Kokeellinen suunnittelu
yleistä tutkimuksen tavoitteena oli arvioida, onko VCVS DBS moduloitu ihmisen kognitiivinen ohjaus ominaisuuksia ja aivokuoren hermo heilahtelut kyseisiä valmiuksia. Tämä oli sisällä-aiheet design, jossa yksittäisten tutkittavien päätökseen samanlaisia mittausperiaatteet stimulaation päälle tai pois päältä., Tämä muotoilu lisääntynyt tilastollinen voima (verrattuna vaihtoehtoisia malleja, joissa DBS aiheita olisi verrata ei-istutettu valvonta) myöntämällä hierarkkinen/mixed mallinnus ja valvoa huomattava heterogeenisuus hoito-kestävä psykiatristen potilaiden. Meidän pre-määritelty hypoteesit olivat, että:
-
DBS olisi parantaa ihmisen kognitiivista kontrollia, heijastuu lisääntynyt suorituskyky DBS ON kunnossa.,
-
DBS olisi laajentaa valtaa theta-värähtelyt, pääasiassa lateral prefrontal cortex ja selkä anterior cingulate cortex, koska erityinen rooli näiden heilahtelut päätöksenteko-ja vastaus-eston takia.
-
aste DBS aiheuttama muutos edellä ehdotuksia selittäisi osa sen vaikutusmekanismi, määritettynä ennustaminen kliininen tulos.
nämä analyysit eivät olleet ennakkorekisteröityjä. Tiedonkeruun ja tutkimuksen suunnittelun aikaan ennakkoilmoittautuminen ei ollut yleisesti saatavilla oleva palvelu.,
Aiheita
Neljätoista koehenkilöä, VCVS DBS suostunut osallistumaan kokeisiin. Kaikki olivat saaneet VCVS DBS-implantteja edeltävää kliinistä tutkimusta varten (NCT00640133, NCT00837486 tai NCT00555698), johon osallistumiskriteerit on annettu 48, 49. Kaikki olivat oikeakätisiä. Näytteen mukana kuusi urosta ja kahdeksan naarasta, iältään 30–70-tietojen keruun ajankohtana vähintään 6 kuukautta altistuminen krooninen stimulaatio ja enintään 7 vuotta. Aiheista oli pääasiassa istutettu for MDD, mutta 2/14 oli ensisijainen viitteitä OCD kanssa samanaikaisia MDD., Useimmilla oli ainakin osittainen kliininen vaste DBS: lle. Tietoisen suostumuksen tutkimukseen osallistumiseen sai lääkäri, joka ei ollut tutkittavan ensisijainen DBS-lääkäri, kun tutkimuksen luonne ja mahdolliset seuraukset oli selitetty. Kaikki opintomenettelyt perustuvat sovellettaviin valtiollisiin ja institutionaalisiin eettisiin ohjeisiin. Massachusetts General Hospital Institutional Review Board tarkasteli ja hyväksyi tutkimusmenetelmät.
tutkimussuunnitelma
koetin kognitiivinen joustavuus, meillä työskentelee muokattu versio MSIT (main teksti Kuva. 1 A)., MSIT edellyttää aiheita tunnistaa, mikä joukko kolme numeroa on erilainen kuin sen naapurit. Koehenkilöiden on pidettävä kolme sormea oikeassa kädessään vastausnäppäimillä, jotka vastaavat numeroita 1-3. Ohjaus (non-interference) tutkimuksissa tavoite on sama alueellinen asema kuin sen vastaava vastaus avain, ja reuna-numeroa ei ole voimassa vastauksia (ts., ne ovat 0s). Interferenssikokeissa kohde on suhteessa vastaavaan näppäinpainallukseen väärässä asennossa ja sitä tukevat muut elinkelpoiset kohteet., MSIT on osoitettu tuottaa vankka toiminnallinen magneettikuvaus (fMRI)25 ja electrophysiologic26 muutoksia, joilla on merkittävä (häiriöitä–ohjaus) ero on usein havaittavissa yksilö-aihe tasolla. Huomaamme, että tämä kognitiivisen hallinnan erityinen operationalisointi, suorituskyky konfliktitehtävässä, on vain yksi monista mahdollisista kokeellisista lähestymistavoista. Kognitiivinen ohjaus on herättänyt monissa tilanteissa, mukaan lukien lähestyminen-välttäminen conflict50, kytkin-pysy päätökset16,51, ja mahdollisesti myös emotionaalisesti valenced self-regulation52., Erityinen etu MSIT on, että se on vahvistettu aiheuttavan tilastollisesti vankka aihe-tason vaikutukset, sekä käyttäytymiseen ja hermoston tasolla, vahvistaa valtaa havaita DBS aiheuttama eroja. Olemme edelleen lisätty emotionaalinen häiriöitä ulottuvuus, joka perustuu olettamus, että henkilöt, joilla on vakava hoito-kestävä sairaus olisi attentionally puolueellinen kohti negatiivisia kuvia. Ennen jokaista MSIT oikeudenkäyntiä, kuva valittu International Affective Picture System, tai IAPS53, oli esitetty., Kuva pysyi näytöllä, osittain MSIT-ärsykkeen peittämänä, kokeilun ajan. Kiinteä osajoukko 144 kuvat oli valittu yleinen IAP aineisto kattaa valikoima saatavilla valenssi (positiivinen, neutraali ja negatiivinen) ja emotionaalinen kiihottumisen arvioinnista.
jokainen koelohko sisälsi 72 kontrollia ja 72 häiriötutkimusta. Me annetaan positiivinen, neutraali ja negatiivinen IAP kuvia kullekin oikeudenkäyntiä kirjoita tasapainottaa muoti, niin, että jokainen kuva esitettiin kerran ohjaus ja kerran häiriöitä yhteydessä., 144 kuvat oli jaettu näiden kahden välillä 144-oikeudenkäynti lohkot siten, että minimoidaan mean squared pairwise eroja kuvan arvioinnista, kun sijoitus järjestettynä niiden valence. Estää vastaus sarjaa tai sopeudutaan, oikeudenkäynti järjestyksessä kussakin lohkossa oli pseudo-satunnaistettu niin, että aiheista ei ole koskaan ollut enemmän kuin kaksi koetta peräkkäin, että jaoimme saman valence, häiriön taso, tai haluttu vaste sormella. Tämä erittäin interleaved oikeudenkäyntiä suunnittelu oli odotettavissa asettaa suurempia vaatimuksia kognitiivinen valvontajärjestelmien vähentämällä ennustettavuutta ärsykkeitä. Kuten kuvassa., 1a, aiheista katsottuna IAP kuva yksin 400 ms, esiteltiin MSIT ärsyke ja antaa jopa 1500 ms vastata, ja sitten katsella korjaus rajat 3-5 s (satunnaistettu yhtenäinen jakelu). Heitä ohjeistettiin minimoimaan silmien räpyttely oikeudenkäynnin aikana ja räpäyttämään vapaasti kiinnityskauden aikana. Ennen tiedonkeruuta koehenkilöt suorittivat 20 tutkimuksen lohkon, jossa he saivat oikeaa / virheellistä palautetta, minkä jälkeen seurasi toinen 40 kokeen lohko ilman palautetta., He toistivat tätä käytäntöä tarvittaessa, kunnes he saavuttivat yli 90% oikean vasteen (epäonnistuneiden kokeiden laskeminen virheelliseksi).
monilla koehenkilöillämme oli aiempia negatiivisia elämänkokemuksia erityisistä yhteyksistä IAPS-toimintasuunnitelmissa esitettyihin teemoihin. Kontrolloidaksemme näitä vahvoja subjektiivisia / idiosynkraattisia tulkintoja tässä pienessä otoksessa keräsimme yksittäisiä kuva-arvioita. Kun jokainen lohko oli valmis, koehenkilöt esiteltiin uudelleen jokaisella IAPS-kuvalla ja annettiin 25 s arvioida kuva emotionaalisesti., Käytimme samaa itsearviointi nuken järjestelmä alun perin tarkoitus kehittää IAPS54, joka määrittää jokaisen kuvan valence stä 1 9 (eli eniten negatiivinen kaikkein positiivinen) ja kiihottumisen stä 1 9 (eli ei-at-all kiihottavaa, erittäin kiihottavaa). Sekä MSIT ja post-tehtävän luokitus IAP kuvia esiteltiin käyttäen Psykofysiikka Toolbox (http://psychtoolbox.org) käynnissä MATLAB 2013a.,
Electroencephalographic tiedot on hankittu 1450 Hz (Nexstim eXimia EEG) 60 kanavat sijoitetaan kansainvälisen 10-20-järjestelmän ja valmistajan standardin korkki. Maadoituselektrodi oli sijoitettu nenän sillalle. Oikean silmän ympärille sijoitettiin yksi diagonaalinen kaksisuuntainen Elektro-oculogram-kanava. Kanavat olivat valmiita <5 kΩ impedanssi. Kunkin kanavan päänahan sijainti digitoitiin cap-valmistelun jälkeen ja ennen tallenteita., Meillä on myös digitoitu nasion ja sekä pre-auricular pistettä, plus 100 lisää päänahan kohtia, jotka eivät vastaa mitään EEG-anturi, parantaa laatua MRI-to-digitointi co-rekisteröinti. Neljä aiheita, lisäksi tehtävän tiedot olemme keränneet 1 min jokainen silmät auki ja silmät kiinni lepää tietoja vain, kun kunkin tehtävän lohko ja ennen IAP itsearviointi arvioinnista.
Kaikki aiheet ensimmäinen valmistunut MSIT estää, lepää-valtion kokoelma, ja kuvan arviointi niiden DBS on sen tavallista kliiniset asetukset (DBS EDELLEEN)., Välittömästi sen jälkeen, kun MSIT, mutta ennen lepo-tilaan ja kuva-arvostelut lohkot, aiheita myös valmis 15 min Vaivaa Menot Palkintoja Tehtävä (EEfRT)27. Koulutettu lääkäri sitten de-aktivoitu kahdenvälisten istutettu neurostimulators, ja aihe levätä vähintään 1 h irrottamatta EEG-korkki. Eläinkokeissa tunnin peruuttaminen krooninen stimulaatio oli riittävä tuottamaan vankka muutoksia hermo toimintaa, joka näytti olevan rebound/counter-sääntelyn response55., Tämä rebound-vaikutus ei lopettaa tunnin sisällä, mutta jatkuu pitkään, koska dokumentoidut kliiniset tutkimukset, joissa potilaat hitaasti uusiutumisen yli viikko sen jälkeen, kun DBS discontinuation56. Tämän rebound-vaikutuksen pitäisi korostaa tai vahvistaa kroonisen stimulaation aiheuttamia neurologisia muutoksia. Jälkeen uudelleen valmistautuu tahansa korkea-impedanssi-kanavat, aiheet taas suoritetaan MSIT, EEfRT, lepo-tilaan, ja kuvan arvioinnista (DBS OFF-tila) ennen neurostimulator uudelleen aktivointi., Aiheita olivat tietoisia laitteen tilan, kuten oli kokeilijat, vaikka aihe ei kokenut kielteisiä psykologisia seurauksia tutkimuksesta manipulointia.
EEG esikäsittely
EEG-analyysejä käytetään vähintään normi arvio (MNE)-Python suite57. Offline, EEG tiedot olivat bandpass suodatettu välillä 0,5 ja 50 Hz, sitten epoched. Tämä poistaa tehokkaasti DBS esine, kuten on esitetty meidän ja muiden aiemmin work37,58, koska kaikki aiheet stimuloivat asetettiin edellä rajataajuutta., DBS-stimulaation harmoniset taajuudet olisivat samalla tavalla täysin tämän suodattimen läpiviennin ulkopuolella ja kaikkien tässä työssä analysoitujen taajuuskaistojen ulkopuolella. Taulukossa 1 on esitetty yksittäisten tutkittavien stimulaatiotaajuudet. Poistimme silmämunat ja lihasesineet signaalitilan projektio59: llä. Tämän jälkeen karsimme kokeet / aikakaudet jatkuvasta datasta. Ärsyke-lukittu analyysit käyttää tietoja 1,5 s ennen internet-yhteyksistä alkaa 3,4 s jälkeen IAP puhkeamista (1500 ms päättymisen jälkeen oikeudenkäynnin). Vasteen lukitut analyysit, joita käytettiin -1,5-1,5 sekuntia vasteen jälkeen., Amplitudin hylkimisreaktio (kynnys = ± 150 µV) poisti jäännösesineillä tehdyt kokeet. Lopuksi muutimme kaikki tutkimukset muuttumaan lähtötilanteeseen nähden, joka määriteltiin 0,5 – 0,1: ksi ennen IAPS: n alkamista. Time-domain-analyysit, vähennetään siis tämän ikkunan kaikki tutkimuksissa, että erityistä aihetta; taajuus-toimialueen, me muuntaa tiedot desibeliä (dB) suhteessa lähtötasoon.
14 aiheita, kuusi jätettiin edelleen EEG-analyysin aikana esikäsittely. Neljä tutkittavaa suljettiin pois, koska heidän EEG-tietonsa tallennettiin ilman digitointijärjestelmää., Niiden Tietoja ei näin ollen voitu tarkasti paikallistaa. Kaksi aiheista jätettiin pois edelleen EEG-analyysi koska merkittäviä elektromyografialla artefakti, joka johti hylkäämiseen valtaosa tutkimuksissa seuraavat laadunvarmistuksen menettelyt on kuvattu edellä. Jäljelle jääneiden kahdeksan tutkittavan EEG-aineistoon tehtiin sitten lähdelokalisaatio ja kaikki jäljempänä kuvatut lisäanalyysit.
EEG lähde lokalisointi
– Meillä rekonstruoitu koehenkilöiden aivokuoren pinnat presurgical T1 MRI-kuvia käyttämällä Freesurfer v5.360., EEG cap-digitointi rekisteröitiin käsin Freesurferin anatomiseen rekonstruktioon MNE-komentorivityökalupaketin avulla. Sitten MNE-Python, aivokuoren silmät olivat downsampled alkaen ~160,000 pisteiden per pallonpuoliskon 4098 dipoli paikoissa (vertices) per pallonpuoliskolla. Me laskea eteenpäin ratkaisu käyttää kolmen osaston raja-elementti model61 sisempi ja ulompi kallo pinnat uudelleen Freesurfer on vedenjakaja algorithm62., Dipoli amplitudi (current source density) jokaisella aivokuoren sijainti oli arvioitu käyttäen anatomisesti rajoittaa Monikansallisten method63, käyttäen putki vastaavia muita raportteja region of interest (ROI)-pohjainen oskilloiva analyses64., Lyhyesti, MNE-menetelmä löytää maksimi a posteriori-estimaatit piilevä aivokuoren lähteistä, koska on havaittu, anturin lähteitä, olettaen, että (1) nykyinen lähde amplitudit ovat harvassa ja normaalisti jakautunut tunnettu lähde kovarianssimatriisi ja (2) havaittu anturin tiedot sisältävät lisäainetta melu normaali jakelu ja tunnettu paikkatietojen kovarianssimatriisi. Tärkeintä, toisin kuin muut säteen menetelmiä, MNE menetelmä säilyttää heilahdusta siten, että oskilloiva virta voidaan arvioida seuraavalla lähde lokalisointi., Kunkin huippupiste on nykyinen lähde arvio sisältää dipolin suunta, siten, että lähde-aika kurssi voi olla joko positiivinen tai negatiivinen milloin tahansa. Täällä, suuntaviivat dipolien oli pakko cortex suositeltavaa käyttää oletuksena parametrit (löysä = 0.2, syvyys = 0.8). Kohinan kovarianssi matriisit tarpeen lähde lokalisointi arvioitiin per aihe lähtöarvosta ajaksi 500 ms ennen alkua oikeudenkäyntiä. Empiirinen kovarianssi arviot olivat laillistaa kautta ”shrunk” – menetelmällä, suosittelema Engemann ja Gramfort65., Yksittäiset lähdearviotiedot kartoitettiin sitten Freesurferin” fsaverage ” – kortikaalipintaan. Lopuksi lähde-arvio aika-kurssit yksittäisiä kärkipisteitä yhdistettiin sisällä joukko aivokuoren tarroja, jotka vastaavat meidän Roi: cingulate cortex (rACC, dACC, mCC), dorso-mPFC (dmPFC/superior edestä gyrus), dorso-lateraalisen prefrontaalikorteksin (DLPFC/keskellä edestä gyrus), ja ventrolateraalinen etuaivokuoren (VLPFC/huonompi edestä gyrus). Keskimääräinen aika kurssi per ROI laskettiin käyttäen” PCA flip ” tekniikka MNE-Python., Lyhyesti, yksikkö arvo hajoaminen (SVD) sovelletaan huippupiste-viisas aika kurssit per ROI ja ensimmäinen oikea yksikkö vektori uutetaan. Jokainen huippupiste aika kurssi on sitten skaalattu ja merkki käännetään. Skaalaus suoritetaan Vertex-viisaiden ajankurssien keskimääräisen tehon mukaan. Merkki aika tietysti on oikaistu kertomalla se merkki vasemmalle yksikkö vektori SVD, joka varmistaa, että vaihe ei muutu 180 astetta yhdestä lähteestä aikaa kurssin seuraavaan., Lisätaulukossa 1 luetellaan nämä merkinnät ja anatomiset pikakirjoituslaitteet, joita kutakin käytetään päätekstissä / luvuissa. Anatomiset merkinnät / ROIs koottiin käsin yhdistämällä useita pienempiä, vierekkäisiä etikettejä Lausanne 243-aluetasolta 66. Tässä käytetyt merkinnät oli suunniteltu varmistamaan, että jokainen aivokuoren alue vastasi lähes yhtä monta vertices standard template brain. Valitsimme merkin, joka kattaa alueet, jotka ovat aiemmin osallistuneet MSIT13: n toiminnalliseen neurokuvaukseen, 25.,
Tilastollinen analyysi—käyttäytyminen
ensisijainen käyttäytymisen tulos MSIT on koehenkilöiden RT, koska ne ovat valmiiksi koulutettu hyvin alhainen virheprosentti. Yhdessä muiden kanssa, olemme osoittaneet, että RTs konfliktin aikana ja päätöksenteon tehtävät ovat paremmin arvioida gamma kuin Gaussin distributions13,67. Näin analysoimme käyttäytymistä sekavaikutuksisessa GLM: ssä gammajakauman ja identiteetin linkkifunktion kanssa. Että GLM sovellettiin per-oikeudenkäynti tasolla, jotta voimme malli vaikutuksia DBS-ja trial-erityisiä vaikutuksia, kuten tunteita ja kognitiivisia häiriöitä., Sekoitettu vaikutuksia muotoilu, joka sisältää satunnainen siepata aihe, erityisesti valvonta sisäinen-aihe korrelaatio (kokeet ja istuntoja kuten toistuvat toimenpiteet). Me ei tutkimuksissa, joissa puuttuvia vastauksia, virhe tutkimuksissa, ja post-virhe tutkimuksissa. Olemme lisäksi suljettu pois tutkimuksissa outlier RTs, joka meillä on määritelty sovittamalla gamma-jakauma kunkin kohteen RT tietojen yhdistäminen DBS PÄÄLLE ja POIS toimii tämän esikäsittely vaihe. Sitten poissuljettu tutkimuksissa RT todennäköisyys <0.005 perustuu varustettu jakelu. Näihin lähestymistapoihin ei sisältynyt 247 tutkimusta (6.,12% kaikista tutkimuksista, n = 3785 säilyi analyysissä).
valvoa yleistä RT vaihtelu eri aiheista, me määritetty GLMs kanssa aihe-erityinen satunnainen siepata plus kiinteät vaikutukset kokeilu muuttujat (mixed models). Samanlainen ennen raportteja, e.g.28, tunnistimme sopiva malli minimoimalla Akaike ’ s information criterion (AIC) aikana portaittain lisäämällä muuttujia. Tärkeää on, että AIC-minimointi vastaa matemaattisesti mallin rakentamista näytteiden ulkopuolisella ristivalidoinnilla36, joka on biomarkkeritutkimuksessa38 todettu olennaiseksi., Meidän pitää häiriöitä, DBS, valence, ja kiihottumisen kuin mahdollista RT ennustajia perustuu ennalta määritettyjä hypoteeseja ja tehtävän suunnittelu. Testasimme myös näiden päävaikutusten välisiä vuorovaikutustermejä. Pidimme kokeilunumeroa juoksun sisällä riesana regressorina, väsymyksen ja/tai oppimisvaikutusten kontrolloimisena. Tiedot on parhaiten selitetty mallilla, jolla on edellä mainitut päävaikutukset, mutta ei vuorovaikutusehtoja (KS.pääteksti ja täydentävä Kuva. 1). Malleja, joissa oli muita prediktoreja, esimerkiksi RT edeltävässä tutkimuksessa (autoregressiivinen vaikutus), ei voitu tunnistaa., Konfliktit ja DBS olivat valekoodattuja, kun taas valenssia, kiihottumista ja koenumeroa käsiteltiin jatkuvina muuttujina. Kaikki riippumattomat muuttujat olivat standardoitu 0-1 välein regressio, mutta on raportoitu artikla muuntamisen jälkeen takaisin niiden luonnollinen yksikköä helpottaa tulkintaa.
Tilastollinen analyysi—EEG-modulaatio, jonka tehtävä muuttujat ja DBS
aika-domain (evoked potential) – analyysi, anturi ja lähde aika-avaruus-kurssit olivat alennettu (-0.5, 2.0) s aika-ikkuna ärsyke-lukittu aikakausia ja (-1.0, 1.0) varten windows vastaus-lukittu aikakausina., Lisäksi kaikki aikakaudet suodatettiin 15 Hz: iin ja vähennettiin kertoimella 3. Luottamusvälit on laskettu tapahtumaan liittyviä potentiaalit (Erp) on laskettu 1000 bootstrap resamplings kanssa korvaaminen (säilyttää kokeiden lukumäärä kussakin aihe). Kaikki esitetyt Toiminnanohjaukset ovat kaikkien tutkittavien suuri keskiarvo.
spektrisiä-domain analysis, me laskea non-phase-locked valtaa kolme bändit kiinnostaa: theta (4-8 Hz), alfa (8-15 Hz) ja beeta (15-30 Hz)., Meidän korosti ei-vaihe-lukittu, tai aiheuttama, värähtelyt, koska ne näyttävät olevan suoraan liittyvät ennakoiva kognitiivinen control17. Vuonna trial-pohjainen analyysit Simon-vaikutus tehtäviä, yli 80% konfliktin/ohjaus-liittyvät theta teho muutos oli ei-vaihe-locked23. Non-phase-locked theta teho korreloi trial-oikeudenkäyntiä RTs, enemmän niin kuin vaihe-lukittu theta näkyy time-domain ERP., Edelleen, ei-trial-jäsennelty kognitiivinen ohjaus tehtävä, theta-värähtelyt näytti olevan jatkuvasti läsnä yli puolivälissä-frontaaliaivokuoressa, lisäämällä vallassa, kun enemmän valvontaa oli needed68. Sen sijaan vaiheittain lukitut theta-heilahdukset saattavat liittyä enemmän virheeseen liittyvään suoritustarkkailuun69, ilmiöön, jota ei ole tutkittu täällä virhetutkimusten vähäisen määrän vuoksi.
laskea non-phase-locked virta muuttuu, meidän on ensin vähennetty keskimääräinen ERP kustakin trial23., Vähennetty ERP – (ja tutkimuksissa, josta oli vähennetty) laskettiin kunkin yhdistelmä aihe, kunto (DBS ON/OFF × Häiriöitä/Konflikti tutkimuksissa), ja ROI/anturi. Kaikki tontit EEG power Näytä tiedot tämän ERP poisto.
– Anturi ja lähde-lokalisoitu tiedot olivat sitten hajotetaan niiden aika-taajuus esitys kautta Morlet wavelet konvoluutio. Pilvinen sää oli pohja taajuuksia näytteet 2 50 Hz 25 logarithmically rivivälillä vaiheet, jossa jokainen wavelet oli ominaista kolme sykliä. Hajoaminen suoritettiin yhden tutkimuksen tiedoilla, ei keskiarvolla tai TOIMINNANOHJAUKSELLA., Kaikki taajuus teho arviot olivat normalisoitu keskimääräinen teho pre-ärsyke lähtötilanteessa (-0.5 s -0,1 s) kunkin taajuusalueen. Käytimme dB muunnos normalisointi. Lähtöteho laskettiin erikseen kullekin tutkittavalle ja DBS: n ehdolle (pois päältä, päälle). Sama pre-ärsyke viiteajanjakson käytetään ärsyke-lukittu analyysejä käytettiin myös vastaus-lukittu analyysit. Sitten oli keskimäärin arvot kunkin ennalta määritellyn taajuusalueen saada per-trial valtaa ajan kuluessa kunkin bändin. Kaikki artikkelissa esitetyt tuloksena olevat tehoarvot normalisoitiin dB: ksi edellä esitetyllä tavalla., Kaikki power topographic ja aika kurssijuonet edustavat suurta keskiarvoa eri aiheista.
sekä anturi ja lähde tilaa, sekä time-domain ja taajuus-toimialueen EEG-data analysoitiin käyttäen pienimmän neliösumman regression70,71. Yhden oikeudenkäynnin jännite tai virta kunakin ajankohtana tuli voimaan lineaarinen malli käyttäen samoja riippumattomia muuttujia, kuten käyttäytymisen GLM: häiriöitä, DBS, valence, kiihottumisen, ja tutkimusnumero. Standardoimme kaikki riippumattomat muuttujat myös tämän mallin intervalliin., Olemme myös miettineet mahdollisuutta, että häiriöitä ja DBS voi olla vuorovaikutuksessa hermo tasolla, vaikka emme nähneet käyttäytymiseen vuorovaikutusta, ja siten mukana DBS × häiriöitä vuorovaikutus aikavälillä tämä regressio. Jäljitellä vaikutus kohde-erityisiä kuuntelevansa käyttäytymisen malli, vähennetään kunkin yksittäisen aihe on all-tutkimuksissa keskimääräinen jännite-tai virta-aika kurssin että aihe on tutkimuksissa. Kontrasti tilastot (t-testit) laskettiin kunkin tuloksena beta paino (regressiokerroin) kunkin näytteen., Hallita useita tilastollisia vertailuja (ajankohtina) kunkin ROI/elektrodi, me suorittaa permutaatio päättely ja ajallinen klusterin correction72. Käytimme 1000 permutaatiot jokaiselle analyysi, hävittää klustereita <50 ms ajallisesti määrin, ja säilyttää vain klustereita, jotka olivat merkittäviä at α = 0.05. Time-domain analysis lähde tilaa, olemme edelleen korjata nämä klusterin p-arvot käyttäen Benjamini–Hochberg false discovery rate (FDR) – step-down-menettely kaikissa testattu ROIs., Taajuusalueanalyysissä teimme saman, mutta käytimme yhtä porrastusta ROIs-ja taajuusalueilla samanaikaisesti. Kaikki artikkelissa esitetyt merkittävät klusterit selvisivät näistä korjauksista. Poikkeuksena on, että anturi-tila-analyysi, me ei oikein useita antureita, koska olemme testanneet vain yksi anturi time-domain ja yksi anturi frequency-domain analysis. Anturi-avaruustaajuus-verkkotunnuksen p-arvot korjattiin jälleen useilla kaistoilla.,
Tilastollinen analyysi—EEG/käyttäytymisen muutokset kuten biomarkkerit
Me arveltu, että sekä theta-bändi EEG-ja MSIT käyttäytyminen muuttuu aiheuttama DBS saattaa korreloi koehenkilöiden kliininen vaste VCVS DBS-hoito. Lisäksi oletimme, että korrelaatio saattaa olla positiivinen kliininen vaste (masennuksen paraneminen) tai kliinisiin komplikaatioihin (hypomania, kuten in28)., Meidän määrällisesti näitä yksittäisiä aihe-taso: MSIT RT keskiarvo (DBS ON–DBS POIS) ero, ja EEG-theta-kuten integroitu korkeus (DBS ON–DBS POIS) ero aalto VLPFC (anterior inferior frontal gyrus). VLPFC-merkki valittiin prediktorimuuttujaksi edellisten analyysien tulosten tarkastelun jälkeen. Eroaalto laskettiin nimenomaan ajanjaksolla, jolloin lähdeavaruusanalyysin aikana löytyi merkittävä klusteri., Masennus oli mitattuna Montgomery–Åsberg Depression Rating Scale (MADRS) kerätään aikana koehenkilöiden alkuperäisen kliinisissä tutkimuksissa; emme yritys korrelaatio OCD oireita, koska vain kaksi aihetta näyte oli OCD. Käytimme MADRS muutos pre-implantti lähtötilanteessa päivä tiedonkeruu, tai lähimpään kliinisen vierailu tiedonkeruu (aina 1 kuukauden kuluessa), jos tietty kohde ei pysty suorittamaan MADRS joka päivä., Hypomania käyttää saman datajoukon as28, jonka läsnäolo/poissaolo hypomania jaksot oli koodattu kuhunkin aiheeseen koulutettu kliinisen raters. Riippuva muuttuja oli se, oliko kyseisellä henkilöllä koskaan ollut hypomania DBS – hoitokurssinsa aikana. Yhtä tutkittavaa ei otettu mukaan hypomania-analyyseihin, koska kliinisiä tietoja ei ollut saatavilla.
Out-of-sample ennustus ominaisuus on tärkeä arvioida oletetun psykiatrinen biomarkers37,38, mutta vaikea mitata harvoissa väestöryhmiin, kuten DBS-potilaiden., Korvikkeena, meillä syntyy luottamusta väliajoin kliinisen/biomarkkeri korrelaatiot piirtämällä 1000 bootstrap resamples (korvaavan) alkuperäisestä aiheesta väestöstä. Me käytetään näitä samoja bootstrap kiinnittää rakentaa luottamusväli alle jäävä pinta-ala (AUC) vastaanotin-operator characteristic (ROC) käyrät luokittelu hypomania läsnä/poissa ja masennus responder/nonresponder. Jälkimmäinen käytti samaa 50%: n MADRS-paranemisen kynnysarvoa kuin kliinisissä tutkimuksissa, esim.in49.,
Tilastollinen analyysi—lepo-tilaan tiedot
Theeta muutoksia havaittu MSIT suorituskyky saattaa olla tiettyyn tehtävään, mutta saattaa aiheutua yleinen muutos EEG-taajuuksien aikana DBS. Viisi henkilöä osallistui vähintään 2 min silmät auki lepo-tilaan tiedot DBS PÄÄLLE ja POIS päältä. Näiden tietojen, me leikata 60 1-s artefakti-ilmainen aikakausia alkaen PÄÄLLE ja POIS tallenteet kussakin aihe, sitten lasketaan voiman spektritiheyden (PSD) 0 30 Hz: n kautta multitaper menetelmä., Meillä laskettu keskiteho majoitusliike, theeta (4-8 Hz) alue jokainen aikakausi on PSD, sitten testattu ero näiden jakaumat Mann–Whitneyn U-testi. Toteutimme nämä analyysit theta virta-anturi Fz, joka oli päänahan pisteen korkein theta vallan aikana MSIT suorituskykyä.
Validointi MSIT käyttäytymiseen tuloksia epilepsia valvonta
mahdollinen huolenaihe on, että kaikki RT tulokset vietämme saattaa olla selitettävissä käytännön vaikutuksia. Vaikka ON-ja OFF-lohkot erotettiin tunnilla tai useammalla, koehenkilöt saattoivat silti säilyttää jonkin verran prosessuaalista muistikuvaa tehtävästä., Puuttua tähän häpeään, analysoimme tiedot ryhmästä henkilöt, jotka suoritetaan useita ajallisesti toisistaan MSIT toimii ilman emotionaalista distractors. Nämä koehenkilöt olivat osa laajempaa tutkimusta, jossa keskityttiin psyykkisen sairauden verkostotason fysiologiaan13. Heidät otettiin sairaalahoitoon elektrofysiologiseen seurantaan lääkitys-refraktorinen epilepsia. Vaikka sairaalahoidossa, niitä lähestyttiin päivittäin suorittaa useita kognitiivisia tehtäviä, kuten MSIT. Tässä tapauksessa, käytimme alkuperäisen version tehtävän, joka ei sisällä tausta IAPS häiriötekijöitä., Luonteesta johtuen kliinistä työtä on laitoshoito yksikkö, mukaan lukien taukoja aterioita ja kliininen kierrosta, nämä aiheet usein suorittaa yksi tai enemmän 64-oikeudenkäynti MSIT lohkojen huomattava tauko välillä. Tämä jäljittelee tehokkaasti ensisijaisen tutkimuksemme suunnittelua, lukuun ottamatta DBS-manipulointia. Analysoimme tehtävälohkoja ennen ja jälkeen näiden taukojen, kahdeksassa koehenkilössä. Näille koehenkilöille sovimme MSIT-tutkimuksen RTs: ään gammajakauman GLM: n, joka jäljitteli kohorttianalyysiä, ts.,, independent / predictor terms for block (joka jäljittelee DBS-termiä), conflict, trial number, and a subject-specific intercept. Kuten pääkohortissa, kaikki nämä koehenkilöt antoivat täyden tietoisen suostumuksen ennen mitään tutkimusmenettelyjä. Kaikki kokeelliset menetelmät, joilla nämä aiheet noudattivat valtion ja institutionaaliset eettiset vaatimukset ja hyväksyttiin Massachusetts General Hospital Institutional Review Board.