Analyser l’activité neurale et la connectivité à l’aide des données EEG intracrânienne avec logiciel SPM
Summary
Nous présentons deux protocoles analytiques qui peuvent être utilisés pour analyser les données de l’électroencéphalographie intracrânienne en utilisant le logiciel de statistiques paramétriques cartographie (SPM) : analyse temps-fréquence statistique paramétrique mappage pour l’activité neuronale et la dynamique causale modélisation des réponses induites pour intra – et inter – régionales, connectivité.
Abstract
Mesurer l’activité neurale et connectivité associée à des fonctions cognitives à haute résolution spatiale et temporelle est un objectif important en neurosciences cognitives. Intracrânienne électroencéphalographie (EEG) permet d’enregistrer directement l’activité électrique neuronale et a le potentiel unique pour atteindre cet objectif. Traditionnellement, avec une moyenne d’analyse a été appliquée pour analyser les données EEG intracrâniennes ; Cependant, plusieurs nouvelles techniques sont disponibles pour dépeindre la connectivité neuronale d’activité et intra – et inter – régionales. Ici, nous présentons deux protocoles analytiques nous avons récemment utilisé pour analyser des données EEG intracrâniennes en utilisant le logiciel de cartographie statistique paramétrique (SPM) : analyse SPM de temps / fréquence d’activité neurale et la modélisation dynamique causale des réponses pour induites par connectivité – inter et intra régionales. Nous rapportons notre analyse des données d’EEG intracrâniennes lors de l’observation des visages comme résultats représentatifs. Les résultats ont révélé que le gyrus occipital (IOG) ont montré une activité gamma-bande aux tout premiers stades (110 ms) en réponse à des visages et IOG et amygdale a montré rapidement intra – et inter – régionales, connectivité à l’aide de divers types d’oscillations. Ces protocoles analytiques ont le potentiel d’identifier les mécanismes neurones sous-tendant les fonctions cognitives avec hautes profils spatiaux et temporels.
Introduction
Mesurer l’activité neurale et connectivité associée à des fonctions cognitives à haute résolution spatiale et temporelle est l’un des principaux objectifs de la neuroscience cognitive. Toutefois, cet objectif n’est pas facile. Une méthode populaire utilisée pour enregistrer l’activité neurale est fonctionnel d’imagerie par résonance magnétique (IRM). Bien que l’IRM fonctionnelle offre plusieurs avantages, notamment une résolution spatiale élevée au niveau de millimètre et enregistrement non invasif, un désavantage évident de l’IRM fonctionnelle est sa faible résolution temporelle. En outre, l’IRM fonctionnelle mesure oxygène-sang-dépendante du niveau des signaux, qui reflètent seulement indirectement l’activité neurale électrique. Méthodes électrophysiologiques populaires, y compris l’électroencéphalographie (EEG) et la magnétoencéphalographie (MEG), ont une résolution temporelle élevée à l’échelle de la milliseconde. Toutefois, ils ont des résolutions spatiales relativement faibles, car ils enregistrent les signaux électriques/magnétiques au cuir chevelu et doivent résoudre les difficiles problèmes inverses pour décrire l’activité cérébrale.
EEG intracrânien peut enregistrer directement l’activité neurale électrique à haute temporelle (milliseconde) et de résolutions spatiales (centimètre)1. Cette mesure peut fournir des occasions précieuses pour comprendre l’activité neuronale et la connectivité, même si elle a des lacunes évidentes (par exemple, les régions mesurables sont limite à des critères cliniques). Plusieurs études d’EEG intracrâniennes ont appliqué traditionnel analyse moyenne pour décrire l’activité neurale. Bien qu’en moyenne l’analyse peut détecter avec sensibilité activation du verrouillage de temps et de basse fréquence de bande, il ne peut pas détecter non-phase-locked et/ou l’activation de haute fréquence (par exemple, bande de gamma). En outre, couplage neuronal fonctionnel n’a pas été analysée en profondeur dans la littérature sur les enregistrements d’EEG intracrâniens. Plusieurs nouvelles techniques ont été récemment développés pour dépeindre neural activité et intra – et inter – régionales, la connectivité fonctionnelle enregistrements IRM et EEG/MEG, qui peuvent être appliqués pour analyser des données EEG intracrâniennes.
Ici, nous présentons des protocoles analytiques que nous avons récemment utilisé pour analyser des données EEG intracrâniennes en utilisant le logiciel de cartographie statistique paramétrique (SPM). Premier, à révéler quand et à quelle fréquence, les régions du cerveau pourraient être activées, nous avons effectué d’analyse temps-fréquence SPM2. Cette analyse décompose les domaines temporels et fréquentiels simultanément en utilisant une transformée en ondelettes continue et appropriée corrige le taux d’erreur moyen (FFE) dans les cartes de temps-fréquence à l’aide de la théorie des champs aléatoire. Deuxièmement, pour indiquer comment communiquent des régions du cerveau, nous avons appliqué dynamique modélisation causale (DCM) des réponses induites par4. DCM permet l’étude de connectivité efficace (p. ex., les influences causales et directionnels parmi les régions de cerveau5). Bien que le DCM a été initialement proposé comme un outil d’analyse de données MRI fonctionnel5, DCM des réponses induites a été étendu pour analyser les spectres de puissance instationnaire de signaux électrophysiologiques4. Cette analyse permet la représentation de deux connectivité neuronale intra – et inter – régionales. Plusieurs études neurophysiologiques ont suggéré que les calculs intra-régional locaux et communications interrégionales à longue portée utilisent principalement les oscillations bandes thêta et gamma, respectivement, et leurs interactions (p. ex., entrainments) peut se traduire par thêta-gamma Croix-fréquence attelage3,6,7,8. Ce rapport se concentre sur le protocole d’analyse de données ; pour un aperçu des informations de fond9,10 et enregistrement des protocoles11 d’EEG intracrânien, veuillez vous référer à la littérature.
Protocol
Representative Results
Discussion
Les protocoles analytiques pour intracrâniennes données EEG en utilisant le logiciel SPM a présenté ci-après présentent plusieurs avantages par rapport à l’IRM fonctionnelle. Tout d’abord, les protocoles peuvent dépeindre activation neurale à une haute résolution temporelle. Par conséquent, les résultats indiquent que les corrélats cognitifs d’activation neurale sont mises en œuvre aux stades précoces ou tardive du traitement. Dans notre exemple, l’effet de visage a été identifiée durant les tou…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Cette étude a été financée par des fonds de la Corporation de Benesse, la société japonaise pour le programme de financement pour les chercheurs de prochaine génération mondiaux (LZ008), l’Organisation pour la promotion de la recherche dans les troubles du développement neurologique, de la Promotion of Science (JSPS) et le 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).
