Thông tin

Đặt tên thành phần của MEG so với EEG

Đặt tên thành phần của MEG so với EEG


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Câu hỏi của tôi là tại sao chúng tôi sử dụng P và N để đặt tên cho thành phần EEG dương và âm (ví dụ N170 hoặc P100) nhưng đối với dữ liệu MEG chúng tôi sử dụng M trong cả hai trường hợp, ý tôi là M170 và M100 trong ví dụ này?


EEG và MEG đo hai tín hiệu khác nhau nhưng có liên quan. Trong khi EEG ghi lại hoạt động điện từ da đầu, MEG ghi lại những thay đổi trong từ trường do hoạt động điện trong não gây ra. Do đó, MEG phần lớn không nhạy cảm với các nguồn được định hướng xuyên tâm, nhưng có thể thu nhận các nguồn được định hướng tiếp tuyến với vỏ não. Hơn nữa, điện não đồ nhạy cảm với dòng âm lượng (tức là sự lan truyền của dòng điện qua não), trong khi MEG thì ít hơn [1].

Do sự khác biệt này, trong khi hai thành phần có thể có cùng độ trễ - giả sử N170 và M170 dành riêng cho khuôn mặt - nguồn gốc của chúng có thể khác nhau. Đặt tên cho các thành phần khác nhau nhấn mạnh sự khác biệt quan trọng này.

Để tham khảo, tôi giới thiệu các bài báo và sách sau

  1. Baillet, S., Mosher, J. C., & Leahy, R. M. (2001). Lập bản đồ điện từ não. Tạp chí Xử lý Tín hiệu, IEEE, 18 (6), 14-30.
  2. Hansen, P., Kringelbach, M., & Salmelin, R. (2010). MEG: Giới thiệu về các phương pháp. Nhà xuất bản Đại học Oxford, Hoa Kỳ.

Ngoài việc phân biệt giữa các kỹ thuật ghi (nói về N170 và bạn tham khảo ERP), đây là giải thích:

Quy ước đặt tên đề cập nhiều đến sinh lý học thần kinh hơn là các hướng (thành phần) dạng sóng.

Công cụ tiêu chuẩn mô hình hóa hoạt động EEG / MEG là một lưỡng cực. Một lưỡng cực bao gồm một cặp điện tích âm và dương và nó tạo ra cả điện trường và từ trường (xem hình). Bạn có thể thấy trong bảng điện trường rằng hoạt độ dương đi trước điện tích dương, ở đây là đầu của mũi tên (ngược lại, từ trường hướng về phía của lưỡng cực). Do đó, một tín hiệu tích cực trong một tín hiệu ERP (ví dụ P300) tương ứng với sự gia tăng hoạt động lưỡng cực được đo trước điện tích dương (tương ứng với âm đối với N400).

Ở đây, chúng ta có thể nói thành phần P300 tích cực điện (hoặc dạng sóng) là sinh lý thần kinh một hoạt động điện tích cực.

Ngược lại, hoạt động chính của từ không theo phương chính của lưỡng cực mà theo phương vuông góc của nó. Do đó, chúng ta không thể liên hệ sự gia tăng của từ trường với chiều dương / âm của lưỡng cực.

Ở đây, N170 từ tính sẽ không được đặt trên cơ sở sinh lý thần kinh, mà thực tế là N chỉ đề cập đến một phép đo tiêu cực đang diễn ra.


Phân tích mẫu đa biến của MEG và EEG: so sánh cấu trúc biểu diễn theo thời gian và không gian

Phân tích mẫu đa biến của dữ liệu từ điện não đồ (MEG) và điện não đồ (EEG) có thể tiết lộ khả năng nhận thức cơ bản của động lực thần kinh nhanh chóng. Tuy nhiên, MEG và EEG có sự khác biệt có hệ thống trong việc lấy mẫu hoạt động thần kinh. Điều này đặt ra câu hỏi về mức độ nào mà sự khác biệt đo lường đó luôn làm sai lệch kết quả của phân tích đa biến được áp dụng cho các mẫu kích hoạt MEG và EEG. Để điều tra, chúng tôi đã tiến hành một nghiên cứu MEG / EEG đồng thời trong khi những người tham gia xem hình ảnh của các đồ vật hàng ngày. Chúng tôi đã áp dụng các phân tích phân loại đa biến cho dữ liệu MEG và EEG, đồng thời so sánh các khóa thời gian kết quả với nhau và với dữ liệu fMRI để đánh giá độc lập trong không gian. Chúng tôi nhận thấy rằng cả MEG và EEG đều tiết lộ động lực thời gian-không gian mili giây của quá trình xử lý hình ảnh với kết quả phần lớn tương đương. Ngoài việc mang lại kết quả hội tụ, chúng tôi nhận thấy rằng MEG và EEG cũng nắm bắt được một phần các khía cạnh độc đáo của biểu diễn hình ảnh. Những thành phần độc đáo đó xuất hiện sớm hơn đối với MEG so với EEG. Xác định nguồn gốc của những thành phần độc đáo đó với fMRI, chúng tôi tìm thấy vị trí cho cả MEG và EEG trong vỏ não thị giác cấp cao và ngoài ra cho MEG trong vỏ não thị giác sơ khai. Kết quả của chúng tôi cho thấy rằng các phân tích đa biến về dữ liệu MEG và EEG cung cấp một cái nhìn hội tụ và miễn phí về xử lý thần kinh, đồng thời thúc đẩy việc áp dụng rộng rãi các phương pháp này trong cả nghiên cứu MEG và EEG.


Sử dụng phương pháp này, bạn có thể đọc tất cả dữ liệu từ tệp vào bộ nhớ, áp dụng bộ lọc và sau đó cắt dữ liệu thành các phân đoạn thú vị.

Các bước sau được thực hiện để đọc dữ liệu, áp dụng bộ lọc và tham chiếu dữ liệu (trong trường hợp EEG) và tùy chọn để chọn các phân đoạn dữ liệu thú vị xung quanh các sự kiện hoặc trình kích hoạt hoặc bằng cách cắt dữ liệu liên tục thành các phân đoạn có độ dài không đổi thuận tiện.

  • đọc dữ liệu cho các kênh EEG bằng cách sử dụng ft_preprocessing, áp dụng bộ lọc và tham chiếu lại đến các quảng cáo xương chũm được liên kết
  • đọc dữ liệu cho các kênh EOG ngang và dọc bằng cách sử dụng ft_preprocessingvà tính toán các dẫn xuất EOG lưỡng cực theo chiều ngang và chiều dọc
  • kết hợp EEG và EOG thành một biểu diễn dữ liệu duy nhất bằng cách sử dụng ft_appenddata
  • xác định các phần dữ liệu thú vị dựa trên các sự kiện kích hoạt bằng cách sử dụng ft_definetrial
  • phân đoạn dữ liệu liên tục thành các thử nghiệm bằng cách sử dụng ft_redefinetrial
  • phân đoạn dữ liệu liên tục thành các phần một giây bằng cách sử dụng ft_redefinetrial

Phương pháp

Thu thập dữ liệu

Dữ liệu được thu thập từ năm 2012 đến năm 2017 tại Rennes (Pháp) trong hai thí nghiệm khác nhau. Tập dữ liệu đầu tiên bao gồm đặt tên và đánh vần tên của các đối tượng được trình bày trực quan (Hình 1). Bộ dữ liệu thứ hai bao gồm trạng thái nghỉ, đặt tên thị giác / thính giác và các tác vụ bộ nhớ làm việc trực quan (Hình 2). Các thiết bị giống nhau được sử dụng trong cả bộ dữ liệu và bản ghi được thực hiện ở cùng một nơi (Trung tâm Bệnh viện Đại học Rennes). Hệ thống HD-EEG (EGI, Electrical Geodesic Inc., 256 điện cực) được sử dụng để ghi lại hoạt động của não với tốc độ lấy mẫu bằng 1 KHz và trở kháng điện cực được giữ dưới 50 kΩ. Những người tham gia có liên quan khác nhau đối với hai nghiên cứu. Họ đã cung cấp văn bản đồng ý tham gia và hoàn thành một số bảng câu hỏi về tiêu chí bao gồm / loại trừ (tóm tắt trong Bảng 1). Những người tham gia được ngồi trên một chiếc ghế bành y tế được liên kết với cấu trúc hàng ngày của căn phòng. Căn phòng được chiếu sáng bởi ánh sáng tự nhiên được giảm bớt bởi rèm. Những người đứng đầu những người tham gia của chúng tôi được đặt khoảng 1 m trước màn hình 17. Hình ảnh được trình bày tập trung dưới dạng hình vẽ đen trên nền trắng mà không có bất kỳ sự thay đổi kích thước nào (10 cm × 10 cm). Thiết lập này tương ứng với góc nhìn tối đa 2,86 độ từ điểm cố định để toàn bộ hình ảnh nằm trong tầm nhìn của người tham gia. Âm thanh được hiển thị qua loa logitech 50 watt mà không có bất kỳ khả năng cách ly âm thanh nào.

Tập dữ liệu 1, (Một) Người tham gia (N = 23). (NS) Hệ thống HD-EEG được sử dụng trong thí nghiệm. (NS) Một lược đồ đại diện của thủ tục thu thập tập dữ liệu 1. (NS) Thiết kế thử nghiệm cho việc đặt tên và đánh vần hình ảnh.

Tập dữ liệu 2. (Một) Người tham gia (N = 20), (NS) HD-EEG, (NS) Bốn nhiệm vụ (đặt tên thị giác, đặt tên thính giác, nhiệm vụ bộ nhớ và trạng thái nghỉ ngơi). (NS) Thiết kế thử nghiệm cho các nhiệm vụ thính giác và trí nhớ.

Tập dữ liệu 1

Những người tham gia. 23 tình nguyện viên thuận tay phải, trong đó 12 nữ, độ tuổi từ 19–40 (độ tuổi trung bình là 28 tuổi) và 11 nam giới có độ tuổi từ 19–33 tuổi (độ tuổi trung bình là 23 tuổi) đã tham gia. Thử nghiệm này đã được phê duyệt bởi một ủy ban đạo đức độc lập và được ủy quyền bởi hội đồng đánh giá thể chế của Pháp (IRB): “Comité Consultatif de Protection des Personnes dans la Recherche Biomédicale Ouest V” (CCPPRB-Ouest V). Nghiên cứu này đã được đăng ký dưới tên “ConneXion” và số thỏa thuận: 2012- A01227-36. Người quảng bá nó là Bệnh viện Đại học Rennes.

Quy trình và thiết kế thí nghiệm. Thử nghiệm bắt đầu với việc xác minh các tiêu chí bao gồm / loại trừ. Những người tham gia đọc thông báo thông tin và phiếu đồng ý. Sau đó, những người đã ký tham gia hoàn thành hai bảng câu hỏi. Bảng câu hỏi đầu tiên thu thập thông tin liên quan đến các tiêu chí bao gồm / loại trừ và thông tin cá nhân (tên, tuổi, giới tính, địa chỉ), trong khi bảng câu hỏi thứ hai cho phép xác định độ bên bằng tay của những người tham gia bằng cách sử dụng thang đo độ bên thủ công Edinburgh được điều chỉnh bằng tiếng Pháp ( Edinburgh Handedness Inventory, Oldfield, 1971 23). Sau đó, thủ tục mua lại được giải thích cho người tham gia (xem Hình 1c). Mô hình thử nghiệm bao gồm hai điều kiện, điều kiện đầu tiên tương ứng với nhiệm vụ đặt tên cho hình ảnh và mô hình thứ hai tương ứng với nhiệm vụ đánh vần hình ảnh. Nhiệm vụ chính tả luôn tuân theo nhiệm vụ đặt tên và chỉ dẫn của nó không được đưa ra trước khi nhiệm vụ đặt tên được hoàn thành để tránh bất kỳ sự gợi nhớ nào về các cấu trúc chính tả của từ

Cả hai nhiệm vụ đặt tên và chính tả được chia thành hai lần chạy 74 kích thích để tránh sự mệt mỏi của người tham gia. Mỗi lần chạy có chứa số lượng cân bằng của động vật và đồ vật cũng như các từ dài và ngắn. Hình ảnh được trình bày trên màn hình bằng máy tính và mô hình thí nghiệm được khuếch tán bằng cách sử dụng Công cụ Phần mềm Tâm lý học E-prime® © 24. Các câu trả lời do những người tham gia tạo ra được thu thập qua micrô của Logitech® và được phân tích để phát hiện sự khởi đầu của giọng nói bằng cách sử dụng Praat v5.3.13 (Đại học Amsterdam, 1012VT Amsterdam, Hà Lan) 25.

Nhiệm vụ 1: Đặt tên ảnh. Những người tham gia được yêu cầu đặt tên ở tốc độ bình thường 148 hình ảnh được hiển thị trên màn hình chia làm hai lần chạy, mỗi lần khoảng 8 phút. Các hình ảnh được chọn từ cơ sở dữ liệu gồm 400 hình ảnh được chuẩn hóa cho tiếng Pháp 26. Các hình ảnh được trình bày đại diện cho hai loại (động vật (74) và công cụ (74)). Sự thống nhất đặt tên của hình ảnh là rất cao, dẫn đến ít sai lầm trong khi khôi phục các từ liên quan đến hình ảnh. Độ dài của từ được kiểm soát sao cho mô hình bao gồm 74 từ ngắn (37 con vật và 37 công cụ) từ 3 đến 5 chữ cái và 74 từ dài (37 con vật và 37 công cụ) từ 7 đến 10 chữ cái. Các thông số ngôn ngữ tâm lý khác được kiểm soát để có được bộ dữ liệu tương đương (thỏa thuận tên, thỏa thuận hình ảnh, tuổi tiếp thu cũng như các thông số ngôn ngữ như tần suất nói, tần suất viết, chữ cái / âm vị / âm tiết và số morphemes), xem Bảng 2.

Tất cả các hình ảnh được thể hiện dưới dạng hình vẽ màu đen trên nền trắng. Thứ tự trình bày trong một loạt 74 tác nhân kích thích được hoàn toàn ngẫu nhiên giữa những người tham gia. Độ trễ đặt tên được xác định là thời gian từ khi bắt đầu hình ảnh đến khi bắt đầu phát âm do hệ thống ghi lại. EEG Kích hoạt hình ảnh không được nhận dạng chính xác hoặc hoàn toàn không được nhận dạng sẽ bị loại bỏ để chúng không xuất hiện trong tập dữ liệu.

Nhiệm vụ 2: Chính tả hình ảnh. Trong nhiệm vụ này, những người tham gia được yêu cầu đánh vần các hình ảnh giống nhau được sử dụng trong nhiệm vụ đặt tên cho hình ảnh. Hướng dẫn về nhiệm vụ chính tả được đưa ra sau khi hoàn thành nhiệm vụ đặt tên để giữ cho người tham gia ngây thơ về sự quan tâm của chúng tôi đối với chính tả. Ngoài ra, tác vụ này luôn xảy ra sau tác vụ đặt tên ảnh để tránh kích hoạt lại cách viết tên của ảnh. Hai phiên đánh vần trực quan được thực hiện cho mỗi người tham gia và thời lượng của mỗi phiên là khoảng 9 đến 10 min. Nhiệm vụ này rất giống với nhiệm vụ trước, ngoại trừ nó liên quan đến việc chỉnh sửa các từ tương ứng với các hình ảnh được đặt tên. Người ta có thể dễ dàng nhận ra hình vẽ và đặt tên cho nó mà không cần thông qua việc kích hoạt phép chính tả của từ. Trong chính tả, khôi phục cấu trúc chính tả chính xác với chuỗi các chữ cái là một bước bổ sung giúp đóng chính tả và viết. Nhiệm vụ này bao gồm 148 hình ảnh giống nhau được chọn từ cơ sở dữ liệu 400 hình ảnh được tiêu chuẩn hóa cho tiếng Pháp 25 được sử dụng cho nhiệm vụ đặt tên.

Những dữ liệu này chưa được phân tích rộng rãi, đặc biệt là dưới góc độ ngôn ngữ tâm lý học. Chúng cũng chưa bao giờ được so sánh cùng với nhiệm vụ đặt tên cho bức tranh.

Tập dữ liệu 2

Những người tham gia. 20 tình nguyện viên thuận tay phải (10 nữ, 10 nam, độ tuổi trung bình là 23 tuổi- Xem Hình 2a) đã tham gia vào thí nghiệm này. Giống như đối với tập dữ liệu 1, tất cả những người tham gia đã cung cấp văn bản đồng ý tham gia vào nghiên cứu này đã được phê duyệt bởi một ủy ban đạo đức độc lập và được IRB ủy quyền (CCPPRB-Ouest V)). Tên nghiên cứu được ghi lại là “Braingraph” và số thỏa thuận nghiên cứu là 2014-A01461-46. Người quảng bá nó vẫn là Bệnh viện Đại học Rennes.

Quy trình và thiết kế thí nghiệm. Thí nghiệm bao gồm bốn nhiệm vụ: trạng thái nghỉ, đặt tên hình ảnh, đặt tên thính giác và trí nhớ hoạt động. Ba nhiệm vụ đầu tiên được phân phối theo cách đối trọng trong nhóm. Tác vụ bộ nhớ luôn xảy ra vào cuối phiên vì nó liên quan đến 40 hình ảnh từ nhiệm vụ đặt tên trước đó trong số 80 hình ảnh được hiển thị của nó. Tất cả các phản hồi cho mỗi thử nghiệm trong các nhiệm vụ đều có sẵn cùng với dữ liệu. Các kích hoạt tương ứng với phản hồi sai hoặc không có phản hồi chỉ bị loại bỏ khỏi tập dữ liệu.

EEG trạng thái nghỉ ngơi. Những người tham gia được yêu cầu thư giãn trong 10 phút và mở mắt trong khi ghi hình. Những người tham gia đang đối mặt với màn hình máy tính hiển thị một cây thánh giá cố định. Họ được yêu cầu không được cố định cây thánh giá nhưng hãy để mắt đến vùng lân cận của nó để phần chạy còn lại cũng có thể được sử dụng làm điều khiển cho việc đặt tên bằng thị giác hoặc thính giác.

Nhiệm vụ 1: Đặt tên ảnh. Nhiệm vụ đặt tên của tập dữ liệu thứ hai này chứa 40 đối tượng xáo trộn không thể nhận dạng trên 80 hình ảnh có ý nghĩa được lấy từ cơ sở dữ liệu 25 của Alario và Ferrand (xem Hình 3 để biết các ví dụ điển hình về các hình ảnh được trình bày). Các bức tranh lộn xộn được tạo ra từ cơ sở dữ liệu của Alario và Ferrand bằng cách trộn các đường vẽ và người tham gia được hướng dẫn không nói gì khi xem chúng. Hình ảnh được hiển thị trên màn hình dưới dạng hình vẽ màu đen trên nền trắng. Hình ảnh được chọn để có được sự thống nhất về tên cao (trung bình = 96,86%, tối thiểu = 86% tối đa = 100%), xem Bảng 3 để biết các thông số của hình ảnh trong tập dữ liệu 2.

ví dụ điển hình của các hình ảnh được trình bày. Tất cả hình ảnh có thể được tìm thấy trong cơ sở dữ liệu 26 của Alario và Ferrand.


Mô hình nhân quả động cho EEG và MEG

Chúng tôi trình bày một đánh giá về mô hình nhân quả động (DCM) cho dữ liệu từ và điện não đồ (M / EEG). DCM dựa trên mô hình công nghệ không gian, trong đó thành phần thời gian được hình thành dưới dạng động lực học hợp lý về mặt sinh học thần kinh. Sau mô tả trực quan về mô hình, chúng tôi thảo luận sáu nghiên cứu gần đây, sử dụng DCM để phân tích M / EEG và các tiềm năng trường địa phương. Các nghiên cứu này minh họa cách DCM có thể được sử dụng để phân tích các phản hồi gợi mở (phản hồi trung bình theo thời gian), phản hồi gây ra (phản hồi trung bình theo tần số thời gian) và phản hồi trạng thái ổn định (phản hồi trung bình về tần số). So sánh mô hình Bayes đóng một vai trò quan trọng trong các phân tích này, bằng cách cho phép người ta so sánh các mô hình hợp lý như nhau về bằng chứng mô hình của chúng. Cách tiếp cận này có thể rất hữu ích trong nghiên cứu M / EEG trong đó mối tương quan giữa các ước tính tham số mô hình không gian và tế bào thần kinh có thể gây ra sự không chắc chắn về mô hình nào giải thích dữ liệu tốt nhất. So sánh mô hình Bayes giải quyết những điều không chắc chắn này một cách có nguyên tắc và chính thức. Chúng tôi gợi ý rằng so sánh mô hình DCM và Bayesian cung cấp một cách hữu ích để kiểm tra các giả thuyết về quá trình xử lý phân tán trong não, sử dụng dữ liệu điện từ.

Số liệu

Tổng quan bằng đồ họa về…

Tổng quan bằng đồ họa về mô hình chung cho DCM để có các phản hồi gợi ý. Bên trái:…

Phủ định không phù hợp: đặc tả mô hình. Các…

Phủ định không phù hợp: đặc tả mô hình. Các nguồn bao gồm mạng được kết nối với…

Phủ định không phù hợp: Lựa chọn mô hình Bayes…

Phủ định không khớp: Lựa chọn mô hình Bayes trong số các DCM cho ba mô hình, F, B,…

Bằng chứng cho các vòng phản hồi: Bayesian…

Bằng chứng cho các vòng phản hồi: So sánh mô hình Bayes giữa các đối tượng. So sánh mô hình…

DCM cho các phản hồi gây ra: kết quả…

DCM cho các phản hồi gây ra: kết quả cho việc ghép nối phi tuyến giữa các nguồn trong một nguồn bốn…

Nghiên cứu phản hồi trạng thái ổn định bằng cách sử dụng…

Nghiên cứu phản ứng trạng thái ổn định bằng cách sử dụng các tiềm năng trường địa phương và một nguồn DCM duy nhất, kết quả:…


Các điện cực liên quan với nhau như thế nào?

Điện não đồ ghi lại các sóng não bằng cách sử dụng thiết bị được gọi là bộ khuếch đại và bằng cách xem xét thông tin từ các điện cực trong các kết hợp khác nhau. Những tổ hợp điện cực này được gọi là 'dựng phim'.

  • Trong dựng phim lưỡng cực, các cặp điện cực liên tiếp được liên kết bằng cách kết nối đầu vào điện cực 2 của một kênh với đầu vào 1 của kênh tiếp theo, sao cho các kênh liền kề có chung một điện cực. Các chuỗi điện cực lưỡng cực có thể được kết nối từ trước ra sau (dọc) hoặc từ trái sang phải (ngang).
  • Một kiểu dựng phim khác là dựng phim tham chiếu. Trong loại này, các điện cực khác nhau được kết nối với đầu vào 1 của mỗi bộ khuếch đại và một điện cực tham chiếu được kết nối với đầu vào 2 của mỗi bộ khuếch đại. Lý tưởng nhất, các điện cực không hoạt động (những điện cực không liên quan đến lĩnh vực điện đang được nghiên cứu) được chọn làm tài liệu tham khảo.

3. Ví dụ nâng cao

Sau khi mô tả quy trình làm việc MNE-Python tiêu chuẩn để bản địa hóa nguồn, bây giờ chúng tôi sẽ trình bày một số ví dụ nâng cao hơn về xử lý dữ liệu. Một số ví dụ này cung cấp các tùy chọn thay thế cho tiền xử lý và bản địa hóa nguồn.

3.1. Khử âm thanh với phân tích thành phần độc lập (ICA)

Ngoài SSP, MNE hỗ trợ xác định các hiện vật và các thành phần tiềm ẩn bằng cách sử dụng ICA tạm thời. Phương pháp này tạo thành một mô hình biến tiềm ẩn ước tính các nguồn độc lập về mặt thống kê, dựa trên các tiêu chí phân phối như kurtosis hoặc độ lệch. Khi được áp dụng cho dữ liệu M / EEG, các phần tạo tác có thể được loại bỏ bằng cách loại bỏ các thành phần độc lập có liên quan trước khi chuyển đổi ngược các nguồn tiềm ẩn trở lại không gian đo lường. Thuật toán ICA hiện được hỗ trợ bởi MNE-Python là FastICA (Hyv & # x000E4rinen và Oja, 2000) được triển khai trong Scikit-Learn (Pedregosa và cộng sự, 2011). Ở đây, MNE-Python đã thêm một bộ chức năng tiện lợi cụ thể cho miền bao gồm trực quan hóa, lựa chọn thành phần tự động, tính bền bỉ cũng như tích hợp với hệ thống đối tượng MNE-Python. ICA trong MNE-Python được xử lý bởi lớp ICA cho phép một ma trận không trộn lẫn trên Raw hoặc Epochs bằng cách gọi các phương thức decose_raw hoặc decose_epochs có liên quan. Sau khi một mô hình đã được trang bị, chuỗi thời gian nguồn kết quả có thể được hình dung bằng cách sử dụng biểu đồ lưới mắt cáo (Becker và cộng sự, 1996) (xem Hình 6) như được cung cấp bởi các phương pháp plot_sources_raw và plot_sources_epochs (minh họa trong Hình 6). Ngoài ra, các biểu đồ địa hình mô tả độ nhạy không gian của ma trận không trộn được cung cấp bởi phương pháp sơ đồ đồ thị (minh họa trong Hình 6). Quan trọng là, các phương thức find_sources_raw và find_sources_epochs cho phép xác định các nguồn dựa trên các thước đo lưỡng biến, chẳng hạn như mối tương quan Pearson với ghi điện tâm đồ hoặc chỉ dựa trên các thước đo đơn biến như phương sai hoặc kurtosis. Hơn nữa, API hỗ trợ các biện pháp tính điểm do người dùng xác định. Sau đó, các thành phần nguồn đã xác định có thể được đánh dấu trong thuộc tính loại trừ đối tượng ICA & # x00027s và được lưu vào tệp FIF, cùng với ma trận hủy trộn và thông tin thời gian chạy. Điều này hỗ trợ quy trình làm việc bền vững, theo định hướng nhu cầu: không cần lưu các nguồn hoặc dữ liệu đã làm sạch, các tín hiệu có thể được tái tạo từ cấu trúc ICA đã lưu theo yêu cầu. Đối với các trường hợp sử dụng nâng cao, các nguồn có thể được xuất dưới dạng dữ liệu thô thông thường hoặc các đối tượng kỷ nguyên và được lưu vào tệp FIF (sources_as_raw và sources_as_epochs). Điều này cho phép bất kỳ phân tích MNE-Python nào được thực hiện trên chuỗi thời gian ICA. Quy trình làm việc ICA đơn giản hóa để xác định, hình dung và loại bỏ các hiện vật về tim được minh họa trong Bảng 2.

Hình 6. Biểu đồ địa hình và lưới mắt cáo của hai thành phần ICA được xác định tự động. Thành phần & # x0002322 tương ứng với tạo tác EOG với địa hình trên từ kế hiển thị các tín hiệu phía trước và dạng sóng điển hình của nháy mắt. Thành phần & # x000236 ở bên phải chụp tạo tác điện tâm đồ với dạng sóng phù hợp với 3 nhịp đập của tim.

Bảng 2. Từ các kỷ nguyên đến loại bỏ tạo tác ICA trong ít hơn 20 dòng mã.

3.2. Thống kê cấp độ cụm phi tham số

Đối với các suy luận liên chủ đề truyền thống, MNE-Python cung cấp một số phương pháp thống kê tham số và phi tham số. Thống kê tham số cung cấp sự tương phản thống kê hợp lệ cho đến nay khi dữ liệu được kiểm tra tuân theo các giả định cơ bản nhất định của Gaussianity. Loại thống kê phi tham số tổng quát hơn, mà chúng ta sẽ tập trung vào đây, không đòi hỏi phải thỏa mãn các giả định như vậy (Nichols và Holmes, 2002 Pantazis và cộng sự, 2005).

Dữ liệu M / EEG tự nhiên chứa các mối tương quan về không gian, cho dù tín hiệu được biểu diễn trong không gian cảm biến hay không gian nguồn, dưới dạng các mẫu thời gian hoặc biểu diễn thời gian & # x02013frequency. Hơn nữa, do quá trình lọc và thậm chí cả các đặc tính của bản thân các tín hiệu, cũng có những tương quan thời gian mạnh mẽ. Các phương pháp đơn biến khối lượng cung cấp sự tương phản thống kê tại mỗi & # x0201Clocation & # x0201D trên tất cả các chiều, ví dụ: tại mỗi điểm không gian-thời gian trong mô hình thời gian vỏ não, một cách độc lập. Tuy nhiên, do tính chất tương quan cao của dữ liệu, kết quả Bonferroni hoặc hiệu chỉnh tỷ lệ phát hiện sai (Benjamini và Hochberg, 1995) nói chung là quá thận trọng. Hơn nữa, việc đưa ra các suy luận về các điểm không gian-thời gian (hoặc các chiều khác) thường không được quan tâm chính. Thay vào đó, các nghiên cứu thường tìm cách xác định các vùng tiếp giáp trong một số chiều cụ thể, có thể là không gian-thời gian hoặc thời gian & # x02013frequency, trong đó sự kích hoạt lớn hơn trong một điều kiện so với đường cơ sở hoặc điều kiện khác. Điều này dẫn đến việc sử dụng các thống kê dựa trên cụm, tìm kiếm các vùng tiếp giáp có kích hoạt đáng kể như vậy (Maris và Oostenveld, 2007).

MNE-Python bao gồm một khuôn khổ chung cho các bài kiểm tra dựa trên cụm để cho phép thực hiện các bộ tương phản tùy ý dọc theo các kích thước tùy ý trong khi kiểm soát nhiều phép so sánh. Trên thực tế, điều này có nghĩa là mã được thiết kế để hoạt động với nhiều dạng dữ liệu, cho dù chúng được lưu trữ dưới dạng Ước tính nguồn cho dữ liệu không gian nguồn, hoặc được gợi ý cho dữ liệu không gian cảm biến hoặc thậm chí dưới dạng định dạng dữ liệu tùy chỉnh, khi cần thiết cho thời gian & # x02013dữ liệu tần suất. Nó có thể hoạt động trên bất kỳ NumPy mảng sử dụng cấu trúc kết nối tự nhiên (lưới) hoặc cấu trúc kết nối phức tạp hơn (chẳng hạn như cấu trúc kết nối trong không gian nguồn não) với sự trợ giúp của ma trận kề thưa thớt. MNE-Python cũng tạo điều kiện cho việc sử dụng các phương pháp để kiểm soát phương sai, chẳng hạn như phương pháp & # x0201Chat & # x0201D (Ridgway và cộng sự, 2012). Hai trường hợp sử dụng phổ biến được cung cấp trong Hình 7.

Hình 7. Các ví dụ về phân cụm. (MỘT) Phân cụm tần số thời gian cho thấy một vùng kích hoạt đáng kể sau một kích thích thính giác. (NS) Hình dung về các kích hoạt không gian-thời gian quan trọng trong sự tương phản giữa kích thích thính giác và kích thích thị giác bằng cách sử dụng tập dữ liệu mẫu. Các vùng màu đỏ hoạt động mạnh hơn sau khi thính giác hơn sau khi kích thích thị giác và ngược lại đối với các vùng màu xanh lam. Hình ảnh (NS) được sản xuất với PySurfer.

3.3. Giải mã & # x02014MVPA & # x02014Học tập được giám sát

MNE-Python có thể dễ dàng được sử dụng để giải mã bằng cách sử dụng Scikit-Learn (Pedregosa và cộng sự, 2011). Giải mã thường được gọi là phân tích mẫu đa biến (MVPA), hoặc đơn giản là học có giám sát. Hình 8 trình bày các điểm xác nhận chéo trong một nhiệm vụ phân loại nhị phân bao gồm dự đoán, tại mỗi thời điểm, nếu một kỷ nguyên tương ứng với một tia chớp trực quan trong hemifield bên trái hoặc một kích thích thính giác bên trái. Kết quả được trình bày trong Hình 8. Tập lệnh để tái tạo hình này có sẵn trong Bảng 3.

Hình 8. Giải mã không gian cảm biến. Tại mọi thời điểm tức thì, bộ phân loại máy vectơ hỗ trợ tuyến tính (SVM) được sử dụng với vòng xác nhận chéo để kiểm tra xem người ta có thể phân biệt dữ liệu sau một kích thích ở tai trái hay trong trường thị giác bên trái hay không. Người ta có thể quan sát thấy rằng hai điều kiện bắt đầu khác biệt đáng kể sớm nhất là 50 ms và cực đại ở 100 ms tương ứng với đỉnh của phản ứng thính giác chính. Thủ tục thống kê như vậy là một cách nhanh chóng và dễ dàng để xem ảnh hưởng của lãi suất xảy ra trong khoảng thời gian nào.

Bảng 3. Giải mã không gian cảm biến của dữ liệu MEG.

3.4. Kết nối chức năng

Ước tính kết nối chức năng nhằm ước tính cấu trúc và thuộc tính của mạng mô tả sự phụ thuộc giữa một số vị trí trong không gian cảm biến hoặc nguồn. Để ước tính kết nối từ dữ liệu M / EEG, MNE-Python sử dụng các phản hồi thử nghiệm đơn lẻ, cho phép phát hiện mối quan hệ giữa các chuỗi thời gian nhất quán trong các thử nghiệm. Ước tính kết nối không gian nguồn yêu cầu sử dụng phương pháp nghịch đảo để có được ước tính nguồn cho mỗi thử nghiệm. Mặc dù đòi hỏi cao về mặt tính toán, nhưng việc ước tính kết nối trong không gian nguồn có lợi thế là kết nối có thể dễ dàng liên quan đến giải phẫu cơ bản, điều khó khăn trong không gian cảm biến.

Mô-đun kết nối trong MNE-Python hỗ trợ một số phép đo kết nối quang phổ lưỡng biến, tức là kết nối được ước tính bằng cách phân tích các cặp chuỗi thời gian và điểm số kết nối phụ thuộc vào tính nhất quán của giai đoạn trong các thử nghiệm giữa chuỗi thời gian ở một tần số nhất định. Ví dụ về các thước đo như vậy là tính liên kết, tính liên kết tưởng tượng (Nolte và cộng sự, 2004), và giá trị khóa pha (PLV) (Lachaux và cộng sự, 1999). Động cơ để sử dụng tính liên kết tưởng tượng và các phương pháp liên quan là chúng loại bỏ hoặc giảm trọng số đóng góp của phần thực của phổ chéo và do đó, tương quan độ trễ bằng 0, phần lớn có thể là kết quả của sự lan truyền không gian của tín hiệu hoặc nguồn được đo. ước tính phân phối (Schoffelen và Gross, 2009). Tuy nhiên, lưu ý rằng mặc dù một số phương pháp có thể ngăn chặn tác động của sự lan truyền không gian, các ước tính kết nối nên được diễn giải một cách thận trọng do tính chất lưỡng biến của các biện pháp được hỗ trợ, có thể có một số lượng lớn các kết nối rõ ràng do một vùng tiềm ẩn kết nối hoặc thúc đẩy hai vùng đóng góp vào dữ liệu đo được. Các biện pháp kết nối đa biến, chẳng hạn như tính liên kết một phần (Granger và Hatanaka, 1964), có thể giảm bớt vấn đề này bằng cách phân tích kết nối giữa tất cả các vùng đồng thời (xem Schelter và cộng sự, 2006). Chúng tôi có kế hoạch bổ sung hỗ trợ cho các biện pháp như vậy trong tương lai.

Các quy trình ước tính kết nối trong MNE-Python được thiết kế để linh hoạt nhưng vẫn hiệu quả về mặt tính toán. Khi ước tính kết nối trong không gian cảm biến, một phiên bản của Epochs được sử dụng làm đầu vào cho quy trình ước tính kết nối. Để ước tính kết nối không gian nguồn, một danh sách Python có chứa các phiên bản SourceEs ước tính được sử dụng. Thay vì một danh sách, cũng có thể sử dụng một đối tượng trình tạo Python để tạo ra các phiên bản Ước tính Nguồn. Tùy chọn này làm giảm đáng kể yêu cầu bộ nhớ, vì dữ liệu được đọc theo yêu cầu từ tệp thô và được chiếu tới không gian nguồn trong quá trình tính toán kết nối, do đó chỉ yêu cầu một phiên bản SourceEstim duy nhất được lưu trong bộ nhớ. Để sử dụng tính năng này, các phương thức nghịch đảo hoạt động trên Epochs, ví dụ: apply_inverse_epochs, có tùy chọn trả về đối tượng trình tạo thay vì danh sách. Đối với các phương pháp nghịch đảo tuyến tính, ví dụ: MNE, dSPM, sLORETA, việc tiết kiệm tính toán hơn nữa sẽ đạt được bằng cách lưu trữ dữ liệu không gian cảm biến và hạt nhân nghịch đảo trong các đối tượng SourceEstim, cho phép quy trình ước tính kết nối khai thác tính tuyến tính của các hoạt động và áp dụng thời gian -frequency biến đổi trước khi chiếu dữ liệu vào không gian nguồn.

Do số lượng lớn chuỗi thời gian, ước tính kết nối giữa tất cả các cặp chuỗi thời gian trong không gian nguồn là đòi hỏi tính toán. Để giảm bớt vấn đề này, người dùng có tùy chọn chỉ định các cặp tín hiệu mà kết nối sẽ được ước tính, ví dụ, điều này có thể giúp tính toán kết nối giữa vị trí hạt giống và phần còn lại của não. Để ước tính kết nối tất cả-tất cả trong không gian nguồn, một lựa chọn hấp dẫn cũng là giảm số lượng chuỗi thời gian và do đó nhu cầu tính toán, bằng cách tóm tắt chuỗi thời gian nguồn trong một tập hợp các vùng vỏ não. Chúng tôi cung cấp các chức năng để thực hiện việc này một cách tự động đối với các phân vùng vỏ não do FreeSurfer thu được, sử dụng các atlases xác suất và các mẫu gấp vỏ não để phân đoạn vỏ não tự động theo đối tượng cụ thể thành các vùng giải phẫu (Fischl et al., 2004 Desikan et al., 2006 Destrieux et al., 2010). Sau đó, tập hợp chuỗi thời gian tóm tắt thu được có thể được sử dụng làm đầu vào cho ước tính kết nối. Sự liên kết của chuỗi thời gian với các vùng vỏ não đơn giản hóa việc giải thích các kết quả và nó làm cho chúng có thể so sánh trực tiếp giữa các đối tượng vì do sự phân chia cụ thể của từng đối tượng, mỗi chuỗi thời gian tương ứng với cùng một vùng giải phẫu trong mỗi đối tượng. Mã để tính toán kết nối giữa các nhãn tương ứng với 68 vùng vỏ não trong quá trình hủy FreeSurfer & # x0201Caparc & # x0201D được hiển thị trong Bảng 4 và kết quả được hiển thị trong Hình 9.

Bảng 4. Ước tính khả năng kết nối giữa các vùng vỏ não trong không gian nguồn.

Hình 9. Khả năng kết nối giữa các vùng não quan tâm, còn được gọi là nhãn, được trích xuất từ ​​chức năng phân chia FreeSurfer tự động được hình dung bằng cách sử dụng plot_connectivity_circle . Hình ảnh bên phải trình bày các nhãn này trên bề mặt vỏ não được bơm căng. Màu sắc được thống nhất giữa cả hai hình. Hình ảnh bên trái được tạo với matplotlib và hình ảnh phù hợp với PySurfer.

3.5. Beamformers

MNE-Python thực hiện hai kỹ thuật bản địa hóa nguồn dựa trên định dạng chùm: Phương sai tối thiểu bị ràng buộc tuyến tính (LCMV) trong miền thời gian (Van Veen và cộng sự, 1997) và Hình ảnh động của nguồn mạch lạc (DICS) trong miền tần số (Gross và cộng sự ., 2001). Beamformers xây dựng các bộ lọc không gian thích ứng cho từng vị trí trong không gian nguồn cho trước một hiệp phương sai dữ liệu (hoặc mật độ phổ chéo trong DICS). Điều này dẫn đến hình ảnh giả của & # x0201Csource power & # x0201D mà người ta có thể lưu trữ dưới dạng SourceEstimates.

Hình 4 trình bày kết quả ví dụ của việc áp dụng bộ định dạng chùm LCMV vào tập dữ liệu mẫu để so sánh với kết quả đạt được khi sử dụng dSPM. Mã được sử dụng để tạo ví dụ này được liệt kê trong Bảng 5.

Bảng 5. Mô hình hóa nghịch đảo sử dụng bộ tạo chùm LCMV.

3.6. Phương pháp nghịch đảo không tuyến tính

Tất cả các chiến lược ước tính nguồn được trình bày cho đến nay, từ MNE đến dSPM hoặc máy biến tia, dẫn đến các phép biến đổi tuyến tính của dữ liệu không gian cảm biến để thu được các ước tính nguồn. Ngoài ra còn có nhiều cách tiếp cận nghịch đảo mang lại các thủ tục ước tính nguồn phi tuyến tính. Các phương pháp như vậy có điểm chung là thúc đẩy các ước tính thưa thớt trong không gian. Nói cách khác, cấu hình nguồn bao gồm một tập hợp nhỏ các lưỡng cực được ưu tiên để giải thích dữ liệu. MNE-Python thực hiện ba trong số các phương pháp này, đó là ước tính chuẩn hỗn hợp (MxNE) (Gramfort và cộng sự, 2012), ước tính chuẩn hỗn hợp theo thời gian & # x02013 (TF-MxNE) (Gramfort và cộng sự, 2013b) để điều chỉnh ước tính trong một thời gian & # x02013 biểu diễn tần số của tín hiệu nguồn và một kỹ thuật học Bayesian thưa thớt có tên & # x003B3-MAP (Wipf và Nagarajan, 2009). Source localization results obtained on the ERF evoked by the left visual stimulus with both TF-MxNE and γ-MAP are presented in Figure 10.

Figure 10. Source localization with non-linear sparse solvers. The left plot shows results from TF-MxNE on raw unfiltered data (due to the built-in temporal smoothing), and the right plot shows results from γ-MAP on the same data but filtered below 40 Hz. One can observe the agreement between both methods on the sources in the primary (red) and secondary (yellow) visual cortices delineated by FreeSurfer using an atlas. The γ-MAP identifies two additional sources in the right fusiform gyrus along the visual ventral stream. These sources that would not be naturally expected from such simple visual stimuli are weak and peak later in time, which makes them nevertheless plausible.


Kết quả

Kết quả hành vi

In both tasks, atypical responses (i.e., errors) and non-responses were excluded from further analysis (1,3% of the data). Response latencies above and below 3 SD were calculated for each participant in each task and excluded from further analysis (2% of the data).

On average, participants named pictures slower (mean RTs = 872 ms, SD = 205 ms) than they read the corresponding words (mean RTs = 560 ms, SD = 101 ms). The 312 ms difference was significant [NS(16) = 18,799, P < 0.001].

ERP analysis

Stimulus-Aligned

In the stimulus-aligned condition (from 0 to 400 ms after stimulus onset) significant differences in amplitudes (P < 0.05) were observed between word reading and picture naming throughout the whole time-window of processing. These differences were particularly present over posterior electrodes and bilaterally from 100 to 400 ms post-stimulus (Figure 1A).

FIGURE 1. (A) Results of the stimulus-aligned waveform analysis. Values are masked by results of cluster-based non-parametric analysis: only significant values are plotted. Within the left panel, upper part corresponds to left hemisphere electrodes, middle part to midline electrodes, and lower part to right hemisphere electrodes within each part, electrodes are ordered from posterior to anterior. Dashed lines outline representative electrodes, which time course is plotted separately (picture naming in black, word reading in gray). The topography represents the spatial distribution of the effect over each cluster (black dots outline electrodes within each cluster). (B) Results of the spatio-temporal segmentation on the stimulus-locked ERP Grand-Means of both tasks. Each period of topographic stability is displayed in the color bars with the information about its time course. The corresponding topographies are listed on the right (positive values in red, negative values in blue), with the common topographies marked in red. The gray bar on the temporal axis represents the periods of topographic difference between tasks, as revealed by the TANOVA. (NS) Boxplots of distributions of individual onsets of maps A and E and offsets of map A, extracted from the back-fitting procedure for both picture naming (bold lines) and word reading (thin lines). Zero of times represent stimulus presentation.

Results of the TANOVA showed that topographic differences between tasks also stretched across the whole time-window of processing, with the exception of the period comprised between about 75 and 150 ms after stimulus onset (see Figure 1B), corresponding to the temporal signature of the P1 component map.

The spatio-temporal segmentation of the stimulus-aligned Grand-Means explained 95,81% of the Global Variance, and revealed the presence of a total of six template maps. In Figure 1B, the five template maps starting from the P1 component map onward (map labeled 𠇊”) are shown. In picture naming, the topographic configurations present in the P1 range (map 𠇊”) and later in the 200� ms time window (map 𠇍”) were highly correlated spatially and therefore labeled with the same template map by the clustering algorithm. When the same template map appears repeatedly in different non-overlapping time windows of the same Grand-Mean, it does not reflect comparable neuronal activity (e.g., Michel et al., 2009). For this reason, the later map has been relabeled differently in the figure, as it likely reflects a qualitatively different step of information processing following early visual encoding.

The application of the clustering algorithm resulted in a sequence of topographic maps, depicted in Figure 1B for the grand-averages of each task. Results of the spatio-temporal segmentation revealed that in an early time-window (comprised between about 75 and 150 ms after stimulus onset and thus compatible with visual encoding), the same topographic map (labeled 𠇊”) was present in the grand-averages of both tasks. In the waveform analysis, higher amplitudes were detected in word reading compared with picture naming (Figure 1A). The TANOVA corroborated the results of the spatio-temporal segmentation, revealing that the same topographic maps were predominant across tasks in the considered time-window (75� ms). A back-fitting was performed in the time window comprised between 0 and 400 ms from stimulus onset to test for the onsets, offsets and durations of map 𠇊” across participants in both tasks. Results revealed that map 𠇊” had a slightly later onset in picture naming (mean onset: 66 ms after picture onset) with respect to word reading (mean onset: 50 ms after word onset). A Wilcoxon signed-rank test proved the difference to be marginal (z = 𠄱,818, P = 0.07). Map 𠇊” also displayed a later offset in picture naming (mean offset: 155 ms after picture presentation) compared with word reading (mean offset: 132 ms after word presentation). The difference proved to be significant (z = 𠄲,301, P < 0.05). Finally, no differences were found in map duration across tasks (z = 𠄱,086, P = 0.278). Figure 1C illustrates the distributions of the individual onsets and offsets of map 𠇊” in both picture naming and word reading.

The time window following visual encoding (starting from about 150 ms onward) was characterized by extensive amplitude differences, mainly located on posterior sites. In this time window, substantial topographic cross-task differences were detected. A back-fitting performed on the time window comprised between 160 and 300 ms after stimulus onset revealed that map 𠇍,” characterized by posterior positivity and anterior negativity (Figure 1B), was significantly more present in picture naming compared with word reading (Pearson Chi Square computed on map presence across individuals: χ 2 = 14.43, P < 0.001). In picture naming, Map 𠇍” explained the 10% of the variance in the considered time-window (160� ms). The posterior characterization of amplitude differences as revealed by the waveform analysis seems consistent with the fact that in picture naming, map 𠇍” was predominant in the considered time-window. Conversely, map named 𠇋” was significantly more present in the word reading task (χ 2 = 6,10, P < 0.05) and explained only the 3% of the variance in the time window comprised between 160 and 300 ms after word onset. The low explained variance can be attributed to the rapidly changing spatial configuration of map 𠇋,” which is likely to be due to the unstable and transitory nature of the ERP activity in the considered time-window.

The back-fitting revealed that map named 𠇌” had a negligible presence in individual ERPs. This is probably due to the transitional and unstable nature of this topographic map (see Figure 1B).

Amplitude differences were then sustained in the time window from about 250 ms to the end of the stimulus-locked analysis, corroborated by topographic differences identified by the TANOVA. These differences are however likely to be due to the very different time course of the processing stages specific of each task. In fact, the spatio-temporal segmentation performed on this time window revealed the presence, in both tasks, of the same period of topographic stability (map labeled 𠇎”) characterized by posterior positivity and anterior negativity. This common map displayed noticeably different time courses between tasks. The back-fitting performed on the time window comprised between 100 and 400 ms after stimulus onset revealed that map 𠇎” (explaining the 22% of the variance across tasks in the considered time-window) displayed an earlier onset in word reading (mean onset: 187 ms after word presentation) with respect to picture naming (mean onset: 252 ms after picture presentation). Figure 1C illustrates the distribution of the individual onsets of the common map 𠇎” between tasks. A Wilcoxon signed-rank test proved the cross-task difference in the onset to be significant across participants (z = 𠄲,342, P < 0.05).

Response-Aligned

In the response-aligned condition (from � ms to the vocal response onset), significant amplitude differences (P < 0.05) were observed between word reading and picture naming throughout the whole time-window of interest. Differences were observed earlier over anterior electrodes (from � to � ms) and more posteriorly in the following time-window closer to articulation. Again, effects were bilateral (Figure 2A).

FIGURE 2. (A) Results of the response-aligned waveform analysis. Values are masked by results of cluster-based non-parametric analysis: only significant values are plotted. Within the left panel, upper part corresponds to left hemisphere electrodes, middle part to midline electrodes, and lower part to right hemisphere electrodes within each part, electrodes are ordered from posterior to anterior. Dashed lines outline representative electrodes, which time course is plotted separately (picture naming in black, word reading in gray). The topography represents the spatial distribution of the effect over each cluster (white dots outline electrodes within each cluster). (B) Results of the spatio-temporal segmentation on the response-locked ERP Grand-Means of both tasks. Each period of topographic stability is displayed in the color bars with the information about its time course. The corresponding topographies are listed on the right (positive values in red, negative values in blue), with the common topographies marked in red. The gray bar on the temporal axis represents the periods of topographic difference between tasks, as revealed by the TANOVA. (NS) Boxplots of distributions of individual offsets of maps F and durations of map G, extracted from the back-fitting procedure for both picture naming (bold lines) and word reading (thin lines). Zero of times in the boxplot of the offset of map F represents voice onset.

The TANOVA revealed an extended period of topographic difference, stretching across the whole time-window of processing with the exception of the last period starting about 100 ms prior to the onset of articulation.

The spatio-temporal segmentation revealed the presence of three template maps (Figure 2B) – labeled 𠇏,” “G,” and “H” – explaining 94,5% of the Global variance.

The template map labeled 𠇏” corresponds to the common map (𠇎”) in the stimulus-aligned condition. These maps were, in fact, spatially correlated above 0.99.

All the three maps were common to both tasks, but maps 𠇏” and “G” displayed different time courses. A back-fitting procedure was carried out in the time-window comprised between � and � ms before response articulation, revealing that in word reading the map labeled 𠇏,” explaining the 20% of the variance in the considered time-window, displayed an offset much closer to response articulation (mean map offset: 184 ms before articulation) compared with picture naming (mean map offset: 257 ms before articulation). This result proved to be significant across participants (z = 𠄲,580, P = 0.01). A second back-fitting was performed in the time-window comprised between � and � ms to test for the duration of map “G” across tasks. The results revealed that map “G” had a longer duration in picture naming (mean duration: 243 ms) compared with word reading (mean duration: 113 ms). The result was significant (z = 𠄳,297, P < 0.01).

Figure 2C illustrates the distribution of the offsets of map 𠇏” and the duration of map “G” across participants and for each task. It is worthy of notice that the mean maps offset and duration calculated across participants might be different when compared to the mean onsets of the same maps in the ERP Grand-Means, because of variability across participants.


Kết quả

While recording EEG, we presented difficult-to-detect visual stimuli that were either brighter or darker than the background at three intensity levels (i.e. contrast-from-background), collected discrimination performance and then asked the participants to rate the clarity of their perception on the PAS scale (Fig. 1). This allowed us to investigate the relationship of the CPP to both the amount of external sensory evidence and the level of subjective clarity of the percept (the internally experienced evidence).

Single trial structure: Following an acoustic alerting tone, a brief visual stimulus was presented always at the same position in the upper right visual field. Stimuli could be either brighter or darker than the background and were presented at 3 different individually adjusted stimulus intensities (low, intermediate and high). After 1000 ms, participants were asked to report the brightness of the stimulus relative to the background (Discrimination task) and then rate the clarity of their perception on the Perceptual Awareness Scale (PAS) (Awareness report).

Behavioral responses to visual stimuli

To manipulate the amount of sensory evidence, we varied stimulus intensity (low, intermediate and high) by selecting 3 different contrast levels (i.e. stimulus levels corresponding to 25%, 50% and 75% detection rate, individually determined prior to the experiment see experimental procedures). Participants were asked to indicate the brightness of the stimulus relative to the background (“lighter” or “darker”, prompted by a first question screen) for assessing discrimination accuracy, and to then rate the clarity of their percept (“no experience”, “brief glimpse”, “almost clear” or “clear”, prompted by the second question screen) (Fig. 1).

Figure 2a illustrates the distribution of subjective perceptual awareness ratings across the three intensity levels. As expected, for low intensity stimuli (orange line), participants indicated most often “no experience” (PAS = 0), followed by a “brief glimpse” (PAS = 1), “almost clear” experience (PAS = 2), and very few “clear” experience (PAS = 3). For intermediate intensity stimuli (purple line), the percentage of responses was more equally distributed across awareness rating levels. For high intensity stimuli (cyan line), participants indicated least often having “no experience” (PAS = 0), followed by more frequent “brief glimpses” (PAS = 1), “almost clear” (PAS = 2) and “clear” experiences (PAS = 3). Finally, catch trials were rated in 88.1% of trials as PAS = 0 (“no experience”).

Behavioral results. (Một) PAS rating variability for each level of external sensory evidence. Error bars represent standard errors. Mean percentage of correct discrimination responses as a function of (NS) PAS ratings and (NS) stimulus intensity. Error bars represent standard errors and the solid line (50%) chance level.

Sorting trials according to the clarity of subjective experience (i.e. PAS = 0, PAS = 1, PAS = 2, PAS = 3) revealed that as the clarity of the percept increased, accuracy also increased (Fig. 2b), as expected [repeated-measures ANOVA (degrees of freedom corrected using Greenhouse-Geisser estimates of sphericity): F(1.688,16.882) = 113.2, p < 0.01 linear trend F(1,10) = 1000.7, p < 0.01]. Similarly, sorting trials according to the strength of the presented evidence (i.e. low, intermediate, high stimulus intensity) showed that as objective sensory information increased, accuracy also increased (Fig. 2c) [repeated-measures ANOVA: F(2,20) = 35.5, p < 0.01 linear trend F(1,10) = 89.9, p < 0.01].

Overall, these results thus show that both factors of interest (visual awareness and stimulus intensity level), i.e. the internally experienced and externally presented sensory evidence, co-vary, but also show considerable trial-by-trial variability.

Next, we examined to what extent the CPP amplitude is varying with each measure, when the alternative measure is accounted for. In addition, we ran a mediation analysis to test whether the known relationship between stimulus intensity and CPP 1,2,3,16 is mediated by subjective experience.

Event-related potentials

We first plotted the CPP as a function of external physical evidence (stimulus intensity), not taking into account internally experienced evidence (PAS ratings) (Fig. 3). As expected, the CPP scaled with stimulus intensity. However, note the large variability around the mean per stimulus intensity (Fig. 3, shaded areas). To test whether this variability is explained by the variability in PAS ratings observed for each stimulus intensity level (see Fig. 2a), we tested whether the CPP amplitude varies with subjective awareness ratings when physical stimulus properties were held constant. Conversely, we also tested whether this potential varies with physical stimulus properties when subjective ratings were held constant. That is, we compared ERP amplitudes evoked by different levels of subjective or objective evidence while controlling for the contribution of the alternative variable. To numerically equate the value of the alternative variable across all levels of comparison, we used random trial sub-sampling (see Methods).

Grand average ERP waveforms over electrode Pz showing the late evoked potentials as a function of stimulus intensity, regardless of perceptual rating. Shaded areas represent standard errors at each time point.

Centro-parietal positivity co-varies with subjective clarity when stimulus contrast is equated across levels of comparisons

We compared CPP amplitude between awareness ratings for which we could equate stimulus intensities with a sufficient number of trials using trial subsampling (see “Statistical Analysis” section for details). PAS = 0, PAS = 1 and PAS = 2 were compared for stimuli presented at low and intermediate stimulus intensities (Fig. 4a) and PAS = 1, PAS = 2 and PAS = 3 for stimuli presented at intermediate and high stimulus intensities (Fig. 4b). The results were identical for both comparisons (cf. Fig. 4a vs. b). A late positive deflection was observed over central electrodes, peaking around 400–600 ms, which scaled with subjective awareness ratings (Fig. 4a,b), increasing in amplitude with stronger subjective experience. For statistical testing, we ran a non-parametric cluster-based permutation test 17,18 (see Methods). This revealed a positive cluster over centro-parietal electrodes between roughly 200–800 ms after stimulus onset (highlighted by the dashed rectangle in Fig. 4a,b), independently of the awareness levels compared (see Fig. 4c,d, left maps for the results of the initial, random sub-sample, pcluster < 0.01). We corroborated this result by repeating the analysis in another 500 runs, randomly selecting a different subset of trials on each iteration (and always equating stimulus intensity across awareness ratings), revealing this effect to be highly consistent across sub-samples (see Fig. 4c,d, right maps for the topography of averaged p-values across the total of 500 runs). Additional, pairwise post-hoc comparisons between each awareness level, performed through cluster-based permutation t-tests averaged over the significant time window identified in the main analysis, showed that the CPP differed in amplitude across all awareness levels (Fig. 4e,f). Overall, these results show that the CPP is strongly related to subjective clarity of the percept, with higher amplitudes corresponding to higher clarity of perceptual experience. This effect was consistent across subjects (see Supplementary Fig. 1a for single subject data).

CPP scales with the strength of subjective evidence. (Một,NS) Grand average ERP waveforms over electrode Pz, obtained for each visual awareness rating (Một: PAS = 0 vs. 1 vs. 2 NS: PAS = 1 vs. 2 vs. 3) for trials with equated stimulus intensity levels. Each waveform represents the average ERP over 500 random trial draws shaded areas represent standard errors at each time point (note that the standard errors are very small and therefore almost invisible). Time windows of significant differences are highlighted by the dashed rectangle. (NS,NS) Cluster analysis results for awareness-related signals (based on ANOVAs across awareness levels). The maps on the left show the topographic distribution of F-values, while the black dots represent significant electrodes (initial draw out of 500 subsamples). The maps on the right show the topography of the p-values averaged over all 500 random draws in the time windows where the most consistent effects were found. (e,NS) Pairwise post-hoc comparisons for awareness-related signals in the significant time window (dashed rectangle in Một,NS). Each map shows the t-value distribution with black dots indicating significant electrodes.

Centro-parietal positivity shows no relation to stimulus contrast when subjective awareness ratings are equated across levels of comparisons

Next, we compared CPP amplitude across stimulus intensity levels for which we could equate the value of awareness ratings with a sufficient number of trials through random trial subsampling. Low versus intermediate stimulus intensity levels were compared after equating PAS values 0, 1 and 2 across stimulus categories (Fig. 5a) and intermediate versus high stimulus intensity levels were contrasted after equating PAS values 1, 2 and 3 across stimulus categories (Fig. 5b). The results reveal very small variations of the CPP with stimulus intensity for both comparisons (see Fig. 5a,b: compare low vs. intermediate intensity waveform in a and intermediate vs. high intensity waveform in b), with the differences being an order of magnitude smaller than those observed for the awareness effects (cf. Fig. 4a,b). Running a non-parametric cluster-based permutation t-test per stimulus intensity comparison did not reveal any significant cluster of electrodes (all pcluster > 0.5 for low vs intermediate comparisons, all pcluster > 0.3 for intermediate vs high comparisons). The absence of any effect was not driven by trial selection as confirmed by repeating the trial selection 500 times (random draws). Hence, the CPP was not modulated by the different stimulus intensities when accounting for the subjective experience ratings. The lack of effect was evident across subjects (see Supplementary Fig. 1b for single subject data).

CPP amplitude and stimulus intensity: ERP amplitudes over electrode Pz per each of the stimulus intensity comparisons (Một: low vs. intermediate NS: intermediate vs. high) for which awareness ratings could be equated. No differences were found across stimulus intensities with equated PAS ratings (compare low vs. intermediate waveform in (Một) and intermediate vs. high waveform in (NS)). Note that the amplitude-differences between a and b are due to the need for including different PAS ratings in the respective averages (PAS 0, 1 and 2 for waveforms in (Một), PAS 1, 2 and 3 for waveforms in (NS)). Each waveform represents the average ERP over 500 trial selections (random draws), shaded areas represent standard errors at each time point.

Centro-parietal positivity: accuracy and catch trials

Given the relatively stronger co-variation of the CPP with subjectively experienced than with physically presented sensory evidence, we expected an uncoupling of this potential from performance accuracy. This was confirmed in two separate analyses. First, we compared the CPP across PAS ratings on correct response trials only (PAS ratings from 0 to 3 included), and then repeated this analysis on incorrect response trials (only including PAS = 0 and 1 ratings to have a sufficient number of numerically equated trials between the two categories, see Behavioral results).

For correct trials, we confirmed the existence of an awareness rating effect. The higher the visual awareness rating, the higher the amplitude of the CPP (Fig. 6a, left panel). As above, the cluster-based permutation test on ERPs across subjective rating (PAS), performed on the whole epoch (0 to 900 ms), revealed a significant positive centro-parietal electrode cluster (pcluster < 0.01, from 196 to 900 ms, Fig. 6a, left panel, map). The cluster was also present in each pairwise post-hoc comparison between PAS ratings when performed through cluster-based permutation t-tests on the mean amplitude of the significant time window (p values ranging from 0.046 to 0.002).

Late evoked potential scales with awareness regardless of accuracy. (Một) ERP waveforms over electrode Pz, obtained for each visual awareness level in correct trials (left panel) and for visual awareness levels PAS = 0 and PAS = 1 in incorrect trials (right panel). The map illustrates the topographical distribution of F- and t-values for the significant time window (highlighted by the dashed rectangle). Black dots represent significant positive electrode clusters. (NS) Evoked potentials in catch trials versus PAS = 0 trials (obtained after 500 random draws from low and intermediate stimulus intensity trials) over electrode Pz. Shaded areas around PAS = 0 waveforms represent standard errors at each time point. Map: t-value distributions from the comparison between catch trial data in the window after expected stimulus onset (marked by 0) versus its baseline “pre-stimulus” interval. Black dots represent significant positive electrode clusters.

Importantly, the awareness rating effect was also observed for incorrect trials, suggesting a dissociation of the effect from task accuracy (Fig. 6a, right panel). The cluster-based permutation t-test (performed on the whole epoch, 0 to 900 ms) again revealed a positive cluster over centro-parietal areas (pcluster < 0.01, from 248 to 788 ms, Fig. 6a, right panel, map).

As a variant of testing for a link of the CPP to an ‘internal’ decision quantity, we analysed catch trials to examine whether this late positivity can also occur in the absence of any external sensory evidence. The corresponding cluster-based permutation t-test performed on the whole epoch (0 to 900 ms), with the pre-stimulus period (−300 to 0 ms) as a reference interval, again revealed a positive cluster over centro-parietal areas (pcluster < 0.01, starting at 248 ms until the end of the epoch, Fig. 6b, map). Therefore, even if no veridical sensory information is available, the CPP is still present, and its amplitude matches the amplitude of stimulus-present trials with PAS reports of zero (“no experience”) (Fig. 6b). Please note that the high number of PAS 0 reports in catch trials prevented a comparison across PAS levels.

Mediation analysis

To further investigate the relationship between CPP amplitude, stimulus strength and subjective experience, we ran a mediation analysis linking the three variables, without any prior trial selection. A mediation analysis allows for estimation of the extent to which a proposed mediator variable accounts for the relationship between a predictor and an outcome variable 19,20 . Here, based on the abundant literature linking the amount of available evidence to the CPP amplitude e.g. 1,3,12,16 , we considered stimulus intensity (from catch trials to High, 4 levels) as predictor of the EEG amplitude (outcome variable), while subjective experience measured by PAS scale ratings (0–3, 4 levels) was included as a proposed mediator (see Fig. 7a). The choice of the awareness rating as the mediator is also in line with our behavioural results (Fig. 2a), indicating that the awareness rating is predicted by the stimulus strength, thus acknowledging that subjective perception is mostly driven by external evidence. Indeed, in the mediation analysis, variations in levels of the predictor must significantly account for variations in the proposed mediator. Please note that by the use of the mediation analysis, we aimed to investigate the strength of the stimulus intensity-CPP amplitude relationship whilst controlling for subjective experience, without implying that the subjective evidence causally influences the CPP.

Mediation hypothesis and results. (Một) The mediation model included the independent variable (stimulus intensity) as predictor of the outcome variable (ERP amplitude). Subjective reports were introduced as a proposed mediator and tested as to whether they accounted for the relationship between predictor and outcome. (NS) The mediation effect (ab) time course averaged across electrodes within the significant cluster is shown on the left, together with the total effect of stimulus intensity (c) and the direct effect (c′) when controlling for subjective reports. The rectangle represents the significant time window of mediation. On the right, the topography of the mediation effect is shown with the significant positive electrode cluster superimposed (black dots).

Therefore, in our model (Fig. 7a), path Một represents the relationship between stimulus intensity and PAS rating and path NS the relationship between PAS rating and EEG amplitude when controlling for stimulus intensity. Path NS represents the total stimulus intensity effect (unmediated) on EEG amplitude and path c’ represents the direct stimulus intensity–EEG amplitude effect when controlling for PAS ratings. The product of the path Một and path NS coefficients (ab) represents the mediation effect. Testing for a significant mediation effect involves testing if the predictor-outcome relationship (stimulus intensity – EEG amplitude) is significantly reduced by including the mediator (PAS ratings) in the model (a*b = c-c′ > 0). To test this, ab coefficients calculated for each channel and each time point from 0 to 900 ms after stimulus presentation were tested against 0 by means of a cluster based permutation t-test. We found a significant positive cluster (pcluster = 0.007 also note path Một p < 0.05), spanning from 300 to 800 ms and including several centro-parietal electrodes. Figure 7b shows ab values over time averaged across electrodes within the significant cluster (on the left) and its corresponding topography (on the right). Importantly, the time window and the topography of the mediation effect exactly mirrored the CPP component. This result indicates that the inclusion of the mediator “subjective report” in the model significantly decreased the predictive power of stimulus strength on CPP (compare dashed lines in Fig. 7b). In summary, the mediation analysis confirmed and extended our initial results, showing that when the subjective experience is accounted for, the stimulus strength does not significantly modulate the CPP amplitude anymore.


What is Magnetoencephalography (MEG)?

Magnetoencephalography (MEG) is a non-invasive technique for investigating human brain activity. It allows the measurement of ongoing brain activity on a millisecond-by-millisecond basis, and it shows where in the brain activity is produced.

MEG hoạt động như thế nào?

At the cellular level, individual neurons in the brain have electrochemical properties that result in the flow of electrically charged ions through a cell. Electromagnetic fields are generated by the net effect of this slow ionic current flow. While the magnitude of fields associated with an individual neuron is negligible, the effect of multiple neurons (for example, 50,000 &ndash 100,000) excited together in a specific area generates a measureable magnetic field outside the head. These neuromagnetic signals generated by the brain are extremely small&mdasha billionth of the strength of the earth&rsquos magnetic field. Therefore, MEG scanners require superconducting sensors (SQUID, superconducting quantum interference device). The SQUID sensors are bathed in a large liquid helium cooling unit at approximately -269 degrees C. Due to low impedance at this temperature, the SQUID device can detect and amplify magnetic fields generated by neurons a few centimeters away from the sensors. A magnetically shielded room houses the equipment, and mitigates interference.

What are the advantages of MEG?

MEG has advantages over both fMRI and EEG. The technologies complement each other, but only MEG provides timing as well as spatial information about brain activity. fMRI signals reflect brain activity indirectly, by measuring the oxygenation of blood flowing near active neurons. MEG signals are obtained directly from neuronal electrical activity. MEG signals are able to show absolute neuronal activity whereas the fMRI signals show relative neuronal activity, meaning that the fMRI signal analysis always be compared to reference neuronal activity. This means that MEG can be recorded in sleeping subjects. MEG does not make any operational noise, unlike fMRI. While fMRI measurement requires the complete absence of subject movement during recording, MEG measurement does not, so children can move their heads within the MEG helmet.

Finally and most importantly, MEG provides us with temporal characteristics about brain activation with sub-millisecond precision, whereas fMRI measurement provides poor temporal information. MEG provides also more accurate spatial localization of neural activities than EEG, a complementary method of recording brain activity. The I-LABS MEG Brain Imaging Center system allows co-registration of EEG and MEG.



Bình luận:

  1. Fejar

    Hoan hô, những từ chính xác là gì ..., ý tưởng tuyệt vời

  2. Arabar

    Tại tất cả gửi cá nhân ngày hôm nay?

  3. Mikatilar

    Bravo, đối với tôi, là một cụm từ đáng chú ý

  4. Nicolai

    Xin chúc mừng, một ý tưởng rất hay



Viết một tin nhắn