概要

Un protocole pour l’Administration de la Real-Time IRMf formation Neurofeedback

Published: August 24, 2017
doi:

概要

La capacité d’induire ou contrôler la plasticité neuronale peut être critique dans futurs traitements pour les troubles neurologiques et la récupération de la lésion cérébrale. Dans cet article, nous présentons un protocole sur l’utilisation de la formation de neurofeedback avec imagerie de résonance magnétique fonctionnelle pour moduler le fonctionnement du cerveau humain.

Abstract

Troubles neurologiques sont caractérisés par cellulaire anormale-moléculaire-et les fonctions du cerveau au niveau des circuits. Nouvelles méthodes pour induire et contrôler les processus neuroplastiques et bon fonctionnement anormal ou Maj même fonctions de tissus endommagés pour les régions du cerveau physiologiquement sain, tenez le potentiel d’améliorer considérablement la santé globale. Des interventions démontré actuellement en développement, formation de neurofeedback (NFT) d’imagerie de résonance magnétique fonctionnelle (IRMf) a l’avantage d’être totalement non invasive, non pharmacologique et spatialement localisée au cerveau de cible régions, ainsi que n’avoir aucun effet secondaire connu. En outre, techniques de NFT, initialement développés à l’aide de l’IRMf, peuvent souvent se traduire aux exercices qui peuvent être effectuées en dehors du scanner sans l’aide de professionnels de la santé ou de matériel médical sophistiqué. En IRMf NFT, le signal IRMf est mesuré à partir des régions spécifiques du cerveau, traité et présenté au participant en temps réel. Grâce à une formation, techniques de traitement mental autogéré, qui régulent ce signal et ses corrélats neurophysiologiques sous-jacent, sont développées. FMRI NFT a servi à former un contrôle volontaire sur un large éventail de régions du cerveau ayant des implications pour plusieurs systèmes cognitifs, comportements et moteurs. En outre, l’IRMf NFT s’est montré prometteur dans un large éventail d’applications telles que le traitement des troubles neurologiques et l’augmentation de la performance humaine de base. Dans cet article, nous présentons un protocole NFT IRMf développé dans notre établissement pour la modulation des deux en bonne santé et la fonction cérébrale anormale, ainsi que des exemples d’utilisation de la méthode pour cibler des régions du cerveau cognitives et auditives.

Introduction

Troubles neurologiques présentent des obstacles majeurs sur les personnes concernées, leurs familles et la société. Traitements pour les troubles neurologiques peuvent être inexistante ou d’une efficacité douteuse et souvent uniquement cibler les symptômes de la maladie. Tel est le cas pour les acouphènes – la perception fantôme du son-qui n’est pas un traitement approuvé par la U.S. Food and Drug Administration (FDA). L’acouphène peut avoir un impact profond sur la vie d’une personne, interférant avec les tâches quotidiennes, en diminution de concentration ou en modifiant la perception du son réel. En outre, les personnes touchées par les acouphènes peuvent aussi éprouver fatigue, stress, troubles du sommeil, troubles de mémoire, dépression, anxiété et irritabilité1. Les thérapies qui existent, comme les antidépresseurs et les médicaments anxiolytiques, seulement aident à gérer les symptômes associés et ne peuvent pas traiter la cause sous-jacente. Cela crée un fossé dramatique pour des traitements novateurs de ces troubles.

Amélioration des techniques d’acquisition, la puissance de calcul et des algorithmes ont révolutionné la vitesse avec laquelle les données de l’imagerie par résonance magnétique (IRMf) fonctionnelles peuvent être mesurées et traitées. Cela a permis l’avènement de l’IRMf en temps réel, où les données peuvent être traitées comme ils ont été recueillis. Les premières applications de l’IRMf en temps réel ont été limitée2, principalement inhibée par l’incapacité de remplir rapidement les étapes de prétraitement typiques pour des analyses hors ligne, comme la correction de mouvement. Améliorations dans la technologie et les algorithmes de calcul viennent d’augmenter la vitesse, la sensibilité et la polyvalence de l’IRMf en temps réel3 permettant similaire actuellement hors pré-traitement à appliquer en temps réel. Ces développements ont conduit à 4 domaines d’application principale de l’IRMf en temps réel : orientation chirurgicale peropératoire4, cerveau-ordinateur interfaces5,6, portant adaptation des stimuli de cerveau actuel prévoit7, et neurofeedback formation8.

NFT, bien que pas l’objectif initial de l’IRMf en temps réel, est un domaine en expansion de la recherche, où les individus apprennent à moduler l’activité de cerveau air par le biais de la mise en œuvre des stratégies mentales (tâches,c’est-à-dire imaginé). NFT est une forme de conditionnement opérant9, qui a été montré pour augmenter le taux de décharge neuronale et l’activité neuronale dans singes10. En outre, IRMf NFT a été associée à plasticité de spike timing-dépendante, qui sont les changements neurones qui se produisent au cours de l’apprentissage associatif,11. Autres incidences suggèrent IRMf que NFT induit la plasticité via la potentialisation à long terme (LTP), ayant pour résultat amélioré l’efficacité synaptique12. Postulation un autre implique des mécanismes cellulaires de la compétence d’apprentissage, par exemple un contrôle volontaire sur l’activité cérébrale et peut impliquer des changements de la conductance membranaire de voltage-dépendants – exprimée en une modification de l’excitabilité neuronale13. En tout cas, il apparaît que l’IRMf NFT influe sur le cerveau au niveau neuronal. Ces théories fournissent des arguments solides pour l’utilisation de l’IRMf NFT dans le traitement des troubles neurologiques.

FMRI NFT, contrairement aux traditionnel IRMf, offre l’occasion d’étudier la relation entre l’activité de cerveau et comportement11,14. Récemment, il y a eu pic dans les études impliquant l’IRMf NFT avec presque deux fois autant d’articles publié en 2011-2012 (n = 30) par rapport à la décennie précédente (n = 16)11. Une des premières études IRMf NFT a été menée par Weiskopf et ses collaborateurs en 2003,8. Cette étude a démontré avec succès la possibilité de rétroaction en ligne et l’autorégulation du signal IRMf dans le Cortex cingulaire antérieur (ACC), à l’aide d’un participant. Vos commentaires s’affichait avec un retard d’environ deux secondes, plus qu’un ordre de grandeur plus vite que les quelques études précédentes. La première étude complète a été menée en 2004 où les 6 participants ont appris à contrôler l’activité du cortex somato-motrice15. FMRI NFT fut terminée en face 3 séances effectuées le même jour. Une activité accrue dans l’espace sélective à la région cible dans le cortex somato-motrice a été observée au cours de la formation aux niveaux sujet unique ou en groupe. Cet effet n’a pas été observé pour le groupe témoin qui a reçu des informations de fMRI réel d’une région de fond (ne pas en corrélation avec la tâche à accomplir) plus tôt dans la course. Depuis, les chercheurs ont démontré que les humains peuvent apprendre un contrôle volontaire sur signal IRMf mesuré de nombreuses régions du cerveau, y compris l’ACC16, amygdale17, insula antérieure18,19, auditif et attention associés réseaux20, Rostro bilatéraux cortex préfrontal21, cortex préfrontal dorsolatéral12,22,23, cortex moteur24, 25,26,27,28, cortex auditif primaire29,30, régions associées du réseau émotionnel régions31,32 , droit gyrus frontal inférieur33et cortex visuel34,35.

Les mécanismes sous-jacents de nombreux troubles neurologiques sont inconnus. Dans l’exemple de l’acouphène, il n’y a aucune source évidente pour le son fantôme dans la majorité des cas36,37,38. Malgré cela, les données suggèrent qu’un mécanisme central peut être responsable le percept d’acouphènes chez certains individus, comme en témoigne l’absence de résolution du symptôme après dissection complète du nerf auditif39. Hyperactivité associée à l’acouphène a été trouvée dans le cortex auditif primaire40,41,42. Outre les preuves suggèrent que les effets de l’acouphène s’étendent plus loin dans les zones impliquées dans le traitement de l’émotion et attentionnelles état43. Basé sur ces anomalies, paradigmes NFT IRMf peuvent être développées pour induire et démontré les mécanismes qui encouragent la structure neurale normale de contrôle.

Protocol

suivant protocole IRMf NFT est conforme aux directives données par la Wright State University Institutional Review Board. 1. groupes témoins soigneusement examiner et déterminer les groupes de contrôle a priori. Création de groupes de contrôle pour permettre la reposer à évaluer et à tenir compte des effets d’autres facteurs tels que la pratique ou les attentes créées par les réactions affiche 44. 2. Configuration matérielle préparer tout le matériel avant que le participant entre dans la salle de MRI en utilisant les mêmes procédures comme l’IRMf traditionnel. Connecter le système de M. compatible affichage et réponse de périphérique à l’ordinateur de stimulus (PC). Route de câblage pour les dispositifs de réponse de Monsieur compatible et portait de casque à travers ou autour de l’IRM. Connecter la sortie de TR-déclencheur de l’IRM au stimulus PC. Remarque : Dans certaines configurations, cela peut être lié au matériel périphérique compatible avec Monsieur réponse, qui se connecte ensuite à l’ordinateur de la relance. C’est impératif pour l’acquisition de stimuli et de données de synchronisation. Poste le Monsieur compatible affichage afin qu’il ne sera pas visible au participant via le miroir (à) apposé sur la tête de la bobine. 3. Positionnement de participants Remarque : le participant doit être positionné sur la table de scanner de manière similaire à une IRM cérébrale en typique et de la même manière que traditionnel IRMf. Ai le mensonge participant vers le bas en position couchée sur la table du scanner. Leur demander de maintenir leur tête à l’intérieur de la bobine tête. Placer le casque sur le participant ' s la tête et s’assurer que les oreilles sont couvertes. Si une protection auditive supplémentaire est nécessaire, insérez des bouchons d’oreille avant de positionner les téléphones tête. Placer un coussin sous le participant ' genoux s pour un confort accru. Enclencher le haut du corps de la tête bobine. Fixer le miroir sur la tête de la bobine. Positionner les dispositifs de réponse dans le participant ' mains de s. Point de repère l’emplacement du participant ' nasion s par rapport au scanner. Déplacer l’emplacement classée au centre de l’IAM alésage. Confirmer que le participant peut afficher la totalité de l’écran en utilisant le miroir. Demander au participant d’ajuster le miroir si nécessaire. 4. Localisation de la région cible effectuer un " fonctionnel " Loc. L’activité cérébrale de l’alignement de piste fonctionnelle permet de définir la cible 11 de la région d’intérêt (ROI). Remarque : Cette course est exécutée d’une manière similaire à l’IRMf traditionnel. Toutefois, la cible ROI peut également être définis à l’aide d’anatomie individuelle ou standardisée Atlas, supprimant la nécessité d’effectuer un alignement fonctionnel. Instructions de tâche de script et/ou visuel fournir au participant. Remarque : Ces instructions doivent être concis mais renferment les renseignements voulus pour permettre au participant de réaliser avec succès la tâche exécutée lors de l’alignement de piste fonctionnelle. Ici, les instructions d’informent le participant qu’un point sera sur l’écran et elles peuvent entendre des sons dans le casque. Leur but est de vous détendre et de se concentrer sur le dot. Begin synchronisé administration des stimuli sonores (par exemple, un bruit blanc continu bilatéraux 29) et d’acquisition de données en appuyant sur la " Scan " bouton sur le scanner de M.. NOTE : Ceci est réalisé par programmation de la présentation des stimuli à l’aide de la gâchette TR de l’acquisition de l’IRMf. Le déclencheur de TR est contrôlé via le protocole IRMf cependant ceci peut être affectée par le fabricant de l’IRM et les packages installés. N’importe quel stimulus visuels, haptiques et/ou auditives peuvent être fournis pour effectuer d’autres tâches ou cibler des autres régions. Remplaçant la livraison des stimuli de tâche (bruit blanc) avec contrôle des stimuli (aucun bruit) dans un modèle bloqué. Contrôle des stimuli permet d’activer les réseaux/systèmes indésirables activés dans les stimuli de la tâche. Remarque : Cette alternance se fait par la synchronisation des stimuli à l’acquisition de l’IRMf et le contrôle des impulsions TR. Recueillir ensemble-cerveau écho planar images à l’aide d’une séquence d’impulsions de MRI gradient-rappelle-écho ; exemple paramètres de la séquence d’impulsions comprennent une matrice d’acquisition des éléments de 64 x 64 dans les directions de phase et fréquence, 41 tranches alignés parallèlement à la plan de commissure postérieur de la commissure antérieure, 3,75 x 3,75 x 3 taille de voxel de 3 mm, intervalle de tranche de 0,5 mm, fat suppression activée, TR/TE = 2 000/20 ms et un flip angle = 90 °. Calculer une carte d’activation de l’IRMf les données recueillies lors de l’alignement de piste fonctionnelle à l’aide de statistiques multivariées. Remarque : Les étapes suivantes sont une variante du traitement effectué pour IRMf traditionnel. Quelques mesures ont été supprimées ou simplifiées pour diminuer le temps de traitement. Prétraiter les données pendant l’acquisition de données à l’aide d’un logiciel personnalisé créé à partir de normes techniques 12 , 45 de pré-traitement. Effectuer 3D spatial de filtrage à l’aide d’un noyau gaussien de passe-bas (moitié pleine largeur maximale de 4,5 mm). Correct pour mouvement de translation en alignant le centre de masse pour chaque volume du premier volume de l’alignement de piste fonctionnelle en utilisant une interpolation linéaire tri. Effectuer un filtrage temporel à l’aide d’un noyau gaussien de passe-bas avec σ = 3 s. Créer un modèle pour prédire la réponse neurophysiologique à la tâche ; cela s’effectue de la même manière comme l’IRMf traditionnel. Créer un modèle psychologique qui décrit l’actif et se reposer des États pour chaque temps point 46. Il modélise les points dans le temps au cours de la tâche d’une valeur de ' 1 ' et contrôler avec un ' 0 '. Convolve le modèle psychologique avec un prédéfini de fonction de la réponse hémodynamique (HRF) 46 pour prédire la réponse de l’IRMf (neurophysiologiques) à la tâche. Fit les données IRMf à chaque voxel en fonction du temps pour le modèle neurophysiologique à l’aide d’un modèle linéaire général (GLM). Il en résulte une carte paramètre β, qui est convertie en t ou z-statistiques cartes (activation) à l’aide de transformations statistiques standards. Utiliser la carte d’activation superposée à une image moyenne IRMf pour déterminer la région dans laquelle le signal de rétroaction pour le neurofeedback ultérieur s’inspireront. NOTE : Ceci est réalisé à l’aide de logiciels personnalisés. Pour supprimer les modifications globales et imprécises, un second retour sur investissement peut aussi être définie. Naviguer à travers les tranches à l’aide de la molette de curseur de la souris ou la barre du curseur tranche pour trouver des marqueurs anatomiques visibles dans la fDonnées de l’IRM comme la surface inférieure de la corne frontale des ventricules latéraux 12. Seuil de la carte d’activation à l’aide de la barre du curseur seuil pour révéler les voxels plus robuste activé lors de l’alignement de piste fonctionnelle dans la région cible. Effectuer cela en sélectionnant un seuil a priori ou en réglant manuellement le seuil. Le bouton gauche de la souris permet de sélectionner des voxels individuels avec activation le seuil choisi et dans la région de cible à ajouter pour le ROI. Remarque : Les Voxels peut être sélectionné une ou plusieurs tranches de. 5. IRMf NFT conduite neurofeedback fonctionne utilisant un modèle de wagon couvert avec une alternance de conditions de travail et contrôle. Condition mettre en œuvre une tâche où les participants augmenter ou diminuer l’activité de la région cible, avec le sens du contrôle est essentielle pour atteindre les résultats escomptés. NOTE : par exemple, beaucoup de régions du cerveau est hyperactifs chez les patients atteints d’acouphènes et, par conséquent, diminue l’activité peut encourager structure neurale normale. Remplaçant la condition de la tâche avec une condition de contrôle où les participants retournent activité pour se reposer en détente et en désactivant leur esprit. Fournir le participant avec un exemple de script des tâches de la pleine conscience pour être utilisé au cours de ces deux conditions comme sida pour moduler l’activité du cerveau vers les États désirés de départ. Demander au participant de pleine conscience des tâches que l’activité cérébrale en voiture vers les États désirés. Dans l’exemple de l’acouphène, enjoindre aux participants détourner le système auditif à d’autres systèmes sensoriels pour réduire l’activité auditive. Calcul de la base Remarque : en raison de la mise au point des composants matériels MRI avant chaque course, lignes de base servent à normaliser les données avant de les présenter vos commentaires au participant. La moyenne de référence est déterminée pour la région de cible à l’aide d’une moyenne d’un ou plusieurs volumes acquis au début de chaque IRMf NFT exécuter 12 , 47. Demander au participant de se détendre pendant un décompte présenté au début de l’analyse. Begin synchronisé d’acquisition de données et la présentation des stimuli en appuyant sur la " scan " bouton sur le scanner de MRI. Recueillir l’écho planar images à l’aide d’une séquence d’impulsions de MRI gradient-rappelle-écho de la même manière comme prescrit pour l’alignement de piste fonctionnelle à l’étape 4.1.2. Acquérir des volumes de base. Présenter visuellement un compte à rebours et affichage de commentaires vides. Traiter les données pendant l’acquisition à l’aide de logiciels personnalisés. Effectuer 3D spatial de filtrage à l’aide d’un noyau gaussien de passe-bas (moitié pleine largeur maximale de 4,5 mm). Corriger pour mouvement de translation à l’aide du centre de masse pour chaque volume, chaque volume est enregistré dans le premier volume de l’alignement de piste fonctionnelle en utilisant une interpolation linéaire tri. Calcul moyenne signal de cible ROI à travers le temps et l’espace. En résumé les signaux de tous les voxels dans l’objectif de retour sur investissement dans chaque volume. Moyenne de ROI de créer pour chaque volume en divisant la somme par le nombre de voxels dans le retour sur investissement. Les sommes sur les volumes de base en moyenne. Acquérir neurofeedback volumes Prétraiter les données pendant l’acquisition à l’aide de logiciels personnalisés. Effectuer 3D spatial de filtrage à l’aide d’un noyau gaussien de passe-bas (moitié pleine largeur maximale de 4,5 mm). Correct pour mouvement de translation en alignant le centre de masse pour chaque volume du premier volume de l’alignement de piste fonctionnelle en utilisant une interpolation linéaire tri. Calculer le signal de rétroaction. Un signal de rétroaction est dérivé de chaque volume acquis au cours de l’IRMf NFT. C’est l’information qui est présentée au participant afin d’apprendre le contrôle volontaire de l’aide. Moyen le signal IRMf de tous les voxels dans l’objectif de retour sur investissement pour créer une seule valeur. Calculer la variation en pourcentage entre la moyenne actuelle de ROI et de la moyenne de référence ROI. Éventuellement, ce signal peut être ajustée par un coefficient dépendant du participant ' performance de s. Calculer le signal de rétroaction par filtrage temporel (gaussien passe-bas noyau avec un sigma de 3 s consistant seulement passé composants) la variation actuelle avec les signaux de rétroaction des précédents volumes de neurofeedback. Afficher le signal de rétroaction. Signal Visualisez les réactions actuelles grâce à une parcelle de thermomètre-style bar, où la hauteur de la barre est proportionnelle à la valeur commentaires 18 , 19 , 21 ,, 34. Affichage de instructions de superposition pour le participant sur le feedback. Remarque : Ces instructions sont simples et devrait ordonner au participant de se détendre, ou de soulever ou d’abaisser l’activité (c’est-à-dire la barre de thermomètre). Vous pouvez également fournir une stimulation supplémentaire. La stimulation visuelle, auditive ou haptique supplémentaire peut-être être présentée en même temps que vos commentaires. 6. Évaluer la capacité de s’autoréguler la cible ROI. Remarque : après le neurofeedback est terminé, la capacité de s’autoréguler la région cible pour chaque terme de la formation doit être quantifié. Changements intra-sujet Analyze dans la rétroaction signale 12. Créer un modèle psychologique représentant les conditions de repos et de la tâche du neurofeedback. Remarque : Ce modèle est convolé avec un HRF prédéfini pour produire un modèle neurophysiologique. Le processus est identique à celle décrite pour l’alignement de piste fonctionnelle. Fit le chronologiques de signal de rétroaction au modèle neurophysiologique utilisant un GLM. Il en résulte un paramètre β, qui est converti en t ou z-statistique représentative de la capacité de s’autoréguler. Effectuent des comparaisons inter-sujet. NOTE : Statistiques représentatifs des performances de l’autorégulation peut être comparé à travers les pistes et les groupes à l’aide d’analyses statistiques appropriées (p. ex., jumelé t – tests ou ANOVA). Évaluer les changements dans la capacité de s’autoréguler la région cible à travers la formation et des groupes de ces tests et peut être utilisés pour évaluer l’étude ' reposer de s.

Representative Results

Notre équipe a démontré une augmentation significative de contrôle sur le cortex préfrontal dorsolatéral gauche (DLPFC) tiré de l’IRMf NFT dans une cohorte de 18 participants. Une ANOVA à intra-sujets a été effectuée sur les valeurs quantitatives de contrôle volitif12. Cette analyse a révélé de contrôle de la gauche que DLPFC a augmenté considérablement à travers 5 x6 pistes de s min:24 du neurofeedback séparés à travers cinq sessions distinctes menées au bout de 14 jours (Figure 1; F(4,68) = 2,216, p = 0,038, sphéricité assumée, à un point). Évolution de performance sur un test multitâche complexes, effectué avant et après le NFT, ont été comparées à un groupe qui n’a pas reçu de neurofeedback utilisant ANOVA modèle mixte 2 x 2. Post-hoc, correction de Bonferroni comparaisons ont révélé une augmentation significative de la performance sur un test multitâche complexe qui n’a pas reçu une formation supplémentaire (p < 0,005, unilatérale), et cette augmentation a été nettement supérieure à un groupe témoin qui effectué une formation similaire, mais n’était pas doté de l’aide additionnelle du neurofeedback (p < 0,03, sphéricité assumé, unilatérale)12. En dépit du groupe expérience gagne le contrôle sur la gauche DLPFC à travers de la formation, un plateau n’a pas été observé. Cela signifie qu’un contrôle maximal n’est pas nécessaire de produire des résultats comportements et que des effets encore plus grande peuvent être possibles avec davantage de formation12. De plus, notre équipe a révélé IRMf NFT combiné avec n-dos pratique crée focales changements dans l’activité cérébrale qui se limitent à la région cible et n’affecte pas les composantes haut – ou en aval du réseau de mémoire de travail (Figure 2), 22. Au sujet de l’acouphène, une précédente étude a étudié IRMf NFT comme un possible traitement29. Dans cette étude, 4 x 4 min pistes de neurofeedback ont été achevés en une session de formation unique. Les évaluations comportementales des acouphènes ont été effectuées avant et après la session NFT IRMf unique. Réussie vers le bas-règlement volontaire du cortex auditif a été atteint et conduit à une réduction significative de l’activation auditive. Cette étude démontre la promesse d’IRMf NFT dans le traitement des acouphènes, toutefois, seulement six participants ont été étudiés et un groupe témoin n’a pas été utilisé pour la comparaison. En outre, les analyses statistiques, y compris les données comportementales effectuées pas. Étendre cette étude peut-être révéler intéressantes nouvelles possibilités de traitement pour les patients d’acouphène. Figure 1 : accroître la maîtrise de gauche DLPFC. Moyenne gauche contrôle DLPFC pour chaque neurofeedback exécuter (effectuée sur jours distincts) sont indiqués par les cercles verts lumineux. Une analyse de régression linéaire a révélé une augmentation significative de contrôle dans l’ensemble de formation (ligne vert foncé ; β = 1.078, p < 0,033). Barres d’erreur représentent 1 SEM. Unmodified travail de Sherwood et al. 12, réimprimé sous la licence Creative Commons Attribution. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure. Figure 2 : effet localisé de l’apprentissage à gauche contrôle DLPFC. (A) la probabilité d’inclusion de voxel pour IRMf NFT sélectionné dans un n-alignement de piste arrière fonctionnelle. Lumière bleues voxels figuraient plus fréquemment dans la région de cible NFT, voxels bleus foncés faisaient moins souvent et voxels clairs n’ont pas été inclus. (B) Voxel-based ANOVA résultats pour l’effet principal de la session de formation (rouge-jaune). Cet effet a montré un grand chevauchement avec les ROIs DLPFC gauche ciblés pour enf. Les tranches axiales sont affichés en convention radiologique sur le coordonnées z = 22, 26, 30, 34 et 38 mm (de gauche à droite). Travail non modifiée de Sherwood et al. 22, réimprimé sous la licence Creative Commons Attribution. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Discussion

Le protocole NFT IRMf discuté ci-après peut être adapté pour cibler n’importe quelle région du cerveau et discute un univariée, l’approche axée sur le retour sur investissement de neurofeedback. Ceci peut être réalisé par la programmation des tâches supplémentaires localizer fonctionnelle pour activer d’autres régions. En intégrant ces tâches dans le logiciel de neurofeedback personnalisé, nous avons développé un processus très simple. Il y a, cependant, une seule limitation : la région cible doit être définie sur le plan fonctionnel. En ce moment, que notre équipe a développé le logiciel n’effectue pas de n’importe quel enregistrement entre images anatomiques et fonctionnelles. Par conséquent, les autres méthodes de sélection de ROI, comme ROIs axée sur l’atlas, ne peuvent être appliquées en ce moment. En outre, paramètres des stimuli et neurofeedback (p. ex., bloc durée, nombre de blocs et des paramètres d’imagerie, y compris TR) peuvent être facilement manipulés par l’opérateur. En outre, transfert court pour évaluer la capacité de s’autoréguler la cible que roi en l’absence du neurofeedback peut être mis en œuvre. Le logiciel, nous avons développé n’offre pas de neurofeedback utilisant la connectivité entre les régions de cerveau49ou modèles multidimensionnels35,,48 .

FMRI NFT offre des avantages significatifs sur les autres formes de neurofeedback mais a aussi ses limites. Le principal avantage de l’IRMf NFT est la résolution spatiale qui surpasse toutes les autres formes de NFT tels que de l’électroencéphalogramme (EEG)-base de neurofeedback. Résolution spatiale améliorée permet des structures/fonctions spécifiques du cerveau à travers l’ensemble du cerveau à être ciblé50. Actuellement, ce n’est pas réalisable avec d’autres thérapies telles que la pharmacothérapie, qui sont systématiques. Cependant, l’inconvénient majeur de l’IRMf NFT est le temps de retard. Pas seulement sont, beaucoup plus lents que l’EEG (jusqu’à 3 ordres de grandeur plus lentes) de fréquences d’échantillonnage, le GAL hémodynamique associé le signal IRMf plus ajoute à ce délai. Malgré cela, il existe des preuves accablantes que les participants peuvent surmonter ce retard et, avec la pratique, apprendre à contrôler l’activité cérébrale (par exemple, pour un examen, voir Sulzer et al. 11 et Scharnowski et al. ( 50).

La popularité de l’IRMf NFT s’accroît, mais elle reste dans un stade de la petite enfance. Pour cette raison, des pratiques courantes n’ont pas encore arrêtées. Le protocole décrit en détail les méthodes qui sont scientifiquement acceptées. Par exemple, des formes multiples, des écrans de rétroaction ont été utilisés à travers différentes études, y compris un thermomètre-style bar parcelle18,19,21,34. En outre, un signal de rétroaction présenté comme le changement de pourcentage de signal avec un niveau de référence calculé à partir de la région cible a également été largement mis en œuvre12,19,21,25 , 30 , 51 , 52.

Contrôler les effets en plastique dans le cerveau offre une technique thérapeutique innovante pour traiter des troubles neurologiques ou lésions cérébrales ayant une activité anormale du cerveau, comme celle associée aux acouphènes discuté ci-dessus. Bien que les mécanismes exacts, traduit par neuromodulation des effets sur le comportement sont encore inconnues, l’IRMf NFT a été associée de LTP11. À travers le processus d’apprentissage, comportement est renforcée lorsqu’on réglemente activement l’activité cérébrale en réseaux cérébraux liés aux tâches. Ce renforcement se traduit par l’engagement démontré les mécanismes causant le réseau pour exécuter plus efficacement. Cela coïncide avec d’autres techniques NFT comme neurofeedback EEG-basé, où les personnes sont formées pour contrôler les bandes de fréquences des signaux électriques mesurées à partir des régions locales du cuir chevelu53,54,55 . D’autres ont indiqué LTP de plasticité synaptique, ayant pour résultat amélioré l’efficacité synaptique12. Encore un autre postulation suggère des mécanismes cellulaires de l’apprentissage peuvent entraînant des changements dans la conductance membranaire de voltage-dépendants qui s’exprime comme un changement dans l’excitabilité neuronale13. Dans tous les cas, il semble que l’IRMf que NFT provoque des changements au niveau cellulaire, et que l’individu peut apprendre certains contrôlent sur ces processus. Cette capacité et ces changements peuvent être critiques à apprendre et à développer des traitements pour les traumatismes crâniens et les troubles neurologiques.

Un aspect important de l’IRMf NFT est de mesurer les changements dans le comportement. Il est impératif de nombreuses hypothèses qui prédisent des changements comportementaux, entraînées par les changements neurones NFT. Au minimum, ces évaluations doivent être prélevées à deux moments : avant et après NFT. Dans le cas d’acouphènes, ces évaluations comportementales pourraient consister uniquement de questionnaires subjectifs comme il n’y a aucune mesure directe pour les acouphènes. Pour d’autres désordres neurologiques, une revue de la littérature devrait être effectuée pour déterminer les évaluations appropriées, raisonnables et documentées pour la reposer spécifique à l’étude. Certaines hypothèses exigent des mesures aux points de temps supplémentaires, tels que ceux qui explorent les effets court, court et à long terme de l’IRMf NFT. Certaines évaluations peuvent nécessiter de formation avant NFT pour réduire les effets de l’apprentissage. Autres hypothèses pourraient même exiger des tests neurologiques tels que ceux qui s’intéressent au niveaux des métabolites du cerveau, perfusion cérébrale ou réseaux fonctionnels.

La procédure NFT fMRI a deux étapes cruciales. La première consiste à déterminer une région du cerveau à cibler pour le neurofeedback. Avant d’effectuer toute procédure, une recherche documentaire approfondie se fasse afin d’étudier les voies neuronales et importantes structures/fonctions associées au trouble neurologique ou lésion cérébrale. Sur cette base, structures/fonctions clés devraient être soigneusement choisies comme cible pour le neurofeedback. Ensuite, une autre revue de la littérature doit être effectuée afin d’examiner les tâches associées à cette structure/fonction. Cette tâche peut ou peut ne pas être associée à la maladie, mais il convient de confirmer que la tâche active l’ou les régions souhaitée dans la population désignée. Au cours de procédures de neurofeedback, cette région cible est sélectionnée sur une base individuelle à la première session ou à chaque session. Par conséquent, la variabilité inter – et intra – subject peut-être être des facteurs importants qui pourraient entraîner des résultats imprévisibles. Il est essentiel d’établir un protocole pour sélectionner la région cible et procéder à la formation du personnel adéquat. Il existe deux méthodes pour définir une cible ROI : anatomiquement et fonctionnellement. Définitions anatomiques utilisent IRM structurelle pour définir la zone cible strictement de l’anatomie,et en utilisant éventuellement un atlas standard. Images fonctionnelles sont inscrits aux images structurelles, et la région cible se transforme en espace fonctionnel21,26. Dans la méthode fonctionnelle, la région cible est sélectionnée dans une carte d’activation produite en effectuant un localisateur fonctionnel11,12,24,29,44. Cette méthode a été examinée dans la présente.

La deuxième étape critique en IRMf NFT est la sélection de groupe contrôle. Groupes témoins sont cruciaux pour déterminer l’effet de l’IRMf NFT, et la sélection des groupes témoins doit être examinée avec soin. Des études antérieures ont utilisé un large éventail de contrôles. Une procédure commune d’un groupe témoin est d’essayer de contrôle volontaire en présence de rétroaction de l’imposture. Ce feedback peut être attelé d’un participant dans le groupe expérimental21,44, originaire d’une région non impliquée dans le processus souhaité à l’insu a été fourni pour les participants de17,33, 44, ou inversé52. D’autres études ont utilisé des groupes témoins qui tentent de contrôle volontaire, mais ne sont pas fournis avec neurofeedback12,21,44,56.

Une étude antérieure suggère que lorsque les sujets tentent de contrôler vos commentaires sham, est augmentation de l’activation bilatérale insula, antérieur cingulaire moteur supplémentaire, dorsomédian et zones préfrontal latérales par rapport aux observent passivement une affichage des commentaires57. Ces résultats impliquent une large fronto-pariétal et cingulo-operculaire réseau est activé lorsqu’il y a l’intention de contrôler l’activité cérébrale. En outre, ces résultats suggèrent des groupes de contrôle traditionnel utilisés dans des expériences NFT utilisera corrélats neurones compatibles avec contrôle cognitif, même en présence de rétroaction de l’imposture. Une autre méta-analyse a révélé l’activité dans l’insula antérieure et les noyaux gris centraux, qui sont tous deux régions intervenant dans la régulation cognitive et autres fonctions cognitives supérieures, étaient des éléments essentiels à la tentative de contrôle volitif58. Les résultats de la méta-analyse corroborent les précédentes conclusions57. Pris ensemble, ces éléments de preuve suggère qu’il est essentiel de délimiter les effets de la réussite du contrôle volontaire et celles liées à la tente auto-régulation. Par conséquent, l’inclusion des groupes témoins qui n’essayez pas d’autorégulation peut être importante.

Toutefois, des études antérieures où sham fMRI signaux de commande groupes reçus ont révélé des différences dans la cible activité ROI ont été observés de ceux qui ont reçu le vrai feedback15,16,17, 18 , 20 , 21 , 25 , 26 , 28 , 33 , 34 , 44, ce qui implique des stratégies de formation qui n’intègrent pas les commentaires ne sont pas efficaces pour moduler la région cible. En outre, des groupes de contrôle qui ont reçu des instructions identiques et la même période de formation, mais n’a pas reçu de commentaires sur le niveau actuel de l’activité cérébrale ne montrent pas de semblables résultats comportements comme les groupes expérimentaux qui ont reçu neurofeedback12,18,21,32,44,59. Ces résultats suggèrent que les effets de l’expérientiels sont attribuables à l’IRMf NFT induite par l’apprentissage plutôt que des autre apprentissage ou des changements non spécifiques. Par conséquent, régimes d’entraînement spécifiques doivent être élaborées qui cible les systèmes neurophysiologiques spécifiques afin d’obtenir les effets désirés. Les résultats d’une étude avec une variété de groupes témoins indiquent la formation comportementale, pratique, rétroaction sensorielle et biofeedback seul ne produisent pas d’équivalents effets comportementaux que ceux qui reçoivent l’IRMf NFT44.

開示

The authors have nothing to disclose.

Acknowledgements

Ce matériel est basé sur la recherche parrainée par l’US Air Force sous le numéro de contrat FA8650-16-2-6702. Les opinions exprimées sont celles des auteurs et ne reflètent pas les vues officielles ou la politique du ministère de la défense et de ses composants. Le gouvernement américain est autorisé à reproduire et distribuer les reproductions à des fins gouvernementales Nonobstant toute mention du droit d’auteur à ce sujet. Les volontaires, entièrement consentement éclairé des sujets utilisés dans cette recherche a été obtenue comme requis par 32 219 CFR et DODI 3216.02_AFI 40-402.

Materials

3T MRI GE Medical 750W Discovery Data Acquisition Hardware
MR-Compatible Display System InVivo SensaVue Visual Stimuli Hardware
MR-Compatible Auditory System Resonance Technologies CinemaVision Auditory Stimuli Hardware
Experimental Stimulus Software Neurobehavioral Systems Presentation Software to Control Stimuli Presentation
Experimental Processing Software Mathworks MATLAB Software to Process Data
Data Processing Software Microsoft Visual Studio C++ Software to Process Data
Response Pads Cedrus Corporation Lumina Hardware to Receive Participant Input

参考文献

  1. Vanneste, S., Plazier, M., der Loo, E. V., de Heyning, P. V., Congedo, M., De Ridder, D. The neural correlates of tinnitus-related distress. NeuroImage. 52 (2), 470-480 (2010).
  2. Cox, R. W., Jesmanowicz, A., Hyde, J. S. Real-time functional magnetic resonance imaging. Magn Reson Med. 33 (2), 230-236 (1995).
  3. Weiskopf, N., et al. Real-time functional magnetic resonance imaging: methods and applications. P Int School Magn Reson Brain Funct. 25 (6), 989-1003 (2007).
  4. Hirsch, J., et al. An integrated functional magnetic resonance imaging procedure for preoperative mapping of cortical areas associated with tactile, motor, language, and visual functions. Neurosurgery. 47 (3), 711-722 (2000).
  5. Yoo, S. -. S., et al. Brain computer interface using fMRI: spatial navigation by thoughts. Neuroreport. 15 (10), 1591-1595 (2004).
  6. Sorger, B., Reithler, J., Dahmen, B., Goebel, R. A real-time fMRI-based spelling device immediately enabling robust motor-independent communication. Curr Biol. 22 (14), 1333-1338 (2012).
  7. Yoo, J. J., et al. When the brain is prepared to learn: Enhancing human learning using real-time fMRI. NeuroImage. 59 (1), 846-852 (2012).
  8. Weiskopf, N., et al. Physiological self-regulation of regional brain activity using real-time functional magnetic resonance imaging (fMRI): methodology and exemplary data. NeuroImage. 19 (3), 577-586 (2003).
  9. Fetz, E. E. Volitional control of neural activity: Implications for brain-computer interfaces. J Physiology. 579 (Pt 3), 571-579 (2007).
  10. Fetz, E. E. Operant Conditioning of Cortical Unit Activity. Science. 163 (3870), 955-958 (1969).
  11. Sulzer, J., et al. Real-time fMRI neurofeedback: Progress and challenges. NeuroImage. 76, 386-399 (2013).
  12. Sherwood, M. S., Kane, J. H., Weisend, M. P., Parker, J. G. Enhanced control of dorsolateral prefrontal cortex neurophysiology with real-time functional magnetic resonance imaging (rt-fMRI) neurofeedback training and working memory practice. NeuroImage. 124 (A), 214-223 (2016).
  13. Mozzachiodi, R., Byrne, J. H. More than synaptic plasticity: Role of nonsynaptic plasticity in learning and memory. Trends Neurosci. 33 (1), 17-26 (2010).
  14. Weiskopf, N., Scharnowski, F., Veit, R., Goebel, R., Birbaumer, N., Mathiak, K. Self-regulation of local brain activity using real-time functional magnetic resonance imaging (fMRI). J Physiology-Paris. 98 (4-6), 357-373 (2004).
  15. deCharms, R. C., Christoff, K., Glover, G. H., Pauly, J. M., Whitfield, S., Gabrieli, J. D. E. Learned regulation of spatially localized brain activation using real-time fMRI. NeuroImage. 21 (1), 436-443 (2004).
  16. Hamilton, J. P., Glover, G. H., Hsu, J. -. J., Johnson, R. F., Gotlib, I. H. Modulation of subgenual anterior cingulate cortex activity with real-time neurofeedback. Hum Brain Mapp. 32 (1), 22-31 (2011).
  17. Zotev, V., et al. Self-regulation of amygdala activation using real-time fMRI neurofeedback. PLoS ONE. 6 (9), e24522 (2011).
  18. Caria, A., et al. Regulation of anterior insular cortex activity using real-time fMRI. NeuroImage. 35 (3), 1238-1246 (2007).
  19. Veit, R., Singh, V., Sitaram, R., Caria, A., Rauss, K., Birbaumer, N. Using real-time fMRI to learn voluntary regulation of the anterior insula in the presence of threat-related stimuli. Soc Cogn Affect Neur. 7 (6), 623-634 (2012).
  20. Lee, J. -. H., Kim, J., Yoo, S. -. S. Real-time fMRI-based neurofeedback reinforces causality of attention networks. Neurosci Res. 72 (4), 347-354 (2012).
  21. McCaig, R. G., Dixon, M., Keramatian, K., Liu, I., Christoff, K. Improved modulation of rostrolateral prefrontal cortex using real-time fMRI training and meta-cognitive awareness. NeuroImage. 55 (3), 1298-1305 (2011).
  22. Sherwood, M. S., Weisend, M. P., Kane, J. H., Parker, J. G. Combining real-time fMRI neurofeedback training of the DLPFC with n-back practice results in neuroplastic effects confined to the neurofeedback target region. Front Behav Neurosci. 10 (138), 1-9 (2016).
  23. Zhang, G., Yao, L., Zhang, H., Long, Z., Zhao, X. Improved working memory performance through self-regulation of dorsal lateral prefrontal cortex activation using real-time fMRI. PLoS ONE. 8 (8), e73735 (2013).
  24. Sitaram, R., et al. Acquired control of ventral premotor cortex activity by feedback training: an exploratory real-time fMRI and TMS study. Neurorehab Neural Re. 26 (3), 256-265 (2012).
  25. Subramanian, L., et al. Real-time functional magnetic resonance imaging neurofeedback for treatment of Parkinson’s Disease. J Neurosci. 31 (45), 16309-16317 (2011).
  26. Yoo, S. -. S., Lee, J. -. H., O’Leary, H., Panych, L. P., Jolesz, F. A. Neurofeedback fMRI-mediated learning and consolidation of regional brain activation during motor imagery. Int J Imag Syst Tech. 18 (1), 69-78 (2008).
  27. Berman, B. D., Horovitz, S. G., Venkataraman, G., Hallett, M. Self-modulation of primary motor cortex activity with motor and motor imagery tasks using real-time fMRI-based neurofeedback. NeuroImage. 59 (2), 917-925 (2012).
  28. Chiew, M., LaConte, S. M., Graham, S. J. Investigation of fMRI neurofeedback of differential primary motor cortex activity using kinesthetic motor imagery. NeuroImage. 61 (1), 21-31 (2012).
  29. Haller, S., Birbaumer, N., Veit, R. Real-time fMRI feedback training may improve chronic tinnitus. Eur Radiol. 20 (3), 696-703 (2010).
  30. Haller, S., et al. Dynamic reconfiguration of human brain functional networks through neurofeedback. NeuroImage. 81, 243-252 (2013).
  31. Johnston, S. J., Boehm, S. G., Healy, D., Goebel, R., Linden, D. E. J. Neurofeedback: A promising tool for the self-regulation of emotion networks. NeuroImage. 49 (1), 1066-1072 (2010).
  32. Johnston, S., Linden, D. E. J., Healy, D., Goebel, R., Habes, I., Boehm, S. G. Upregulation of emotion areas through neurofeedback with a focus on positive mood. Cogn Affect Behav Ne. 11 (1), 44-51 (2011).
  33. Rota, G., et al. Self-regulation of regional cortical activity using real-time fMRI: The right inferior frontal gyrus and linguistic processing. Hum Brain Mapp. 30 (5), 1605-1614 (2009).
  34. Scharnowski, F., Hutton, C., Josephs, O., Weiskopf, N., Rees, G. Improving visual perception through neurofeedback. J Neurosci. 32 (49), 17830-17841 (2012).
  35. Shibata, K., Watanabe, T., Sasaki, Y., Kawato, M. Perceptual learning incepted by decoded fMRI neurofeedback without stimulus presentation. Science. 334 (6061), 1413-1415 (2011).
  36. Fowler, E. Head noises in normal and in disordered ears: Significance, measurement, differentiation and treatment. Arch Otolaryngol. 39 (6), 498-503 (1944).
  37. Penner, M. J. An estimate of the prevalence of tinnitus caused by spontaneous otoacoustic emissions. Arch Otolaryngol. 116 (4), 418-423 (1990).
  38. Sismanis, A., Smoker, W. R. K. Pulsatile tinnitus: Recent advances in diagnosis. Laryngoscope. 104 (6), 681-688 (1994).
  39. Folmer, R. L., Griest, S. E., Martin, W. H. Chronic tinnitus as phantom auditory pain. Otolaryngology. 124 (4), 394-400 (2001).
  40. Gu, J. W., Halpin, C. F., Nam, E. -. C., Levine, R. A., Melcher, J. R. Tinnitus, diminished sound-level tolerance, and elevated auditory activity in humans with clinically normal hearing sensitivity. J Neurophysiol. 104 (6), 3361-3370 (2010).
  41. Schecklmann, M., et al. Neural correlates of tinnitus duration and distress: A positron emission tomography study. Hum Brain Mapp. 34 (1), 233-240 (2013).
  42. Geven, L. I., de Kleine, E., Willemsen, A. T. M., van Dijk, P. Asymmetry in primary auditory cortex activity in tinnitus patients and controls. Neurosci. 256, 117-125 (2014).
  43. Seydell-Greenwald, A., Leaver, A. M., Turesky, T. K., Morgan, S., Kim, H. J., Rauschecker, J. P. Functional MRI evidence for a role of ventral prefrontal cortex in tinnitus. Brain Res. 1485, 22-39 (2012).
  44. deCharms, R. C., et al. Control over brain activation and pain learned by using real-time functional MRI. P Natl Acad Sci USA. 102 (51), 18626-18631 (2005).
  45. Friston, K. J., et al. Analysis of fMRI time-series revisited. NeuroImage. 2 (1), 45-53 (1995).
  46. Ashby, F. G. . Statistical analysis of fMRI data. , (2011).
  47. Ruiz, S., et al. Acquired self-control of insula cortex modulates emotion recognition and brain network connectivity in schizophrenia. Hum Brain Mapp. 34 (1), 200-212 (2013).
  48. Papageorgiou, T. D., Curtis, W. A., McHenry, M., LaConte, S. M. Neurofeedback of two motor functions using supervised learning-based real-time functional magnetic resonance imaging. Eng Med Biol Soc Ann. , 5377-5380 (2009).
  49. Koush, Y., et al. Connectivity-based neurofeedback: Dynamic causal modeling for real-time fMRI. NeuroImage. 81, 422-430 (2013).
  50. Scharnowski, F., Weiskopf, N. Cognitive enhancement through real-time fMRI neurofeedback. Curr Opin Behav Sci. 4, 122-127 (2015).
  51. Sulzer, J., et al. Neurofeedback-mediated self-regulation of the dopaminergic midbrain. NeuroImage. 83, 817-825 (2013).
  52. Berman, B. D., Horovitz, S. G., Hallett, M. Modulation of functionally localized right insular cortex activity using real-time fMRI-based neurofeedback. Front Human Neurosci. 7 (638), 1-11 (2013).
  53. Birbaumer, N., Cohen, L. G. Brain-computer interfaces: Communication and restoration of movement in paralysis. J Physiol. 579 (3), 621-636 (2007).
  54. Daly, J. J., Wolpaw, J. R. Brain-computer interfaces in neurological rehabilitation. Lancet Neurol. 7 (11), 1032-1043 (2008).
  55. Ros, T., Munneke, M. A. M., Ruge, D., Gruzelier, J. H., Rothwell, J. C. Endogenous control of waking brain rhythms induces neuroplasticity in humans. Eur J Neurosci. 31 (4), 770-778 (2010).
  56. Linden, D. E. J., et al. Real-Time Self-regulation of emotion networks in patients with depression. PLoS ONE. 7 (6), e38115 (2012).
  57. Ninaus, M., et al. Neural substrates of cognitive control under the belief of getting neurofeedback training. Front Hum Neurosci. 7 (914), 1-10 (2013).
  58. Emmert, K., et al. Meta-analysis of real-time fMRI neurofeedback studies using individual participant data: How is brain regulation mediated?. NeuroImage. 124, 806-812 (2016).
  59. Linden, D. E. J., Turner, D. L. Real-time functional magnetic resonance imaging neurofeedback in motor neurorehabilitation. Curr Opin Neurol. 29 (4), 412-418 (2016).

Play Video

記事を引用
Sherwood, M. S., Diller, E. E., Ey, E., Ganapathy, S., Nelson, J. T., Parker, J. G. A Protocol for the Administration of Real-Time fMRI Neurofeedback Training. J. Vis. Exp. (126), e55543, doi:10.3791/55543 (2017).

View Video