ניתוח פעילות עצבית וקישוריות באמצעות נתוני EEG תוך-גולגולתי בתוכנה SPM
Summary
אנו מציגים שני פרוטוקולים אנליטי שיכול לשמש לניתוח נתונים אלקטרואנצפלוגרם תוך-גולגולתי שימוש בתוכנה פרמטרית סטטיסטי-מיפוי (SPM): מיפוי פרמטרית סטטיסטי זמן-תדר ניתוח פעילות עצבית, הסיבתי דינמי מידול המושרה תגובות עבור קישוריות “אינטרה” בין regional.
Abstract
מדידת פעילות עצבית וקישוריות המשויכים פונקציות קוגניטיביות ברזולוציות גבוהות יכולות הוא מטרה חשובה והקוגניציה. תוך-גולגולתי אלקטרואנצפלוגרם (EEG) ניתן להקליט ישירות חשמל פעילות עצבית, יש את הפוטנציאל הייחודי כדי להשיג מטרה זו. באופן מסורתי, בממוצע ניתוח הוחל לניתוח נתונים תוך-גולגולתי EEG; עם זאת, מספר טכניקות חדשות זמינות עבור המתארים קישוריות פעילות של “אינטרה” בין regional עצבית. . כאן, אנחנו מציגים שני פרוטוקולים אנליטי לאחרונה הוספנו כדי לנתח נתונים EEG תוך-גולגולתי באמצעות תוכנה סטטיסטית פרמטרית מיפוי (SPM): זמן-תדר SPM ניתוח של פעילות עצבית ועיצוב דינמי סיבתי המושרה תגובות עבור “אינטרה” בין regional קישוריות. מדווחים שלנו ניתוח של נתוני EEG תוך-גולגולתי במהלך הצפיה פרצופים כתוצאות נציג. התוצאות חשף כי הכישור העורפית נחות (הלוגו) הראו פעילות גמא-band-בשלבים מוקדמים מאוד (110 ms) בתגובה פרצופים, הן את הלוגו ואת אמיגדלה הראה מהירה “אינטרה” בין regional קישוריות באמצעות סוגים שונים של תנודות. פרוטוקולים אנליטי אלה יש הפוטנציאל לזיהוי המנגנונים העצביים תפקודים קוגניטיביים עם פרופילים יכולות גבוהות.
Introduction
מדידת פעילות עצבית וקישוריות המשויכים פונקציות קוגניטיביות ברזולוציות גבוהות יכולות היא אחת המטרות של מדעי המוח הקוגניטיביים. עם זאת, השגת מטרה זו אינה קלה. אחת השיטות הפופולריות שישמשו להקלטת פעילות עצבית הוא פונקציונלי תהודה מגנטית (MRI). למרות MRI פונקציונלי מציע מספר יתרונות, כגון רזולוציה מרחבית גבוהה מילימטר ברמה, ההקלטה לא פולשנית, בעמדת נחיתות ברורה של MRI פונקציונלי הוא שלה ברזולוציה הטמפורלית נמוכה. בנוסף, MRI פונקציונלי מודד דם חמצן-רמת-תלויי-אותות, אשר רק בעקיפין משקפים פעילות עצבית חשמלי. שיטות אלקטרופיזיולוגיות פופולריות, כולל אלקטרואנצפלוגרם (EEG) ועל מגנטואנצפלוגרפיה (מג), יש ברזולוציות גבוהות טמפורלית ברמת אלפיות השנייה. עם זאת, יש להם רזולוציות המרחבי נמוך יחסית, משום שהם להקליט אותות חשמליים/מגנטי הקרקפת חייב לפתור בעיות קשות הפוך כדי לתאר את פעילות המוח.
EEG תוך-גולגולתי ניתן להקליט ישירות חשמל פעילות עצבית גבוהה טמפורלית (אלפית שנייה), החלטות מרחביות (סנטימטר)1. אמצעי זה יכול לספק הזדמנויות יקרי ערך להבין פעילות עצבית, קישוריות, למרות שיש לו גבולות ברורים (למשל, מדיד אזורים מוגבלים קריטריונים קליניים). מספר מחקרים EEG תוך-גולגולתי החלת ניתוח מסורתי חישוב ממוצע רגיל כדי לתאר פעילות עצבית. למרות בממוצע ניתוח יכול לזהות ברגישות להקת בתדר נמוך נעול זמן ההפעלה, הוא אינו יכול לזהות הלא-נעילת פאזה ו/או הפעלת בתדירות גבוהה (למשל, פס גמא). בנוסף, צימוד עצבית תפקודית שלא נותחה לעומק הספרות על הקלטות EEG תוך-גולגולתי. מספר טכניקות חדשות פותחו לאחרונה כדי לתאר את קישוריות פעילות של “אינטרה” בין regional עצבית בהקלטות פונקציונלי MRI ו- EEG/מג, אשר יכול להיות מיושם כדי לנתח נתונים EEG תוך-גולגולתי.
כאן, אנחנו מציגים את הפרוטוקולים אנליטי אנחנו התקינו לאחרונה כדי לנתח נתונים EEG תוך-גולגולתי באמצעות תוכנה סטטיסטית פרמטרית מיפוי (SPM). ראשית, כדי לחשוף את מתי, באיזו תדירות, האזורים במוח יכול להיות מופעל, ביצענו ניתוח SPM זמן-תדר2. ניתוח זה מפרקת את זמן ותדירות תחומים בו זמנית באמצעות המרה אדוה רציפה ומתקנת בהתאם שיעור שגיאה family-wise (FWE) ב המפות זמן-תדר באמצעות התיאוריה שדה אקראי. שנית, כדי לחשוף כמה אזורים במוח לתקשר, והגשנו בקשה מידול סיבתי דינמי (DCM) של תגובות המושרה4. DCM מאפשר החקירה של קישוריות יעיל (קרי, השפעות סיבתי כיוונית בין אזורי המוח5). למרות DCM הוצע במקור ככלי לניתוח נתונים MRI פונקציונלי5, DCM תגובות המושרה הוארך כדי לנתח את ספקטרום כוח משתנה הזמן של אותות אלקטרופיזיולוגיות4. ניתוח זה מאפשר תיאור של שני regional אינטרה בין עצביים קישוריות. Neurophysiological מספר מחקרים הראו כי חישובי אינטרה-אזורית מקומית ותקשורת בין-אזורית ארוכי טווח משתמשים בעיקר גמא-תטה-להקת תנודות, בהתאמה, האינטראקציות שלהם (למשל, entrainments) יכול יבואו לידי ביטוי על ידי תטא-גמא צימוד בין תדר3,6,7,8. דו ח זה מתמקד פרוטוקול אנליטי של נתונים; מבט כולל על רקע מידע9,10 , פרוטוקולי ההקלטה11 של EEG תוך גולגולתי, נא עיין בספרות.
Protocol
Representative Results
Discussion
הפרוטוקולים אנליטי עבור נתוני EEG תוך-גולגולתי שימוש בתוכנה SPM הציג בזאת יש מספר יתרונות בהשוואה MRI פונקציונלי. ראשית, הפרוטוקולים יכול מתארים הפעלה עצבית ברזולוציה הטמפורלית גבוהה. לכן, התוצאות מצביעות על ה”מפה קוגניטיבית של הפעלה עצבית מיושמים בשלבים מוקדם או מאוחר של עיבוד. בדוגמה שלנו, ?…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
מחקר זה נתמך על ידי קרנות של חברת Benesse, החברה יפן עבור התוכנית מימון של קידום המדע (JSPS) עבור חוקרים מובילים בעולם הדור הבא (LZ008), הארגון לקידום מחקר בהפרעות התפתחותיות, את KAKENHI JSPS (15K 04185; 18K 03174).
Riferimenti
- Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology – Paris. 97 (4-6), 613-628 (2003).
- Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
- Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
- Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
- Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
- Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
- Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
- Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191 (2010).
- Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
- Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
- Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993 (2012).
- Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
- Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
- Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
- Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
- Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
- Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
- Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
- Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
- Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition?. Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
- Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
- Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
- Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
- Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
- Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
- Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
- Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
- Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
- Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
- Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
- Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
- Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351 (2016).
- Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
- Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
- Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
- Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
- Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
- Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).
