24 oktober 2012
We maken gebruik van magneto-en elektro-encefalografie (MEG / EEG), gecombineerd met anatomische informatie gevangen genomen door magnetische resonantie beeldvorming (MRI), om de dynamiek van het corticale netwerk is verbonden met auditieve aandacht kaart te brengen.
Het algemene doel van deze procedure is het in kaart brengen van de corticale dynamiek die ten grondslag ligt aan verschillende menselijke cognitieve toestanden. Dit wordt bereikt door eerst magneto- en elektro-encefalografische gegevens, kortweg MEG en EEG, vast te leggen terwijl een proefpersoon een gedragstaak uitvoert. De tweede stap is het verkrijgen van anatomische gegevens met behulp van relevante MRI-sequenties.
Vervolgens wordt er co-registratie uitgevoerd om de ruimtelijke correspondentie tussen de sensorlocaties van MEG en EEG en de anatomische informatie vast te stellen. De laatste stap is het gebruik van een inverse imaging-benadering om de hersenactiviteit van het individu op de corticale ruimte te projecteren. Uiteindelijk wordt statistische inferentie, gebaseerd op een gemeenschappelijk oppervlaktegebaseerd coördinatensysteem, gebruikt om significante spatio-temporele patronen te ontdekken die het ene cognitieve stadium van het andere onderscheiden.
De procedure zal worden gedemonstreerd door Eric Lawson en Ross Maddox. Voor postdocs in mijn laboratorium: begin dit protocol met het maken van structurele MR-beelden van het subject. Maak eerst een structurele MR-scan met een magnetization prepared rapid gradient echo, oftewel MP rage, of een soortgelijke sequentie.
Deze sequentie kan vijf tot 10 minuten duren, afhankelijk van de specifieke scanresolutie en het gebruikte beeldvormingsprotocol, indien de EEG-gegevens worden gebruikt voor inverse beeldvormingsanalyse. Voer daarnaast twee fast low angle shot- of flash MRI-scans uit. Deze flash-sequenties bieden een ander weefselcontrast dan de standaard MP rage-sequenties.
Zodra de beeldvorming voltooid is, worden MNE- en FreeSurfer-software gebruikt om de oppervlakken van de huid, de buitenkant van de schedel en de binnenkant van de schedel te reconstrueren op basis van de MP-rage- en flash-beelden. Gebruik deze oppervlakken vervolgens om een drielaags boundary element-model (BEM) te genereren voorafgaand aan het MEG-experiment. Test eerst de auditieve en visuele latenties om de integriteit van de timing te waarborgen.
Gebruik een microfoon en een foto-DDE die aan het scherm zijn bevestigd, en zorg vervolgens dat er geen waarneembare jitter is. Dit kan vereisen dat de presentatieprojector op zijn eigen resolutie wordt ingesteld. Bereid daarna het subject voor op de opname; raadpleeg hiervoor het vorige videoartikel van luital voor details over de voorbereiding van het electrogram en de referentie-elektrode, evenals de digitalisering van de fiduciaire kenmerken van het subject, de spoelen voor de hoofdpositie-indicator en de EEG-elektroden.
Zodra de proefpersoon comfortabel is gepositioneerd in de MEG-meetpositie voor het hoofd, met behulp van de hoofdpositie-indicator of HPI-spoelen, kan de opname worden gestart en de presentatie van auditieve en visuele stimuli beginnen. Let op: HPI-metingen kunnen ook continu worden uitgevoerd. De proefpersoon dient te reageren op de auditieve en visuele stimuli via een optische knoppenbox terwijl deze een audiovisuele gedragstaak uitvoert.
Hier rapporteert de proefpersoon de spaak en het cijfer die afkomstig zijn uit het hemiveld, zoals aangegeven door de visuele cue. Soms worden proefpersonen visueel geprompt om halverwege de trial hun aandacht naar het contralaterale hemiveld te verplaatsen. Om het schakelen van de auditieve aandacht te bestuderen, zijn er vele hardware- en softwareoplossingen beschikbaar voor het presenteren van stimuli.
Hier wordt de Tucker Davis Technologies RZ six gebruikt voor de presentatie van auditieve stimuli en triggerstempeling, met Psychtoolbox voor de presentatie van visuele stimuli, waarbij beide worden aangestuurd door Matlab. Om de gegevensverwerking te starten, wordt de EEG-data gecoregistreerd met de structurele MR met behulp van MNE-software, zoals hier te zien is; laad eerst de digitizer-gegevens in het gereconstrueerde MRI-hoofdmodel van het subject. Selecteer vervolgens fiduciaire referentiepunten om het coregistratieproces te starten en gebruik daarna de automatische uitlijningsprocedure om de coördinatentransformatie te voltooien.
Koppel vervolgens de locatie van elke dipool in de bronruimte aan de locatie van elke sensor. Combineer de geregistreerde gegevens van de hoofdpositie-indicator om een forward solution te berekenen met het boundary element-model met drie lagen, om de signaal-ruisverhouding van de gegevens verder te verhogen. Pas artefactverwijdering in het tijdsdomein toe, zoals het verwijderen van epochs die abnormaal hoge amplitudesignalen bevatten als gevolg van spiking van een kanaal.
Pas daarna artifactverwijdering in het frequentiedomein toe, zoals band-notch filtering op de netfrequentie van 50 of 60 hertz; gebruik signal space projection of andere ruisonderdrukkingsmethoden, zoals signal space separation, om spatiale veldpatronen te projecteren of te scheiden van omgevingsruis of andere ongewenste fysiologische signalen, zoals die geassocieerd met oogknipperingen en cardiale artifacten. Genereer vervolgens een hersenfilm van de gedistribueerde dipoolschatting, waarbij de actuele schatting op elke dipoollocatie in de brurruimte in de tijd voor elke experimentele conditie wordt weergegeven. Afhankelijk van de temporele kenmerken van het experimentele ontwerp kunnen gegevens in de tijd worden gebogen door actuele schattingen te middelen met niet-overlappende temporele vensters om de analysevorm voort te zetten.
De eerder gemaakte hersenfilms voor elk subject worden geprojecteerd op een gemeenschappelijke corticale ruimte op basis van een oppervlaktegebaseerd coördinatensysteem dat individuele corticale patronen optimaal uitlijnt. Dit maakt vergelijking of middeling van corticale activiteiten tussen subjecten mogelijk. Om een regio-van-interesse-benadering te gebruiken, kunnen ROI's anatomisch worden gedefinieerd, bijvoorbeeld door een automatisch parcelisatie-algoritme, en/of functioneel door het registreren van een functionele lokalisatietaak, zoals een go no-go taak, om de oculomotorische regio's te identificeren. De analyse kan verder worden beperkt tot een specifiek tijdsinterval dat passend is bij het gebruikte experimentele paradigma, bijvoorbeeld beperkt tot een tijdsperiode direct voor en na het begin van de geluidstimuli.
Andere statistische inferenties geassocieerd met tijdreeksanalyse kunnen ebenfalls worden toegepast met behulp van het hierboven beschreven gedragsparadigma. Hier zien we representatieve resultaten verkregen met de non-parametrische spatiotemporele clusteringprocedure. Er is vastgesteld dat het rechter frontale oogveld significant is wanneer een individueel subject een heroriëntatietaak uitvoert in vergelijking met een standaardtaak.
Met behulp van de ROI-benadering wordt het tijdsverloop van het rechter frontale oogveld getoond, samen met de tijdsperiode waarin deze twee condities significant verschillen. Na het bekijken van deze video zou u een goed beeld moeten hebben van hoe M-E-G-E-E-G en MRI kunnen worden gebruikt om corticale dynamiek in verschillende gedragstaken in kaart te brengen. Door passende statistische benaderingen toe te passen, kunt u verschillende spatiotemporele patronen ontdekken die onderscheid maken tussen cognitieve toestanden.
Bedankt voor het kijken en veel succes met de experimenten.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Deze studie maakt gebruik van magneto- en elektro-encefalografie (MEG/EEG) naast magnetische resonantie beeldvorming (MRI) om de corticale dynamischa met betrekking tot auditieve aandacht te onderzoeken. De integratie van deze technieken maakt een uitgebreide kaart van hersenactiviteit tijdens cognitieve taken mogelijk.
Mapping cortical dynamics with MEG/EEG and MRI enables high-temporal-resolution investigation of cognitive states relevant to neuropsychiatric target validation. This approach supports mechanistic de-risking by linking distributed neural activity to behavioral phenotypes in disease-relevant systems. It provides predictive confidence for target engagement assays by identifying spatiotemporal biomarkers of cognitive dysfunction.
The method integrates into discovery biology through hypothesis testing of cortical networks, advances to screening via reproducible neurophysiological readouts, and supports translational research via group-level statistical inference in a common cortical space.