JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Deutsch

Automatically Generated
Please note that all translations are automatically generated. Click here for the English version.
Neuroscience

Ein Protokoll für die Verwaltung von Real-Time-fMRT Neurofeedback Training

Published: August 24, 2017
doi:
10.3791/55543
, , , , ,
1Office of the Vice President for Research and Graduate Studies,Wright State University, 2Department of Biomedical, Industrial and Human Factors Engineering,Wright State University, 3Pediatric Radiology and Medical Imaging,Dayton Children’s Hospital, 4Department of Trauma Care and Surgery, Boonshoft School of Medicine,Wright State University, 5Department of Defense Hearing Center of Excellence,JBSA-Lackland, 6Department of Neurology, Boonshoft School of Medicine,Wright State University

Summary

Die Fähigkeit zu induzieren und/oder Steuern neuronale Plastizität möglicherweise entscheidend für zukünftige Behandlungen für neurologische Erkrankungen und die Erholung von Hirn-Verletzungen. In diesem Papier stellen wir ein Protokoll über den Einsatz von Neurofeedback-Training mit funktionellen Magnetresonanztomographie Funktion des menschlichen Gehirns zu modulieren.

Abstract

Neurologische Erkrankungen zeichnen sich durch abnorme zelluläre-, molekulare-, und Schaltung-Level Funktionen im Gehirn. Neue Methoden zum auslösen und Steuern neuroplastischen Prozesse und abnorme Funktionsfähigkeit oder sogar Verlagerung Funktionen von beschädigtem Gewebe physiologisch gesunde Gehirnregionen, halten das Potenzial, allgemeine Gesundheit dramatisch zu verbessern. Der aktuelle neuroplastischen Interventionen in der Entwicklung hat Neurofeedback Training (NFT) aus der funktionellen Magnetresonanztomographie (fMRT) die Vorteile des Seins vollkommen nicht-invasive, nicht-pharmakologische und räumlich lokalisierte Ziel Gehirn Regionen, als auch mit keine Nebenwirkungen bekannt. Darüber hinaus können NFT Techniken, ursprünglich entwickelt mit fMRT, oft in Übungen übersetzt werden, die außerhalb des Scanners ohne die Hilfe von Medizinern oder anspruchsvolle medizinische Geräte ausgeführt werden können. Im fMRT NFT fMRT Signals aus bestimmten Regionen des Gehirns gemessen, verarbeitet und an den Teilnehmer in Echtzeit präsentiert. Durch Training werden selbstgesteuertes geistige Verarbeitungstechniken, die dieses Signal und ihre zugrunde liegenden neurophysiologischen Korrelate zu regulieren, entwickelt. FMRI NFT wurde zur willentlichen Kontrolle über eine Vielzahl von Hirnregionen mit Auswirkungen auf mehrere verschiedene kognitive, Verhaltens- und motorische Systeme zu trainieren. Darüber hinaus hat fMRI NFT Versprechen in eine breite Palette von Anwendungen wie die Behandlung von neurologischen Störungen und die Vermehrung der menschlichen Basisleistung gezeigt. In diesem Artikel präsentieren wir eine fMRI NFT-Protokoll entwickelt wurde in unserer Einrichtung für die Modulation der beide gesund und abnormalen Gehirnfunktionen sowie Beispiele für die Verwendung der Methode zu kognitiven und auditive Regionen des Gehirns ausgerichtet.

Introduction

Neurologische Störungen präsentieren Haupthindernisse auf betroffenen, ihre Familien und die Gesellschaft. Behandlungen für neurologische Störungen können sei nicht Existent oder fragwürdige Wirksamkeit und oft nur gezielt Symptome der Erkrankung. Dies ist der Fall für Tinnitus – die phantom Wahrnehmung von Geräuschen, die nicht über eine Behandlung, die von der US Food and Drug Administration (FDA) genehmigt. Tinnitus haben tiefgreifende Auswirkungen auf das Leben einer Person, alltägliche Aufgaben durch Konzentration verringern oder verändern die Wahrnehmung der tatsächlichen Klang stören. Darüber hinaus Auftreten von Tinnitus betroffene Personen auch Müdigkeit, Stress, Schlafstörungen, Gedächtnisstörungen, Depression, Angst und Reizbarkeit1. Therapien, die es, wie z. B. Antidepressiva und antianxiety Medikamente gibt nur helfen, die damit verbundenen Symptome zu verwalten und können keine Behandlung der zugrunde liegenden Ursache. Dadurch entsteht eine kritische Lücke für innovative Behandlungen dieser Erkrankungen.

Verbesserungen bei der Übernahme Techniken, Rechenleistung und Algorithmen revolutionierten die Geschwindigkeit, mit der funktionelle Magnetresonanztomographie (fMRT) Daten gemessen und verarbeitet werden können. Dies ermöglichte das Aufkommen der Echtzeit fMRT, wo Daten verarbeitet werden können, wie sie erfasst werden. Frühe Anwendungen in Echtzeit fMRT begrenzt waren2, in erster Linie durch die Unfähigkeit, schnell die Vorverarbeitung typische offline Analysen wie Bewegungskorrektur Schritte gehemmt. Verbesserungen in computing-Technologie und Algorithmen haben nun die Geschwindigkeit, Empfindlichkeit und Vielseitigkeit in Echtzeit fMRT3 erlauben ähnliche offline Vorverarbeitung in Echtzeit angewendet werden erhöht. Diese Entwicklungen führten zu 4 primäre Anwendungsdomänen von Echtzeit fMRT: intraoperative chirurgische Führung4, Gehirn-Computer Schnittstellen5,6, Anpassung Reize für aktuelle Gehirn7, Staaten und Neurofeedback Training8.

NFT, ist zwar nicht der ursprüngliche Schwerpunkt der Echtzeit fMRT, einer wachsenden Forschungsgebiet wo Einzelpersonen lernen zu modulieren, Hirnaktivität volitionally durch die Umsetzung von mentalen Strategien (d.h. vorstellen können Aufgaben). NFT ist eine Form der operanten Konditionierung9, das gezeigt worden ist, um neuronale feuern Preise und neuronaler Aktivität in Affen10zu erhöhen. Auch, fMRI NFT zugeordnet wurde Spike Timing-abhängigen Plastizität, die neuronale Veränderungen, die während der assoziativen Lernens11auftreten. Weitere Auswirkungen empfehlen fMRI NFT Plastizität über Long-Term Potenzierung (LTP), wodurch induziert synaptischen Effizienz12verbessert. Eine weitere Forderung impliziert zelluläre Mechanismen der Fähigkeit zu lernen, wie willentliche Kontrolle über die Aktivität des Gehirns, und kann Änderungen in spannungsabhängige Membran Leitwert – ausgedrückt als Veränderung in neuronale Erregbarkeit13einzubeziehen. In jedem Fall scheint es, dass fMRI NFT beeinflusst das Gehirn auf neuronaler Ebene. Diese Theorien liefern überzeugende Argumente für den Einsatz von fMRT NFT bei der Behandlung von neurologischen Erkrankungen.

FMRI NFT, bietet im Gegensatz zu traditionellen fMRT, die Möglichkeit, das Verhältnis zwischen Hirnaktivität und Verhalten11,14untersuchen. Vor kurzem wurde Spike in Studien mit fMRI NFT mit fast doppelt so viele Artikel in 2011 / 2012 veröffentlicht (n = 30) im Vergleich zu den vorangegangenen 10 Jahren (n = 16)11. Eines der ersten fMRI NFT Studien führte Weiskopf und Kollegen in 20038. Diese Studie zeigte erfolgreich die Möglichkeit der Online-Feedback und Selbstregulierung des fMRT Signals in der anterioren cingulären Kortex (ACC) mit einem Teilnehmer. Feedback wurde mit einer Verzögerung von etwa zwei Sekunden, mehr als eine Größenordnung schneller als einige früheren Studien gezeigt. Die erste vollständige Studie wurde im Jahr 2004 durchgeführt, wo 6 Teilnehmern gelernt, Aktivität der Somatomotor Kortex15zu kontrollieren. FMRI NFT erstreckte sich über 3 Sitzungen am selben Tag durchgeführt. Erhöhter Aktivität räumlich selektiv zu der Zielregion im Somatomotor Kortex wurde im Laufe der Ausbildung auf ein-Fach und Gruppe Ebene beobachtet. Dieser Effekt wurde nicht für die Kontrollgruppe, die echte fMRI-Informationen aus einer Hintergrund-Region (nicht korreliert mit der durchzuführenden Aufgabe) erhielt bereits im Vorfeld beobachtet. Forscher haben inzwischen gezeigt, dass Menschen die willentliche Kontrolle über die fMRT-Signal gemessen von zahlreichen Gehirnregionen einschließlich der ACC16, Amygdala17, anterioren Insula18,19, auditive lernen können und Aufmerksamkeit im Zusammenhang mit Netzwerken20, bilaterale Rostrolateral präfrontalen Kortex21, dorsolateralen präfrontalen Kortex12,22,23, Motor Cortex24, 25,26,27,28, primären Hörrinde29,30, Regionen, verbunden mit emotionalen Netzwerk Regionen31,32 , rechts minderwertigen frontalen Gyrus33und visuellen Cortex34,35.

Die zugrunde liegenden Mechanismen der viele neurologische Störungen sind nicht bekannt. Im Beispiel des Tinnitus gibt es keine offensichtliche Quelle für das phantom Ton in den meisten Fällen36,37,38. Trotz dieser Hinweise darauf, dass ein zentraler Mechanismus für die Tinnitus-Wahrnehmung bei einigen Personen verantwortlich sein kann, beweist das Fehlen von Symptom Auflösung nach komplette Dissektion der Hörnerv39. Hyperaktivität, verbunden mit Tinnitus befindet sich in der primären Hörrinde40,41,42. Weitere Anzeichen dafür, dass die Auswirkungen von Tinnitus weiter ausbauen in Bereiche in der Verarbeitung von Emotionen und Aufmerksamkeits staatliche43. Basierend auf diese Anomalien, werden fMRI NFT Paradigmen entwickelt, um induzieren und neuroplastischen Kontrollmechanismen, die die normalen neuronalen Muster zu fördern.

Protocol

das folgende Protokoll der fMRI-NFT entspricht den Richtlinien von der Wright State University Institutional Review Board zur Verfügung gestellt. 1. Kontrollgruppen sorgfältig abzuwägen und Kontrolle Gruppen a-priori zu bestimmen. Design-Kontrolle Gruppe(n) erlauben die hypothesis(es) ausgewertet werden und Auswirkungen von zusätzlichen Faktoren wie Praxis oder Erwartungen erstellt durch das Feedback berücksichtigen zeigt 44. 2. Hardware-Setup alle Hardware vorbereiten, bevor die Teilnehmer MRI mit den gleichen Verfahren wie traditionelle fMRI hereinkommt. Schließen Sie das Herr-kompatiblen Display und Antwort Gerätesystem auf den Stimulus-Computer (PC). Route, Verkabelung für den Herrn-kompatible Antwort Geräte und Kopfhörer durch oder um das MRI trug. Verbinden die TR-Trigger-Ausgang aus dem MRI auf Reiz PC. Hinweis: In einigen Konfigurationen kann dies an der Herr-kompatible Antwort Gerätehardware angeschlossen werden, der dann an den Stimulus-Computer verbindet. Dies ist zwingend notwendig für die Synchronisation Reize und Datenerfassung. Position der Herr-kompatiblen anzeigen lassen, so dass es für die Teilnehmer über den Spiegel (zu) sichtbar ist der Kopf Spule angebracht. 3. Teilnehmer Positionierung Hinweis: die Teilnehmer sollten auf dem Scanner-Tisch positioniert werden, in einer ähnlichen Weise zu einem typischen Gehirn MRT und in der gleichen Weise wie herkömmliche fMRI. Haben die Teilnehmer liegen unten in Rückenlage auf dem Scanner-Tisch. Fragen Sie ihren Kopf im Inneren der Spule Kopf zu bewahren. Setzen Sie die Kopfhörer auf die Teilnehmer ' s den Kopf und die Ohren fallen zu gewährleisten. Falls zusätzliche Gehörschutz erforderlich ist, fügen Sie Ohrstöpsel vor Positionierung der Kopfhörer. Legen Sie eine Pad unter den Teilnehmer ' s Knie für zusätzlichen Komfort. Verriegeln den Oberkörper der Kopf Spule. Befestigen Sie den Spiegel, um den Kopf Spule. Positionieren Sie die Antwort-Geräte in der Teilnehmer ' s Hände. Wahrzeichen die Position des Teilnehmers ' s Nasion bezogen auf den Scanner. Bewegen, die denkmalgeschützte Ort zum Zentrum des MRT trug. Bestätigen, dass der Teilnehmer das gesamte Display mit dem Spiegel ansehen kann. Bitten Sie die Teilnehmer, den Spiegel nach Bedarf anpassen. 4. Lokalisierung der Zielregion führen ein " funktionelle " Localizer. Verwenden Sie die Aktivität des Gehirns von der funktionalen Localizer definieren das Ziel Region von Interesse (ROI) 11. Hinweis: Dieser Lauf wird in ähnlicher Weise zu traditionellen fMRI ausgeführt. Jedoch das Ziel ROI kann auch definiert werden, mit individuellen Anatomie oder standardisierten Atlanten entfällt die Notwendigkeit, eine funktionale Localizer durchzuführen. Bieten gescriptete und/oder visuelle Aufgabe Anweisungen an die Teilnehmer. Hinweis: Diese Anleitung sollte prägnant sein aber enthalten ausreichende Informationen, damit die Teilnehmer die Aufgabe ausgeführt, während die funktionale Localizer erfolgreich durchführen. Hier die Anweisungen informieren die Teilnehmer, die, den ein Punkt auf dem Bildschirm angezeigt wird, und sie können Töne im Kopfhörer hören. Ihr Ziel ist es, sich entspannen und konzentrieren sich auf den Punkt. Begin synchronisiert Verwaltung von akustischen Reizen (z. B. bilateralen kontinuierlichen weißes Rauschen 29) und Datenerfassung durch Drücken der " Scan "-Taste auf die MRT. Hinweis: Dies erfolgt durch die Programmierung der Präsentation von Reizen, die mit der TR-Trigger aus der fMRT-Akquisition. Der TR-Trigger wird über die fMRT-Protokoll gesteuert aber dies vom Hersteller des der MRT und die installierten Pakete betroffen sein könnten. Alle optischen, haptischen und/oder auditive Reize können geliefert werden, um andere Aufgaben und/oder anderen Zielregionen. Alternative die Lieferung von Aufgabe reizen (weißes Rauschen) mit abgestimmten Steuerung Reize (kein Lärm) in einem blockierten Muster. Kontrolle Reize zu verwenden, um unerwünschte Netze/Systeme in die Aufgabe Reize aktiviert aktivieren. Hinweis: Dieser Wechsel erfolgt durch Synchronisierung Reize der fMRT-Akquisition und Überwachung Impulse TR. Sammeln Sie ganze Gehirn Echo planar Bilder mit einer Pulsfolge Farbverlauf-daran erinnert-Echo MRI; Beispiel Parameter für die Pulsfolge umfassen eine Übernahme-Matrix von 64 x 64 Elementen in Phase und Frequenz, 41 Scheiben parallel ausgerichtet die vordere Kommissur-hintere Kommissur Flugzeug, 3,75 x 3,75 x 3 mm 3 Voxel Größe, Abstand von 0,5 mm Scheibe, Fett Unterdrückung aktiviert, TR/TE = 2.000/20 ms und einem Flip-Winkel = 90°. Eine Aktivierung Karte von fMRI-Daten gesammelt, während die funktionale Localizer mit multivariaten Statistik zu berechnen. Hinweis: Die folgenden Schritte sind eine Variante der Verarbeitung für traditionelle fMRI durchgeführt. Einige Schritte wurden entfernt oder vereinfacht, um die Bearbeitungszeit zu verringern. Preprocess schuf die Daten während der Datenerfassung mit Individualsoftware aus standard Pre-processing Techniken 12 , 45. Führen Sie 3D räumliche Filterung mit einer Gaußschen Tiefpass-Kernel (voller Breite Hälfte-max. 4,5 mm). Richtig für translatorische Bewegung durch die Ausrichtung der Massenmittelpunkt für jedes Volume, der erste Band der funktionalen Localizer mit Tri-lineare Interpolation. Durchführen, zeitliche Filterung mit einer Gaußschen Tiefpass-Kernel mit σ = 3 s. Erstellen Sie ein Modell zur Vorhersage der neurophysiologischen Reaktion auf die Aufgabe, dies erfolgt in der gleichen Weise wie herkömmliche fMRI. Erstellen ein psychologisches Modell, das beschreibt die aktive und für jede Zeitpunkt 46 Staaten ruhen. Diese Modelle die Zeitpunkten während der Aufgabe mit einem Wert von ' 1 ' und Steuern mit einem ' 0 '. Rollst das psychologische Modell mit einer vordefinierten hämodynamische Antwort Funktion (HRF) 46 die fMRT (neurophysiologische) Reaktion auf die Aufgabe vorherzusagen. Passen die fMRT-Daten bei jedem Voxel als Funktion der Zeit mit den neurophysiologischen Modell eine allgemeine lineare Modell (GLM). Dadurch wird eine β-Parameter-Karte, die in t- oder z umgewandelt wird-Statistik Karten (Aktivierung Karten) mit standard statistische Transformationen. Nutzen Sie die Aktivierung-Karte auf eine mittlere fMRT-Bild überlagert, die Region festzustellen, in denen das Feedback-Signal für die anschließende Neurofeedback abgeleitet werden. Hinweis: Dies erfolgt über Individualsoftware. Um globale und unspezifische Veränderungen zu entfernen, kann auch ein zweite ROI definiert werden. Navigieren Sie durch die Scheiben mit dem Mausrad Schieberegler oder den Slice-Schieberegler, anatomischen Markierungen sichtbar in der f findenMRT-Daten wie z. B. der minderwertigen Oberfläche des frontalen Horns der seitlichen Ventrikel 12. Schwelle der Aktivierung-Karte mit den Schwellenwert-Schieberegler um die Voxel sehr robust aktiviert, während die funktionale Localizer in der Zielregion. Führen Sie durch Auswahl einer Schwelle apriorische oder durch manuelles Anpassen der Schwellenwerts. Die linke Maustaste verwenden, um einzelne Voxel mit Aktivierung über dem ausgewählten Schwellenwert und innerhalb der Zielregion der ROI hinzufügen auszuwählen. Hinweis: Voxel kann ein oder mehrere Slices ausgewählt werden. 5. fMRI NFT Verhalten Neurofeedback läuft mit einem Güterwagen-Modell mit wechselnden Bedingungen der Aufgabe und Kontrolle. Implementieren eine Aufgabe Zustand wo Teilnehmer heben oder senken Sie die Aktivität der Zielregion, mit der Richtung der Steuerung als entscheidend für die Erreichung der gewünschten Ergebnisse. Hinweis: zum Beispiel viele Regionen des Gehirns sind bei Patienten mit Tinnitus hyperaktiv und abnehmender Aktivität daher normale neuronalen Muster fördern kann. Wechseln sich die Aufgabe Zustand mit einer Kontrollbedingung, wo Teilnehmer wieder Aktivität zur Ruhe entspannen und ihren Kopf frei. Bieten den Teilnehmer mit einem Skript Beispiel Achtsamkeit Aufgaben während beide Bedingungen als Starthilfen für die Modulation der Aktivität des Gehirns in Richtung der gewünschten Zustände verwendet werden. Weisen Sie die Teilnehmer Achtsamkeit Aufgaben dieses Laufwerksaktivität des Gehirns in Richtung der gewünschten Zustände. In den Tinnitus kann beispielsweise anweisen, die Teilnehmer zu anderen sensorischen Systemen, auditive Aktivität zu verringern von den auditorischen System abzulenken. Baseline Berechnung Hinweis: aufgrund von tuning der MRI-Hardware-Komponenten vor jedem Lauf, Basislinien werden verwendet, um Daten vor der Präsentation Feedback an die Teilnehmer zu normalisieren. Die Baseline-Durchschnitt wird für die Zielregion mit einem Durchschnitt von einem oder mehreren Volumes erworben am Anfang von jedem fMRT NFT laufen 12 , 47 bestimmt. Anweisen, die Teilnehmer während eines Countdowns präsentierte zu Beginn des Scans entspannen. Begin synchronisiert Reize Präsentation und Datenerfassung durch Drücken der " Scan " Taste auf dem MRI-Scanner. Sammeln Sie Echo planar Bilder mit einer Pulsfolge Farbverlauf-daran erinnert-Echo MRI in gleicher Weise wie für die funktionelle Localizer im Schritt 4.1.2 verschrieben. Acquire Grundlinie Bände. Visuell zu präsentieren, ein Countdown-Timer und leere Feedback Display. Verarbeiten die Daten während der Akquisition mit Individualsoftware. Führen Sie 3D räumliche Filterung mit einer Gaußschen Tiefpass-Kernel (voller Breite Hälfte-max. 4,5 mm). Für translatorische Bewegung mit den Massenmittelpunkt für jedes Volume korrigieren; jeder Band den ersten Band von der funktionalen Localizer mit Tri-lineare Interpolation registriert ist. Compute durchschnittliche Signal aus Ziel ROI durch Raum und Zeit. Summe der Signale von allen Voxel innerhalb des Ziels ROI in jedem Band. Erstellen ROI Durchschnitt für jedes Volume durch Division der Summe durch die Anzahl der Voxel im ROI. Durchschnittliche Beträge von der Grundlinie Bände. Erwerben Neurofeedback Bände Vorverarbeitung der Daten während der Akquisition mit Individualsoftware. Führen Sie 3D räumliche Filterung mit einer Gaußschen Tiefpass-Kernel (voller Breite Hälfte-max. 4,5 mm). Richtig für translatorische Bewegung durch die Ausrichtung der Massenmittelpunkt für jedes Volume, der erste Band der funktionalen Localizer mit Tri-lineare Interpolation. Das Feedback-Signal zu berechnen. Eine Rückmeldung ist von jeder erworbenen Band während fMRT NFT abgeleitet. Dies sind die Informationen, die der Teilnehmer zu helfen lernen volitional Steuerung präsentiert wird. Durchschnittliche fMRT Signals aus allen Voxel innerhalb des Ziels ROI erstelle ich einen Einzelwert. Berechnet die prozentuale Veränderung zwischen dem aktuellen ROI-Durchschnitt und der ROI Grundlinie Durchschnitt. Optional kann dieses Signal skaliert werden, um den Faktor der Teilnehmer abhängig ' s Leistung. Berechnen Sie das Feedback-Signal durch zeitlich Filtern (“glockenförmig” Tiefpass-Kernel mit einem Sigma 3 s nur past Komponenten bestehend) die aktuelle prozentuale Veränderung mit den Rückmeldungen aus vorangegangenen Neurofeedback Bänden. Das Feedback-Signal angezeigt. Anzeige der aktuellen Feedback-Signal durch ein Thermometer-Stil Bar Grundstück, wo die Höhe des Balkens proportional zur Rückmeldung Wert 18 , 19 , ist 21 , 34. Overlay-Anweisungen für die Teilnehmer auf dem Feedback Display. Hinweis: Diese Anweisungen sind einfach und sollten direkt die Teilnehmer entspannen, oder höher oder niedriger Aktivität (d.h. der Thermometer-Bar). Optional bieten zusätzliche Stimulation. Zusätzliche optische, akustische oder haptische Stimulation kann zeitgleich mit Feedback vorgestellt. 6. Die Fähigkeit zur Selbstregulierung des Ziels ROI zu bewerten. Hinweis: Nachdem Neurofeedback abgeschlossen ist, muss die Fähigkeit zur Selbstregulierung der Zielregion für jeden Lauf des Trainings quantifiziert werden. Analyse Intra unterliegen Änderungen in der Feedback-Signale 12. Erstellen eine psychologische Modell repräsentieren die Rest und Aufgabe Bedingungen von Neurofeedback. Hinweis: Dieses Modell ist mit einer vordefinierten HRF herstellen einer neurophysiologischen Modell gefaltet. Das Verfahren ist dasselbe wie beschrieben für die funktionelle Localizer. Passen die Feedback Signal Zeitreihen mit den neurophysiologischen Modell einer GLM. Dies führt zu einer β-Parameter, der in t- oder z umgewandelt wird-Statistik, die repräsentativ für die Fähigkeit zur Selbstregulierung. Inter unterliegen Vergleiche ausführen. Hinweis: Vertreter der Selbstregulierung Leistung Statistiken können über Pisten und Gruppen mit Hilfe geeignete statistischer Analysen (z. B. gepaart t – Tests oder ANOVAs) verglichen werden. Diese Tests Veränderungen in der Fähigkeit die Zielregion über Training und Gruppen selbst zu regulieren, zu bewerten und können verwendet werden, um die Studie zu bewerten ' s hypothesis(es).

Representative Results

Unser Team zeigte eine signifikante Zunahme der Kontrolle über den linken dorsolateralen präfrontalen Kortex (DLPFC) von fMRI NFT in einer Kohorte von 18 Teilnehmern gelernt. Eine einfache ANOVA innerhalb der Themen wurde auf die quantitativen Werte der willentlichen Steuerung12durchgeführt. Diese Analyse ergab Kontrolle über die linke, die DLPFC deutlich über 5 X erhöht6 Min:24 s läuft von Neurofeedback getrennt über fünf separate Sitzungen durchgeführt innerhalb 14 d (Abbildung 1; F(4,68) = 2.216, p = 0,038, Sphärizität angenommen, einseitigen). Veränderungen in der Leistung auf einem komplexen Multitasking-Test vor und nach NFT, durchgeführt wurden zu einer Gruppe verglichen, die nicht mit 2 x 2 gemischt-Modell ANOVAs Neurofeedback erhalten haben. Post-hoc-Bonferroni-korrigierte Vergleiche zeigten deutliche Performancesteigerungen auf ein komplexes Multitasking-Test, keine zusätzliche Schulung erhielten (p < 0,005, einseitigen), und dieser Anstieg war deutlich größer als eine Kontrollgruppe die vergleichbaren Ausbildung durchgeführt aber lieferte nicht mit zusätzlicher Hilfe von Neurofeedback (p < 0,03, Sphärizität angenommen, einseitigen)12. Trotz der Verum-Gruppe, die Erlangung der Kontrolle über die linke DLPFC über Ausbildung wurde ein Plateau nicht beobachtet. Dies bedeutet, dass maximaler Kontrolle nicht notwendig ist, Verhaltensstörungen Ergebnisse produzieren und noch größere Wirkung mit weiterer Ausbildung12möglich sein können. Unser Team ergab darüber hinaus fMRI NFT mit n kombiniert-Back Praxis schafft fokale Veränderungen der Gehirnaktivität, die beschränken sich auf die Zielregion und hat keinen Einfluss auf die Up – oder Down-Stream Netzwerkkomponenten Arbeitsspeicher (Abbildung 2) 22. Eine frühere Studie hat bezüglich Tinnitus fMRI NFT als eine mögliche Behandlung29untersucht. In dieser Studie wurden 4 x 4 min läuft von Neurofeedback in einer einzigen Trainingseinheit abgeschlossen. Verhaltens Bewertungen der Tinnitus wurden vor und nach der einzigen fMRI-NFT-Session durchgeführt. Erfolgreiche willentliche Down-Regulierung des auditorischen Kortex wurde erreicht, und führte zu einem deutlichen Rückgang der auditiven Aktivierung. Diese Studie zeigt das Versprechen von fMRT NFT bei der Behandlung von Tinnitus, jedoch nur sechs Teilnehmer wurden untersucht und eine Kontrollgruppe wurde nicht für den Vergleich verwendet. Darüber hinaus wurden statistische Analysen einschließlich der Verhaltensdaten nicht durchgeführt. Ausbau auf dieser Studie könnten interessante neue Behandlungsmöglichkeiten für Tinnitus-Patienten aufzeigen. Abbildung 1: Erhöhung der Kontrolle über die linke DLPFC. Durchschnitt verlassen DLPFC Steuerung für jede Neurofeedback laufen (durchgeführt an verschiedenen Tagen) werden durch die leichte grüne Kreise gekennzeichnet. Eine lineare Regressionsanalyse zeigte eine signifikante Zunahme der Kontrolle über Training (dunkle grüne Linie; β = 1.078, p < 0,033). Fehlerbalken stellen 1 SEM. unverändert Arbeit von Sherwood Et al. 12, unter der Creative Commons Attribution License nachgedruckt. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 2: lokalisierte Wirkung des Lernens links DLPFC Kontrolle. (A) die Wahrscheinlichkeit der Voxel Inklusion von fMRI NFT ausgewählt aus einer n-wieder funktionsfähig Localizer. Leichte blaue Voxel wurden am häufigsten in der Zielregion NFT, dunkel blau Voxel wurden seltener und klare Voxel wurden nicht berücksichtigt. (B) Voxel-basierte ANOVA ergibt sich für die wichtigste Auswirkung der Trainingseinheit (rot-gelb). Dieser Effekt zeigte eine große Überschneidung mit der linke DLPFC ROIs für NFT gezielt. Axiale Scheiben werden im radiologische Convention in die Koordinaten Z = 22, 26, 30, 34 und 38 mm (von links nach rechts). Unveränderte Arbeit von Sherwood Et al. 22, abgedruckt unter der Creative Commons Attribution License. Bitte klicken Sie hier für eine größere Version dieser Figur.

Discussion

Die fMRT NFT Protokoll diskutiert hier lässt sich jede Region des Gehirns gezielt anpassen und bespricht eine Univariate, ROI-basierte Ansatz für Neurofeedback. Dies kann erreicht werden, indem zusätzliche funktionale Localizer Programmieraufgaben zu anderen Regionen zu aktivieren. Durch die Einbeziehung dieser Aufgaben in der benutzerdefinierten Neurofeedback-Software, haben wir ein sehr einfaches Verfahren entwickelt. Es gibt jedoch eine Einschränkung: die Zielregion funktionell definiert werden muss. Zu diesem Zeitpunkt führt die Software, die unser Team entwickelt hat keine Registrierung zwischen funktionellen und anatomischen Bildern. Daher können nicht andere ROI Auswahlmethoden, wie Atlas-basierte ROIs, zu diesem Zeitpunkt umgesetzt werden. Darüber hinaus können Parameter für die Reize und Neurofeedback (z. B. Blockierungsdauer, Anzahl der Blöcke und bildgebenden Parameter einschließlich TR) leicht vom Betreiber manipuliert werden. Darüber hinaus führt die Übertragung um zu bewerten die Fähigkeit, das Ziel selbst zu regulieren, den, das ROI in der Abwesenheit von Neurofeedback umgesetzt werden kann. Die von die uns entwickelte Software bietet keine Neurofeedback Verwendung von multivariaten Muster35,48 oder Verbindungen zwischen Gehirn Regionen49.

FMRI NFT bietet wesentliche Vorteile gegenüber anderen Formen von Neurofeedback hat aber auch seine Grenzen. Der Hauptvorteil von fMRT NFT ist die räumliche Auflösung der übertrifft alle anderen Formen der NFT z. B. Elektroenzephalogramm (EEG)-Neurofeedback basiert. Verbesserter räumliche Auflösung ermöglicht bestimmte Strukturen/Hirnfunktionen über das gesamte Gehirn zu gezielten50. Derzeit ist dies nicht möglich mit anderen Therapien wie Pharmakotherapie, die systematische sind. Die Hauptbeeinträchtigung von fMRI NFT ist jedoch die zeitliche Verzögerung. Nicht fügt nur raten viel langsamer als EEG (bis zu 3 Größenordnungen langsamer) Probenahme sind, die hämodynamische Lag, verbunden mit der fMRT-Signal weiter diese Verzögerung. Trotzdem ist die überwältigende Beweise dafür, dass Teilnehmer können diese Verzögerung überwinden und mit etwas Übung lernen, Gehirn-Aktivität (z. B. für eine Rezension siehe Sulzer Et Al. zu kontrollieren 11 und Scharnowski Et al. ( 50).

Die Popularität von fMRT NFT wächst, aber es bleibt in einem Kinderschuhen. Aus diesem Grund müssen gemeinsame Praktiken noch angenommen werden. Das beschriebene Protokoll beschreibt Methoden, die wissenschaftlich anerkannt sind. Zum Beispiel wurden mehrere Formen von Feedback-Displays in verschiedenen Studien, darunter eine Thermometer-Stil Bar Plot18,19,21,34genutzt. Darüber hinaus präsentiert eine Rückmeldung, wie die prozentuale Signaländerung einen Basisplan berechnet aus der Zielregion auch ausgiebig implementierten12,19,21,25 wurde , 30 , 51 , 52.

Steuerung plastische Effekte im Gehirn bietet eine innovative therapeutische Technik um abnormale Gehirnaktivität, z. B., verbunden mit Tinnitus diskutiert über neurologische Störungen oder Hirnverletzungen behandeln. Obwohl die genauen Mechanismen, die Auswirkungen auf das Verhalten Neuromodulation übersetzen noch unbekannt sind, fMRI NFT LTP11wurde zugeordnet. Durch den Lernprozess wird Verhalten verstärkt, wenn man aktiv Aktivität des Gehirns in aufgabenbezogenen Gehirnnetzwerke regelt. Diese Verstärkung führt die Verlobung von neuroplastischen Mechanismen, die das Netzwerk mit effizienter ausführen. Dies deckt sich mit anderen NFT-Techniken wie EEG-basierten Neurofeedback wo Personen ausgebildet werden, um die Frequenzbänder von elektrischen Signalen gemessen vom lokalen Regionen der Kopfhaut53,54,55 Steuern . Andere haben angegeben, dass LTP aus synaptische Plastizität, was zu synaptischen Effizienz12verbessert. Noch schlägt eine andere Forderung zelluläre Mechanismen des Lernens Änderungen in spannungsabhängige Membran Leitwert verbunden sein können, die als Veränderung der neuronalen Erregbarkeit13zum Ausdruck kommt. In jedem Fall die Kontrolle über diese Prozesse herausstellt, dass fMRI verursacht NFT Veränderungen auf zellulärer Ebene, und dass der einzelne etwas lernen kann. Diese Fähigkeit und diese Änderungen möglicherweise entscheidend für lernen und Entwicklung von Behandlungen für Hirnverletzungen und neurologische Störungen.

Ein wichtiger Aspekt der fMRT ist NFT, Veränderungen im Verhalten zu messen. Dies ist zwingend notwendig, um viele Hypothesen, die Verhaltensänderungen angetrieben durch die NFT-induzierten neuronalen Veränderungen vorhersagen. Zumindest diese Bewertungen zu zwei Zeitpunkten erhoben werden: vor und nach NFT. Bei Tinnitus könnte diese Verhaltensstörungen Bewertungen ausschließlich aus subjektiven Fragebögen bestehen, da gibt es kein direktes Maß für Tinnitus. Für andere neurologischen Erkrankungen sollte eine Literaturrecherche durchgeführt werden, um festzustellen, die angemessen, vernünftigen und dokumentierten Bewertungen für die spezifische hypothesis(es) untersucht. Einige Hypothesen erfordern Messungen an zusätzliche Zeitpunkte, wie die Erforschung nah-, kurz- und langfristige Auswirkungen von fMRT NFT. Einige Einschätzungen erfordern Training vor NFT, Lerneffekte zu reduzieren. Andere Hypothesen erfordern auch neurologische Tests wie die Ebenen des Gehirns Metaboliten, zerebrale Perfusion oder funktionelle Netzwerke interessiert.

Die fMRT-NFT-Verfahren hat zwei kritische Phasen. Die erste ist eine Region des Gehirns Neurofeedback Targeted bestimmen. Vor der Durchführung von Verfahren, sollte eine gründliche Literaturrecherche durchgeführt werden, um die Nervenbahnen und wichtige Strukturen/Funktionen im Zusammenhang mit der neurologischen Störung oder Hirn-Trauma zu untersuchen. Aus diesem Grund sollte Schlüsselfunktionen Strukturen als Ziel für Neurofeedback sorgfältig ausgewählt werden. Nächste, eine weitere Literaturrecherche durchgeführt werden, um Aufgaben im Zusammenhang mit dieser Struktur/Funktion zu untersuchen. Diese Aufgabe kann oder kann nicht mit der Erkrankung in Verbindung gebracht werden, aber es sollte bestätigt werden, dass die Aufgabe die gewünschte Region(en) in der dafür vorgesehenen Bevölkerung aktiviert. Bei Neurofeedback-Verfahren wird dieser Zielregion bei der ersten Sitzung oder bei jeder Sitzung individuell ausgewählt werden. Inter – und intra – subject Variabilität kann daher wichtige Faktoren, die zu unvorhersehbaren Ergebnissen führen könnte. Es ist wichtig, erstellen Sie ein Protokoll die Zielregion auswählen und führen entsprechende Schulung des Personals. Es gibt zwei Methoden, um ein Ziel ROI definieren: anatomisch und funktionell. Anatomische Definitionen nutzen strukturellen MRT-Untersuchungen die Zielregion streng von der Anatomie zu definieren,und evtl. mit einem standard-Atlas. Funktionelle Bilder der strukturellen Bilder registriert sind, und die Zielregion verwandelt sich in funktionaler Raum21,26. In der funktionalen Methode wird die Zielregion aus einer Aktivierung Karte produziert durch die Durchführung einer funktionalen Localizer11,12,24,29,44ausgewählt. Diese Methode wurde hier diskutiert.

Die zweite kritische Phase im fMRT NFT ist Kontrolle Gruppenauswahl. Kontrollgruppen sind von entscheidender Bedeutung bei der Bestimmung der Wirkung von fMRT NFT, und die Auswahl der Kontrollgruppen sorgfältig betrachtet werden. Frühere Studien haben eine Vielzahl von Steuerelementen verwendet. Ein gemeinsames Verfahren für eine Kontrollgruppe soll willentliche Kontrolle im Beisein von Sham Feedback zu versuchen. Dieses Feedback kann von einem Teilnehmer in der experimentellen Gruppe21,44, aus einer Region, die nicht in den gewünschten Prozess unbemerkt an den Teilnehmer17,33, zur Verfügung gestellt paarte 44, oder invertierte52. Andere Studien haben Kontrollgruppen, die willentliche Kontrolle versuchen, aber nicht zur Verfügung gestellt mit Neurofeedback12,21,44,56verwendet.

Eine frühere Studie legt nahe, dass bei Probanden versuchen, Sham Feedback zu steuern, gibt es erhöhte Aktivierung im bilateralen Insula, anterioren cingulären, ergänzende Motor, Dorsomedial und lateralen präfrontalen Bereichen im Vergleich zu passiv beobachten ein Feedback anzeigen57. Diese Ergebnisse implizieren eine breite Fronto-parietalen und Cingulo Kiemendeckel Netzwerk ist aktiviert, wenn die Absicht, die Aktivität des Gehirns zu kontrollieren. Darüber hinaus empfehlen diese Erkenntnisse traditionelle Kontrollgruppen NFT Versuchszwecke verwendeten neuronalen Korrelate mit kognitiven Kontrolle, auch in Gegenwart von Sham Feedback verwendet werden. Eine separate Meta-Analyse ergab Tätigkeit im anterioren Insula und Basalganglien, die beide Regionen kognitive Kontrolle beteiligt und andere höhere kognitiven Funktionen Komponenten entscheidend sind für die willentliche Kontrolle58versucht wurden. Die Ergebnisse der Meta-Analyse bestätigt die vorherige Feststellung57. Zusammen genommen, Anhaltspunkte diese, dass es entscheidend für die Wirkung von erfolgreichen volitional Steuerung und im Zusammenhang mit versuchen Selbstregulierung abzugrenzen ist. Daher kann die Aufnahme von Kontrollgruppen, die versuchen nicht Selbstregulierung wichtig sein.

Jedoch wurden frühere Studien, wo Gruppen erhielt Schein fMRI Steuersignale Unterschiede im Ziel ROI Aktivität gezeigt haben, von denen beobachtet, die wahre Feedback15,16,17, zu erhalten 18 , 20 , 21 , 25 , 26 , 28 , 33 , 34 , 44, obligatorische Schulungskonzepte, die Rückmeldung nicht integrieren sind nicht effektiv bei der Modulierung der Zielregion. Darüber hinaus Kontrollgruppen, die empfangen identische Anweisungen und den gleichen Zeitraum der Ausbildung, aber keine Rückmeldung über das derzeitige Niveau der Aktivität des Gehirns erhalten nicht ähnliche Verhaltensstörungen Ergebnisse als den experimentellen Gruppen aufweisen, die gegeben wurden Neurofeedback12,18,21,32,44,59. Diese Ergebnisse deuten darauf hin, dass die experimentelle Effekte auf fMRI NFT-induzierte lernen anstelle von anderen lernen oder unspezifische Veränderungen zurückzuführen sind. Daher müssen spezifische Ausbildung Therapien welche Zielgruppe spezielle neurophysiologische Systeme um die gewünschten Effekte zu erzielen entwickelt werden. Die Ergebnisse aus einer Studie mit einer Vielzahl von Kontrollgruppen zeigen Verhaltenstraining, Praxis, sensorisches Feedback und Biofeedback allein erzeugen keine gleichwertige Auswirkungen auf das Verhalten als diejenigen, die fMRT NFT44erhalten.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Dieses Material basiert auf Forschung, gesponsert von der US Air Force unter Vertragsnummer FA8650-16-2-6702. Die Meinungen sind diejenigen der Autoren und spiegeln nicht die offizielle Meinung oder Politik des Department of Defense und seiner Komponenten. Die US-Regierung ist berechtigt, zu vervielfältigen und zu verbreiten Nachdrucke für staatliche Zwecke ungeachtet jeder copyright Notation erstatten. Die freiwillige, voll von den Themen, die in dieser Studie benutzt wurde Einwilligung als geforderten 32 CFR 219 und 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
DOWNLOAD MATERIALS LIST

References

  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).

Tags

Real-time FMRINeurofeedback TrainingNeuroplastic MechanismsBrain Activity RegulationNeurologic DisordersSynaptic PotentialsFeedback-based TrainingMRI SetupTask InstructionsData Acquisition

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
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).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image