Kortlægning Corticale Dynamics Brug Samtidige MEG / EEG og Anatomisk-begrænset Minimum-norm skøn: en auditiv Attention Eksempel
Summary
Vi bruger magneto-og elektroencefalografi (MEG / EEG), kombineret med anatomiske oplysninger fanget af magnetisk resonans imaging (MRI), at kortlægge dynamikken i den kortikale netværk forbundet med auditive opmærksomhed.
Abstract
Magneto-og elektroencefalografi (MEG / EEG) er Neuroimaging teknikker, der giver en høj tidsopløsning særligt egnet til at undersøge de kortikale netværk, der er involveret i dynamiske perceptuelle og kognitive opgaver, såsom at deltage i forskellige lyde i et cocktailparty. Mange tidligere undersøgelser har ansat data, der registreres på sensoren niveau kun har dvs., De magnetiske felter eller de elektriske potentialer optaget uden for og på hovedbunden, og som regel fokuseret på aktivitet, der er tid-låst til stimulus præsentation. Denne type begivenhed-relateret område / potentielle analyse er især nyttig, når der kun er et lille antal forskellige dipolære mønstre, der kan isoleres og identificeres i rum og tid. Alternativt ved at anvende anatomiske oplysninger, kan disse forskellige felt mønstre lokaliseres som nuværende kilder på cortex. Men for en mere vedvarende respons som måske ikke er tid-låst til en specifik påvirkning (f.eks.,som forberedelse til at lytte til en af de to samtidigt præsenteret talte cifre baseret på cued auditive funktionen) eller kan være fordelt over flere rumlige placeringer ukendt på forhånd, kan ansætte en fordelt cortical netværk ikke i tilstrækkelig grad fanges ved hjælp af et begrænset antal fokale kilder.
Her beskriver vi en fremgangsmåde, der anvender individuelle anatomiske MRI-data til at skabe en forbindelse mellem sensoren information og dipolen aktivering på cortex ved anvendelse af minimum-norm estimater (MNE). Denne omvendte billedbehandling tilgang giver os et redskab til distribueret kilde analyse. Til illustrative formål vil vi beskrive alle procedurer ved hjælp FreeSurfer og MNE software, både frit tilgængelige. Vi vil opsummere MRI sekvenser og analyser nødvendige skridt til at producere en fremadrettet model, der gør os i stand til at relatere det forventede feltmønster forårsaget af dipoler fordelt på cortex på M / EEG sensorer. Next, vil vi gå gennem de nødvendige processer, der letter os i denoising sensordataene fra miljømæssige og fysiologiske stoffer. Vi vil herefter beskrive en metode til at kombinere og kortlægning MEG / EEG sensordata på den kortikale rum, hvorved der dannes en familie af tidsserier af cortical dipol aktivering på hjernen overflade (eller "hjerne-film") i forbindelse med hver eksperimentel betingelse. Endelig vil vi fremhæve nogle statistiske teknikker, der gør os i stand til at gøre videnskabelig inferens tværs et emne befolkning (dvs.., Udføre gruppe-niveau analyse) baseret på en fælles cortical koordinat rum.
Protocol
Discussion
For at vurdere den dipole aktivering på cortex fra de tilkøbte MEG / EEG data, er vi nødt til at løse en invers problem, som ikke har en unik stabil løsning, medmindre passende anatomisk og fysiologisk sunde begrænsninger anvendes. Brug af anatomiske begrænsning erhvervet for de enkelte fag ved hjælp af MRI og vedtagelse af minimum-norm som vores skøn kriterium, kan vi nå frem til en invers kortikale aktuelle kilde estimat, der er enig med sensormålinger. Denne fremgangsmåde har vist sig nyttigt i studier af…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Forfatterne vil gerne takke Matti S. Hämäläinen, Lilla Zöllei og tre anonyme korrekturlæsere for deres nyttige kommentarer. Finansieringskilder: 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 |
Riferimenti
- 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).
