文摘
神经生理学研究表明,有一个峰值之间的密切关系和地方领域潜在的联赛,这反映了神经编码信息至关重要。在本文中,我们使用一种新的方法来评估之间的同步和LFP峰值。从−联赛的所有可能的阶段π来π第一次被自由选择数量的垃圾箱;然后,峰值的概率下降在每本计算,和均匀分布的偏差度基于Kullback-Leibler计算散度定义之间的同步和LFP峰值。仿真结果表明,该方法快速、峰值的总数基本不受影响,并且可以充分抵抗高峰火车的噪音。我们这个方法适用于难治性癫痫患者的实验数据,我们观察到峰值之间的同步和LFP在记忆的形成。这些结果表明,我们建议的方法是一种强大的工具,可以定量测量峰值和联赛之间的同步。
1。介绍
神经系统中的信息是分布在大量的神经元。为了了解这个信息编码、加工、转化为行动,我们需要监控相当数量的神经元的集体活动(1,2]。随着电极制造技术的发展和微电子技术、多级同步记录技术出现了3],它可以同时观察多个神经元组的活动特点,有助于分析和解码脉冲序列中的行为和生物信息和当地领域潜在的联赛(4]。
大脑皮层编码感官信息通过神经元的活性。这种现象被广泛研究的细胞外记录意识动物(5]。这个记录可以捕获的活动,这是一个短期的高频信号,反映出更多的个人活动(6]。的编码速率和峰值时间分布这些二进制事件(5]。锂离子是细胞外信号的另一个组件,即神经信号的低频部分,反映了邻近的神经元的突触活动(6- - - - - -8]。最近,LFP已经吸引了越来越多的关注领域的神经科学和神经工程。它被认为是成千上万的突触电位波动的总和在记录电极(5]。
同步峰值与LFP已经被观察到在不同的认知功能和不同的大脑区域,如前额叶皮层(5,9)和海马(6,10,11]。近年来,许多神经生理学的研究表明,有一个峰值之间的密切关系和gamma-band LFP9,12),它已经表明,峰值之间的相位锁定和LFP反映重要的生理信息。例如,关闭锁相之间的峰值和节奏的伽马LFP老鼠嗅皮层锥体神经元的报道,和伽马振荡波过滤器可以控制神经元的发射时间(13]。仿真研究表明,该锁相峰值和联赛的节奏可能编码之间的关系认知事件(14],gamma节律视觉皮层的恒河猴可以编码图像的对比度信息(15]。在人类的大脑,飙升的排放之间的协调关系和联赛的θ节律密切相关记忆的形成(16]。因此,研究之间的关系具有重要意义和LFP峰值。
许多不同的神经元类型的激增活动同步到本地联赛(17]。估算spike-LFP同步有不同的措施,包括交叉相关性和一致性系数(18- - - - - -22),相位同步或锁相值(PLV) [23),峰值场相干(证监会)[24- - - - - -27),两两相一致性(PPC) [28],spike-triggered相关矩阵同步(scm) [29日,30.]。互相关和相干系数方法偏向于权力和不适合非线性和非平稳的动力31日]。一些最广泛使用的是PLV spike-LFP同步措施,香港证监会,PPC, scm。PLV计算的大小意味着锂离子峰值相区别。这种方法的缺点是,它强烈地依赖于峰值速度(23]。香港证监会通过比较计算频率的大小在spike-triggered平均(STA)和平均频率的大小为每个联赛参与STA段。香港证监会还依赖于利率的上涨(26]。PPC计算平均峰值之间的相似性在联赛所有可能暴涨阶段。PPC的缺点是,结果可能出现负值的情况下,不能合理的生理(28]。的scm使用阶段LFP在该地区周围的峰值测量相关性而非峰值出现的时刻。scm的计算速度慢的问题(29日]。
在本文中,我们使用调制指数(MI)算法来测量峰值之间的同步和联赛,被用来估计相位振幅耦合(PAC) (32]。仿真结果表明,该方法的性能并不取决于峰值的总数。此外,强大的噪音,包括额外的峰值,失踪的峰值,抖动噪音。此外,该方法容易实现,运行速度快。
2。材料和方法
这个新方法的主要思想评估峰值之间的同步和LFP如下解释。首先,从−联赛的所有可能的阶段π来π他们自由选择数量的垃圾箱。18箱采用本文对应每一本的π/ 9,这是按照其他研究(33]。然后,我们计算峰值的概率落在每一本和相对应的信息熵的分布。最后,我们比较了峰值分布的均匀分布通过Kullback-Leibler(吉隆坡)散度和采用了MI (32)测量峰值和联赛之间的同步关系。原理图的一部分计算流程如图1。更多细节的算法提供了以下部分。
(一)
(b)
(c)
(d)
(e)
2.1。联赛阶段提取
首先,zero-phase-shift过滤器用来过滤LFP频段,然后希尔伯特变换被用来提取锂离子信号的瞬时相位。的信号 ,分析信号是一个复杂的时间的函数t,它被定义为 在哪里瞬时的信封吗 , 的瞬时阶段吗 ,和的希尔伯特变换吗 。具体地说,被定义为 在哪里 表明采取积分的柯西主值(34]。因此,锂离子信号的瞬时相位可以获得的
2.2。MI计算
LFP被定义为信号 。瞬时相位是提取 ,并从−联赛的所有可能的阶段π来π第一次被封存到自由选择数量的垃圾箱。的概率每本LFP计算的峰值下降,表示 : 在哪里代表的概率峰值出现在相应的本LFP阶段,是在一个垃圾桶,j是运行指数垃圾箱,N是箱子的总数。这些计算,LFP-spike分布的数据。
然后,香农熵计算。香农熵是衡量一个变量的内在信息。如果夏侬熵不是最大,有冗余和可预测性的变量。如果峰值随机出现在联赛和不同步,香农熵最大。香农熵是由下列公式计算:
Spike-LFP同步被定义为一个分布明显偏离均匀分布。KL分流是一种有效的工具来衡量两个分布之间的差异已被用在许多研究[32,35,36]。这是香农熵和相关计算 在哪里U是均匀分布,P数据分布,N是箱子的总数。中提到的夏侬熵方程(6),是最大可能的熵值,它代表一个均匀分布(什么时候 ,适用于所有箱子)。因此,我们定义了KL MI除以观察到的峰值分布的差异和均匀分布通过 ,并给出最终的MI 在哪里 根据方程(KL分流6),N是箱子的总数31日,32]。
如果峰值是均匀分布在联赛的阶段(例如, ,这意味着没有峰值之间的同步和联赛,然后呢 。作为移动距离越来越远 ,KL散度逐渐增加;当 ,所有峰值存在于某一本阶段的联赛,也没有在其他箱子峰值。然后,有一个强大的峰值和联赛之间的同步关系。
2.3。模拟数据
LFP信号模拟中使用的是由几个不同频率的正弦波的叠加,不同振幅和不同阶段。频率范围从30到80 Hz的步骤1赫兹,从而专注于联赛中的伽玛乐队。正弦波的振幅是其相应的频率成反比16),信号的相位是随机选择的范围(−π,π]。峰值是由时间间隔插入0和1,0表示没有峰值,1表示峰值的点火时间。每个峰值同步或非同步的阶段的联赛。同步峰值发射的模拟单个神经元位于一些特定时间(有一些总结LFP波形两个峰值之间的周期),而非同步的随机出现峰值。用同步峰值的数量 ;非同步的峰值的数量表示 。峰值的总数同步和异步峰值的总和,也就是说, 。参数控制同步强度定义为同步峰值的数量比峰值的总数,计算了 。 意味着完美的同步, 意味着完整nonsynchronization [29日]。同步和异步的分布峰值的例子如图2。
(一)
(b)
(c)
(d)
2.4。真实的数据
摘要MI方法应用于数据收集系统神经科学中心(英国莱斯特大学,莱斯特LE1 7 rh)。数据记录来自21个实验课程的六个药物难治性癫痫患者(右撇子,四个男性,- 56岁)。电极植入患者体内慢性深度为7 - 10天在伦敦大学国王学院医院(英国)确定癫痫灶可能手术切除(37]。所有患者书面同意参与这项研究,国王学院医院研究伦理委员会批准。总共有9月底接到每个电极探头,包括八个活跃记录频道和一个(低阻抗)参考。电极植入双边在海马体(24探测器)和杏仁核(12探测器)。的位置插入电极完全满足临床标准,验证了磁共振成像(MRI)或计算机断层扫描(CT)结合术前MRI录音。
一个简单的视觉任务是用来识别响应刺激。当坐在笔记本电脑前,一群大约100刺激了在电脑上显示的6倍,每一个伪随机顺序,通过使用一块设计。在每个试验的开始,有一个固定在屏幕上十字架为500毫秒,紧随其后的是一幅显示为1000 ms。屏幕变黑后,病人必须按下一个按钮来回答是否有一个人在图中所示。intertrial间隔不同随机女士在600年和800年之间。这些“筛选会议”通常持续了约半个小时。图像包括熟悉的人、动物、地标,和病人的朋友和家人。
一旦已经确定哪一幅(s)触发放电的神经元,我们进行后续会议中,我们使用一个子集筛选15刺激的会话(包括所有那些引起响应),但是这些图像伪随机顺序显示25 - 35倍。
收集到的数据离线处理,记录神经元被确定通过提取信号峰值高于300赫兹。随后,Wave_clus用于峰值检测和排序。另一方面,原始数据downsampled 1.5 kHz,然后他们进一步过滤3至6赫兹(零相位椭圆滤波器)获得theta-band LFP。我们丢弃的频道显示高频噪声的功率谱计算记录频道。实验LFP痕迹提取之前从1 s刺激发病后2 s [37- - - - - -39]。的提取过程theta-band LFP如图3。
(一)
(b)
(c)
(d)
3所示。结果
3.1。应用人工数据
3.1.1。同步的影响强度的算法
我们证明了估计MI值变化的强度spike-LFP同步,范围从0到1的步骤间隔为0.05。联赛的时间用于模拟100年代,和采样率是1 kHz。这些参数设置也被用于后续的仿真部分。spike-LFP的分布差异与不同的同步强度如图4。我们在研究进行了100次试验参数(同步强度)和仿真结果如图所示5。可以看出,MI是一个规范化的数量。与spike-LFP同步强度的增加,MI值逐渐增加到1。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
3.1.2。MI数量飙升的依赖
在本节中,我们讨论了MI的依赖方法峰值的数量。最初的联赛,我们使用峰值的初始数量是30。观察飙升的影响算法的性能,我们逐渐增加的数量从30到100的步骤5。的强度模拟spike-LFP同步设置为0.3,0.5和0.7。我们跑100每组参数的试验研究(数据的长度)。这个分析的结果如图所示6。我们发现MI值几乎改变了峰值的增加数,当我们比较不同的实验条件是至关重要的。
3.1.3。尖峰噪声的影响
尖峰噪声对算法的影响不能被忽略,当我们计算了spike-LFP同步关系。三种类型的噪音被认为:抖动噪声(转变)激增,失踪的峰值(假阴性),和额外的峰值(假阳性)29日]。所产生的噪声峰值主要是与峰值检测和分类。例如,额外的和缺失的峰值可能是由于不合理的阈值设置在峰值检测。当然,这两种声音也发生在上升的过程中分类。另一种类型的噪声发生在上升的过程中习得或对齐,即。,抖动噪音。在本节中,我们将讨论三种类型的噪音的影响所产生的峰值。对于每个类型的噪声,同步强度R= 0.3,R= 0.5,R= 0.7。
首先,我们认为抖动噪声的影响(40)的结果。的模拟峰值的数量设置为50。添加抖动噪声的具体操作假定峰值时间发出T时间窗的长度的抖动噪声t,抖动噪声强度的量化间隔的长度。抖动噪声排放峰值的时间引起的T随机出现的时间范围(T−t,T+t]。每组的参数(抖动噪声)平均在100次试验,仿真结果如图7。这些仿真结果表明,MI值下降随着抖动时间间隔的增加,但在10毫秒,我们仍然可以区分的不同优势spike-LFP同步。这些结果表明,MI算法可以提供有意义的结果当比较不同神经元之间的同步强度和联赛。
其次,我们研究了失踪的峰值对算法结果的影响。同样的,最初的模拟峰值的数量设置为50。具体操作是,一些峰值随机从原来的高峰列车。失踪的人数峰值范围从2到30,间隔2步。一百次试验进行了每组的参数(峰值)。仿真结果基于100次试验的平均值如图所示8。可以看出MI值被失踪的尖峰噪声的影响较小,因为随机移除一些峰值没有实质上改变同步力量之间的脉冲序列和联赛。MI并不影响峰值的数量,所以它可以充分抵抗失踪的尖峰噪声。
最后,额外的峰值的影响(41结果被认为是。特定的操作引起的随机插入额外的峰值到原始的火车。在仿真中,原来数量的峰值是20。额外的数量峰值范围从2到30,间隔2步。我们跑100每组参数的试验研究(额外的峰值)。这个分析的结果在图所示9。可以看出,MI降低峰值的增加。这是由于随机峰值增加,相当于减少同步的力量。作为一个结果,MI下降,我们仍然可以很容易区分不同的同步的优势。
3.2。应用程序的真实数据
在这项研究中,我们调查之间的关系在内侧颞叶(MTL)神经活动和记忆。对于每一个响应,我们被认为是两个峰值的时间窗口,“基线”(基线期的时间窗口)和“响应”(时间窗口从峰值响应延迟)。在每一个时间,我们用希尔伯特变换的角度θ的实验LFP过滤带(3 - 6赫兹)计算瞬时相位39]。
最近的一项研究在人类也加强了MTL和记忆功能之间的联系通过证明飙升和θ活动之间的相位锁定在这个区域编码预测内存成功(16]。在本文中,我们使用我们的方法调查之间的同步关系θ节律LFP在人类MTL和峰值的记忆过程。我们选择10个19组的实验计算MI,具体结果如图10。我们发现在“响应”MI值明显高于“基线。”这意味着记录神经元的峰值和LFP在内存(显示明显的同步 ,克鲁斯卡尔-沃利斯测试)。
4所示。结论
本文研究了峰值之间的同步和锂离子通过使用MI算法。我们表明,MI算法基本上是不受高峰的总数。方法是简单的计算,可以抵抗噪声引起的抖动,额外的峰值,而失踪的峰值。因此,摘要MI算法是一种有效的算法,可以定量分析之间的同步和LFP峰值。运用该方法从癫痫患者神经数据记录,我们表明,spike-LFP同步的“响应”高于“基线”利用克鲁斯卡尔-沃利斯检验,我们证明了spike-LFP同步可以用来探索之间的联系MTL和记忆功能。
数据可用性
使用的数据来支持本研究的发现是可用的https://www2.le.ac.uk/centres/csn/data。
的利益冲突
作者宣称没有利益冲突。
确认
作者感谢系统神经科学中心(英国莱斯特大学,莱斯特LE1 7 rh)提供数据。这项研究的部分资金由中国国家自然科学基金(61971374和61971374)。