איך לזהות פעילות האמיגדלה עם magnetoencephalography באמצעות הדמיה מקור
Summary
מאמר זה מתאר כיצד להקליט פעילות האמיגדלה עם מגנט (מג). בנוסף במאמר זה יתאר כיצד לנהל את פחד מיזוג עקבות ללא מודעות, משימה שמפעילה את האמיגדלה. זה יכסה 3 נושאים: 1) עיצוב הפרדיגמה מיזוג עקבות באמצעות מיסוך לאחור כדי לתפעל את המודעות. 2) פעילות מוח הקלטה במהלך המשימה באמצעות magnetoencephalography. 3) שימוש בהדמית מקור לשחזר אות ממבנים קורטיקליים.
Abstract
במיזוג פחד עקבות גירוי מותנה (CS) מנבא את התרחשותו של הגירוי בלתי מותנה (UCS), המוצג לאחר תקופה ללא גירוי קצרה (מרווח זכר) 1. בגלל CS UCS ולא ישתפו להתרחש באופן זמני, הנושא חייב לשמור על ייצוג של CS כי במהלך הפסקת העקבות. בבני אדם, זה סוג של למידה זה דורש מודעות לגירוי התלויות על מנת לגשר את מרווח עקבות 2-4. עם זאת, כאשר פניו משמשת כCS, נושאים במרומז יכולים ללמוד לפחד מהפנים גם בהיעדרו של * מודעות מפורשות. הדבר מרמז כי ייתכן שיש מנגנונים עצביים נוספים מסוגלים לשמור סוגים מסוימים של גירויים "ביולוגי רלוונטיים" במהלך פרק זמן קצר עקבות. בהתחשב בכך האמיגדלה מעורבת במיזוג עקבות, והוא רגיש לפרצופים, זה אפשרי, כי מבנה זה יכול לשמור על ייצוג של הפנים CS במהלך מרווח עקבות קצר.
<p class = "jove_content"> זה מאתגר להבין כיצד המוח יכול לקשר פנים בלתי נתפסים עם תוצאה מרתיעה, למרות ששני הגירויים מופרדים בזמן. יתר על כן חקירות של תופעה זו נעשות קשה על ידי שני אתגרים ספציפיים. ראשית, קשה לתפעל את המודעות של הנושא של הגירויים החזותיים. אחת דרכים נפוצות למניפולציות מודעות חזותית היא להשתמש במיסוך לאחור. במיסוך לאחור, גירוי היעד מוצג בקצרה (<30 מיסוך 5 חופף. המצגת של המסכה הופכת ליעד בלתי נראה 6-8. שנית, מיסוך דורש תזמון מאוד מהיר ומדויק ולכן קשה לחקור את תגובות עצביות המתעוררות בעקבות גירויים רעולי פנים תוך שימוש רבים נפוצות גישות. חמצון בדם ברמת תגובות תלויות (מודגש) לפתור בטכניקות הקלטת זמן איטיות מדי עבור סוג זה של מתודולוגיה זו, ולוח זמנים אמיתיים כמו electroen(מג) יש לי cephalography (EEG) ומגנט קשיי מחלים אות ממקורות עמוקים.עם זאת, חלה ההתקדמות בשיטות המשמשות בתרגום המקורות העצביים של אות מג 9-11. על ידי איסוף תמונות MRI ברזולוציה גבוהה של מוחו של הנושא, זה אפשרי ליצור מודל המבוסס על מקור האנטומיה עצבית פרט. שימוש במודל זה כדי "תמונה" מקורות אות מג, ניתן לשחזר את האות ממבנים קורטיקליים עמוקים, כמו האמיגדלה וההיפוקמפוס *.
Protocol
עיצוב הפרדיגמה מיזוג עקבות באמצעות מיסוך לאחור כדי לחסום מודעות 1. גירויים עיצוב לעצב את הגירויים לשני הקבוצות. בחר 4 ביטויים ניטראליים מאנשים שונים. ליישר את פניהם כדי שאזור העין של כל הצד הוא באותו המקום. לחתוך את פנים באמצעות סגלגל, כך שהשיער, אוזניים, ותכונות היקפיות אחרות הם כבר לא נראה לעין. השתמש בארגז הכלים של עיבוד האותות ב-Matlab (ראה טבלת מס '1 לתוכנה דרושה כדי להפעיל את הניסוי) כדי ליצור תמונות מסוננות גבוהה לעבור, על ידי הסרת כל המידע שהוא פחות מ 5 מחזורים למידה 12. צור את המסכה על ידי מיזוג כמה ביטויים ניטראליים יחד, והוספת רעש בתדר המרחבי גבוה לתמונה. לנרמל את כל התמונות, כך שיש להם היקות שווה. 2. תכנית הניסוי באמצעות מצגת תכנית אימונים ושלבי בדיקות במצגת באמצעות הפרמטרים מפורטים להלן (ראה איור 1). בנוסף, תכנית קובץ נפרד (PCC) שישמש את חבילת תוכנת רכישת נתונים PSYLAB במהלך אימון ובדיקות, על מנת לספק את ההלם מופעל על ידי מצגת. לאימון תכנית הפעלת 4 בלוקים של מיזוג פחד עקבות ההפרש עם 15 ניסויים במדעי המחשב, לכל בלוק. בכל ניסוי להציג את ה-CSS ל30 אלפית שנייה. בכל ניסוי להציג את המסכה על 970 אלפית שנייה. על כל אחד CS + משפט להציג את הלם UCS ל100 אלפית שני, כך שcoterminates עם המסכה. שן את המיקום של שילוב CS / מסכה, כך שהוא מופיע באופן אקראי 1 של 4 רבעים. להציג את משפט 1 כל 6 ± 2 שניות באמצעות מרווח intertrial משתנה. לבדיקת חיבור בלוק תכנית רכישה מחדש של 1 עם 5 ניסויים של כל פנים CS, ו5 כל אחד משני ניסויים CSS הפרצופים החדשים. </p> על מנת למקסם את היכולת שלך כדי להקליט את תגובות מוליכות חשמלית של עור (רכיבי SCR) במהלך ניסויי הבדיקה, להציג CS ל8 שניות. על כל אחד CS + משפט להציג את הלם UCS ל100 אלפית שני, כך שcoterminates עם CS +. להציג את משפט 1 בכל 20 ± 4 שניות באמצעות מרווח intertrial משתנה. הדרך את הנושאים לדווח תוחלת UCS במהלך שתי הפגישות, ולהקליט את התגובות שלהם באמצעות מכשיר MRI ציר תואם / מג (ג'ויסטיק, מחוון, חיוג; ראה סעיף 7). רכיבי SCR השיא במהלך פגישת הבדיקה באמצעות אלקטרודות המחוברות לתחתית מהמשתתפים עזבו את הרגל (ראה סעיף 9). הקלטת פעילות המוח במהלך המשימה באמצעות magnetoencephalography 3. התקנת ציוד לאימונים במג Suite (ראה איור 2). חבר את מחשב מצגת הגירוי למערכת הרכישה באמצעות MEG כבל סרט מחבר רב DB25 סטנדרטי (ראה טבלה 2 </stro> Ng לציוד דרוש כדי לבצע את הניסוי.). לחבר את המחשב למצגת גירוי PSYLAB העצמאי לפקח (SAM) באמצעות 8 סיביות למתאם בידוד 2 סיביות וכבל הסנכרון. הטרנזיסטור-טרנזיסטור ההיגיון (TTL) פולסים המשמשים לסימון מצגות הגירוי יכולים לגרום לחפצים בנתונים מג אם הם נשלחים לSAM. כדי להימנע מממצאים אלה, לסמן את תחילתה של הגירויים באמצעות רק את הביטים שנחסמו על ידי מתאם הבידוד. חבר את ממריץ ההלם (SHK1) לSAM באמצעות הכבל המסופק עם המכשיר. להעביר את הכבל המאריך מסוכך דרך מדריך הגל ולחבר אותו לממריץ ההלם. חבר את SAM למחשב שפועל תוכנת רכישת נתונים PSYLAB באמצעות כבל USB סטנדרטי. להתחבר בחיוג הסיבובי לרכישת מערכת MEG (BNC) מצגת גירוי המחשב (USB) ושימוש במפצל gameport-to-gameport/BNC ואת יציאת המשחק ל-USB להסתגלאה. להקליט שתי דקות של נתוני חיישן ללא הנושא בחדר. 4. התקנת ציוד לבדיקה MRI בסוויטה לחבר את המחשב למצגת גירוי SAM באמצעות כבל הסנכרון. חבר את ממריץ ההלם (SHK1) ומגבר מוליכות חשמלית של העור (SC5) לSAM באמצעות כבלים המסופקים עם המכשיר. להעביר את הכבלים המאריכים מסוככים לSCR והלם דרך מדריך הגל ולחבר אותם ליחידות שלהם. חבר את SAM למחשב שפועל תוכנת רכישת נתונים PSYLAB באמצעות כבל USB סטנדרטי. חבר את החוגה למחשב מצגת הגירוי באמצעות יציאת המשחק למתאם USB. 5. נושא התקנה להכשרה במג Suite (ראה איור 3) צרף אלקטרודות וחיישנים לנושא באמצעות סכמטית באיור 3 כמדריך. צרף אלקטרודות חד פעמית כדיeyeblinks לפקח מעל ומתחת לעין ימין של הנושא. צרף אלקטרודות חד פעמיים כדי לפקח על קצב לב לצד השמאל של הנושא ממש מתחת ללב וחזה מהימין, ממש מתחת לעצם הבריח. צרף אלקטרודה פנויה אחד כהתייחסות לחלק האחורי של כתפו השמאלית של הנושא. חבר את שתי האלקטרודות כוס לרגלו הימנית של נבדק על העצב הטיביאלי הימני מעל malleolus המדיאלי לנהל את ההלם. צרף 4 מיקום ראש חיווי (HPI) סלילים לנושא, אחד מעל כל עין ואחד מאחורי כל אוזן. ספרה את עמדתו של ראשו של הנושא ביחס לסלילי HPI באמצעות נקודות fiducial. שימוש במערכת Polhemus, מפת המיקום של nasion של הנושא, ושמאל וימין טרגי. יישר את עמדתו של הנושא הדיגיטלית הראש ביחס לנקודות fiducial, ולוודא כי הנקודות הן סימטריות. המפה הבאה העמדה של סלילי HPI של הנושא. לבסוף, ספרותize 50-100 נקודות לאורך קרקפתו של נבדק. ללוות את הנושא למערכת מג ולחבר את האלקטרודות וחיישנים לממשק המתאים. חבר את האלקטרודה הפנויה מוביל לתוך מגבר מערכת מג. לחבר את הרתמה חיווט HPI לתוך מערכת מג. חבר את האלקטרודה ההלם מוביל לכבל המאריך מסוכך. הרם את הכיסא כך שראשו של הנושא נוגע ללב שהחלק העליון של קסדת מג. מקם את המסך כך שהתמונה המוקרנת היא בפוקוס. 6. בדיקות הלם הגדר את ההלם לרמה שדיווחי הנושא ככואב, אבל נסבל. זרוע ממריץ ההלם על ידי הפיכת החיוג מmA 0 מיקום עמדת 5 mA. לנהל כמה מצגות של ההלם באמצעות חלון שליטת הגירוי מחבילת תוכנת רכישת נתונים PSYLAB. אחרי שיש לי כל מצגת שיעור נושא עוצמת הזעזוע עלסולם מ 0 (לא כואב בכלל) עד 10 (כואב אך נסבל). בהדרגה להגדיל את עוצמת ההלם עד הנושא מדרג אותו כ10. רשום את הערך מקנה המידה בתיבת ערך הפרמטר בחלון פרטי הנושא; זעזועים ינוהלו במהלך הניסוי בערך מצויינים בתיבה זו. 7. מכשיר תגובה הדריכו את הנושא על השימוש הנכון בחיוג באמצעות תרחיש מצגת ירושלים. הוראות:. "להזיז את הסמן כל הדרך לצד ימין (100), אם אתה בטוח לחלוטין שתקבל הצגה של הגירוי בעתיד הקרוב הזיזו את הסמן כל הדרך לשמאל (0) אם אתה בטוח כי אתה לא תקבל גירוי בעתיד הקרוב. העבר את הסמן לאמצע (50) אם אתה לא בטוח אם תקבל את הגירוי בעתיד הקרוב ". 8. מג השיא במהלך אימון Recorשתי דקות הממדיות של נתונים גולמיים ב2 קילוהרץ, ואילו בנושא מוטל על העיניים הפקוחות. לפני אימון יתחיל קודי הקלטת אירוע ומסירת הלם באמצעות תוכנת רכישת נתונים PSYLAB. הקפד שPSYLAB פועל קוד PCC הנכון, כך שהיא שולחת את ההלם כאשר מופעל על ידי המחשב. הקלט את הנתונים גולמיים ב2 קילוהרץ בכל אחת מריצות אימון ארבע. הקלט ממוצעים באינטרנט כדרך לבדוק את הנתונים באופן חזותי בזמן אמת למקורות שיטתיים של רעש. שאל את הנושא לדרג את עוצמת הזעזוע אחרי כל סיבוב כדי להעריך הרגלה. 9. נושא הגדרה לבדיקה MRI בסוויטה ללוות את הנושא מהחבילה מג לחבילת ה-MRI. חבר מחדש את האלקטרודות ההלם ולכייל מחדש את עוצמת הזעזוע. חבר את שתי האלקטרודות כוס לתחתית כף הרגל השמאלית של נבדק כדי לפקח על רכיבי SCR. ודא כי הנושא עדיין מבין כיצד להשתמש tהוא בתגובת מכשיר. מקם את הנושא על שולחן MRI, לאבטח את הראש שלהם, ולחבר את האלקטרודה SCR והלם מוביל לכבלים מסוככים המקבילים. מקם את המראה המחוברת לסליל הראש, כך שהמשתתף יכול לראות את המסך ממוקם מאחורי ראש הסליל. 10. fMRI השיא במהלך הבדיקה לאסוף תמונות אנטומיות ברזולוציה גבוהה (SPGR). תשובות תלויות ברמת חמצון בדם שיא במהלך פגישת הבדיקה באמצעות פרמטרים הדמיה סטנדרטיים (TR = 2 שניות; TE = 25 אלפיות שניות; fleld מבט = 24 ס"מ, זווית להעיף = 90 °). לאחר בדיקה יש את הנושא למלא שאלון ניסויי הודעה. באמצעות הדמיה מקור לשחזר אות ממבנים קורטיקליים. 11. ניתוח נתונים התנהגותיים וfMRI השתמש בתוחלת UCS כדי לקבוע אם נבדקים היו מסוגלים להבחין בין הגירויים. ממוצענתוני תוחלת UCS למרווח 900 אלפיות העקבות ותקופה שקדמה לי 900 אלפיות נקודת ההתחלה לכל ניסוי. לחסר הערך לתקופה הבסיסית מהערך עבור מרווח העקבות כדי לקבוע כיצד הנושא עבר החיוג לאחר הצגת הגירוי. לבצע סוג CS על ידי ניסוי ANOVA צעדים חזרו על פני נושאים. לנתח נתונים התנהגותיים וfMRI מפגישת בדיקות שימוש בתקנים שפורסמו בעבר 5,13-15. 12. נפח MRI preprocess השתמש Freesurfer 16 כדי ליצור נפח subcortical מפולח, ופני שטח של קליפת המוח, עור חיצוני, וגולגולת חיצונית. המרת כרכים ומשטחים לפורמט קריא AFNI. הפעל importsurfaces.csh – בפעם הראשונה שתפעיל את התכנית זה יהיה להעתיק את כל הקבצים שאתה צריך לתיקייה "המודל" חדש בתיקיית הפילוח של כל נושא ונושא. זה יהיה גם ליצור קובץ 'importsurface.mrml' שמשמש ליצירת הגליםמודלים אס האמיגדלה וההיפוקמפוס. ליצור ולהמיר את האמיגדלה וההיפוקמפוס כרכים למשטחים באמצעות Slicer3 וParaview. הפעל Slicer3 importsurface.mrml מספריית 'המודל' של הנושא. זה יהיה לטעון את המשטחים ונפחים ל3dslicer. ליצור מודלים של האמיגדלה וההיפוקמפוס, לשמור כמודלי {מבנה}. VTK. יבוא קבצים. VTK לparaview. הפעל לסנן "ליצור משטח נורמלי". יצוא משטח נורמלי לאיימי וHipp כ{ מבנה}. קבצים רובדי (ASCII). לייבא את המשטחים ונפח MRI לסיעור המוחין. הפעל importsurfaces.csh שוב – זה יהיה להמיר את המשטחים לקבצים הניתנים לקריאה על ידי MATLAB ויהיה להעתיק את כל מבנה {} tess_ קבצי מחצלת לתוך ספריית מסד הנתונים סיעור מוחות.. ודאו שיש לך כבר יצר את הנושא בסיעור המוחין לפני העתקת tess_ {מבנה}. קבצי מחצלת לבצע סיעור מוחות תיקייה (ראה שלב 14.1). Once אתה מקבל את המשטחים לסיעור המוחין כדי להיות בטוח כדי לרענן את הנתונים. עיוות נפח MRI לחלל סטנדרטי על ידי זיהוי הנקודות fiducial. באופן ידני ליישר שטח קרקפת עם MRI, ולאחר מכן להחיל את עיוות לכל משטחים האחרים. למזג את שני משטחי pial ולהפחית את המספר הכולל של עד 15,000 קודקודים. למזג את שני המשטחים בהיפוקמפוס ולהפחית את המספר הכולל של קודקודים ל -2,000. למזג את שני משטחי האמיגדלה ולהפחית את המספר הכולל של קודקודים ל -1,000. למזג את משטחי pial, היפוקמפוס, ובאמיגדלה. יצירת אזורים של עניין (גששים) לאמיגדלה והיפוקמפוס. 13. הקלטות preprocess מג באמצעות סיעור מוחות 11 צור נושא חדש במסד הנתונים סיעור מוחות. לייבא את קובץ הקלטת מג לכל אימון. הסר חפצים הנגרמים על ידי מקורות מחוץ לחדר המוגן מגנטי (MSR) באמצעות מרחב אותהפרדת 17. הסר את החפצים שנגרמו על ידי פעימות לב ותנועות עיניים תוך שימוש בתחזיות חלל אותות מאירועים שזוהו על electrocardiography (אק"ג) וelectrooculography (EOG) הערוצים. בדוק את הקלטות על מנת להבטיח כי סיעור מוחות זיהה נכון פעימת לב ואירועי eyeblinks. בדוק את הקלטות למקורות אפשריים אחרים של רעש. בדוק את הנתונים עוררו נוצרו מהממוצעים באינטרנט למקורות שיטתיים של חפץ. שים לב שאת פעימות TTL משמשות כדי לסמן את תחילתו של הגירויים יכולות לגרום לחפצים בהקלטות, אם נשלחו ליחידת SAM PSYLAB. שלח רק TTL פולסים דרושים כדי לנהל את היחידה להלם SAM ולבודד את היחידה מהקטניות שנותרו באמצעות 8 סיביות למתאם בידוד 2 סיביות. 14. לנתח את התגובות שעוררו באמצעות סיעור מוחות השתמש בערוץ האירוע לזהות תקופות (-200 אלפיות ל -900 אלפיות שני) מקבילהלכל אחד מניסויי המעבדה. מקד את הרישום באמצעות MRI נקודות בראש. חישוב שונה המשותפת רעש מהקלטות. חישוב מודל הראש באמצעות שיטת תחומים חופפת עם קליפה כקלט. לחשב מקורות בשיטת אומדן מינימום הנורמה 10. המשך ניתוח על מקורות. מקורות סינון להקה עובר לניסויים הרץ בודדים (1 עד 20 הרץ). קח את הערך המוחלט של המקורות המסוננים להקה עובר ולהמיר את הערכים האלה לz-ציונים המבוססים על השתנות תחילת המחקר. מרחבית להחליק את המקורות (Sigma = 5 מ"מ). מקורות ממוצעים על פני ניסויים. להקרין את הממוצעים על האנטומיה ברירת המחדל עבור הניסוי. לחשב מבחני t על המקורות ברחבי התנאים השונים. תוצאות משמעותיות סינון T-בדיקה באמצעות ספי מרחב ובזמן לתיקון שגיאות חכמה לכל משפחה. לזהות אזורים הופעלו באופן משמעותי ולייצא את מהלך הזמן של ACtivation לכל נושא. לחשב את שגיאת תקן הממוצעת של הממוצע על פני נושאים בכל נקודת זמן. 15. לבצע פירוקי זמן בתדר על החזר על ההשקעה באמצעות סיעור מוחות להקרין את הנתונים גולמיים מהמחקרים הבודדים על האנטומיה ברירת המחדל לצורך הניסוי. לזהות וליצור אזורים של עניין מניתוח או מהתגובה עוררה anatomo תפקודי השערות פריורי. לחשב פירוקי זמן בתדר של נתונים מאת החזר על השקעה עבור כל ניסוי באמצעות פרמטרים רגילים (תדר מרכזי = 1 הרץ; זמן רזולוציה [FWHM] = 3 שניות; טווח תדרים = 10:90 הרץ; רזולוציה תדר = 1 הרץ). המרת וכתוצאה מפות פירוק זמן לתדר z-ציונים. ממוצע במפות הנובעות על פני ניסויים לכל נושא. לבצע מבחני t במפות ברחבי התנאים השונים.
Representative Results
שימוש בשיטות שתוארה כאן, החקירות שלנו הובילו לשני ממצאים עיקריים: 1) זה אפשרי לתפעל את המודעות החזותיים CSS במהלך מיזוג עקבות, ועדיין להראות ראיות של למידה. 2) זה אפשרי לשחזר אותות MEG מהאמיגדלה באמצעות הדמיה * מקור. בסעיף 2, שתארנו כיצד לתפעל את המודעות של CSS ויזואלי עם מיסוך לאחור. כאשר נחשפו לגירוי רעול פנים שמוצג ל~ 30 אלפית שנייה, הנושאים הם בדרך כלל לא מודעים למצגת הגירוי 5,6,8 *. דרך אחת לוודא את ההצלחה של מניפולציה זו היא למדוד את יכולתם של הנבדקים לחזות את ההתרחשות של UCS. אם המניפולציה המיסוך היא מוצלחת, נושאים צריכים להיות מסוגלים לחזות את ההתרחשות של UCS בהתבסס על סוג CS (ראה איור 4) באופן מדויק. למרות העיתוי בסוג זה של אימון הופך אותו קשה למדידה באופן ישיר learning במהלך האימון. ניתן למדוד באופן עקיף למידה על ידי חשיפתם לפגישת בדיקות רכישה מחדש מסיכה שלאחר מכן עם גירויים חדשים וישנים 5 *. אם נושאים הם מסוגלים ללמוד על תלויות בשלב ההכשרה, הם צריכים להראות ההפרש גודל גדול יותר (CS +> CS-) SCRs לגירויים הישנים יחסית לגירויים החדשים. השפעה זו ניכר בקבוצה מסוננת כשאנחנו מסתכלים על בדיקת ניסויי שלב לאחר שהנבדקים כבר מחדש נחשפים למקרים CS-UCS (כלומר ניסויים 2-5; ראה איור 4). בסעיף 8, שתארנו כיצד להקליט MEG במהלך פגישת מיזוג עקבות רעול פנים. באמצעות הדמיה מקור לעבד הקלטות אלה, אפשר לשחזר אות מג ממבנים קורטיקליים כמו האמיגדלה 18 *. נושאים מוצגים בפני מסונן (N = 9) CSS להפגין תגובות האמיגדלה גדולות יותר (איור 5) וGAMתנודות מא (איור 6) מנושאים מוצגים בפני מסונן גבוה לעבור (N = 9). בנוסף לכך, נושאים אלה גם להראות תגובות גדולות יותר ברשת של אזורי עיבוד פנים כמו אזור הפנים העורפי (איור 7 ווידאו משלימה). איור 1. סכמטי המתארים אימון טיפוסי. ניסויים נוכחיים של 60 + CS ו60 ניסויים של CS-, על מנת פסוודו, כך שיש 4 בלוקים של 15 ניסויים כל אחד. להציג את ה-CSS ל30 אלפית שני, ומייד אחריו מסיכת 970 אלפיות שנייה שcoterminates עם ההלם UCS במדעי מחשב + ניסויים. איור 2. סכמטי depicting ציוד המשמש בניסוי מיזוג טיפוסי התקנה זו מאפשרת: 1.) גירויים חזותיים בהווה באמצעות תוכנת המצגת, 2) לנהל גירוי חשמלי דרך UCS חומרת Psylab (SAM), 3) תוחלת UCS שיא באמצעות ציר מכשיר (חיוג) מחובר למחשב המצגת, ו4) לסנכרן את מצגות הגירוי ותגובות בהקלטות מג באמצעות ממשק מערכת רכישת מג. איור 3. איור המראה את המיקום של כל אחד מהחיישנים והנקודות fiducial האמורים בסעיף 5. נקודות עם קווים מצורפים מתאימות לחיישנים והמוביל שכותרתו. החיצים כחולים מייצגים את הנקודות המשמשות fiducial לרשום את הקלטות מג עם הנפח האנטומי-MRI. נקודה סגולים מייצג נקודות קרקפת דיגיטציה משמשות כדי לחדד coregistration MEG-MRI נוסף. איור 4. תוצאות התנהגותיות ממחקר מיזוג טיפוסי. הגרף משמאל מראה תוחלת UCS על פני האימון, התמוטטו על פני קבוצות לא מסוננת ומסוננות. שים לב שנבדקי רמות דומות של תוחלת UCS מראים ל+ CS ו CS-פני 60 ניסויים, טוענים כי הליך המיסוך חסם את היכולת שלהם להבחין בין CSS (F (1,17) = 2.19, p = 0.16). הגרף מימין מראה את רכיבי SCR דיפרנציאלי במהלך פגישת הבדיקות. שים לב שהקבוצה מסוננת מסוננת, אבל לא נראית שמראה רכיבי SCR דיפרנציאלי גדולים יותר לגירויים ישנים מהגירויים חדשים (מסונן חדש / OLD X CS + / CS-אינטראקציה: F (1,7) = 5.94, p = 0.045; מסוננת X CS + / CS-אינטראקציה חדשה / ישן: F (1,7) = 1.13, p = 0.32), המצביעה על כך אימונים מוביל לרכישה מחדש טובה יותר של עמותות CS-UCS לנושאים אלה. (* P <0.05). איור 5. תוצאות מג מניסוי מיזוג טיפוסי. הדמות בצד השמאל מציגה את המודלים 3D של האמיגדלה (כתום), ההיפוקמפוס (ירוק), וקליפת המוח המשמש למודל מקורות אות מג. הגרף מימין מייצג את הפעילות מאשכול האמיגדלה דגם מאת הקלטות מג. הקו בהיר מייצג את הפעילות שמעוררת פרצופים לא מסונן, בעוד הקו בצבע הכהה מייצג את הפעילות שמעוררת פרצופים מסוננים. Veסעיפים מוצלים אפורים rtical מייצגים מרווחי זמן שבו פני מסוננים לעורר תגובות גדולות יותר באופן משמעותי מפרצופים מסוננים (F (1,17)> 3.44, p <0.05). לחצו כאן לצפייה בדמות גדולה. איור 6. תוצאות האמיגדלה זמן תדר מניסוי מיזוג טיפוסי. הדמות משמאל מראה את המודלים 3D של האמיגדלה (כתום), ההיפוקמפוס (ירוק), וקליפת המוח המשמש למודל מקורות אות מג. הגרף מימין מייצג את אות מג נרשמה מהאמיגדלה בחלוקה לפי זמן ותדר. צבעים חמים מייצגים אזורים בספקטרוגרף שמראים באופן משמעותי יותר כוח לunfiltereד פרצופים מאשר לפרצופים מסוננים. צבעים מגניבים מייצגים את ההפך. אזורים עם כיסוי הפסים מייצגים הבדלים משמעותיים על פני הקבוצות. לחצו כאן לצפייה בדמות גדולה. איור 7. איור מראה הפעלת אזור פנים העורפית בניסוי מיזוג טיפוסי. צבעים מייצגים את סדר הגודל של t-המבחן בדיפול המקביל מסונן> המסונן. צבעים חמים מייצגים תגובות גדולות יותר לפרצופים הלא מסוננים מאשר לפרצופים מסוננים. צבעים מגניבים לייצג תגובות גדולות יותר לפרצופים מסוננים מאשר לפרצופים לא מסונן. וידאו משלים. וידאו מראה תגובות בקליפת המוח בconditi טיפוסיoning ניסוי. צבעים מייצגים את סדר הגודל של t-המבחן בדיפול המקביל מסונן> המסונן. צבעים חמים מייצגים תגובות גדולות יותר לפרצופים הלא מסוננים מאשר לפרצופים מסוננים. צבעים מגניבים לייצג תגובות גדולות יותר לפרצופים מסוננים מאשר לפרצופים הלא מסוננים. לחצו כאן לצפייה בסרט משלים.
Discussion
במאמר זה נתאר את שיטות 1) כדי לתפעל את המודעות של הנבדקים של היעד CSS במהלך הפרדיגמה מיזוג פחד להשאיר עקבות. 2) ולשחזר אותות MEG בין האמיגדלה במהלך פחד מיזוג עקבות ללא מודעות. שימוש במתודולוגיות אלו, הצלחנו להראות מיזוג עקבות שללא מודעות אפשרית כאשר פני משמשים כדי לחזות UCS. תוצאה זו מצביעה על כך שפרצופים מקבלים עיבוד מיוחד גם כאשר מוצגים מתחת לסף הגילוי * תפיסתי. עולה בקנה אחד עם מסקנה זו מצאנו כי קשת רחבה פונה לעורר תגובות האמיגדלה חזקות ופרצי תנודות גמא במהלך הפסקת העקבות. תוצאה זו מצביעה על כך שהאמיגדלה היא מסוגלת לשמור על ייצוג של הפנים CS במהלך מרווח עקבות קצר.
למרות שמוצג יחד, ניתן להשתמש בשתי השיטות הללו באופן עצמאי גם כן. למשל אפשר להשתמש במיסוך לאחור כדי לתפעל יעד visibility בפרדיגמות אחרות שבם התנהגות עשויה להיות מושפעת על ידי רמזים רגשיים מעובד מתחת לרמה של מודעות מודעת 5,6,8 *. בנוסף, שימוש בגישת ההדמיה המקור שתואר כאן אפשר ליצור מודלים 3D של מבנים קורטיקליים אחרים, ויתכן שניתן יהיו לשחזר את האות ממבנים אלה במהלך משימות ספציפיות לאזור אחר. לדוגמה, על ידי שימוש בהדמית מקור לפעילות בהיפוקמפוס מודל, זה עשוי להיות אפשרי לשחזר אות מג ממקורות היפוקמפוס במהלך משימות כמו ניווט במרחב.
השיטות שתוארו כאן נועדו עם שני שערים במוח: 1) מודעות לבלוק של גירויי היעד, 2) ולמקסם את היכולת לזהות תגובות האמיגדלה מעורר גירוי באמצעות MEG. אילוצי עיצוב אלו הופכות אותו קשה למדידת הידע הסמוי של הנבדקים מהגירוי התלויות. לדוגמה, רכיבי SCR לפתור במשך כמה שניות 5,13, עם זאת, CSS מוצגים רקל~ 30 אלפיות שנייה במהלך אימון, וההלם מוצגים זמן קצר לאחר (~ 900 אלפיות השנייה). בהתחשב באילוצי הזמן הללו, ביטוי CR יהיה מבולבל על ידי ביטוי באופן בלתי נמנע UCR במהלך אימון. בגלל colinearity זה, יש צורך לבחון את הידע של הנבדקים של תלויות הגירוי באמצעות פגישת בדיקות מסיכה שלאחר מכן. עם זאת פגישת בדיקות בסופו של הניסוי אינה אופטימלית, כי רכיבי SCR נוטים להרגיל במהלך הניסוי 1. בהתחשב במספר הניסויים הדרושים כדי להראות תגובות עוררו אמינות עם מג, התרגלות SCR זו תקטין במידה ניכרת את כוחו כדי לזהות השפעת התנהגות של אימונים. מחקרים עתידיים צריכים להתמקד במציאת דרכים טובות יותר ללמידה סמויה מדד במיזוג עם פחד רעול פנים CSS. זה יכול להיעשות גם על ידי מציאת חלופת מדד פחד במהלך האימונים (כלומר הרחבת אישון 19,20) או למצוא מידה של פחד רגיש יותר שיכול להיות Administered לאחר האימון.
Divulgations
The authors have nothing to disclose.
Acknowledgements
מחקר זה נתמך על ידי המכון הלאומי לבריאות נפש (MH060668 וMH069558).
Materials
| Software | |||
| Matlab | Mathworks | mathworks.com/products/matlab | |
| Presentation | Neurobehavioral Systems | neurobs.com | |
| Psylab | Contact Precision Instruments | psychlab.com | |
| AFNI | NIMH – Scientific and Statistical Computing Core | afni.nimh.nih.gov/afni | |
| Freesurfer | Martinos Center for Biomedical Imaging | surfer.nmr.mgh.harvard.edu/fswiki | |
| MNE | Martinos Center for Biomedical Imaging | nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php | |
| Brainstorm | open-source collaboration | neuroimage.usc.edu/brainstorm | |
| 3d Slicer | open-source collaboration | slicer.org | |
| Paraview | Kitware | paraview.org | |
| Table 1. Software used Software used. | |||
| Equipment | |||
| Physiological Monitoring System | |||
| Psylab stand alone monitor (x2) | Contact Precision Instruments | SAM | |
| Skin conductance amplifier | Contact Precision Instruments | SC5 | |
| Shock stimulator (x2) | Contact Precision Instruments | SHK1 | |
| Additional Components | |||
| 8-bit synchronization cable (x2) | Contact Precision Instruments | Included with SAM | |
| 8-bit to 2-bit isolation adapter | N/A | Custom | |
| DB25 ribbon cable (x2) | N/A | Standard | |
| Shielded extension cable (x3) | Contact Precision Instruments | CL41 | |
| Radiotranslucent cup electrodes for SCR and shock (x6) | Biopac | EL258-RT | |
| Signa Gel | Parker Laboratories | 15-250 | |
| Response Device | |||
| Rotary dial with gameport connector (x2) | N/A | Custom | |
| Gameport-to-gameport/BNC splitter | N/A | Custom | |
| BNC cable | N/A | Standard | |
| Gameport-to-USB adapter (x2) | Rockfire | RM203U | |
| Additional Components for MEG Setup | |||
| HPI coils and wiring harness | N/A | Custom | |
| HPI positioning system | Inition | Polhemus Isotrak | |
| Table 2. Equipment used. |
References
- Knight, D. C., Cheng, D. T., Smith, C. N., Stein, E. A., Helmstetter, F. J. Neural substrates mediating human delay and trace fear conditioning. Journal of Neuroscience. 24, 218-228 (2004).
- Knight, D. C., Nguyen, H. T., Bandettini, P. A. The role of awareness in delay and trace fear conditioning in humans. Cognitive, Affective, & Behavioral Neuroscience. 6, 157-162 (2006).
- Manns, J. R., Clark, R. E., Squire, L. R. Parallel acquisition of awareness and trace eyeblink classical conditioning. Learning & Memory. 7, 267-272 (2000).
- Weike, A. I. I., Schupp, H. T. T., Hamm, A. O. Fear acquisition requires awareness in trace but not delay conditioning. Psychophysiology. 44, 170-180 (2007).
- Balderston, N. L., Helmstetter, F. J. Conditioning with masked stimuli affects the timecourse of skin conductance responses. Behavioral Neuroscience. 124, 478-489 (2010).
- Flykt, A., Esteves, F., Öhman, A., Ohman, A. Skin conductance responses to masked conditioned stimuli: phylogenetic/ontogenetic factors versus direction of threat. Biological Psychology. 74, 328-336 (2007).
- Öhman, A., Carlsson, K., Lundqvist, D., Ingvar, M. On the unconscious subcortical origin of human fear. Physiology & Behavior. 92, 180-185 (2007).
- Whalen, P. J., et al. Masked presentations of emotional facial expressions modulate amygdala activity without explicit knowledge. Journal of Neuroscience. 18, 411 (1998).
- Huang, M. X., Mosher, J. C., Leahy, R. M. A sensor-weighted overlapping-sphere head model and exhaustive head model comparison for MEG. Physics in Medicine and Biology. 44, 423-440 (1999).
- Hämäläinen, M. S., Ilmoniemi, R. J. Interpreting magnetic fields of the brain: minimum norm estimates. Medical & Biological Engineering & Computing. 32, 35-42 (1994).
- Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience. 2011, 879716-87 (2011).
- Rotshtein, P., Vuilleumier, P., Winston, J., Driver, J., Dolan, R. J. Distinct and convergent visual processing of high and low spatial frequency information in faces. Cerebral Cortex. 17, 2713-2724 (2007).
- Cheng, D. T., Richards, J., Helmstetter, F. J. Activity in the human amygdala corresponds to early, rather than late period autonomic responses to a signal for shock. Learning & Memory. 14, 485-490 (2007).
- Knight, D. C., Smith, C. N., Stein, E. A., Helmstetter, F. J. Functional MRI of human Pavlovian fear conditioning: patterns of activation as a function of learning. Neuroreport. 10, 3665-3670 (1999).
- Schultz, D. H., Helmstetter, F. J. Classical conditioning of autonomic fear responses is independent of contingency awareness. Journal of Experimental Psychology Animal Behavior Processes. 36, 495-500 (2010).
- Fischl, B., et al. Sequence-independent segmentation of magnetic resonance images. NeuroImage. 23, 69-84 (2004).
- Taulu, S., Kajola, M., Simola, J. Suppression of interference and artifacts by the Signal Space Separation Method. Brain Topography. 16, 269-275 (2004).
- Dumas, T., et al. MEG study of amygdala responses during the perception of emotional faces and gaze. , (2010).
- Reinhard, G., Lachnit, H., König, S. Tracking stimulus processing in Pavlovian pupillary conditioning. Psychophysiology. 43, 73-83 (2006).
- Reinhard, G., Lachnit, H. Differential conditioning of anticipatory pupillary dilation responses in humans. Biological Psychology. 60, 51-68 (2002).
Citer Cet Article
Balderston, N. L., Schultz, D. H., Baillet, S., Helmstetter, F. J. How to Detect Amygdala Activity with Magnetoencephalography using Source Imaging. J. Vis. Exp. (76), e50212, doi:10.3791/50212 (2013).