Questo metodo può aiutare a rispondere a domande chiave nel campo delle neuroscienze cognitive. Il principale vantaggio di questa tecnica è che può analizzare l'attività neurale e la connettività su evoluzioni temporali ad alto spaziale. Per iniziare l'analisi dei dati EEG intracranici, impostare SPM12 e selezionare il menu analitico MEG EEG.
In primo luogo, eseguire l'analisi della frequenza del tempo per i dati EEG intracranici pre-elaborazione di ogni prova utilizzando la decomposizione wavelet continua con wavelet Morlet basata su parametri predefiniti. Per rivelare l'evoluzione temporale delle componenti spettrali, condurre la decomposizione wavelet usando wavelet Morlet a sette cicli per l'intera epoca da 1.000 a 2.000 millisecondi usando l'intervallo di frequenza da quattro a 300 hertz. Successivamente, determinare la wavelet madre e il numero di cicli e notare che il numero di cicli controlla le risoluzioni di frequenza del tempo e deve essere maggiore di cinque per garantire la stabilità della stima.
Determinare gli intervalli di tempo e frequenza. Quindi ritagliare automaticamente le mappe di frequenza del tempo risultanti per rimuovere gli effetti dei bordi. Qui, le mappe vengono ritagliate da 200 a 500 millisecondi.
Eseguire la trasformazione dei dati se lo si desidera e la correzione di base selezionando la scala di frequenza del tempo per le mappe di frequenza del tempo per visualizzare meglio le modifiche di potenza correlate agli eventi e migliorare la normalità. Quindi, converti le mappe della frequenza del tempo in immagini bidimensionali. Anche liscio usando un kernel gaussiano con un valore semi-massimo a larghezza intera predefinito per compensare la variabilità tra soggetti e per conformarsi alle ipotesi della teoria dei campi casuale.
Selezionare ora specificare il secondo livello nel menu SPM e immettere le immagini 2D che verranno analizzate. Quindi eseguire il modello lineare generale selezionando la stima del modello. Infine, selezionare i risultati per eseguire deduzioni statistiche sui dati di frequenza del tempo basati sulla teoria dei campi casuale.
Rileva cluster di frequenza del tempo attivati in modo significativo con soglie predefinite come quelle viste qui. Avviare l'analisi dinamica della modellazione causale selezionando DCM nel menu SPM. Quindi scegliere l'opzione IND e selezionare nuovi dati per importare i dati EEG intracranici pre-e-elaborazione.
Quindi, utilizzare il menu EEG MEG per specificare la finestra di tempo di interesse, la finestra di frequenza di interesse, il numero di cicli wavelet che verranno utilizzati, le condizioni di interesse e i contrasti per le condizioni. Impostare l'ora su uno a 500 millisecondi. Usa wavelet Morlet a cinque cicli da quattro a 100 hertz in un solo passo hertz.
Utilizzate l'impostazione di default per il ciclo wavelet. Determinare gli intervalli di frequenza del tempo in base all'interesse della ricerca. Si noti che una finestra temporale con altri 512 millisecondi può essere utilizzata automaticamente durante il calcolo per rimuovere gli effetti dei bordi.
Sulla base del framework DCM, definire gli input di guida che rappresentano input sensoriali sugli stati neurali e le connessioni intrinseche che incarnano la connettività di base tra gli stati neurali. Inoltre, definire gli effetti modulatori sulle connessioni intrinseche attraverso manipolazioni sperimentali per modelli nulli e ipotizzati. Definite il tipo di modulazione come lineare o non lineare.
Ora specificare le connessioni intrinseche lineari e non lineari, gli ingressi di guida e gli ingressi di modulazione. Modificare le impostazioni predefinite dei parametri correlati, se necessario, ad esempio il tempo e la durata di inizio dello stimolo precedente. Quindi scegliere inverti DCM per stimare i modelli.
Successivamente, selezionate Salva risultati come immagine per salvare le immagini dei parametri di accoppiamento modulatori frequenza-frequenza. Successivamente, condurre un'analisi di selezione del modello bayesiano degli effetti casuali selezionando BMS per identificare il modello di rete ottimale. Utilizzare le probabilità previste del modello e le probabilità di adesione come misure di valutazione.
Quindi fare inferenze per quanto riguarda i modelli a frequenza incrociata delle connessioni modulatori utilizzando i parametri del modello vincente. Ora smussa le immagini dei parametri di accoppiamento modulatori selezionando converti in immagini. Utilizzare quindi specificare il secondo livello per eseguire l'analisi generale del modello lineare.
Infine, selezionare i risultati per calcolare i valori SPMT 2D. Qui, il mezzo massimo a larghezza intera è stato fissato a otto hertz e valori significativi sono stati identificati esploratamente utilizzando una soglia di altezza non corretta di P inferiore a 0,05. Sono state condotte analisi di frequenza temporale per indagare i profili temporali e di frequenza dell'attività del Giro occipitale inferiore o dell'IOG durante l'elaborazione delle fasi.
Qui vediamo mappe di frequenza del tempo della giusta attività IOG per la fase verticale e le condizioni del mosaico verticale. Vengono visualizzati anche i dati SPMT per la fase verticale rispetto al mosaico verticale. I modelli di rete funzionale sono mostrati qui.
Sono state studiate otto possibili combinazioni di input modulatorio di fase verticale rispetto al mosaico verticale sulle connessioni tra l'IOG e l'amigdala e l'auto-connessione su ogni regione. I parametri di accoppiamento modulatorio frequenza-frequenza e i valori SPMT per la fase verticale rispetto al mosaico verticale per la modulazione IOG contro amigdala e amigdala rispetto a IOG sono mostrati qui. Le aree rosso-gialle indicano una significativa connettività eccitatoria mentre le aree blu-ciano indicano connettività inibitoria.
Dopo aver guardato questo video, dovresti avere una buona comprensione su come analizzare i dati EEG intracranici per rilevare l'attività neurale e la connettività utilizzando il software SPM.
