JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Automatic Translation
Please note that all translations are automatically generated. Click here for the English version.
Neuroscience

Analizzando l'attività neurale e connettività utilizzando dati EEG intracranico con 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

Presentiamo due protocolli analitici che possono essere utilizzati per analizzare i dati di elettroencefalografia intracranica utilizzando il software di mappatura statistica parametrica (SPM): analisi tempo-frequenza mappatura statistica parametrica per attività neurale e dinamica causale modellazione di risposte indotte per connettività intra – e inter – regionale.

Abstract

Misurare l’attività neurale e connettività associati con funzioni cognitive ad alte risoluzioni spaziali e temporali è un obiettivo importante in neuroscienze cognitive. Intracranica elettroencefalografia (EEG) può registrare direttamente attività neurale elettrica e ha il potenziale unico per realizzare questo obiettivo. Tradizionalmente, con una media di analisi è stata applicata per analizzare i dati EEG intracranici; Tuttavia, parecchie nuove tecniche sono disponibili per raffigurante connettività neurale attività e intra – e inter – regionale. Qui, presentiamo due protocolli analitici abbiamo recentemente applicato per analizzare dati di EEG intracranici utilizzando il software di mappatura statistica parametrica (SPM): analisi SPM tempo-frequenza per attività neurale e modellazione dinamica causale di ha indotto risposte per connettività di intra – e inter – regionale. Segnaliamo la nostra analisi dei dati EEG intracranici durante l’osservazione di volti come risultati rappresentativi. I risultati hanno rivelato che il gyrus occipital inferiore (IOG) hanno mostrato l’attività della gamma-fascia a stadi molto precoci (110 ms) in risposta a volti e IOG sia amigdala ha mostrato rapida intra – e inter – regionale connettività utilizzando vari tipi di oscillazioni. Questi protocolli analitici hanno il potenziale per identificare i meccanismi neurali alla base di funzioni cognitive con alto profilo spaziale e temporale.

Introduction

Misurare l’attività neurale e connettività associati con funzioni cognitive ad alte risoluzioni spaziali e temporali è uno degli obiettivi primari delle neuroscienze cognitive. Tuttavia, la realizzazione di questo obiettivo non è facile. Un metodo popolare utilizzato per registrare l’attività neurale è funzionale a risonanza magnetica (MRI). Anche se MRI funzionale offre diversi vantaggi, quali un’elevata risoluzione spaziale a livello di millimetro e registrazione non invasiva, un chiaro svantaggio di risonanza magnetica funzionale è la bassa risoluzione temporale. Inoltre, MRI funzionale misura segnali di sangue-ossigeno-livello-dipendente, che solo indirettamente riflettono l’attività neurale elettrico. Metodi elettrofisiologici popolari, compreso l’elettroencefalografia (EEG) e la magnetoencefalografia (MEG), hanno risoluzioni temporali elevate a livello di millisecondo. Tuttavia, essi hanno risoluzioni spaziali relativamente bassi, perché registrare i segnali elettrici/magnetici al cuoio capelluto e deve risolvere difficili problemi inversi per rappresentare attività cerebrale.

EEG intracranico è in grado di registrare direttamente attività elettrica neurale al temporali elevato (in millisecondi) e risoluzioni spaziali (centimetro)1. Questa misura può fornire preziose opportunità per comprendere l’attività neurale e connettività, anche se ha chiari limiti (ad es., regioni misurabili sono limitate ai criteri clinici). Parecchi studi di EEG intracranici sono applicate analisi tradizionale media per rappresentare l’attività neurale. Anche se con una media di analisi sensibile può rilevare l’attivazione banda bassa frequenza e di tempo-bloccata, non riesce a rilevare non-phase-locked e/o l’attivazione ad alta frequenza (ad esempio, Fascia di gamma). Inoltre, accoppiamento neurale funzionale non è stato analizzato in profondità nella letteratura su registrazioni EEG intracraniche. Diverse tecniche di nuovi sono stati recentemente sviluppati per raffigurano neurale attività e intra – e inter – regionale la connettività funzionale registrazioni EEG/MEG e di MRI, che può essere applicato per analizzare i dati EEG intracranici.

Presentiamo il protocolli analitici che abbiamo recentemente applicato per analizzare dati di EEG intracranici utilizzando il software di mappatura statistica parametrica (SPM). Primo, per rivelare quando e con quale frequenza, le regioni del cervello potrebbero essere attivate, abbiamo effettuato analisi di tempo-frequenza SPM2. Questa analisi si decompone il dominio della frequenza e tempo contemporaneamente utilizzando una trasformata wavelet continua e corregge in modo appropriato il tasso di errore allargare (FWE) nelle mappe tempo-frequenza usando la teoria di campo casuale. In secondo luogo, per rivelare come comunicano regioni del cervello, abbiamo applicato la modellazione dinamica causale (DCM) di risposte indotte4. DCM consente l’indagine efficace connettività (cioè, le influenze causali e direzionale tra cervello regioni5). Anche se DCM è stato originariamente proposto come uno strumento per l’analisi dei dati di MRI funzionale5, DCM di risposte indotte è stata estesa per analizzare gli spettri di potenza variabili nel tempo di segnali elettrofisiologici4. Questa analisi permette la raffigurazione di entrambi connettività neurale intra – e inter – regionale. Parecchi studi neurofisiologici hanno suggerito che calcoli intra-regionali locali e comunicazione inter-regionale a lungo raggio usano principalmente oscillazioni Fascia di gamma e di teta, rispettivamente, e loro interazioni (ad es., filtrazione) può riflettersi di theta-gamma cross-frequenza accoppiamento3,6,7,8. Questo rapporto si concentra sul protocollo dati analitici; per una panoramica di sfondo informazioni9,10 e registrazione protocolli11 di EEG intracranico, fare riferimento alla letteratura.

Protocol

Il nostro studio è stato approvato dal comitato di etica istituzionale locale. 1. informazioni di base Nota: I protocolli analitici possono essere applicati a vari tipi di dati senza alcuna restrizione per quanto riguarda i partecipanti specifici, elettrodi, metodi di riferimento o posizioni di elettrodo. Nel nostro esempio, abbiamo testato sei pazienti affetti da epilessia focale farmacologicamente intrattabile. Abbiamo testato le pazienti che hanno avuti nessun fuo…

Representative Results

Utilizzando il protocollo presentato qui, abbiamo analizzato dati EEG intracranici in risposta a volti18,19. Abbiamo registrato dati da sei pazienti durante la visione passiva di facce, mosaici e case in posizione verticale e invertito gli orientamenti. I contrasti di facce dritto contro dritto mosaici e facce dritto contro dritto case ha rivelato la faccia effetto (cioè, attività specifiche del viso c…

Discussion

I protocolli analitici per dati EEG intracranici utilizzando il software SPM introdotto nel presente documento hanno diversi vantaggi rispetto a risonanza magnetica funzionale. In primo luogo, i protocolli possono descrivere attivazione neurale ad alta risoluzione temporale. Di conseguenza, i risultati indicano se le componenti cognitive di attivazione neurale vengono implementate in anticipo o in ritardo fasi della lavorazione. Nel nostro esempio, l’effetto del viso è stato identificato durante le fasi molto iniziali (…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Questo studio è stato sostenuto dai fondi della Benesse Corporation, Japan Society per il programma di finanziamento di promozione della scienza (JSPS) per i ricercatori leader a livello mondiale di prossima generazione (LZ008), l’organizzazione per la promozione della ricerca in disturbi dello sviluppo neurologico, e il KAKENHI JSPS (15K 04185; 18K 03174).

References

  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

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

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
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).
Download Citation
Reprints and Permissions

View Video

✖

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

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image