Cartographie dynamique corticales à l'aide MEG / EEG simultanés et anatomique contrainte minimum-norm Budget: un exemple L'attention auditive
Summary
Nous utilisons et magnéto-électroencéphalographie (MEG / EEG), combinées avec des informations anatomiques capturée par imagerie par résonance magnétique (IRM), pour cartographier la dynamique du réseau cortical associé à l'attention auditive.
Abstract
Magnéto-et électro-encéphalographie (MEG / EEG) sont techniques de neuroimagerie offrant une haute résolution temporelle particulièrement adapté pour enquêter sur les réseaux corticaux impliqués dans la dynamique des tâches perceptives et cognitives, telles que la participation à des sons différents dans un cocktail. De nombreuses études antérieures ont utilisé des données enregistrées au niveau du capteur uniquement, c'est à dire., Les champs magnétiques ou les potentiels électriques enregistrés à l'extérieur et sur le cuir chevelu, et ont généralement porté sur une activité qui prend beaucoup de temps enfermé à la présentation du stimulus. Ce type d'événement lié terrain / analyse du potentiel est particulièrement utile quand il ya seulement un petit nombre de modèles distincts dipolaires qui peut être isolée et identifiée dans l'espace et le temps. Sinon, en utilisant des informations anatomiques, ces modèles de terrain distinctes peuvent être localisés en tant que sources actuelles sur le cortex. Cependant, pour une intervention plus soutenue que ne peut-être temps-verrouillé à un stimulus spécifique (p. ex.,en préparation pour l'écoute de l'un des deux simultanément présentés chiffres énoncés basés sur la fonction auditive indicé) ou peuvent être réparties sur plusieurs emplacements spatiaux inconnus a priori, le recrutement d'un réseau distribué corticale peut pas être pris en considération par l'aide d'un nombre limité de sources focales.
Ici, nous décrivons une procédure qui utilise des données d'IRM anatomiques individuelles d'établir une relation entre l'information et l'activation du capteur dipôle sur le cortex grâce à l'utilisation d'un minimum-norm estimations (MNE). Cette approche d'imagerie inverse nous fournit un outil pour l'analyse des sources distribuées. À titre d'illustration, nous allons décrire toutes les procédures à l'aide du logiciel Freesurfer et les entreprises multinationales, à la fois disponibles gratuitement. Nous allons résumer les séquences d'IRM et les étapes d'analyse nécessaires pour produire un modèle direct qui nous permet de relier la forme du champ prévu causés par les dipôles distribués sur le cortex sur les capteurs M / EEG. Next, nous allons passer en revue les processus nécessaires qui nous facilitent en débruitage des données du capteur de contaminants environnementaux et physiologiques. Nous allons ensuite décrire la procédure permettant de combiner et de cartographie MEG / EEG données des capteurs sur l'espace cortical, produisant ainsi une famille de séries chronologiques de l'activation corticale dipôle à la surface du cerveau (ou "films du cerveau») liés à chaque condition expérimentale. Enfin, nous mettrons en évidence quelques techniques statistiques qui nous permettent de tirer toute conclusion scientifique à travers une population de sujets (p. ex., Effectuer l'analyse au niveau du groupe) basée sur un espace de coordonnées corticale commune.
Protocol
Discussion
Afin d'estimer l'activation dipôle sur le cortex des MEG acquis / données EEG, nous avons besoin de résoudre un problème inverse, qui n'a pas de solution unique stable à moins appropriées anatomiquement et physiologiquement contraintes sonores sont appliquées. En utilisant la contrainte anatomique acquis pour les sujets individuels utilisant l'IRM et l'adoption de la norme minimale comme critère d'estimation, nous pouvons arriver à une estimation inverse source de courant qui corticale e…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Les auteurs tiennent à remercier Matti S. Hämäläinen, Lilla Zöllei et trois relecteurs anonymes pour leurs précieux commentaires. Sources de financement: R00DC010196 (AKCL); T32DC000018 (EDL); T32DC005361 (RKM).
Materials
| Name of equipment / software | Company / source | ||
| 306-channel Vectorview MEG system | Eleka-Neuromag Ltd, | ||
| 1.5-T Avanto MRI scanner | Siemens Medical Solutions | ||
| FreeSurfer | http://freesurfer.net/ | ||
| MNE software | http://www.nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php | ||
| EEG electrodes | Brain Products, Easycap GmbH | ||
| 3Space Fastrak system | Polhemus | ||
| Optical button box (FIU-932) | Current Designs |
References
- Fischl, B. Automatically parcellating the human cerebral cortex. Cerebral Cortex. 14, 11-22 (2004).
- Dale, A., Sereno, M. Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: A linear approach. Journal of Cognitive Neuroscience. 5, 162-176 (1993).
- Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. NeuroImage. 9, 195-207 (1999).
- Liu, H. Functional Mapping with Simultaneous MEG and EEG. Journal of Visualized Experiments. (40), e1668 (2010).
- Brainard, D. H. The Psychophysics Toolbox. Spatial Vision. 10, 433-436 (1997).
- Uusitalo, M. A., Ilmoniemi, R. J. Signal-space projection method for separating MEG or EEG into components. Med. Biol. Eng. Comput. 35, 135-140 (1997).
- Taulu, S., Simola, J., Kajola, M. Applications of the signal space separation method. IEEE Transactions on Signal Processing. 53, 3359-3372 (2005).
- Urbach, T. P., Kutas, M. Interpreting event-related brain potential (ERP) distributions: Implications of baseline potentials and variability with application to amplitude normalization by vector scaling. Biological Psychology. 72, 333-343 (2006).
- Lin, F. -. H., Belliveau, J. W., Dale, A. M., Hämäläinen, M. S. Distributed current estimates using cortical orientation constraints. Human Brain Mapping. 27, 1-13 (2006).
- Dale, A. Dynamic statistical parametric mapping: combining fMRI and MEG for high-resolution imaging of cortical activity. Neuron. 26, 55-67 (2000).
- Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12, 419-446 (2003).
- Nichols, T. E., Holmes, A. P. Nonparametric permutation tests for functional neuroimaging: a primer with examples. Human Brain Mapping. 15, 1-25 (2001).
- Pantazis, D., Leahy, R. M., Hansen, P., Kringelbach, M., Salmelin, R. Statistical Inference in MEG Distributed Source Imaging. MEG: An Introduction to Methods. , 245-272 (2010).
- Ahveninen, J. Attention-driven auditory cortex short-term plasticity helps segregate relevant sounds from noise. Proceedings of the National Academy of Sciences. , 1-6 (2011).
- Sharon, D. The advantage of combining MEG and EEG: comparison to fMRI in focally stimulated visual cortex. Neuroimage. 36, 1225-1235 (2007).
- Herrmann, B., Maess, B., Hasting, A. S., Friederici, A. D. Localization of the syntactic mismatch negativity in the temporal cortex: An MEG study. NeuroImage. 48, 590-600 (2009).
- Baillet, S., Hansen, P., Kringelbach, M., Salmelin, R. The Dowser in the Fields: Searching for MEG Sources. MEG: An Introduction to Methods. , 83-123 (2010).
- Gutschalk, A., Micheyl, C., Oxenham, A. J. Neural correlates of auditory perceptual awareness under informational masking. PLoS Biology. 6, e138 (2008).
