Name: analyzing neural activity and connectivity using intracranial eeg data with spm software
Uploaded: 2018-10-30T13:30:00
Description: Watch this Scientific Journal Video about Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software at JoVE.com

Cette étude a été financée par des fonds de la Corporation de Benesse, la société japonaise pour le programme de financement pour les chercheurs de prochaine génération mondiaux (LZ008), l’Organisation pour la promotion de la recherche dans les troubles du développement neurologique, de la Promotion of Science (JSPS) et le KAKENHI JSPS (15K 04185 ; 18K 03174).

Notre étude a été approuvée par le Comité d’éthique institutionnel local.
1. Généralités
Remarque : Les protocoles analytiques peuvent être appliquées à différents types de données sans aucune restriction quant à participants spécifiques, électrodes, méthodes de référence ou des sites de l’électrode. Dans notre exemple, nous avons testé six patients souffrant d’épilepsie focale pharmacologiquement réfractaire. Nous avons testé des patie...

<ol>
	<li>Lachaux, J. P., Rudrauf, D., Kahane, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Intracranial+EEG+and+human+brain+mapping.">Intracranial EEG and human brain mapping.</a> Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).</li><li>Kilner, J. M., Kiebel, S. J., Friston, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Applications+of+random+field+theory+to+electrophysiology.">Applications of random field theory to electrophysiology.</a> Neuroscience Letters. 374 (3), 174-178 (2005).</li><li>Canolty, R. T., Knight, R. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+functional+role+of+cross-frequency+coupling.">The functional role of cross-frequency coupling.</a> Trends in Cognitive Sciences. 14 (11), 506-515 (2010).</li><li>Chen, C. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+dynamic+causal+model+for+evoked+and+induced+responses.">A dynamic causal model for evoked and induced responses.</a> Neuroimage. 59 (1), 340-348 (2012).</li><li>Friston, K. J., Harrison, L., Penny, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dynamic+causal+modelling.">Dynamic causal modelling.</a> Neuroimage. 19 (4), 1273-1302 (2003).</li><li>Canolty, R. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=High+gamma+power+is+phase-locked+to+theta+oscillations+in+human+neocortex.">High gamma power is phase-locked to theta oscillations in human neocortex.</a> Science. 313, 1626-1628 (2006).</li><li>Tort, A. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dynamic+cross-frequency+couplings+of+local+field+potential+oscillations+in+rat+striatum+and+hippocampus+during+performance+of+a+T-maze+task.">Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task.</a> Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).</li><li>Voytek, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Shifts+in+gamma+phase-amplitude+coupling+frequency+from+theta+to+alpha+over+posterior+cortex+during+visual+tasks.">Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks.</a> Frontiers in Human Neuroscience. 4, 191 (2010).</li><li>Mukamel, R., Fried, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Human+intracranial+recordings+and+cognitive+neuroscience.">Human intracranial recordings and cognitive neuroscience.</a> Annual Review of Psychology. 63, 511-537 (2012).</li><li>Parvizi, J., Kastner, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Promises+and+limitations+of+human+intracranial+electroencephalography.">Promises and limitations of human intracranial electroencephalography.</a> Nature Neuroscience. 21, 474-483 (2018).</li><li>Hill, N. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Recording+human+electrocorticographic+(ECoG)+signals+for+neuroscientific+research+and+real-time+functional+cortical+mapping.">Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping.</a> Journal of Visualized Experiments. (64), 3993 (2012).</li><li>Herrmann, C. S., Rach, S., Vosskuhl, J., Str&#252;ber, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Time-frequency+analysis+of+event-related+potentials:+A+brief+tutorial.">Time-frequency analysis of event-related potentials: A brief tutorial.</a> Brain Topography. 27 (4), 438-450 (2014).</li><li>Litvak, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG+and+MEG+data+analysis+in+SPM8.">EEG and MEG data analysis in SPM8.</a> Computational Intelligence and Neuroscience. 2011, 852961 (2011).</li><li>Mihara, T., Baba, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Combined+use+of+subdural+and+depth+electrodes.">Combined use of subdural and depth electrodes.</a> Epilepsy Surgery. , 613-621 (2001).</li><li>Kilner, J., Bott, L., Posada, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Modulations+in+the+degree+of+synchronization+during+ongoing+oscillatory+activity+in+the+human+brain.">Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain.</a> European Journal of Neuroscience. 21, 2547-2554 (2005).</li><li>Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Measuring+phase+synchrony+in+brain+signals.">Measuring phase synchrony in brain signals.</a> Human Brain Mapping. 8 (4), 194-208 (1999).</li><li>Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Bayesian+model+selection+for+group+studies.">Bayesian model selection for group studies.</a> Neuroimage. 46 (4), 1004-1017 (2009).</li><li>Sato, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Rapid,+high-frequency,+and+theta-coupled+gamma+oscillations+in+the+inferior+occipital+gyrus+during+face+processing.">Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing.</a> Cortex. 60, 52-68 (2014).</li><li>Sato, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Bidirectional+electric+communication+between+the+inferior+occipital+gyrus+and+the+amygdala+during+face+processing.">Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing.</a> Human Brain Mapping. 38 (2), 4511-4524 (2017).</li><li>Bartlett, J. C., Searcy, J., Abdi, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=What+are+the+routes+to+face+recognition?.">What are the routes to face recognition?.</a> Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).</li><li>Bouvier, S. E., Engel, S. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Behavioral+deficits+and+cortical+damage+loci+in+cerebral+achromatopsia.">Behavioral deficits and cortical damage loci in cerebral achromatopsia.</a> Cerebral Cortex. 16 (2), 183-191 (2006).</li><li>Pitcher, D., Walsh, V., Duchaine, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+role+of+the+occipital+face+area+in+the+cortical+face+perception+network.">The role of the occipital face area in the cortical face perception network.</a> Experimental Brain Research. 209 (4), 481-493 (2011).</li><li>Latini, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=New+insights+in+the+limbic+modulation+of+visual+inputs:+The+role+of+the+inferior+longitudinal+fasciculus+and+the+Li-Am+bundle.">New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle.</a> Neurosurgical Review. 38 (1), 179-189 (2015).</li><li>Davies-Thompson, J., Andrews, T. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Intra-+and+interhemispheric+connectivity+between+face-selective+regions+in+the+human+brain.">Intra- and interhemispheric connectivity between face-selective regions in the human brain.</a> Journal of Neurophysiology. 108 (11), 3087-3095 (2012).</li><li>Jerbi, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Saccade+related+gamma-band+activity+in+intracerebral+EEG:+dissociating+neural+from+ocular+muscle+activity.">Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity.</a> Brain Topography. 22, 18-23 (2009).</li><li>Buzs&#225;ki, G., Silva, F. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=High+frequency+oscillations+in+the+intact+brain.">High frequency oscillations in the intact brain.</a> Progress in Neurobiology. 98, 241-249 (2012).</li><li>Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG,+temporal+correlations,+and+avalanches.">EEG, temporal correlations, and avalanches.</a> Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).</li><li>Herrmann, C. S., Grigutsch, M., Busch, N. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EEG+oscillations+and+wavelet+analysis.">EEG oscillations and wavelet analysis.</a> Event-related potentials: A methods handbook. , 229-259 (2005).</li><li>Pigorini, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Time-frequency+spectral+analysis+of+TMS-evoked+EEG+oscillations+by+means+of+Hilbert-Huang+transform.">Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform.</a> Journal of Neuroscience Methods. 198 (2), 236-245 (2011).</li><li>Holdgraf, C. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Rapid+tuning+shifts+in+human+auditory+cortex+enhance+speech+intelligibility.">Rapid tuning shifts in human auditory cortex enhance speech intelligibility.</a> Nature communications. 7, 13654 (2016).</li><li>Aru, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Untangling+cross-frequency+coupling+in+neuroscience.">Untangling cross-frequency coupling in neuroscience.</a> Current Opinion in Neurobiology. 31, 51-61 (2015).</li><li>Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Non-sinusoidal+activity+can+produce+cross-frequency+coupling+in+cortical+signals+in+the+absence+of+functional+interaction+between+neural+sources.">Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources.</a> PLoS One. 11 (12), e0167351 (2016).</li><li>Cole, S. R., Voytek, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Brain+oscillations+and+the+importance+of+waveform+shape.">Brain oscillations and the importance of waveform shape.</a> Trends in Cognitive Sciences. 21 (2), 137-149 (2017).</li><li>Mikulan, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Intracranial+high-&#947;+connectivity+distinguishes+wakefulness+from+sleep.">Intracranial high-&#947; connectivity distinguishes wakefulness from sleep.</a> Neuroimage. 169, 265-277 (2018).</li><li>Zheng, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Amygdala-hippocampal+dynamics+during+salient+information+processing.">Amygdala-hippocampal dynamics during salient information processing.</a> Nature communications. 8, 14413 (2017).</li><li>Maris, E., Oostenveld, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nonparametric+statistical+testing+of+EEG-+and+MEG-data.">Nonparametric statistical testing of EEG- and MEG-data.</a> Journal of Neuroscience Methods. 164 (1), 177-190 (2007).</li><li>Stolk, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Integrated+analysis+of+anatomical+and+electrophysiological+human+intracranial+data.">Integrated analysis of anatomical and electrophysiological human intracranial data.</a> Nature Protocols. 13, 1699-1723 (2018).</li><li>Friston, K. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dynamic+causal+modelling+revisited.">Dynamic causal modelling revisited.</a> NeuroImage. , (2017).</li></ol>

Les protocoles analytiques pour intracrâniennes données EEG en utilisant le logiciel SPM a présenté ci-après présentent plusieurs avantages par rapport à l’IRM fonctionnelle. Tout d’abord, les protocoles peuvent dépeindre activation neurale à une haute résolution temporelle. Par conséquent, les résultats indiquent que les corrélats cognitifs d’activation neurale sont mises en œuvre aux stades précoces ou tardive du traitement. Dans notre exemple, l’effet de visage a été identifiée durant les tou...

Mesurer l’activité neurale et connectivité associée à des fonctions cognitives à haute résolution spatiale et temporelle est l’un des principaux objectifs de la neuroscience cognitive. Toutefois, cet objectif n’est pas facile. Une méthode populaire utilisée pour enregistrer l’activité neurale est fonctionnel d’imagerie par résonance magnétique (IRM). Bien que l’IRM fonctionnelle offre plusieurs avantages, notamment une résolution spatiale élevée au niveau de millimètre et enregistrement non invasif, un désavantage évident de l’IRM fonctionnelle est sa faible résolution temporelle. En outre, l’IRM fonctionnelle mesure oxygène-sang-dépendante du niveau des signaux, qui reflètent seulement indirectement l’activité neurale électrique. Méthodes électrophysiologiques populaires, y compris l’électroencéphalographie (EEG) et la magnétoencéphalographie (MEG), ont une résolution temporelle élevée à l’échelle de la milliseconde. Toutefois, ils ont des résolutions spatiales relativement faibles, car ils enregistrent les signaux électriques/magnétiques au cuir chevelu et doivent résoudre les difficiles problèmes inverses pour décrire l’activité cérébrale.
EEG intracrânien peut enregistrer directement l’activité neurale électrique à haute temporelle (milliseconde) et de résolutions spatiales (centimètre)1. Cette mesure peut fournir des occasions précieuses pour comprendre l’activité neuronale et la connectivité, même si elle a des lacunes évidentes (par exemple, les régions mesurables sont limite à des critères cliniques). Plusieurs études d’EEG intracrâniennes ont appliqué traditionnel analyse moyenne pour décrire l’activité neurale. Bien qu’en moyenne l’analyse peut détecter avec sensibilité activation du verrouillage de temps et de basse fréquence de bande, il ne peut pas détecter non-phase-locked et/ou l’activation de haute fréquence (par exemple, bande de gamma). En outre, couplage neuronal fonctionnel n’a pas été analysée en profondeur dans la littérature sur les enregistrements d’EEG intracrâniens. Plusieurs nouvelles techniques ont été récemment développés pour dépeindre neural activité et intra - et inter - régionales, la connectivité fonctionnelle enregistrements IRM et EEG/MEG, qui peuvent être appliqués pour analyser des données EEG intracrâniennes.
Ici, nous présentons des protocoles analytiques que nous avons récemment utilisé pour analyser des données EEG intracrâniennes en utilisant le logiciel de cartographie statistique paramétrique (SPM). Premier, à révéler quand et à quelle fréquence, les régions du cerveau pourraient être activées, nous avons effectué d’analyse temps-fréquence SPM2. Cette analyse décompose les domaines temporels et fréquentiels simultanément en utilisant une transformée en ondelettes continue et appropriée corrige le taux d’erreur moyen (FFE) dans les cartes de temps-fréquence à l’aide de la théorie des champs aléatoire. Deuxièmement, pour indiquer comment communiquent des régions du cerveau, nous avons appliqué dynamique modélisation causale (DCM) des réponses induites par4. DCM permet l’étude de connectivité efficace (p. ex., les influences causales et directionnels parmi les régions de cerveau5). Bien que le DCM a été initialement proposé comme un outil d’analyse de données MRI fonctionnel5, DCM des réponses induites a été étendu pour analyser les spectres de puissance instationnaire de signaux électrophysiologiques4. Cette analyse permet la représentation de deux connectivité neuronale intra - et inter - régionales. Plusieurs études neurophysiologiques ont suggéré que les calculs intra-régional locaux et communications interrégionales à longue portée utilisent principalement les oscillations bandes thêta et gamma, respectivement, et leurs interactions (p. ex., entrainments) peut se traduire par thêta-gamma Croix-fréquence attelage3,6,7,8. Ce rapport se concentre sur le protocole d’analyse de données ; pour un aperçu des informations de fond9,10 et enregistrement des protocoles11 d’EEG intracrânien, veuillez vous référer à la littérature.

analyzing neural activity and connectivity using intracranial eeg data with spm software

Mesurer l’activité neurale et connectivité associée à des fonctions cognitives à haute résolution spatiale et temporelle est un objectif important en neurosciences cognitives. Intracrânienne électroencéphalographie (EEG) permet d’enregistrer directement l’activité électrique neuronale et a le potentiel unique pour atteindre cet objectif. Traditionnellement, avec une moyenne d’analyse a été appliquée pour analyser les données EEG intracrâniennes ; Cependant, plusieurs nouvelles techniques sont disponibles pour dépeindre la connectivité neuronale d’activité et intra - et inter - régionales. Ici, nous présentons deux protocoles analytiques nous avons récemment utilisé pour analyser des données EEG intracrâniennes en utilisant le logiciel de cartographie statistique paramétrique (SPM) : analyse SPM de temps / fréquence d’activité neurale et la modélisation dynamique causale des réponses pour induites par connectivité - inter et intra régionales. Nous rapportons notre analyse des données d’EEG intracrâniennes lors de l’observation des visages comme résultats représentatifs. Les résultats ont révélé que le gyrus occipital (IOG) ont montré une activité gamma-bande aux tout premiers stades (110 ms) en réponse à des visages et IOG et amygdale a montré rapidement intra - et inter - régionales, connectivité à l’aide de divers types d’oscillations. Ces protocoles analytiques ont le potentiel d’identifier les mécanismes neurones sous-tendant les fonctions cognitives avec hautes profils spatiaux et temporels.

En utilisant le protocole présenté dans la présente, nous avons analysé intracrâniennes données EEG en réponse à faces18,19. Nous avons enregistré des données provenant de six patients durant l’affichage passif de visages, de mosaïques et maisons en position verticale et inversé les orientations. Les contrastes des faces dressées contre verticale mosaïques et des faces dressées contre maisons deb...

Watch this Scientific Journal Video about Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software at JoVE.com

Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software

Nous présentons deux protocoles analytiques qui peuvent être utilisés pour analyser les données de l’électroencéphalographie intracrânienne en utilisant le logiciel de statistiques paramétriques cartographie (SPM) : analyse temps-fréquence statistique paramétrique mappage pour l’activité neuronale et la dynamique causale modélisation des réponses induites pour intra - et inter - régionales, connectivité.

Analyser l’activité neurale et la connectivité à l’aide des données EEG intracrânienne avec logiciel SPM

Measuring neural activity and connectivity associated with cognitive functions at high spatial and temporal resolutions is an important goal in cognitive ...

Cette méthode peut aider à répondre à des questions clés dans le domaine des neurosciences cognitives. Le principal avantage de cette technique est qu’elle peut analyser l’activité neuronale et la connectivité sur les évolutions temporelles spatiales élevées. Pour commencer l’analyse des données intracrâniens de l’EEG, configurez SPM12 et sélectionnez le menu analytique MEG EEG.Tout d’abord, effectuez l’analyse de fréquence de temps pour les données intracrânaires prétraitées d’EEG de chaque essai utilisant la décomposition continue d’onde avec des ondes de Morlet basées sur des paramètres prédéfinis. Pour révéler l’évolution temporelle des composants spectraux, conductez la décomposition des ondes à l’aide d’ondes Morlet à sept cycles pendant toute l’époque de 1000 à 2000 millisecondes en utilisant la plage de fréquences de quatre à 300 hertz. Ensuite, déterminez l’onde mère et le nombre de cycles et notez que le nombre de cycles contrôle les résolutions de fréquence de temps et devrait être supérieur à cinq pour assurer la stabilité de l’estimation.Déterminez les plages de temps et de fréquences. Recadrer ensuite automatiquement les cartes de fréquence de temps qui en résultent pour supprimer les effets de bord. Ici, les cartes sont rogées à 200 à 500 millisecondes.Effectuez la transformation des données si désiré et la correction de base en sélectionnant le recale de fréquence de temps pour les cartes de fréquence de temps afin de mieux visualiser les changements de puissance liés aux événements et d’améliorer la normalité. Ensuite, convertissez les cartes de fréquence de temps en images bidimensionnelles. Aussi lisse à l’aide d’un noyau gaussien avec une valeur demi-maximale de pleine largeur prédéfinie pour compenser la variabilité inter-sujets et pour se conformer aux hypothèses de la théorie aléatoire du champ.Sélectionnez maintenant spécifier le deuxième niveau dans le menu SPM et entrez les images 2D qui seront analysées. Exécutez ensuite le modèle linéaire général en sélectionnant l’estimation du modèle. Enfin, sélectionnez les résultats pour effectuer des inférences statistiques sur les données de fréquence de temps basées sur la théorie aléatoire du champ.Détectez les clusters de fréquences de temps activés de manière significative avec des seuils prédéfinis tels que ceux observés ici. Commencez l’analyse dynamique de modélisation causale en sélectionnant DCM dans le menu SPM. Choisissez ensuite l’option IND et sélectionnez de nouvelles données pour importer les données intracrâniens prétraitées de l’EEG.Ensuite, utilisez le menu EEG MEG pour spécifier la fenêtre d’intérêt du temps, la fenêtre d’intérêt de fréquence, le nombre de cycles wavelet qui seront utilisés, les conditions d’intérêt et les contrastes pour les conditions. Réglez la fenêtre de temps à une à 500 millisecondes. Utilisez des ondes Morlet à cinq cycle de quatre à 100 hertz en une seule étape hertz.Utilisez le paramètre par défaut pour le cycle wavelet. Déterminer les plages de fréquences de temps en fonction de l’intérêt pour la recherche. Notez qu’une fenêtre de temps avec 512 millisecondes supplémentaires peut être automatiquement utilisée pendant le calcul pour supprimer les effets de bord.Basé sur le cadre DCM, définir les entrées de conduite qui représentent des entrées sensorielles sur les états neuronaux et les connexions intrinsèques qui incarnent la connectivité de base entre les états neuronaux. Définissez également les effets modulateurs sur les connexions intrinsèques par le biais de manipulations expérimentales pour des modèles nuls et supposés. Définissez le type de modulation comme linéaire ou non linéaire.Spécifiez maintenant les connexions linéaires et non linéaires intrinsèques, les entrées de conduite et les entrées de modulation. Modifiez les paramètres par défaut des paramètres connexes si nécessaire, tels que le temps et la durée d’apparition du stimulus antérieur. Choisissez ensuite d’inverser DCM pour estimer les modèles.Après cela, sélectionnez enregistrer les résultats comme image pour enregistrer des images de paramètre de couplage modulatoire fréquence-fréquence. Ensuite, effectuez une analyse de sélection des modèles bayésiens à effets aléatoires en sélectionnant BMS pour identifier le modèle réseau optimal. Utilisez les probabilités et les probabilités d’accédence prévues du modèle comme mesures d’évaluation.Faites ensuite des inférences concernant les modèles de fréquences croisées des connexions modulatoires à l’aide des paramètres du modèle gagnant. Maintenant lisser les images modulatoires paramètre couplage en sélectionnant convertir en images. Ensuite, utilisez spécifier le deuxième niveau pour effectuer l’analyse générale du modèle linéaire.Enfin, sélectionnez les résultats pour calculer les valeurs SPMT 2D. En l’espèce, le demi-maximum de largeur totale a été fixé à huit hertz et des valeurs significatives ont été identifiées exploratoirement à l’aide d’un seuil de hauteur non corrigé de P inférieur à 0,05. Des analyses de fréquence temporelle ont été effectuées pour étudier les profils temporels et de fréquence de l’activité occipitale inférieure de Gyrus ou IOG pendant le traitement des phases.Ici, nous voyons des cartes de fréquence de temps de la bonne activité IOG pour la phase verticale et les conditions de mosaïque verticale. Les données SPMT pour la phase verticale par rapport à la mosaïque verticale sont également affichées. Les modèles de réseau fonctionnels sont affichés ici.Huit combinaisons possibles d’entrée modulatoire de phase verticale par rapport à mosaïque verticale sur les connexions entre l’IOG et l’amygdale et d’auto-connexion sur chaque région ont été étudiées. Les paramètres de couplage modulatoire fréquence-fréquence et les valeurs SPMT pour la phase verticale par rapport à la mosaïque verticale pour l’IOG par rapport à l’amygdale et l’amygdale par rapport à la modulation IOG sont montrés ici. Les zones rouge-jaune indiquent une connectivité excitatrice significative tandis que les zones bleu-cyan indiquent une connectivité inhibitrice.Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension sur la façon d’analyser les données intracrâniens EEG pour détecter l’activité neuronale et la connectivité à l’aide du logiciel SPM.

Research

JoVE Journal

Neuroscience

Functional Mapping with Simultaneous MEG and EEG

Cartographie fonctionnelle avec MEG et EEG simultanée

We use magnetoencephalography (MEG) and electroencephalography (EEG) to locate and determine the temporal evolution in brain areas involved in the ...

Recherche

Neurosciences

Establishing Intracranial Brain Tumor Xenografts With Subsequent Analysis of Tumor Growth and Response to Therapy using Bioluminescence Imaging

Établir intracrânienne xénogreffes tumorales du cerveau avec analyse ultérieure de la croissance tumorale et la réponse à la thérapie à l&#39;aide d&#39;imagerie par bioluminescence

Transplantation models using human brain tumor cells have served an essential function in neuro-oncology research for many years. In the past, the most ...

High-density EEG Recordings of the Freely Moving Mice using Polyimide-based Microelectrode

Haute densité enregistrements EEG des souris se déplacent librement à l&#39;aide à base de polyimide microélectrodes

Electroencephalogram (EEG) indicates the averaged electrical activity of the neuronal populations on a large-scale level. It is widely utilized as a ...

Optical Recording of Suprathreshold Neural Activity with Single-cell and Single-spike Resolution

D&#39;enregistrement optique de l&#39;activité neuronale supraliminaire avec une résolution à cellule unique et un seul pic

Signaling of information in the vertebrate central nervous system is often carried by populations of neurons rather than individual neurons. Also ...

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Applications de l&#39;EEG données de neuro-imagerie: les potentiels évoqués, puissance spectrale et multi-échelle Entropy

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain ...

Optogenetic Perturbation of Neural Activity with Laser Illumination in Semi-intact Drosophila Larvae in Motion

Optogenetic Perturbation of Neural Activity with Laser Illumination in Semi-intact Drosophila Larvae in Motion

Optogenetic Perturbation de l&#39;activité neuronale avec illumination laser à semi-intactes<em&gt; Drosophila</em&gt; Les larves in Motion

Drosophila larval locomotion is a splendid model system in developmental and physiological neuroscience, by virtue of the genetic accessibility of the ...

Neural Activity Propagation in an Unfolded Hippocampal Preparation with a Penetrating Micro-electrode Array

Neural activité Propagation dans un hippocampe Préparation déplié avec un pénétrant Micro-réseau d&#39;électrodes

This protocol describes a method for preparing a new in vitro flat hippocampus preparation combined with a micro-machined array to map neural activity in ...

Extracellular Recording of Neuronal Activity Combined with Microiontophoretic Application of Neuroactive Substances in Awake Mice

Extracellulaires enregistrement de l&#39;activité neuronale Combiné avec Microiontophoretic Application des substances neuroactifs chez la souris Awake

Differences in the activity of neurotransmitters and neuromodulators, and consequently different neural responses, can be found between anesthetized and ...

Analyzing Synaptic Modulation of Drosophila melanogaster Photoreceptors after Exposure to Prolonged Light

Analyzing Synaptic Modulation of Drosophila melanogaster Photoreceptors after Exposure to Prolonged Light

Analyse Synaptic Modulation de<em&gt; Drosophila melanogaster</em&gt; Photorécepteurs après exposition à la lumière prolongée

The nervous system has the remarkable ability to adapt and respond to various stimuli. This neural adjustment is largely achieved through plasticity at ...

Analyzing Dendritic Morphology in Columns and Layers

Analyse dendritique Morphologie dans les colonnes et les couches

In many regions of the central nervous systems, such as the fly optic lobes and the vertebrate cortex, synaptic circuits are organized in layers and ...