Como detectar Amygdala Atividade com Magnetoencefalografia usando fonte de imagem

O objetivo geral deste procedimento é detectar a atividade da amígdala durante o aprendizado usando MAGNETOENCEFALOGRAFIA ou MEG. Isso é feito primeiro projetando uma tarefa implícita de aprendizado de medo que ativa a amígdala. O segundo passo é registrar a atividade cerebral durante a tarefa usando MEG.

Em seguida, identifique as superfícies do córtex e da amígdala usando uma ressonância magnética anatômica de alta resolução. A etapa final é usar as superfícies do córtex e da amígdala para modelar as fontes neurais do sinal MEJ. Em última análise, os modelos de imagem de origem podem ser usados para mostrar a ativação neural na amígdala durante o aprendizado sem consciência.

Portanto, a principal vantagem dessa técnica sobre os métodos existentes, como o FMRI, é que os sinais MEG são registrados em tempo real e podem ser usados para estudar processos neurais rápidos ou transitórios. Embora esse método possa ser usado para estudar a função da amígdala, ele também pode ser usado para estudar a função de outras regiões subcorticais. Comece conectando o computador de apresentação de estímulo ao sistema de aquisição MEG usando um cabo de fita multiconector DB 25 padrão.

Em seguida, conecte o computador de apresentação de estímulo ao monitor autônomo da laje ou sam. Usando o adaptador de isolamento de oito bits para dois bits e o cabo de sincronização, os pulsos lógicos do transistor para o transistor usados para marcar as apresentações de estímulo podem causar artefatos nos dados MEG se forem enviados para o sam. Para evitar esses artefatos, marque o início dos estímulos usando apenas os bits bloqueados pelo adaptador de isolamento, como visto aqui.

O estimulador de choque é então conectado ao sam. Em seguida, passe um cabo de extensão blindado pelo guia de ondas e conectado ao estimulador de choque. O SAM deve então ser conectado a um computador executando o software de aquisição de dados da laje.

Conecte o botão giratório ao computador de apresentação de estímulo e ao sistema de aquisição MEG usando a porta do jogo para a porta do jogo, o divisor BNC e a porta do jogo para o adaptador USB. Conecte eletrodos e sensores ao assunto usando o esquema mostrado aqui. Uma vez configurado corretamente, digitalize a posição da cabeça do sujeito em relação às bobinas HPI usando pontos fiduciais.

Em seguida, digitalize de 50 a 100 pontos ao longo do couro cabeludo do sujeito. Acompanhe o sujeito até o sistema MEG e conecte os eletrodos e sensores à interface apropriada. Levante a cadeira de forma que a cabeça do sujeito toque a parte superior do capacete MEG e posicione a tela de forma que a imagem projetada fique em foco.

Em seguida, defina o choque para um nível que o sujeito relate como doloroso, mas tolerável. Por fim, instrua o sujeito sobre o uso adequado do mostrador usando um exemplo de cenário de apresentação. Comece carregando o software de aquisição de dados da laje para começar a registrar os códigos de evento e a aplicação de choque.

A sessão de treinamento é programada de antemão e consiste em quatro blocos de condicionamento diferencial de medo com 15 tentativas por condição, estímulo ou CS por bloco, como visto aqui quando tudo está pronto. Comece quatro testes de treinamento e registre os dados brutos em dois kilohertz. Durante cada um, inspecione visualmente os dados em tempo real em busca de fontes sistemáticas de ruído.

Após cada corrida, peça ao sujeito para avaliar a intensidade do choque para avaliar a habituação. Depois de completar os testes, use o free surfer para criar um volume subcortical segmentado e superfícies do córtex, pele externa e crânio externo. Em seguida, crie e converta os volumes da amígdala e do hipocampo em superfícies.

Usando a segmentação três e o ParaView, a próxima etapa é criar um novo assunto no banco de dados de brainstorm. Importe o volume de ressonância magnética para o brainstorming e deforme o volume para o espaço padrão, identificando os pontos fiduciais, importe as superfícies e alinhe manualmente a superfície do couro cabeludo com a ressonância magnética. Depois de concluído.

Aplique essa transformação a todas as outras superfícies. Mescle as superfícies da casca, do hipocampo e da amígdala. Por fim, crie regiões de interesse para a amígdala e o hipocampo.

Depois de criado, importe o arquivo de gravação MEG para cada sessão de treinamento. O software de aquisição MEG usa separação de espaço de sinal para remover artefatos causados por fontes fora da sala blindada magneticamente. Certifique-se de usar os arquivos limpos frequentemente encontrados em uma pasta marcada como SSS para analisar as respostas evocadas.

Primeiro, use o canal de eventos para identificar épicos correspondentes a cada um dos ensaios experimentais. Remova artefatos causados por batimentos cardíacos e movimentos oculares usando projeções de espaço de sinal de eventos identificados nos canais de eletrocardiografia e eletroiconografia. Em seguida, refine o registro de ressonância magnética usando pontos de cabeça.

Calcule a covariância de ruído das gravações usando o método de esferas sobrepostas com a entrada do córtex, calcule as fontes de cálculo do modelo de cabeça usando o método de estimativa de norma mínima e continue a análise das fontes. Próximas fontes de filtro passa-banda para os testes individuais. Pegue o valor absoluto das fontes filtradas de passagem de banda e converta esses valores em pontuação Z com base na variabilidade da linha de base, suavize espacialmente as fontes e as fontes médias entre os ensaios.

Projete essas médias na anatomia padrão do experimento. Em seguida, calcule os testes T nas fontes nas diferentes condições. Filtre os resultados significativos do teste T usando limites espaciais e temporais para corrigir erros familiares.

Identifique regiões significativamente ativadas e exporte o curso de tempo de ativação para cada assunto. Finalmente, calcule a média e o erro padrão da média entre os sujeitos em cada ponto de tempo. Primeiro, projete os dados brutos dos ensaios individuais na anatomia padrão para o experimento Calcule as decomposições de frequência de tempo em dados de regiões anatômicas e funcionais de interesse.

Converta os mapas de decomposição de frequência de tempo resultantes em pontuação Z e calcule a média dos mapas resultantes entre as tentativas para cada sujeito. Finalmente, execute o teste T nos mapas nas diferentes condições mostradas aqui são resultados comportamentais de um estudo de condicionamento típico. O gráfico à esquerda mostra que os indivíduos têm níveis semelhantes de expectativa nas 60 tentativas, sugerindo que o procedimento de mascaramento bloqueou sua capacidade de discriminar entre os estímulos da condição.

O gráfico à direita mostra as respostas diferenciais durante a sessão de teste. Observe que o grupo não filtrado apresenta respostas maiores aos estímulos antigos em comparação com os novos, sugerindo que o treinamento leva a uma melhor reaquisição quando comparado ao grupo filtrado. Este exemplo mostra os resultados do MEG de um experimento de condicionamento típico.

O modelo 3D à esquerda mostra a amígdala e laranja e o hipocampo em verde. O gráfico à direita representa a atividade de um aglomerado de amígdala. A linha de cor clara representa a atividade evocada por rostos não filtrados, enquanto a linha mais escura representa a atividade evocada por rostos filtrados.

Este gráfico representa o sinal MEG registrado da amígdala dividido por tempo e frequência. As cores quentes representam regiões no espectrógrafo do espectro que mostram significativamente mais poder para faces não filtradas do que para faces filtradas. As cores frias representam as regiões opostas com a sobreposição listrada representando diferenças significativas entre os grupos.

Esta figura mostra a ativação da área occipital da face. Em um experimento de condicionamento típico, as cores quentes representam respostas maiores a faces não filtradas do que a faces filtradas. Seguindo este procedimento.

Outros métodos, como a análise de coerência, podem ser usados para responder a perguntas adicionais relacionadas à comunicação neural. Depois de assistir a este vídeo, você deve ter uma boa compreensão de como usar a imagem de origem para detectar respostas neurais e estruturas cerebrais subcorticais.