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

Este estudio fue apoyado por fondos de Benesse Corporation, sociedad japonesa para el programa de fondos de promoción de la ciencia (JSPS) para investigadores de próxima generación líder (LZ008), la organización para la promoción de la investigación en trastornos del neurodesarrollo, y el KAKENHI JSPS (15K 04185; 18K 03174).

Nuestro estudio fue aprobado por el Comité de ética institucional local.
1. básica información
Nota: Los protocolos analíticos pueden aplicarse a varios tipos de datos sin restricciones en cuanto a participantes específicos, electrodos, métodos de referencia o electrodo ubicaciones. En nuestro ejemplo, hemos probado a seis pacientes que sufren de epilepsia focal intratable farmacológicamente. Probamos a pacientes que no tenían los focos epilépticos en las re...

<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>

Los protocolos analíticos para los datos de EEG intracraneales mediante el software SPM introducido aquí tienen varias ventajas en comparación con MRI funcional. En primer lugar, los protocolos pueden representar activación neural en una alta resolución temporal. Por lo tanto, los resultados indican que si se implementan los correlatos cognitivos de la activación neuronal en etapas iniciales o finales de procesamiento. En nuestro ejemplo, el efecto de la cara fue identificado durante las primeras etapas (es dec...

Medición de actividad de los nervios y la conectividad asociada a las funciones cognitivas en altas resoluciones espaciales y temporales es uno de los objetivos principales de la Neurociencia cognitiva. Sin embargo, no es fácil lograr este objetivo. Un método popular usado para registrar la actividad neuronal es la proyección de imagen de resonancia magnética funcional (MRI). Aunque MRI funcional ofrece varias ventajas, tales como una alta resolución espacial a nivel milimétrico y grabación no invasivo, una desventaja clara de la RMN funcional es su baja resolución temporal. Además, MRI funcional mide señales dependientes de nivel del oxígeno de sangre, que sólo indirectamente reflejan la actividad eléctrica de los nervios. Métodos electrofisiológicos, como electroencefalografía (EEG) y magnetoencefalografía (MEG), tienen alta resolución temporal en el nivel de milisegundo. Sin embargo, tienen resolución espacial relativamente baja, ya que registran las señales eléctricas/magnéticas en el cuero cabelludo y debe resolver problemas inversos para representar la actividad cerebral.
EEG intracraneal puede grabar directamente la actividad eléctrica neuronal en alta temporal (milisegundo) y espacial (cm) resolución1. Esta medida puede proporcionar valiosas oportunidades para entender la actividad de los nervios y la conectividad, aunque tiene limitaciones claras (por ejemplo, regiones medibles están restringidas a criterios clínicos). Varios estudios de EEG intracraneales han aplicado análisis promedio tradicional para representar la actividad de los nervios. Aunque con un promedio de análisis sensible puede detectar activación de banda de tiempo-bloqueada y baja frecuencia, no se detecta no-fase-bloqueado o activación de alta frecuencia (por ejemplo, la banda de gamma). Además, acoplamiento neuronal funcional no ha sido analizada en profundidad en la literatura en las grabaciones de EEG intracraneales. Varias nuevas técnicas se han desarrollado recientemente para representar neuronal actividad intra e interregional conectividad funcional grabaciones RM y EEG/MEG, que se puede aplicar para analizar los datos de EEG intracraneales.
Aquí, presentamos protocolos analíticos que recientemente hemos aplicado para analizar los datos de EEG intracraneales mediante el software de mapeo paramétrico estadístico (SPM). Primero, a revelar Cuándo y con que frecuencia, podrían activar las regiones cerebrales, realizamos tiempo-frecuencia SPM análisis2. Este análisis descompone los dominios de tiempo y frecuencia simultáneamente usando una transformación wavelet continua y corrige adecuadamente la tasa de error family-wise (EFT) en los mapas de frecuencia de tiempo usando la teoría de campo al azar. En segundo lugar, para descubrir cómo se comunican las regiones del cerebro, aplicamos modelado causal dinámica (DCM) de respuestas inducido4. DCM permite la investigación de la conectividad efectiva (es decir, las influencias causales y direccionales entre las regiones de cerebro5). Aunque DCM fue propuesto originalmente como una herramienta para el análisis funcional MRI datos5, DCM de respuestas inducidas ha sido ampliado para analizar los espectros de energía varían con el tiempo de las señales electrofisiológicas4. Este análisis permite la representación de ambos intra e interregional neural conectividad. Varios estudios neurofisiológicos han sugerido que los cálculos intra regionales locales y comunicación interregional a larga distancia utilizan principalmente las oscilaciones de la theta y gamma banda, respectivamente, y sus interacciones (por ejemplo, entrainments) puede reflejarse por theta gamma Cruz-frecuencia acoplamiento3,6,7,8. Este informe se centra en el protocolo de análisis de datos; para un resumen de información de fondo9,10 y de protocolos de grabación11 de EEG intracraneal, refiera por favor a la literatura.

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

Medición de actividad de los nervios y la conectividad asociada a las funciones cognitivas en alta resolución espacial y temporal es un objetivo importante en Neurociencia cognitiva. Intracraneal electroencefalografía (EEG) directamente puede registrar la actividad eléctrica de los nervios y tiene la capacidad única para alcanzar esta meta. Tradicionalmente, con un promedio de análisis se ha aplicado para analizar los datos de EEG intracraneales; sin embargo, varias nuevas técnicas están disponibles para que la conectividad neuronal de la actividad y intra e interregional. Aquí, presentamos dos protocolos analíticos recientemente se aplicó para analizar los datos de EEG intracraneales mediante el software de mapeo paramétrico estadístico (SPM): Análisis de tiempo-frecuencia SPM para la actividad de los nervios y modelado causal dinámica de inducidas por conectividad intra e interregional. Divulgamos el análisis de datos de EEG intracraneales durante la observación de las caras como resultados representativos. Los resultados revelaron que el giro occipital inferior (IOG) demostró actividad gamma-banda en etapas muy tempranas (110 ms) en respuesta a caras y el GSI y amygdala demostrada rápida intra e interregional conectividad mediante varios tipos de oscilaciones. Estos protocolos analíticos tienen el potencial para identificar los mecanismos neuronales subyacentes a las funciones cognitivas con altos perfiles espaciales y temporales.

Utilizando el protocolo aquí presentado, se analizaron datos de EEG intracraneales en respuesta a caras18,19. Registraron datos de seis pacientes durante la observación pasiva de caras, mosaicos y casas en posición vertical y había invertida orientaciones. Los contrastes de comparación vertical mosaicos de caras verticales y caras vertical versus casas vertical revelaron el efecto de la cara (es decir,</...

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

Presentamos dos protocolos analíticos que pueden utilizarse para analizar los datos de electroencefalografía intracraneal mediante el software de mapeo paramétrico estadístico (SPM): Análisis de mapeo paramétrico estadístico tiempo-frecuencia de actividad de los nervios y dinámica causal modelado de las respuestas inducidas para la conectividad intra e interregional.

Análisis de actividad de los nervios y conectividad mediante datos EEG intracraneal con Software SPM

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

Este método puede ayudar a responder preguntas clave en el campo de la neurociencia cognitiva. La principal ventaja de esta técnica es que puede analizar la actividad neuronal y la conectividad en evoluciones temporales de alto espacio. Para comenzar el análisis de los datos de EEG intracraneal, configure SPM12 y seleccione el menú analítico MEG EEG.En primer lugar, realice análisis de frecuencia de tiempo para los datos EEG intracraneales preprocesados de cada ensayo utilizando la descomposición continua de ondas con ondas Morlet basadas en parámetros predefinidos. Para revelar la evolución temporal de los componentes espectrales, conduzca a la descomposición de las ondas de ondas de ondas de hasta 5 ciclos para toda la época de 1.000 a 2.000 milisegundos utilizando el rango de frecuencia de cuatro a 300 hercios. A continuación, determine la onda madre y el número de ciclos y tenga en cuenta que el número de ciclos controla las resoluciones de frecuencia de tiempo y debe ser mayor que cinco para garantizar la estabilidad de estimación.Determinar los rangos de tiempo y frecuencia. A continuación, recorte automáticamente los mapas de frecuencia de tiempo resultantes para eliminar los efectos de borde. Aquí, los mapas se recortan a 200 a 500 milisegundos.Realice la transformación de datos si lo desea y la corrección de línea base seleccionando la reescalado de frecuencia de tiempo para los mapas de frecuencia de tiempo para visualizar mejor los cambios de potencia relacionados con eventos y mejorar la normalidad. A continuación, convierta los mapas de frecuencia de tiempo en imágenes bidimensionales. También suave usando un núcleo gaussiano con un valor medio-máximo de ancho completo predefinido para compensar la variabilidad entre sujetos y para ajustarse a las suposiciones de la teoría de campo aleatorio.Ahora seleccione especificar el segundo nivel en el menú SPM e introduzca las imágenes 2D que se analizarán. A continuación, ejecute el modelo lineal general seleccionando la estimación del modelo. Por último, seleccione los resultados para realizar inferencias estadísticas sobre los datos de frecuencia de tiempo basados en la teoría de campos aleatorios.Detecte clústeres de frecuencia de tiempo significativamente activados con umbrales predefinidos como los que se ven aquí. Inicie el análisis de modelado causal dinámico seleccionando DCM en el menú SPM. A continuación, elija la opción IND y seleccione nuevos datos para importar los datos EEG intracraneales preprocesados.A continuación, utilice el menú EEG de MEG para especificar la ventana de tiempo de interés, la ventana de frecuencia de interés, el número de ciclos de wavelet que se utilizarán, las condiciones de interés y los contrastes de las condiciones. Establezca la ventana de tiempo en uno a 500 milisegundos. Usa ondas de morleta de cinco ciclos de cuatro a 100 hercios en pasos de hercio.Utilice la configuración predeterminada para el ciclo de wavelet. Determinar los rangos de frecuencia de tiempo en función del interés de la investigación. Tenga en cuenta que se puede utilizar automáticamente una ventana de tiempo con 512 milisegundos adicionales durante el cálculo para eliminar efectos de borde.Basado en el marco DCM, defina las entradas de conducción que representan entradas sensoriales en estados neuronales y las conexiones intrínsecas que incorporan conectividad de línea base entre los estados neuronales. Además, defina los efectos modulatorios en las conexiones intrínsecas a través de manipulaciones experimentales para modelos nulos e hipotéticos. Defina el tipo de modulación como lineal o no lineal.Ahora especifique las conexiones lineales y no lineales intrínsecas, las entradas de conducción y las entradas de modulación. Modifique la configuración predeterminada de los parámetros relacionados si es necesario, como el tiempo y la duración previos del inicio del estímulo. A continuación, elija invertir DCM para estimar los modelos.Después de eso, seleccione guardar resultados como imagen para guardar imágenes de parámetros de acoplamiento modulatorio de frecuencia de frecuencia. A continuación, realice un análisis de selección de modelos bayesianos de efectos aleatorios seleccionando BMS para identificar el modelo de red óptimo. Utilice las probabilidades esperadas del modelo y las probabilidades de adhesión como medidas de evaluación.A continuación, haga inferencias con respecto a los patrones de frecuencia cruzada de las conexiones modulatorias utilizando los parámetros del modelo ganador. Ahora suaviza las imágenes de los parámetros de acoplamiento modulativo seleccionando Convertir en imágenes. A continuación, utilice especificar el segundo nivel para realizar un análisis general del modelo lineal.Por último, seleccione los resultados para calcular los valores SPMT 2D. Aquí, el medio máximo de ancho completo se estableció en ocho hercios y se identificaron valores significativos exploratoriamente utilizando un umbral de altura no corregido de P inferior a 0,05. Se realizaron análisis de frecuencia temporal para investigar los perfiles temporales y de frecuencia de la actividad de Giro Occipital Inferior o OCI durante el procesamiento de fases.Aquí vemos mapas de frecuencia de tiempo de la actividad correcta de OCI para la fase vertical y las condiciones de mosaico vertical. También se muestran los datos SPMT para la fase vertical frente al mosaico vertical. Los modelos de red funcionales se muestran aquí.Se investigaron ocho combinaciones posibles de entrada moduladora de fase vertical frente a mosaico vertical en conexiones entre el IOG y la amígdala y la autoconexión en cada región. Aquí se muestran los parámetros de acoplamiento modulador de frecuencia-frecuencia y los valores SPMT para la fase vertical frente al mosaico vertical para el IOG frente a la modulación de amígdala y amígdala frente a la IOG. Las áreas rojo-amarillas indican una conectividad excitatoria significativa, mientras que las áreas azul-cian indican conectividad inhibitoril.Después de ver este video, usted debe tener una buena comprensión sobre cómo analizar los datos de EEG intracraneal para detectar la actividad neuronal y la conectividad utilizando el software SPM.

Research

JoVE Journal

Neuroscience

Functional Mapping with Simultaneous MEG and EEG

Mapeo funcional con MEG y EEG simultáneo

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

Investigación

Neurociencias

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

El establecimiento de xenoinjertos de tumor cerebral intracraneal, con posterior análisis del crecimiento tumoral y respuesta al tratamiento con imágenes de bioluminiscencia

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

Alta densidad de registros de EEG de los ratones se mueven libremente con poliamida basado microelectrodos

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

Grabación óptica de la actividad neural suprathreshold con la resolución de una sola célula y único punta-

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

Aplicaciones de EEG datos de neuroimagen: Potenciales relacionados con eventos, Energía espectral y 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

Optogenética perturbación de la actividad neuronal con la iluminación láser en semi-intacta<em&gt; Drosophila</em&gt; Las larvas 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

Actividad neural propagación en una preparación del hipocampo Desplegado con un penetrante Micro-electrodo de matriz

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

Extracelular de grabación de la actividad neuronal junto con la aplicación de sustancias Microiontophoretic neuroactivos en ratones 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

Analizando Synaptic Modulación de<em&gt; Drosophila melanogaster</em&gt; Los fotorreceptores después de la exposición prolongada a la luz

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

Analizando dendríticas morfología en las columnas y capas

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 ...