Сопоставление корковой динамики Одновременное использование MEG / ЭЭГ и анатомически ограничен минимальной нормой Оценки: Пример слухового внимания

Резюме

Мы используем магнито-и электроэнцефалографии (MEG / ЭЭГ), в сочетании с анатомическую информацию, полученную при магнитно-резонансной томографии (МРТ), для отображения динамики корковых сети, связанные с слуховое внимание.

Аннотация

Magneto- and electroencephalography (MEG/EEG) are neuroimaging techniques that provide a high temporal resolution particularly suitable to investigate the cortical networks involved in dynamical perceptual and cognitive tasks, such as attending to different sounds in a cocktail party. Many past studies have employed data recorded at the sensor level only, i.e., the magnetic fields or the electric potentials recorded outside and on the scalp, and have usually focused on activity that is time-locked to the stimulus presentation. This type of event-related field / potential analysis is particularly useful when there are only a small number of distinct dipolar patterns that can be isolated and identified in space and time. Alternatively, by utilizing anatomical information, these distinct field patterns can be localized as current sources on the cortex. However, for a more sustained response that may not be time-locked to a specific stimulus (e.g., in preparation for listening to one of the two simultaneously presented spoken digits based on the cued auditory feature) or may be distributed across multiple spatial locations unknown a priori, the recruitment of a distributed cortical network may not be adequately captured by using a limited number of focal sources.

Here, we describe a procedure that employs individual anatomical MRI data to establish a relationship between the sensor information and the dipole activation on the cortex through the use of minimum-norm estimates (MNE). This inverse imaging approach provides us a tool for distributed source analysis. For illustrative purposes, we will describe all procedures using FreeSurfer and MNE software, both freely available. We will summarize the MRI sequences and analysis steps required to produce a forward model that enables us to relate the expected field pattern caused by the dipoles distributed on the cortex onto the M/EEG sensors. Next, we will step through the necessary processes that facilitate us in denoising the sensor data from environmental and physiological contaminants. We will then outline the procedure for combining and mapping MEG/EEG sensor data onto the cortical space, thereby producing a family of time-series of cortical dipole activation on the brain surface (or "brain movies") related to each experimental condition. Finally, we will highlight a few statistical techniques that enable us to make scientific inference across a subject population (i.e., perform group-level analysis) based on a common cortical coordinate space.

протокол

1. Анатомические сбора и обработки данных

1. Приобрести одну намагниченности подготовленные быстрое градиентное эхо (MPRAGE) МРТ субъекта. Это может занять 5-10 минут, в зависимости от конкретного протокола сканирования используется.
2. Приобретите два дополнительных быстрых низким углом выстрела (FLASH) МРТ (флип углы = 5 ° и 30 °), если данные ЭЭГ используется для обратного анализа изображений, а FLASH последовательности предоставлять различные ткани отличие от стандартной последовательности MPRAGE ^1.
3. Используйте FreeSurfer программного обеспечения (см. таблицу) ^{2, 3} для восстановления поверхности коры и устанавливать индивидуальные M / ЭЭГ дипольных пространство источник.
   1. Этот источник пространстве ограничены серого / белого вещества границе сегментирован от MPRAGE сканирования. Каждое полушарие содержит около 100000 потенциальных вершин, расположенных на ~ 1 мм. Для дипольных оценки амплитуды (см. ниже), используйте сетки 7 мм, что дает ~ 3000 диполи в полушарии.
4. Реконструироватькожи, внешний черепа и внутренней поверхности черепа от MPRAGE и флэш-изображений с помощью МНК (см. таблицу) и FreeSurfer. Использование этих поверхностей для создания трехслойных граничных элементов модели (МГЭ).

2. M / ЭЭГ сбора данных

1. Подготовка тема для M / записи ЭЭГ.
   1. Обратитесь к Лю и др. ⁴ для деталей электроокулограммы и подготовка электрода, а также оцифровки координатных ориентиры субъекта, головной указатель положения катушки (HPI) и ЭЭГ-электроды.
2. Как только субъект сидит в MEG, измерить положение головы использования HPI катушек.
3. Начать запись. Начало презентации слуховых и зрительных раздражителей.
   1. Многие аппаратные и программные решения доступны для выполнения предъявления стимула (например,., Презентации, E-Prime). Мы используем Tucker-Davis технологий RZ6 для слуховых стимулов презентации и запуска штамповки, с Psychtoolbox ⁵ для визуального ыtimulus презентации, контролируемые MATLAB. Тестирование слуховых и зрительных задержками с помощью микрофона и фотодиод прикреплена к экрану, а затем и обеспечения там не наблюдается дрожание (что может потребовать установки проектора на презентации своего родного разрешения) до эксперимента помогает гарантировать целостность сроки.
4. Тема реагирует на звуковые и световые раздражители с помощью оптического окна кнопки во время выполнения поведенческих задач.
5. Сохранить все раздражители, экспериментальных параметров и файлов данных для обработки и анализа.

3. M / ЭЭГ Co-регистрацию с помощью МРТ сканирование и обработка данных

1. Использование МНК программное обеспечение, загрузить дигитайзер данных и реконструированных МРТ модели субъекта голову. Выберите доверительное ориентиры для начала совместного процесс регистрации и приступить к использованию автоматической процедуры выравнивания завершить преобразование координат (рис. 2).
2. Чтобы связать местоположение каждого диполя в источнике SPТуз с расположением каждого датчика, объединить записанные HPI данных (см. п. 2.2) для вычисления вперед решение с трехслойным BEM (см. 1.4)
3. Проверьте все записанные M / данные ЭЭГ и выявить каналы, которые имеют исключительно высокую дисперсию или полностью плоские. Установить эти каналы, как плохо каналов.
4. Используйте сигнал пространство проекции ⁶ или других шумов методов (например, сигнал разделения пространства ^7), проекта или выделить пространственных структур поля возник из окружающего загрязнения окружающей среды поля или другие нежелательные физиологические сигналы, такие как те, что связаны с глаз мигает и сердечные артефакты (рис. 3).
   1. Применить во временной области удаления артефактов (например,., Удаление эпох содержащих аномально высокой амплитуды сигналов из-за пики канала) и в частотной области удаления артефактов (например,., Группа превосходную фильтрацию на 50 или 60 Гц линия частоты) для дальнейшего увеличения отношение сигнал-шум.
5. Определение базового периода, в котором субъект не выполняет любое задание (например,., 200 мс период до начала каждого испытания). Создание среднем из этих базовых эпох, чтобы получить оценку шума (также известный как ковариационная матрица).
6. Определить эпохи интерес (например, только сбор эпох с правильной поведенческой реакции.), И определим условия для экспериментальной контрастов (например, эпохи связана с темой переключив свое слуховое внимание на противоположной hemifield как изначально подавал реплики -. "Switch" состоянии - в зависимости от темы поддержание внимание на оригинальный hemifield - "держать" состояние). Создание средний ответ для каждого состояния определены.
   1. Эти средние можно базовой коррекцией или нет в зависимости от параметров эксперимента (см. ^8); данные, приведенные здесь, являются базовыми-исправлена.
7. Комбинат ковариационной матрицы (3,5) и компьютерная решение вперед (3,2) для полученияраспределенный cortically ограничен минимальной нормы обратного оператора, что касается датчика измерения дипольного текущие оценки в исходном пространстве.
   1. Вы можете примерно ограничивать или исправить ориентация диполей в корковых нормальном направлении ^9.
8. Создание "мозг фильм" распределенной дипольных оценку (то есть., Текущая оценка на каждый диполь расположения в исходном пространстве и времени) для каждой экспериментальной состояние (рис. 4).
   1. В зависимости от временных характеристик вашего эксперимента, вы можете бен данных во времени усреднения текущих оценок с использованием непересекающихся временных окон.

4. Статистический вывод на основе общей наземной системы координат

1. Morph "мозг фильмов" для каждого субъекта на общий (средний) корковых пространства на основе наземной системой координат, которая оптимально выравнивает отдельные sulcal-GYRAL модели ^3. Это позволяет нам сравнивать или среднее корковой деятельности по всем предметам. (Рис. 5).
2. Есть много различных статистических подходов вывода. Мы будем выделить три возможных подхода здесь. Подходы, которые не реализованы в программном пакете могут быть написаны с использованием специального программного обеспечения, в нашем примере мы используем MATLAB для выполнения непараметрические пространственно-временных кластеров перестановки теста. Несмотря на большой размерности (Space х Время х субъектах) этих данных, все эти подходы могут быть выполнены с использованием стандартного современного оборудования настольного компьютера в секундах (ROI; 4,3 подход) до нескольких часов (непараметрический кластеризации; 4,5).
3. Область интересов, (ROI) подход
   1. Вы можете определить ROI анатомически (например,., Определяется алгоритм автоматического парцелляция ¹⁾ и / или функционально (например,., Регистрируя локализующую функциональных задач, таких как Go / No Go саккады задача определить oculomotoГ регионов).
   2. Вы можете еще ​​больше ограничивают свой ​​анализ к определенному времени интересов, который соответствует вашим экспериментальных парадигм (например,., Период времени, непосредственно до и после появления звуковых раздражителей). Вы также можете использовать другие статистические выводы, связанные с анализа временных рядов.
4. Всего мозг Bonferroni или ложь-Discovery-Rate (FDR) коррекция
   1. Применять Bonferroni или FDR коррекции, если вам требуется целого мозга, все время анализа.
   2. Создание статистической карты на каждый диполь место и каждый момент времени, используя соответствующие статистические данные испытаний, таких как Т-тест или внутри субъектов ANOVA примерно нормально распределенных данных. Например, г-баллов из динамического отображения статистических параметров МНК оценки для фиксированных дипольных источников ¹⁰ может использоваться в паре с поправкой на корреляции в оценках (например, консервативная Парниковый-Geisser коррекции).
   3. Для Bonferroniкоррекция, получение значительных пространственно-временных точек по пороговой на уровне значимости 0,05, деленное на количество сравнений (число диполей, умноженный на число моментов времени). Для менее консервативный подход, использование FDR р-значение коррекции ^11.
5. Непараметрические пространственно-временной кластеризации
   1. Используйте этот метод (основан на простом расширении ^12), чтобы найти регионах большая, в соответствии пространственной и временной активации в то же время менее консервативны, чем коррекцией Бонферрони, и менее склонны к I типа статистических ошибок, чем Рузвельт, управляя для семейного мудрый ошибок .
      1. Поскольку этот подход используется перестановка или Монте-Карло ресамплинг методы, он не опирается на предположения о нормальности данных, а лишь предполагает, что условия этикетки сменной при нулевой гипотезе. Хотя это более интенсивных вычислений, чем предыдущие два подхода, она может быть выполнена в час наодной машине с использованием современного компьютерного оборудования рабочего стола.
   2. Создание статистической карты на каждый диполь месте и каждый раз точку с помощью соответствующих статистических испытаний, таких как Т-тест.
   3. Порог этой карте на предварительном порог значения, например, р <0,05.
   4. Кластер этих предполагаемых значительных пунктов основываясь на пространственно-временной близости, например. важные моменты в течение 5 мс и 5 мм геодезическое расстояние друг от друга, помещают в одном кластере. Забьет в результате каждого кластера с помощью гиперобъем или полное значение (например,. Суммы Т-баллов точек в кластере).
   5. Выполните стандартную перестановку передискретизации (или Монте-Карло интерполяции для больших наборов данных, например. Количество предметов N> 10, чтобы сэкономить на вычисление) тест с максимальным статистики (см. ¹² для перестановки примеры тестов). Короче говоря, для случайного подмножества предметов (выбор в любом месте от 0 до N предметов), переразметьте условиях Бейнг по сравнению до получения статистической карте, выполнить кластеризацию на новую статистическую карту и получить максимальную оценку кластера, что перемаркировки. Выполните эту процедуру на новые случайные перемаркировок на срок до 2 ^N перестановок для получения распределения максимального статистики; выполнять все 2 ^N возможных перемаркировок приводит к перестановке испытание и использование случайного подмножества меньше, чем 2 ^N перемаркировок дает Монте-Карло (или случайные ) перестановка тест.
   6. Получить значение данного исходного кластера (от первоначальной маркировки), определив долю времени, максимальные размеры кластеров были больше, чем у исходного кластера, например. кластеров, которые были больше, чем на 95% от максимального скопления статистика может быть признан значительным.
      1. Для углубленного обсуждения на статистические выводы в MEG распределенной визуализации источника см. ^13.
6. В результате файлы данных могут быть VI sualized во многих отношениях, в том числе используя формат изначально использованы МНК программного обеспечения для хранения пространственно-временных корковых оценки, а именно STC файлов. Это, наряду с этикетки, которые могут быть произведены соответствующие значимых регионах, может быть создан с помощью МНК набор инструментов предусмотренных MATLAB и Python.

5. Представитель Результаты

На рисунке 6 показан набор представитель результатов с помощью поведенческой парадигмы указаны на рисунке 4. Использование непараметрических пространственно-временная процедура кластеризации (4,5), право FEF оказывается существенным, когда субъект выполняет задачу переориентации сравнению со стандартной задачей (рис. 6 слева). Используя подход ROI (4,3), время хода правого FEF показано, наряду с периодом времени, что эти два условия значительно отличаются.

p_upload/4262/4262fig1.jpg "/>
Рисунок 1. Рабочего процесса для создания «мозгового кино», используя cortically-ограничена минимальной нормой дипольных оценки (см. рисунок 1 в Liu и соавт., 2010).

Рисунок 2. MNE программное обеспечение, используемое для облегчения каналов ЭЭГ и HPI местах ко-регистрация на МРТ координат пространства одного субъекта.

Рисунок 3. MEG данные до и после использования SSP для удаления сердца (выделены оранжевым цветом) и глазом мигает (выделено сине-зеленый), артефакты и низкочастотной фильтрации для удаления линии частоты. Нажмите, чтобы увеличить показатель .

Рисунок 4 "мозг фильм" на родном корковых субъекта пространстве и времени проведения аудио-визуальных презентаций (с слуховых раздражителей, представленных на 600 мс и визуальные стимулы, представленные на -600 мс) в одной экспериментальной парадигмы (Примечание:. Этого будет представлены в виде фильмов в финале клипа)

Рисунок 5. Сравнение между гипотетическими ROI отображается на родном корковых пространство субъекта и после превратились на общей корковой пространстве.

Рисунок 6. Представитель пространственно-временных кластеров и время курс связан с двух экспериментальных условияхных испытания.

Обсуждение

Для того чтобы оценить дипольного активацию на кору от приобретенного MEG / данные ЭЭГ, нам нужно решить обратную задачу, которая не имеет единственное устойчивое решение, если соответствующие анатомически и физиологически звук ограничениями. Использование анатомических ограничений п...

Материалы

Name	Company	Catalog Number	Comments
Наименование оборудования / программного обеспечения	Компании / источник
306-канал Vectorview MEG системы	Eleka-Neuromag Ltd,
1,5-Т Avanto магнитно-резонансной томографии	Siemens Medical Solutions
FreeSurfer			http://freesurfer.net/
MNE программного обеспечения			http://www.nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php
ЭЭГ электродов	Мозг продукции, EasyCap GmbH
3Space Fastrak системы	Polhemus
Оптический бокс кнопки (ПФР-932)	Современные конструкции