun rumore) in un modello bloccato. Utilizzare controllo stimoli per attivare indesiderati reti/sistemi attivati negli stimoli attività.
        Nota: Questa alternanza si verifica la sincronizzazione di stimoli per l'acquisizione di fMRI e monitorando gli impulsi TR.
      2. Raccogliere immagini planari del intero-cervello eco utilizzando una sequenza di impulsi di pendenza-ha ricordato-eco MRI; parametri di esempio per la sequenza di impulso includono una matrice di acquisizione di elementi di 64 x 64 in direzione fase e frequenza, 41 fette parallelo stati allineati per il aereo di Commissura posteriore commissure anteriore, 3.75 x 3.75 x 3 dimensione del voxel di 3 mm, 0.5 mm fetta gap, grasse di soppressione abilitato, TR/TE = 2.000/20 ms e un angolo di vibrazione = 90 °.
  2. Calcolo di una mappa di attivazione dai dati fMRI raccolti durante il localizzatore funzionale utilizzando statistica multivariata.
    Nota: I passaggi seguenti sono una variante di elaborazione eseguita per fMRI tradizionale. Alcuni passaggi sono stati rimossi o semplificate per ridurre i tempi di elaborazione.
    1. Pre-elabora i dati durante l'acquisizione dei dati tramite software personalizzato creato da standard di pre-elaborazione tecniche 12 , 45.
      1. Eseguire 3D spaziale filtro utilizzando un kernel gaussiano di passa-basso (interi mezzo massimo di 4,5 mm).
      2. Corretto per moto translatorio allineando il centro di massa per ogni volume al primo volume del localizzatore funzionale tramite interpolazione tri-lineare.
      3. Eseguire il filtraggio temporale utilizzando un kernel gaussiano di passa-basso con σ = 3 s.
    2. Creare un modello per prevedere la risposta neurofisiologica al compito; questa operazione viene eseguita nello stesso modo come fMRI tradizionale.
      1. Creare un modello psicologico che descrive l'attivo e riposare gli Stati per ogni tempo punto 46. Modella i punti di tempo durante l'attività con un valore di ' 1 ' e controllare con un ' 0 '.
      2. Condensa il modello psicologico con una funzione di risposta emodinamica (HRF) predefiniti 46 per predire la fMRI (neurofisiologici) risposta all'attività.
    3. Fit i dati fMRI a ciascun voxel come funzione del tempo al modello neurofisiologico utilizzando un modello lineare generale (GLM). Ciò si traduce in una mappa di parametro β, che viene convertita in t - o z-mappe di statistica (mappe di attivazione) utilizzando le trasformazioni di statistiche standard.
  3. Usa la mappa di attivazione sovrapposta un'immagine media fMRI per determinare la regione in cui il segnale di feedback per il neurofeedback successive sarà derivato.
    Nota: Questa è eseguita utilizzando software personalizzato. Per rimuovere le modifiche globali e aspecifiche, un ROI secondo anche può essere definito.
    1. Navigate attraverso le fette utilizzando la rotellina di scorrimento del mouse o la barra di scorrimento fetta per trovare marcatori anatomici visibili nella fDati di MRI come la superficie inferiore del corno frontale dei ventricoli laterali 12.
    2. Soglia della mappa di attivazione utilizzando la barra di scorrimento soglia per rivelare i voxel più robustamente attivato durante il localizzatore funzionale della regione di destinazione.
      1. Eseguire questo selezionando una soglia a priori o regolando manualmente la soglia di.
    3. Utilizzare il pulsante sinistro del mouse per selezionare singoli voxel con attivazione sopra la soglia selezionata e all'interno della regione di destinazione da aggiungere al ROI.
      Nota: Voxel possono essere selezionati da una o più sezioni.

5. fMRI NFT

  1. condotta neurofeedback viene eseguito utilizzando un modello di boxcar con alternanza di condizioni di attività e di controllo. Condizione di
    1. implementare un'attività dove i partecipanti alzare o abbassare l'attività della regione di destinazione, con la direzione del controllo è fondamentale per raggiungere i risultati desiderati.
      Nota: per esempio, molte regioni del cervello sono iperattivi in pazienti con il tinnito e, di conseguenza, diminuire attività possono incoraggiare modelli neurali normali.
    2. La condizione di attività con una condizione di controllo dove i partecipanti ritorno attività di riposo rilassante e deselezionando la loro mente si alternano.
    3. Fornire il partecipante con un esempio script di mindfulness attività da usarsi durante entrambe le circostanze come sussidi per modulare l'attività del cervello verso gli stati desiderati di partenza. Indicare al partecipante di eseguire attività di consapevolezza tale attività cerebrale in auto verso gli stati desiderati.
      1. Nell'esempio tinnito, istruire i partecipanti per distogliere l'attenzione dal sistema uditivo ad altri sistemi sensoriali per ridurre l'attività uditiva.
    4. Calcolo baseline
      Nota: a causa di ottimizzazione dei componenti hardware MRI prima di ogni esecuzione, linee di base vengono utilizzati per normalizzare i dati prima della presentazione di feedback al partecipante. La media della linea di base è determinata per la regione di destinazione utilizzando una media di uno o più volumi acquisito all'inizio di ogni fMRI NFT eseguire 12 , 47.
      1. Istruire il partecipante per rilassarsi durante un conto alla rovescia presentato all'inizio della scansione.
  2. Begin sincronizzato di acquisizione di dati e presentazione di stimoli premendo il " scansione " sullo scanner MRI. Raccogliere immagini planari eco utilizzando una sequenza di impulsi di MRI gradient-echo-ha ricordato nello stesso modo come prescritto per il localizzatore funzionale al punto 4.1.2.
  3. Acquisire volumi di base.
    1. Presentare visivamente un timer conto alla rovescia e feedback in bianco display.
    2. Elaborare i dati durante l'acquisizione utilizzando software personalizzato.
      1. Eseguire 3D spaziale filtro utilizzando un kernel gaussiano di passa-basso (interi mezzo massimo di 4,5 mm).
      2. Correggere per moto translatorio utilizzando il centro di massa per ciascun volume; ogni volume è registrato per il primo volume di localizzatore funzionale tramite interpolazione tri-lineare.
      3. Calcolo media del segnale dal target ROI attraverso tempo e spazio.
      4. Sum i segnali da tutti i voxels all'interno della destinazione ROI in ogni volume.
      5. Media ROI di creare per ogni volume dividendo la somma per il numero di voxel nel ROI.
      6. Media delle somme dai volumi di base.
  4. Acquisire volumi di neurofeedback
    1. pre-elaborare i dati durante l'acquisizione utilizzando software personalizzato.
      1. Eseguire 3D spaziale filtro utilizzando un kernel gaussiano di passa-basso (interi mezzo massimo di 4,5 mm).
      2. Corretto per moto translatorio allineando il centro di massa per ogni volume al primo volume del localizzatore funzionale tramite interpolazione tri-lineare.
    2. Calcolare il segnale di feedback. Un segnale di retroazione è derivato da ogni volume acquisite durante fMRI NFT. Si tratta di informazioni che viene presentate al partecipante di aiuto apprendimento controllo volitional.
      1. Media il segnale fMRI da tutti i voxels all'interno della destinazione ROI per creare un singolo valore.
      2. Calcolare la variazione percentuale tra la corrente media ROI e la media della linea di base ROI. Facoltativamente, questo segnale può essere ridimensionato di un fattore dipenda sul partecipante ' prestazioni s.
      3. Calcolare il segnale di feedback filtrando temporaneamente (kernel gaussiano di passa-basso con un sigma di 3 s costituito solo passato componenti) la percentuale di corrente cambiare con i segnali di retroazione da precedenti volumi di neurofeedback.
    3. Visualizzare il segnale di feedback. Segnale
      1. display la retroazione di corrente attraverso una trama di barra di termometro-stile, dove l'altezza della barra è proporzionale al feedback valore 18 , 19 , 21 , 34.
      2. Istruzioni di sovrapposizione per il partecipante al feedback display.
        Nota: Queste istruzioni sono semplici e dovrebbe dirigere il partecipante per rilassarsi, o alzare o abbassare di attività (cioè la barra di termometro).
    4. Facoltativamente fornire ulteriori stimoli. Ulteriore stimolazione visiva, uditiva o tattile può essere presentata in concomitanza con feedback.

6. Valutare la capacità di auto-regolare la destinazione ROI.

Nota: al termine del neurofeedback, la capacità di auto-regolare la regione di destinazione per ogni esecuzione di formazione deve essere quantificato.

  1. Variazioni intra-soggetti analizza il feedback segnali 12.
    1. Crea un modello psicologico che rappresentano le condizioni di riposo e attività di neurofeedback.
      Nota: Questo modello è convoluzione con un HRF predefiniti per produrre un modello neurofisiologico. Il processo è identico a quello descritto per il localizzatore funzionale.
    2. In forma della serie di tempo del segnale di feedback al modello neurofisiologico utilizzando un GLM. Questo si traduce in un parametro β, che viene convertito in t - o z-statistica rappresentativo della capacità di autoregolarsi.
  2. Eseguire confronti inter-soggetti.
    Nota: Statistiche rappresentative delle prestazioni di autoregolamentazione possono essere confrontate tra piste e gruppi utilizzando appropriate analisi statistiche (ad es., accoppiato t - test o ANOVAs). Questi test valutare i cambiamenti nella capacità di auto-regolare la regione di destinazione attraverso gruppi e formazione e può essere utilizzati per valutare lo studio ' hypothesis(es) s.

Risultati

Il nostro team ha dimostrato un aumento significativo nel controllo sopra la sinistra corteccia prefrontale dorsolaterale (DLPFC) imparato da fMRI NFT in una coorte di 18 partecipanti. Un entro-oggetti One-way ANOVA è stato effettuato sui valori quantitativi di controllo volitional12. Questa analisi ha rivelato il controllo della sinistra che DLPFC è aumentato significativamente in tutto 5 x
6 turni di s min:24 di neurofeedback separati attraverso cinque sessioni separate condotte all'interno di 14 d (Figura 1; F(4,68) = 2,216, p = 0.038, sfericità presupposto, una coda). Cambiamenti nella prestazione su una prova di multitasking complesse, realizzata prima e dopo NFT, sono stati confrontati ad un gruppo che non ha ricevuto il neurofeedback utilizzando ANOVAs modello misto 2x2. Post-hoc, correzione di Bonferroni confronti ha rivelato un aumento significativo delle prestazioni su una prova di multitasking complesse che non hanno ricevuto l'addestramento supplementare (p < 0,005, una coda), e questo aumento era significativamente maggiore di un gruppo di controllo che eseguito addestramento simile ma non è stato fornito con l'ulteriore ausilio di neurofeedback (p < 0,03, sfericità presupposto, una coda)12. Nonostante il gruppo di esperimento ottenendo il controllo sopra la DLPFC sinistra attraverso formazione, un altopiano non è stato osservato. Questo significa che il massimo controllo non è necessario produrre risultati comportamentali e che ancora maggiori effetti possono essere possibili con ulteriore formazione12. Inoltre, il nostro team ha rivelato fMRI NFT combinato con n-posteriore pratica crea cambiamenti focali nell'attività cerebrale che sono limitate alla regione di destinazione e non influisce sulle componenti di up - o down-stream di rete di memoria di lavoro (Figura 2), 22.

Per quanto riguarda il tinnito, uno studio precedente ha studiato fMRI NFT come un possibile trattamento29. In questo studio, 4 x 4 min piste di neurofeedback sono stati completati in un singolo allenamento. Le valutazioni comportamentali del tinnito sono state condotte prima e dopo la sessione NFT singolo fMRI. Successo volitiva giù-regolamento della corteccia uditiva è stato raggiunto e ha condotto ad una riduzione significativa nell'attivazione uditiva. Questo studio dimostra la promessa di fMRI NFT nel trattamento del tinnito, tuttavia, solo sei partecipanti sono stati studiati e un gruppo di controllo non è stato utilizzato per il confronto. Inoltre, non sono state eseguite analisi statistiche, inclusi i dati comportamentali. Ampliare questo studio potrebbe rivelare interessanti nuove opportunità di trattamento per pazienti affetti da tinnito.

figure-results-3070
Figura 1: aumentare il controllo sulla DLPFC sinistra. Media sinistra controllo DLPFC per ogni esecuzione di neurofeedback (eseguita in giorni separati) sono indicate dai cerchi verdi chiaro. Un'analisi di regressione lineare ha rivelato un aumento significativo nel controllo attraverso formazione (linea verde scuro; β = 1.078, p < 0,033). Barre di errore rappresentano 1 SEM. Unmodified opera da Sherwood et al. 12, ristampato sotto la licenza Creative Commons Attribuzione. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-3915
Figura 2: effetto localizzato di apprendimento lasciato DLPFC controllo. (A), la probabilità di inclusione di voxel per fMRI NFT selezionato da un n-localizzatore indietro funzionale. Luce blu voxel sono stati inclusi più di frequente nella regione di destinazione NFT, voxel blu scuro sono stati inclusi meno frequentemente e voxel chiaro non sono stati inclusi. ANOVA di Voxel-based (B) risultati per l'effetto principale della sessione di allenamento (rosso-giallo). Questo effetto ha mostrato una grande sovrapposizione con la sinistra ROIs DLPFC mirati per NFT. Fette assiali vengono visualizzati nella convenzione radiologica presso le coordinate z = 22, 26, 30, 34 e 38 mm (da sinistra a destra). Lavoro non modificato da Sherwood et al. 22, ristampato sotto la licenza Creative Commons Attribuzione. Clicca qui per visualizzare una versione più grande di questa figura.

Discussione

Il protocollo NFT fMRI discusso qui può essere adattato a qualsiasi regione del cervello di destinazione e discute un monovariante, l'approccio basato sul ROI di neurofeedback. Questo può essere ottenuto localizzatore funzionale ulteriori attività per attivare altre regioni di programmazione. Incorporando queste attività nel software personalizzato neurofeedback, abbiamo sviluppato un processo molto semplice. C'è, tuttavia, una limitazione: la regione di destinazione deve essere definita in modo funzionale. In questo momento, il software che il nostro team ha sviluppato non esegue alcuna registrazione tra immagini anatomiche e funzionali. Di conseguenza, altri metodi di selezione di ROI, ad esempio basato su Atlante ROIs, non possono essere implementati in questo momento. Inoltre, parametri per gli stimoli e neurofeedback (ad es., blocco di durata, il numero di blocchi e parametri di imaging compreso TR) possono essere facilmente manipolati dall'operatore. Inoltre, il trasferimento viene eseguito per valutare la capacità di auto-regolare l'obiettivo che ROI in assenza di neurofeedback può essere implementato. Il software che abbiamo sviluppato non offre neurofeedback che utilizzano modelli multivariati35,48 o connettività tra cervello regioni49.

FMRI NFT offre vantaggi significativi rispetto alle altre forme di neurofeedback, ma ha anche i suoi limiti. Il vantaggio principale di fMRI NFT è la risoluzione spaziale che supera tutte le altre forme di NFT come elettroencefalogramma (EEG)-base di neurofeedback. Una maggiore risoluzione spaziale consente strutture/funzioni cerebrali specifiche attraverso l'intero cervello essere mirati50. Attualmente, questo non è ottenibile con altre terapie come la farmacoterapia, che sono sistematici. Tuttavia, il principale svantaggio di fMRI NFT è il tempo di ritardo. Non solo sono molto più lento di EEG (fino a 3 ordini di grandezza più lenti) frequenze di campionamento, il GAL emodinamico associato con il segnale fMRI ulteriormente aggiunge questo ritardo. Nonostante questo, ci sono prove schiaccianti che i partecipanti possono superare questo ritardo e, con la pratica, imparare a controllare le attività del cervello (per esempio, per una recensione Vedi Sulzer et al. 11 e Scharnowski et al. 50).

La popolarità del fMRI NFT è in crescita ma rimane in una fase di infanzia. Per questo motivo, pratiche comuni devono ancora essere adottate. Il protocollo descritto i dettagli di metodi che sono scientificamente accettati. Ad esempio, sono stati utilizzati più moduli di feedback display attraverso vari studi, tra cui un termometro-stile barra trama18,19,21,34. Inoltre, un segnale di feedback presentati come il cambiamento percentuale del segnale con una linea di base calcolato dalla regione di destinazione è stato anche ampiamente implementato12,19,21,25 , 30 , 51 , 52.

Controllo effetti plastici nel cervello offre un'innovativa tecnica terapeutica per il trattamento di disordini neurologici o lesioni cerebrali con l'attività cerebrale anormale, come ad esempio quella connessa con il tinnito discusso sopra. Anche se i meccanismi esatti traducendo neuromodulazione in effetti comportamentali sono ancora sconosciuti, fMRI NFT è stato associato con LTP11. Attraverso il processo di apprendimento, il comportamento è rinforzato quando uno regola attivamente attività cerebrale nelle reti cerebrali correlate alle attività. Tali risultati di rinforzo nell'aggancio dei meccanismi neuroplastici causando la rete per eseguire in modo più efficiente. Questo coincide con altre tecniche NFT come basati su EEG neurofeedback dove gli individui sono addestrati per controllare le bande di frequenza dei segnali elettrici misurati da regioni locali del cuoio capelluto53,54,55 . Altri hanno indicato LTP da plasticità sinaptica, con conseguente maggiore efficienza sinaptica12. Ancora un altro Postulazione suggerisce meccanismi cellulari dell'apprendimento possono comportare cambiamenti di conduttanza di membrana voltaggio-dipendenti che si esprime come un cambiamento di eccitabilità neurale13. In ogni caso, sembra che la fMRI che NFT provoca cambiamenti a livello cellulare, e che l'individuo può imparare qualche controllo su questi processi. Questa capacità e questi cambiamenti possono essere fondamentali per apprendere e sviluppare i trattamenti per le lesioni di cervello e disordini neurologici.

Un aspetto importante della fMRI NFT è misurare alterazioni nel comportamento. Questo è indispensabile per molte ipotesi che prevedono i cambiamenti del comportamento guidati dai cambiamenti neurali NFT-indotta. Come minimo, queste valutazioni dovrebbero essere raccolti in due momenti: prima e dopo NFT. Nel caso di tinnito, queste valutazioni comportamentali potrebbero consistere esclusivamente di questionari soggettivi come non c'è nessuna misura diretta per l'acufene. Per altri disordini neurologici, una revisione di letteratura dovrebbe essere condotti per determinare le valutazioni adeguate, ragionevole e documentate per il hypothesis(es) specifico oggetto di indagine. Alcune ipotesi richiedono misurazioni a intervalli di tempo supplementare, come coloro che vogliono esplorare vicino-, breve e a lungo termine gli effetti del fMRI NFT. Alcune valutazioni potrebbero richiedono addestramento prima del NFT per ridurre gli effetti di apprendimento. Altre ipotesi potrebbero anche richiedere test neurologici come coloro che sono interessati nei livelli di metaboliti del cervello, l'aspersione cerebrale o reti funzionali.

La procedura NFT fMRI ha due fasi critiche. Il primo consiste nel determinare una regione del cervello di indirizzare per neurofeedback. Prima di svolgere qualsiasi procedura, un'approfondita disamina della letteratura dovrebbe essere condotti per indagare percorsi neurali e importanti strutture/funzioni associate con il disturbo neurologico o trauma cranico. Da questo, strutture/funzioni chiave devono essere accuratamente scelte come destinazione per neurofeedback. Successivo, un'altra revisione di letteratura deve essere eseguita per esaminare le attività associate a questa struttura/funzione. Questa attività può o non può essere associata con il disordine, ma dovrebbe essere confermato che l'attività attiva la regione desiderata nella popolazione designata. Durante le procedure di neurofeedback, questa regione di destinazione sarà selezionata su base individuale o alla prima sessione o ad ogni sessione. Di conseguenza, variabilità inter - e intra - soggetto possono essere fattori importanti che potrebbero portare a risultati imprevedibili. È fondamentale creare un protocollo per selezionare la regione di destinazione e condurre la formazione adeguata del personale. Ci sono due metodi per definire un obiettivo di ROI: anatomicamente e funzionalmente. Utilizzano definizioni anatomiche strutturali le esplorazioni di MRI per definire l'area di destinazione rigorosamente dall'anatomia,e possibilmente usando un Atlante standard. Immagini funzionali sono registrate per le immagini strutturali, e la regione di destinazione si trasforma in uno spazio funzionale21,26. Nel metodo funzionale, l'area di destinazione è selezionata da una mappa di attivazione prodotta effettuando un funzionale localizzatore11,12,24,29,44. Questo metodo è stato discusso nel presente documento.

La seconda fase critica in fMRI NFT è selezione del gruppo di controllo. Gruppi di controllo sono cruciali nel determinare l'effetto di fMRI NFT, e la selezione dei gruppi di controllo deve essere considerata attentamente. Precedenti studi hanno utilizzato una vasta gamma di controlli. Una procedura comune per un gruppo di controllo è tentare volitiva controllo in presenza di feedback sham. Questo feedback può essere aggiogato da un partecipante al gruppo sperimentale21,44, forniti da una regione non partecipa al processo desiderato all'insaputa al partecipante17,33, 44, o invertito52. Altri studi hanno utilizzato i gruppi di controllo che tentano controllo volitivo, ma non vengono forniti con neurofeedback12,21,44,56.

Uno studio precedente suggerisce che quando soggetti tentano di controllare il feedback di sham, c'è una maggiore attivazione in insula bilaterale, motore anteriore del cingulate, complementare, dorsomedial e aree prefrontali laterale rispetto al passivamente a guardare un Commenti Visualizza57. Questi risultati implicano un ampio fronto-parietale e cingulo-opercular rete viene attivato quando c'è l'intento di controllare l'attività cerebrale. Inoltre, questi risultati suggeriscono che i gruppi di controllo tradizionali usati negli esperimenti NFT utilizzerà correlati neurali coerenti con controllo cognitivo, anche in presenza di feedback sham. Una meta-analisi separata ha rivelato l'attività nel insula anteriore e dei gangli basali, entrambi i quali sono regioni coinvolte nel controllo cognitivo e altre funzioni cognitive superiori, erano componenti critici al tentativo di controllo volitional58. I risultati della meta-analisi ha confermato la precedente individuazione57. Presi insieme, questa prova suggerisce che è fondamentale per delineare gli effetti del controllo riuscito volitiva e quelli relativi al tentativo di autoregolamentazione. Pertanto, l'inclusione di gruppi di controllo che non tentare di autoregolamentazione può essere importante.

Tuttavia, gli studi precedenti, dove i segnali di controllo gruppi hanno ricevuto sham fMRI hanno rivelato differenze nel target attività ROI sono stati osservati da coloro che ha ricevuto vero feedback15,16,17, 18 , 20 , 21 , 25 , 26 , 28 , 33 , 34 , 44, che implica strategie di formazione che non incorporano feedback non sono efficaci a modulare la regione di destinazione. Inoltre, gruppi di controllo che ha ricevuto istruzioni identiche e lo stesso periodo di formazione, ma non hanno ricevuto il feedback sul livello corrente dell'attività cerebrale non hanno esibito i risultati comportamentali simili come i gruppi sperimentali che hanno avuti neurofeedback12,18,21,32,44,59. Questi risultati suggeriscono che gli effetti esperienziali sono attribuibili alla fMRI NFT-indotta apprendimento piuttosto che altri apprendimento o cambiamenti non specifici. Pertanto, i regimi di addestramento specifico devono essere sviluppati quale target specifici sistemi neurofisiologici per ottenere gli effetti desiderati. I risultati da uno studio con una varietà di gruppi di controllo indicano formazione comportamentale, pratica, feedback sensoriale e biofeedback da solo non produce effetti comportamentali equivalenti come coloro che ricevono fMRI NFT44.

Divulgazioni

Gli autori non hanno nulla a rivelare.

Riconoscimenti

Questo materiale è basato sulla ricerca sponsorizzato dalla US Air Force sotto il numero di contratto FA8650-16-2-6702. Le opinioni espresse sono quelle degli autori e non riflettono il punto di vista ufficiale o politica del dipartimento della difesa e dei suoi componenti. Il governo degli Stati Uniti è autorizzato a riprodurre e distribuire ristampe per scopi governativi nonostante qualsiasi notazione copyright al riguardo. Il volontariato, completamente consenso informato dei soggetti utilizzati in questa ricerca è stato ottenuto come richiesto da 32 CFR 219 e DODI 3216.02_AFI 40-402.

Materiali

NameCompanyCatalog NumberComments
3T MRIGE Medical750W DiscoveryData Acquisition Hardware
MR-Compatible Display SystemInVivoSensaVueVisual Stimuli Hardware
MR-Compatible Auditory SystemResonance TechnologiesCinemaVisionAuditory Stimuli Hardware
Experimental Stimulus SoftwareNeurobehavioral SystemsPresentationSoftware to Control Stimuli Presentation
Experimental Processing SoftwareMathworksMATLABSoftware to Process Data
Data Processing SoftwareMicrosoftVisual Studio C++Software to Process Data
Response PadsCedrus CorporationLuminaHardware to Receive Participant Input

Riferimenti

  1. Vanneste, S., Plazier, M., der Loo, E. V., de Heyning, P. V., Congedo, M., De Ridder, D. The neural correlates of tinnitus-related distress. NeuroImage. 52 (2), 470-480 (2010).
  2. Cox, R. W., Jesmanowicz, A., Hyde, J. S. Real-time functional magnetic resonance imaging. Magn Reson Med. 33 (2), 230-236 (1995).
  3. Weiskopf, N., et al. Real-time functional magnetic resonance imaging: methods and applications. P Int School Magn Reson Brain Funct. 25 (6), 989-1003 (2007).
  4. Hirsch, J., et al. An integrated functional magnetic resonance imaging procedure for preoperative mapping of cortical areas associated with tactile, motor, language, and visual functions. Neurosurgery. 47 (3), 711-722 (2000).
  5. Yoo, S. -. S., et al. Brain computer interface using fMRI: spatial navigation by thoughts. Neuroreport. 15 (10), 1591-1595 (2004).
  6. Sorger, B., Reithler, J., Dahmen, B., Goebel, R. A real-time fMRI-based spelling device immediately enabling robust motor-independent communication. Curr Biol. 22 (14), 1333-1338 (2012).
  7. Yoo, J. J., et al. When the brain is prepared to learn: Enhancing human learning using real-time fMRI. NeuroImage. 59 (1), 846-852 (2012).
  8. Weiskopf, N., et al. Physiological self-regulation of regional brain activity using real-time functional magnetic resonance imaging (fMRI): methodology and exemplary data. NeuroImage. 19 (3), 577-586 (2003).
  9. Fetz, E. E. Volitional control of neural activity: Implications for brain-computer interfaces. J Physiology. 579 (Pt 3), 571-579 (2007).
  10. Fetz, E. E. Operant Conditioning of Cortical Unit Activity. Science. 163 (3870), 955-958 (1969).
  11. Sulzer, J., et al. Real-time fMRI neurofeedback: Progress and challenges. NeuroImage. 76, 386-399 (2013).
  12. Sherwood, M. S., Kane, J. H., Weisend, M. P., Parker, J. G. Enhanced control of dorsolateral prefrontal cortex neurophysiology with real-time functional magnetic resonance imaging (rt-fMRI) neurofeedback training and working memory practice. NeuroImage. 124 (A), 214-223 (2016).
  13. Mozzachiodi, R., Byrne, J. H. More than synaptic plasticity: Role of nonsynaptic plasticity in learning and memory. Trends Neurosci. 33 (1), 17-26 (2010).
  14. Weiskopf, N., Scharnowski, F., Veit, R., Goebel, R., Birbaumer, N., Mathiak, K. Self-regulation of local brain activity using real-time functional magnetic resonance imaging (fMRI). J Physiology-Paris. 98 (4-6), 357-373 (2004).
  15. deCharms, R. C., Christoff, K., Glover, G. H., Pauly, J. M., Whitfield, S., Gabrieli, J. D. E. Learned regulation of spatially localized brain activation using real-time fMRI. NeuroImage. 21 (1), 436-443 (2004).
  16. Hamilton, J. P., Glover, G. H., Hsu, J. -. J., Johnson, R. F., Gotlib, I. H. Modulation of subgenual anterior cingulate cortex activity with real-time neurofeedback. Hum Brain Mapp. 32 (1), 22-31 (2011).
  17. Zotev, V., et al. Self-regulation of amygdala activation using real-time fMRI neurofeedback. PLoS ONE. 6 (9), e24522 (2011).
  18. Caria, A., et al. Regulation of anterior insular cortex activity using real-time fMRI. NeuroImage. 35 (3), 1238-1246 (2007).
  19. Veit, R., Singh, V., Sitaram, R., Caria, A., Rauss, K., Birbaumer, N. Using real-time fMRI to learn voluntary regulation of the anterior insula in the presence of threat-related stimuli. Soc Cogn Affect Neur. 7 (6), 623-634 (2012).
  20. Lee, J. -. H., Kim, J., Yoo, S. -. S. Real-time fMRI-based neurofeedback reinforces causality of attention networks. Neurosci Res. 72 (4), 347-354 (2012).
  21. McCaig, R. G., Dixon, M., Keramatian, K., Liu, I., Christoff, K. Improved modulation of rostrolateral prefrontal cortex using real-time fMRI training and meta-cognitive awareness. NeuroImage. 55 (3), 1298-1305 (2011).
  22. Sherwood, M. S., Weisend, M. P., Kane, J. H., Parker, J. G. Combining real-time fMRI neurofeedback training of the DLPFC with n-back practice results in neuroplastic effects confined to the neurofeedback target region. Front Behav Neurosci. 10 (138), 1-9 (2016).
  23. Zhang, G., Yao, L., Zhang, H., Long, Z., Zhao, X. Improved working memory performance through self-regulation of dorsal lateral prefrontal cortex activation using real-time fMRI. PLoS ONE. 8 (8), e73735 (2013).
  24. Sitaram, R., et al. Acquired control of ventral premotor cortex activity by feedback training: an exploratory real-time fMRI and TMS study. Neurorehab Neural Re. 26 (3), 256-265 (2012).
  25. Subramanian, L., et al. Real-time functional magnetic resonance imaging neurofeedback for treatment of Parkinson's Disease. J Neurosci. 31 (45), 16309-16317 (2011).
  26. Yoo, S. -. S., Lee, J. -. H., O'Leary, H., Panych, L. P., Jolesz, F. A. Neurofeedback fMRI-mediated learning and consolidation of regional brain activation during motor imagery. Int J Imag Syst Tech. 18 (1), 69-78 (2008).
  27. Berman, B. D., Horovitz, S. G., Venkataraman, G., Hallett, M. Self-modulation of primary motor cortex activity with motor and motor imagery tasks using real-time fMRI-based neurofeedback. NeuroImage. 59 (2), 917-925 (2012).
  28. Chiew, M., LaConte, S. M., Graham, S. J. Investigation of fMRI neurofeedback of differential primary motor cortex activity using kinesthetic motor imagery. NeuroImage. 61 (1), 21-31 (2012).
  29. Haller, S., Birbaumer, N., Veit, R. Real-time fMRI feedback training may improve chronic tinnitus. Eur Radiol. 20 (3), 696-703 (2010).
  30. Haller, S., et al. Dynamic reconfiguration of human brain functional networks through neurofeedback. NeuroImage. 81, 243-252 (2013).
  31. Johnston, S. J., Boehm, S. G., Healy, D., Goebel, R., Linden, D. E. J. Neurofeedback: A promising tool for the self-regulation of emotion networks. NeuroImage. 49 (1), 1066-1072 (2010).
  32. Johnston, S., Linden, D. E. J., Healy, D., Goebel, R., Habes, I., Boehm, S. G. Upregulation of emotion areas through neurofeedback with a focus on positive mood. Cogn Affect Behav Ne. 11 (1), 44-51 (2011).
  33. Rota, G., et al. Self-regulation of regional cortical activity using real-time fMRI: The right inferior frontal gyrus and linguistic processing. Hum Brain Mapp. 30 (5), 1605-1614 (2009).
  34. Scharnowski, F., Hutton, C., Josephs, O., Weiskopf, N., Rees, G. Improving visual perception through neurofeedback. J Neurosci. 32 (49), 17830-17841 (2012).
  35. Shibata, K., Watanabe, T., Sasaki, Y., Kawato, M. Perceptual learning incepted by decoded fMRI neurofeedback without stimulus presentation. Science. 334 (6061), 1413-1415 (2011).
  36. Fowler, E. Head noises in normal and in disordered ears: Significance, measurement, differentiation and treatment. Arch Otolaryngol. 39 (6), 498-503 (1944).
  37. Penner, M. J. An estimate of the prevalence of tinnitus caused by spontaneous otoacoustic emissions. Arch Otolaryngol. 116 (4), 418-423 (1990).
  38. Sismanis, A., Smoker, W. R. K. Pulsatile tinnitus: Recent advances in diagnosis. Laryngoscope. 104 (6), 681-688 (1994).
  39. Folmer, R. L., Griest, S. E., Martin, W. H. Chronic tinnitus as phantom auditory pain. Otolaryngology. 124 (4), 394-400 (2001).
  40. Gu, J. W., Halpin, C. F., Nam, E. -. C., Levine, R. A., Melcher, J. R. Tinnitus, diminished sound-level tolerance, and elevated auditory activity in humans with clinically normal hearing sensitivity. J Neurophysiol. 104 (6), 3361-3370 (2010).
  41. Schecklmann, M., et al. Neural correlates of tinnitus duration and distress: A positron emission tomography study. Hum Brain Mapp. 34 (1), 233-240 (2013).
  42. Geven, L. I., de Kleine, E., Willemsen, A. T. M., van Dijk, P. Asymmetry in primary auditory cortex activity in tinnitus patients and controls. Neurosci. 256, 117-125 (2014).
  43. Seydell-Greenwald, A., Leaver, A. M., Turesky, T. K., Morgan, S., Kim, H. J., Rauschecker, J. P. Functional MRI evidence for a role of ventral prefrontal cortex in tinnitus. Brain Res. 1485, 22-39 (2012).
  44. deCharms, R. C., et al. Control over brain activation and pain learned by using real-time functional MRI. P Natl Acad Sci USA. 102 (51), 18626-18631 (2005).
  45. Friston, K. J., et al. Analysis of fMRI time-series revisited. NeuroImage. 2 (1), 45-53 (1995).
  46. Ashby, F. G. . Statistical analysis of fMRI data. , (2011).
  47. Ruiz, S., et al. Acquired self-control of insula cortex modulates emotion recognition and brain network connectivity in schizophrenia. Hum Brain Mapp. 34 (1), 200-212 (2013).
  48. Papageorgiou, T. D., Curtis, W. A., McHenry, M., LaConte, S. M. Neurofeedback of two motor functions using supervised learning-based real-time functional magnetic resonance imaging. Eng Med Biol Soc Ann. , 5377-5380 (2009).
  49. Koush, Y., et al. Connectivity-based neurofeedback: Dynamic causal modeling for real-time fMRI. NeuroImage. 81, 422-430 (2013).
  50. Scharnowski, F., Weiskopf, N. Cognitive enhancement through real-time fMRI neurofeedback. Curr Opin Behav Sci. 4, 122-127 (2015).
  51. Sulzer, J., et al. Neurofeedback-mediated self-regulation of the dopaminergic midbrain. NeuroImage. 83, 817-825 (2013).
  52. Berman, B. D., Horovitz, S. G., Hallett, M. Modulation of functionally localized right insular cortex activity using real-time fMRI-based neurofeedback. Front Human Neurosci. 7 (638), 1-11 (2013).
  53. Birbaumer, N., Cohen, L. G. Brain-computer interfaces: Communication and restoration of movement in paralysis. J Physiol. 579 (3), 621-636 (2007).
  54. Daly, J. J., Wolpaw, J. R. Brain-computer interfaces in neurological rehabilitation. Lancet Neurol. 7 (11), 1032-1043 (2008).
  55. Ros, T., Munneke, M. A. M., Ruge, D., Gruzelier, J. H., Rothwell, J. C. Endogenous control of waking brain rhythms induces neuroplasticity in humans. Eur J Neurosci. 31 (4), 770-778 (2010).
  56. Linden, D. E. J., et al. Real-Time Self-regulation of emotion networks in patients with depression. PLoS ONE. 7 (6), e38115 (2012).
  57. Ninaus, M., et al. Neural substrates of cognitive control under the belief of getting neurofeedback training. Front Hum Neurosci. 7 (914), 1-10 (2013).
  58. Emmert, K., et al. Meta-analysis of real-time fMRI neurofeedback studies using individual participant data: How is brain regulation mediated?. NeuroImage. 124, 806-812 (2016).
  59. Linden, D. E. J., Turner, D. L. Real-time functional magnetic resonance imaging neurofeedback in motor neurorehabilitation. Curr Opin Neurol. 29 (4), 412-418 (2016).

Ristampe e Autorizzazioni

Richiedi autorizzazione per utilizzare il testo o le figure di questo articolo JoVE

Richiedi Autorizzazione

Esplora altri articoli

Neuroscienzeproblema 126fMRIneurofeedbackdisordini neurologicitinnitoneuroplasticitpotenziamento a lungo termine

This article has been published

Video Coming Soon

JoVE Logo

Riservatezza

Condizioni di utilizzo

Politiche

Contattaci

SUGGERISCI JOVE ALLA BIBLIOTECA

Newsletter di JoVE

Ricerca

Didattica

Autori

Personale delle biblioteche

CHI SIAMO

Copyright © 2025 MyJoVE Corporation. Tutti i diritti riservati