1. daļa: Zemas, vidējas un augstas frekvences spektrālās intrakraniālās EEG aktivitāšu neatkarīga dinamika cilvēka atmiņas veidošanās laikā
Mar 18, 2022
Kontaktpersona: Odrija Huaudrey.hu@wecistanche.com
Viktorija S. Marksa, Krišnakants V. Sabūbs, Čağdaş Topçuc, d, e, Michal Lechc, d, e,
Teodors P. Tajibfs, Petrs Nejedlijs, Vāclavs Kremens, H, Gregorijs A. Vorels, es,
Mihals T. Kučevičs,e,i,∗
Biomedicīnas zinātņu augstskola, Mayo klīnika, ASV
b Elektrotehnikas un datortehnikas katedra, Ilinoisas universitāte, Urbana-Šampēna, IL, ASV
c Multimediju sistēmu nodaļa, Elektronikas, telekomunikāciju un informātikas fakultāte, BioTechMed centrs, Gdaņskas Tehnoloģiju universitāte, Gdaņska, Polija d Nencki Eksperimentālās bioloģijas institūts, Polijas Zinātņu akadēmija, Varšava, Polija
Neiroloģijas nodaļa, Mayo Clinic, Rochester, MN, ASV
Datortehnikas nodaļa, Aiovas štata universitāte, Eimsa, Aiova, ASV
g Čehijas Zinātņu akadēmija, Zinātnisko instrumentu institūts, Brno, Čehija
h Robotika un kibernētika, Čehijas Informātikas institūts, Čehijas Tehniskā universitāte Prāgā, Prāga, Čehija
Fizioloģijas un biomedicīnas inženierijas nodaļa, Mayo Clinic, ASV
a b s t r a c t
Plašs smadzeņu ritmu spektrs visā cilvēka garozā ir iesaistīts kognitīvajās funkcijās. Kā dažādu frekvenču diapazonu ritmi tiek koordinēti visā cilvēka garozas telpā un laikāatmiņaapstrāde ir nepārliecinoša. Tos var vai nu koordinēt kopā visā frekvenču spektrā tajā pašā garozas vietā un laikā, vai arī inducēt neatkarīgi noteiktās joslās. Mēs izmantojām lielu cilvēka intrakraniālās elektroencefalogrāfijas (EEG) datu kopu, lai analizētu verbālo atmiņu veidošanās laikā izraisīto spektrālo aktivitāšu spatiotemporālo dinamiku. Vārdu kodēšana turpmākai brīvai atsaukšanai aktivizēta zemas frekvences teta, vidēja frekvences alfa un beta, kā arī augstas frekvences gamma jauda diskrētu garozas vietu mozaīkas shēmā. Lielākā daļa kortikālo vietu reģistrēja aktivitāti tikai vienā no šīm frekvencēm, izņemot redzes garozu, kur spektrālā jauda tika inducēta vairākās joslās. Katra frekvenču josla uzrādīja raksturīgu inducētās jaudas dinamiku, kas raksturīga garozas zonai un puslodei. Zemo, vidēju un augstfrekvences aktivitāšu spēks, kas tiek izplatīts neatkarīgās secībās vizuālajā, laika un prefrontālajā garozas zonā turpmākajās fāzēs.atmiņakodējums. Mūsu rezultāti sniedz holistisku, vienkāršotu modeli spektrālajām aktivitātēm, kas saistītas ar cilvēka veidošanosatmiņa, kas liecina par anatomiski un laikā sadalītu koordinētu smadzeņu ritmu mozaīku.
1. Ievads
Tiek uzskatīts, ka smadzeņu ritmi atbalstaatmiņaun kognitīvās funkcijas, koordinējot savienoto neironu aktivitātes sinhronās mijiedarbībās (Singer, 1999; Buzsaki, 2006; Fries, 2015; Klimesch, 1996; Fell and Axmacher, 2011). Šajās mijiedarbībās iesaistīto ritmisko aktivitāšu spektrs ietver teta (3–9 Hz) un gamma.
(30–120 Hz) frekvenču joslas ar īpašām lomām, kas piedāvātas zemas un augstas frekvences aktivitātēmatmiņaapstrāde (Düzel et al., 2010; Sauseng et al., 2010; Fries et al., 2007; Tallon-Baudry un Bertrand, 1999; Nyhus un Curran, 2010; Lisman un Jensen, 2013; Herweg et al., 2020) . Starpfrekvenču alfa (9–12 Hz) un beta (12–25 Hz) joslas bija saistītas arī ar procesiem, kas nepieciešami atmiņas funkcijām (Klimesch et al., 2007; Hanslmayr et al., 2011; Spitzer and Haegens 2017; Schmidt et al. al., 2019; Michalareas et al., 2016). Kā šie dažādie ritmi darbojas kopā funkcijā noteiktā laika posmā, iesaistot tikai spektrālo aktivitāšu apakškopu noteiktā frekvenču diapazonā. Piemēram, noteiktā vietā tiktu ierosināti tikai teta ritmi. Abos scenārijos ir vienisprātis, ka smadzeņu darbības noteiktos frekvenču diapazonos var konceptualizēt kā "spektrālos pirkstu nospiedumus", kas pakļaujas specifiskiem uztveres vai kognitīviem procesiem atbilstošā neironu mijiedarbības laika skalā (Siegel et al., 2012; Hanslmayr and Staudigl, 2014). . Šo spektrālo pirkstu nospiedumu dinamikas precīza atrisināšana anatomiskajā telpā un laikā ir būtiska, lai pārbaudītu šīs hipotēzes un nodrošinātu kognitīvo uzdevumu laikā iesaistīto neironu darbību holistisku modeli.
Intrakraniālie elektroencefalogrāfiskie (EEG) ieraksti sniedz unikālu iespēju ar augstu izšķirtspēju zondēt ar augstu izšķirtspēju liela mēroga neironu darbības, kas tiek iesaistītas kognitīvo un citu smadzeņu funkciju laikā atsevišķās cilvēka garozas zonās (Lhatoo et al., 2019; Johnson et al., 2020; Jacobs un Kahana 2010; Engel et al., 2005). EEG signālu paraugi tiek ņemti no elektrodu kontaktiem, kas implantēti tieši uz neokorteksa virsmas vai tā dziļākajos slāņos un subkortikālajās struktūrās. Tādējādi spektrālās aktivitātes, ko rada lokālās neironu populācijas un kas reģistrētas no vairākiem atsevišķiem kontaktiem, var izsekot diskrētās garozas zonās.atmiņaapstrāde. Iepriekšējos iEEG pētījumos parasti tika izmantota spektrālā jauda, kas inducēta augstos gamma frekvenču diapazonos (60–120 Hz), lai izsekotu kortikālo apstrādi.atmiņaun kognitīvie uzdevumi (Jerbi et al., 2009; Lachaux et al., 2012; Crone et al., 2006; Lundqvist et al., 2018). Iepriekš tika pētīta arī teta (Sheehan et al., 2018; Lin et al., 2017) un alfa (Staresina et al., 2016). Tika pierādīts, ka svārstību aktivitātes teta un alfa frekvencēs izplatās kā lokāli, neatkarīgi, ceļojoši viļņi diskrētos garozas apgabalos.atmiņaapstrāde (Zhang et al., 2018), taču šo zemfrekvences svārstību relatīvā telpiskā dinamika un ātrākas beta un gamma aktivitātes atmiņas apstrādes laikā joprojām nav izpētītas.
Šeit mēs izmantojām lielu iEEG datu kopu, kurā bija 164 dalībnieki, kas kodē vārdu sarakstus turpmākai bezmaksas verbālai atsaukšanai. Iepriekšējie pētījumi ar šo uzdevumu atklāja sadalītu smadzeņu reģionu tīklu, kas saistīts ar sensoro apstrādi un augstākas pakāpes deklaratīvo.atmiņafunkcijas (Burke et al., 2013; Burke et al., 2014a; Kucewicz et al., 2019). Inducētā augstā gamma jauda vispirms tika novērota pakauša un laika garozas vizuālajos apgabalos un pēc tam prefrontālās garozas priekšējos apgabalos, iedvesmojot divpakāpju modeli.atmiņakodēšana ar agrīnu sensoro un vēlu asociācijas stadiju (Burke et al., 2014a).
Līdzīga inducētās jaudas secības secība no aizmugures uz priekšu tika novērota arī teta frekvenču joslā (Burke et al., 2013) un apstiprinājās aktivitātēs, kas pārsniedz gamma frekvenču diapazonu (Kucewicz et al., 2014). Mūsu nesenajā pētījumā tika atklāta inducētās augstās gamma jaudas secība laikāatmiņakodēšanai jābūt nepārtrauktai, palielinoties latentumam pakāpeniski augstākas pakāpes asociācijas apgabalu hierarhijā (Kucewicz et al., 2019), sasniedzot kulmināciju ar priekšējo prefrontālo garozu un vēlu vārdu kodēšanā. Iepriekšējie iEEG pētījumi par verbālās atmiņas apstrādi aprobežojās ar mazākām dalībnieku ierakstu datu kopām ar retu neokorteksa elektrodu pārklājumu vai koncentrējās tikai uz izvēlētajām frekvenču joslām. Tādējādi spektrālā jauda dažādās joslās vai nu tiktu telpiski aprēķināta vairākās elektrodu vietās lielākos garozas reģionos, tādējādi zaudējot atsevišķu vietu izšķirtspēju un granularitāti, vai arī netiktu pētīta visā teta, alfa un beta un gamma smadzeņu aktivitātēs.
Ņemot vērā iepriekšējos pētījumos kopīgi analizēto frekvenču spektra un smadzeņu apgabalu plašo tvērumu, mēs izvirzījām hipotēzi, ka specifiskas spektrālās aktivitātes tiek inducētas diskrēta garozas struktūras veidā.
vietas. Tādējādi aktivitāšu apkopošana no vairākām vietām izraisītu platjoslas jaudas nobīdi visā spektrā (Kilner et al., 2005), kas varētu sastāvēt no vairākiem, specifiskiem "spektrālajiem pirkstu nospiedumiem" (Fellner et al., 2019). . Precīza dažādu pirkstu nospiedumu lokalizācija būtu vai nu kopīga tām pašām kortikālajām elektrodu ierakstīšanas vietām, vai arī tiktu sadalīta atšķirīgu anatomisku vietu mozaīkā. Tāpat laika ziņā zemas, vidējas un augstas frekvences spektrālās aktivitātes tiktu izraisītas dažādos laika periodos.atmiņakodējumu vai visu vienlaikus. Papildus teta un gamma aktivitātēm bija paredzēts, ka alfa un beta ritmi tiks izraisīti atsevišķās garozas vietās un laikā.atmiņakodējums. Kopumā mēs pārbaudījām cilvēka verbālās veidošanās laikā izraisīto spektrālo aktivitāšu neatkarīgu spatiotemporālo dinamiku.atmiņapēdas. Mūsu mērķis bija nodrošināt holistisku smadzeņu ritmu modeli, kas iesaistīts plašā frekvenču diapazonā, garozas anatomijā un atmiņas kodēšanas fāzēs.
2. Materiāli un metodes
2.1. Priekšmeti
EEG ierakstu datu kopa no kopumā 164 dalībniekiem, kuriem tika veikta pret zālēm rezistentas epilepsijas ķirurģiska novērtēšana, tika ņemta no liela daudzcentru sadarbības pētījuma (visi neidentificētie dati ir pieejami vietnē http://memory.psych.upenn.edu/Electrophysiological{ {3}}Dati).
Ieraksti tika savākti no šādiem centriem: Mayo Clinic, Thomas Jefferson University Hospital, Pensilvānijas Universitātes slimnīca, Dartmouth-Hitchcock Medicīnas centrs, Emorijas universitātes slimnīca, Teksasas Universitātes Dienvidrietumu medicīnas centrs un Kolumbijas universitātes slimnīca. Katra centra attiecīgā institucionālā pārskata padome apstiprināja vienu kopīgu pētniecības protokolu, un no katra dalībnieka tika iegūta informēta piekrišana. Par 139 pacientiem, kas iekļauti galīgajā analīzē, informācija par pabeigto vārdu izmēģinājumu skaitu un krampju sākuma zonu ir apkopota pielikumā. 1. tabula. Krampju sākums bija lokalizēts labajā puslodē 46 pacientiem, kreisajā puslodē – 55, divpusēji – 26 un nenoteiktas 12. Demogrāfiskā informācija, piemēram, vecums un dzimums, bija pieejama tikai par 85 pacientiem (vidējais vecums 35,6 gadi). ar standarta novirzi 11,6 gadi; 43 sievietes līdz 42 vīrieši, papild. 1. tabula), jo ierobežota piekļuve sensitīvai veselības aprūpes informācijai no vairākiem klīniskajiem centriem, kas apkopoja apkopoto datu kopu. Elektrofizioloģiskie ieraksti tika savākti no standarta klīniskajiem subdurālajiem un dziļuma elektrodiem (AdTech Inc., PMT Inc.), kas implantēti attiecīgi uz kortikālās virsmas un smadzeņu parenhīmā. Subdurālie elektrodu kontakti tika izvietoti vai nu režģī, vai sloksnes konfigurācijā ar 10 mm atstarpi, un dziļuma elektrodu kontakti tika atdalīti ar 5 līdz 10 mm. Elektrodu izvietojumu noteica klīniskā komanda, lai lokalizētu krampju perēkļus iespējamai epilepsijas operācijai vai terapeitiskai smadzeņu elektriskās stimulācijas ierīces implantācijai.
2.2. Anatomiskā lokalizācija un smadzeņu virsmas kartēšana
Katram dalībniekam tika ģenerētas garozas virsmas parcelācijas no pirmsimplantācijas MRI skenēšanas (volumetriskās T1-svērtās secības), izmantojot Freesurfer programmatūru (RRID: SCR_001847). Hipokampuss un apkārtējie garozas reģioni tika norobežoti atsevišķi, pamatojoties uz papildu 2 mm biezu koronālo T2-svērto skenēšanu, izmantojot automātiskās hipokampu apakšlauku segmentācijas (ASHS) vairāku atlantu segmentācijas metodi. Pēc tam elektrodu kontakta koordinātas, kas iegūtas no kopīgi reģistrētiem pēcimplantācijas CT skenējumiem, tika kartētas ar pirmsimplantācijas MRI skenēšanu, lai noteiktu to anatomiskās atrašanās vietas. Subdurālajām sloksnēm un režģiem elektrodu kontakti tika papildus projicēti uz garozas virsmu, izmantojot enerģijas samazināšanas algoritmu, lai ņemtu vērā pēcoperācijas smadzeņu nobīdi. Neiroradiologs pārskatīja un apstiprināja kontaktu vietas uz virsmām un šķērsgriezuma attēliem. T1-svērtie MRI skenējumi tika reģistrēti arī MNI152 standarta smadzenēs, lai ļautu salīdzināt ierakstīšanas vietas kopējā telpā starp subjektiem. Ierakstīšanas vietu, tostarp Brodmaņa apgabalu, anatomiskās atrašanās vietas tika iegūtas, pārvēršot MNI koordinātas Talairach telpā un vaicājot Ta-Talairach dēmonu (www.talairach.org).
2.3. Elektrofizioloģiskie ieraksti
EEG signāli tika reģistrēti, izmantojot vienu no šīm klīniskajām elektrofizioloģiskām iegūšanas sistēmām (atkarībā no datu vākšanas iestādes): Nihon Kohden EEG-1200, Natus XLTek EMU 128 vai Grass Aura-LTM64. Atkarībā no iegūšanas sistēmas un klīniskās komandas izvēles signālu paraugi tika ņemti ar frekvenci 500, 1000 vai 1600 Hz, un tie tika attiecināti uz kopīgu kontaktu, kas novietots vai nu intrakraniāli, uz galvas ādas vai mastoidālajā procesā. Analīzei visi ieraksti, kuros izmantoja lielāku paraugu ņemšanas ātrumu, tika filtrēti ar antialiasing filtru un samazināti līdz 500 Hz. Katram subjektam post hoc tika aprēķināta kopēja bipolārā montāža, atņemot izmērītās sprieguma laikrindas visos telpiski blakus esošo kontaktu pāros. Rezultātā tika iegūti N-1 bipolāri signāli caurstrāvas un sloksnes elektrodu gadījumā un N=(i − 1)∗j plus (j − 1)∗I, kur i un j ir kontaktu skaits režģa vertikālajos un horizontālajos izmēros. Šī pētījuma datu analīzei viens "elektrods" attiecas uz bipolāru signālu no viena bipolāra kontaktu pāra. Ir svarīgi atzīmēt, ka kontaktus var izmantot vairākiem elektrodiem, tāpēc ne visi signāli ir patiesi neatkarīgi.
2.4. Bezmaksas atsaukšanas uzdevums
Klasiska paradigma verbālās epizodiskās veidošanās noteikšanaiatmiņatika izmantots (Kahana, 2014), kurā subjektiem tika parādīti vārdu saraksti turpmākai brīvai atsaukšanai. Dalībniekiem tika uzdots izpētīt klēpjdatora ekrānā parādīto vārdu sarakstus, lai veiktu aizkavētu balss atsaukšanas pārbaudi. Saraksti tika veidoti no 12 vārdiem, kas tika izvēlēti nejauši un bez aizstāšanas no augstfrekvences lietvārdu kopas subjekta dzimtajā valodā (angļu vai spāņu; http://memory.psych.upenn.edu/WordPools). Katrs vārds ekrānā parādījās 1600 ms, kam sekoja nejauša nervozitāte 750–1000 ms tukšā intervālā starp stimuliem. Katra vārdu saraksta beigās subjekts veica traucējošo uzdevumu. Šis uzdevums ilga 20 s, un to veidoja virkne vienkāršu, aritmētisku uzdevumu formātā A plus B plus C, kur A, B un C bija nejauši viencipara veseli skaitļi no 1 līdz 9. Pēc distraktora uzdevuma dalībniekiem tika dotas 30 s, lai atsauktu pēc iespējas vairāk vārdu no saraksta jebkurā secībā (1. att.). Vokālās atbildes tika ierakstītas digitāli ar klēpjdatoru, un vēlāk tās tika novērtētas manuāli analīzei. Turpmākajā analīzē tika iekļauti tikai tie subjekti, kuri atcerējās vismaz 15 procentus vārdu un izpildīja vismaz 12 uzdevumu sarakstus (Long et al., 2014). Tādējādi tika atstāti 139 no 164 oriģinālajiem subjektiem kopumā 14 219 elektrodiem, kas tika izmantoti šajā pētījumā. Elektrolīzes loģiskie ieraksti tika sinhronizēti ar stimulu parādīšanos ekrānā, izmantojot elektrisko impulsu ģeneratoru, ko darbina uzdevuma klēpjdators, kas nosūtīja impulsus uz norādīto notikumu kanālu klīniskās iegūšanas sistēmā. Pēc ierakstīšanas sesijas notikumi tika apzīmēti ar laikspiedolu, izmantojot individuāli rakstītus MATLAB kodus, un tie tika izmantoti, lai iegūtu konkrētus interesējošus laikmetus saistībā ar vārdu prezentāciju. Katrs ierakstītais laikmets bija 3000 ms garš un ietvēra 1600 ms vārdu prezentāciju ekrānā ar 700 ms tukšu interstimulu intervāla ekrānu pirms un pēc katra vārda prezentācijas.
Izmēģinājuma vidējā EEG signālu spektrālā jauda no vārdu prezentācijas laikmetiem (viens vārds katrā izmēģinājumā) tika integrēts visā laikmetā un tika izmantots kā līdzeklis, lai klasificētu aktīvos elektrodus, kas ieraksta no smadzeņu reģioniem, kas iesaistīti verbālajā darbībā.atmiņakodējums. Aktīvie elektrodi tika neatkarīgi klasificēti sešās EEG spektra frekvenču joslās, izmantojot normalizētus jaudas izmaiņu aprēķinus (z-score transformācija). Klasifikācijas procedūrā tika izmantota nepārraudzīta metode, kuras pamatā ir Gausa maisījuma modelis (Saboo et al., 2019). Ievērojiet inducēto aktivitāti visās sešās frekvenču joslās piemēra spektrogrammā, kas attēlota no izmēģinājuma vidējās aktivitātes no viena elektroda, kas lokalizēts pakauša garozā.
2.5. Datu analīze
Mēs analizējām iEEG ierakstīšanas laikmetus vārda prezentācijas laikāatmiņakodējums. Katrs prezentācijas laikmets tika filtrēts FIR (2000- secībā Barlett-Hanning ar nulles fāzes kropļojuma filtrēšanu, joslas caurlaide ar frekvenču ierobežojumiem, kas noteikti katrai frekvenču joslai), pirms tika spektrāli sadalīti, normalizēti un neatkarīgi sadalīti atsevišķās frekvenču joslās starp. 2 un 120 Hz: zema teta (2–4 Hz), augsta teta (5–9 Hz), alfa (10–15 Hz), beta (16–25 Hz), zema gamma (25–55 Hz) un augsta gamma (65–115 Hz). Šo frekvenču joslu robežas tika noteiktas, pamatojoties uz nepārklājošiem un nepārtrauktiem diapazoniem, kas aug platumā gar frekvenču spektru. Augšējā robeža 115 Hz tika izvēlēta, lai nodrošinātu vismaz 4 paraugus ciklā, ņemot vērā paraugu ņemšanas frekvenci 500 Hz, un lai izvairītos no 60 Hz līnijas trokšņa harmonikas. Lai pārvērstu filtrētos signālus spektrogrammā ar a
2 Hz frekvenču joslas izšķirtspēja no 2 Hz līdz 115 Hz, mēs izmantojām 500 ms bīdāmos logus ar 5 ms slaidu garumu un vairāku konusu metodi ar 1 konusu no MATLAB hroniskā rīku komplekta (http://chronux.org/; Mitra, 2007). Vārda prezentācijas laikmeta spektrogrammas tika aprēķinātas kopā pēc log-normalizācijas un katra laika frekvences punkta z-score transformācijas. Z-punktu noteikšana tika veikta pēc šādas formulas:
x(t, f) − μ
z(t, f)=σ
kur x ir signāls, t ir laika josla, f ir frekvences josla, f ir vidējais un f ir standarta novirze dotajai frekvencei. Katrs izmēģinājums tika normalizēts atsevišķi. Lognormalizācija tika ieviesta, lai koriģētu zemāku frekvenču 1/f jaudas likuma ietekmi, novērtējot jaudu augstākajās frekvenču joslās, un tika veikta z-score transformācija, lai nodrošinātu normalizētu jaudas izmaiņu skalu signālu salīdzināšanai no dažādiem elektrodiem. , sesijām un dalībniekiem (Kucewicz et al., 2019, 2017; Saboo et al., 2019). Šī z-score normalizācija rada pozitīvas un negatīvas jaudas izmaiņas attiecībā pret vidējo jaudu jebkurā viena vārda laikmetā, nevis izmanto "bāzes" periodu. Tādējādi pat nelielas pozitīvas vai negatīvas absolūtās jaudas novirzes tiktu efektīvi palielinātas attiecībā pret signāla vidējo vērtību, kā aprakstīts iepriekš (Kucewicz et al., 2019; Alotaiby et al., 2015). Jaudas aprēķinos malu artefakti tika novērsti, visām frekvencēm nogriežot divreizējās tvertnes no abiem gala spektrogrammas galiem. Katram elektrodam un frekvenču joslai mēs noteicām vidējo spektrālo jaudu katrā laika joslā visos vārdu prezentācijas laikmetos. Kopējā inducētā jauda noteiktā frekvenču joslā vārdu prezentācijas periodā tika kvantificēta kā laukums zem atbilstošās laikrindas līknes absolūtās vērtības, kā parādīts attēlā. 1. Pēc tam elektrodi tika iedalīti "aktīvajos" un "neaktīvos" katrā konkrētajā joslā, izmantojot mūsu neuzraudzīto klasterizācijas metodi, kuras pamatā ir Gausa maisījuma modelēšana (GMM), lai identificētu tos, kuriem bija uzdevuma izraisītas jaudas izmaiņas (Saboo et al., 2019). ). Šī metode būtībā veic aktīvo un neaktīvo kanālu bināro mašīnmācīšanās klasifikāciju, pamatojoties uz katra kanāla inducētās jaudas vērtību. Klasifikācija tika veikta atsevišķi katrai interesējošajai frekvenču joslai. Visa procedūra ir apkopota attēlā. 1.
Mēs izvēlējāmies uz GMM balstītu metodi, lai nodrošinātu, ka aktīvo elektrodu un neaktīvo elektrodu kopām ir atļauti dažādi skaitļi. Klasteru skaits tika iestatīts uz diviem, jo elektrodu aktīvā-neaktīvā klasifikācija ir bināra: spektrālās jaudas izmaiņas var vai nu izraisīt (palielināt vai samazināt), vai ne vārda prezentācijas periodā. GMM izmantošana arī ļāva veikt klasifikāciju, neprasot pamata patiesības datus. Elektrodi tika apvienoti starp subjektiem un pēc tam sagrupēti, lai identificētu aktīvos elektrodus.
2.6. Inducētās jaudas kartēšana
Lielākā daļa aktīvo elektrodu tika lokalizēti kortikālajos reģionos, kas saistīti ar vizuālās un semantiskās informācijas apstrādi, kā arī ar deklaratīvo.atmiņaun izpildfunkcijas. No 39 Brodmana apgabaliem lielākā daļa elektrodu atrašanās vietu ir sagrupētas 9 smadzeņu reģionos, no kuriem katrs ietver Brodmaņa apgabalus: redzes (Brodmaņa zonas 18 un 19), zemākas temporālās (Brodmaņa zonas 20 un 37), precuneus (Brodmaņa zonas). 30 un 31), sānu parietālais (Brodmaņa apgabals 7 un 39), meziālais temporālais (Brodmaņa apgabals 28 un Hipokamps), sānu temporālais (Brodmaņa apgabals 21 un 22), Brokas apgabals (Brodmaņa apgabals 44 un 45), sānu prefrontālais (Brodmaņa apgabals) 9 un 46), un frontālais stabs (Brodmaņa 10. un 11. apgabals). Ja vien nav norādīts citādi, visa turpmākā analīze tika koncentrēta uz atsauktajiem vārdu laikmetiem, ti, laikmetiem ar veiksmīgi kodētiem vārdiem, kas pēc tam tika brīvi atsaukti, šajos deviņos garozas reģionos.
Inducētās jaudas izmaiņas katrā frekvenču joslā tika attēlotas no visiem aktīvajiem elektrodiem uz vidējo smadzeņu virsmu katram vārda laikmeta laika punktam, izmantojot pielāgotu MATLAB kodu no elektrodu atrašanās vietas atkarīgai svēršanas tehnikai. Smadzeņu virsma tika izveidota kā siets, kur katram tīkla elementam tika piešķirta krāsa, kas bija atkarīga no apkārtējo elektrodu inducētās jaudas, ko nosver relatīvais attālums līdz elementam (lielāks svars proksimālākiem elektrodiem). Katram uzzīmētajam smadzeņu virsmas tīkla elementam tika ņemti vērā tikai elektrodu efekti 10 mm sliekšņa robežās no elementa centra punkta. Tādējādi inducētā jauda tika aprēķināta vidēji no visiem elektrodiem sliekšņa rādiusā, kas tika lineāri svērti pēc to tuvuma saskaņā ar šādu formulu:
IP1∗ (slieksnis− r1) plus IP2∗ (slieksnis− r2) plus … plus IP ∗ (slieksnis− rn )
(threshold− r1 ) plus (threshold− r2 ) plus … plus (threshold− rn )
kur IP ir elektroda inducētās jaudas izmaiņu vērtība, un r ir attālums starp elektrodu un smadzeņu virsmas tīkla izvēlēto elementu.
2.7. Statistika
ANOVA testi ar vairākām salīdzināšanas korekcijām frekvenču joslas, smadzeņu reģiona (Brodmaņa apgabala) un puslodes efektiem tika izmantoti, lai analizētu elektrodu procentuālo daudzumu apgabalā, kas apzīmēts kā "ac-time (2. att.). Laika atšķirības starp puslodēm tika kvantificēti, izmantojot divpusēju, nesapārotu t-testa statistiku ar Bonferroni korekciju (3.A att.). Pēc tam mēs sadalījām katru vārda laikmetu iepriekšējas kodēšanas, agrīnās kodēšanas, vēlīnās kodēšanas un pēckodēšanas fāzēs (Burke et al. , 2014; Kucewicz et al., 2019) un izmantoja atkārtotus mērījumus ANOVA (kodēšanas fāze kā subjekta iekšējais faktors) ar posthoc Tukey-Kramer testu, lai analizētu frekvenču joslas, smadzeņu reģiona un puslodes ietekmi uz inducēto jaudu katrā laikā. verbālā fāzeatmiņauzdevums (3.B att.). Maksimālais latentums katrai frekvenču joslai un apgabalam tika noteikts kā laika josla ar maksimālo pozitīvo inducētās jaudas maksimumu. Latīņu pilsētas tika salīdzinātas, izmantojot atkārtotus mērījumus ANOVA (kodēšanas fāze kā subjektu iekšējais faktors) un pēc-hoc Tukey-Kramer vairāku salīdzināšanas testu (4. att.). Pīrsona korelācijas tests tika izmantots, lai novērtētu pozīcijas ietekmi pa katru smadzeņu asi uz maksimālās jaudas latentuma laiku (5.B att.). Alfa vērtība visiem testiem tika iestatīta uz 0.05.
3. Rezultāti
3.1. Atmiņas kodēšanas laikā izraisītās spektrālās aktivitātes cilvēka garozā ir neviendabīgi sadalītas
Vispirms mēs identificējām elektrodu apakškopu no garozas zonām, kas tika aktivizētasatmiņakodējums. Šim nolūkam spektrālā jauda joslā sešos nepārklājošos frekvenču diapazonos (zemā teta: 2–4 Hz, augsta teta: 5–9 Hz, alfa: 10–15 Hz, beta: 16– 25 Hz, zema gamma: 25–55 Hz, augsta gamma: 65–115 Hz) tika izmantota kā līdzekļi aktīvo elektrodu automatizētai klasifikācijai (Saboo et al., 2019) neatkarīgi katrā joslā (att. 1). No visiem dalībniekiem visiem implantētajiem 14 219 elektrodiem 4738 (33,3 procenti) uzrādīja inducēto spektrālo jaudu vismaz vienā no frekvenču joslām. Tādējādi tipiskā elektroda vieta uzrādīja inducēto jaudu noteiktā diapazonā zemas, vidējas vai augstas frekvences joslās (2.A att.). Saskaņā ar mūsu iepriekšējiem rezultātiem (Kucewicz et al., 2019; Alotaiby et al., 2015), šie aktīvie elektrodi bija plaši izplatīti 39 Brodmana apgabalos, kas bija noteikti visās kortikālajās daivās (2.B att.). Elektrodu relatīvā proporcija katrā Brodmaņa apgabalā, kas aktīvi mainījās no 4,3 procentiem līdz 75 procentiem atkarībā no atrašanās vietas limbiskajā, frontālajā, prefrontālajā, parietālajā, temporālajā vai pakauša daivā (ANOVA F=99.21, p. < 0,001,="" df="5)," ar="" ievērojami="" aktīvākiem="" elektrodiem,="" kas="" konstatēti="" pakauša="" un="" parietālās="" garozas="" maņu="" vizuālajos="" apgabalos="" (posthoc="" tukey="" kramer,="" p="">< 0,05).="" katrā="" apgabalā="" tika="" novērotas="" līdzīgas="" proporcijas="" katrā="" frekvenču="" joslā,="" ieskaitot="" alfa="" un="" beta="" joslu,="" bez="" būtiskām="" atšķirībām="" visā="" spektrā="" (n-way="" anova="" f="0.17," p="0.9747)." ,="" df="5)." rezumējot,="" neatkarīgi="" no="" analizētās="" frekvenču="" joslas,="" vismaz="" 4="" procenti="" elektrodu="" vietu="" jebkurā="" no="" analizētajām="" garozas="" zonām="" uzdevuma="" laikā="" atklāja="" būtisku="" inducētu="">
To investigate whether these various low and high-frequency spectral activities were induced on the same electrodes, we summarized the over-lap across the six frequency bands for nine cortical regions of interest (ROI; each composed of two Brodmann areas with >18 active electrodes from >8 dalībnieki; skatīt 1. tabulu). Elektrods var būt aktīvs vienā vai vairākās joslās. Mēs atklājām, ka lielākā daļa elektrodu bija aktīvi tikai vienā (43,12 procenti) vai divās (22,94 procenti) joslās un proporcionāli mazāk vairāk nekā divās joslās, un tikai mazākums (5,4 procenti) bija aktīvs visās sešās (att. 2C). Vislielākā inducētās spektrālās jaudas pārklāšanās vairāk nekā divās joslās tika novērota elektrodiem pakauša garozas aizmugurējos sensorajos vizuālajos apgabalos (2. att. C; sarkans), kur vārdu kodēšanas laikā uz katru elektrodu tika aktivizētas vidēji 4–5 joslas. Arī citos temporālās un parietālās garozas vizuālajos apgabalos bija salīdzinoši augsts elektrodu sadalījums ar vairāk nekā divām aktivizētām joslām, atšķirībā no priekšējām augstākās kārtas apstrādes zonām temporālajā un prefrontālajā garozā, kur elektrodi bija aktīvi 1–2 frekvenču joslās. (2.C att.; melns). Kopumā vairums elektrodu vietu uzrādīja samazinātu spektrālo jaudu vienā vai divās noteiktās frekvenču joslās, kas liecina, ka dažādas aktivitātes garozā bija telpiski nošķirtas.
2. att. Spektrālās aktivitātes, kas inducētas verbālās atmiņas kodēšanas laikā, ir nevienmērīgi sadalītas pa cilvēka smadzenēm. (A) Izmēģinājuma vidējo spektrogrammu reprezentatīvie piemēri vārdu kodēšanas laikā no aktīviem elektrodiem parāda inducētās jaudas izmaiņas, kas neatkarīgi aprobežojas ar katru no trim frekvenču grupām no dažādām anatomiskām vietām. (B) Aktīvo elektrodu proporcijas sešās pētītajās frekvenču joslās (zems teta: 2–4 Hz, augsts teta: 5–9 Hz, alfa: 10–15 Hz) beta:
16–25 Hz, zema gamma: 25–55 Hz, augsta gamma: 65–115 Hz) uzrāda būtiskas atšķirības (ANOVA) anatomiskajā sadalījumā (sarkanas zvaigznītes; p < 0.05="" pēc-hoc="" tukey="" kramer="" tests="" ).="" (c)="" vienā="" vai="" vairākās="" frekvenču="" joslās="" aktīvo="" elektrodu="" sadalījums="" atklāj="" lielāko="" pārklāšanos="" pakauša="" un="" parietālās="" redzes="" garozas="" aizmugurējos="" apgabalos,="" kas="" pakāpeniski="" samazinājās="" priekšējās="" garozas="" zonās,="" kā="" parādīts="" vidējā="" smadzeņu="" virsmas="" diagrammā.="" un="" karikatūras="" kopsavilkums="" par="" visiem="" aktīvajiem="" elektrodiem="" (punkti,="" kas="" iekrāsoti="" atbilstoši="" joslu="" diagrammai)="" un="" vijoles="" grafikos="" (melnās="" un="" sarkanās="" līnijas="" norāda="" vidējo="" un="" mediānu,="" attiecīgi="" (hoffmann,="" 2015)).="" (d)="" visu="" gamma="" (augstas="" frekvences),="" alfa/beta="" (vidējās="" frekvences)="" un="" teta="" (zemas="" frekvences)="" joslās="" aktīvo="" elektrodu="" sadalījums="" deviņos="" atlasītajos="" garozas="" apgabalos="" ir="" atšķirīgs="" (v —="" vizuāls;="" it —="" zemāks="" temporāls;="" iepriekšējs).="" -="" precuneus;="" par="" -="" laterālā="" parietālā;="" mtl="" -="" meziālā="" temporālā="" daiva;="" lt="" -="" laterālā="" temporālā;="" br="" -="" brokas="" apgabals;="" pfc="" -="" prefrontālā="" garoza;="" fp="" -="" frontālais="" pols)="" ar="" salīdzinoši="" vairāk="" prefrontālo="" elektrodu,="" kas="" ir="" aktīvi="" gamma="" joslās="" (sarkans)="" un="" vairāk="" elektrodu="" vizuālajās="" zonās,="" kas="" ir="" aktīvas="" visās="" joslās="" (melnā="" krāsā),="" kā="" parādīts="" vidējā="" smadzeņu="" virsmas="" diagrammā,="" karikatūras="" kopsavilkumā="" un="" vijoles="" sižetā.="" ņemiet="" vērā,="" ka="" lielākā="" daļa="" elektrodu="" kopumā="" bija="" aktīvi="" tikai="" vienā="" vai="" divās="" frekvenču="" joslās="" no="" zemās,="" vidējās="" vai="" augstās="" frekvences,="" izņemot="" redzes="" apgabalus="" ar="" vairāk="" nekā="" divām="" frekvenču="" joslām,="" kas="" bija="" aktīvas="" katram="" elektrodam="" (atsauces="" uz="" krāsu="" interpretācijai="" šajā="" attēla="" leģendu,="" lasītājs="" tiek="" novirzīts="" uz="" šī="" raksta="" tīmekļa="">
Pēc tam mēs jautājām, vai spektrālās aktivitātes, kas tika inducētas vienā elektroda vietā, pārklājās līdzīgos frekvenču diapazonos. Mēs grupējām aktivitātes zemas, vidējas un augstas frekvences grupās (attiecīgi teta, alfa / beta un gamma) un salīdzinājām aktīvo elektrodu proporcijas ar dažādām grupu kombinācijām. Vairāk nekā puse no visiem aktīvajiem elektrodiem uzrādīja inducētā jauda ir tikai zemās, vidējās vai augstfrekvences joslās (2.D att.). Elektrodi ar lielu pārklāšanos visās grupās pārsvarā tika lokalizēti aizmugurējos redzes apgabalos (att.2D; melns). Atlikušās elektrodu vietas, kurās bija inducēta jauda vienā no trim frekvenču grupām, bija vienmērīgi sadalītas garozā ar līdzīgām proporcijām katrā ROI, izņemot prefrontālos apgabalus, kur atmiņas kodēšanas laikā bija salīdzinoši vairāk augstas frekvences gamma aktivitāšu (att. .2D; sarkans). Mūsu rezultāti parādīja, ka noteikta frekvenču diapazona aktivitātes galvenokārt tika inducētas noteiktās garozas vietās, veidojot mozaīkai līdzīgu sadalījuma modeli, kas atbilst jēdzienam "spektrālie pirkstu nospiedumi" (Siegel et al., 2012).
3.2. Inducētās jaudas laterālais efekts ir raksturīgs noteiktām frekvencēm un garozas zonām
Mūsu nākamais jautājums bija, vai kopējā jauda joslā, kas inducēta vārdu kodēšanas laikā (1. attēls), bija atšķirīga atkarībā no anatomiskās atrašanās vietas, frekvenču joslas vai puslodes. Atsevišķi aktīvie elektrodi var uzrādīt līdzīgus inducētās jaudas lielumus, neskatoties uz neviendabīgo sadalījumu pa kortikālajiem apgabaliem (2. att.). Kopumā frekvenču joslai bija ievērojama ietekme uz inducēto jaudu (atkārtoti mērījumi ANOVA F=1346.99,p < 0.001,="" df="" {="" {8}}).="" smadzeņu="" apgabals="" (anova="" f="38.21," p="">< 0,001,="" df="37)" un="" elektroda="" puslodes="" atrašanās="" vieta="" (anova="" f="17.4," p="">< 0,001,="" df="" {{="" 18}}).="">
3. att. Inducētās jaudas laika profili, kodējot atkārtotas atvēršanas laterālās ietekmes noteiktās frekvencēs un garozas zonās. (A) Katrs panelis parāda izmēģinājuma vidējās jaudas izmaiņas vārda prezentācijas laikā (pelēks fons), kas aprēķinātas no visiem aktīvajiem elektrodiem noteiktā frekvenču joslā un smadzeņu reģionā, kas attēlotas atsevišķi kreisajā un labajā puslodē (sarkanā un zilā, attiecīgi). . Pelēkās zonas diagrammas fonā apkopo statistisko atšķirību (t-statistiku) starp abām puslodēm 50 ms laika joslās ar tumši pelēku, kas norāda uz ievērojami lielāku (pozitīvās t vērtības) vai mazāku (negatīvās t vērtības) jaudu. kreisā puslode (horizontālas punktētas līnijas; Studenta t-tests, p < 0.05).="" ņemiet="" vērā,="" ka="" nozīmīgais="" sānu="" efekts="" ir="" lokalizēts="" noteiktās="" frekvenču="" joslās="" noteiktā="" smadzeņu="" reģionā.="" (b)="" kopsavilkuma="" salīdzinājums="" par="" kopējo="" inducēto="" jaudu="" (atkārtoti="" mērījumi="" anova)="" no="" visām="" frekvenču="" joslām="" deviņos="" smadzeņu="" reģionos="" (skat.="" 2.="" att.,="" lai="" iegūtu="" etiķetes)="" un="" četriem="" atmiņas="" kodēšanas="" posmiem —="" subjektu="" iekšējais="" faktors="" (sarkanas="" zvaigznītes="" norāda="" uz="" būtisku="" atšķirību).="" tūkija-kramera="" tests,="" p="">< 0,05).="">Atmiņaefekts bija vislielākais kreisajā prefrontālajā garozā (norādīts ar melnu dubulto bultiņu), turpretim MTL uzrādīja vislielāko efektu labās puslodes zonās (Lai interpretētu atsauces uz krāsu šajā attēla leģendā, lasītājs ir vērsts uz tīmekli šī raksta versija.).
grupu analīze (Tukey-Kramer, p < 0.05)="" apstiprināja="" ievērojami="" mazāku="" jaudu,="" palielinoties="" joslu="" frekvencēm,="" izņemot="" starp="" zemo="" un="" augsto="" gamma="" joslu="" (papildu="" 1.="" att.).="" elektrodiem="" pakauša="" daivā="" bija="" ievērojami="" lielāka="" inducētā="" jauda="" nekā="" jebkurā="" citā="" jomā="" saskaņā="" ar="" mūsu="" iepriekšējo="" pētījumu="" par="" augstām="" gamma="" aktivitātēm="" (kucewicz="" et="" al.,="">
