자기뇌전도를 통해 물체 지각에 대한 사전 자극 소스 수준 효과 감지

요약

이 문서에서는 자기뇌전도(MEG)를 사용하여 개체 지각에 대한 사전 자극 소스 수준의 영향을 감지할 수 있는 실험을 설정하는 방법을 설명합니다. 자극 재료, 실험 설계, MEG 기록 및 데이터 분석을 다룹니다.

초록

사전 자극 진동 뇌 활동은 다가오는 지각에 영향을 미칩니다. 이 사전 자극 활동의 특성은 거의 임계 값 자극이 인식될지 여부를 예측할 수 있지만, 다른 지각 내용을 가진 두 가지 경쟁 자극 중 어느 것이 인지되는지 예측할 수 있습니까? 한 번에 두 가지 방법 중 하나에서 볼 수있는 모호한 시각적 자극은이 질문을 조사하는 데 이상적입니다. 자기뇌전도(MEG)는 뇌 활동의 결과로 방출되는 자기 신호를 기록하는 신경 생리학적 측정 기술입니다. MEG의 밀리초 시간적 해상도는 기록된 데이터의 1초만으로 진동 뇌 상태의 특성화를 허용합니다. 따라서 모호한 자극 개시 1초 전에 빈 화면을 제시하면 참가자가 지시한 대로 자극 전 진동 활동이 다가오는 지각의 내용을 편향하는지 여부를 조사할 수 있는 시간 창을 제공합니다. 보고서. MEG의 공간 해상도는 우수하지 않지만 센티미터 척도에서 뇌 활동의 소스를 현지화하기에 충분합니다. MEG 활동의 소스 재구성은 관심 영역 간의 시간 및 주파수 해결 연결뿐만 아니라 관심 영역의 진동 활성에 대한 가설을 테스트할 수 있습니다. 설명된 프로토콜은 시각적 지각에 대한 자발적이고 지속적인 뇌 활동의 영향을 더 잘 이해할 수 있게 합니다.

서문

자극 프리젠 테이션 이전의 뇌 상태는 자극이 지각과 관련된 신경 반응뿐만 아니라 인식되는 방식에 영향을 미치는 1,^2,3,4. 예를 들어, 자극이 지각 임계값(근문)에 가까운 강도로 제시될 때, 자극 전 신경 진동 전력, 위상 및 연결은 다가오는 자극이 인식될지 여부에 영향을 줄 수 있습니다^{5 ,6},^7,8,9,10. 이러한 사전 자극 신호는 지각 개체 콘텐츠와 같은 지각의 다른 측면에도 영향을 줄 수 있습니다.

두 가지 방법 중 하나로 해석될 수 있는 모호한 이미지로 사람들을제시하는 것은 객체 지각(11)을 조사하는 이상적인 방법이다. 이는 지각의 주관적인 내용이 두 가지 개체 중 하나가 될 수 있지만 실제 자극은 변하지 않을 수 있기 때문입니다. 하나는 그러므로 사람들이 자극의 다른 가능한 해석 대 1을 인식하는 보고한 예심 사이 기록된 두뇌 신호에 있는 다름을 평가할 수 있습니다. 보고를 감안할 때, 하나는 또한 자극 발병 하기 전에 뇌 상태에 어떤 차이가 있었는지 여부를 조사할 수 있습니다.

자기 뇌전도 (MEG)는 뇌의 전류에 의해 생성 된 자기장을 기록하는 기능성 신경 이미징 기술입니다. 혈액 산소화 수준 의존 (BOLD) 응답 은 초의 기간에 해결 하는 동안, MEG 밀리 초 해상도 제공 하 고 따라서 매우 빠른 시점에서 발생 하는 뇌 메커니즘을 조사 할 수 있습니다. MEG의 관련 장점은 기록 된 데이터의 짧은 기간에서 뇌 상태를 특성화 할 수 있다는 것입니다, 많은 시험이 실험 세션에 맞게 되도록 실험 실험을 단축 할 수 있습니다 의미. 또한 MEG를 사용하면 진동 활동을 발견할 수 있는 주파수 영역 분석을 수행할 수 있습니다.

MEG는 높은 시간적 해상도 외에도 좋은 공간 해상도를 제공합니다. 소스 재구성 기술^12를사용하면 센서 레벨 데이터를 소스 공간에 투영할 수 있습니다. 그런 다음 지정된 관심 영역의 활동에 대한 가설을 테스트할 수 있습니다. 마지막으로, 센서 공간의 신호는 상관관계가 높기 때문에 센서 간의 연결을 정확하게 평가할 수 없지만, 소스 재구성을 통해 관심 지역 간의 연결을 평가할 수 있습니다. 소스 신호 사이의 상관 관계¹³. 이러한 연결 예측은 시간 및 주파수 도메인 모두에서 확인할 수 있습니다.

이러한 장점을 감안할 때 MEG는 지정된 관심 영역에서 개체 지각에 대한 사전 자극 효과를 조사하는 데 이상적입니다. 본 보고서에서는 이러한 실험 및 MEG 획득 설정을 설계하는 방법과 소스 재구성을 적용하고 진동 활동 및 연결을 평가하는 방법을 설명합니다.

프로토콜

설명된 프로토콜은 잘츠부르크 대학의 인간 연구 윤리 위원회의 지침을 따르며 헬싱키 선언에 따릅니다.

1. 자극 물질 준비

1. 루빈 얼굴 / 꽃병 환상^14의이미지를 다운로드합니다. 이것은 참가자의 절반에게 표시됩니다.
2. Matlab 명령을 사용하여 원래 흑백 바이너리 루빈 이미지를 반전하여 원본 이미지(검은색 배경 대신 흰색 배경)와 관련하여 흑백 색상이 뒤집힌 두 번째 루빈 얼굴/꽃병 네거티브 이미지를 만듭니다. 이것은 참가자의 나머지 절반에 표시됩니다.
3. 루빈 이미지의 픽셀 블록을 임의로 스크램블링하여 마스크를 만듭니다. 원본 이미지 크기의 2%에서 5% 사이(250 x 250의 이미지 중 5x5픽셀) 등 명백한 윤곽 피처를 숨길 수 있을 만큼 작은 사각형 블록으로 이미지를 나눈 다음 임의로 섞어 마스크를 만듭니다.
4. 흰색 배경에 검은색 고정 십자가를 만들어 고정 교차가 루빈 이미지(시각적 각도5° 미만)보다 작습니다.

2. MEG 및 자극 장비 설정

1. 자극 프리젠테이션 컴퓨터를 프로젝터에 연결합니다. DLP LED 프로젝터 컨트롤러를 USB 광절연 확장(데이터용) 및 디지털 비주얼 인터페이스(DVI) 케이블(자극용)을 통해 연결합니다.
2. MEG 수집 컴퓨터를 자극 프레젠테이션 컴퓨터에 연결하여 트리거를 보내고 받을 수 있습니다. 통합 된 자극 프리젠 테이션 시스템의 디지털 입력 / 출력 (DIO) 시스템 (버튼 및 트리거, 2 x 표준 D24 커넥터)을 광절연 BNC 브레이크 아웃 상자의 MEG 커넥터에 연결하십시오.
3. 1 kHz에서 빈 방 MEG 데이터의 1 분을 기록합니다.
4. 획득 컴퓨터에서 모든 신호를 실시간으로 시각화하여 102개의 자기계와 204개의 직교 배치 평면 지라디오미터의 신호를 102개의 서로 다른 위치에서 모니터링합니다.

3. MEG 실험 참가자 준비

참고 : MEG 데이터 수집의 세부 사항은 이전에^{설명 된 15}.

1. 참가자가 헬싱키 선언에 따라 고지된 동의를 이해하고 개인 데이터 처리에 대한 동의 서를 포함하는 양식에 서명하도록 하십시오.
2. 참가자에게 비자기 옷을 제공하고 몸에 금속 물체가 없는지 확인하십시오. 참가자들에게 이를 보장하기 위해 다른 익명 설문지를 작성하도록 요청하고, 참가자는 신경 장애와 같은 다른 배제 기준이 없으며, 손과 휴식 수준과 같은 기타 개인 데이터를 문서화하도록 요청하십시오.
3. 참가자를 비 강자성(나무) 의자에 앉습니다. 접착제 석고로 머리에 5 개의 헤드 위치 표시기 (HPI) 코일을 부착하고, 한쪽 눈 위에 두 개, 다른 눈 위에 하나, 각 귀 뒤에 하나를 부착하십시오.
4. 디지털화 시스템의 트래커 센서를 참가자의 머리에 단단히 고정하고 안경에 고정하여 안정성을 극대화합니다.
   참고 : 3D 디지타이저가 사용되었습니다(재료표).
5. 해부학 적 랜드 마크, 왼쪽 및 오른쪽 사전 수구 점과 nasion을 디지털화하고 왼쪽 및 오른쪽 사전 수구 점이 대칭인지 확인합니다. 이러한 신탁은 3D 좌표 프레임을 정의합니다.
6. 3D 디지타이저 스타일러스를 사용하여 5개의 HPI 코일 위치를 디지털화합니다.
7. 두피를 따라 최대 300 포인트까지 디지털화하고 머리 모양의 커버리지를 극대화하십시오. 자기 공명 (MR) 이미지에 두피의 잘 정의 된 영역을 커버, 뒷면의 음과 전면에 nasion 위의, 뿐만 아니라 비강 다리.
   참고 : 이 포인트는 더 나은 개별 소스 재구성을위한 해부학 이미지와 공동 등록에 사용됩니다.
8. 트래커 센서로 안경을 분리합니다.
9. 오른쪽 눈위(수퍼서아치)와 아래(심고매골 상악골에 내측)를 부착하여 수직 눈의 움직임을 모니터링합니다.
10. 일회용 전극을 왼쪽 눈의 왼쪽과 오른쪽 눈의 오른쪽(zygomatic 상악골에 등대)에 부착하여 수평 눈의 움직임을 모니터링합니다.
11. 일회용 전극을 심장 아래와 오른쪽 쇄골 아래에 부착하여 심박수를 모니터링합니다.
    참고: 눈과 심장 신호는 비교적 견고하므로 일회용 전극의 임피던스를 확인할 필요가 없습니다.
12. 일회용 전극을 목 아래 접지로 부착합니다.
13. 참가자를 MEG 차폐실로 안내하고 MEG 의자에 앉도록 지시합니다.
14. MEG 시스템에 HPI 배선 하네스와 일회용 전극을 연결합니다.
15. 참가자의 머리가 MEG 헬멧의 상단에 닿도록 의자를 들어 올리고 참가자가 이 자세에서 편안하게 지낼 수 있도록 합니다.
16. 차폐실 의 문을 닫고 차폐된 방 안팎의 인터콤 시스템을 통해 참가자와 통신하십시오.
17. 참가자에게 1 kHz에서 휴식 상태 MEG 데이터를 기록하는 동안 5 분 동안 빈 화면 (중앙 고정 십자가 제외)을 수동적으로 응시하도록 지시합니다. 실험 전반에 걸쳐 샘플링 속도를 1kHz로 유지합니다.
18. 과제 요구 사항의 참가자에게 지시하고 20번의 연습 시험을 수행하도록 한다.
    참고: 예제 지침: "고정을 항상 화면 중앙에 유지합니다. 십자가가 나타나고 십자가가 사라진 후 스크램블 된 이미지가 표시됩니다. 스크램블된 이미지가 사라지자마자, 꽃병을 본 적이 있다면 얼굴을 본 적이 있다면 노란색 버튼을 클릭하고 녹색 버튼을 클릭하십시오."
19. 참가자 간에 응답 단추를 번갈아 가며(예: 얼굴의 경우 오른쪽, 꽃병의 왼쪽 또는 그 반대의 경우도 마찬가지).
    참고: 응답 단추의 색상은 중요하지 않습니다.

4. Psychtoolbox^16을 사용하여 실험을 제시하십시오.

1. 참가자에게 지침을 표시하여 얼굴을 볼 때 누를 버튼과 꽃병을 볼 때 누를 단추를 알려줍니다.
2. 고정 크로스, 루빈 이미지, 마스크 및 응답 프롬프트(그림1)의 모든 평가판에 적용되는 4개의 이벤트가 포함된 단일 평가판을 만듭니다.
3. 각 평가판이 시작될 때 1초에서 1.8초 사이의 가변 기간 동안 고정 십자가를 표시합니다.
4. 해당 기간이 끝나면 고정 십자가를 제거하고 150ms에 대한 루빈 이미지를 표시합니다.
5. 150 ms의 끝에서, 루빈 이미지를 제거하고 200ms에 대한 마스크를 표시합니다.
6. 200 ms의 끝에서, 마스크를 제거하고 2s의 최대 응답 기한으로 응답 참가자를 묻는 메시지를 표시하는 질문을 표시합니다.
7. 참가자가 2s 내에 응답하는 경우 다음 평가판(고정 교차로 시작)이 시작되도록 응답 기간을 프로그래밍합니다. 그렇지 않으면 2 초 후에 다음 재판을 시작합니다.
8. 모든 4 이벤트의 타이밍뿐만 아니라 응답 선택과 타이밍을 저장합니다.
9. 참가자가 잠시 쉬도록 지시하기 전에 동일한 시험 구조를 100번 반복합니다. 이것은 하나의 실험 블록을 구성한다.
10. 총 400번의 시험을 위해 블록 구조를 4회 반복합니다.

5. 실험 중 MEG 신호 및 참가자 모니터링

1. 비디오를 통해 참가자를 모니터링합니다.
2. 각 블록의 시작 부분에서 작업이 시작되기 전에 MEG 데이터 측정을 시작하고 MEG에 대한 참가자의 머리 위치의 초기 위치를 기록합니다. 사용된 MEG 시스템에서 GO를 클릭하여 시작합니다. 대화 상자에서 HPI 데이터를 생략하거나 기록에 추가할지 묻는 메시지가 표시되면 HPI 코일 신호를 검사한 다음 수락을 클릭하여 초기 헤드 위치를 기록합니다. 그런 다음 원시 녹화를 클릭하여 MEG 데이터 기록을 시작합니다.
3. 실험 전반에 걸쳐 참가자가 실험을 중지하고자 하는 경우, 실험을 종료하고 차폐된 방 안으로 들어가 MEG 시스템에서 모든 센서를 분리하고 참가자를 의자에서 해제합니다.
4. 수집 컴퓨터에서 MEG 신호를 실시간으로 시각화하여 모니터링합니다.
5. 블록 사이에, 그들이 잘 계속 할 준비가 되어 있는지 확인하기 위해 스피커 시스템을 통해 참가자와 통신하고, 그들이 원하는 경우 자신의 팔다리를 이동하도록 지시, 하지만 그들의 머리.
6. 블록 사이에 해당 블록의 획득한 MEG 신호를 저장합니다.
7. 실험이 끝나면 차폐된 방 안으로 들어가 MEG 시스템에서 모든 센서를 분리하고 참가자를 의자에서 놓습니다.
8. 차폐된 방에서 참가자를 호위하고 얼굴과 몸에서 모든 센서를 분리하거나 센서를 분리할 수 있습니다.
9. 참가자에게 감사하고 금전적 보상을 제공합니다.

6. 사전 처리 및 세그먼트 MEG 신호

1. Maxfilter 프로그램(MEG 제조업체에서 제공)에서 구현된 신호 공간 분리 알고리즘을 기본 매개 변수 값과 함께 사용하여 연속 MEG 신호에서 외부 노이즈를 제거합니다.
2. 필드트립 툴박스¹⁷ 함수 ft_preprocessing를 사용하여 연속 데이터에 0.1Hz 하이패스 필터를 적용합니다.
   참고: 'ft_'로 접두번으로 고정된 모든 이후에 보고된 함수는 필드트립 도구 상자의 일부입니다.
3. 각 시험에서 자극 프리젠테이션 앞에 1초 를 추출하여 MEG 데이터를 분할합니다.
4. 각 시험에 참가자의 행동 반응에 따라 이러한 시대를 '얼굴' 또는 '꽃병' 시험 유형 라벨로 지정합니다.
5. ft_rejectvisual을 사용하여 시험 및 채널을 시각적으로 검사하여 유물의 특성에 관계없이 초과하는 노이즈 또는 아티팩트를 나타내는 것을 식별하고 제거합니다.
6. zscore를 클릭하고 var을 클릭한 후 나타나는 이상값을 제거하여 3 또는 초과 분산을 초과하는 평가판 및 채널을 선택하여 3이상의 z 점수를 가진 평가판 및 채널을 거부합니다. 이 절차 전후의 모든 시험에 대해 MEG 신호를 검사합니다.

7. 소스 재건

1. 필드트립에서 구현된 빔포밍 프로시저에서 공통 선형 구속된 최소 분산^12공간 필터를 얻기 위해 소스 지역화를 수행하기 위해 두 시험 유형을 모두 포함합니다.
2. 밴드 패스는 1 ~40Hz 사이의 경우 관심 있는 주파수로 에포치된 데이터를 필터링합니다.
3. 관심 시간을 선택하여 공변행렬을 계산합니다(이 경우 1초 전전자극 기간).
   참고: 결과 데이터 세그먼트(-1~ 0s에서 1~40Hz 사이로 선택됨)는 데이터 입력이 필요한 다음 모든 단계에서 사용됩니다.
4. ft_volumesegment를 사용하여 개별 구조 MR 이미지에서 뇌와 두피를 분할합니다. 사용할 수 없는 경우 표준 T1(통계적 파라메트릭 매핑 [SPM] 도구 상자)을 사용하여 몬트리올 신경학 연구소(MNI, 몬트리올, 퀘벡, 캐나다) 뇌 스캔을 대신 사용하십시오.
5. ft_prepare_headmodel을 사용하여 각 참가자에 대해 사실적인 단일 쉘 헤드 모델을 만듭니다.
6. 개별 MR 이미지에서 이미지의 위치를 클릭하여 fiducial 랜드마크를 찾아 ft_volumerealign을 사용하여 거친 공동 등록을 시작합니다.
7. 머리 모양 포인트를 두피에 정렬하여 더 세밀한 공동 등록을 하십시오.
8. ft_prepare_sourcemodel을 사용하여 각 참가자의 뇌 볼륨으로 변형된 MNI 템플릿 뇌를 기반으로 1.5cm 해상도로 개별 3D 그리드를 준비합니다.
9. FT_prepare_leadfield를 통해 MEG 채널및 그리드 위치에 대한 전달 모델을 계산합니다. 구성 fixedori를 사용하여 하나의 최적의 다이폴 방향에 대해서만 리드필드를 계산합니다.
10. 각 평가판의 공분산 행렬을 계산하고 모든 평가판에서 평균화합니다.
11. ft_sourceanalysis를 사용하여 정방향 모델과 평균 공변행렬을 사용하여 공간 필터를 계산합니다.
12. 센서 레벨 신호를 LCMV 필터에 곱하여 그리드의 각 소스 위치와 각 평가판에 대한 타임시리즈를 가져옵니다.

8. 관심 지역에서 사전 자극 진동 전력 분석

1. 관심 영역(ROI)을 정의하고, 예를 들어 이전 문헌 18(여기서 푸시폼 얼굴 영역 [FFA])에서; MNI 좌표: [28-64-4] mm).
2. ft_selectdata를 사용하여 ROI에 공간적으로 해당하는 가상 센서를 선택합니다.
3. ft_selectdata를 사용하여 얼굴 및 꽃병 시험을 분할합니다.
4. ft_freqanalysis를 사용하여 두 평가판 유형의 데이터에 대해 ROI에 대한 빈도 분석을 별도로 수행합니다.
5. 빠른 푸리에 변환을 수행하려면 메서드 옵션을 mtmfft로 설정합니다.
6. 한 함수 테이퍼를 사용하려면 테이퍼 옵션을 해닝으로 설정합니다.
7. 관심 주파수를 1Hz에서 40Hz로 정의합니다.
8. 복잡한 푸리에 스펙트럼에서 전력 값을 추출하기 위해 출력 옵션을 pow로 설정합니다.
9. 참가자 간에 스펙트럼을 평균화하고 관심 주파수의 함수로 생성된 평균 전력 값을 플로팅하기 전에 각 참가자에 대한 절차를 반복합니다.

9. 관심 지역 간의 사전 자극 연결 분석

1. 예를 들어 이전 문헌^18(여기 V1)과 같은 이전에 선택된 ROI가 연결될 것으로 가설된 ROI를 하나 이상 정의합니다. MNI 좌표: [12-88 0])
2. 8.2 단계와 8.3단계를 반복합니다.
3. ft_freqanalysis를 사용하여 두 평가판 유형의 데이터에 대해 두 ROI(동일한 데이터 구조 내에서 '가상 센서'로 표시됨)에 대해 시간 주파수 분석을 수행합니다.
4. 주파수 도메인내의 곱셈에 기초한 다중 테이퍼 시간 주파수 변환을 구현하는 방법을 mtmconvol으로 설정한다.
5. 이산 프롤레이트 스페로이드 시퀀스 함수 테이퍼를 사용하도록 dpss로 테이퍼 옵션을 설정합니다.
6. 관심 주파수를 8Hz에서 13Hz로 정의합니다.
7. 시간 창의 너비를 200ms로 설정하고 스무딩 매개변수를 4Hz로 설정합니다.
8. 단일 평가판의 시간 빈도 추정치를 반환하려면 keeptrials 옵션을 예로 설정합니다.
9. 복잡한 푸리에 스펙트럼을 반환하려면 출력을 4ier로 설정합니다.
10. ft_connectivityanalysis를 사용하여 결과 시간 주파수 데이터에 대한 연결 분석을 수행합니다.
11. coh 및 복잡한 필드를 가상으로 설정하여 일관성^19의가상 부분을 반환합니다.
12. 주파수와 참가자에 걸쳐 일관성 스펙트럼을 평균하고 시간의 함수로 결과 그랜드 평균 가상 일관성 값을 플로팅하기 전에 각 참가자에 대한 절차를 반복합니다.

10. 얼굴과 꽃병 사전 자극 전력 또는 일관성 스펙트럼을 통계적으로 비교

1. ft_freqgrandaverage를 사용하여 각 피사체의 사전 자극 전력 또는 일관성 데이터를 2가지 조건 내에서 하나의 Matlab 변수로 결합하여 ft_freqgrandaverage를 사용하여 개별을 예로설정합니다.
2. ft_freqstatistics를 사용하여 2개의 결과 변수를 비교하는 클러스터 기반 순열 테스트(20)를 수행합니다.
3. 메서드 옵션을 motecarlo로설정합니다.
4. 주파수 옵션을 [8 13]으로 설정하고 평균 을 예로설정합니다.
5. 클러스터알파를 0.05로 설정하고 올바른 꼬리를 알파로설정합니다.
6. 통계 옵션을 ft_statfun_depsamplesT로설정합니다.
7. 첫 번째 행이 20개씩, 두 줄이 20개로 되고 1에서 20까지의 연속 번호가 두 번 반복된 디자인 행렬을 만듭니다. 이 설계 행렬을 설계 옵션에 전달합니다.
   참고: 디자인 매트릭스는 20명의 참가자로부터 수집된 데이터가 기때문에 20블록으로 나뉩니다.
8. ivar 옵션을 1로 설정하고 uvar 옵션을 2로 설정합니다.

결과

우리는 참가자들에게 루빈 얼굴 / 꽃병 환상을 간략하고 반복적으로 제시하고 참가자들에게 각 시험 (그림1)에 따라 자신의 지각 (얼굴 또는 꽃병?)을보고하도록 요청했습니다. 각 재판은 (고정 십자가) 빈 화면의 적어도 1 s에 선행되었다; 이것은 관심의 사전 자극 간격이었다.

우리는 관심 있는 지역에서 사전 자극 진동 전력 또는 관심 영역 간의 사전 자극 연결이 다가오는 모호한 자극의 지각 보고서에 영향을 미쳤는지 물었습니다. 따라서 첫 번째 단계로 데이터를 소스 공간에 투영하여 관련 ROI에서 신호를 추출할 수 있습니다.

모호한^21및 모호한²² 자극으로 얼굴과 개체 인식을 조사한 이전 문헌을 바탕으로 FFA를 ROI로 결정했습니다. 그 후 FFA 소스 신호의 저주파(1-40Hz) 스펙트럼 구성 요소를 분석하고 '얼굴'로 보고된 시험의 스펙트럼 추정치와 '꽃병'으로 보고된 스펙트럼 추정치를 대조했습니다. 클러스터 기반 순열 테스트, 주파수를 통해 클러스터 링 1-40 Hz, 사람들이 얼굴 대 꽃병을보고 시험에 스펙트럼 전력을 대조, 2 시험 유형 사이의 유의한 차이를 밝혀. 그럼에도 불구하고, 설명적으로, 전력 스펙트럼은 8-13 Hz의 범위에서 예상되는 진동 알파 대역 피크를 나타내었고, 13-25 Hz의 범위에서더 적은 범위의 베타 대역 활성을 보였다(도 2).

사전 자극 스펙트럼 전력에 차이가 없는 데, 우리는 다음 시험 유형 간의 사전 자극 연결에 차이가 있는지 여부를 조사. FFA 외에도 V1이 시력에 대한 유비쿼터스 참여로 인해 두 번째 ROI가 될 것으로 결정했습니다. 전력 분석 결과를 바탕으로 8~13Hz의 주파수를 관심 있는 주파수로 결정했습니다. 우리는 얼굴 과 꽃병 시험을 위해 별도로 두 ROI 사이의 일관성의 시간 및 주파수 해결 가상 부분을 계산하고 관심 주파수에 걸쳐 결과를 평균화했습니다. 이 측정은 뇌 영역 간의 진동 단계의 동기화를 반영하고 MEG 재구성 소스^19에서볼륨 전도 효과에 대해 보수적으로 제어하므로 기능적 커플링을 평가하기위한 선택 방법이었습니다. 클러스터 기반 순열 테스트, 시간 포인트 -1 에 0 s에 걸쳐 클러스터링, 사람들이 얼굴 대 꽃병을보고 시험에 V1과 FFA 사이의 가상의 일관성을 대조, 얼굴 시험은 꽃병 시험에 비해 강한 사전 자극 연결이 있었다 는 것을 밝혀, 약 700 ms 자극 발병하기 전에 (그림 3).

그림 1 : 예시 평가판 구조 및 원시 데이터 예. 하단 패널: 고정 십자가를 표시하는 것으로 평가판이 시작됩니다. 1 에서 1.8 s 후, 루빈 자극은 150 ms에 대해 나타나고 200 ms. 응답 화면은 참가자들에게 '얼굴'또는 '꽃병'으로 응답하라는 메시지를 표시합니다. 상단 패널: 예제 참가자의 멀티 채널 원시 데이터, 자극 발병에 시간 잠김 및 시험 전반에 걸쳐 평균화. 이는 사전 자극 분석 창(-1s ~ 0s; 분홍색으로 강조 표시됨)에서 데이터를 강조 표시하는 회로도이며, 이는 분석의 대상 간격이 됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 2 : FFA의 스펙트럼 파워. 얼굴 및 꽃병 시험에서 소스 지역화 된 FFA 신호에서 스펙트럼 전력 추정. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 3 : V1과 FFA 간의 연결성. 소스 지역화 V1과 얼굴 및 꽃병 시험에서 FFA 신호 사이의 일관성의 가상 부분은, 8-13 Hz. 그늘진 영역의 주파수 범위에서 피사체 내 설계에 대한 평균의 표준 오차를 나타낸다^23. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

토론

시간이 지남에 따라 두 개 이상의 개체로 해석될 수 있는 고유한 자극을 제시하지만, 주어진 시간에 하나의 개체만 으로 개체 지각에 대한 사전 자극 효과를 조사할 수 있습니다. 이 방법으로 하나는 인식 된 개체의 주관적인 보고서에 사전 자극 뇌 상태를 관련시킬 수 있습니다. 실험실 환경에서 Rubin vase 환상과 같은 두 가지 방법 중 하나로 해석 될 수있는 모호한 이미지는 두 가지 시험 유형 사이의 뇌 활동의 간단한 대조를 허용하는 최적의 사례를 제공합니다. )와 그 (예를 들어, '꽃병')을 다른 방법으로 인식.

이러한 자극을 간략하게 제시 (&200 ms) 사람들이 보고 하 고 이후에 주어진된 재판에 자극의 두 가지 가능한 해석 중 하나 만 보고 보장. 참가자 전체의 검은 화병/흰색 면과 흰색 꽃병/검정면 버전 간의 카운터밸런싱(임의로 번갈아)을 조정하면 후속 분석에서 저수준 자극 기능의 영향을 줄일 수 있습니다. 자극 직후 마스크를 제시하면 애프터 이미지가 형성되고 참가자의 반응을 편향시키는 것을 방지할 수 있습니다. 자극 발병 후 의 기간을 분석하는 것은 관심이 없기 때문에 자극과 마스크의 저주파 기능 간의 일치가 필요하지 않습니다. 마지막으로, 참가자 전체에서 응답 버튼을 번갈아 가며(예: 꽃병의 경우 왼쪽, 얼굴오른쪽, 또는 그 반대의 경우도 마찬가지) 모터 준비로 인한 활동이 대비를 고려하지 못하게 됩니다.

MEG의 밀리초 해상도를 감안할 때, 1초의 사전 자극 간격은 스펙트럼 전력 및 연결과 같은 측정값을 추정하기에 충분합니다. 각 결과 시험의 짧은 기간을 감안할 때, 실험 세션에서 많은 수의 시험을 수용할 수 있으므로 시험 전반에 걸쳐 MEG 신호를 평균화할 때 높은 신호 대 잡음 비를 보장할 수 있습니다.

관심 있는 특정 범주에 민감한 영역은 개체 인식^24,25동안 활성화된 것으로 나타났다. 예를 들어, FFA는 얼굴^{인식(22)에}관여하는 것으로 널리 보고된다. 특정 소스에서 비롯된 측정된 활동의 효과를 조사하기 위해 MEG 데이터를 소스 재구성할 수 있습니다. 소스 간의 연결을 조사하려면 소스 재구성이 필요합니다. 소스 데이터 분석을 용이하게 하기 위해 단일 평가판 소스 수준 데이터를 '가상 센서'로 나타낼 수 있습니다. 이러한 방식으로 데이터를 표현하면 소스 공간 및 센서 공간에서 동일한 방식으로 단일 평가판 원본 데이터를 분석할 수 있습니다(예: Fieldtrip 도구 상자를 사용하는 것과 같은 동일한 분석 함수사용). 그런 다음 지정된 관심 지역의 활동에 대한 가설을 간단한 방식으로 테스트할 수 있습니다.

사전 자극 진동 전력은 지각 임계값 근처의 자극 검출에 영향을 미치는 것으로 나타났지만 (인지 대 인식되지 않음), 보이는 내용의 내용에 영향을 미치는지 여부는 덜 알려져 있습니다. 여기에서 우리는 사람들이 얼굴 대 꽃병을 보고하는 시험 사이 FFA에 있는 pre 자극 진동 힘을 대조하고, 통계적인 다름을 찾아내지 않았습니다. 우리는 그 후에 V1과 FFA 사이 연결이 곧 지각 보고에 영향을 미치는지 시험하고, 얼굴 예심이 자극 개시의 앞에 약 700 ms의 알파 주파수 범위에서 V1와 FFA 사이 향상된 연결에 선행되었다는 것을 것을을 발견했습니다. 우리는 알파 파워에 영향을 발견하지, 오히려 알파 대역에서 연결, 사전 자극 알파 전력자극 검출에 영향을 미칠 수 있지만^있음을시사 7,^8,그것은 반드시 개체 분류에 영향을 미치지 않는다. 따라서 우리의 결과는 물체 지각에 앞서 진동 역학과 물체 지각에 대한 후속 영향에 대한 보다 완전한 이해를 위해 관심 있는 영역에서 진동 력을 분석하는 것만으로는 충분하지 않다는 것을 보여줍니다. 오히려, 관심 있는 영역 간의 연결을 고려해야 합니다., 이러한 연결의 강도에 지속적인 변동 후속 지각을 편향 수 있습니다^18. 마지막으로, MEG의 최적 에 미달한 공간 해상도에도 불구하고, 우리의 프로토콜은 관심 영역을 명확하게 식별하고 관계를 조사 할 수 있음을 보여줍니다. MEG는 우수한 공간 해상도를 제공하고 우수한 시간 적 해상도를 제공하므로 뇌전도 (EEG)를 대체 할 수 있으며 기능 MRI를 대체 할 수 있습니다. 따라서 소스 재구성과 결합된 MEG는 빠르고 국부적인 신경 프로세스를 조사하는 데 이상적입니다.

자료

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