I den här artikeln beskrivs hur du spelar in amygdalaaktiviteten med magnetencefalografi (MEG). Utöver denna artikel kommer att beskriva hur man genomför konditionering spår rädsla utan medvetenhet, en uppgift som aktiverar amygdala. Det kommer att omfatta tre områden: 1) Utforma ett paradigm trace conditioning hjälp bakåt maskering för att manipulera medvetandet. 2) Inspelning hjärnaktivitet under uppgiften med hjälp av magnetencefalografi. 3) Använda source imaging att återvinna signalen från subkortikala strukturer.
I spår rädsla konditionering en villkorlig stimulus (CS) förutspår uppkomsten av den ovillkorliga stimulus (UCS), som presenteras efter en kort stimulans fri period (svepintervallet) 1. Eftersom CS och UCS inte co-uppstå tidsmässigt, måste motivet upprätthålla en representation av denna CS under svepintervallet. Hos människor, kräver denna typ av lärande medvetenhet om stimulans oförutsedda för att överbrygga svepintervallet 2-4. Men när ett ansikte som en CS, kan individer lära implicit att frukta ansiktet även i avsaknad av uttryckliga medvetenhet *. Detta tyder på att det kan finnas ytterligare neurala mekanismer som kan hålla vissa typer av "biologiskt relevanta" stimuli under ett kort svepintervallet. Med tanke på att amygdala är involverad i spår konditionering, och är känslig för ansikten, är det möjligt att denna struktur kan upprätthålla en representation av ett ansikte CS under ett kort svepintervallet.
<p class = "jove_content"> Det är en utmaning att förstå hur hjärnan kan associera en unperceived ansikte med en aversiv utfall, trots att de två stimuli är separerade i tiden. Vidare undersökningar av detta fenomen försvåras av två specifika utmaningar. Det första är det svårt att manipulera patientens medvetenhet om de visuella stimuli. Ett vanligt sätt att manipulera visuella medvetenhet är att använda bakåt maskering. I efterblivna maskering, är ett mål stimulus kortfattat (<30 stimulus 5. Presentationen av masken gör målet osynliga 6-8. Andra kräver maskering mycket snabb och exakt timing vilket gör det svårt att undersöka neurala reaktioner framkallade av maskerade stimuli med många gemensamma strategier. Blod-syresättning nivåberoende (BOLD) svar löser på en tidsskala för långsam för denna typ av metod, och riktiga tekniker tidsregistrering som electroencephalography (EEG) och magnetencefalografi (MEG) har svårt att återhämta signal från djupa källor.Däremot har det funnits de senaste framstegen inom de metoder som används för att lokalisera de neurala källorna i MEG-signalen 9-11. Genom att samla högupplösta MRI-bilder av patientens hjärna, är det möjligt att skapa en källa som bygger på individuell neural anatomi. Med hjälp av denna modell för att "bilden" källorna av MEG-signalen, är det möjligt att återvinna signalen från djupa subcortical strukturer som amygdala och hippocampus *.
I detta dokument beskriver vi metoder 1) att manipulera försökspersonernas medvetenhet om mål gemensamma specifikationer under en spårning rädsla konditionering paradigm. 2) och att återvinna MEG-signal från amygdala under svepet rädsla konditionering utan medvetenhet. Med hjälp av dessa metoder, kunde vi visa att spåra konditionering utan medvetenhet är möjlig när ansikten används för att förutsäga UCS. Detta resultat tyder på att ytorna får särskild behandling även när presenteras nedan den perceptuella detektionströskel *. I enlighet med denna slutsats fann vi att brett spektrum ansikten väcker robusta amygdala svar och brister av gamma svängningar under svepintervallet. Detta resultat antyder att amygdala har förmåga att bibehålla en representation av ett ansikte CS under ett kort svepintervallet.
Även presenteras tillsammans, kan dessa två metoder användas självständigt såväl. Till exempel är det möjligt att använda bakåt maskering för att manipulera målet synlighethet i andra paradigm där beteende kan påverkas av känslomässiga signaler bearbetas under den nivå av medvetande 5,6,8 *. Dessutom, med hjälp av metoden källan avbildning beskrivs här är det möjligt att skapa 3D-modeller av andra subcortical strukturer, och det kan vara möjligt att återvinna signalen från dessa strukturer under andra region specifika uppgifter. Till exempel genom att använda källa avbildning till modellen hippocampus aktivitet, kan det vara möjligt återvinna MEG-signal från hippocampus källor under uppgifter som rumslig navigering.
De metoder som beskrivs här har utformats med två mål i åtanke: 1) blocket medvetenhet om målet stimuli, 2) och maximera förmågan att upptäcka stimulans framkallade amygdala svar med hjälp av MEG. Dessa konstruktionskrav gör det svårt att mäta försökspersonernas implicita kunskap av stimulansåtgärderna oförutsedda. Till exempel, SCR lösa under loppet av några sekunder 5,13, men är det enbart CSS presenterasför ~ 30 ms under träning, och chocken presenteras strax efter (~ 900 ms). Givet dessa tidsbrist, kommer CR uttryck oundvikligen kompliceras av UCR uttryck under träning. På grund av denna colinearity, är det nödvändigt att testa försökspersonernas kunskap om stimulans oförutsedda med hjälp av en efterföljande omaskerade test session. Men ett test session i slutet av experimentet är inte optimalt eftersom SCR tenderar att vänja under loppet av försöket 1. Med tanke på antalet försök som behövs för att visa pålitliga evoked med MEG, kommer detta SCR tillvänjning minska betydligt styrkan att upptäcka en beteendevetenskaplig effekt av utbildningen. Framtida studier bör fokusera på att hitta bättre sätt att indexera implicit inlärning under rädsla konditionering med maskerade CSS. Detta kan göras antingen genom att hitta ett alternativ index av rädsla under träningen (dvs. elev dilatation 19,20) eller hitta en mer känsligt mått på rädsla som kan vara administrastrerade efter träningspasset.
The authors have nothing to disclose.
Denna studie stöddes av National Institute of Mental Health (MH060668 och MH069558).
Software | |||
Matlab | Mathworks | mathworks.com/products/matlab | |
Presentation | Neurobehavioral Systems | neurobs.com | |
Psylab | Contact Precision Instruments | psychlab.com | |
AFNI | NIMH – Scientific and Statistical Computing Core | afni.nimh.nih.gov/afni | |
Freesurfer | Martinos Center for Biomedical Imaging | surfer.nmr.mgh.harvard.edu/fswiki | |
MNE | Martinos Center for Biomedical Imaging | nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php | |
Brainstorm | open-source collaboration | neuroimage.usc.edu/brainstorm | |
3d Slicer | open-source collaboration | slicer.org | |
Paraview | Kitware | paraview.org | |
Table 1. Software used Software used. | |||
Equipment | |||
Physiological Monitoring System | |||
Psylab stand alone monitor (x2) | Contact Precision Instruments | SAM | |
Skin conductance amplifier | Contact Precision Instruments | SC5 | |
Shock stimulator (x2) | Contact Precision Instruments | SHK1 | |
Additional Components | |||
8-bit synchronization cable (x2) | Contact Precision Instruments | Included with SAM | |
8-bit to 2-bit isolation adapter | N/A | Custom | |
DB25 ribbon cable (x2) | N/A | Standard | |
Shielded extension cable (x3) | Contact Precision Instruments | CL41 | |
Radiotranslucent cup electrodes for SCR and shock (x6) | Biopac | EL258-RT | |
Signa Gel | Parker Laboratories | 15-250 | |
Response Device | |||
Rotary dial with gameport connector (x2) | N/A | Custom | |
Gameport-to-gameport/BNC splitter | N/A | Custom | |
BNC cable | N/A | Standard | |
Gameport-to-USB adapter (x2) | Rockfire | RM203U | |
Additional Components for MEG Setup | |||
HPI coils and wiring harness | N/A | Custom | |
HPI positioning system | Inition | Polhemus Isotrak | |
Table 2. Equipment used. |