ניתוח פעילות עצבית וקישוריות באמצעות נתוני EEG תוך-גולגולתי בתוכנה SPM

שיטה זו יכולה לעזור לענות על שאלות מפתח בתחום מדעי המוח הקוגניטיביים. היתרון העיקרי של טכניקה זו הוא שהיא יכולה לנתח פעילות עצבית וקישוריות על אבולוציות זמניות מרחביות גבוהות. כדי להתחיל בניתוח של נתוני EEG תוך גולגולתיים, הגדר את SPM12 ובחר בתפריט האנליטי MEG EEG.

תחילה, בצע ניתוח תדר זמן עבור נתוני EEG תוך גולגולתיים שנוצרו מראש של כל ניסוי באמצעות פירוק גל רציף עם גלים Morlet בהתבסס על פרמטרים מוגדרים מראש. כדי לחשוף את האבולוציה הזמנית של רכיבים ספקטרליים, לנהל פירוק גלים באמצעות גלים מורלט שבעה מחזורים עבור התקופה כולה של 1, 000 עד 2, 000 אלפיות שנייה באמצעות טווח התדרים של ארבעה עד 300 הרץ. לאחר מכן, קבע את גל האם ואת מספר המחזורים ושים לב שמספר המחזורים שולט ברזולוציות תדירות הזמן וצריך להיות גדול מחמישה כדי להבטיח יציבות הערכה.

קבע טווחי זמן ותדירות. לאחר מכן חתוך את מפות תדירות הזמן המתקבלות באופן אוטומטי כדי להסיר אפקטי קצה. כאן, המפות נחתכות ב 200 עד 500 אלפיות שנייה.

בצע המרה בנתונים אם תרצה ותיקון בסיסי על-ידי בחירת שינוי קנה מידה של תדירות הזמן עבור מפות תדירות הזמן כדי להמחיש טוב יותר שינויי חשמל הקשורים לאירועים ולשפר את הנורמליות. לאחר מכן, המר את מפות תדירות הזמן לתמונות דו-ממדיות. כמו כן, חלק באמצעות ליבה גאוסיאנית עם ערך חצי מרבי מוגדר מראש ברוחב מלא כדי לפצות על השונות בין-נושאית ולתאים להנחות של תורת השדות האקראית.

כעת בחרו 'ציין רמה שנייה' מתפריט SPM והזינו את התמונות הדו-מימדיות שינותחו. לאחר מכן הפעל את המודל ליניארי כללי על-ידי בחירת הערכת מודל. לבסוף, בחר תוצאות כדי לבצע מסקנות סטטיסטיות על נתוני תדירות הזמן בהתבסס על תורת השדות האקראית.

זהה אשכולות תדר זמן שהופעלו באופן משמעותי עם סף מוגדר מראש כגון אלה שנראו כאן. התחל ניתוח מידול סיבתי דינאמי על-ידי בחירה ב- DCM בתפריט SPM. לאחר מכן בחרו באפשרות IND ובחרו נתונים חדשים לייבוא נתוני EEG תוך גולגולתיים שנוצרו מראש.

לאחר מכן, השתמש בתפריט MEG EEG כדי לציין את חלון הזמן של עניין, חלון תדירות של עניין, מספר מחזורי wavelet שישמש, תנאי עניין, ואת הניגודים עבור התנאים. הגדר את חלון הזמן ל- 500 אלפיות שניה. השתמש בגלים מורלט חמישה מחזורים של ארבעה עד 100 הרץ בצעד אחד הרץ.

השתמש בהגדרת ברירת המחדל עבור מחזור wavelet. קבע את טווחי תדירות הזמן בהתבסס על עניין מחקרי. שים לב שניתן להשתמש באופן אוטומטי בחלון זמן עם 512 אלפיות שניה נוספות במהלך החישוב כדי להסיר אפקטי קצה.

בהתבסס על מסגרת DCM, הגדר את תשומות הנהיגה המייצגות תשומות חושיות על מצבי עצבי ואת הקשרים הפנימיים המגלמים קישוריות בסיסית בין מצבי עצב. כמו כן, להגדיר את ההשפעות המופנן על הקשרים המהותיים באמצעות מניפולציות ניסיוניות עבור מודלים null ו המשוערות. הגדר את סוג האפנן כליניארי או לא ליניארי.

כעת ציין את החיבורים ליניאריים ולא ליניאריים פנימיים, כניסות נהיגה וקלט אפנון. שנה את הגדרות ברירת המחדל של פרמטרים קשורים במידת הצורך, כגון זמן ומשך הופעת גירוי קודם. לאחר מכן בחר הפוך את DCM כדי להעריך את המודלים.

לאחר מכן, בחרו 'שמור תוצאות כתמונה' לשמירת תמונות פרמטרים מודולטוריות בתדר תדירות. לאחר מכן, לבצע ניתוח בחירת מודל ביזיאני אפקטים אקראיים על ידי בחירת BMS כדי לזהות את מודל הרשת האופטימלי. השתמש בהסתברויות הצפויות במודל ובהסתברויות ההיענות כאמצעי הערכה.

לאחר מכן בצע מסקנות לגבי דפוסי התדרים הצולבים של החיבורים המופנמים באמצעות הפרמטרים של המודל המנצח. עכשיו להחליק את תמונות פרמטר צימוד מודולטורי על ידי בחירה להמיר לתמונות. לאחר מכן השתמש באפשרות ציין רמה שניה כדי לבצע ניתוח כללי של מודלים ליניאריים.

לבסוף, בחר תוצאות כדי לחשב את ערכי ה- SPMT הדו-מימדיים. כאן, חצי המקסימום ברוחב מלא נקבע על שמונה הרץ וערכים משמעותיים זוהו באמצעות סף גובה לא מגובה של P פחות מ 0.05. ניתוחי תדירות זמן נערכו כדי לחקור את הפרופילים הזמניים והתדירות של פעילות Gyrus העורפית הנחותה או IOG במהלך עיבוד שלבים.

כאן אנו רואים מפות תדר זמן של פעילות IOG הנכונה עבור השלב הזקוף ותנאי הפסיפס הזקוף. נתוני SPMT עבור שלב זקוף לעומת פסיפס זקוף מוצגים גם כן. דגמי רשת פונקציונליים מוצגים כאן.

שמונה שילובים אפשריים של קלט מודולטורי של שלב זקוף לעומת פסיפס זקוף על קשרים בין IOG ואמיגדלה וחיבור עצמי לכל אזור נחקרו. פרמטרי צימוד מודולטוריים בתדר תדר וערכי SPMT עבור שלב זקוף לעומת פסיפס זקוף עבור IOG לעומת אמיגדלה ואמיגדלה לעומת אפנון IOG מוצגים כאן. האזורים האדומים-צהובים מצביעים על קישוריות סינפלורציה משמעותית בעוד שאזורי הציאן הכחולים מצביעים על קישוריות מעכבת.

לאחר צפייה בסרטון זה, אתה צריך הבנה טובה על איך לנתח נתוני EEG תוך גולגולתי לזיהוי פעילות עצבית וקישוריות באמצעות תוכנת SPM.