JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Risultati
Discussion
Divulgazioni
Acknowledgements
Materials
Riferimenti
Traduzione automatica
Please note that all translations are automatically generated. Click here for the English version.
Neuroscienze

Analyse der neuronalen Aktivität und Konnektivität mit intrakraniellen EEG-Daten mit SPM-Software

Published: October 30, 2018
doi:
10.3791/58187
, , , , , , , ,
1Kokoro Research Center,Kyoto University, 2Brain Activity Imaging Center,Advanced Telecommunications Research Institute International, 3Department of Neurodevelopmental Psychiatry, Habilitation and Rehabilitation, Graduate School of Medicine,Kyoto University, 4National Epilepsy Center, 5Shizuoka Institute of Epilepsy and Neurological Disorders, 6Department of System Neuroscience,Sapporo Medical University, 7Faculty of Human Health Science, Graduate School of Medicine,Kyoto University

Summary

Wir präsentieren zwei analytische Protokolle, die verwendet werden können, intrakranielle Elektroenzephalographie Datenanalyse mit Hilfe der statistischen Parametric Mapping (SPM) Software: statistische parametrische Zuordnung Zeit-Frequenz-Analyse für neuronale Aktivität und dynamische kausale Modellierung der induzierten Reaktionen für Intra – und inter – regionale Verbindungen.

Abstract

Neuronale Aktivität und Konnektivität Zusammenhang mit kognitiven Funktionen bei hoher räumlicher und zeitlicher Auflösung zu messen, ist ein wichtiges Ziel der kognitiven Neurowissenschaften. Intrakranielle Elektroenzephalographie (EEG) kann direkt elektrische neuralen Aktivität aufnehmen und hat das einzigartige Potential, dieses Ziel zu erreichen. Traditionell wurde durchschnittlich Analyse angewendet, um intrakranielle EEG-Daten zu analysieren; Allerdings gibt es mehrere neue Techniken für die Darstellung der neuronalen Aktivität und Intra – und inter – regionale Konnektivität. Hier stellen wir zwei analytische Protokolle, die wir vor kurzem angewendet, um intrakranielle EEG-Daten mit Hilfe der statistischen Parametric Mapping (SPM) Software zu analysieren: Zeit-Frequenzanalyse SPM für neuronale Aktivität und dynamische kausale Modellierung von induzierten Reaktionen für Intra – und inter – regionale Konnektivität. Wir berichten unsere Analyse der intrakraniellen EEG-Daten bei der Beobachtung von Gesichtern als repräsentative Ergebnisse. Die Ergebnisse zeigten, dass die minderwertigen occipital Gyrus (IOG) Gamma-Band-Aktivität bei sehr frühen Stadien (110 ms) als Reaktion auf Gesichter, und der IOG und Amygdala zeigten schnelle Intra – und inter – regionale Vernetzung mit verschiedenen Arten von Schwingungen zeigte. Diese analytische Protokolle haben das Potenzial, die neuronalen Mechanismen, die kognitive Funktionen mit hoher räumlicher und zeitlicher Profile zu identifizieren.

Introduction

Neuronale Aktivität und Konnektivität Zusammenhang mit kognitiven Funktionen bei hoher räumlicher und zeitlicher Auflösung zu messen, ist eines der primären Ziele der kognitiven Neurowissenschaften. Allerdings ist es nicht einfach, dieses Ziel zu erreichen. Eine populäre Methode verwendet, um neuronale Aktivität aufzuzeichnen ist funktionelle Magnetresonanz-Bildgebung (MRI). Funktionelle MRT bietet mehrere Vorteile, wie eine hohe räumliche Auflösung auf Millimeter-Ebene und nicht-invasive Aufnahme zwar ein klarer Nachteil der funktionellen MRT seiner geringen zeitlichen Auflösung. Darüber hinaus misst funktionelle MRI Blut-Sauerstoff-Niveau-abhängigen Signale, die nur indirekt elektrische neuralen Aktivität widerspiegeln. Beliebte elektrophysiologische Methoden, einschließlich der Elektroenzephalographie (EEG) und Magnetoenzephalographie (MEG), haben hohe zeitliche Auflösungen auf die Millisekunde Ebene. Sie haben jedoch relativ geringe räumliche Auflösungen, weil sie elektrische/magnetische Signale an der Kopfhaut aufnehmen und schwierig inverse Probleme lösen müssen, um die Aktivität des Gehirns darstellen.

Intrakranielle EEG kann direkt elektrischen neuronalen Aktivität bei hohen zeitlichen (Millisekunden) und räumliche (Zentimeter) Auflösungen1aufnehmen. Diese Maßnahme bieten wertvolle Chancen, neuronale Aktivität und Konnektivität, zu verstehen, obwohl es klare Einschränkungen (z. B.messbare Regionen beschränken sich auf klinische Kriterien). Verschiedene intrakranielle EEG-Studien haben traditionelle durchschnittlich Analyse um neuronale Aktivität zeigen angewandt. Obwohl im Durchschnitt Analyse sensibel mal gesperrt und Niederfrequenz Band Aktivierung erkennen kann, es kann nicht erkennen, nicht-Phase-locked bzw. Aktivierung der Hochfrequenz (z. B. Gamma-Band). Darüber hinaus ist funktionelle neuronale Kopplung nicht ausführlich in der Literatur zu intrakraniellen EEG-Ableitungen analysiert worden. Vor kurzem wurden mehrere neue Techniken entwickelt, um neuronale Aktivität und Intra – und inter – regionale Vernetzung in funktionelle MRT und EEG/MEG Aufnahmen zeigen die angewendet werden können, um intrakranielle EEG-Daten zu analysieren.

Hier stellen wir analytische Protokolle, die wir vor kurzem angewendet haben, um intrakranielle EEG-Daten mit Hilfe der statistischen Parametric Mapping (SPM) Software zu analysieren. Erstens, die zeigen, wann und bei welcher Frequenz die Hirnregionen aktiviert werden konnte, führten wir Zeit-Frequenz SPM Analyse2. Diese Analyse zersetzt sich die Zeit- und Frequenzbereich Domains gleichzeitig über eine kontinuierliche Wavelet-Transformation und die simultane Fehlerquote (FWE) in der Zeit-Frequenz-Maps mit der zufälligen Feldtheorie entsprechend korrigiert. Zweitens haben wir um anzuzeigen wie Gehirnregionen kommunizieren, dynamische kausale Modellierung (DCM) induzierten Reaktionen4angewandt. DCM ermöglicht die Untersuchung von wirksamen Verbindungen (d. h. die kausalen und gerichtete Einflüsse unter Gehirn Regionen5). Obwohl DCM ursprünglich als Werkzeug zur Analyse der funktionellen MRT Daten5vorgeschlagen wurde, wurde DCM induzierten Reaktionen um zu analysieren, die zeitlich veränderliche Leistungsspektren der elektrophysiologischen Signalen4erweitert. Diese Analyse ermöglicht die Darstellung der beiden Intra – und inter – regionale neuronale Konnektivität. Einige neurophysiologische Studien haben vorgeschlagen, dass lokale intraregionale Berechnungen und weiträumige interregionale Kommunikation vor allem Gamma – und Theta-Band Schwingungen, bzw. verwenden, und ihre Interaktionen (z.B. Verladungen) können von Theta-Gamma Kreuz-Frequenz Kupplung3,6,7,8reflektiert werden. Dieser Bericht konzentriert sich auf das analytische Datenprotokoll; einen Überblick über Hintergrund Informationen9,10 und Aufnahme Protokolle11 von intrakraniellen EEG entnehmen Sie bitte der Literatur.

Protocol

Unsere Studie wurde von der lokalen institutionellen Ethikkommission genehmigt. 1. grundsätzliche Informationen Hinweis: Die analytische Protokolle können auf verschiedene Arten von Daten ohne Einschränkungen bezüglich bestimmten Teilnehmern, Elektroden, Referenzmethoden oder Elektrode Standorten angewendet werden. In unserem Beispiel haben wir sechs Patienten, die pharmakologisch hartnäckigen fokale Epilepsie leiden getestet. Wir haben Patienten, die keine epile…

Representative Results

Mit dem Protokoll enthaltenen, analysierten wir intrakranielle EEG-Daten in Reaktion auf Gesichter18,19. Wir aufgezeichnete Daten von sechs Patienten während der passive Betrachtung von Gesichtern, Mosaiken und Häuser in aufrechten und invertiert Orientierungen. Die Kontraste der aufrechten Gesichtern gegenüber aufrecht Mosaiken und gerader Schriftschnitt gegen aufrechte Häuser zeigten die Gesicht-Effekt (<em…

Discussion

Die analytische Protokolle für intrakranielle EEG-Daten mit der SPM-Software eingeführt hierin haben mehrere Vorteile gegenüber funktionelle MRI. Erstens können die Protokolle neuronalen Aktivierung mit einer hohen zeitlichen Auflösung darstellen. Daher zeigen die Ergebnisse, ob die kognitive Korrelate der neuronalen Aktivierung auf frühen oder späten Stadien der Verarbeitung umgesetzt werden. In unserem Beispiel wurde die Gesicht-Effekt der visuellen Verarbeitung in den sehr frühen Stadien (d. h. 110 ms…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

Diese Studie wurde unterstützt durch Mittel aus dem Benesse Corporation, Japan Society for Promotion of Science (JSPS) Finanzierung Programm für die nächste Generation weltweit führende Forscher (LZ008), der Organisation für die Förderung der Forschung auf Entwicklungsstörungen des, und die JSPS KAKENHI (15K 04185; 18K 03174).

Riferimenti

  1. Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology – Paris. 97 (4-6), 613-628 (2003).
  2. Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
  3. Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
  4. Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
  5. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
  6. Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
  7. 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).
  8. 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).
  9. Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
  10. Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
  11. 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).
  12. 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).
  13. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
  14. Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
  15. 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).
  16. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
  22. 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).
  23. 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).
  24. 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).
  25. Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
  26. Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
  27. Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
  28. Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
  29. 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).
  30. Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
  31. Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
  32. 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).
  33. Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
  34. Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
  35. Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
  36. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  37. Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
  38. Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).

Tags

Keywords: Intracranial EEGNeural ActivityNeural ConnectivitySPM SoftwareTime-frequency AnalysisWavelet DecompositionMorlet WaveletsData TransformationBaseline CorrectionData SmoothingGeneral Linear ModelStatistical InferenceRandom Field TheoryDynamic Causal ModelingCognitive Neuroscience
check_url/it/58187?article_type=t

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Citazione di questo articolo
Sato, W., Kochiyama, T., Uono, S., Usui, N., Kondo, A., Matsuda, K., Usui, K., Toichi, M., Inoue, Y. Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software. J. Vis. Exp. (140), e58187, doi:10.3791/58187 (2018).
Scarica citazione
Ristampe e autorizzazioni

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image