JoVE Logo
АВТОРЫ
СВЯЖИТЕСЬ С НАМИ

Войдите в систему

Для просмотра этого контента требуется подписка на Jove Войдите в систему или начните бесплатную пробную версию.

В этой статье

  • Резюме
  • Аннотация
  • Введение
  • протокол
  • Результаты
  • Обсуждение
  • Раскрытие информации
  • Благодарности
  • Материалы
  • Ссылки
  • Перепечатки и разрешения

Резюме

Мы представляем два аналитических протоколов, которые могут использоваться для анализа внутричерепных электроэнцефалография данных с использованием программного обеспечения статистической параметрический сопоставления (СЗМ): анализ статистических параметрический сопоставление частотно-нейронной активности, и динамические причинно Моделирование искусственных ответов для подключения внутри и между регионального.

Аннотация

Измерения нейронной активности и подключения, связанные с когнитивных функций при высоких пространственных и временных резолюций является важной целью в когнитивной нейробиологии. Внутричерепных электроэнцефалография (ЭЭГ) можно непосредственно запись электрической нейронной активности и имеет уникальный потенциал для достижения этой цели. Традиционно в среднем анализ был применен для анализа внутричерепных ЭЭГ данных; Однако несколько новых методов доступны для изображением нейронной активности и внутри и между регионального подключения. Здесь, мы представляем два аналитических протоколов, мы недавно применяется для анализа внутричерепных ЭЭГ данных с использованием программного обеспечения статистической параметрический сопоставления (СЗМ): частотно-РП анализ для нейронной активности и динамического моделирования причинно индуцированной ответов для внутри и между регионального подключения. Мы сообщаем наш анализ данных внутричерепных ЭЭГ во время наблюдения лица как представитель результаты. Результаты показали, что уступает затылочные извилины (ГВН) показал активности гамма полосами на очень ранних стадиях (110 мс) в ответ на лица и ГВН и миндалины, показали быстрый внутри и между регионального подключение, используя различные виды колебаний. Эти аналитические протоколы имеют потенциал для выявления нейронные механизмы, лежащие в основе когнитивных функций с высоким пространственным и временным профилями.

Введение

Измерения нейронной активности и подключения, связанные с когнитивных функций при высоких пространственных и временных резолюций является одной из основных целей когнитивной нейронауки. Однако достижение этой цели нелегко. Один популярный метод, используемый для записи нейронной активности является функциональная магнитно-резонансная томография (МРТ). Хотя Функциональная МРТ предлагает несколько преимуществ, таких как высокое пространственное разрешение на уровне миллиметр и неинвазивные записи, ясно недостатком функциональной МРТ является его низкая временным разрешением. Кроме того Функциональная МРТ меры крови кислород уровня зависимой сигналы, которые лишь косвенно отражать электрические нейронной активности. Популярные электрофизиологических методов, включая электроэнцефалографии (ЭЭГ) и Магнитоэнцефалография (Мэг), имеют высокого временного разрешения на уровне миллисекунды. Однако они имеют относительно низкого пространственного разрешения, потому что они записывать электрические или магнитные сигналы на волосистой части головы и должны решать сложные проблемы обратной изображать активность мозга.

Внутричерепных ЭЭГ может напрямую записывать электрические нейронной активности в высокой временной (миллисекунды) и пространственных (сантиметр) резолюции1. Эта мера может предоставить ценные возможности понять нейронной активности и связь, хотя он имеет четкие ограничения (например, измеримые регионов ограничены клинические критерии). Несколько внутричерепных ЭЭГ исследования применялись традиционные Усредненный анализ изображать нейронной активности. Хотя усреднения анализ чутко может обнаружить активации время locked и низкочастотного диапазона, он не может обнаружить не этапа-к морю и/или активации высокой частоты (например, группа гамма). Кроме того функциональные нейронные соединения не была проанализирована в глубину в литературе по внутричерепных ЭЭГ записи. Недавно были разработаны несколько новых методы изображать нейронной активности и внутри и между регионального подключения в функциональной МРТ и ЭЭГ/Мэг записей, которые могут быть применены для анализа внутричерепных ЭЭГ данных.

Здесь мы представляем аналитических протоколов, которые мы недавно применены для анализа внутричерепных ЭЭГ данных с использованием программного обеспечения статистической параметрический сопоставления (SPM). Во-первых, чтобы выявить, когда и на какой частоте, области мозга может быть активирован, мы провели время частота РП анализ2. Этот анализ разлагает временной и частотной областях, одновременно используя Непрерывное вейвлет-преобразование и соответствующим образом корректирует уровень family-wise ошибка (FWE) в частотно-карты, используя случайные теории поля. Во-вторых выявить, как мозга общаться, мы применили динамическое моделирование причинной (DCM) индуцированного ответы4. DCM позволяет исследование эффективного подключения (то есть, причинные и направленного влияния среди регионов мозга5). Хотя DCM первоначально был предложен как инструмент для анализа данных функциональной МРТ5, DCM индуцированных ответов был расширен для анализа нестационарных спектры мощности электрофизиологических сигналов4. Этот анализ позволяет изображением оба внутри и между регионального нейронные соединения. Несколько нейрофизиологические исследования показали, что местные внутрирегиональной вычислений и дальней межрегиональных коммуникации главным образом используют гамма - и тета диапазона колебаний, соответственно, и их взаимодействия (например, конференции) можно быть отражены тета гамма кросс частота муфта3,6,,78. Настоящий доклад сосредоточен на протоколе аналитических данных; Обзор справочная информация9,10 и записи протоколов11 внутричерепных ЭЭГ пожалуйста, обратитесь к литературе.

протокол

Наше исследование был одобрен Комитетом местных институциональных этики.

1. Основная информация

Примечание: Аналитических протоколов могут применяться для различных типов данных без каких-либо ограничений в отношении конкретных участников, электроды, эталонных методов или расположения электродов. В нашем примере мы протестировали шесть пациентов, страдающих от фармакологически неразрешимыми фокальной эпилепсии. Мы протестировали пациентов, которые не эпилептических очагов в регионах, представляющих интерес.

  1. Внутричерепных ЭЭГ данные записи во время познавательного эксперимента на целевом электродов.
    1. Имплантировать электроды глубины с помощью стереотаксических метод12.
    2. Используйте субдуральной платиновыми электродами (диаметр: 2.3 мм) и глубины платиновые электроды (диаметр: 0,8 мм) одновременно измерять корковых и подкорковых деятельности, соответственно.
    3. Место ссылки электродов на поверхности черепа спинной лобной области срединной линии, с контактами электродов, стоящие вдали от черепа, чтобы избежать ссылочной активации12.
    4. Усиливают данных, фильтровать онлайн (полосовые: 0.5 – 300 Гц) и образец на 1000 Гц.
    5. Для записи и статистически удаления артефактов, связанных с движениями глаз, дополнительно запись electrooculograms. Выберите целевой электродов на основе теоретических интересов. Кроме того использование отдельных МРТ и КТ данных для проверки расположения электродов.
  2. Образцы и предварительной обработки данных испытаний внутричерепных ЭЭГ (рис. 1).
    Примечание: Аналитических протоколов могут применяться для различных типов данных без каких-либо ограничений для конкретной длины данных или методы предварительной обработки.
    1. Здесь образец данных во время 3 000 мс (предварительное стимулом: 1000 мс; после стимул: 2000 мс) для каждого разбирательства.
    2. Потому что участников, здесь показан аномально высокой амплитудой деятельность в некоторых исследованиях, возможно связанные с эпилепсией, исключить эти останец испытания с использованием предопределенных порогов (> 800 МКВ и > 5 SD). Другие шаги предварительной обработки, включая визуальный контроль и анализ независимых компонентов, может потребоваться в зависимости от экспериментальных целей и условий.
  3. Родной формат системы ЭЭГ можно преобразуйте в формат на основе MATLAB СЗМ (см. SPM12 руководство 12.1 и 12.2).
    Примечание: Большинство форматов данных ЭЭГ можно непосредственно импортировать в РП программное обеспечение, выбрав преобразования в РП Пакетный редактор интерфейса и задания всех требуемых входных параметров. Еще одним возможным способом является использование пример сценария «spm_eeg_convert_arbitrary_data.m» в подкаталоге человек/example_scripts каталог программы СЗМ. Этот сценарий предоставляет удобный способ для преобразования файла ASCII или мат файл, который может быть экспортирован системой многие ЭЭГ с форматом УСВ.

2. анализ частотно-РП

  1. Настройка SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) и использовать аналитические меню М/ЭЭГ13 (рис. 2).
  2. Выполнения анализа SPM частотно-2 , выбрав «частотно-анализ» в меню SPM для обработанного внутричерепных ЭЭГ данных каждого испытания с использованием вейвлет-разложения с Morlet вейвлетов, на основе заранее определенных параметров ( Рисунок 3).
    Примечание: Вейвлет-преобразования выявить временная эволюция спектральных составляющих convolving внутричерепных ЭЭГ данных с вейвлеты нескольких частотах14.
    1. Здесь, проводить вейвлет разложения с использованием вейвлетов Morlet семь цикла для всей эпохи (-1,000 – 2000 мс) и диапазон частот 4 – 300 Гц.
    2. Определите, мать вейвлет и количество циклов, основанный на предыдущем исследовании15. Обратите внимание, что количество циклов в вейвлет управляет частотно-резолюций и рекомендуется быть больше 5 для обеспечения оценки стабильности13.
    3. Определение времени и частоты диапазонов на основе научных интересов.
  3. Обрежьте результирующая частотно-карты автоматически, выбрав «Урожай» в меню УСВ, чтобы удалить эффекты краев. Здесь, обрезать частотно-карты в -200 – 500 мс.
  4. Выполняют преобразование данных (необязательно) и коррекция базовой линии, выбрав «время частота перемасштабирование» в меню SPM для карт частотно-лучше визуализировать изменения мощности, связанные с событиями и улучшить нормализации данных.
    Примечание: Здесь, частотно-карты были преобразованы журнала и базовых (-200-0 мс)-исправлена.
  5. Преобразуйте частотно-карты в двухмерные (2D) изображения, выбрав «Convert2Images» в меню «РП».
    1. Гладкая Гаусса ядра с помощью предопределенных полной ширины половину максимум (FWHM) значение для компенсации между предметом изменчивости и соответствовать предположения случайных теории поля, используемые в Статистический вывод2,13 .
      Примечание: Здесь, частотно-карты были сглажены с ядро Gaussian FWHM 96 МС в области времени и 12 Гц в частотной области, на основе предыдущего исследования2.
  6. Введите 2D изображений в общей линейной модели, выбрав «Укажите 1 уровень» в меню «РП».
  7. Оцените общие линейные модели, выбрав «Модель оценки» в меню «РП».
  8. Выполните статистические выводы данных частотно-УСВ {T}, основанный на случайных теория поля2 , выбрав «Результаты» в меню «РП». Обнаружить значительно активированных частотно-кластеры с предопределенных порогов (возможно исправить несколько сопоставлений).
    Примечание: Здесь, степени порог p < 0,05, который был FWE-исправлены несколько сопоставлений, с высоты порог p < 0,001 (некомпенсированная) был использован.

3. DCM индуцированных ответов

  1. Настройка SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) и использовать аналитические меню М/ЭЭГ13 (рис. 4).
    1. Запустите анализ DCM, нажав кнопку «ДКМ» в меню «РП». Активируйте DCM для индуцированного ответы, выбрав в списке «Син» . Импорт предварительно внутричерепных ЭЭГ данных, нажав кнопку «новые данные» в DCM для M/ЭЭГ меню.
  2. Укажите время окно интерес, условий интерес, контрасты для выбранных условий (это определяют модуляции входные данные позднее используется в сети спецификации), частота окно интереса и количество циклов вейвлет в DCM для меню (M/ЭЭГ Рисунок 5).
    1. Использовать вейвлеты Morlet пять цикла (4 – 100 Гц в шагах 1 Гц) и задайте интервал времени 1-500 мс.
    2. Определите вейвлет цикла в соответствии с параметром по умолчанию. Обратите внимание, что программное обеспечение рекомендации значение больше 5 для обеспечения оценки стабильности13. Время частотных диапазонах были определены на основе наших исследований. Обратите внимание, что время окно с дополнительной ± 512 МС автоматически использовался для удаления edge эффекты во время вычисления.
  3. Основываясь на DCM рамки4,5, определить (1) вождение входов, которые представляют сенсорные входы нейронной государств; (2) внутренние соединения, которые воплощают базового подключения нейронных государствами и самостоятельной соединения; и (3) модулирующее воздействие на внутренние соединения через экспериментальных манипуляций для null и гипотетической модели. Также определите тип модуляции как линейная (в частота) или нелинейных (между частота).
    1. Укажите внутренние (линейные и нелинейные) соединения, вождения входы и входы модуляции в DCM для M/ЭЭГ меню.
    2. При необходимости измените параметры по умолчанию некоторых соответствующих параметров (например, предварительное стимулом время начала и продолжительность). Оценка моделей, выбрав «инвертировать ДКМ» в DCM для M/ЭЭГ меню. После этого выберите пункт сохранить результаты как img для сохранения частота частота модулирующее муфты параметр изображения.
  4. Провести анализ выбора (BMS) случайных эффектов Байесу модель17 , нажав «СЭЗ» в DCM для M/ЭЭГ меню для определения оптимальной сетевой модели. Используйте модель ожидается вероятностей и/или вероятности превышения как оценки мер.
  5. Сделать выводы относительно структуры кросс частота модулирующее соединений, используя победы параметров модели с помощью меню СЗМ (см. шаг 2).
    1. Сглаживать изображения параметр модулирующее муфта, выбрав «Convert2Images» в меню «РП».
    2. Анализ общей линейной модели, выбрав «Укажите второго уровня» в меню УСВ.
    3. Вычислить значения 2D УСВ {T}, выбрав «Результаты» в меню «РП».
      Примечание: Здесь, FWHM была установлена в 8 Гц, основанный на предыдущих исследования4. Значительные значения exploratorily были определены с использованием высота порога p < 0,05 (некомпенсированная).

Результаты

С помощью протокола, представленные здесь, мы проанализировали внутричерепных ЭЭГ данных в ответ на лица18,19. Мы записали данные из шести пациентов в ходе пассивного просмотра лица, мозаики и дома в вертикальном положении и перевернутый ...

Обсуждение

Аналитических протоколов для внутричерепных ЭЭГ данных с помощью программного обеспечения УСВ представил здесь имеют ряд преимуществ по сравнению с функциональной МРТ. Во-первых протоколы можно изобразить нервной активации с высоким временным разрешением. Таким образом результаты ?...

Раскрытие информации

Авторы не имеют ничего сообщать.

Благодарности

Это исследование было поддержано средств от Benesse Corporation, Япония общества для финансирования программы поощрения науки (JSP) для следующего поколения ведущих исследователей (LZ008), Организации содействия исследованиям в нервной расстройств, и JSP-страницы KAKENHI (15K 04185; 18K 03174).

Материалы

NameCompanyCatalog NumberComments
none

Ссылки

  1. Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).
  2. Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
  3. Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
  4. Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
  5. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
  6. Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
  7. Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
  8. Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191 (2010).
  9. Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
  10. Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
  11. Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993 (2012).
  12. Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
  13. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
  14. Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
  15. Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
  16. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  17. Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
  18. Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
  19. Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
  20. Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition?. Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
  21. Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
  22. Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
  23. Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
  24. Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
  25. Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
  26. Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
  27. Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
  28. Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
  29. Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
  30. Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
  31. Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
  32. Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351 (2016).
  33. Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
  34. Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
  35. Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
  36. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  37. Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
  38. Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).

Перепечатки и разрешения

Запросить разрешение на использование текста или рисунков этого JoVE статьи

Запросить разрешение

Смотреть дополнительные статьи

140DCM

This article has been published

Video Coming Soon

JoVE Logo

Конфиденциальность

Условия эксплуатации

Политика

СВЯЖИТЕСЬ С НАМИ

РЕКОМЕНДОВАТЬ БИБЛИОТЕКЕ

НОВОСТИ JoVE

Исследования

Образование

АВТОРЫ

Библиотекарь

О JoVE

Авторские права © 2025 MyJoVE Corporation. Все права защищены