معلومة

نظام التسجيل العصبي المزروع مقابل تخطيط كهربية الدماغ

نظام التسجيل العصبي المزروع مقابل تخطيط كهربية الدماغ


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

هل يمكن لأي شخص أن يساعدني في فهم سبب قيام العلماء في الوقت الحاضر بتطوير نظام تسجيل عصبي مزروع لقياس وجمع الإشارات العصبية؟ لماذا لا يكفي استخدام مخطط كهربية الدماغ لتسجيل الخلايا العصبية؟ ما هو الفرق بين هذه الأنظمة؟

شكرا لك مقدما


يسجل مخطط كهربية الدماغ متوسطًا تقريبيًا للنشاط من منطقة كبيرة من الدماغ ، لأنه يقع بعيدًا عن الخلايا العصبية الفعلية. لا توجد طريقة لفصل نشاط الخلايا الفردية أو حتى المجموعات الصغيرة ؛ بدلاً من ذلك ، يمكنك تسجيل نشاط متزامن منخفض التردد بين مجموعات سكانية بأكملها.

يمكن للأنظمة المزروعة أن تسجل من مجموعات صغيرة أو حتى عصبونات مفردة في بعض الأحيان ، مما يزيد بشكل كبير من كمية المعلومات المتاحة.

اعتمادًا على أغراض التسجيل أو البحث ، قد يكون مخطط كهربية الدماغ كافيًا ؛ في حالات أخرى ، يلزم وجود أقطاب كهربائية قابلة للزرع. EEG كافٍ لمراقبة دورات النوم / الاستيقاظ ، على سبيل المثال ؛ ليست هناك حاجة للتسجيل داخل الجمجمة لمراقبة النوم (إلا إذا كنت تدرس آليات النوم نفسها). غالبًا ما تُستخدم الأقطاب الكهربائية المزروعة قبل الجراحة لإزالة أجزاء الدماغ التي تسبب النوبات. يسمح استخدام مخطط كهربية القلب (بشكل أساسي "مخطط كهربية الدماغ على الجافية" بدلاً من الجمجمة) أو أقطاب كهربائية العمق للجراح بمعرفة المنطقة التي تسبب النوبات بدقة أكبر ، ونأمل أن يؤدي إلى جراحة أكثر نجاحًا ويحتاج إلى استئصال أنسجة أقل.

تُستخدم الأقطاب الكهربائية المزروعة أيضًا بشكل شائع في التجارب على الحيوانات للتعرف على كيفية تشفير الخلايا العصبية الفردية والمجموعات الصغيرة أو معالجتها للمعلومات.


فك التشفير العصبي للحركة البشرية التعبيرية من تخطيط كهربية فروة الرأس (EEG)


  • 1 مختبر لأنظمة واجهة الدماغ والآلة غير الغازية ، قسم الهندسة الكهربائية وهندسة الحاسبات ، جامعة هيوستن ، هيوستن ، تكساس ، الولايات المتحدة الأمريكية
  • 2 مركز الروبوتات والأنظمة الذكية ، Instituto Tecnol & # x000F3gico y de Estudios Superiores de Monterrey ، مونتيري ، المكسيك
  • 3 قسم الهندسة الطبية الحيوية ، جامعة هيوستن ، هيوستن ، تكساس ، الولايات المتحدة الأمريكية
  • 4 قسم البيولوجيا العصبية ، جامعة ماريلاند ، كوليدج بارك ، دكتوراه في الطب ، الولايات المتحدة الأمريكية
  • 5 قسم الرقص ، جامعة ماريلاند ، كوليدج بارك ، دكتوراه في الطب ، الولايات المتحدة الأمريكية

على الرغم من أن الجهود المبذولة لتوصيف الحركة البشرية من خلال تخطيط كهربية الدماغ (EEG) قد كشفت عن أنشطة عصبية فريدة للتحكم في الأطراف والتي يمكن استخدامها لاستنتاج حركيات الحركة ، إلا أنه لا يزال من غير المعروف إلى أي مدى يمكن استخدام مخطط كهربية الدماغ لتمييز الصفات التعبيرية التي تؤثر على مثل هذه الحركات. في هذه الدراسة ، استخدمنا مستشعرات EEG وأجهزة استشعار بالقصور الذاتي لتسجيل نشاط الدماغ وحركة خمسة من الراقصين المهرة والمعتمدين لتحليل حركة اللبن (LMA). قام كل راقص بأداء حركات الجسم بالكامل من ثلاثة أنواع من الحركة: حركات خالية من الصفات التعبيرية (& # x0201CNeutral & # x0201D) ، حركات غير معبرة أثناء التفكير في الصفات التعبيرية المحددة (& # x0201CThink & # x0201D) ، والحركات التعبيرية التي تم تفعيلها (& # x0201CDo & # x0201D). تتكون صفات الحركة التعبيرية التي تم استخدامها في & # x0201CThink & # x0201D و & # x0201CDo & # x0201D من سلسلة من ثماني خصائص Laban Effort على النحو المحدد بواسطة LMA & # x02014a نظام الترميز واللغة لوصف جميع الأصناف وتصورها وتفسيرها وتوثيقها للحركة البشرية. استخدمنا نطاق دلتا (0.2 & # x020134 هرتز) EEG كمدخل لخوارزمية التعلم الآلي التي تحسب تحليل فيشر يحافظ على المنطقة المحلية (LFDA) لتقليل الأبعاد متبوعًا بنماذج المزيج الغاوسي (GMMs) لفك تشفير نوع الإجراء. قمنا أيضًا بتدريب نماذج LFDA-GMM الخاصة بنا لتصنيف جميع التوليفات الممكنة من نوع الإجراء وجودة Laban Effort (بإعطاء إجمالي 17 فئة). كانت معدلات دقة التصنيف 59.4 & # x000B1 0.6٪ لنوع الإجراء و 88.2 & # x000B1 0.7٪ لنوع جودة جهد اللبن. أشارت التحليلات المساعدة للعلاقات المحتملة بين EEG وحركية الحركة لجسم الراقص & # x00027s ، إلى أن القطع الأثرية المرتبطة بالحركة لم تؤثر بشكل كبير على نتائج تصنيفنا. باختصار ، يوضح هذا البحث أن EEG لديه معلومات قيمة حول الصفات التعبيرية للحركة. قد يكون لهذه النتائج تطبيقات لتعزيز فهم الأساس العصبي للحركات التعبيرية ولتطوير الأطراف الاصطناعية العصبية لاستعادة الحركات.


البحوث الأصلية المادة

  • 1 قسم علم الأحياء ، كولبي كوليدج ، ووترفيل ، مينيسوتا ، الولايات المتحدة
  • 2 قسم علم النفس ، كولبي كوليدج ، ووترفيل ، مينيسوتا ، الولايات المتحدة

التأمل هو مصطلح شامل لعدد من ممارسات التدريب الذهني المصممة لتحسين مراقبة وتنظيم الانتباه والعاطفة. يتم الآن استخدام بعض أشكال التأمل للتدخل السريري. لمرافقة الاهتمام الإكلينيكي المتزايد بالتأمل ، هناك حاجة إلى بحث يدرس الأساس العصبي لهذه الممارسات. الفرضية المركزية لعلم الأعصاب التأملي هي أن الحالات التأملية ، الفريدة من نوعها على مستوى الظواهر ، تختلف على المستوى الفسيولوجي العصبي. لتحديد الارتباطات الفيزيولوجية الكهربية لممارسة التأمل ، تم تسجيل نشاط الدماغ الكهربائي للمتأملين ذوي المهارات العالية المنخرطين في واحد من ستة أنماط تأمل (شاماتا ، فيباسانا ، زازين ، دزوغشن ، تونغلين ، والتصور). كانت مهمة شرود الذهن بمثابة عنصر تحكم. أظهر Lempel & # x2013Ziv تعقيد اختلافات في ديناميكيات الدماغ غير الخطية (الانتروبيا) أثناء التأمل مقارنة مع شرود العقل ، مما يشير إلى أن التأمل ، بغض النظر عن الممارسة ، يؤثر على التعقيد العصبي. في المقابل ، لم تكن هناك اختلافات في أطياف الطاقة في ستة نطاقات تردد مختلفة ، ويرجع ذلك على الأرجح إلى حقيقة أن المشاركين شاركوا في ممارسات تأمل مختلفة. أخيرًا ، تشير التحليلات الاستكشافية إلى اختلافات عصبية بين ممارسات التأمل. تسلط هذه النتائج الضوء على أهمية دراسة ارتباط تخطيط كهربية الدماغ (EEG) بالممارسات التأملية المختلفة.


نتائج

قام ستة مشاركين (4 إناث ، متوسط ​​العمر 30.3 ± 9.6 ، راجع المواد والأساليب والشكل 1 ب و 1 ج) بأداء مهمة saccade متأخرة (الشكل 1 أ) بينما تم تسجيل البيانات الفيزيولوجية الكهربية من أقطاب كهربائية متعددة الرؤوس في تخطيط أمواج الدماغ. في كل تجربة ، تم توجيه المشاركين لأداء الأكياس الأفقية نحو هدف واحد من هدفين ولكن فقط بعد فترة تأخير متغيرة. تمت الإشارة إلى المعلومات حول اتجاه المرمي بواسطة إشارة مركزية مقدمة بصريًا (Cue 1) ، متبوعة بإشارة Go لتنفيذ saccade (Cue 2). تتكون المهمة من 3 شروط تجريبية معشق (الشكل 1 أ): في حر بشرط ، دفع الماس في Cue 1 المشاركين إلى اختيار اتجاه المرسل القادم بحرية. في ال تعليمات الحالة ، يشير سهم يشير إلى اليسار أو اليمين للمشاركين إلى اتجاه المرسل الذي يجب عليهم تحضيره. بعد تأخير متغير (3.5-7.75 ثانية) قام خلاله المشاركون بإعداد المرسل المناسب أثناء تثبيت نقطة التثبيت المركزية ، حثت إشارة Go (Cue 2) المشاركين على تنفيذ المرسل على الفور. في ال مراقبة في الحالة ، تم تقديم مربع للمشاركين في Cue 1 ، مما يشير إلى أنهم سيحتاجون إلى انتظار إشارة Go (Cue 2) لمعرفة اتجاه المرمى المطلوب وتنفيذه على الفور. تم جمع بيانات وقت الاستجابة السلوكية لوقت استجابة المرسل السلوكي ، وتم استخراج ميزات الطاقة الطيفية من بيانات iEEG عبر نوافذ زمنية متعددة وجميع مواقع الأقطاب الكهربائية. تم حساب ميزات الطاقة في 5 نطاقات تردد قياسية: ثيتا (θ) [4-8 هرتز] ، ألفا (α) [8-15 هرتز] ، بيتا (β) [16-30 هرتز] ، جاما منخفضة (منخفضة γ) [30-60 هرتز] وغاما عالية (عالية γ ، HG) [60-140 هرتز]. تم تنفيذ إطار عمل التعلم الآلي الخاضع للإشراف لفك ترميز (من خلال المكان والزمان والتردد) الظروف التجريبية (مجانية ، وموجهة ، ومراقبة) وبالتالي تحديد الأنماط العصبية الأكثر تمييزًا التي تميز بين الاختيار الحر والإجراءات الموجهة أثناء التخطيط الرملي و التنفيذ (انظر المواد والأساليب للحصول على التفاصيل).

أ. التصميم التجريبي للمهمة الحركية المتأخرة. لكل تجربة ، تم توجيه المشاركين لأداء الأكياس الأفقية باتجاه واحد من هدفين بعد تأخير قدره 3750 مللي ثانية أو 5750 مللي ثانية أو 7750 مللي ثانية ، اعتمادًا على إشارة مركزية مقدمة بصريًا تظهر لفترة وجيزة لمدة 250 مللي ثانية. ب. المشاهدات العلوية واليسرى واليمنى لعدد مواقع التسجيل التي تساهم في كل قمة (أي الكثافة المكانية) المسقطة على دماغ قياسي ثلاثي الأبعاد MNI. تساهم الأقطاب الكهربائية في تحديد الموقع عندما تكون في نطاق 10 مم من موقع معين على سطح الدماغ. في جميع صور الدماغ ، يكون الجانب الأيمن من الصورة هو الجانب الأيمن من الدماغ. ج. عرض أعلى ، ويسار ، ويمين لمواقع تسجيل القطب الكهربي العميق ، معروضة على دماغ قياسي ثلاثي الأبعاد MNI. كل لون يمثل أحد المشاركين. إلى اليسار: Rostral في أعلى اليمين: مناظر وسطية. د. Barplot من متوسط ​​أوقات رد الفعل للحالات الثلاثة عبر جميع المشاركين (مراقبة, تعليمات, حر). يمثل كل مثلث متوسط ​​أوقات رد الفعل لمشارك واحد. البيانات الكامنة وراء هذه اللوحة د يمكن العثور عليها في S1 Data. MNI ، معهد مونتريال للأعصاب.

النتائج السلوكية

قمنا بحساب متوسط ​​أوقات رد الفعل (RTs ، أي وقت الاستجابة البطيء ، راجع المواد والأساليب) لكل حالة تجريبية عبر جميع المشاركين ووجدنا أن متوسط ​​زمن الاستجابة كان أطول بشكل ملحوظ بالنسبة لـ مراقبة الحالة (متوسط ​​RT = 466 ± 66 مللي ثانية) مقارنة مع كليهما حر (متوسط ​​RT = 334 ± 36 مللي ثانية ر(6) = 2.75, ع = 0.0403) و تعليمات (متوسط ​​RT = 321 ± 33 مللي ثانية ر(6) = 2.68, ع = 0.0435) (انظر الشكل 1 د). لم يتم العثور على فروق ذات دلالة إحصائية بين الشروط المجانية والموجهة (t(6) = 1.31, ع = 0.24). لوحظت هذه النتائج أيضًا على مستوى المشارك الفردي في 5 من أصل 6 مشاركين (انظر قسم المواد والأساليب). تتوافق هذه النتائج مع حقيقة أن توافر معلومات الهدف المرمي (سواء تم إنشاؤها ذاتيًا أو بإصدار تعليمات) خلال فترة التأخير سمح للمشاركين بالتخطيط للأشواط القادمة ومن ثم تنفيذها بشكل أسرع عند إشارة Go مقارنةً بـ مراقبة الحالة ، حيث لا تتوفر معلومات اتجاهية خلال فترة التأخير. تم الإبلاغ عن متوسط ​​مدة saccade ، وسرعة saccade ، ومتوسط ​​الكمون ، وعدد saccades المنفذة لكل حالة من قبل كل مشارك في S2 Table.

لتقييم التحويرات للنشاط العصبي عبر أنواع التجارب الثلاثة المتأخرة (على سبيل المثال ، حر, تعليمات، و مراقبة) عبر الفضاء والتردد والوقت ، قمنا بحساب تمثيلات التردد الزمني (مقفلة إما عند بداية التحفيز ، أي ، Cue 1 ، أو تلميح تنفيذ saccade ، أي Cue 2) ، بالإضافة إلى مغلفات السعة الطيفية أحادية التجربة بترددات متعددة النطاقات (ثيتا (θ) [4-8 هرتز] ، ألفا (α) [8-15 هرتز] ، بيتا () [16-30 هرتز] ، جاما منخفضة (منخفضة) [30-60 هرتز] وعالية جاما (عالي γ، HG) [60-140 هرتز]). يوضح الشكل 2 هذه الحسابات المميزة والجودة العالية للبيانات داخل الجمجمة من خلال إظهار خرائط التردد الزمني المستمدة من الأقطاب الكهربائية في FEF والتلم داخل الجداري (IPS) في المشارك 2 ، بالإضافة إلى نشاط HG في تجربة واحدة ، متماشياً مع عرض التحفيز و إشارة Go saccade (مرتبة حسب زمن الوصول البطيء). بالإضافة إلى ذلك ، استخدمنا تحليل التمييز الخطي (LDA) لاستكشاف قدرة هذه الميزات الطيفية على فك تشفير الظروف التجريبية من بيانات التجربة الفردية. الأهم من ذلك ، قمنا بتطبيق إطار عمل التعلم الآلي هذا بشكل فردي على البيانات من كل موقع تسجيل وبطريقة زمنية محددة على مدار المهمة (راجع قسم المواد والأساليب للحصول على التفاصيل).

خرائط التردد الزمني (يسار) ومخططات HG أحادية التجربة (يمين) من موقعين للتسجيل في مشارك توضيحي (P2). يتم عرض البيانات الخاصة بالظروف التجريبية الثلاثة (التحكم ، والتعليمات ، والحرة) ، أثناء التخطيط (Cue 1 ، بداية التحفيز) ، والتنفيذ (Cue 2 ، go signal). تُصنف التجارب في مخططات جاما أحادية التجربة وفقًا لأوقات اختفاء بداية المرسل. FEF ، مجال العين الأمامية HG ، IPS عالي جاما ، نموذج التلم داخل الجداري ، التحويرات النسبية ، النسبية.

فك النشاط العصبي في فترة التأخير في الاختيار الحر مقابل التجارب المرمية المدروسة

لتحديد الأنماط العصبية المتعلقة بالاختيارات المستقلة ، قمنا أولاً بمقارنة الاستجابات العصبية لفترة التأخير التي لوحظت أثناء تجارب saccade ذات الاختيار الحر بتلك المسجلة أثناء تجارب saccade الموجهة. تم إجراء ذلك من خلال تطبيق LDA على التصنيف حر عكس تعليمات تجارب saccade بناءً على السعة الطيفية المقدرة خلال فترة التأخير في جميع نطاقات التردد الخمسة (الشكل 3 ، انظر أيضًا S4 الشكل). تُظهر اللوحات A-C في الشكل 3 أنه من بين جميع نطاقات التردد ، كان نشاط HG هو الميزة العصبية التي قدمت أعلى دقة في فك التشفير (DA) وأكبر عدد من مواقع فك التشفير بشكل كبير عند التصنيف حر عكس تعليمات التجارب ، خلال فترة التأخير ([0 3،000 مللي ثانية] بعد Cue 1). أدى نشاط HG إلى تصنيف معتد به إحصائيًا في 61 موقعًا (4 من أصل 6 مشاركين) وأنتج DA بحد أقصى 92.9٪ ومتوسط ​​DA 79٪ (الشكل 3 أ -3 ج). ومن المثير للاهتمام ، من بين المشاركين 2 الذين لم يسفروا عن أي مواقع فك تشفير بشكل كبير ، كان P5 هو المشارك الوحيد الذي أظهر RTs مماثلة عبر الظروف الثلاثة (انظر الشكل 1D). قد يعكس هذا حقيقة أن هذا المشارك لم يستخدم برنامج Cue 1 ، والذي من شأنه أن يفسر سبب عدم تمكن نشاط HG من فك التشفير بشكل كبير حر عكس تعليمات الظروف خلال فترة التأخير في هذا المشارك.

أ. ملخص لجميع الأقطاب الكهربائية المهمة بواسطة المشاركين عبر الترددات يوضح أن أكبر المجموعات تم العثور عليها في نطاق تردد HG. ب. يعني و ج. أقصى دقة لفك التشفير عبر المشاركين وأقطاب كهربائية مهمة لكل نطاق تردد للتصنيف المجاني مقابل التصنيف الموجه (تمثل أشرطة الخطأ SEM). د. تم تصحيح المسار الزمني لخط الأساس (500 إلى 100 مللي ثانية) نشاط HG المحاذاة على Cue 1 ، لجميع الأقطاب الكهربائية التي تصنف بشكل كبير الظروف المجانية مقابل التعليمات و ح. دقة فك التشفير المرتبطة بها عبر الأقطاب الكهربائية المهمة. E. أقصى دقة لفك التشفير عبر المشاركين والأقطاب الكهربائية المهمة لكل نطاقات تردد لتصنيف الأقطاب المتعددة المجانية مقابل الموجهات. F. النسبي يعني ذروة نشاط HG (في ٪) و ج. الكمون (بالمللي ثانية) للأقطاب الكهربائية التي تقوم بفك تشفير الظروف الحرة مقابل التعليمات أثناء فترة التأخير (من 0 إلى 3000 مللي ثانية بعد Cue 1). أنا. فك تشفير الظروف المجانية مقابل التعليمات باستخدام نشاط HG في 5 نوافذ زمنية متتالية خلال فترة التأخير (من 0 إلى 500 مللي ثانية من 500 إلى 1،000 مللي ثانية 1،000 إلى 1،500 مللي ثانية من 1،500 إلى 2،000 مللي ثانية من 2،000 إلى 3،500 مللي ثانية بعد Cue 1 و2،000 إلى 0 مللي ثانية قبل Cue 2). يتم عرض المواقع ذات الدقة الكبيرة في فك التشفير فقط (ص & lt 0.01 ، مع أقصى تصحيح للإحصائيات عبر الأقطاب الكهربائية والوقت ونطاقات التردد). ي. النسبة المئوية للتغير النسبي في الطاقة ([مجاني - تعليمات] / تعليمات) لجميع المواقع المهمة الموضحة في اللوحة الأولى. يمكن العثور على البيانات التي يقوم عليها هذا الشكل في بيانات S1. DA ، دقة فك التشفير ، الأقطاب الكهربائية التكرار ، التردد HG ، عالية غاما Inst. ، تعليمات ملحوظة ، رقم Rel. ، نسبي.

ثم استخدمنا نهج تصنيف متعدد الميزات (حر عكس تعليمات التجارب) التي تم فيها الآن تضمين الملاحظات عبر جميع مواقع الأقطاب الكهربائية في وقت واحد في مساحة ميزة فك التشفير (تتكرر لكل نطاق تردد). قمنا بتقييم الأهمية الإحصائية لـ DA الذي تم حله بمرور الوقت باستخدام اختبارات التقليب ، وتم تصحيحه لمقارنات متعددة عبر المشاركين (الأقطاب الكهربائية والترددات والنقاط الزمنية). كما هو مبين في الشكل 3E ، كان DA متعدد المواقع هو الأعلى لنشاط HG ، حيث وصل إلى 86.8٪. بالنظر إلى أن نتائج التصنيف الفردية والمتعددة المواقع (الشكل 3 أ -3 ج و 3 هـ) تشير إلى أن سعة الزئبق هي المؤشر الأبرز للفئة المستهدفة (حر عكس تعليمات) ، تركز الأقسام التالية من النتائج على توصيف الملامح الزمانية والمكانية الدقيقة الحبيبات لفك التشفير العصبي HG.

يوضح حساب متوسط ​​بيانات HG عبر جميع التجارب من جميع مواقع فك التشفير الديناميكيات الزمنية لتأخير نشاط HG التي تميز بين حر و تعليمات تجارب saccade (الشكل ثلاثي الأبعاد). يظهر متوسط ​​DA المرتبط بالوقت الذي تم حله في الشكل 3H. نظرًا لأن التحليل يعتمد على المتوسط ​​عبر جميع المواقع ، فإن اللوحات D و H توفر فقط تمثيلًا تخطيطيًا للديناميكيات الزمنية ، دون تقييم إحصائي. وهكذا ، أجرينا زوجًا قياسيًا ر اختبارات لزيادة قياس الاختلاف في اتساع ذروة HG ووقت الاستجابة بين تعليمات (متوسط ​​سعة ذروة HG = + 39٪ ± 0.74 يعني ذروة الكمون = 475 مللي ثانية ± 14) و حر (متوسط ​​سعة ذروة HG = + 24٪ ± 1.18 يعني وقت استجابة الذروة = 812 مللي ثانية ± 97) ظروف من جميع مواقع فك التشفير البالغ عددها 61 موقعًا (في 4 من أصل 6 مشاركين). كشفت النتائج عن فروق ذات دلالة إحصائية (ذروة السعة: t(4) = 8.34, ص & lt 0.003 ، ذروة الكمون بالشكل 3F: t(4) = 21, ص & lt 0.0002، Fig 3G) وتم تأكيده أيضًا في تحليلات التجربة الفردية التي أجريت بشكل فردي في كل من المشاركين الأربعة (ص & lt 0.05 ، انظر المواد والأساليب). يتم سرد جميع النتائج الإحصائية داخل وعبر المشاركين في جدول S3.

بالإضافة إلى ذلك ، يمثل الشكل 3I و 3 J ديناميكيات فك تشفير HG التي تم حلها عبر كل من المكان والزمان: في الجزء الأول من فترة التأخير ، ترتبط أقطاب فك التشفير المهمة بقوة HG أقوى في تعليمات مما كانت عليه في حر شرط. ولكن بمرور الوقت ، تصبح قوة HG أعلى بالنسبة لـ حر التخطيط saccade من ل تعليمات التخطيط الرملي خلال المراحل المتأخرة من فترة التأخير في مناطق الدماغ الأمامية الجدارية. وبشكل أكثر تحديدًا ، نوضح أن جميع الأقطاب الكهربائية المهمة في النافذة الزمنية (0 ، 500 مللي ثانية) بعد Cue 1 خلال فترة التأخير مرتبطة بنشاط HG أعلى في الحالة Instructed (الشكل 3I و 3J ، [0 ، 500 مللي ثانية]) . من ناحية أخرى ، مع مرور الوقت ، تبدأ الأقطاب الكهربائية المهمة في الارتباط بشكل أكبر بنشاط HG العالي في حر مقارنة مع تعليمات شرط. من 1000 إلى 2000 مللي ثانية بعد Cue 1 ، نرى أن جميع الأقطاب الكهربائية المهمة مرتبطة الآن بطاقة أعلى في حر الحالة (الشكل 3I و 3J ، [1000 ، 1500 ميلي ثانية] ، [1500 ، 2000 ميلي ثانية]). بالإضافة إلى ذلك ، وجدنا أنه من 1500 مللي ثانية إلى 2000 مللي ثانية بعد Cue 1 ، الأقطاب الكهربائية الوحيدة التي لا تزال تفك شفرة بشكل كبير حر من عند تعليمات تقع الظروف في المناطق الأمامية (الشكل 3I و 3 J [1500 ، 2000 ميلي ثانية]). ومن المثير للاهتمام ، وجدنا أيضًا مواقع كان نشاط HG فيها أقوى بشكل ملحوظ حر من تعليمات، في نهاية فترة التأخير ، من -2000 إلى 0 مللي ثانية قبل Cue 2 (الشكل 3I و 3J). يشير هذا إلى أن بعض الأقطاب الكهربائية قد تعرض نشاطًا مستمرًا طوال فترة التأخير بأكملها ويؤدي إلى تحليلات لاحقة موصوفة بمزيد من التفصيل في الأقسام التالية.

من أجل زيادة توصيف ديناميات HG الزمنية الخاصة بـ حر و ل تعليمات saccades (بخلاف الاختلاف الصارم بين الاثنين) مع الأخذ في الاعتبار أيضًا العمليات ذات الصلة بالتحفيز منخفض المستوى ، قمنا بتكرار نفس إطار فك التشفير ولكن الآن بهدف التمييز بين كل من الشرطين الرئيسيين من مراقبة الشرط (أي تعليمات مقابل التحكم ، و الحرة مقابل التحكم ، انظر الشكل 4). أولاً ، وجدنا أنه خلال أول 3000 مللي ثانية بعد Cue 1 ، كان هناك تداخل من 56 قطبًا كهربائيًا بين الأقطاب الكهربائية التي تصنف بشكل كبير تعليمات عكس مراقبة محاكمات كذلك حر عكس مراقبة محاكمات. بعبارة أخرى 82.4٪ من المواقع تميز بشكل كبير حر عكس مراقبة الظروف تميز أيضا بشكل كبير تعليمات عكس مراقبة الظروف (الشكل 4 أ). علاوة على ذلك ، وجدنا أنه عندما يختار المشاركون بحرية اتجاه المرمى ، استمر نشاط HG المتأخر ، في المتوسط ​​، 618 مللي ثانية ± 57 ، في حين أن حالة المرسل المرشد المعروضة تعني فترات HG تبلغ 368 مللي ثانية فقط ± 60. كان الفرق مهمًا من الناحية الإحصائية (الطول من النقاط الزمنية فوق عتبة الأهمية في حر عكس مراقبة مقارنة مع تعليمات عكس مراقبة التصنيفات ، ر(4) = 3.52, ص & lt 0.04 عبر 4 مشاركين وتم تأكيدها في تحليل داخل المشاركين في فرد واحد مع ص & lt 0.05 ، انظر الشكل 4 ب). وجدنا أيضًا أن نشاط HG أثناء التخطيط المدروس (متوسط ​​البداية = 152 مللي ثانية ± 39) وصل إلى تصنيف هام في وقت سابق من نشاط HG في حالة الاختيار الحر (متوسط ​​البداية = 465 مللي ثانية ± 49) عند مقارنته مع عنصر التحكم (زمن انتقال أول مرة دقة فك كبيرة في حر عكس مراقبة مقارنة مع أولئك المرتبطين بـ تعليمات عكس مراقبة التصنيفات ، ر(4) = 7.09, ص & lt 0.006 عبر 4 مشاركين ، انظر الشكل 4 ج). تم تأكيد هذا الاختلاف من خلال تحليلات المشاركين داخل المشاركين في 3 من أصل 4 مشاركين ص & lt 0.05. أخيرًا ، نظهر أن DA بلغ ذروته بشكل ملحوظ في وقت سابق في تعليمات الحالة (متوسط ​​البداية = 527 مللي ثانية ± 61) مما كانت عليه في حر الحالة (متوسط ​​البداية = 822 مللي ثانية ± 70) عند مقارنتها بحالة التحكم (زمن الوصول الذروة DA في حر عكس مراقبة مقارنة مع تعليمات عكس مراقبة التصنيفات ، ر(5) = 3.39, ص & lt 0.03 عبر 5 مشاركين ، تم تأكيده بتحليلات المشاركين داخل المشاركين في 4 من أصل 5 مشاركين ص & lt 0.05 ، انظر الشكل 4 د). يتم سرد جميع النتائج الإحصائية داخل وعبر المشاركين في جدول S3.

أ. موقع مواقع الأقطاب الكهربائية حيث يميز نشاط HG بين Free مقابل Control و / أو Instructed مقابل Control المعين على صور دماغية ثلاثية الأبعاد شفافة لجميع المشاركين (ص & lt 0.01 ، مصحح). على اليسار: الأقطاب الكهربائية الملونة باللون الأخضر والأزرق والأصفر ، على التوالي ، تشير إلى المواقع التي تميز التجارب المجانية مقابل التحكم فقط ، أو التعليمات مقابل التحكم فقط ، أو كلاهما مجاني مقابل التحكم والإرشادات مقابل التحكم أثناء فترة التأخير (من 0 إلى 3000 مللي ثانية بعد Cue 1 ). على اليمين: تشير الألوان إلى مشاركين مختلفين. ب. المدة (طول النقاط الزمنية) أعلى من حد الأهمية ج. بداية فك التشفير (أي زمن انتقال أول دقة كبيرة لفك التشفير) د. الكمون لدقة فك التشفير القصوى (بالمللي ثانية) للمواقع بشكل كبير فك شفرة الحرة مقابل التحكم (باللون الأخضر) والإرشادات مقابل التحكم (باللون الأزرق) عبر المشاركين. هاء ، واو. تم تصحيح المسار الزمني لخط الأساس (500 إلى 100 مللي ثانية) محاذاة نشاط HG على Cue 1 ، لجميع الأقطاب الكهربائية التي تصنف بشكل كبير Instructed مقابل التحكم (ه) والحرية مقابل التحكم (F) الشروط و ز ، ح. تعني دقة فك التشفير المرتبطة بها عبر أقطاب كهربائية مهمة في الوقت المناسب ، على التوالي. أنا. التعميم الزمني لفك التشفير من نوع التجربة باستخدام نشاط HG عبر مواقع مهمة مستمدة من التحليلات السابقة (حر عكس مراقبة و تعليمات عكس مراقبة) خلال فترة التأخير (من 0 إلى 3،000 مللي ثانية بعد Cue 1) لـ 4 مشاركين. تظهر مصفوفات التعميم أداء فك التشفير مخططًا كدالة لوقت التدريب (المحور الرأسي) ووقت الاختبار (المحور الأفقي). فك تعليمات عكس مراقبة (العمود الأيسر) التجارب توضح المظهر الجانبي المتوقع للتشفير العابر ، أثناء فك تشفير حر عكس مراقبة (العمود الأيمن) تؤدي التجارب إلى أنماط فك تشفير أكثر سلاسة وممتدة ، وهي نموذجية لعملية واحدة تستمر بمرور الوقت. يمكن العثور على البيانات التي يقوم عليها هذا الشكل في S1 Data. DA ، دقة فك التشفير HG ، عالية غاما Inst. ، ملحوظة ملحوظة ، رقم متعلق ، نسبي.

سبر HG تأخير الديناميات الزمنية عن طريق التعميم الزمني

من أجل مزيد من توصيف التنظيم الزمني الدقيق لمعالجة المعلومات خلال فترة التأخير في تعليمات و حر- شروط الاختيار ، بحثنا في التعميم عبر الزماني [11،53] لفك التشفير تعليمات عكس مراقبة و حر عكس مراقبة الشروط باستخدام نشاط HG (الشكل 4I). باختصار ، التعميم الزمني يتكون من تدريب المصنف ببيانات من نقطة زمنية واحدة ، t1، واختباره على بيانات من نقطة زمنية مختلفة ، ر2. من حيث المبدأ ، يشير التعميم عبر الزمن إلى أن الكود العصبي المحدد في t1 يحدث أيضا في ر2 (انظر المواد والطرق). وبشكل أكثر تحديدًا ، استخدمنا التعميم الزمني لتوصيف أفضل لعمليات نشاط HG قصيرة العمر (عابرة) وطويلة الأمد (المستدامة) الأساسية حر و تعليمات تخطيط. تُظهر النتائج التي توصلنا إليها أن نشاط HG أثناء التخطيط المرسل الموجه ينتج نمط تعميم نموذجي للتشفير العابر (انظر العمود الأول من الشكل 4I) ، في حين يتميز الاختيار الحر بعملية فك تشفير HG تكون أكثر استدامة في الوقت المناسب (العمود الثاني من الشكل 4I) ). إذا أخذناها معًا ، فإن أنماط فك التشفير عبر الزمن المرصودة ودقتها تتسق مع الرأي القائل بأن نشاط HG التمييزي المرتبط بالقرار خلال فترة التأخير يكون أكثر استدامة ويبدأ لاحقًا في حر-اختيار المحاكمات مقارنة مع تعليمات محاكمات saccade. في المقابل ، عندما لا يكون هناك خيار ، فإن المعلومات المتعلقة بالمهمة المنعكسة في نشاط HG تكون أكثر عابرة وأكثر صلة بالموضوع بعد وقت قصير من بداية التحفيز. الأهم من ذلك ، أن نتائج التعميم عبر الزمن تسلط الضوء أيضًا على أنه على الرغم من فك تشفير HG في حر الاختيار أكثر استدامة ، فهو لا يستمر بشكل منهجي طوال فترة التأخير حتى إشارة GO (Cue 2). يتوافق هذا مع ملاحظاتنا السابقة في الشكل 3I و 3 J ، أنه على مدار فترة التأخير ، هناك عدد أقل من المواقع تميز بين التجارب المجانية والموجهة. قد يشير هذا إلى أنه على الرغم من أن العديد من المواقع تعرض نشاطًا مستدامًا لـ HG لتجارب saccade ذات الاختيار الحر ، إلا أن القليل منها فقط يعرض بالفعل زيادات مستمرة حتى تنفيذ saccade. يتم التحقيق في هذا التمييز المهم في القسم التالي.

التوزيع المكاني لنشاط HG المبكر مقابل التأخير المتأخر أثناء الاختيار الحر

لعزل مناطق الدماغ على وجه التحديد حيث يزيد HG المعالجة العصبية للمؤشر الخاص بقرارات saccade المجانية ، استخدمنا تحليل الاقتران (حر & GT مراقبة Ո حر & GT تعليمات) يتم تطبيقه على جميع مواقع الأقطاب الكهربائية مع تصنيف كبير لـ حر عكس مراقبة و حر عكس تعليمات محاكمات. الأهم من ذلك ، أجرينا تحليل الاقتران هذا في نافذتين زمنيتين مختلفتين خلال فترة التأخير: تم تعريف النافذة "المبكرة" على أنها أول 2000 مللي ثانية بعد Cue1 ، ونافذة "متأخرة" من -2000 إلى 0 مللي ثانية قبل Cue 2. الشكل 5 أ يصور لكل من النوافذ الزمنية المواقع ذات الدقة الكبيرة في فك التشفير لجميع المشاركين حيث كانت الزيادة في نشاط HG أقوى أثناء الاختيار الحر مقارنةً بالتحكم (حر & GT مراقبة) وأمر (حر & GT تعليمات) التجارب (انظر أيضًا الشكل S5 لمزيد من التفاصيل). يجمع الشكل 5 ب بين النتائج المبكرة والمتأخرة في التمثيل الشائع (35 قطبًا كهربائيًا ، 4 مشاركين) مشيرًا ، بالتالي ، لكل موقع محدد للاختيار الحر ، ما إذا كان قد أظهر زيادات HG فقط في وقت مبكر (من 0 إلى 2000 مللي ثانية بعد Cue 1) ، فقط في وقت متأخر (2،000 إلى 0 مللي ثانية قبل Cue 2) أو في الفترات المبكرة والمتأخرة. وجدنا أن معظم المواقع الخاصة بالاختيار الحر أظهرت نشاط HG محسنًا فقط خلال الجزء الأول من فترة التأخير (29 قطبًا كهربائيًا ، 3/4 مشاركًا) في شبكة من المناطق بما في ذلك التلفيف الأمامي العلوي (SFG) والتلفيف الجبهي الأوسط (MFG) ) و SMA و IPS و FEF (انظر الشكل 5C و 5D ، أول صفين للأقطاب التوضيحية المبكرة في IPS و SFG). ومع ذلك ، بالنسبة إلى 5 مواقع (في 2/4 مشاركين) الموجودة في SFG (قطبين) ، و MFG (قطبين) ، و FEF (قطب واحد) ، تم العثور على دقة كبيرة في فك التشفير في كل من الأجزاء المبكرة والمتأخرة من فترة التأخير ، يشير إلى نشاط HG الذي يغطي كامل مدة فترة التأخير (انظر الشكل 5C و 5 D ، الصف الأخير للحصول على قطب توضيحي مبكر + متأخر في SFG). يتم توفير تفاصيل توطين جميع الأقطاب الكهربائية البالغ عددها 35 الموضحة في الشكل 5 ب في الجدول S4. لاحظ أنه من بين جميع المشاركين ، يكون موقع القطب الكهربي بحد أقصى HG DA لكليهما حر عكس مراقبة (86.1٪) و حر عكس تعليمات (91.4٪) كان موجودًا في IPS الأيمن (P2 ، اشتقاق القطب p9-p8 ، انظر الشكل 5 ، الصف الأخير من C ، D).

أ، مواقع الأقطاب الكهربائية ذات الدقة الكبيرة في فك التشفير (ص & lt 0.01 ، مصحح) لجميع المشاركين الذين تم تعيينهم على صور دماغية شفافة ثلاثية الأبعاد عندما يكون نشاط HG أقوى بشكل ملحوظ في حر حالة مما كانت عليه في مراقبة الحالة (الصف الأول) وعندما يكون نشاط HG أقوى بشكل ملحوظ في حر حالة مما كانت عليه في تعليمات الحالة (الصف الثاني) خلال فترة التأخير ، من 0 إلى 2000 مللي ثانية بعد Cue 1 (العمود الأول ، مبكرًا) ومن 2،000 مللي ثانية قبل Cue 2 (العمود الثاني ، متأخر). ب. مواقع القطب حيث يكون HG أعلى في حر مقارنة مع تعليمات و مراقبة، يحدده تحليل الاقتران (حر & GT مراقبة يو حر & GT تعليمات). يتم تلوين المواقع الخاصة بالاختيار الحر باللون الأزرق إذا لوحظ فك تشفير كبير في الجزء الأول من التأخير باللون الأصفر إذا تم العثور على فك تشفير كبير في الجزء المتأخر وباللون الأخضر للمواقع التي نجت من تحليل الاقتران في كل من المراحل المبكرة والمتأخرة من فترة التأخير. بالنسبة لثلاثة أقطاب كهربائية فردية ، رسمنا نشاط HG بمرور الوقت (ج ، يمكن العثور على البيانات الكامنة وراء هذه اللوحة في S1 Data) ، مخططات أحادية التجربة (د، الصف العلوي) وخرائط التردد الزمني (د، الصف السفلي) من أجل حر, تعليمات، و مراقبة شروط. DA ، دقة فك التشفير التكرار ، التردد HG ، IPS عالي الجاما ، التلم داخل الجداري MFG ، نموذج التلفيف الجبهي الأوسط ، التحويرات النسبية ، SFG النسبي ، التلفيف الجبهي العلوي.

لتقدير مساهمات المشاركين الفرديين في النتائج العالمية ، قمنا أيضًا بتحليل جميع مواقع الأقطاب الكهربائية التي نجت من تحليل الاقتران في الشكل 5 ب ، وتجميع البيانات إما حسب مناطق الاهتمام (ROIs) أو نافذة فترة التأخير (مبكرًا أو متأخرًا). تتحدث النتائج (الشكل 6) إلى حد كبير عن تشابه ديناميكيات HG الزمنية عبر المناطق والظروف. تشير البيانات من P2 إلى أن حالة التحكم تثير استجابات HG في IPS ولكن ليس في MFG وأن استجابات HG الأقوى والأطول أمداً في MFG تأتي من تجارب الاختيار الحر (الشكل 6 أ و 6 ب). يتوافق هذا مع مشاركة المناطق الجدارية - من بين أمور أخرى - في المعالجة الحسية منخفضة المستوى والدور البارز لنشاط HG الجبهي في التداول. يظهر التمييز بين نشاط HG "الطويل الأمد" (المبكر) ونشاط HG "المستمر" طوال فترة التأخير (مبكرًا ومتأخرًا) في الشكل 6C. ثم أجرينا تحليلًا لتقييم تأثيرات تاريخ التجربة أثناء حالة الاختيار الحر. استخدمنا ملف ر اختبار لتقييم الفروق الإحصائية بين ن-1 الاحتمالات المشروطة والاحتمالات العشوائية (الخالية من التاريخ) لكل مشارك ولم تجد أي تبعيات واضحة عبر التجربة في سلوك الاختيار أثناء الحالة المجانية لموضوعات 5/6 (انظر الشكل S1). بالنسبة لأحد المشاركين (P2) ، وجدنا تأثيرًا مهمًا في تاريخ التجربة كان مدفوعًا بالميل إلى السلوك البديل (على سبيل المثال ، اليسار ، اليمين ، اليسار ، اليمين ...). ومن المثير للاهتمام ، أن هذا المشارك أظهر نفس تأثيرات الاختيار الحر المتأخرة والمستمرة التي لوحظت في المشاركين الآخرين ، مع اختلاف ملحوظ في أن استجابة HG كانت أقصر عمراً مقارنة بالمشاركين الآخرين (الشكل 6 ب). يبدو أن هذه النتيجة متوافقة مع تفسيرنا بأن نشاط HG المستمر الذي لوحظ أثناء الحالة الحرة مرتبط بالفعل بالتداول بين البدائل المتنافسة في مناطق الدماغ الأمامية. على وجه التحديد ، يشير هذا التحليل إلى أن ميل P2 للتناوب بين خيارات المرسل الأيمن والأيسر كان مرتبطًا بمداولة أقصر أثناء التأخير (تمت فهرستها بواسطة استجابات HG أقصر مستدامة). لاحظ أنه على الرغم من أهمية السلوك المتناوب الملحوظ في P2 لم يكن منهجيًا (انظر الاحتمالات الشرطية الواردة في S1 الشكل). أخيرًا ، للتحقق مما إذا كان لا يمكن الخلط بين النتائج التي توصلنا إليها من خلال تأثيرات الضبط المكاني في فترة التأخير ، قمنا بتكرار تحليلات التصنيف بشكل منفصل لتجارب saccade اليسرى واليمنى. ومع ذلك ، لم يتم العثور على فك تشفير لفترة التأخير تم ضبطه مكانيًا بشكل كبير في حر, تعليمات، أو مراقبة الشروط (انظر الشكل S6). More specifically, the 3 illustrative sites shown in Fig 5C and 5D did not show statistically significant differences when trials for left and right saccades were investigated separately (see S6B–S6D Fig). We also ruled out the possibility that our findings were confounded by involuntary saccades made in response to the presentation of Cue 1 by contrasting mean EOG traces for left and right trials and for حر و Instructed conditions (see S3 Fig).

Mean HG activity time courses for free-choice-specific sites grouped here by (A) ROIs, (B) subjects, and (C) early/late. Mean time course of baseline corrected (−500 to −100 milliseconds) HG activity for Free, Instructed, and Control conditions aligned on Cue 1 (first column) and Cue 2 (second columns) in electrodes that have enhanced HG in the free-choice condition compared with both the control and instructed saccade conditions (i.e., determined by a conjunction analysis (see Fig 5B). The data underlying this figure can be found in S1 Data. HG, high-gamma FEF, frontal eye field IPS, intraparietal sulcus MFG, middle frontal gyrus Rel., relative ROI, region of interest SMA, supplementary motor area.

Disentangling the correlates of oculomotor execution and oculomotor planning

Previous reports using intracranial EEG in humans have shown that saccade execution in response to a Go signal is associated with distributed increases in HG power [50]. Yet it has been so far hard to determine whether such gamma activity reflects target selection, motor planning, actual oculomotor commands, or a combination thereof. Analyzing the execution component (cue 2) of the delayed saccade paradigm in the present study provides an opportunity to address some of these questions. Therefore, in the final analysis, we set out to compare HG responses induced by the Go signal in conditions in which target selection already occurred in the delay period (i.e., حر و Instructed) to the مراقبة condition, in which participants were given no information on saccade target before the Go signal. To achieve this, we conducted a supervised classification analysis on حر, Instructed, و مراقبة conditions, but this time using data collected during saccade execution (0 to 2,000 milliseconds after Cue 2). We found that, during saccade execution, the HG power modulations were similar whether the saccade was instructed or self-chosen (i.e., no significant classification between حر و Instructed). However, HG activity associated with saccade execution in the مراقبة condition was significantly different from both حر و Instructed saccades (Fig 7A). These results are consistent with the fact that no significant difference in reaction time (saccade onset latency) were found between حر و Instructed conditions, whereas mean reaction time across participants was significantly longer for the مراقبة condition compared with both حر و Instructed trials (see Fig 1D).

أ. Electrodes with significant decoding accuracies (ص < 0.01, corrected) for all participants are mapped on transparent 3D brain images when HG activity is significantly stronger in the مراقبة condition than in the حر condition (first row) and when HG activity is significantly stronger in the مراقبة condition than in the Instructed condition (second row) in the interval from 0 to 2,000 milliseconds after Cue 2. ب. using a conjunction analysis (مراقبة > حر Ո مراقبة > Instructed), we show sites in which HG is stronger in the Control condition than in the حر و Instructed شروط. Colored sites correspond to 3 individual electrodes, for which we plotted HG activity over time (ج ، The data underlying this panel can be found in S1 Data), single-trial HG plots (sorted according to RTs) (D, upper row) and time-frequency-maps (د, lower row) for حر, Instructed، و مراقبة شروط. DA, decoding accuracy HG, high-gamma FEF, frontal eye field Freq., frequency IPS, intraparietal sulcus MFG, middle frontal gyrus modul., modulations Rel., relative ROI, region of interest SMA, supplementary motor area.

Next, we examined the trial-by-trial relationship between saccade onset latency and neural activity specifically in areas that exhibit these significant HG differences between the مراقبة condition and the حر و Instructed شروط. To this end, we first used a conjunction analysis to identify the sites of interest defined as sites for which significant classification was mediated by HG power in the Control condition being higher than in the other 2 conditions (Fig 7B). This identified 28 electrodes in parietal and frontal regions (2/6 participants at ص < 0.01). Interestingly, in 43% of these significant sites, the reverse pattern was true during the delay period: HG activity was significantly stronger in the حر و ال Instructed conditions compared with the مراقبة condition during the delay. Three representative examples of this task-specific HG pattern inversion between delay and execution windows are shown in Fig 7C (first column). This suggests the involvement of these HG responses in action selection processes: When such processes are engaged during the delay period during حر و Instructed conditions, they do not need to be repeated during the execution period. By contrast, in the مراقبة condition, no action selection processes were possible during the delay period (hence, the weaker HG activity), but they were recruited at execution.

By plotting the mean time courses of HG power (Fig 7C), as well as mean time-frequency representations and single-trial HG power plots, sorted according to RT (Fig 7D), it becomes clear that the temporal dynamics of HG power differ quite substantially depending on electrode location and trial type. In order to probe the various relationships between saccade onset and HG activity in these areas in a quantitative manner, we computed Pearson's rank correlation coefficients between saccade onset latency and HG onset latency across trials in each of the 3 experimental conditions (see Material and methods). Significant correlations were observed in a limited number of sites, and the results need to be interpreted with caution. This said, we observed 3 correlation patterns that we considered to be of interest: For some sites, the onset of HG activity after the Go signal did not correlate with saccade onset in any of the 3 conditions (pattern 1, execution independent). Other sites exhibited correlations between HG onset and saccade onsets across all conditions (pattern 2, oculomotor execution). Finally, in the third pattern, correlations between HG onset and saccade onset latencies were only observed in مراقبة trials (pattern 3, oculomotor planning). The recording sites that displayed these patterns came from distinct brain areas we found evidence for pattern 1 (i.e., no correlation with saccade onsets in any condition) for the electrodes located in the IPS (4 sites, 1 participant) (e.g., Fig 7C and 7D, first row and S7 Fig) (e.g., Electrode p9-p8 مراقبة [ع = 0.62, ص = −0.06], حر [ع = 0.69, ص = −0.06], and Instructed [ع = 0.43, r = −0.12]). Next, pattern 2 (i.e., saccade and HG onset latencies significantly correlated in all 3 conditions) was observed in SMA (1 out of 4 electrodes) (e.g., Fig 7C and 7D second row and S7 Fig Electrode b3-b2 مراقبة [ع = 0.001, ص = 0.32], حر [ع = 0.003, ص = 0.29], and Instructed [ع = 0.041, ص = 0.2]). The fact that these correlations were present in the 3 conditions is consistent with the involvement of SMA in oculomotor execution. Thirdly, in the middle frontal gyri (1 out of 3 electrode), we observed the third pattern 3, namely that HG onsets were correlated with saccade onset latencies only in the مراقبة condition (e.g., Fig 7C and 7D, last row and S7 Fig: Electrode m13-m12 مراقبة [ع = 0.04, ص = 0.26], حر [ع = 0.13, ص = 0.26], and Instructed [ع = 0.67, ص = −0.07]). Despite being of interest, this observation is not surprising given that the relevant sites did not have significant HG response after cue 2 in the حر و Instructed conditions (e.g., third row of Fig 7C and 7D). The detailed list of HG and saccade onset correlations across the 3 conditions are available in S5 Table.


Implantable neurotechnologies: a review of micro- and nanoelectrodes for neural recording

Electrodes serve as the first critical interface to the biological organ system. In neuroprosthetic applications, for example, electrodes interface to the tissue for either signal recording or tissue stimulation. In this review, we consider electrodes for recording neural activity. Recording electrodes serve as wiretaps into the neural tissues, providing readouts of electrical activity. These signals give us valuable insights into the organization and functioning of the nervous system. The recording interfaces have also shown promise in aiding treatment of motor and sensory disabilities caused by neurological disorders. Recent advances in fabrication technology have generated wide interest in creating tiny, high-density electrode interfaces for neural tissues. An ideal electrode should be small enough and be able to achieve reliable and conformal integration with the structures of the nervous system. As a result, the existing electrode designs are being shrunk and packed to form small form factor interfaces to tissue. Here, an overview of the historic and state-of-the-art electrode technologies for recording neural activity is presented first with a focus on their development road map. The fact that the dimensions of recording electrode sites are being scaled down from micron to submicron scale to enable dense interfaces is appreciated. The current trends in recording electrode technologies are then reviewed. Current and future considerations in electrode design, including the use of inorganic nanostructures and biologically inspired or biocomapatible materials are discussed, along with an overview of the applications of flexible materials and transistor transduction schemes. Finally, we detail the major technical challenges facing chronic use of reliable recording electrode technology.

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


الملخص

The idea of connecting the human brain to a computer or machine directly is not novel and its potential has been explored in science fiction. With the rapid advances in the areas of information technology, miniaturization and neurosciences there has been a surge of interest in turning fiction into reality. In this paper the authors review the current state-of-the-art of brain–computer and brain–machine interfaces including neuroprostheses. The general principles and requirements to produce a successful connection between human and artificial intelligence are outlined and the authors’ preliminary experience with a prototype brain–computer interface is reported.

For the past 40 years researchers have been trying to transform thought into action. Recent advances in neuroscience and neurotechnology have initiated a renewed interest in the development of brain–machine interfaces (BMIs) or brain–computer interfaces (BCIs) that can restore lost motor or sensory function. The currently available systems depend on neural activity input from cortical surface recording (electroencephalographic [EEG] signals) or extracellular brain recording. So far, several patients have benefited from BCI devices, although the current information transfer rate remains a limiting factor. This technology might be especially useful for patients who are otherwise unable to move or speak. This article provides a review of the current state of technology, with emphasis on neuromotor prosthetics. Furthermore, it summarizes the authors’ experience in the development of a human BMI.

The idea of connecting a computer to a brain is not new. As early as the 1950s it was possible to implant single or multiple electrodes into the cortex of humans and animals for recording or stimulation. 1 The result was sometimes spectacular “control” of an animal’s motor behavior or attempted influence of neurological disorders. 2,3 With the worldwide introduction of computers, and ongoing miniaturization, several research groups have started to look into the potential applicability of such BMIs, BCIs, or neural prostheses for use in patients. These devices, by extracting signals directly from the brain, might help to restore abilities to patients who have lost sensory or motor function because of disease or injury. In essence, the computer is used as a surrogate for the damaged region (eg, the spinal cord in quadriplegic patients) and, in the case of a neuromotor prosthesis, acts to interpret brain signals and drive the appropriate effector (eg, muscles or a robotic arm).

Review of Literature

Probably the most widely accepted neural prosthesis in human use is the cochlear implant, 4,5 which substitutes a small computer chip for the damaged inner ear control organ to enable sound waves to be transformed into electrical signals the brain can interpret. Other research has focused on restoring vision for the blind 6–10 with implantable systems to transmit visual information. One other possible application is the restoration of motor control for patients with movement disorders, a population numbering ≈2 million in the United States alone. 11 In an especially tragic situation, brain stem stroke can leave patients in a locked-in state with minimal eye movements and no speech, but full cognitive functions. Among the other diseases that could be helped by BMIs are degenerative disorders (amyotrophic lateral sclerosis or Lou Gehring disease, multiple sclerosis, muscular dystrophy), brain or spinal cord injury, or cerebral palsy. When a disconnection of the main motor pathway occurs, the information generated in the motor cortical areas cannot travel through the pyramidal tract to reach the executing organ, the muscles. There are several possible approaches in how to overcome this disconnect in the signal pathway: (1) activation of intrinsic alternate pathways (anatomical compensation) (2) repair or regeneration of the damaged pathway (anatomical recovery) and (3) bypassing the damaged area by means of a BMI (functional recovery).

Although BMIs are not capable of activating alternate pathways (anatomical compensation) or truly restoring the structural lesion to its original state (anatomical recovery), they may be helpful in restoring lost function (functional recovery).

Typically, motor BMIs consist of at least 3 distinct modules: (1) the data acquisition module 2) the data interpretation module and (3) the data output module. A functional neuroprosthesis must address each stage efficiently and safely. These 3 stages of the process are discussed here.

Data Acquisition Module: EEG signals and Microelectrodes

The purpose of this module is to extract electrical signals from the brain with sufficient bandwidth and at a favorable signal-to-noise ratio. Although the EEG signals can be obtained in a noninvasive manner through single or multiple electrodes that are mounted on the head or assembled in headgear, 12–18 the signal represents a field potential rather than specific cellular activity. Patients and volunteers have been shown to be able to learn to self-regulate slow cortical potentials 19 or to voluntarily control a specific frequency component of the EEG. 20–22 Yet because the EEG signal, especially when recorded with noninvasive methods, is a gross potential generated by the synchronous activity of large numbers of neurons, its resolution is limited temporally and spatially. This means that the rate at which information, and therefore patient intent, is extractable from the EEG signal is limited. This limited bandwidth may be sufficient for many applications, such as interaction with a computer cursor, but may be insufficient for more complex signals, such as when detailed movement trajectories must be specified. In contrast, other groups have focused on obtaining signals from the cortex through invasive methods. Kennedy et al describe their method of implanting glass cone electrodes that are filled with a substrate containing nerve growth-stimulating substances. 23–25 This extracellular recording electrode is bioactive and requires nerve fibers to sprout into the glass cone, a process which occurs over a period of several weeks. With this device, the researchers were able to produce long-term recording from the’ cerebral motor cortex of patients. 25–27 More commonly used are bio-inactive arrays that provide extracellular recording through multiple microwires 28,29 or multichannel electrode arrays in the more superficial motor areas 30 or deep brain structures. 31 It is of note that any of these electrodes are capable of recording from multiple neurons at the same time, a requirement for extraction of signals with the necessary bandwidth for use in prosthetics.

Recent research has focused on exploring various cortical and subcortical areas for optimum electrode array placement. Although traditionally the primary motor cortex (M1) was assumed to be the optimum location for extracting neural signals for use with BMIs designed to substitute for movement, the consensus is growing that alternative or multiple locations may provide the best signals. Among the alternative brain regions investigated are parietal cortex, 32–34 the premotor cortex, 35,36 or simultaneously across M1 and premotor cortices, 37 frontoparietal cortices, 29,38 or subcortically from the basal ganglia. 31 Because various regions’ neural activities occur at varying times in the movement planning and execution process, signals from some areas may be more suited than others depending on the type of information extracted and computational algorithm used.

Data Interpretation Module

Once the signal has been obtained from the recording site, it is fed into a signal processing unit through telemetric communication 27 or direct wire contact. 30 Most researchers recommend early pre-amplification and digitization of the analog recording data to minimize the signal deterioration. The main goal of the interpretation module is to transform the digitized brain signal into a code that best-represents the desired action. For a motor prosthetic, this may be movement of a cursor, clicking of a button, or specification of a complex time-varying movement trajectory, such as reaching for a glass. Continuous movement such as in the hand tracking a moving target can be represented by a Cartesian X-Y-Z coordinate system in extrapersonal space. This approach has been used by several research groups and has resulted in very good approximation of 2-dimensional and 3-dimensional arm or hand movement. 15,27,28,32,39–42 Furthermore, distinct states of limb movement, ie, reaching versus grasping, can now be identified by interpretation modules. 38 The ability to distinguish between these different modes of desired action expands the usefulness of the system and may aid in increasing accuracy and decreasing the effects of errors in decoding. For example, if decoding of continuous motion results in some error, or jitter, around the desired position, holding a full glass of water may be problematic. However, if the system can determine that the user intends to hold the glass still, the position of the artificial effector can be held fixed by turning off the position decoding.

It will be important for a BMI to be able to decode discrete movement classes, such as initiation and termination, or selection between several choices, such as in typing, along with continuous decoding for optimum functionality. 37 The mathematical models used for interpretation and decoding of intent include linear regression algorithms, best fit models, and neural networks, 21,29,43–46 and the best BMI may use >1 of these simultaneously. Although initially decoding was performed off-line, it is now possible with advanced algorithms and recording systems to accurately predict movement in up to 90% of trials either in real time or with only milliseconds delay. 30,43,47 Moreover, accuracy of decoding may be augmented through feedback to the user. It is known that subjects have the ability to consciously alter their neural activity in certain brain areas with sufficient training. 48 Patients, then, should be able to improve decoding of their intent through practice. This reduces the burden on the algorithm and ameliorates potential concerns about drift in the population of neurons that is being observed.

Data Output Module

After the data set is translated into appropriate coordinates or output classes, it can be used to drive a variety of output devices that become the “effector organ” in lieu of muscle-activated limbs. For one, the information has been successfully used to control a computer cursor. 14,15,17,26,27,35,41,42 This opens ample opportunities ranging from simple move-and-click functions to Internet and e-mail use or command or a virtual keyboard. 18 The same signal can also be used to control a robotic device for instance as a substitute for a moving human limb. 49–52 Possibly the most attractive yet difficult to achieve is provided when the computer generated signal can be fed back into the patient’s own limb to activate muscles, for example, through a functional electrical stimulation system. One group has been able to train normal subjects and a neuroprosthesis user to control EEG rhythms to stimulate a motionless hand to open and close or to move a cursor to targets on a computer screen. 15 Although provocative, training took months, however, and ultimate functional movement was less than practical because of low resolution of the EEG signal.

Brown University Experience

Recently, research at Brown University has begun to focus on human control of neural activity, both on-line and off-line. We have been able to take advantage of the implantation of deep brain stimulators for improvement of motor disorders to explore the ability of patients to control their neural signals. Parkinson patients and essential tremor and dystonia patients who are unable to benefit from medication may opt to have a DBS implanted in one of several basal ganglia nuclei to improve tremor, rigidity, bradykinesia, or dyskinesias. 53 As part of this neurosurgical procedure, extracellular recording from brain regions “en route” to the basal ganglia target is routinely performed to give added localization information to the neurosurgeon. With institutional review board and patient permission, we have recorded from 4 to 6 neurons simultaneously in the premotor and prefrontal regions during visuomotor arm movement tasks. With a few minutes of practice, patients have been able to control their neural activity to bring a cursor to a target. 35 Off-line decoding using a maximum likelihood estimator revealed that small, pseudo-randomly selected neuronal ensembles in the human cortex contain information about movement direction and intent (to move or not to move) 36 (Ojakangas et al, data unpublished, 2004). These results are promising in that they demonstrate the possibility of using neuronal activity in nonprimary motor areas for neural prosthetic development, which may be required or even advantageous with certain types of patients.

ملخص

With the current state of technology, all essential steps for development of a human motor neural prosthesis are in place. Research at multiple institutions continues to refine surgical implantation techniques and analysis algorithms, as well as computer software, that can take more efficient advantage of signals directly derived from human brains. Especially because Food and Drug Administration approval was recently granted for a pilot study using the Cyberkinetics, Inc Braingate electrode array system, the dream of turning “thought into action” may soon become reality for patients with severe motor disabilities.

We acknowledge the generous support by Cyberkinetics, Inc, Foxborough, Mass. G. Friehs, V. Zerris, and M. Fellows are paid consultants, and J. Donoghue is chief scientific officer for Cyberkinetics, Inc, a company involved in developing a human neuromotor prosthetic device.


مقدمة

An ongoing challenge confronting basic scientists, as well as those at the translational interface, is the ability to access a rapid and cost-effective tool to uncover mechanistic details of neural function and dysfunction. For example, identifying the presence of stroke, establishing altered neural dynamics in traumatic brain damage, and monitoring changes in neural profile in athletes on the sidelines all pose major hurdles. In this paper, using scalp electroencephalography (EEG) signals with relatively little data, we provide theoretical and empirical support for a method for the noninvasive detection of neural silences. We adopt the term silences or regions of silence to refer to the areas of brain tissue with little or no neural activity. These regions reflect ischemic, necrotic, or lesional tissue, resected tissue (e.g., after epilepsy surgery), or tumors 1,2 . Dynamic regions of silence also arise in cortical spreading depolarizations (CSDs), which are slowly spreading waves of silences in the cerebral cortex 3,4,5 .

There has been growing utilization of EEG for diagnosis and monitoring of neurological disorders such as stroke 6 , and concussion 7 . Common imaging methods for detecting brain damage, e.g., magnetic resonance imaging (MRI) 8,9 , or computed tomography 10 , are not portable, are not designed for continuous (or frequent) monitoring, are difficult to use in many emergency situations, and may not even be available at medical facilities in many countries. However, many medical scenarios can benefit from portable, frequent/continuous monitoring of neural silences, e.g., detecting changes in tumor or lesion size/location and CSD propagation. Noninvasive scalp EEG is, however, widely accessible in emergency situations and can even be deployed in the field with only a few limitations. It is easy and fast to setup, portable, and of lower cost compared with other imaging modalities. Additionally, unlike MRI, EEG can be recorded from patients with implanted metallic objects in their body, e.g., pacemaker 11 .

Source vs. silence localization

An ongoing challenges of EEG is source localization, the process by which the location of the underlying neural activity is determined from the scalp EEG recordings. The challenge arises primarily from three issues: (i) the underdetermined nature of the problem (few sensors, many possible locations of sources) (ii) the spatial low-pass filtering effect of the distance and the layers separating the brain and the scalp and (iii) noise, including exogenous noise, background brain activity, as well as artifacts, e.g., heart beats, eye movements, and jaw clenching 12,13 . In source localization paradigms applied to neuroscience data 14,15,16 , e.g., in event-related potential paradigms 17,18 , scalp EEG signals are aggregated over event-related trials to average out background brain activity and noise, permitting the extraction of the signal activity that is consistent across trials. The localization of a region of silence poses additional challenges, of which the most important is how the background brain activity is treated: while it is usually grouped with noise in source localization (e.g., authors in 16 state: “EEG data are always contaminated by noise, e.g., exogenous noise and background brain activity”), estimating where background activity is present is of direct interest in silence localization where the goal is to separate normal brain activity (including background activity) from abnormal silences. Because source localization ignores this distinction, as we demonstrate in our experimental results below, classical source localization techniques, e.g., multiple signal classification (MUSIC) 19,20 , minimum norm estimation (MNE) 15,21,22,23 , and standardized low-resolution brain electromagnetic tomography (sLORETA) 24 , even after appropriate modifications, fail to localize silences in the brain (“Methods” details our modifications on these algorithms).

To avoid averaging out the background activity, we estimate the contribution of each source to the recorded EEG across all electrodes. This contribution is measured in an average power sense, instead of the mean, thereby retaining the contributions of the background brain activity. Our silence localization algorithm, referred to as SilenceMap, estimates these contributions, and then uses tools that quantify our assumptions on the region of silence (contiguity, small size of the region of silence, and being located in only one hemisphere) to localize it. Because of this, another difference arises: silence localization can use a larger number of time points (than typical source localization). For example, 160 s of data with the sampling frequency of 512 Hz provides SilenceMap with around 81,920 data points to be used, boosting the signal-to-noise ratio (SNR) over source localization techniques, which typically rely on only a few tens of event-related trials to average over and extract the source activity that is consistent across trials.

Further, we confront two additional difficulties: lack of statistical models of background brain activity, and the choice of the reference electrode. The first is dealt with either by including baseline recordings (in absence of silence which we did not have for our experimental results) or utilizing a hemispheric baseline, i.e., an approximate equality in power measured at electrodes placed symmetrically with respect to the longitudinal fissure (see Fig. 1b). While the hemispheric baseline used here provides fairly accurate reconstructions, we note that this baseline is only an approximation, and an actual baseline is expected to further improve the accuracy. The second difficulty is related: to retain this approximate hemispheric symmetry in power, it is best to utilize the reference electrode on top of the longitudinal fissure (see Fig. 1a). Using these advances, we propose an iterative algorithm to localize the region of silence in the brain using a relatively small amount of data. In simulations and real data analysis, SilenceMap outperformed existing algorithms in localization accuracy for localizing silences in three participants with surgical resections using only 160 s of EEG signals across 128 electrodes (see “Results” for more details on finding the minimum amount of EEG data for localizing silences using SilenceMap).

أ The EEG recording protocol and the locations of scalp electrodes. One of 10 reference electrodes (shown in red) is chosen along the longitudinal fissure for rereferencing against. ب Average power of scalp potentials for different choices of reference electrodes. ج Symmetric brain model of a patient (UD) with a right occipitotemporal lobectomy. د Steps of SilenceMap in a low-resolution source grid. A measure of the contribution of brain sources in the recorded scalp signals ( ( ilde<eta >) ) is calculated relative to a hemispheric baseline. In the brain colormap, yellow indicates no contribution. A contiguous region of silence is localized based on a convex spectral clustering (CSpeC) framework in the low-resolution grid. ه Steps of SilenceMap in a high-resolution source grid. The source covariance matrix (جس) is estimated through an iterative method, and the region of silence is localized using the CSpeC framework. F Choosing the best reference electrode to reference against (Cz in this example), which results in minimum scalp power mismatch (ΔPow). The localized region of silence for this patient (UD) has 13 mm COM distance (ΔCOM) from the original region, with more than 38% overlap (JI = 0.384), and it is 32% smaller (Δك = 0.32).


الملخص

The brain and the spinal cord together make up the central nervous system (CNS). The functions of the human brain have been the focus of neuroscience research for a long time. However, the spinal cord is largely ignored, and the functional interaction of these two parts of the CNS is only partly understood. This study developed a novel method to simultaneously record spinal cord electrophysiology (SCE) and electroencephalography (EEG) signals and validated its performance using a classical resting-state study design with two experimental conditions: eyes-closed (EC) and eyes-open (EO). We recruited nine postherpetic neuralgia patients implanted with a spinal cord stimulator, which was modified to record SCE signals simultaneously with EEG signals. For both EEG and SCE, similar differences were found in delta- and alpha-band oscillations between the EC and EO conditions, and the spectral power of these frequency bands was able to predict EC/EO behaviors. Moreover, causal connectivity analysis suggested a top-down regulation in delta-band oscillations from the brain to the spinal cord. Altogether, this study demonstrates the validity of simultaneous SCE-EEG recording and shows that the novel method is a valuable tool to investigate the brain-spinal interaction. With this method, we can better unite knowledge about the brain and the spinal cord for a deeper understanding of the functions of the whole CNS.


Susceptibility of brainstem to kindling and transfer to the forebrain

غرض: The kindling of seizures with stimulation of brainstem sites has been reported inconsistently in the literature. The characteristics of the kindling observed, involving high intensities of stimulation and immediate onset of generalized tonic-clonic convulsions, raise questions regarding the nature of kindling from these sites.

أساليب: We implanted chronic electrodes in either the nucleus reticularis pontis oralis (RPO), mesencephalic reticular formation (MRF), dorsal periaqueductal gray (dPAG), or ventrolateral periaqueductal gray (vlPAG) in male Long-Evans rats, with a recording electrode in the amygdala. Rats received conventional high-frequency kindling stimulation once daily for 30 days. To test for transfer, we kindled the amygdala beginning 7 weeks after the last brainstem kindling trial.

نتائج: Tonic-clonic seizures were evoked by stimulation from all brainstem sites. Seizures were brief and were associated with characteristic low-amplitude high-frequency afterdischarge (AD). Kindling of the dPAG resulted in the development of classic AD and increased AD duration. Prior kindling of the dPAG facilitated subsequent kindling of the amygdala however, no transfer was observed with prekindling of other brainstem sites.

مناقشة: The variability in the response to kindling stimulation suggests that certain brainstem sites are resistant to kindling, whereas other sites are more susceptible to kindling but are still relatively resistant in comparison to sites in the forebrain. The development of classic AD in later trials of dPAG stimulation suggests that epileptogenesis can occur even in the initial absence of classic AD when low-amplitude high-frequency AD is present.


معلومات الكاتب

These authors contributed equally: Christopher Heelan, Jihun Lee.

الانتماءات

School of Engineering, Brown University, Providence, RI, USA

Christopher Heelan, Jihun Lee, Ronan O’Shea, Laurie Lynch & Arto V. Nurmikko

Connexon Systems, Providence, RI, USA

Department of Surgery (Neurosurgery), Dalhousie University, Halifax, Nova Scotia, Canada

Department of Neuroscience, Brown University, Providence, RI, USA

Carney Institute for Brain Science, Brown University, Providence, RI, USA

Wilson Truccolo & Arto V. Nurmikko

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

مساهمات

أ. and J.L. conceived the project. J.L. and A.N. designed the neural experimental concept. J.L. designed the NHP experiments. J.L. and L.L. executed the NHP experiments. C.H. designed and executed the neural decoding machine learning experiments. C.H. and R.O. developed the neural processing toolkit. C.H. performed the results analysis. W.T. provided the neurocomputational expertise and D.B. the surgical leadership. C.H., A.N, and J.L. wrote the paper. All authors commented on the paper. C.H. composed the Supplementary movies.

المؤلفون المراسلون


شاهد الفيديو: شاركت معاكم تخطيط الدماغ لمرض الصرع (سبتمبر 2022).


تعليقات:

  1. Acolmixtli

    انت لست على حق. دعونا نناقشها. اكتب لي في PM ، سنتواصل.

  2. Zolorg

    جميل جدا))

  3. Pheredin

    هل نحن جميعًا رسائل خاصة أرسلها اليوم؟

  4. Bakinos

    أخبرني ، من فضلك - أين يمكنني العثور على مزيد من المعلومات حول هذا الموضوع؟

  5. Nevyn

    بعضهم لطيف جدا ...



اكتب رسالة