Mapping Kortikale Dynamics Mit Simultaneous MEG / EEG und anatomisch eingeschränkt Minimum-Norm Schätzungen: ein Auditory Achtung Beispiel
Summary
Wir verwenden magneto-und Elektroenzephalographie (MEG / EEG) mit anatomischen Information durch Magnetresonanztomographie (MRI) aufgenommenen kombiniert, um die Dynamik des kortikalen Netzwerk mit auditorischen Aufmerksamkeit zugeordnet abzubilden.
Abstract
Magneto-und Elektroenzephalographie (MEG / EEG) sind bildgebende Verfahren, die eine hohe zeitliche Auflösung besonders geeignet, um die kortikale Netzwerke in dynamischen Wahrnehmungs-und kognitiven Aufgaben, wie die Teilnahme an verschiedenen Sounds in einer Cocktail-Party zu erforschen geben. Viele Studien haben historischen Daten am Sensor erfasst nur eingesetzt, dh., Die Magnetfelder oder die elektrischen Potentiale außerhalb und auf der Kopfhaut aufgezeichnet und sind in der Regel auf Aktivität, die auf den Stimulus Präsentationszeit-locked ist konzentriert. Diese Art von Ereignis-verwandten Bereich / Potential Analyse ist besonders nützlich, wenn es nur eine kleine Anzahl der verschiedenen Muster, die dipolare isoliert und identifiziert werden können, in Raum und Zeit sind. Alternativ kann durch die Verwendung anatomischer Informationen können diese unterschiedliche Feldmuster als Stromquellen auf der Hirnrinde lokalisiert werden. Jedoch für ein anhaltendes Ansprechen die möglicherweise nicht auf eine bestimmte Zeit Stimulus-locked (zB.,in Vorbereitung für das Hören eines der zwei gleichzeitig präsentierte gesprochene Ziffern auf der Grundlage cued auditorischen Funktion) oder kann über mehrere räumliche Orte verteilt a priori unbekannt sind, kann die Einstellung eines verteilten Netzwerks kortikalen nicht adäquat durch Verwendung einer begrenzten Anzahl von eingefangen werden fokale Quellen.
Hier beschreiben wir ein Verfahren, das individuelle anatomische MRI-Daten einsetzt, um eine Beziehung zwischen dem Sensor-Informationen und dem Dipol Aktivierung auf der Rinde durch die Verwendung von Minimum-Norm Schätzungen (MNU) herzustellen. Diese inverse Bildgebung Ansatz bietet uns ein Werkzeug für die verteilte Quell-Analyse. Zur Veranschaulichung beschreiben wir alle Verfahren mit Freesurfer und MNE Software, sowohl frei verfügbar. Wir fassen die MRT-Sequenzen und Analyse Schritte erforderlich, um eine Vorwärts-Modell, das uns die erwartete Feldmuster durch die Dipole auf der Hirnrinde auf die M / EEG-Sensoren verteilt verursacht wurden, können zu produzieren. Next, werden wir durch die notwendigen Prozesse, die uns zu erleichtern, Rauschunterdrückung die Sensordaten von Umwelt-und physiologischen Verunreinigungen fort. Wir werden dann beschreiben das Verfahren zum Kombinieren und Abbilden MEG / EEG-Sensor-Daten auf dem kortikalen Raum, wodurch eine Familie von Zeitreihenbewegungsdaten von kortikalen Dipol Aktivierung auf das Gehirn Oberfläche (oder "brain-filme") im Zusammenhang mit jeder experimentellen Bedingung. Schließlich werden wir markieren ein paar statistische Techniken, die uns die wissenschaftliche Ableitung über eine unterworfene Bevölkerung (dh., Führen Gruppen-Level-Analyse) auf einer gemeinsamen kortikalen Koordinatenraum Basis treffen können.
Protocol
Discussion
Um die Dipol-Aktivierung auf der Rinde von den erfassten MEG / EEG-Daten abzuschätzen, müssen wir eine inverse Problem, das nicht über eine eindeutige stabile Lösung sofern keine entsprechenden anatomisch und physiologisch einwandfrei Nebenbedingungen angewandt werden lösen. Mit dem anatomischen Einschränkung für einzelne Fächer mittels MRT und die Verabschiedung der Minimum-Norm als unsere Einschätzung Kriterium erworben haben, können wir bei einer inversen kortikalen Stromquelle schätzen, dass mit den Senso…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Die Autoren bedanken sich bei Matti S. Hämäläinen, Lilla Zöllei und drei anonymen Gutachtern für ihre hilfreichen Kommentare danken. Finanzierungsquellen: 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).
