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

Diese Studie wurde unterstützt durch Mittel aus dem Benesse Corporation, Japan Society for Promotion of Science (JSPS) Finanzierung Programm für die nächste Generation weltweit führende Forscher (LZ008), der Organisation für die Förderung der Forschung auf Entwicklungsstörungen des, und die JSPS KAKENHI (15K 04185; 18K 03174).

Unsere Studie wurde von der lokalen institutionellen Ethikkommission genehmigt.
1. grundsätzliche Informationen
Hinweis: Die analytische Protokolle können auf verschiedene Arten von Daten ohne Einschränkungen bezüglich bestimmten Teilnehmern, Elektroden, Referenzmethoden oder Elektrode Standorten angewendet werden. In unserem Beispiel haben wir sechs Patienten, die pharmakologisch hartnäckigen fokale Epilepsie leiden getestet. Wir haben Patienten, die keine epile...

<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>

Die analytische Protokolle für intrakranielle EEG-Daten mit der SPM-Software eingeführt hierin haben mehrere Vorteile gegenüber funktionelle MRI. Erstens können die Protokolle neuronalen Aktivierung mit einer hohen zeitlichen Auflösung darstellen. Daher zeigen die Ergebnisse, ob die kognitive Korrelate der neuronalen Aktivierung auf frühen oder späten Stadien der Verarbeitung umgesetzt werden. In unserem Beispiel wurde die Gesicht-Effekt der visuellen Verarbeitung in den sehr frühen Stadien (d. h. 110 ms...

Neuronale Aktivität und Konnektivität Zusammenhang mit kognitiven Funktionen bei hoher räumlicher und zeitlicher Auflösung zu messen, ist eines der primären Ziele der kognitiven Neurowissenschaften. Allerdings ist es nicht einfach, dieses Ziel zu erreichen. Eine populäre Methode verwendet, um neuronale Aktivität aufzuzeichnen ist funktionelle Magnetresonanz-Bildgebung (MRI). Funktionelle MRT bietet mehrere Vorteile, wie eine hohe räumliche Auflösung auf Millimeter-Ebene und nicht-invasive Aufnahme zwar ein klarer Nachteil der funktionellen MRT seiner geringen zeitlichen Auflösung. Darüber hinaus misst funktionelle MRI Blut-Sauerstoff-Niveau-abhängigen Signale, die nur indirekt elektrische neuralen Aktivität widerspiegeln. Beliebte elektrophysiologische Methoden, einschließlich der Elektroenzephalographie (EEG) und Magnetoenzephalographie (MEG), haben hohe zeitliche Auflösungen auf die Millisekunde Ebene. Sie haben jedoch relativ geringe räumliche Auflösungen, weil sie elektrische/magnetische Signale an der Kopfhaut aufnehmen und schwierig inverse Probleme lösen müssen, um die Aktivität des Gehirns darstellen.
Intrakranielle EEG kann direkt elektrischen neuronalen Aktivität bei hohen zeitlichen (Millisekunden) und räumliche (Zentimeter) Auflösungen1aufnehmen. Diese Maßnahme bieten wertvolle Chancen, neuronale Aktivität und Konnektivität, zu verstehen, obwohl es klare Einschränkungen (z. B.messbare Regionen beschränken sich auf klinische Kriterien). Verschiedene intrakranielle EEG-Studien haben traditionelle durchschnittlich Analyse um neuronale Aktivität zeigen angewandt. Obwohl im Durchschnitt Analyse sensibel mal gesperrt und Niederfrequenz Band Aktivierung erkennen kann, es kann nicht erkennen, nicht-Phase-locked bzw. Aktivierung der Hochfrequenz (z. B. Gamma-Band). Darüber hinaus ist funktionelle neuronale Kopplung nicht ausführlich in der Literatur zu intrakraniellen EEG-Ableitungen analysiert worden. Vor kurzem wurden mehrere neue Techniken entwickelt, um neuronale Aktivität und Intra - und inter - regionale Vernetzung in funktionelle MRT und EEG/MEG Aufnahmen zeigen die angewendet werden können, um intrakranielle EEG-Daten zu analysieren.
Hier stellen wir analytische Protokolle, die wir vor kurzem angewendet haben, um intrakranielle EEG-Daten mit Hilfe der statistischen Parametric Mapping (SPM) Software zu analysieren. Erstens, die zeigen, wann und bei welcher Frequenz die Hirnregionen aktiviert werden konnte, führten wir Zeit-Frequenz SPM Analyse2. Diese Analyse zersetzt sich die Zeit- und Frequenzbereich Domains gleichzeitig über eine kontinuierliche Wavelet-Transformation und die simultane Fehlerquote (FWE) in der Zeit-Frequenz-Maps mit der zufälligen Feldtheorie entsprechend korrigiert. Zweitens haben wir um anzuzeigen wie Gehirnregionen kommunizieren, dynamische kausale Modellierung (DCM) induzierten Reaktionen4angewandt. DCM ermöglicht die Untersuchung von wirksamen Verbindungen (d. h. die kausalen und gerichtete Einflüsse unter Gehirn Regionen5). Obwohl DCM ursprünglich als Werkzeug zur Analyse der funktionellen MRT Daten5vorgeschlagen wurde, wurde DCM induzierten Reaktionen um zu analysieren, die zeitlich veränderliche Leistungsspektren der elektrophysiologischen Signalen4erweitert. Diese Analyse ermöglicht die Darstellung der beiden Intra - und inter - regionale neuronale Konnektivität. Einige neurophysiologische Studien haben vorgeschlagen, dass lokale intraregionale Berechnungen und weiträumige interregionale Kommunikation vor allem Gamma - und Theta-Band Schwingungen, bzw. verwenden, und ihre Interaktionen (z.B. Verladungen) können von Theta-Gamma Kreuz-Frequenz Kupplung3,6,7,8reflektiert werden. Dieser Bericht konzentriert sich auf das analytische Datenprotokoll; einen Überblick über Hintergrund Informationen9,10 und Aufnahme Protokolle11 von intrakraniellen EEG entnehmen Sie bitte der Literatur.

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

Neuronale Aktivität und Konnektivität Zusammenhang mit kognitiven Funktionen bei hoher räumlicher und zeitlicher Auflösung zu messen, ist ein wichtiges Ziel der kognitiven Neurowissenschaften. Intrakranielle Elektroenzephalographie (EEG) kann direkt elektrische neuralen Aktivität aufnehmen und hat das einzigartige Potential, dieses Ziel zu erreichen. Traditionell wurde durchschnittlich Analyse angewendet, um intrakranielle EEG-Daten zu analysieren; Allerdings gibt es mehrere neue Techniken für die Darstellung der neuronalen Aktivität und Intra - und inter - regionale Konnektivität. Hier stellen wir zwei analytische Protokolle, die wir vor kurzem angewendet, um intrakranielle EEG-Daten mit Hilfe der statistischen Parametric Mapping (SPM) Software zu analysieren: Zeit-Frequenzanalyse SPM für neuronale Aktivität und dynamische kausale Modellierung von induzierten Reaktionen für Intra - und inter - regionale Konnektivität. Wir berichten unsere Analyse der intrakraniellen EEG-Daten bei der Beobachtung von Gesichtern als repräsentative Ergebnisse. Die Ergebnisse zeigten, dass die minderwertigen occipital Gyrus (IOG) Gamma-Band-Aktivität bei sehr frühen Stadien (110 ms) als Reaktion auf Gesichter, und der IOG und Amygdala zeigten schnelle Intra - und inter - regionale Vernetzung mit verschiedenen Arten von Schwingungen zeigte. Diese analytische Protokolle haben das Potenzial, die neuronalen Mechanismen, die kognitive Funktionen mit hoher räumlicher und zeitlicher Profile zu identifizieren.

Mit dem Protokoll enthaltenen, analysierten wir intrakranielle EEG-Daten in Reaktion auf Gesichter18,19. Wir aufgezeichnete Daten von sechs Patienten während der passive Betrachtung von Gesichtern, Mosaiken und Häuser in aufrechten und invertiert Orientierungen. Die Kontraste der aufrechten Gesichtern gegenüber aufrecht Mosaiken und gerader Schriftschnitt gegen aufrechte Häuser zeigten die Gesicht-Effekt (<em...

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

Wir präsentieren zwei analytische Protokolle, die verwendet werden können, intrakranielle Elektroenzephalographie Datenanalyse mit Hilfe der statistischen Parametric Mapping (SPM) Software: statistische parametrische Zuordnung Zeit-Frequenz-Analyse für neuronale Aktivität und dynamische kausale Modellierung der induzierten Reaktionen für Intra - und inter - regionale Verbindungen.

Analyse der neuronalen Aktivität und Konnektivität mit intrakraniellen EEG-Daten mit SPM-Software

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

Diese Methode kann helfen, wichtige Fragen im Bereich der kognitiven Neurowissenschaften zu beantworten. Der Hauptvorteil dieser Technik ist, dass sie neuronale Aktivität und Konnektivität auf hochräumlichezeitlichen Evolutionen analysieren kann. Um mit der Analyse der intrakraniellen EEG-Daten zu beginnen, richten Sie SPM12 ein und wählen Sie das Analysemenü MEG EEG aus.Führen Sie zunächst eine Zeit-Frequenz-Analyse für die vorverarbeiteten intrakraniellen EEG-Daten jeder Studie unter Verwendung einer kontinuierlichen Wellengerfüllung mit Morlet-Wellenaufenthalten auf der Grundlage vordefinierter Parameter durch. Um die zeitliche Entwicklung von Spektralkomponenten zu zeigen, führen Sie die Wellengangzersetzung mit siebenstufigen Morlet-Wellen für die gesamte Epoche von 1.000 bis 2.000 Millisekunden unter Verwendung des Frequenzbereichs von vier bis 300 Hertz durch. Als Nächstes bestimmen Sie das Mutterwellenrad und die Anzahl der Zyklen und beachten Sie, dass die Anzahl der Zyklen die Zeit-Frequenz-Auflösungen steuert und größer als fünf sein sollte, um die Schätzstabilität zu gewährleisten.Bestimmen Sie Zeit- und Frequenzbereiche. Schneiden Sie dann die resultierenden Zeitfrequenzkarten automatisch zu, um Kanteneffekte zu entfernen. Hier werden die Karten mit 200 bis 500 Millisekunden beschnitten.Führen Sie die Datentransformation nach Bedarf und die Baseline-Korrektur durch, indem Sie die Zeitfrequenzneuskalierung für die Zeitfrequenzzuordnungen auswählen, um ereignisbezogene Leistungsänderungen besser zu visualisieren und die Normalität zu verbessern. Konvertieren Sie als Nächstes die Zeitfrequenzkarten in zweidimensionale Bilder. Auch glatt mit einem Gaußschen Kernel mit einem vordefinierten Halbmaximumwert mit voller Breite, um die Variabilität zwischen den Themen zu kompensieren und den Annahmen der Zufallsfeldtheorie zu entsprechen.Wählen Sie nun die zweite Ebene im SPM-Menü aus und geben Sie die 2D-Bilder ein, die analysiert werden sollen. Führen Sie dann das allgemeine lineare Modell aus, indem Sie die Modellschätzung auswählen. Wählen Sie schließlich Die Ergebnisse aus, um statistische Rückschlüsse auf die Zeitfrequenzdaten basierend auf der Zufallsfeldtheorie durchzuführen.Erkennen Sie deutlich aktivierte Zeitfrequenzcluster mit vordefinierten Schwellenwerten, wie sie hier zu sehen sind. Starten Sie die dynamische Kausalmodellierungsanalyse, indem Sie DCM im SPM-Menü auswählen. Wählen Sie dann die Option IND aus und wählen Sie neue Daten aus, um die vorverarbeiteten intrakraniellen EEG-Daten zu importieren.Verwenden Sie als Nächstes das Menü MEG EEG, um das Zeitfenster von Interesse, das Frequenzfenster von Interesse, die Anzahl der verwendeten Wavelet-Zyklen, die Sehenswürdigkeiten und die Kontraste für die Bedingungen anzugeben. Legen Sie das Zeitfenster auf 1 bis 500 Millisekunden fest. Verwenden Sie Fünf-Zyklus-Morlet-Wellen von vier bis 100 Hertz in einem Hertz-Schritt.Verwenden Sie die Standardeinstellung für den Wavelet-Zyklus. Bestimmen Sie die Zeit-Frequenz-Bereiche basierend auf Forschungsinteresse. Beachten Sie, dass ein Zeitfenster mit zusätzlichen 512 Millisekunden während der Berechnung automatisch verwendet werden kann, um Kanteneffekte zu entfernen.Definieren Sie auf der Grundlage des DCM-Frameworks die treibenden Eingänge, die sensorische Eingänge zu neuronalen Zuständen darstellen, und die intrinsischen Verbindungen, die die Basiskonnektivität zwischen neuronalen Zuständen verkörpern. Definieren Sie auch die modulatorischen Effekte auf die intrinsischen Verbindungen durch experimentelle Manipulationen für NULL- und hypothetische Modelle. Definieren Sie den Modulationstyp als linear oder nichtlinear.Geben Sie nun die intrinsischen linearen und nichtlinearen Verbindungen, antriebs- und Modulationseingänge an. Ändern Sie ggf. die Standardeinstellungen verwandter Parameter, z. B. frühere Stimulus-Einbesatzzeit und -dauer. Wählen Sie dann Invert DCM aus, um die Modelle zu schätzen.Danach wählen Sie Ergebnisse als Bild speichern aus, um Parameterbilder der Frequenz-Frequenzmodulatorischen Kopplung zu speichern. Führen Sie als Nächstes eine Bayesian Model Selection Analyse durch, indem Sie BMS auswählen, um das optimale Netzwerkmodell zu identifizieren. Verwenden Sie das Modell erwartete Wahrscheinlichkeiten und Accedence-Wahrscheinlichkeiten als Bewertungskennzahlen.Dann ziehen Sie Rückschlüsse auf die Frequenzübergreifenden Muster der modulatorischen Verbindungen unter Verwendung der Gewinnenmodellparameter. Glätten Sie nun die modulatorischen Kopplungsparameterbilder, indem Sie Konvertieren in Bilder auswählen. Verwenden Sie dann die zweite Ebene angeben, um eine allgemeine lineare Modellanalyse durchzuführen.Wählen Sie schließlich die Ergebnisse aus, um die 2D-SPMT-Werte zu berechnen. Hier wurde das Halbmaximum mit voller Breite auf acht Hertz festgelegt und signifikante Werte mit einem unkorrigierten Höhenschwellenwert von P unter 0,05 explorativ ermittelt. Zeitfrequenzanalysen wurden durchgeführt, um die zeitlichen und Frequenzprofile der Inferior Occipital Gyrus oder IOG Aktivität während der Verarbeitung von Phasen zu untersuchen.Hier sehen wir Zeit-Frequenz-Karten der richtigen IOG-Aktivität für die aufrechte Phase und aufrechte Mosaikbedingungen. Die SPMT-Daten für aufrechte Phase versus aufrechtes Mosaik werden ebenfalls angezeigt. Funktionale Netzwerkmodelle werden hier gezeigt.Es wurden acht mögliche Kombinationen von modulatorischem Input von aufrechter Phase versus aufrechter Mosaik auf Verbindungen zwischen IOG und Amygdala und Selbstverbindung zu jeder Region untersucht. Frequenz-Frequenz-Modulatorische Kopplungsparameter und SPMT-Werte für aufrechte Phase versus aufrechtes Mosaik für die IOG versus Amygdala und Amygdala versus IOG Modulation werden hier gezeigt. Die rot-gelben Bereiche weisen auf eine signifikante erregerte Konnektivität hin, während die Blau-Cyan-Bereiche auf eine hemmende Konnektivität hinweisen.Nachdem Sie sich dieses Video angeschaut haben, sollten Sie ein gutes Verständnis dafür haben, wie Sie intrakranielle EEG-Daten analysieren können, um neuronale Aktivität und Konnektivität mithilfe der SPM-Software zu erkennen.

Research

JoVE Journal

Neuroscience

Functional Mapping with Simultaneous MEG and EEG

Functional Mapping mit Simultaneous MEG und EEG

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

Forschung

Neurowissenschaften

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

Gründung Intrakranielle Brain Tumor Xenografts mit anschließender Analyse des Tumorwachstums und Ansprechen auf die Therapie mit Biolumineszenz-Bildgebung

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

High-Density-EEG-Aufzeichnungen der sich frei bewegenden Mäusen mit Polyimid-Basis Mikroelektroden

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

Optische Aufnahme überschwellige neuronale Aktivität mit Single-Cell-und Single-Spike Auflösung

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

Anwendungen von EEG Neuroimaging Daten: Ereignis-korrelierte Potenziale, Spectral Power und Multiscale 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

Optogenetische Störung der neuronalen Aktivität mit Laser Illumination in Semi-intakt<em&gt; Drosophila</em&gt; Larven 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

Neuronale Aktivitätsausbreitung in einem ungefalteten Hippocampus Vorbereitung mit einem durchdringenden Mikroelektroden-Array

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

Die extrazelluläre Aufnahme neuronaler Aktivität in Kombination mit Microiontophoretic Anwendung von neuroaktiven Substanzen in Awake Mäuse

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 Synaptische Modulation von<em&gt; Drosophila melanogaster</em&gt; Photorezeptoren nach der Einwirkung von Längerer Licht

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 dendritischer Morphologie in Spalten und Schichten

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 ...