この方法は、認知神経科学分野の重要な質問に答えるのに役立ちます。この手法の主な利点は、高空間的時間的進化に関する神経活動と接続性を分析できることです。頭蓋内脳細胞データの分析を開始するには、SPM12 を設定し、MEG EEG 分析メニューを選択します。
まず、事前定義されたパラメータに基づいて、モレットウェーブレットを用いた連続ウェーブレット分解を用いて、各試験の前処理された頭蓋内脳波データの時間頻度解析を行う。スペクトル成分の時間的進化を明らかにするために、4〜300ヘルツの周波数範囲を使用して、1,000〜2,000ミリ秒のエポック全体に対して7サイクルのモーレットウェーブレットを使用してウェーブレット分解を行います。次に、母波の波形とサイクル数を決定し、サイクル数が時間周波数分解能を制御し、推定安定性を確保するために5より大きくする必要があることに注意してください。
時間と周波数の範囲を決定します。次に、結果の時間頻度マップを自動的にトリミングして、エッジエフェクトを削除します。ここでは、マップは 200 ~ 500 ミリ秒で切り取られます。
イベント関連の電力変化を視覚化し、正規性を改善するために、時間周波数マップの時間周波数再スケールを選択して、必要に応じてデータ変換を実行し、ベースライン補正を実行します。次に、時間頻度マップを 2 次元画像に変換します。また、ガウスカーネルを使用して、対象間の変動性を補正し、ランダムフィールド理論の仮定に準拠するために、事前定義された全角半最大値を使用して滑らか。
SPM メニューで 2 番目のレベルを指定し、分析する 2D イメージを入力します。次に、モデル推定を選択して一般線形モデルを実行します。最後に、ランダムフィールド理論に基づいて時間頻度データに対する統計的推論を実行する結果を選択します。
ここで見られるような事前定義されたしきい値を持つ、有意に活性化された時間頻度クラスターを検出します。SPM メニューで DCM を選択して、動的因果モデリング分析を開始します。次に、IND オプションを選択し、前処理された頭蓋内脳のデータをインポートする新しいデータを選択します。
次に、MEG の EEG メニューを使用して、対象のタイム ウィンドウ、対象の頻度ウィンドウ、使用するウェーブレット サイクルの数、対象の条件、条件のコントラストを指定します。時間枠を 1 ~ 500 ミリ秒に設定します。1つのヘルツステップで4〜100ヘルツの5サイクルのモレットウェーブレットを使用してください。
ウェーブレット サイクルの既定の設定を使用します。研究の関心に基づいて、時間周波数範囲を決定します。さらに 512 ミリ秒のタイム ウィンドウを計算時に自動的に使用してエッジ効果を削除できることに注意してください。
DCM フレームワークに基づいて、神経状態の感覚入力を表す駆動入力と、神経状態間のベースライン接続を具体化する組み込み接続を定義します。また、null モデルと仮説モデルの実験操作を使用して、組み込み接続に対する変調効果を定義します。変調のタイプを線形または非線形として定義します。
次に、固有の線形および非線形接続、駆動入力および変調入力を指定します。必要に応じて、関連するパラメータのデフォルト設定(以前の刺激の発症時間や持続時間など)を変更します。次に、モデルを推定するために反転DCMを選択します。
その後、結果を画像として保存を選択して、周波数周波数変調結合パラメータの画像を保存します。次に、BMS を選択して最適なネットワーク モデルを特定して、ランダム効果ベイジアン モデル選択解析を実行します。モデルの予想される確率と確率確率を評価メジャーとして使用します。
次に、受賞モデルパラメータを使用して、変調接続のクロス周波数パターンに関する推論を行います。[イメージへの変換] を選択して、変調結合パラメータの画像をスムーズにします。次に、第 2 レベルを指定して一般的な線形モデル解析を実行します。
最後に、結果を選択して 2D SPMT 値を計算します。ここでは、全角半最大を8ヘルツに設定し、有意な値を、0.05未満のPの未補正の高さ閾値を使用して探索的に同定した。時間頻度分析は、フェーズの処理中に下方の後頭回またはIOG活性の時間および周波数プロファイルを調査するために行われた。
ここでは、直立段階と直立モザイク条件に対する適切なIOGアクティビティの時間頻度マップを見ます。直立位相と直立モザイクの SPMT データも示されています。機能ネットワーク モデルを次に示します。
IOGと扁桃体の間の接続と各領域への自己接続に直立相と直立モザイクの変調入力の8つの可能な組み合わせを調査した。IOG対扁桃体および扁桃体対IOG変調の直立位相対直立モザイクの周波数周波数変調結合パラメータとSPMT値をここに示す。赤黄色の領域は重要な励起接続性を示し、青いシアン領域は阻害的な接続性を示します。
このビデオを見た後、SPMソフトウェアを使用して神経活動と接続性を検出するための頭蓋内脳体データを分析する方法についてよく理解する必要があります。
