원본 이미지를 사용하여 인 자기와 편도체의 활동을 감지하는 방법
Summary
이 문서에서는 인 자기 (MEG)와 편도체의 활동을 기록하는 방법에 대해 설명합니다. 또한이 문서 인식없이 추적 공포, 에어컨, 편도체를 활성화하는 작업을 수행하는 방법에 대해 설명합니다. 인식을 조작하는 마스킹 이전 버전을 사용하여 추적 에어컨 패러다임을 설계 1) : 그것은 3 개의 주제를 다룰 것이다. 자기 뇌파를 사용하여 작업하는 동안 2) 기록 두뇌 활동. 3) 피질 하 구조에서 신호를 복구 할 소스 이미지를 사용하여.
Abstract
추적 공포 조절에 조건 자극 (CS)는 짧은 자극 무료 기간 (추적 간격) 1 일 이후에 제시 무조건 자극 (UCS)의 발생을 예측합니다. CS와 UCS가 일시적으로 공동 발생하지 않기 때문에, 피사체 추적 간격 동안 그 CS의 표현을 유지해야합니다. 인간의 학습이 유형의 추적 간격 2-4를 해소하기 위해 자극 사태에 대한 인식이 필요합니다. 얼굴이 CS로 사용하지만 경우, 대상은 암시 적으로도 명시 적으로 인식 *의 부재에 얼굴을 두려워 배울 수 있습니다. 이 짧은 추적 기간 동안 "생물학 관련"자극의 특정 유형을 유지할 수있는 추가적인 신경 메커니즘이있을 수 있다는 것을 시사한다. 편도선이 추적 조절에 관여하고, 얼굴에 민감한 것을 감안할 때,이 구조가 간단한 추적 간격 동안 얼굴 CS의 표현을 유지할 수있는 가능성이 있습니다.
<p clas들 = "jove_content"> 이것은 두 자극이 시간에 분리되어 있더라도 뇌, 혐오 결과에 눈치 채이지 않은 얼굴을 연결할 수있는 방법을 이해하기 위해 도전합니다. 또한이 현상의 조사는 두 가지 특정 문제가 어렵게된다. 첫째, 시각적 자극 주체의 인식을 조작하기가 어렵습니다. 시각적 인식을 조작하는 한 가지 일반적인 방법은 역방향 마스킹을 사용하는 것입니다. 역방향 마스킹, 목표 자극 중복 마스킹 자극 5의 프리젠 테이션으로 간단히 제시 (<30 밀리 초)과 바로 뒤에 있습니다. 마스크의 프리젠 테이션은 6-8 보이지 않는 대상을 렌더링합니다. 둘째, 마스킹 어려운 여러 가지 일반적인 방법을 사용하여 마스크 자극에 의해 유발 신경 반응을 조사하고 매우 신속하고 정확한 타이밍이 필요합니다. 혈액 산소 수준에 따라 (BOLD) 응답 electroen 같은 척도도 방법론 이러한 유형의 느린 실시간으로 기록하는 기술로 해결cephalography (EEG)와 인 자기가 (MEG) 딥 소스에서 신호를 복구하는 어려움이있다.그러나 MEG 신호 9-11의 신경 소스를 지역화하는 데 사용되는 방법의 최근 발전이 있었다. 주제의 두뇌의 고해상도 MRI 영상을 수집함으로써, 개별 신경 해부학에 따라 소스 모델을 만들 수 있습니다. MEG 신호의 소스를 "이미지"에이 모델을 사용하면, 그것은 편도체와 해마 *처럼, 깊은 피질 구조에서 신호를 복구 할 수 있습니다.
Protocol
인식을 차단하는 마스킹 이전 버전을 사용하여 추적 에어컨 패러다임을 설계 1. 디자인 자극 두 그룹에 대한 자극을 디자인합니다. 다른 개인으로부터 4 중립 식을 선택합니다. 각면의 눈 영역이 동일한 위치에 있도록 얼굴을 맞 춥니 다. 머리, 귀, 및 기타 주변 기능은 더 이상 볼 수 있도록 타원형을 사용하여 얼굴 자르기. 도 12 당 5 회 미만이다 모든 정보를 제거하여, 하이 패스 필터 이미지를 만들 수 매트랩 신호 처리 도구 상자 (실험을 실행하는 데 필요한 소프트웨어를 표 1 참조). 함께 여러 중립 식을 병합하고, 이미지에 높은 공간 주파수의 노이즈를 추가하여 마스크를 만들 수 있습니다. 그들이 동일한 휘도를 가지고 있도록 모든 이미지를 정상화. 2. 프레 젠 테이션을 사용하여 프로그램의 실험 매개 변수를 사용하여 프레젠테이션 프로그램 교육 및 테스트 단계 (그림 1 참조) 아래에 설명. 또한, 프로그램이 발표에 의해 트리거 충격을 전달하기 위해, 교육 및 테스트 기간 동안 PSYLAB 데이터 수집 소프트웨어 패키지에 의해 사용되는 별도의 파일 (PCC). 훈련 프로그램 블록 당 CS 당 15 시험과 차동 트레이스 공포 컨디셔닝의 4 블록. 각 시험에 30 밀리 초에 대한 CSS를 제시한다. 각 시험에서 970 밀리 초에 대한 마스크를 제시한다. 각 CS + 재판이 마스크 coterminates, 그래서 100 밀리 초에 대한 충격 UCS를 제시한다. 그것은 무작위로 1 4 사분면에 나타나도록 CS / 마스크 조합의 위치를 다릅니다. 변수 intertrial 간격을 사용하여 1 재판 매 6 ± 2 초를 제시한다. 각면 CS, 5 시험 두 가지 새로운 얼굴 CSS를 각각 5 시험에 재 취득의 테스트 세션 프로그램 1 블록. </리> 시험 시험 동안 피부 전도 반응 (개수 SCR)을 기록 할 수있는 능력을 극대화하기 위해 8 초 동안 CS를 제시한다. 각 CS + 재판은 CS의 +와 coterminates, 그래서 100 밀리 초에 대한 충격 UCS를 제시한다. 변수 intertrial 간격을 사용하여 1 시험마다 20 ± 4 초를 제시한다. 두 세션 동안 UCS 기대를보고 주제를 지시하고, MRI / MEG 호환 축 장치를 사용하여 응답 기록 (조이스틱, 슬라이더, 다이얼, 제 7 장을 참조하십시오.) 참가자의 하단에 부착 된 전극을 사용하여 테스트 세션 동안 기록 개수 SCR은 (9 절 참조) 다리를 떠났다. 자기 뇌파를 사용하여 작업하는 동안 두뇌 활동을 기록 3. MEG 스위트 (그림 2 참조)에서 훈련을위한 장비를 설치. (표 2 참조 표준 DB25 멀티 커넥터 리본 케이블을 사용하여 MEG 수집 시스템을 자극 프레 젠 테이션 컴퓨터를 연결 </stro실험.) 수행하는 데 필요한 장비에 대한 겨>. 2 비트 절연 어댑터와 동기화 케이블에 8 비트를 사용하여 PSYLAB 독립형 모니터 (SAM)에 자극 프레 젠 테이션 컴퓨터를 연결합니다. 그들은 SAM에 전송하는 경우 자극 프레 젠 테이션을 표시하는 데 사용되는 트랜지스터 트랜지스터 논리 (TTL) 펄스는 MEG 데이터의 아티팩트가 발생할 수 있습니다. 이러한 아티팩트를 방지하기 위해 절연 어댑터에 의해 차단 만 비트를 사용하여 자극의 발병을 표시합니다. 장치와 함께 제공된 케이블을 사용하여 SAM에 충격 자극기 (SHK1)를 연결합니다. 웨이브 가이드를 통해 차폐 연장 케이블을 통과하고 충격 자극기에 연결합니다. 표준 USB 케이블을 사용하여 PSYLAB 데이터 수집 소프트웨어를 실행하는 컴퓨터에 SAM을 연결합니다. gameport-to-gameport/BNC 스플리터와 게임 포트 – 투 – USB 적응을 사용하여 자극 프레 젠 테이션 컴퓨터 (USB)와 MEG 수집 시스템 (BNC)에 회전 다이얼을 연결하는어. 방에있는 피사체없이 센서 데이터의 2 분 기록합니다. 4. MRI 스위트의 테스트를위한 설치 장비 동기화 케이블을 사용하여 SAM에 자극 프레 젠 테이션 컴퓨터를 연결합니다. 장치와 함께 제공된 케이블을 사용하여 SAM에 충격 자극기 (SHK1)과 피부 전도 증폭기 (SC5)를 연결합니다. 웨이브 가이드를 통해 차폐 확장 SCR을위한 케이블과 충격을 전달하고 해당 장치에 연결합니다. 표준 USB 케이블을 사용하여 PSYLAB 데이터 수집 소프트웨어를 실행하는 컴퓨터에 SAM을 연결합니다. USB 어댑터에 게임 포트를 사용하여 자극 프레 젠 테이션 컴퓨터에 회전식 다이얼을 연결합니다. 5. MEG 스위트 룸에서 교육의 설치 주체 (그림 3 참조) 가이드로 그림 3의 회로도를 사용하여 주제에 전극과 센서를 연결합니다. 에 일회용 전극을 부착피사체의 오른쪽 눈 위 아래 모니터 eyeblinks. 그냥 마음 아래 제목의 왼쪽으로 그냥 쇄골 아래 오른쪽 가슴에 심장 박동을 모니터링하는 일회용 전극을 연결합니다. 피사체의 왼쪽 어깨의 뒤쪽에 참조로 한 일회용 전극을 연결합니다. 충격을 관리하는 내측 복사뼈 위의 오른쪽 경골 신경을 통해 피사체의 오른쪽 다리에 두 개의 컵 전극을 연결합니다. 주제 4 헤드 위치 표시기 (HPI) 코일, 각 눈 위에 한 각 귀 뒤에 하나를 연결합니다. 디지털화 기준점을 사용하여 HPI 코일을 기준으로 피사체의 머리의 위치를 변경합니다. 지도 피사체의 nasion의 위치, 왼쪽과 오른쪽 비극적는 시킴으로서 시스템을 사용. 포인트가 대칭인지 확인하고 기준점을 기준으로 피사체의 디지털 헤드 위치를 맞 춥니 다. 다음지도 피사체의 HPI 코일의 위치를 변경합니다. 마지막으로, 숫자피사체의 두피에 따라 50 ~ 100 점을 ize는. MEG 시스템에 주제를 호위하고 해당 인터페이스에 전극과 센서를 연결합니다. 일회용 전극 플러그 MEG 시스템 앰프에 연결됩니다. MEG 시스템에 HPI 배선 하네스를 연결합니다. 충격 전극 플러그 차폐 된 연장 케이블에 연결됩니다. 피사체의 머리 MEG 헬멧의 상단에 닿지 않도록 의자를 올립니다. 영사 이미지의 초점이되도록 화면을 배치합니다. 6. 충격 정밀 검사 수준으로 충격을 설정하는 것이 고통 만 허용 등의 주제보고합니다. 0mA 위치 5mA 위치에서 다이얼을 돌려 팔 충격 자극합니다. PSYLAB 데이터 수집 소프트웨어 패키지에서 자극 제어 창을 사용하여 충격의 몇 가지 프레 젠 테이션을 관리 할 수 있습니다. 각 프레 젠 테이션 주제께서는에 충격의 강도를 한 후에0 (모든 고통에서) ~ 10 (고통 만 허용)로 확장. 피사체가 10로 호텔로써 때까지 점차적으로 충격의 강도를 높일 수 있습니다. 주제 세부 정보 창에서 매개 변수 값 상자에 스케일 값을 기록, 충격이 상자에 표시된 값에서 실험 기간 동안 실시됩니다. 7. 응답 장치 예를 들어 프리젠 테이션 시나리오를 사용하여 다이얼의 적절한 사용에 대한 주제를 지시합니다. . 지침 : 당신이 가까운 장래에 자극 프레 젠 테이션을 받게됩니다 절대적으로 확신하는 경우 당신이 확신하는 경우 "커서에게 올바른 (100) 모든 방법을 이동하면 커서를 왼쪽으로 끝까지 (0)로 이동 하는 당신은 가까운 장래에 자극을받을 수 없습니다. 당신이 가까운 장래에 자극을받을 수 있는지 여부를 알 수없는 경우 중간에 (50)로 커서를 이동합니다. " 8. 훈련 기간 동안 기록 MEG 기록 병2 kHz에서 원시 데이터의 D 2 분, 피사체가 열린 눈으로 달려있는 동안. 사전 교육 PSYLAB 데이터 수집 소프트웨어를 사용하여 기록 이벤트 코드 및 충격 전달을 시작합니다. 컴퓨터에서 발생 때 충격을 보낼 수 있도록 PSYLAB가 적절한 PCC 코드를 실행하고 있는지 확인합니다. 개의 교육 실행 각시 2 kHz에서 원시 데이터를 기록합니다. 시각적 노이즈를 체계적으로 소스에 대한 실시간 데이터를 검사하는 방법으로 온라인 평균을 기록한다. 습관화를 평가하기 위해 각 실행 후 충격의 강도를 평가하기 위해 피사체를 부탁드립니다. 9. MRI 스위트의 테스트를위한 설정 제목 MEG 제품군에서 MRI 제품군에 제목을 호위. 충격 전극을 다시 연결하고 충격의 강도를 보정. 개수 SCR을 모니터링하는 대상의 왼쪽 발 아래에 두 개의 컵 전극을 연결합니다. 주제는 여전히 t를 사용하는 방법을 이해하고 있는지 확인그는 응답 장치입니다. MRI 테이블에 피사체를 놓고, 그들의 머리를 보호하고, SCR과 충격 전극 해당 차폐 케이블로 연결을 연결합니다. 참가자가 머리 코일 뒤에 배치 화면을 볼 수 있도록 머리 코일에 부착 된 거울을 배치합니다. 10. 테스트 중에 기록 fMRI를 고해상도 해부 영상 (SPGR)를 수집합니다. 표준 이미지 매개 변수를 사용하여 테스트 세션 동안 기록 혈액 산소 수준에 따라 응답 (TR = 2 초, TE = 25 밀리 초;보기 = 24cm의 fleld, 플립 각도 = 90 °). 테스트 후에 피사체가 포스트 실험 설문지를 작성했다. 피질 하 구조에서 신호를 복구 할 소스 이미지를 사용하여. 11. 행동과 fMRI를 데이터 분석 과목 자극을 구별 할 수 있었다 여부를 결정 UCS 기대를 사용합니다. 평균UCS 기대의 각 시험에 대한 900 밀리 초 트레이스 간격과 이전 900 밀리 초 기준 기간에 대한 데이터입니다. 피사체가 자극 프레 젠 테이션 후 다이얼을 이동하는 방법을 결정하는 추적 간격에 대한 값에서 기준선 기간에 대한 값을 뺍니다. 과목에 걸쳐 시험 반복 측정 ANOVA에 의해 CS 유형을 수행합니다. 이전에 발행 된 표준에게 5,13-15를 사용하여 테스트 세션에서 행동과 fMRI를 데이터를 분석합니다. 12. 전처리 MRI 볼륨 세그먼트 피질 볼륨을 생성하고, 피질, 외부 피부와 외부 두개골의 표면에 Freesurfer 16을 사용합니다. AFNI 읽을 수있는 형식으로 볼륨과 표면을 변환합니다. importsurfaces.csh 실행 – 당신은 당신이 각 과목의 세분화 폴더에 새로운 '모델'폴더에 필요한 모든 파일을 복사합니다 프로그램을 처음 실행할 때. 또한 서핑을 만드는 데 사용되는 'importsurface.mrml'파일을 생성합니다편도체와 해마의 에이스 모델. Slicer3 및 Paraview를 사용하여 표면에 편도체와 해마의 볼륨을 생성하고 변환합니다. 제목의 '모델'디렉토리에서 Slicer3 importsurface.mrml를 실행합니다. 이 3dslicer로 표면과 볼륨을로드합니다. 편도체와 해마의 모델을 생성, {구조물}. VTK로 모델을 저장합니다. 가져 오기. VTK 파일 paraview에. 필터링 실행 "표면 법선을 생성합니다." {구조물}. 플라이 (ASCII) 파일로 에이미와 HIPP에 대한 표면 법선을 보냅니다. 브레인 스토밍으로 표면과 MRI 볼륨을 가져옵니다. 다시 importsurfaces.csh 실행 – 이것은 MATLAB에서 읽을 수 tess_ {구조물} 모두 복사되는 파일로 표면을 변환 매트 파일을 데이터베이스 디렉토리 브레인 스토밍에가.. 이미 tess_ {구조를} 복사하기 전에 브레인 스토밍의 주제를 만들 었는지 확인합니다. (단계 14.1 참조) 폴더를 브레인 스토밍 매트 파일. O데이터베이스를 새로해야 브레인 스토밍으로 표면을 얻을 후부. 기준점을 식별하여 표준 공간으로 MRI 볼륨을 워프. 수동으로 MRI와 두피 표면에 놓고, 다른 모든 표면에 날실을 적용합니다. 두 pial 표면을 병합 15,000 정점의 총 개수를 줄일 수 있습니다. 두 개의 해마 표면을 병합 2,000 정점의 총 개수를 줄일 수 있습니다. 두 편도 표면을 병합 1,000 정점의 총 개수를 줄일 수 있습니다. , pial 해마와 편도의 표면을 병합합니다. 편도체와 해마에 대한 관심 지역 (스카우트)를 만듭니다. 13. 브레인 스토밍 11을 사용하여 전처리 MEG 레코딩 브레인 스토밍 데이터베이스에 새 대상을 만듭니다. 각 교육 세션 MEG 녹음 파일을 가져옵니다. 신호 공간을 사용하여 자기 차폐 실 (MSR) 외부 소스로 인한 아티팩트를 제거분리 17. 심전도 (ECG)와 electrooculography (EOG) 채널에서 식별 된 이벤트에서 신호 공간 계획을 사용하여 심장 박동 및 눈의 움직임에 의한 인공물을 제거합니다. 올바르게 식별 심장 박동 및 eyeblinks 이벤트를 브레인 스토밍되도록하여 기록을 검사합니다. 소음의 다른 가능한 소스의 녹음을 검사합니다. 유물의 체계적인 소스에 대한 온라인 평균에서 생성 유발 된 데이터를 검사합니다. PSYLAB SAM 장치로 전송하면 자극의 발병을 표시하는 데 사용되는 TTL 펄스가 녹음에 아티팩트가 발생할 수 있습니다. TTL 펄스 SAM 장치에 충격을 관리하고 2 비트 절연 어댑터에 8 비트를 사용하여 나머지 펄스에서 장치를 분리하기 위해 필요한 경우에만 보낸다. 14. 브레인 스토밍을 사용하여 유발 응답 분석 해당 신기원을 (900 밀리 초 -200 밀리 초)을 식별하는 이벤트 채널을 사용실험 시험의 각. 머리에 포인트를 사용하여 MRI 등록 결과를 좁힐 수 있습니다. 레코딩에서 노이즈 공분산을 계산합니다. 입력으로 피질과 겹치는 분야 메소드를 사용하여 머리 모델을 계산합니다. 최소 규범 추정 방법 10을 사용하여 소스를 계산합니다. 소스에 대한 분석을 계속합니다. 개별 시험을위한 대역 통과 필터 소스 (1 Hz에서 20 Hz에서). 대역 통과 필터 소스의 절대 값을 가지고 기준 변화에 따라 Z-점수에 해당 값을 변환합니다. 공간적 소스 (시그마 = 5mm)를 반반하게한다. 실험을 통해 평균 소스. 실험의 기본 해부학에 평균을 전망이다. 다른 조건을 통해 소스에 t-테스트를 계산합니다. 가족 현명한 오차를 보정하기 위해 공간과 시간 임계 값을 사용하여 필터링 중요한 t-검정 결과. 크게 활성화 영역을 식별하고 교류의 시간 경과를 내보낼각 주제에 대해 tivation. 각 시점에서 주제에 걸쳐 평균의 평균과 표준 오차를 계산합니다. 15. ROI는 브레인 스토밍을 사용하는 방법에 대한 시간 – 주파수 분해에을 수행 실험의 기본 해부학 상 각 실험에서 원시 데이터를 전망이다. 식별 및 유발 반응의 분석이나 anatomo 기능 선험적 가설에서 관심 영역을 만들 수 있습니다. 표준 매개 변수를 사용하여 각 시험에 대한 투자 수익 (ROI)에서 데이터의 시간 – 주파수 분해를 계산 (중심 주파수 = 1 Hz에서, 시간 해상도 [FWHM] = 3 초, 주파수 범위 = 10:90 Hz에서 주파수 분해능 = 1 Hz에서). Z-점수를 시간 – 주파수 분해지도를 결과로 변환합니다. 평균 각 과목에 대한 시험을 통해 결과 매핑됩니다. 다른 조건을 통해지도에 t-테스트를 수행합니다.
Representative Results
그것은 추적 조절하는 동안 시각적 CSS를 인식을 조작 할 수있다 1), 아직도 학습의 증거를 보여 방법을 사용하여 여기에 설명 된 우리의 연구는 두 가지 연구 결과에지도했다. 2) 소스 이미지 *를 사용하여 편도체에서 MEG 신호를 복구 할 수 있습니다. 2 장에서는, 우리는 뒤로 마스킹 시각적 CSS를 인식을 조작하는 방법을 설명합니다. ~ 30 밀리 초 동안 표시됩니다 마스크 자극에 노출되었을 때, 주제는 일반적으로 자극 프레 젠 테이션 5,6,8으로 인식합니다. 이 조작의 성공을 확인하는 한 가지 방법은 UCS의 발생을 예측하는 피험자의 능력을 측정하는 것입니다. 마스킹 조작이 성공하면 대상은 정확하게 CS 유형 (그림 4 참조)에 따라 UCS의 발생을 예측할 수 있어야한다. 이 유형의 훈련의 타이밍이 어려운 직접 르를 측정 할 수 있지만,교육 세션 ※ 경고. 그것은 간접적으로 신규 및 기존 자극과 후속 마스킹 재 취득 테스트 세션에 5 *를 노출하여 학습을 측정 할 수 있습니다. 과목 교육 단계에서 우발에 대해 배울 수 있다면, 그들은 더 큰 크기 차이를 보여 주어야한다 (CS +> CS-) 새로운 자극을 기준으로 이전 자극에 개수 SCR. 우리가 주체가 CS-UCS 우발 (; 그림 4 참조 즉, 시험 2-5)에 다시 노출 된 후 상 시험을 시험을 볼 때이 효과는 필터링되지 않은 그룹에 분명하다. 제 8 항에, 우리는 마스크 추적 에어컨 세션 동안 MEG를 기록하는 방법을 설명합니다. 이러한 기록을 처리하는 소스 이미지를 사용하여, 그것은 편도 18 * 같은 피질 하 구조에서 MEG 신호를 복구 할 수 있습니다. 주제는 필터링되지 않은 얼굴 표시합니다 (N = 9) CSS는 큰 편도체의 반응 (그림 5)와 할머니 전시하이 패스 필터면 (N은 = 9)와 같이 피사체보다 엄마 진동 (그림 6). 또한,이 과목은 후두 얼굴 영역 (그림 7 및 보충 비디오)와 같은 얼굴 처리 영역 네트워크에서의 큰 반응을 보여줍니다. 그림 1. 도식은 일반적인 교육 세션을 묘사. 현재 CS의 + 60 시련과 60 시험은 CS-, 의사 난수 순서 15 시험 각 4 블록이 있는지 등. 즉시 CS + 시험에 충격을 UCS로 coterminates 970 밀리 초 마스크 뒤에, 30 밀리 초에 대한 CSS를 제시한다. 그림 2. 도식 depicti일반적인 컨디셔닝 실험에 사용 된 NG는 장비이 설정이 가능에 있습니다 : 1.) 프리젠 테이션 소프트웨어, 2)를 통해 현재의 시각적 자극이 기록 UCS 기대 Psylab 하드웨어 (SAM), 3)을 통해 전기 자극 UCS를 관리 축을 사용하여 장치 (다이얼) 프레젠테이션 컴퓨터에 연결, 4) MEG 수집 시스템 인터페이스를 통해 MEG 녹음에 자극 프레 젠 테이션 및 응답을 동기화 할 수 있습니다. 그림 3. 5 절에 설명 된 센서와 기준점의 각각의 위치를 보여주는 그림. 첨부 선 점은 표시된 센서와 리드에 해당합니다. 파란색 화살표는 MRI 해부학 볼륨 MEG 녹음을 등록하는 데 사용되는 기준점을 나타냅니다. 보라색 점의 더 MEG-MRI의 coregistration을 수정하는 데 사용되는 디지털 두피 점을 나타냅니다. 그림 4. 일반적인 조절 연구에서 행동의 결과. 왼쪽의 그래프는 훈련을 통해 UCS 기대를 보여주고는 필터링되지 않은 및 필터 그룹 전체 붕괴. 주제 마스킹 절차에 CSS (P = 0.16 F (1,17) = 2.19) 사이에 구별 할 수있는 능력을 차단하는 제안, CS + 및 CS-걸쳐 60 시험에 대한 UCS 기대 비슷한 수준을 보여주는 것을 알 수 있습니다. 오른쪽 그래프는 테스트 세션 동안 차동 개수 SCR을 보여줍니다. 필터링되지 않은,하지만 필터링 된 그룹은 새로운 자극 (필터링되지 않은보다 오래된 자극에 큰 차이 개수 SCR을 보여주는 것 같다 통지 새 / OLD X CS + / CS 상호 작용 : F (1,7) = 5.94, p = 0.045; 필터링 올드 / 뉴 X CS + / CS 상호 작용 : F (1,7) = 1.13, p = 0.32), 제안하는 교육 이 주제에 대한 CS-UCS 협회의 더 나은 재 취득에 이르게한다. (* p <0.05). 그림 5. 일반적인 컨디셔닝 실험에서 MEG 결과. 왼쪽에있는 그림은 편도체 (오렌지), 해마 (녹색) 및 MEG 신호의 소스를 모델링하는 데 사용되는 대뇌 피질의 3 차원 모델을 보여줍니다. 오른쪽 그래프는 MEG 녹음에서 모델링 편도 클러스터에서 활동을 나타냅니다. 어두운 색의 선이 필터면에 의해 유발 활동을 나타내는 동안 밝은 색 라인은 필터링되지 않은면에 의해 유발 활동을 나타냅니다. VErtical 회색 음영 부분은 필터링되지 않은면이 필터면 (F (1,17)> 3.44, p <0.05)보다 훨씬 큰 반응을 불러 일으키는 시간 간격을 나타냅니다. 큰 그림을 보려면 여기를 클릭하십시오 . 그림 6. 일반적인 컨디셔닝 실험에서 편도체의 시간 주파수 결과. 왼쪽에있는 그림은 편도체 (오렌지), 해마 (녹색) 및 MEG 신호의 소스를 모델링하는 데 사용되는 대뇌 피질의 3 차원 모델을 보여줍니다. 오른쪽 그래프는 시간 및 주파수별로 세분화 편도선에서 녹화 MEG 신호를 나타냅니다. 따뜻한 색상 unfiltere에 대한 훨씬 더 많은 힘을 보여 분광기의 영역을 나타냅니다d를 필터링 얼굴보다 얼굴. 멋진 색상은 반대를 나타냅니다. 줄무늬 오버레이 지역 그룹간에 유의 한 차이를 나타냅니다. 큰 그림을 보려면 여기를 클릭하십시오 . 그림 7. 일반적인 컨디셔닝 실험에서 후두 얼굴 지역 활성화를 표시합니다. 색상이 해당 극의 필터링되지 않은> 필터링 된 t-검정의 크기를 나타내는 그림. 따뜻한 색상은 필터링 얼굴보다 필터링되지 않은 얼굴에 큰 반응을 나타냅니다. 멋진 색상은 필터링되지 않은 얼굴보다 필터링 얼굴에 큰 반응을 나타냅니다. 보조 비디오. 비디오 일반적인 컨디셔닝에서 대뇌 피질의 반응을 보여주는실험을 oning. 색상은 해당 쌍극자의 필터링되지 않은> 필터링 된 t-검정의 크기를 나타냅니다. 따뜻한 색상은 필터링 얼굴보다 필터링되지 않은 얼굴에 큰 반응을 나타냅니다. 멋진 색상은 필터링되지 않은 얼굴보다 필터링 얼굴에 큰 반응을 나타냅니다. 보완 동영상을 보려면 여기를 클릭하십시오 .
Discussion
본 논문에서는 추적 공포 에어컨 패러다임 동안 대상의 CSS 피사체의 인식을 조작하는 방법 1)을 설명합니다. 2) 그리고 의식하지 않고 추적 공포 조절하는 동안 편도선에서 MEG 신호를 복구 할 수 있습니다. 이러한 방법론을 사용하여, 우리는 얼굴이 UCS를 예측하는 데 사용됩니다 때 인식이 가능하지 않고 해당 추적 조절을 보여줄 수 있었다. 이 결과는 지각 감지 임계 값 * 아래에 제시하는 경우에도 얼굴을 특수 처리를받는 것이 좋습니다. 이 결론과 일치 우리는 광범위한 스펙트럼 트레이스 간격 동안 강력한 편도 반응과 감마 진동의 파열을 보여주고 얼굴을 발견했다. 이 결과는 편도체가 짧은 추적 기간 동안 얼굴 CS의 표현을 유지할 수 있음을 시사한다.
함께 제시하지만,이 두 가지 방법뿐만 아니라 독립적으로 사용할 수 있습니다. 예를 들어 그것은 대상을 조작하는 마스킹 뒤로 사용할 수 있습니다 visibil행동이 의식이 의식 5,6,8으로 수준 이하로 처리 감정적 신호에 의해 영향을받을 수있는 다른 패러다임 ITY. 또한, 소스 이미징 방법을 사용하면 다른 피질 구조의 3D 모델을 만들 수 있습니다, 그것은 다른 영역 특정 작업 중에 이러한 구조에서 신호를 복구 할 수 있습니다 여기에 설명. 예를 들어, 모델 해마의 활동 원본 영상을 사용하여, 그것은 공간 이동과 같은 작업을하는 동안 해마 소스에서 MEG 신호를 복원 할 수 있습니다.
1) 블록 대상 자극, 2)의 인식과 MEG를 사용하여 자극을 유발 편도체의 반응을 감지하는 능력을 극대화 : 여기에 설명 된 방법을 염두에 두 가지 목표로 설계되었습니다. 이러한 설계 제약은 어려운 자극 사태의 주제 '암묵적 지식을 측정합니다. 예를 들어, 개수 SCR 몇 초 5-13의 과정을 통해 해결하지만, CSS의 경우에만 제공됩니다~에 대해 30 일 훈련 도중 밀리, 그리고 충격은 곧 (~ 900 밀리 초) 후에 표시됩니다. 이러한 시간 제약을 감안할 때, CR 식은 필연적으로 훈련 기간 동안 UCR 식으로 혼동 될 것입니다. 이 때문에 공선 성의, 그것은 다음 마스킹 테스트 세션을 사용하여 자극 사태의 과목의 지식을 테스트 할 필요가있다. 개수 SCR은 실험 1의 과정을 통해 습관화하는 경향이 있기 때문에 실험의 끝에 테스트 세션은 최적이 아니다. MEG 안심 유발 반응을 보여하는 데 필요한 시험의 수를 고려하면,이 SCR의 습관화는 훈련의 행동 효과를 감지하기 상당히 힘을 줄 것입니다. 미래 연구는 마스크 CSS로 공포 컨디셔닝 동안 인덱스를 암시 적 학습에 더 나은 방법을 찾는에 집중해야합니다. 이 작업은 훈련 (즉, 동공 팽창 19,20) 동안 공포의 대안 인덱스를 찾거나에서는 관리자가 될 수 공포의 민감한 측정을 발견하여 수행 할 수훈련 후 stered.
Divulgations
The authors have nothing to disclose.
Acknowledgements
이 연구는 정신 건강의 국립 연구소 (MH060668와 MH069558)에 의해 지원되었다.
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).