Este método puede ayudar a responder preguntas clave en el campo de la neurociencia cognitiva. La principal ventaja de esta técnica es que puede analizar la actividad neuronal y la conectividad en evoluciones temporales de alto espacio. Para comenzar el análisis de los datos de EEG intracraneal, configure SPM12 y seleccione el menú analítico MEG EEG.
En primer lugar, realice análisis de frecuencia de tiempo para los datos EEG intracraneales preprocesados de cada ensayo utilizando la descomposición continua de ondas con ondas Morlet basadas en parámetros predefinidos. Para revelar la evolución temporal de los componentes espectrales, conduzca a la descomposición de las ondas de ondas de ondas de hasta 5 ciclos para toda la época de 1.000 a 2.000 milisegundos utilizando el rango de frecuencia de cuatro a 300 hercios. A continuación, determine la onda madre y el número de ciclos y tenga en cuenta que el número de ciclos controla las resoluciones de frecuencia de tiempo y debe ser mayor que cinco para garantizar la estabilidad de estimación.
Determinar los rangos de tiempo y frecuencia. A continuación, recorte automáticamente los mapas de frecuencia de tiempo resultantes para eliminar los efectos de borde. Aquí, los mapas se recortan a 200 a 500 milisegundos.
Realice la transformación de datos si lo desea y la corrección de línea base seleccionando la reescalado de frecuencia de tiempo para los mapas de frecuencia de tiempo para visualizar mejor los cambios de potencia relacionados con eventos y mejorar la normalidad. A continuación, convierta los mapas de frecuencia de tiempo en imágenes bidimensionales. También suave usando un núcleo gaussiano con un valor medio-máximo de ancho completo predefinido para compensar la variabilidad entre sujetos y para ajustarse a las suposiciones de la teoría de campo aleatorio.
Ahora seleccione especificar el segundo nivel en el menú SPM e introduzca las imágenes 2D que se analizarán. A continuación, ejecute el modelo lineal general seleccionando la estimación del modelo. Por último, seleccione los resultados para realizar inferencias estadísticas sobre los datos de frecuencia de tiempo basados en la teoría de campos aleatorios.
Detecte clústeres de frecuencia de tiempo significativamente activados con umbrales predefinidos como los que se ven aquí. Inicie el análisis de modelado causal dinámico seleccionando DCM en el menú SPM. A continuación, elija la opción IND y seleccione nuevos datos para importar los datos EEG intracraneales preprocesados.
A continuación, utilice el menú EEG de MEG para especificar la ventana de tiempo de interés, la ventana de frecuencia de interés, el número de ciclos de wavelet que se utilizarán, las condiciones de interés y los contrastes de las condiciones. Establezca la ventana de tiempo en uno a 500 milisegundos. Usa ondas de morleta de cinco ciclos de cuatro a 100 hercios en pasos de hercio.
Utilice la configuración predeterminada para el ciclo de wavelet. Determinar los rangos de frecuencia de tiempo en función del interés de la investigación. Tenga en cuenta que se puede utilizar automáticamente una ventana de tiempo con 512 milisegundos adicionales durante el cálculo para eliminar efectos de borde.
Basado en el marco DCM, defina las entradas de conducción que representan entradas sensoriales en estados neuronales y las conexiones intrínsecas que incorporan conectividad de línea base entre los estados neuronales. Además, defina los efectos modulatorios en las conexiones intrínsecas a través de manipulaciones experimentales para modelos nulos e hipotéticos. Defina el tipo de modulación como lineal o no lineal.
Ahora especifique las conexiones lineales y no lineales intrínsecas, las entradas de conducción y las entradas de modulación. Modifique la configuración predeterminada de los parámetros relacionados si es necesario, como el tiempo y la duración previos del inicio del estímulo. A continuación, elija invertir DCM para estimar los modelos.
Después de eso, seleccione guardar resultados como imagen para guardar imágenes de parámetros de acoplamiento modulatorio de frecuencia de frecuencia. A continuación, realice un análisis de selección de modelos bayesianos de efectos aleatorios seleccionando BMS para identificar el modelo de red óptimo. Utilice las probabilidades esperadas del modelo y las probabilidades de adhesión como medidas de evaluación.
A continuación, haga inferencias con respecto a los patrones de frecuencia cruzada de las conexiones modulatorias utilizando los parámetros del modelo ganador. Ahora suaviza las imágenes de los parámetros de acoplamiento modulativo seleccionando Convertir en imágenes. A continuación, utilice especificar el segundo nivel para realizar un análisis general del modelo lineal.
Por último, seleccione los resultados para calcular los valores SPMT 2D. Aquí, el medio máximo de ancho completo se estableció en ocho hercios y se identificaron valores significativos exploratoriamente utilizando un umbral de altura no corregido de P inferior a 0,05. Se realizaron análisis de frecuencia temporal para investigar los perfiles temporales y de frecuencia de la actividad de Giro Occipital Inferior o OCI durante el procesamiento de fases.
Aquí vemos mapas de frecuencia de tiempo de la actividad correcta de OCI para la fase vertical y las condiciones de mosaico vertical. También se muestran los datos SPMT para la fase vertical frente al mosaico vertical. Los modelos de red funcionales se muestran aquí.
Se investigaron ocho combinaciones posibles de entrada moduladora de fase vertical frente a mosaico vertical en conexiones entre el IOG y la amígdala y la autoconexión en cada región. Aquí se muestran los parámetros de acoplamiento modulador de frecuencia-frecuencia y los valores SPMT para la fase vertical frente al mosaico vertical para el IOG frente a la modulación de amígdala y amígdala frente a la IOG. Las áreas rojo-amarillas indican una conectividad excitatoria significativa, mientras que las áreas azul-cian indican conectividad inhibitoril.
Después de ver este video, usted debe tener una buena comprensión sobre cómo analizar los datos de EEG intracraneal para detectar la actividad neuronal y la conectividad utilizando el software SPM.
