Este método pode ajudar a responder perguntas-chave no campo da neurociência cognitiva. A principal vantagem dessa técnica é que ela pode analisar a atividade neural e a conectividade em evoluções temporais de alto espaço. Para iniciar a análise dos dados intracranianos do EEG, configure o SPM12 e selecione o menu analítico MEG EEG.
Primeiro, realize a análise de frequência de tempo para os dados de EEG intracranianos pré-processados de cada ensaio usando decomposição contínua de ondas com ondas de Morlet baseadas em parâmetros predefinidos. Para revelar a evolução temporal dos componentes espectrais, conduza a decomposição de ondas de ondas usando ondas de morlet de sete ciclos durante toda a época de 1.000 a 2.000 milissegundos usando a faixa de frequência de quatro a 300 hertz. Em seguida, determine a wavelet mãe e o número de ciclos e observe que o número de ciclos controla as resoluções de frequência de tempo e deve ser maior que cinco para garantir a estabilidade da estimativa.
Determine faixas de tempo e frequência. Em seguida, corte os mapas de frequência de tempo resultantes automaticamente para remover efeitos de borda. Aqui, os mapas são cortados em 200 a 500 milissegundos.
Execute a transformação de dados se desejar e a correção da linha de base selecionando reescala de frequência de tempo para os mapas de frequência de tempo para visualizar melhor as mudanças de energia relacionadas ao evento e melhorar a normalidade. Em seguida, converta os mapas de frequência de tempo em imagens bidimensionais. Também suave usando um kernel gaussiano com um valor de meia-largura predefinido para compensar a variabilidade entre sujeitos e para se adequar às suposições da teoria de campo aleatório.
Agora selecione especificar o segundo nível no menu SPM e digite as imagens 2D que serão analisadas. Em seguida, execute o modelo linear geral selecionando a estimativa do modelo. Finalmente, selecione resultados para realizar inferências estatísticas nos dados de frequência de tempo com base na teoria de campo aleatório.
Detecte clusters de frequência de tempo significativamente ativados com limiares predefinidos, como os vistos aqui. Inicie a análise de modelagem causal dinâmica selecionando o DCM no menu SPM. Em seguida, escolha a opção IND e selecione novos dados para importar os dados EEG intracranianos pré-processados.
Em seguida, use o menu MEG EEG para especificar a janela de tempo de interesse, janela de frequência de interesse, número de ciclos de wavelet que serão usados, condições de interesse e os contrastes para as condições. Defina a janela de tempo para um a 500 milissegundos. Use ondas morlet de cinco ciclos de quatro a 100 hertz em um passo de hertz.
Use a configuração padrão para o ciclo de ondas. Determine as faixas de frequência de tempo com base no interesse da pesquisa. Observe que uma janela de tempo com 512 milissegundos adicionais pode ser usada automaticamente durante a computação para remover efeitos de borda.
Com base na estrutura do DCM, defina as entradas de condução que representam entradas sensoriais em estados neurais e as conexões intrínsecas que incorporam a conectividade da linha de base entre estados neurais. Além disso, defina os efeitos modulatórios sobre as conexões intrínsecas através de manipulações experimentais para modelos nulos e hipotéticos. Defina o tipo de modulação como linear ou não linear.
Agora especifique as conexões lineares e não lineares intrínsecas, entradas de condução e entradas de modulação. Modifique as configurações padrão dos parâmetros relacionados, se necessário, como o tempo e a duração do início do estímulo anterior. Em seguida, escolha inverter o DCM para estimar os modelos.
Depois disso, selecione salvar resultados como imagem para salvar imagens de parâmetros modulatórios de frequência de frequência de frequência. Em seguida, realize uma análise de seleção de modelos bayesianos de efeitos aleatórios selecionando BMS para identificar o modelo de rede ideal. Use o modelo de probabilidades esperadas e probabilidades de adesão como medidas de avaliação.
Em seguida, faça inferências sobre os padrões de frequência cruzada das conexões modulatórias usando os parâmetros do modelo vencedor. Agora suavize as imagens do parâmetro de acoplamento modulatório selecionando converter em imagens. Em seguida, use especificar segundo nível para realizar a análise geral do modelo linear.
Por fim, selecione os resultados para calcular os valores 2D SPMT. Aqui, a meia-largura total foi fixada em oito hertz e valores significativos foram exploratoriamente identificados usando um limiar de altura não corrigido de P menos de 0,05. Foram realizadas análises de tempo de frequência para investigar os perfis temporais e de frequência da atividade do Gyrus ou IOG inferior durante o processamento das fases.
Aqui vemos mapas de frequência de tempo da atividade iOG certa para a fase vertical e condições de mosaico vertical. Os dados SPMT para fase vertical versus mosaico vertical também são mostrados. Modelos de rede funcionais são mostrados aqui.
Foram investigadas oito combinações possíveis de entrada modulatória da fase vertical versus mosaico vertical sobre conexões entre o IOG e a amígdala e a autoconexão em cada região. Parâmetros modulatórios de frequência de frequência e valores SPMT para fase vertical versus mosaico vertical para a modulação IOG versus amígdala e amígdala versus IOG são mostrados aqui. As áreas vermelho-amarelo indicam conectividade excitatória significativa, enquanto as áreas azul-ciano indicam conectividade inibitória.
Depois de assistir a este vídeo, você deve ter um bom entendimento sobre como analisar dados intracranianos de EEG para detectar atividade neural e conectividade usando o software SPM.
