DIPLOMATERV. Dolgozat címe: Idő- és frekvencia- elemzést végző szoftver fejlesztése a hallókéregben kiváltott potenciálok számítógépes vizsgálatára

DIPLOMATERV

Dolgozat címe: Idő- és frekvencia- elemzést végző szoftver fejlesztése a hallókéregben kiváltott potenciálok számítógépes vizsgálatára

Konzulensek neve:

Dr. Karmos György Dr. Ulbert István

Külső cég neve: Magyar Tudományos Akadémia Pszichológiai Kutatóintézete Külső cég címe: 1068, Budapest, Szondi u. 83-85.

Szerző neve:

Grand László Bálint

Leadás dátuma:

2006.06.15.

Pázmány Péter Katolikus Egyetem Információs Technológiai Kar

2

Nyilatkozat Alulírott Grand László Bálint, a Pázmány Péter Katolikus Egyetem Információs Technológiai Karának hallgatója kijelentem, hogy ezt a diplomatervet meg nem engedett segítség nélkül, saját magam készítettem, és a diplomamunkában csak a megadott forrásokat használtam fel. Minden olyan részt, melyet szó szerint, vagy azonos értelemben, de átfogalmazva más forrásból átvettem, egyértelműen a forrás megadásával megjelöltem

.......................................... Grand László

Budapest, 2006.06.15.

3

Tartalomjegyzék I.a. A feladat rövid összefoglalása................................................. 5 I.b. Abstract................................................................................... 6 II. Bevezetés.................................................................................. 7 III. Biológiai áttekintés ................................................................. 8 III. 1. Az EEG-jel keletkezésének mechanizmusa .................................... 8 III. 2. A macska hallókérgének anatómiája és fiziológiája ..................... 10 III. 2. 1. Az akusztikus eseményhez-kötött válasz ........................................................... 11 III. 2. 2. Az akusztikus eseményhez-kötött válasz exogén komponensei ........................ 12 III. 2. 3. Az akusztikus eseményhez-kötött válasz endogén komponensei ...................... 13

IV. Műtéti eljárás, elvezetési metódus ........................................ 16 IV. 1. Elektródák ..................................................................................... 16 IV. 2. Az elektródák implantálása ........................................................... 17 IV. 3. Elvezetési metódus ........................................................................ 18

V. Matematikai áttekintés ........................................................... 19 V.1. Koherencia ....................................................................................... 19 V.2. Fourier analízis ................................................................................ 19 V.3. Wavelet analízis............................................................................... 20

VI. Számítógépes analízis ........................................................... 23 VI. 1. Szoftverek ..................................................................................... 23 VI. 2. Az MCFA program bemutatása .................................................... 24 VI. 2. 1. Az MCFA működése, funkciók ......................................................................... 25 VI. 2. 2. A Waveplot működése, funkciók ....................................................................... 42

VII. Eredmények ......................................................................... 44 VII. 1. A természetes alvás-ébrenléti ciklus ........................................... 44 VII. 2. Eredmények ismertetése .............................................................. 46

VIII. Összefoglalás, konklúzió .................................................... 64 Köszönetnyilvánítás .................................................................... 65 Irodalomjegyzék ......................................................................... 66

4

I.a. A feladat rövid összefoglalása Az elektroenkefalogram keletkezéséért felelős agykérgi neuronális folyamatok csak invazív kísérletekben vizsgálhatók. Jelen kutatási téma célja viselkedő állatokon, krónikusan beépített agykérgi multielektródokkal elvezetett intrakortikális akusztikus kiváltott válaszok elemzésére szolgáló jelfeldolgozó módszerek fejlesztése és kísérletekben történő alkalmazása. A hallókéregből elvezetett válaszok különböző hullámainak frekvencia teljesítmény analízise, valamint az időbeli változások idő-frekvencia analízissel történő nyomon követése pontosabb adatokat szolgáltat a neurális generátorstruktúrák megértéséhez. A szinaptikus és transzmembrán folyamatok vizsgálatához áramforrás sűrűség (CSD) analízist, az akciós potenciál szintű elemzéshez többsejt (multiunit, MUA) analízist használtam fel. Az

MTA

Pszichológiai

Kutatóintézetének

Összehasonlító

Pszichofiziológiai

Laboratóriumában szabadon mozgó, multielektróddal krónikusan implantált macskáról, természetes alvás-ébrenlét ciklus alatt vezettük el az akusztikus kiváltott potenciálokat. Ezek változásait, tulajdonságait vizsgáltam a kifejlesztett szoftverrel. A dolgozat a kiváltott potenciálok keletkezési mechanizmusáról, a felhasznált elektródák típusairól és részletesen a vizsgálatokhoz fejlesztett sokcsatornás idő-frekvencia elemző szoftver (Multiple Channel Frequency Analyser, MFCA) működéséről szól. Az MCFA gyakorlati alkalmazását a természetes alvási ciklus lassúhullámú (SWS) és gyors szemmozgásos (REM) fázisai, valamint az ébrenléti aktivitás elemzésén keresztül mutatom be. Az SWS, a REM és az éber állapotokban az akusztikus ingerrel kiváltott válaszok idő-frekvencia, CSD és MUA analízisének eredményeit hasonlítottam össze. Azt találtam, hogy lassúhullámú alvásban az akusztikus kiváltott potenciál mély pozitív komponense alatt (25-110 ms) a kérgi teljesítmény jelentősen csökkent a 10-100 Hz-es tartományban az alap aktivitáshoz képest. Ilyen mértékű teljesítménycsökkenés nem tapasztalható a REM és éber állapotoknál. A mély pozitív mezőpotenciál komponens ideje alatt (25-110 ms) a többsejt aktivitás is drasztikusan lecsökkent. A CSD térkép a mezőpotenciál mély pozitív komponense alatt (25-110 ms) az agykéreg középső rétegeiben a sejtekből kifolyó áramot (hiperpolarizáció) mutatott. Az agykérgi teljesítmény, a többsejt aktivitás drasztikus lecsökkenése, valamint a hiperpolarizációs áramok együttesen arra engednek következtetni, hogy a lassúhullámú alvásban hangingerrel kiváltott mély pozitív komponens diszfacilitációs folyamatokat tükröz.

5

I.b. Abstract Cortical neuronal processes which are responsible for genesis of the electroencephalogram are only investigable in invasive experiments. Our research goals were to develop and adjust different signal processing methods to analyse intracortical, acoustic evoked potentials derived from chronically implanted behaving cats’ acoustic cortex. Frequency-power analysis of different waves of the responses derived from the auditory cortex, as well as the tracking of time change with time-frequency analysis provide us with more exact information to understand how different neuronal generators work. I used Current Source Density Analysis (CSD) to analyse the synaptic and transmembran processes, and Multiunit Activity (MUA) to analyse the neuronal activity in the action potential level. We derived the acoustic evoked potentials from chronically implanted, freely moving cats during the natural sleep-wake cycle in the Comparative Psychyology Group of the Institute of Psychology of the Hungarian Academy of Science. I investigated their changes and properties with the developed software. This essay is about the genesis of the evoked potential, the types of electrodes we used, and mostly about our own developed Multiple Channel Frequency Analyser (MCFA) software. I will present the practical application of the MCFA software through the analysis of the three different phases of the natural sleep-wake cycle. These phases are Slow Wave Sleep (SWS), Rapid Eye Movement (REM) and wakefulness (WAKE). I compared time-frequency, MUA and CSD results of the acoustic evoked potentials of the three different states. I found that cortical power decreased particularly in the 10-100 Hz range compared to the baseline activity during the deep positive component of the acoustic evoked potential (25-110 ms). Such power decrease was not present during the REM or wakefulness. In addition, there was a drastic decrease in the multiunit activity during the deep positive field potential component (25-110 ms). CSD map showed leaking currents (hyperpolarization) in the middle layer neurons of the auditory cortex during the deep positive component of the field potential (25-110 ms).

The cortical power, the drastic decrease of the multiunit activity as well as the presence of hyperpolarizing currents collectively indicate that the acoustic evoked deep positive potential in the SWS reflects disfacilitatiting processes.

6

II. Bevezetés Diplomatervem két saját fejlesztésű szoftver köré épül, melyeknek fejlesztését az tette indokolttá, hogy a piacon kapható kész termékek nagyon magas áruk ellenére sem rendelkeznek olyan funkciókkal, amelyek az agyi jelekben tapasztalható idő-frekvencia változások nyomonkövetését megfelelő módon tennék lehetővé. Az MTA Pszichológiai Kutatóintézetének Összehasonlító Pszichofiziológiai Laboratóriumában folyó kísérletekhez nélkülözhetetlen egy jól paraméterezhető, könnyen kezelhető, megjelenítésében hatékony idő-frekvencia analízist végző szoftver, természetesen a lehető legcsekélyebb költségek mellett. Ezeknek az igényeknek megfelelve fejlesztettük Dombovári Balázzsal a Multiple Channel Frequeny Analyser (MCFA) és Waveplot programokat, amelyekbe az idő előrehaladtával egyre több funkciót építettünk be, így multifunkcionális szoftverré léptek elő. Konzulenseimnek köszönhetően a kezdetektől fogva lehetőség volt a kísérletekben való részvételre, valamint a szoftverek fejlesztéséhez is mindig konkrét kísérletekben rögzített felvételeket használhattunk fel. A szoftverekkel szemben támasztott alapvető követelmények

- hogy Fourier és

Wavelet analízist tudjon végrehajtani és a csatornák jelteljesítmény változásait közös kezelőfelületen, külön hőtérképekkel ábrázoljuk – fokozatosan bővültek, jól paraméterezhetővé váltak, valamint különböző jelfeldolgozási módszerek és megjelenítési módokat építettünk beléjük. Mivel a szoftverek alapfunkcióinak megírása után aktívan használtuk őket a különböző kísérletekben, a fokozatosan beépített funkciókat az időről időre felmerülő újabb követelmények indukálták. A szoftverfejlesztésen kívül az idegtudomány egyes területeivel is lehetőségem volt részletesebben megismerkedni. A macska alvás-ébrenléti ciklusát vizsgáltuk az intézetben töltött két év alatt. Az ehhez tartozó szakirodalmat követve saját feladatot kaptam, a hangingerre kiváltott diszfacilitációs folyamat vizsgálatát. Feladatomban a műszaki tervezésen kívül a vizsgált biológiai folyamat is nagy szerepet kapott, ezért ezt a dolgozatomban részletesen tárgyalom. A diplomatervemben először az EEG jel keletkezési mechanizmusát, valamint a macska hallókérgének anatómiáját, az akusztikus

inger

által

kiváltott

potenciálok eddig ismert

elektrofiziológiai hátterét ismertetem. Ezek után térek rá az intézetben használt elektródákra és műtéti eljárásra, valamint a jel elvezetésének és feldolgozásának módszereire. A feladathoz szorosan kapcsolódó jelfeldolgozási módszerek matematikai hátterét külön fejezetben tárgyalom, amit a tervezett szoftverek funkcióinak részletes bemutatása követ. Itt ismertetem az általunk használt piaci szoftverek idő-frekvencia analízis funkcióival kapcsolatos észrevételeimet is. Az alvás-ébrenléti ciklus részletes tárgyalása ezután következik, ahol a saját biológia feladatom ismertetése is történik, majd az eredményeknél a vizsgált folyamattal kapcsolatos állítást több oldalról, többféle megközelítésből bizonyítom. A dolgozat végén rövid összefoglalást adok az elvégzett munkáról, összefoglalom jelentőségét valamint a további terveket és a részletes irodalomjegyzéket ismertetem.

7

III. Biológiai áttekintés III. 1. Az EEG-jel keletkezésének mechanizmusa Az EEG jel keletkezésének mechanizmusa a mai napig pontosan nem ismert. Valószínű, hogy több ezer neuron összesített elektromos aktivitását tükrözi, melyek az agykéreg felszíni részének megfelelően helyezkednek el. A mélyebb struktúrák aktivitása a szignál gyengülése miatt nem idézhet elő a fejbőrről elvezethető mikrovoltos nagyságú jelet. Tekintettel az EEG fokozatos jellegű változásaira, inkább a piramissejtek dendritnyúlványain lejátszódó küszöb alatti posztszinaptikus potenciálváltozások felelősek keletkezéséért, semmint a gyors, mindent vagy semmit jellegű akciós potenciálok. Elul klasszikus elképzelése szerint az EEG-jel generálásában számos neuron kiterjedt dendritfáinak szinkronizált, összesített aktivitása játszik szerepet. Ezeket a több neuronhoz tartozó, de együttműködő kapcsolatokat nevezte szinaptikus funkcionális egységeknek. Az agy spontán ritmusának megfelelő és az adott ingerek függvényében számos átfedést mutató funkcionális egység közül más és más csoportok mutathatnak szinkronizált aktivitást. Ez a mintázat időben dinamikusan változik. Az epilepszia alkalmával látható nagy amplitúdójú tüskék és hullámok a kóros aktivitású gócnak megfelelően elhelyezkedő sok idegsejt szinkronizált működését mutatják. A szinaptikus funkcionális egységek koordinációjában fontos szerepet tölthetnek be a kéreg alatti struktúrák, elsősorban a thalamus (Pléh és mtsai, 2003). A szinkronizált elektromos aktivitáson felül fontos az agyi struktúrák geometriai konfigurációja is. Az EEG-jel kialakulásának feltétele ugyanis, hogy a sok kis lokális elektromos változás felerősítse egymást. Az egymással párhuzamosan elhelyezkedő kérgi piramissejtek transzmembrán áramai ideálisan képesek összeadódni, ezt nevezzük „open field” elrendeződésnek. A neuronok véletlenszerű orientációja esetén a mikroáramok kioltják vagy nagyon lecsökkentik a jel erősségét, ezt „closed field” elrendeződésnek nevezzük. Míg az agykéreg szerveződésére az „open field”, addig az egyes mélyebben elhelyezkedő agytörzsi struktúrákra a „closed field” organizáció a jellemző (1. ábra). Az EEG-jelet frekvencia és amplitúdóbeli különbségek alapján spektrális tartományokra osztjuk fel (2. ábra). A klasszikus nevezéktan szerint ha a nagyobb amplitúdójú és kisebb frekvenciájú hullámot egy kisebb amplitúdójú és nagyobb frekvenciájú váltja fel, deszinkronizációról beszélünk. Ennek a folyamatnak az ellenkezője a szinkronizáció.

8

1. ábra: Az agykéreg szerveződésére az „open field”, az agytörzsi struktúrákra a „closed field” organizáció a jellemző (Pléh és mtsai, 2003).

2. ábra: Az EEG jel frekvencia és amplitúdó szerinti spektrális tartományai (Pléh és mtsai, 2003).

9

III. 2. A macska hallókérgének anatómiája és fiziológiája A macska hallókérge az agy konvexitásán található és ezért viszonylag könnyen vizsgálható más pszichofiziológiai kísérletekben használt állatfajokhoz képest (pl. majmok). A hallókéreg AI areája az agy laterális felszínén, a gyrus ectosylvius dorzális részén helyezkedik el (3. ábra). A kísérletek arra utalnak, hogy a macskák ezen areája a primer hallókéreg, mely - úgy tűnik - megfelel a majmokban

leírt

AI-nek.

Akárcsak

majmokban, mikro-elektródákkal vizsgálva tonotópiás szerveződést írtak le a macskák AI areáján

is:

a

cochlea

bázisa

(magas

frekvenciák) az area elülső részén, míg az apex (alacsony frekvenciák) a hátsó területen reprezentálódik.

Ezt

a

tonotópiás

szervezettséget korábbi vizsgálatok során kimutatták éber macskán az akusztikus 3. ábra: A macska hallókérgének területei és az elektródmátrix (lsd. később) elhelyezkedése. A sematikus ábrát a kísérleteinkben résztvevő macskák agyáról készült digitális fotók alapján készültek és ezek alapján lett rekonstruálva az elektródmátrix átlagos elhelyezkedése is. Az ábrán szerplő rövidítések: AI, elsődleges hallókérgi terület; AII, másodlagos hallókérgi terület (Lakatos, 2001).

eseményhez-kötött komponenseinek

potenciál topográfiai

korai viszonyait

vizsgálva. A macska hallókérgén az AI area szomszédságában több hallókérgi területet (3. ábra) különítettek el, amelyek egy része szintén tonotópiásan szervezett, de mind

anatómiailag mind funkcionálisan különböznek az AI területtől. A másodlagos AII areát citoarchitektóniai különbségek alapján lehet elkülöníteni az AI-től: az AII kérgének III. rétegében megnő a piramissejtek száma, az V. rétegben pedig nagy piramissejtek jelennek meg. Ezen terület tonotópiás szervezettsége vitatott, de egyre többen találnak frekvenciafüggő reprezentációt. Ez a terület

valószínűleg

az

ingerek

feldolgozásának

egy

az

AI

után

következő

állomása.

Megkülönböztetünk első és hátsó hallókérgi mezőket is (AAF és PAF), melyek szerepe vitatott de a legtöbb szerző asszociációs területként említi őket. Úgy tűnik, ezen areák szintén tonotópiás szerveződést mutatnak, de a mikroelektróddal elvezetett kezdeti sejtaktivitás latenciája hosszabb és időben kevésbé kötött az ingeradás időpontjához, a sejtek hangolási görbéje pedig szélesebb, mint az AI neuronoké. Egyes vizsgálatok arra utalnak, hogy e területek az akusztikus információfeldolgozás későbbi – kognitív jellegű – szakaszában vesznek részt, és talán részben megfeleltethetők a majmokban talált „belt” (AAF) ill. „parabelt” (PAF) régióknak. A különböző területek afferens és efferens kapcsolatait vizsgálva az AI-ből AII-be futó rostok topográfiás elrendeződést mutatnak. Az AI rosztrális részéből a rostok az AII caudális, míg caudális részéből az AII rosztrális részébe futnak. A ventrális AI a ventrális AII-vel míg a dorzális AI az AII

10

dorzális részével áll kapcsolatban. Az AAF area az AII-ből kapja afferentációjának nagy részét, mégpedig - úgy tűnik - tonotópiás szervezettségben. A projekciók az AII-ből a PAF-ba ugyancsak tonotópiásan szervezettek. Az AII mellett az AAF is projiciál a PAF régióba, mégpedig az AII-ből jövő rostokkal konvergálva, tonotópiásan szervezetten, ami e terület integratív szerepére utalhat.

III. 2. 1. Az akusztikus eseményhez-kötött válasz Az eseményhez-kötött válaszok (potenciálok) olyan agyi potenciálváltozásokat tükröznek, amelyek valamely esemény (pl. mozgás indítása) vagy különböző természetű szenzoros ingerek (pl. hang, fény, tapintás) hatására az eseménynek vagy ingernek megfelelő agystruktúrákban keletkeznek. A szenzoros EKP kategóriában az inger modalitásának megfelelően beszélünk akusztikus, vizuális, szomatoszenzoros, olfaktórikus, gusztatórikus, vesztibuláris és fájdalom kiváltotta eseményhez-kötött potenciálokról (EKP). A klasszikus értelmezés szerint az EKP-k fő jellemzője, hogy a hátterükben álló neuronális aktivitás a kiváltó ingerrel szigorú idő kapcsolatban áll (time-locked). Ez tulajdonképpen abból adódik, hogy az EKP-k EEG-ből való kinyeréséhez átlagolást használunk, ezért azon komponensek, melyek időben nem szigorúan kötöttek a kiváltó inger adásának időpontjához, „kiátlagolódnak” a válaszból. Ezen dolgozat csak az akusztikus eseményhez-kötött potenciálokkal foglalkozik. Az EKP-k egymást követő pozitív és negatív polaritású kitérésekből, hullámokból állnak. Az EKP-k hullámai, akárcsak a spontán EEG-hullámok, idegsejtpopulációkon létrejövő excitátoros és inhibitoros posztszinaptikus potenciálok (EPSP, IPSP) szummációjaként jönnek létre, és a keletkezés helyéről ún. volumenvezetéssel terjednek a környező szövetekre. A konkrét generátorfolyamathoz köthető hullámokat komponensnek nevezzük. Az EKP-k különböző komponenseit funkcionális jellemzőik alapján exogén és endogén komponensekre oszthatjuk. Az exogén komponensek amplitúdója és latenciája főleg az inger fizikai paramétereitől függnek, míg az endogén komponensek inkább kognitív folyamatokkal mutatnak összefüggést. Régebben mezogén komponenseket is megkülönböztettek, melyeket a fent említett tényezők mindegyike befolyásol, ma azonban ezt a kifejezést már nem nagyon használják. A komponensek fenti felosztása részben latenciában is elkülönülő csoportokra bontja az akusztikus EKP hullámait. Az egymást követő EKP komponensek latenciái hűen tükrözik az agyi információfeldolgozás időbeli viszonyait. Emberben az akusztikus EKP exogén (korai) komponensei a 20-150 ms-os időtartományban, míg az endogén (késői) komponensek a >150 ms időtartományban jelentkeznek. Macskán a különböző komponensek latenciája rövidebb. A legkorábbi komponens latenciája a hallókéregben 7-8 ms, a határ az exogén és endogén komponensek közt pedig kb. 60 ms-nál húzható meg. A macskáról elvezetett akusztikus EKP komponenseknek a humán komponensekkel való megfeleltetése még nyitott kérdés. Pontos megfeleltetés természetesen lehetetlen már csak a hallókéreg anatómiájának különbözősége miatt is, de amennyiben a komponensek időbeli viszonyai hasonlóak és a kísérlet tényezőinek manipulációjára hasonlóan reagálnak, a macskán nyert adatok jól modellezhetik a humán komponenseket.

11

Generátoraik invazív vizsgálata adatokkal szolgálhat az őket „létrehozó” neuronális folyamatokra vonatkozólag, ami lehetővé teheti a különböző szenzoros és kognitív jelenségek hátterében álló idegi működések megismerését és megértését. Egy EKP komponenst tulajdonképpen háromféle módon lehet jellemezni: - a komponens amplitúdója, latenciája és formája (konfigurációja) - a komponens funkcionális jellemzése (kapcsolata különböző exogén (az inger fizikai tulajdonságai) ill. endogén (kognitív) faktorokkal) - a komponens topográfiája szerint A különböző akusztikus EKP komponensek ismertetése során ezt a sorrendet fogom követni. A következő alfejezetekben az emberre, majd a macskára vonatkozó irodalmi adatokat ismertetem.

III. 2. 2. Az akusztikus eseményhez-kötött válasz exogén komponensei A legkorábbi EKP komponens a humán hallókéregben körülbelül 20 ms latenciával jelentkezik kis amplitúdóval, melyet nagyobb amplitúdójú középlatenciájú (20-40 ms) komponensek (auditory middle latency responses) követnek. Az emberben végzett noninvazív vizsgálatok (PET, MEG, skalp potenciál-eloszlás térképezés, dipól lokalizáció, rCBF) arra utalnak, hogy ezek a komponensek frekvencia szerinti eloszlást (tonotópiás szervezettséget) mutatnak, és specifikus szenzoros területeken keletkeznek. Az N1 és P2 hullámokat (melyek latenciája általában 100 ill. 200 ms), ugyancsak az exogén komponensek közé sorolják, bár úgy tűnik nem-specifikus endogén (nem az inger fizikai tulajdonságaitól függő) tényezők is befolyásolják e komponensek latenciáját és amplitúdóját. Részletesebben az N1 hullámot vizsgálták. A hanginger amplitúdójának kellőképpen rövid növekedési ill. csökkenési ideje esetén az N1 obligát módon kiváltódik az inger kezdetére (onset response) és az inger végére (offset response), vagy egy folyamatos ingerben bekövetkező változás hatására is.

Az N1 hullám egyik fontos jellemzője, hogy kifejezetten érzékeny az ingerlés

gyakoriságára: az ingerek közti időintervallum (interstimulus interval, ISI) csökkentésével e hullám amplitúdója szisztematikusan csökken. Az N1 hullám az inger intenzitására szintén érzékeny: az ingerintenzitás csökkentésével csökken az amplitúdója és növekszik a latenciája. Generátorát illetően nincs egyetértés a szerzők közt, legfeljebb abban, hogy valószínűleg több generátor vesz részt a komponens

létrehozásában. Ezeket

a legtöbb szerző a Sylvius-hasadékban elhelyezkedő

szupratemporális síkra lokalizálta, ahol a hallókéreg különböző areái helyezkednek el. Egyes szerzők (Pantev és munkatársai, 1991; Csépe és munkatársai,1987;

Reite és munkatársai, 1994) az N1

ekvivalens dipóljának helyét a Heschl gyrusba illetve közvetlen környékére, míg mások (Yamamoto és munkatársai, 1988) az elsődleges hallókéregbe (Brodmann area 41) lokalizálták, Engelien és munkatársai (Engelien és mtsai, 2000) pedig a másodlagos hallókérgi területet tartják az N1 generátorának. Több szerző azt is kimutatta, hogy az N1 ekvivalens dipóljának helye, illetve orientációja függ az inger frekvenciájától, ami arra utal, hogy a komponens generálásában tonotópiásan organizált sejtpopulációk vesznek részt.

12

Intrakortikális sejtaktivitás vizsgálatával igazolható, hogy a macska hallókérgében hanginger adását követően legkorábban az AI areában mutatható ki tüzelés 8-12 ms latenciával. Ezután az aktivitás átterjed az AII-re, ahol legkorábban 4-8 ms késéssel, 16 ms körül mutatható ki sejttüzelés. Ezt a 16 ms-os „sejtkisülési csúcsot” egy harmadik követi a 16-32 ms-os időtartományban, mely – akárcsak a 16 ms latenciájú – mindkét területen detektálható. Ennek a három időben és térben is elkülönülő sejtaktivitásnak a mezőpotenciál korrelátuma három pozitív hullám, melyek átlagosan 12, 17 és 23 ms-os csúccsal, amelyek Starr és Farley vizsgálatai szerint (Starr és Farley, 1983) a humán középlatenciájú komponenseknek felelnek meg. Ezek a komponensek a macska hallókérgének primer AI és szekunder AII areája felett regisztrálhatók maximális amplitúdóval, és tonotópiás eloszlást mutatnak. Az 50 ms körüli amplitúdómaximummal jelentkező N50 valószínűleg a humán N1-nek megfelelő negatív polaritású hullám, bár macskán az N1 hullám azonosítására vonatkozóan alig van irodalmi adat. Juckel és munkatársai kimutatták az N50 komponens intenzitásfüggését. A 100 ms körül regisztrálható P100 valószínűleg ugyanúgy „vegyes komponens” mint az N1, latenciáját és amplitúdóját mind az inger fizikai jellemzői, mind kognitív tényezők – mint például a figyelem – befolyásolják. Úgy tűnik, hogy a humán P2-nek felel meg .

III. 2.3. Az akusztikus eseményhez-kötött válasz endogén komponensei A tisztán endogén akusztikus EKP komponensek közé soroljuk az eltérési negativitást, (EN) valamint a P3 hullámot. Egyre több, általában még nagyobb latenciájú komponenst sorolnak ide, ezekkel azonban jelen dolgozat keretén belül nem foglalkozom, ugyanis a később leírandó kísérleti modellhelyzetben macskán ezek a komponensek nem voltak azonosíthatók. Az eltérési negativitás (EN), amelyet elsőként Näätänen és munkatársai írtak le 1978-ban, egy olyan akusztikus EKP komponens, mely akkor jön létre, ha egy azonos ingerekből álló sorozatban eltérő inger jelenik meg, illetve ha az akusztikus ingerlés valamilyen repetitív tulajdonságában változás áll be (Näätänen és mtsai, 1987). Az EN-t funkcionális szempontból egyrészt összefüggésbe hozzák az akusztikus szenzoros memória működésével, másrészt figyelmi folyamatokkal. Az ún. memórianyom (memory trace) hipotézis szerint az egymást követő gyakori ingerek a szenzoros memóriában létrehoznak egy memórianyomot, amely tulajdonképpen az inger neurális reprezentációja. Ha egy beérkező inger az előzőektől eltér (ún. deviáns inger), és ennek a neurális nyomnak nem felel meg, létrejön az EN. Ezt a paradigmát, melyben több azonos ingert egy eltérő követ, „oddball” paradigmának nevezzük. Näätänen szerint az EN egy korai, automatikus összemérési folyamatot tükröz a hallórendszerben, amely figyelmi, azaz magasabbrendű kognitív folyamatok nélkül is létrejön. Kísérleti bizonyítékok vannak arra vonatkozólag is, hogy ez az automatikus összemérési folyamat, melyet az EN tükröz adatokat szolgáltat a figyelmi folyamatokhoz, lényegében „beindítja” a figyelmi információfeldolgozás bizonyos aspektusait. Tiitinen és munkatársai kimutatták, hogy az EN latenciája

13

összefüggésben van az akusztikus környezeti ingerek változására adott viselkedéses válasz időzítésével, a reakcióidővel (Tiitinen és mtsai, 1994). Az EN emberben legnagyobb amplitúdóval a frontális elvezetésekben jelenik meg, latenciája 150-200 ms. Tiitinen és munkatársai sokcsatornás magnetométer segítségével végeztek az EN ekvivalens dipóljának meghatározására irányuló kutatásokat, amelyek arra a következtetésre vezettek, hogy az EN a szupratemporális síkon, a hallókéregben keletkezik és generátormechanizmusa az N1éhez hasonlóan frekvenciafüggő. Ezek a vizsgálatok az N1m és az EN dipóljainak térbeli viszonyára is rávilágítottak: az EN az N1m ekvivalens dipóljához képest mintegy 7-10 mm-rel előrébb keletkezik a szupratemporális síkon. Hasonló eredményre vezettek más szerzők magnetoencefalográfiás vizsgálatai is, amelyek szintén a hallókéregbe lokalizálták mind az N1m, mind az ENm ekvivalens dipólját. Több szerző felvetette, hogy az EN, illetve annak szubkomponense nem csupán a hallókéregben, hanem a kéreg frontális régióiban is keletkezhet. Ezt a feltételezést a későbbiekben számos vizsgálat alátámasztotta skalp áramforrás-sűrűség (scalp current density; SCD) térképek elemzésével és képalkotó eljárások alkalmazásával. Az EKP vizsgálatok azt sugallják, hogy a frontális EN generátor időben később aktiválódik, mint a hallókérgi. Míg a fent leírtak szerint az EN valószínűleg automatikus ingerfeldolgozási folyamatokat tükröz, a P3 – mely minden bizonnyal a legtöbbet tanulmányozott EKP komponens – egy aktív figyelmi folyamatokat tükröző komponens. Kétfajta P3 hullámot különböztetünk meg – P3a és P3b – melyek hullámalakjukban (latencia, amplitúdó), kiválthatóságukban, és topográfiájukban is különböznek. A P3a („novelty P3”) a két hullám közül az általában kisebb amplitúdóval és rövidebb latenciával jelentkező, amely frontocentrálisan mutat maximumot a humán skalpon. Ez a komponens olyan ingerek hatására jelenik meg, amelyet a kísérleti személy még soha nem tapasztalt (általános újdonság), vagy ha egy egyébként ismerős inger egy specifikus kísérleti szituációban ritkán, nem várt módon jelenik meg (epizodikus újdonság). Tulajdonképpen ebből következik, hogy e komponens esetében gyors habituációt figyeltek meg, ami azt jelenti, hogy ugyanannak vagy hasonló ingernek a gyakori ismétlődése esetén a komponens nem váltódik ki. A P3a időben az EN után jelenik meg átlagosan 200-400 ms-os latenciával, és e két komponens megjelenésével általában együtt jár az N1 anplitúdónövekedése is. A P3a komponens hátterében egy újdonság-detekciós mechanizmust feltételeznek. Az újdonság detekciója akaratlan figyelmi átkapcsolást eredményez, és az ezt tükröző P3a-t az orientációs válasz részének tartják, amely elősegíti az esemény fontosságának kiértékelését, szükség esetén tudatosulását, s ezáltal az adaptációt, a környezethez való aktív alkalmazkodást. Fokális léziós tanulmányok eredményei szerint a dorzolaterális prefrontális kéregben, a temporoparietális junkcióban vagy a hátsó hippocampális régióban lévő léziók esetén a P3a csökkent amplitúdóval vezethető el. Az intrakraniális elvezetések szintén azt fedték fel, hogy a P3a-t több agyi régió működése hozza létre. Ezek a tanulmányok generátort mutattak ki a dorzolaterális prefrontális, az orbitofrontális, a temporális és a parietális kéregben, a cingulumban, valamint a gyrus

14

parahippocampalisban. A P3a mágneses megfelelőjét (P3am) vizsgálva arra az eredményre jutottak, hogy a P3a fő generátorai a mediális temporális lebenyben és a frontális lebenyben találhatók. Alho és munkatársai

magnetoencefalográfiás vizsgálatukkal azt találták, hogy a szupratemporális síkon

található hallókéreg nagymértékben hozzájárul a P3a generálásához, de valószínűleg más források is részt vesznek a létrehozásában. A P3b egy figyelmi folyamatokat igénylő, kognitív kiértékelő folyamat eredménye, amely az inger modalitásától függetlenül kiváltódik, és maximális amplitúdóval a parietocentrális skalpon jelenik. Ez a komponens – csakúgy, mint az EN - szintén az oddball paradigma segítségével tanulmányozható, de a kísérleti személy itt feladatot is kap: például a ritka ingerek megjelenésekor meg kell nyomnia egy gombot vagy számolnia kell ezeket. Minél nehezebb vagy komplexebb a feladat, a P300 latenciája annál hosszabb, 250 ms-tól akár 1000 ms-ig változhat. Ugyancsak befolyásolja amplitúdóját és latenciáját a gyakoriság, de nem olyan mértékben, mint a P3a esetében. Ez azt jelenti, hogy ha 50%-os arányban található egy paradigmában a figyelt inger, akkor is kimutatható. A P3a-tól abban is különbözik, hogy nem habituálódik. Igen sok kitűnő összefoglaló cikk foglalkozik a P3b pszichológiai kísérletekben és klinikai vizsgálatokban való felhasználhatóságával, melyeket jelen dolgozat keretein belül nem részletezek. A P3b eredete után kutatva a kutatók többek között intrakraniális vizsgálatokat végeztek emberben. Valószínű, hogy akárcsak a P3a esetében, többszörös generátort kell feltételeznünk, mely magába foglalja a hippocampust, valamint a parietális és frontális lebeny kérgének egyes (főként asszociációs) részeit. Erre utalnak az újabban végzett fMRI vizsgálatok is. Az endogén EKP komponensek analógjainak kutatása macskában különösen nagy kihívás, hiszen - ellentétben a korai exogén komponensekkel - ezek altatásban nem jelennek meg, csak viselkedő állaton tanulmányozhatók. Az EN-t állatkísérletes modellhelyzetben elsőként macskán mutatták ki. Csépe és munkatársai éber macska hallókérgében, hippocampusában és corpus geniculatum medialejában demonstrálták a frekvenciaváltozás által kiváltott EN-t (Csépe és mtsai, 1987). Ezek a kísérletek arra az eredményre vezettek, hogy az EN ébrenlétben és lassúhullámú alvásban egyaránt elvezethető. Legnagyobb amplitúdóval az AII területének rostroventrális része felett jelenik meg, jól elkülönülve az exogén komponensek amplitúdómaximumától topográfiás térképeken. Latenciáját a kutatócsoportok eltérően határozták meg 40 ms-tól 80 ms-ig. Intrakortikális vizsgálatok segítségével az is megállapítást nyert, hogy macskán az EN a hallókéreg szupragranuláris rétegeiben zajló diszinhibíciós folyamatra vezethető vissza, ami azt jelenti, hogy a szenzoros kérgi neuronok egy csoportja az ismétlődő (standard) ingerek során gátlás alatt áll. Az eltérő (deviáns) inger hatására az inhibíció megszűnik, és EN generálódik a gátlás alól felszabadult neuronok által. A macskában a humán P3-nak megfelelő hullámot kevesen tanulmányozták. Legelső leírója Wilder és munkatársai akik aktív oddball pardigmát használtak kísérleteikben, tehát a humán P3b megfelelőjét tanulmányozták (Wilder és mtsai, 1981).

Azt is kimutatták, hogy a gyakorisággal

fordított arányban változott eme pozitív komponens amplitúdója, akárcsak emberben. Leírták hogy a

15

P3b macska analógjának topográfiája a deviáns inger modalitásától független, és a vertex felett mutat amplitúdómaximumot. A komponens latenciája 200 és 300 ms között volt az ő és később mások kísérleteiben. Harrison és munkatársai kimutatták, hogy a P3 macska analógja ugyanúgy korfüggő változásokat mutat, mint emberen (Harrison és mtsai, 1986, 1990). Başar-Eroğlu és Başar kísérleteikben passzív oddball paradigmát használva leírják, hogy a macska hippocampusában a P3 idején jól detektálható 40 Hz-es oszcilláció is megjelenik (Başar és mtsai, 1991). A P3 generátora után kutatva mélyelektródás vizsgálatokban és ablatiós kísérletekben mind a septumban, mind a hippocampusban találhattak a P3 képzéséhez nélkülözhetelen generátorokat. Az emberben leírtakkal szemben macskában az asszociációs kéreg szerepe csekélyebbnek tűnik a P3 genezisében, de egyes kutatók hangsúlyozzák a gyrus marginalis és suprasylvius szerepét.

IV. Műtéti eljárás, elvezetési metódus IV. 1. Elektródák Az MTA Pszichológiai Kutatóintézetében folytatott kísérletek során három típusú szövetbarát elektródát használtunk: Rétegelektróda: 24 elvezetési kontaktus található rajta, az egyes csatornák között 100 mikrométer távolság van. Az elektróda vastagsága 350 mikrométer, benne 24 db polyimide szigetelt platina-irridium drót fut, amelyek egyenként 25 mikrométer vastagságúak, és ezek átmetszett része adja az elvezetési kontaktust. A rétegelektróda a 4. ábrán látható. Az 5. ábrán a térbeli elhelyezkedését mutatom be. „Fine wire” elektróda: Polyimid szigetelésű platina-irridium drótok, melyek egycsatornás elvezetést tesznek lehetővé. A végükről a szigetelést lekaparva kapjuk az elvezetési kontaktust. Átmérőjük 25 mikrométer. „Wire” elektróda: 0.23 mm átmérőjű acélból készült „makroelektródok”, melyekkel az agykéreg felszínéről vezetjük el az aktivitást.

4. ábra: Rétegelektróda

16

5. ábra: A rétegelektróda térbeli elhelyezkedése

IV. 2. Az elektródák implantálása A kísérletekhez használt macskák a Szegedi Egyetemtől – kifejezetten erre a célra tenyésztett állatok közül – származtak, a kísérletek a Fővárosi Állategészségügyi és Élelmiszerellenőrző Állomás jóváhagyásával történtek. A macskáknak a műtéti időszakot megelőzően különböző reflexeket tanítottunk be, amelyeket az állatok nagyrésze jutalmazás hatására könnyen megtanult. A reflexek során különböző fény vagy hanginger hatására az állatoknak meghatározott feladatot kellett végrehajtaniuk. A műtét után a reflexekhez kötött kiváltott válaszok értékes adatokat szolgáltattak az agyi struktúrák vizsgálatához. A kísérleti macskáknál krónikusan beültethető implantátumokat használtunk. A műtét előtt barbituát származékkal, Nembutállal (40 mg/kg i.p.) altattuk őket, a műtét után pedig antibiotikumot (Cobactant) kaptak. A műtét közben a testhőmérsékletet és a légzési szaporaságot monitoroztuk. A macska stereotaxiás agyi atlaszának (Snieder és Niemer, 1961) segítségével meghatároztuk az elektródák kívánt pozícióját, majd stereotaxiás készülék segítségével témavezetőnk, Dr. Karmos György professzor úr implantálta ezeket. Az elektródák pontos helyének meghatározásához szükség volt a műtét alatti agyi aktivitás monitorozásához is. Ez alatt azt értem, hogy ahhoz, hogy az adott agyi struktúra megfelelő pontjára tegyük az elektródát, időnként el kell vezetni az ottani aktivitást és kiértékelni, hogy valóban jó helyen járunk-e. Utóbbit konzulensem, Dr. Ulbert István által fejlesztett mintavevőrendszerrel valósítottuk meg. A megfelelő helyek megtalálása után az egyes elektródákat acrylattal rögzítettük a

17

koponyacsonthoz. A műtétet körülbelül tíznapos lábadozási időszak követte, ezután kezdődhettek a kísérletek.

6. ábra: A műtét közben készült felvételen négy darab, egycsatornás, implantált elektróda látszik.

IV. 3. Elvezetési metódus A dolgozatban a 220-as számú macskákról elvezetett adatokból nyert eredményeket mutatom be, de a négy macskán elvégzett kísérletek mindegyike ugyanazt az eredményt mutatta. Az elvezetett csatornák sorrendje a következő: 220 (Bíbor): 1-24 csatornák: Rétegelektróda csatornái 25-32 Jobb hallókéreg 33-38: Bal hallókéreg 39: Jobb motoros kéreg 40: Jobb látókéreg 41-42: Jobb Hippocampus 43-44: Bal Hippocampus 45-46: Electrooculogram (jobb és bal) 47-48: Nyaki izom aktivitás (jobb és bal) 49: Indifferens csatorna 50: Föld Az agyhullámok megfelelő minőségű rögzítéséhez szükséges a jelek előerősítése. Az előerősített jeleket differenciálerősítővel erősítjük és szűrjük, majd A/D kártyával és a konzulensünk által fejlesztett „LabView” alapú mintavevővel digitalizáljuk. Az átalakítás során kétféle szűrési eljárás következményeként egy időben kétfajta jel jön létre. Az egyiket [email protected] fájlnak nevezzük, és a mezőpotenciált tartalmazza; a másikat [email protected] – nek és a „multiunit” aktivitást tartalmazza. Utóbbit a neuronális szinten történő „sejttüzelést”, az egyes sejtek aktivációját adja meg. Mindkettő folytonos fájl, mégis alapjában véve különbözőek a szűrési folyamat miatt. A mezőpotenciál esetén a bemenő analóg jelet 0.1-500 Hz-es sáváteresztő szűrővel szűrjük, és 2 kHz-es mintavételi frekvenciával mintavételezzük; míg a multiunit aktivitást 300 Hz – 5 kHz – es sáváteresztő szűrővel szűrjük, és 20 kHz-el mintavételezzük (Ulbert, 2001). A sokcsatornás jelek ezek után megjeleníthetők a NeuroScan C++ alapú programcsomaggal vagy a későbbiekben bemutatandó, általunk fejlesztett MCFA-val.

18

V. Matematikai áttekintés Lényeges, általunk sokat használt jelfeldolgozási módszer a koherencia vizsgálat, a Fourier- és Wavelet- analízis. Ezek matematikai hátterét ebben a fejezetben röviden ismertetem.

V.1. Koherencia Legyen Kxy az x és y jel koherenciája, amely egyenlő az átlagos keresztteljesítmény spektrummal, a Pxy- nal, amely normalizált a jelek átlagolt teljesítmény spektrumával: Kxy = | Pxy |2 / (PxxPyy). A koherencia megméri két jel közötti lineáris összefüggés erősségét minden frekvencián. Mértéke 0 és 100% között változhat és megadja annak fokát, hogy a fázisok egy általunk kiválasztott frekvencián mennyire szétszórtak. Kxy = 0 azt jelenti, hogy a fázisok random módon szétszórtak az összes epoch között. Kxy = 100% pedig azt jelenti, hogy az x és y jelek fázisai megegyezők minden epochban, például két szignál teljesen fáziszárt azon a frekvencián. Ez a szimmetrikus mérés az EEG epoch-ok kollekciójából van számítva, amelyeket folyamatos, ún. „nyers” CNT fájlból mintavételezünk.

V.2. Fourier analízis Az idő- frekvencia analízis főszerepet játszik a jelek viszgálatában. A Fourier transzformáció segítségével vizsgálhatjuk egy jel frekvencia komponenseinek aktivitását. Tegyük fel, hogy az f : IR → IR valós függvény kielégíti az alábbi feltételeket: 1. Tetszőleges I eleme IR véges intervallum esetén f leszűkítése az I intervallumra véges sok pontot kivéve kétszer folytonosan differenciálható. 2. Ha x0 szakadási hely, akkor ez a szakadás elsőfajú, és itt a függvényérték:

3. Feltesszük, hogy

19

A Fourier transzformáció egy olyan operátor, mely egy fenti tulajdonságokkal rendelkező f valós függvényhez hozzárendel egy (általában komplex értékű)

függvényt.

Ha f teljesíti a fenti 1.-2.-3. feltételeket, akkor definiáljuk az alábbi

: IR → C

függvényt:

Ezt a függvényt

az f függvény

Fourier transzformáltjának nevezzük. A Fourier transzformált jelölésére szokás még ezt használni:

Fast Fourier Transzformáció (FFT) A digitális számítógépek, valamint a digitális méréstechnika elterjedése újabb lökést adott a Fourier transzformáció alkalmazásának. A digitális számítógépek azonban lényegüket tekintve nagyon lomha, lusta rendszerek, mivel az aritmetikai műveleteket mindig logikai alapműveletekre vezetik vissza. Különösen vontatottak a szorzások végzésében. A Fourier transzformáció pedig igen sok szorzást igényel: a mátrix koncepcióból eléggé nyilvánvalóan következik, hogy N szám transzformációjához N2 szorzás szükséges. Egy 1000 mérési pontot tartalmazó adatsor DFT-je tehát egymillió szorzást igényel, ami a jelenlegi (átlagos) gépsebességek mellett több/sok másodperces műveleti időt igényel. A Fourier transzformáció számítási idejét az 1965-ben amerikai matematikusok (Cooley és Tukey, 1965) által kidolgozott algoritmus (CT) csökkentette radikálisan, később pedig Winograd (Winograd, 1978) lépett elő egy új eljárással. A CT - Fast Fourier Transformation alapgondolata eléggé kézenfekvő: N pont DFT-je N2 szorzást igényel. Ha az adatokat két egyforma részre bontjuk, akkor a két rész külön-külön transzformációja 2 (N/2)

2

szorzásba kerül. Ha a két transzformáció részeredményei könnyen

összekombinálhatók, akkor érdemes ezt az utat választani. Az is nyilvánvaló, hogy N-et célszerű 2 egész kitevőjű hatványának választani, hogy a szorzásspórolás jótéteményéből többszörösen részesedhessünk.

V.3. Wavelet analízis A jelfeldolgozás során használt jeleknek sokszor vagy az amplitúdó-frekvencia vagy az időamplitúdó leírását használjuk. Egy ilyen leírás megadja a mért jel amplitúdójának időfüggését - a jellemző frekvenciákról ilyenkor nem tudunk semmit, azok vizsgálatához át kell térnünk a frekvenciatérbe.

20

A Fourier transzformációval a frekvencia-térbeli leírás pontosan megadja a jelsorozatot létrehozó szinusz és koszinusz függvények amplitúdó- és fázisértékeit, de semmit nem mond a jel időbeli

változásairól

(pl.

a

jellemző

időbeli

frekvenciák

változásáról).

Erre jó példa egy rövid Dirac-delta jellegű impulzus Fourier-transzformáltja, amely nagyon sok, körülbelül ugyanolyan amplitúdójú szinusz és koszinusz hullámból áll. A hullámok fázisai pontosan úgy állnak, hogy az impulzus előtt és után a hullámok kioltják egymást, de a megfelelő időpontban az impulzus megjelenik. A Fourier-térben nem lehet közvetlenül megmondani az impulzus előfordulási idejét. A wavelet transzformált a rögzített, a csak idő- vagy a csak frekvenciakép közötti leírás. A wavelet transzformáció segítségével a jelek időbeli (vagy térbeli) és a frekvenciatartománybeli analízise egyszerre hajtható végre, így egy éles változás a frekvenciaspektrumban annak előfordulási idejével együtt, egyszerre határozható meg. Egy wavelet a frekvencia-idő síkot ∆f *∆t méretű cellára bontja. Ebben a térben a szokásos idő- és frekvenciatartománybeli ábrázolás egy olyan speciális felbontásként fogható fel, amikor az adott cella egyik irányban végtelen kiterjedésű lesz (pontosabban lefedi a teljes megfigyelt spektrumtartományt ill. az egész megfigyelési időt) (7. ábra).

7. ábra: Egy adott jelre jellemző területek a frekvencia-idő síkon (Csákány és Bagoly)

21

Természetesen a fázissíkon végtelen számú felbontással kísérletezhetünk. A waveleteket ezek közül az emeli ki, hogy miközben frekvenciájuk viszonylag jól meghatározott, eközben időbeli (térbeli) helyzetük is korlátozott. Ez a két feltétel - a kvantummechanikai határozatlansági relációhoz hasonló elvi okok miatt - nem elégíthető ki tetszőleges pontossággal egyszerre. A jeleket ún. ortogonális bázisfüggvények szerint fejthetjük ki. Ha ezek a Dirac-delta függvények, akkor a szokásos amplitúdó-idő leíráshoz jutunk, ha ezek a szinusz és koszinusz függvények, akkor ez a Fourier leírás. A 8. ábrán e két leírás mellett más lehetséges waveletbázisok néhány alapfüggvényét tüntettem fel.

8. ábra: Különböző jelek leírására használható bázisfüggvények alakja (Csákány és Bagoly)

Az ábrákon a 0, 1, 2, 3 jellel jelölve a 0-128 időintervallumban választható függvények különböző tagjai láthatóak: az amplitúdó bázis a szokásos amplitúdó-idő leírást jelenti (ennek bázisfüggvényei a Dirac-delták). A Haar bázis az ún. Haar függvényekből, a Walsh bázis a Walsh függvényekből áll. A wavelet csomag bázis a DAUB4 (Daubechies) függvényeket használja, a helyi szinusz bázis alapja egy adott frekvenciájú, de időben Gauss-függvénnyel korlátozott idejű szinuszjelcsomag. A Fourier bázist különböző amplitúdójú szinusz- és koszinuszfüggvények alkotják.

22

A wavelet transzformációk alapstruktúrája rekurzív szűrésekből és (az FFT CT algoritmusánál is megismert) páros-páratlan tagok szétválogatásából áll. A waveletek viszonylag alacsony (az FFTvel összemérhető) számítási kapacitást igényelnek. A diszkrét wavelet transzformáció (DWT) az FFThez hasonlóan egy olyan gyors, lineáris szorzási művelet, amely a 2N méretű bemenő vektort (adatsort) egy ugyanilyen méretű kimeneti vektorba transzformál át. Ezért mind az FFT, mind a DWT egy forgatásnak fogható fel az amplitúdó-idő doménból a frekvencia-idő térbe, és mindkettő egy-egy mátrix segítségével is megadható (Csákány és Bagoly, ELTE Egyetemi jegyzet).

VI. Számítógépes analízis VI. 1. Szoftverek Az EEG készülékkel rögzített analóg bioelektromos jelek A/D konverzió után kerültek a számítógép winchesterére. Az eseményhez-kötött potenciálok (EKP) átlagolása, az adatok feldolgozása és a potenciáleloszlási térképek készítése részben a Neuroscan® Edit programcsomag segítségével, részben a bevezetőben említett két saját fejlesztésű MATLAB® alapú programcsomag segítségével történt. Legelőször a nyílt forráskódú, ingyenesen letölthető Matlab alapú EEGlab programcsomagot (http://sccn.ucsd.edu/eeglab/) használtuk, amely grafikus felhasználói környezettel rendelkező, elektrofiziológiai adatok analízisére szolgáló szoftver. A program sok funkciója közül számunkra a leginkább hasznos az EEG regisztrátum egy kiválasztott csatornáján végrehajtható Fourier- vagy Wavelet- analízis. Ezzel – egy csatornára – az Event Related Spectral Perturbation (ERSP), valamint az Inter Trial Coherence (ITC) is megbízhatóan kiszámítható. Dombovári Balázzsal készítettük a Multiple Channel Frequency Analysis (MCFA), Matlab alapú programcsomagot, amely Fourier vagy Wavelet analízisét tudja kiszámítani sok csatornának egy időben, amelynek eredményét egy kezelőfelületre teszi, ezáltal könnyítve meg az elvezetett sokcsatornás jelek idő-frekvencia teljesítményeinek nyomonkövetését, összehasonlítását. Többféle idő-frekvencia elemzési módszert építettünk be, amelyeket a következőkben részletesen fogok bemutatni. Az MCFA ezen kívül jól használható koherencia, komoduláció vizsgálatára; jelteljesítmény-analízisre, áramsűrűség-eloszlás (Current Source Density: CSD) vizsgálatára, különböző frekvenciájú hangsorozatok által kiváltott potenciálok elemzésére, valamint sokcsatornás EEG- vagy CNT-jel megtekintésére. Az MCFA programon kívül kifejlesztettük a Waveplot szintén Matlab alapú- programot, amely a folytonos jelek komponenseinek real-time idő-frekvencia analízisét teszi lehetővé. Segítségével az x.cnt fájl bármely csatornáján végigmenve - az általunk kiválasztott időablakkal lehetőséget kapunk a jelfolyamban található rövid időegység alatt bekövetkező változások időfrekvencia analízisére is, vagyis a jelben található fontos komponensek idő-frekvencia térképét ennek segítségével könnyedén meghatározhatjuk.

23

Az említett Neuroscan és NeuroEdit szoftverekkel az MTA-Pszichológiai Kutatóintézetében dolgozhattam. A NeuroScan sokféle funkcióval rendelkező szoftvercsomag, amelyet agyi aktivitás felvételére és feldolgozására fejlesztettek C++ -ban. Fejlesztése 1986-tól folyamatos, de számos olyan funkció van, amely számunkra nélkülözhetetlen és ebben nem található meg, vagy nem az általunk kívánt formában használható. Ilyen - többek között - a beépített, kezdetleges idő-frekvencia analízise is. Jó idő-frekvencia analízist végző szoftverrel az EEGlab-on kívül kevéssel találkoztam, egy volt csak, ami reményt keltett bennem. Egyrészt azért, mert jónéhány agyi aktivitást elemző szoftver funkciói között ez nem szerepelt, másrészt ha be is volt építve egy adott szoftverbe, az nem a számunkra megfelelő módon működött. Ez utóbbira példa a NeuroScan, ahol a paraméterek nem állíthatók, valamint az ábrázolási forma sem a megkívánt „hőtérkép”, hanem grafikon. Ez utóbbi ára körülbelül 10. 000 dollár, hasonlóan a többi nagy cég által forgalmazott termékhez. Problémát jelent az is, hogy a különböző cégek termékei sokszor csak a saját mintavételezőjükkel felvett fájlok adatformátumát támogatják, így az esetünkben – saját fejlesztésű mintavételezővel - felvett jel nem kompatibilis azokkal. A tudományos folyóiratok cikkeihez idő-frekvencia analízist végző programok nagy része saját fejlesztésű, Matlab alapú, de ezek - érthető okok miatt – nem elérhetők az adott kutatócsoport tagjain kívül. Lehetőségem volt még a Matlab- ban eredetileg rendelkezésre álló Wavelet és Fourier függvényeket kipróbálni, de ezekkel nem kaptam pontos eredményeket, ezért nem is használtam őket a későbbiekben. A NeuroGuide (http://www.appliedneuroscience.com/) próbaváltozatával sem voltam megelégedve, mert sem az ábrázolási forma, sem a kizárólagos egycsatornás megjelenítése sem kielégítő. Ezek után meglepetést okozott a Borland Delphi-ben Windows

operációs

rendszerhez

fejlesztett

LetsWave

programcsomag

(http://www.md.ucl.ac.be/nefy/facecatlab/mouraux/letswave/ letswave_main.htm), amelyet személyes utánjárással sikerült aktiváltatnom. Ez mind megjelenítésben, mind a funkciók sokszínűségében hozta azt, amit szerettem volna, és ráadásul ingyenesen letölthető. Problémát csak az jelent, hogy az általa használt adatformátum más, mint amit mi rögzítünk a mintavételezőnkkel, így a felvételeink nem analizálhatók vele.

VI. 2. Az MCFA program bemutatása A „Multiple Channel Frequency Analyser” funkcióinak segítségével hatékonyabban vizsgálhatjuk a generátorstruktúrákat, olyan összefüggéseket deríthetünk fel, amely szabad szemes vizsgálódáskor nem láthatók a jelben. Így nemcsak az idő-frekvencia analízisét tudjuk megnézni egy jelnek, hanem a jelek idő-frekvencia és fázis változásainak folyamatát videón is követhetjük, vizsgálhatjuk a komodulációt, a CSD térképet valamint a Variable Inter Stimulus Interval paradigmát (VISI) feldolgozó segítségével a hallókéreg különböző frekvenciájú ingerekre adott válaszaiból is fontos következtetéseket vonhatunk le. Ezeken kívül a különböző statisztikák számítása mellett az

24

elvezetett jelek megjelenítésére is módunk van. A funkciók részletes leírását ebben a fejezetben ismertetem. A következő fogalmak megértése az idő-frekvencia analízis számításánál rendkívül fontosak: ERSP: Event Related Spectral Perturbation: eseményhez kötött potenciál spektrális perturbációja. Megmutatja az EKP- nál kialakult teljesítményváltozásokat (Delorme és Makeig, 2004). ITC: Inter Trial Coherence: az ’epoch’-ok közötti koherencia mértékét mondja meg. Segítségével megmutatható, hogy az ERSP térképen kapott eredmény mennyire azonos az összes epoch-ot tekintve. Ahol az ITC térképen a koherencia értéke magas, ott az összes epoch-on hasonló jelteljesítmény található (Delorme és Makeig, 2004).

VI. 2. 1. Az MCFA működése, funkciók Az MCFA legújabb verziója feltételezi a Matlab 7-es változatának rendelkezésre állását a számítógépen. Parancssorból indítva a következő kezelőfelület jelenik meg (9. ábra):

9. ábra: Az MCFA kezelőfelülete

A dolgozat e fejezetében a szoftverben található menüket és almenüket hierarchikus sorrendben fogom tárgyalni az esetlegesen odatartozó biológiai és jelfeldolgozási fogalom ismertetésével. A szemléltető ábrák nagyrésze ugyanabból a mintafájlból készült, az egy csatornás ábrázolások az egyszerűség kedvéért mindig a nyolcas csatornát mutatják. FILE menü: -

Open NeuroScan AVG file: A NeuroScan-ben átlagolt fájlok betöltése

-

Open NeuroScan CNT file: A rögzített, „nyers” CNT fájlok betöltése

-

Open NeuroScan EEG file: A NeuroScan-ben EEG-vé alakított (epoch) fájlok betöltése

25

-

Load Sweeps for Loadeeg: Az EEG fájlok betöltésénél megadhatjuk a betölteni kívánt „sweepek” számát egy –tól –ig korláttal.

-

Load Dataset:

Dataset beolvasása

-

Save Dataset:

A betöltött adat dataset-ként elmentése

-

Quit:

Kilépés a programból

A CNT fájl folytonos adatfájl, amely header résszel és adat résszel is rendelkezik. Nem más, mint az analóg jel szűrt és diszkretizált változata, amely a IV.3. alfejezet végén ismertetettek alapján tartalmazhatja a multiunit vagy a mezőpotenciál aktivitásokat. A folytonos fájl nagy méretű, sok csatorna aktivitását tartalmazza. A NeuroScan szoftverrel sokféleképpen dolgozhatjuk fel a CNT fájljainkat és hozhatunk létre a mezőpotenciált tartalmazó CNT-ből úgynevezett EEG fájlokat. Az EEG időablakokban (sweep vagy epoch) tartalmazza az eredeti CNT aktivitást, például egy 20 szekundumos CNT-t 4 darab 5 szekundumos sweepre bontva szét. Ez természetesen eseményekhez párosított időablakok kialakítását jelenti. Az EEG egyes sweepjeiben található aktivitásokat átlagolva kapjuk meg az AVG (average) fájlokat, ami az összes sweep alapján képezett jelátlagot tartalmazza. TOOLS menü: Time-Frequency Analysis almenü: -

Multiple Channel Frequency Analysis: az idő-frekvencia analízist több csatornára nézve a következő oldalon látható paramétereket adhatjuk meg:

26

Csatornák száma

Az időablak minimuma (ms) Az időablak maximuma (ms) Wavelet / Fourier transzformáció ( 0=FFT) A hőtérkép minimuma A hőtérkép maximuma Számításba vett legnagyobb frekvencia (Hz) Az eredmény ábrázolása dB-ben vagy µV-ban Felbontás finomítása Szignifikancia szint (alapból nem definiált) Alapvonal kezdőpontja (ms) Alapvonal végpontja (ms)

27

A többcsatornás idő-frekvencia analízist a megfelelő paraméterekkel beállítva kapjuk a csatornánkénti idő-frekvencia analízisek térképeit (10. ábra), valamint a különböző csatornák frekvencia-átlagteljesítmény grafikonjait (11. ábra). A frekvencia-átlagteljesítmény grafikonokat egy ablakban is ábrázolhatjuk (12. ábra).

10. ábra: Az MCFA-val 21 csatornára számított idő-frekvencia analízis eredménye. Az x tengely az időt, az y a frekvenciákat ábrázolja. A hőtérképek jobb oldalán szerepel a dB szerinti színskála. A piros szín teljesítmény növekedést, a kék teljesítmény csökkenést jelez az adott időpontban az adott frekvencián.

28

11. ábra: Az átlagteljesítmények (dB) csatornánként a frekvencia (Hz) függvényében

12. ábra: A csatornánkénti átlagos teljesítmények (dB) a fekvencia függvényében egy ablakban.

29

Az ábrán bármely csatorna frekvencia térképére kattintva megnézhetjük nagyított változatát, bele is nagyíthatunk, valamint az egy időponthoz vagy frekvenciához tartozó teljesítményeket pontosan ki is olvashatjuk (13. ábrán fehér négyzet).

13. ábra: Idő-frekvencia analízis egy csatornára (8-as csatorna)

-

Multiple Channel Inter Trial Coherence: több csatornára számítja ki az ITC-t, ami nem más, mint az eseményhez kötött fázis koherenciája, vagyis lineáris koherenciája az EEG jelnek az eseményt jelző fázis függvénnyel (utóbbi lehet Dirac függvény vagy koszinusz függvény a „time-locking” esemény központjában). Paraméterezése hasonlít az időfrekvencia analízisnél bevezetetthez, azzal a különbséggel, hogy itt nincsen értelme beépíteni a dB-ről µV-ra való átváltás lehetőségét, mivel az a koherencia szintjén nem változtat. Eltérés továbbá, hogy itt az ábrázolási módok közül választható bővített változat,

ami

nemcsak

az

ITC

térképet,

hanem

a

csatornánkénti

időbeli

teljesítményváltozást és a frekvenciasávonkénti átlagos koherenciától való eltérést is mutatja. Ezt részletesen be fogom mutatni az egycsatornás ITC analízisnél. Az ITC térkép koherenciát ábrázol, ezért 0-1 között változnak az értékek a hőtérképen. Nullánál értelemszerűen nem beszélhetünk fáziskoherenciáról, ezek a helyek zöld színnel vannak feltűntetve, míg 1-nél teljesen koherens a két jel, melyet piros szín jelöl (14. ábra).

30

14. ábra: Az MCFA-val 21 csatornára számított Multiple Channel Inter Trial Coherence (ITC)

Mind az ERSP, mind az ITC számításánál sokféle paraméter állítható be, amelyeknek helyes értéke legkönnyebben tapasztalati úton sajátítható el. A sokcsatornás analízis mellett lehetőség van az egycsatornás ERSP és ITC analízisekre is. Ezek szintén jelentős vizsgálati eszközök, a szoftver menürendszerében azért lett alacsonyabb szintre helyezve, mert ritkábban használjuk, mint a sokcsatornás változatot.

-

Single Channel ERSP: egycsatornás ERSP vizsgálat. A sokcsatornás változathoz képest a paraméterezésében nincsen különbség. A megjelenítésnél a hőtérkép alján nyomon követhetjük a legalacsonyabb és legmagasabb átlagteljesítmények értékeit az idő függvényében (alsó grafikonon a kék és zöld görbék), valamint az átlagteljesítményeket a frekvencia függvényében a hőtérkép bal oldalán (15. ábra) (Baudry és mtsai, 1996; Delorme és Makeig, 2004).

31

15. ábra: Egycsatornás ERSP számításakor az átlagteljesítmény az idő (alsó grafikon) és a frekvencia (bal oldali grafikon) függvényében. Az ábra a 8-as csatornát ábrázolja.

-

Single Channel 3D ERSP: a kétdimenziós ábrázoláshoz képest ez három dimenzióban ábrázolja az aktivitást, ahol a harmadik dimenzió a teljesítmény. Egy csatorna időfrekvencia aktivitását figyelhetjük meg vele. A komponensek teljesítménye közötti különbségeket még jobban láthatjuk a 3D-s reprezentációval (16. ábra).

16. ábra: Egycsatornás idő-frekvencia-teljesítmény ábrázolás

32

-

Single Channel ITC: paraméterezése annyiban különbözik a sokcsatornás változattól, hogy ennél nem kérhető alap ábrázolásmód, így a megjelenített hőtérkép alján lévő grafikon az eredeti jelet (µV) mutatja az idő függvényében, a bal oldali grafikon pedig a különböző frekvenciákhoz tartozó szignifikanciát (17. ábra).

17. ábra: Egycsatornás ITC analízis

-

Multiple Channel 3D Average Power: sok csatorna frekvencia-teljesítmény függvényét követhetjük nyomon ennek a funkciónak a segítségével. A három dimenziót itt a csatornaszám-frekvencia-teljesítmény dimenziók adják (18. ábra).

33

18. ábra: Sokcsatornás, háromdimenziós átlagteljesítmény ábrázolás

-

Significance between two channels: Az MCFA szoftverbe már korábban bekerült a sokcsatornás idő-frekvencia analízis bootstrap szignifikancia-vizsgálata. Ez annyit jelent, hogy előre megadhatunk a programnak egy szignifikanciaszintet (p szám, amelynek értéke 0 és 0.5 között változik), amely a kiszámolt átlagteljesítmény értékek „bootstrap szignifikancia”szintjét vizsgálja az alapvonalhoz (baseline) képest. Ha ezek az értékek a p számnál nagyobbak, akkor az adott helyeken a teljesítménymátrix hőtérképe semleges színt kap (esetünkben zöld színnel). A későbbiek során szükség volt kettő vagy több külön elektródáról elvezetett mezőpotenciál közötti szignifikanciavizsgálatra is. Ehhez a feladathoz nem elég a fenti átlagteljesítményértékeket használni, így a több külön csatornáról történő elvezetéseket sweep-enként szükséges összehasonlítani. Kiszámítjuk a sweep-enkénti teljesítményeket, megkapjuk a beadott csatornákkal megegyező számú 3 dimenziós mátrixokat. Ezek a tömbök tartalmazzák az egyes sweep-ek teljesítményeit minden frekvencián és időpillanatban a wavelet, ill. FFT analízis felbontásától függően. Minden csatorna, minden sweep-ének azonos pontjában lévő

34

értékein elvégezzük a Kruskal-Wallis nemparametrikus egyirányú variancia analízist (Gibbons, 1965; Hollander és mtsai, 1973). Ezáltal kapjuk meg a csatornák közti statisztikai értékeket kétdimenziós mátrixban, melynek mérete megegyezik az egyes csatornák teljesítménymátrixával. Ha ezen mátrix értékei nagyobbak a megadott p számnál, akkor ez azt jelenti, hogy abban a pontban a csatornák nem szignifikánsak, így a bootstrap analízishez hasonlóan ezek az értékek kinullázódnak, de nem az eredeti átlagteljesítmény mátrixban, hanem a csatornák teljesítményeinek különbségmátrixában. Végeredményül egy olyan mátrixot kapunk, amelyet hőtérképpel megjelenítve csak a két csatorna különbségének statisztikailag szignifikáns részeit láthatjuk. (19. ábra) 10

20

30

Freq (Hz)

40

50

60

70

80

90

100 -100

0

100

200

300

400

Time (ms) 19. ábra: Két csatorna teljesítménykülönbségeinek statisztikailag szignifikáns részei

A Tools menü Time-Frequnecy Analysis almenüjébe tartozik továbbá három videókészítő funkció is. Az ezekkel készített videókat mellékeltem, a „videó” gombra kattintva hiperhivatkozásként lejátszhatók.

-

Time-Frequency Analysis Moviemaker: paraméterezése az ERSP-nél megszokott, de kimenete egy videófájl, amiben a csatornákra számított idő-frekvencia hőtérképeket látjuk egymás után a képkockákban. Lejátszva látványos folyamatot kapunk a csatornák időfrekvencia teljesítményváltozásairól. Lényeges, hogy egy fájlból származó adatokat használ fel. (A jó minőségű lejátszás érdekében érdemes Windows Media Player 10-et

35

használni és a lejátszást ismétléses üzemmódba tenni. Ha a kattintás után nem nyílik meg a videó, a Media Player-t alapértelmezetté kell tenni.) videó1

-

Time Frequency Analysis 3D Moviemaker: azon az elven működik, mint az előző funkció, de itt a videó a csatornák idő-frekvencia-teljesítmény háromdimenziós képeit teszi egymás után képkockába. videó2

-

Time-Frequency Analysis Moviemaker (Multiple File): több bemeneti fájlból kétdimenziós videót

készít.

A

funkció

lényege,

hogy

bizonyos

folyamatoknál

különböző

időtartományban (fázisban) adva az ingert, a várt komponens különböző teljesítmény- és frekvenciaintenzitással jelentkezik. Több fájlt hozunk létre attól függően, hogy mikor adtuk az ingert, és ezeket a fájlokat adjuk meg bemenetként. Végeredményként olyan videót kapunk, ahol az inger egyre közelebb van a kiváltott komponenshez, így jól látszik, hogy az ingert mely fázisban adva kapjuk a legnagyobb kiváltott aktivitást. videó3

-

Time Frequency Difference Analysis: két fájlt és tetszőleges számú csatornát megadva kiszámítja a csatornák idő-frekvencia analízis különbségeit. Segítségével könnyen meghatározható a két fájl csatornáinak idő-frekvencia teljesítmény analízisében felfedezhető különbségek.

Comodulation Analysis almenü Komodulációnak vagy komodulációs együtthatónak nevezzük azt a mennyiséget, ami megmutatja, hogy egy csatorna adott jelének X frekvenciáján a teljesítmény megváltozása mennyire koherens egy másik csatorna Y frekvenciáján történő teljesítményváltozással (X=Y is lehet) (Welch és mtsai, 1967). Az alap Matlab függvény Kenneth D. Harris professzor úrtól származik.

-

Auto Comodugram: ezzel a funkcióval egy fájlból több csatornát kiválasztva (akár az összeset), az összes többi általunk kiválasztottal hasonlítja össze. Ablakonként növekvő frekvenciasávokat ábrázolva a csatornák közti komodulációt kapjuk eredményül. Ablakonként a beadott csatornák közötti komoduláció értékeit az adott frekvenciasávon látjuk. Paraméterezése lényegesen eltér az eddig látottaktól, ezért ezt az alábbiakban bemutatom. A sok frekvenciaablakot tartalmazó eredményből a 20-as ábrán a nagyjából 46 Hz közötti tartományt mutatom be, ahol a fájlban lévő 21 csatornát hasonlítottuk össze mind a 21-el.

36

Összehasonlítandó csatornák száma Összehasonlított csatornák száma Színskála be/ki A színskála minimuma A színskála maximuma

Mintavételezési fekvencia (Hz) Figyelembe vett legkisebb frekvencia (Hz)

A Fourier transzformáció pontjainak száma

Figyelembe vett legnagyobb frekvencia (Hz) Az eredménykép felbontása Az eredménykép ábrázolási módja (négyzet vagy háromszög)

20. ábra: Az autokomodulációs térképekből a ~4-6 Hz-es frekvenciasáv

37

Természetesen a diagonál feletti rész ugyanazt adná eredményként, mint a diagonál alatti, ezért a program – ha nem kérjük külön (Plotting mode/square) – ezt nem ábrázolja.

-

Comodugram (2 channels): segítségével két csatorna közti komodulációt számíthatjuk ki. Ha ugyanazt a csatornát adjuk meg összehasonlítónak és összehasonlítottnak, akkor autokomodulációt kapunk. Ez esetben, a főátlóban ugyanazon csatorna ugyanazon frekvenciás komponenseit hasonlítjuk össze, amelyeknek komodulációja természetesen egy, így azok piros színűek (21. ábra).

21. ábra: Komoduláció két csatorna között. Az ábra a nyolcas csatorna önmagával mutatott komodulációját (auto-komoduláció) mutatja.

-

Comodugram 3D (2 channels): az előzőleg leírt funkció háromdimenziós megvalósítása (22. ábra).

22. ábra: Két csatorna közötti komoduláció 3D megjelenítéssel. Az ábra a nyolcas csatorna önmagával mutatott komodulációját (auto-komoduláció) mutatja. Valóságban forgatható.

38

-

Comodugram

(multiple

channels):

míg

az

auto-comodugram

különböző

frekvenciasávokban ábrázolja a csatornák közötti komodulációt, addig ez a funkció egy csatorna aktivitását hasonlítja össze az általunk megadottakkal, eredményként pedig egy felületre teszi az x. és y. csatornák komodulációs térképeinek ablakait. Ha tehát a 8-as csatornát a fájlban található 21 csatornával összehasonlítjuk, akkor az eredmény 21 ablak lesz. Itt nem alkalmazhatunk háromszöges megjelenítési módot, mert egy adott csatorna adott frekvenciás aktivitásának komodulációja egy másik csatorna adott frekvenciás aktivitásával nem azonos azzal, mintha az adott csatornákon vett frekvenciákat felcserélve számítanánk a komodulációt (23. ábra).

2 3. ábra: Az 1-es (y tengely) és 8-as (x tengely) csatornák közötti komodulációs térkép nagyítva

39

-

Comodugram 3D (multiple channels): az előzőleg bemutatott funkció háromdimenziós megjelenítővel. Az egyes és nyolcas csatornák komodulációjának nagyított változatát mutatom be a sok ablak közül (24. ábra).

24. ábra: A sokcsatornás háromdimenziós komodulációból az 1-es és 8-as csatornák komodulációja.

CSD almenü: CSD: (Current Source Density) egy bizonyos területen az összes neuron transzmembrán áramainak az összege. Különböző neuronok különböző nagyságú és polaritású áramokat generálhatnak. A CSD-ben a pozitív és negatív membránáramok kiolthatják egymást, tehát a CSD tényleg makroszkopikus (mező szintű), nem pedig mikroszkopikus (egy sejt szintű) leírást ad. A távolról jövő jeleket elimináljuk, így a CSD lokális makroszkopikus membránáramokat ír le. Az extracelluláris tér felől nézve - attól függően, hogy az áram merre folyik - megkülönböztetünk forrásokat (source) és nyelőket (sink). A CSD a mezőpotenciál második térbeli deriváltjával közelíthető (Mitzdorf, 1985; Ulbert és mtsai, 2001).

-

Calculate CSD: segítségével egy átlagolt fájl (.avg) CSD térképe számítható ki. Az idő és a csatorna függvényében tudjuk megmondani a transzmembrán áramok alakulásának folyamatát (25. ábra).

40

8

2

6

4

4

6

2

8

0

10

-2

12

500

400

300

200

100

-100

-200

-300

-400

20

-8

18

-6

16

-4

14

Channels

-500

0

Time (ms) 25. ábra: Current Source Density (CSD) térkép (sink – piros, source - kék)

-

Differences in CSD between 2 files: Két fájl CSD-je közötti különbséget számíthatjuk ki ezzel a funkcióval.

Az MCFA Tools menüjébe a felsoroltakon kívül helyet kapott még egy Variable Inter Stimulus Interval (VISI) paradigmaelemző, amelynek segítségével különböző frekvenciájú hangingerek által kiváltott potenciálok amplitúdómaximuma ábrázolható a frekvenciák függvényében. Az analízis úgy történik, hogy a rögzített fájlt - ami egyben tartalmazza az egymás után adott különböző frekvenciás hangingersorozatokat – szétválasztjuk külön fájlokra, amelyek a megfelelő frekvenciás hangingerre kiváltott potenciálokat tartalmazzák. Ezek után átlagoljuk a fájlokat, majd meghatározzuk az amplitúdómaximumot minden esetben. Eredményként a különböző csatornákon kapott amplitúdómaximumokat látjuk a frekvenciák függvényében. Segítségével láthatóvá válik, hogy az akusztikus kéreg adott területén melyik frekvenciás hangra a legérzékenyebb.

EDIT menü: -

View data: EEG vagy CNT típusú fájlok megjelenítése. A megvalósító függvény EEGlab alapú. Megadhatjuk az ábrázolni kívánt csatornák számát, az időlépés nagyságát, valamint a jelek nagyításának mértékét. A jobb illetve bal irányú kurzorokkal epoch-ról epoch-ra lépkedhetünk (kép felső részén megjelenő számok). A 26. ábra a megjelenítőt mutatja.

41

26. ábra: Az EEGlab-ból az MCFA-ba implementált EEG és CNT megjelenítő

HELP menü: Egyelőre a fejlesztők és az intézet nevét tartalmazza. Hamarosan bővíteni fogom a funkciók részletes leírásával, használati útmutatóval. A szoftver - a saját honlapjáról - ingyenesen letölthető lesz.

VI. 2. 2. A Waveplot működése, funkciók A Waveplot szintén Matlab alapú program, melynek fejlesztését az indokolta, hogy az MCFAprogramban nem kapott helyet olyan funkció, ami egy „nyers” folytonos fájl adott csatornájának jelén az általunk választott időablakkal végigmenve real-time tudná kiszámítani az aktuális időpontban vett idő-frekvencia transzformáltat. Ez azt jelenti, hogy az MCFA helyesen számítja ki az előzőleg sweepekre darabolt fájl (EEG) idő-frekvencia térképeinek átlagát, de a folytonos (CNT) fájl egy tetszőlegesen kiválasztott kis darabjának analízisét nem tudja elvégezni. A két program közötti különbség

jól

definiálható.

Az

MCFA-val

a

kiváltott

potenciálok

idő–frekvencia

teljesítményváltozásait számíttathatjuk ki, a Waveplot pedig kiválóan alkalmas az eredeti jelben található különböző komponensek idő-frekvencia teljesítményeinek meghatározásához. Az MCFA makró, a Waveplot mikró szintű analízishez nyújt hatékony segítséget. A Waveplot program bemenete egy folytonos (CNT) fájl, amit a felület osztott ablakából a felsőben jelenítünk meg (27. ábra). Azt, hogy a fájl jeleinek mekkora részét kívánjuk megjeleníteni, beállíthatjuk a felület bal alsó sarkában szereplő Start Time és Stop Time mezőkben. Mindkettőt

42

milliszekundumban adjuk meg. Az alsó ablakban a kiválasztott időtartamban szereplő jel időfrekvencia transzformáltja látható. A fájlban lévő csatornák jeleinek minden része tetszőleges időablakkal bejárható az ábra jobb oldalán szereplő jobbra-balra gombokkal, a fel-le gombok segítségével pedig csatornát válthatunk. Az idő frekvencia-analízist számító függvény ugyanaz, mint az MCFA-nál, tehát paraméterezésük igen hasonló. Az ablak legalján szereplő, használat közben is állítható paraméterek a következők:

Start Time: a jel ábrázolásának és az idő-frekvencia számításának kezdőpontja (msec) Stop Time: a jel ábrázolásának és az idő-frekvencia számításának végpontja (msec) ERSP min.: A megjelenítendő hőtérkép minimuma ERSP max.: A megjelenítendő hőtérkép maximuma Min. Freq.: A számításba vett minimum frekvencia (Hz) Max. Freq.: A számításba vett maximum frekvencia (Hz) Baseline min.: Az alapvonal számításának kezdőpontja (msec) Baseline max.: Az alapvonal számításának végpontja (msec) Bootstrap: A szignifikancia szint beállítása Padratio: A felbontás minősége Wavelet cycles: Fourier (0) vagy wavelet (>0) analízis kiválasztása. Wavelet megadása esetén az első paramétert nullánál nagyobbra kell választanunk. Ez a ciklusok számát adja meg egy wavelet analízisen belül, a második paraméter pedig a ciklusok számának növekedését eredményezi a frekvenciák növekedésével arányosan, az első wavelet paramétertől kezdve. dB kapcsoló: dB-ben vagy valós értékben való ábrázolásmód

Az előzőekben említett gombokkal mozoghatunk a csatornák között és a jelben is, az éppen aktuális jeldarab idő-frekvencia analízisét real-time kiszámítva. A Start Time és Stop Time mezőkbe beírva a megfelelő értékeket, ki tudjuk számítani a folytonos jel egy komponensének idő-frekvencia analízisét. Ezt a Calculate gombra kattintás után real-time kapjuk meg (27. ábra).

43

27. ábra: A Waveplot-al a jel bármely tetszőlegesen kis részének idő-frekvencia analízisét kiszámíttathatjuk. A felső ablakban a folytonos jel egy tetszőleges részlete, az alsóban ennek idő-frekvencia térképe látható.

VII. Eredmények VII. 1. A természetes alvás-ébrenléti ciklus A természetes alvás-ébrenléti ciklusban három különböző állapotot különböztetünk meg egymástól: -

éber állapot (Wake)

-

lassúhullámú alvás (Slow Wave Sleep (SWS))

-

gyors szemmozgással járó alvás (Rapid Eye Movement (REM))

Az EEG jelben jelentős változás figyelhető meg a három állapot között (Steriade és McCarley, 1990), azaz mindegyik állapot jellegzetes jelformával bír. A különbség nemcsak a mezőpotenciálban és a multiunit aktivitásban, de az intracelluláris elvezetésben is markánsan jelentkezik. A három jól elkülönülő állapot macskában és majomban ugyanúgy meghatározható, mint embernél. A macskákon végzett kísérletekről egy egész sor tanulmány áll rendelkezésre, mindennek ellenére a lassúhullámú alvás, a REM és éber állapotok pontos fiziológiai mechanizmusa mind a mai napig nem feltárt (Timofeev és mtsai, 2001).

44

A macskáról ébrenléti állapota alatt elvezetett EEG jelet a megnövekedett teljesítmény, intenzitás, tónusos izomállapot, esetenkénti szemmozgás valamint stabil membránpotenciál jellemzi (28.ábra jobb oldala) (Steriade és McCarley, 1990). A lassúhullámú alvás nagy amplitúdójú, alacsony frekvenciájú agykérgi mezőpotenciállal és tónusos izomaktivitással jelentkezik. Intracelluláris mérések azt mutatták, hogy az intracelluláris aktivitás nagymértékben szinkronizált a mezőpotenciállal a lassúhullámú alvásban. A mély pozitív mezőpotenciál-komponenseket a kortikális sejtekről elvezetett hiperpolarizációval és tüzelés mentes (akciós potenciál mentes)

időszakokkal

(28. ábra bal oldali rész), míg a mély negatív

mezőpotenciál-komponenseket a sejtek depolarizációval, tehát az aktív sejttüzelési idővel hozták összefüggésbe (Steriade és mtsai, 1993). A REM szakasz az EEG jelben jelentkező teljesítmény aktivitással, aktív szemmozgással és izom ernyedéssel jellemezhető (28. ábra középső része).

28. ábra: Az EEG és az intracelluláris aktivitás az SWS, REM és ébrenléti állapotok alatt. SWS: Slow Wave Sleep, REM: Rapid Eye Movement, EOG: Elektrookulogram, EMG: Elektromiogram (Timofeev és mtsai, 2001)

Timofeev és munkatársai spontán vizsgálatoknál azt találták, hogy a lassúhullámú alvás alatt tapasztalt tüzeléstől csendes szakaszok neuronális hiperpolarizációval hozhatók összefüggésbe, amely a káliumáramoknak és a diszfacilitációs folyamatnak köszönhető. A diszfacilitáció lényegében a serkentő szinaptikus aktivitás hiánya miatt létrejövő folyamat, amely az előbb említett hosszú ideig tartó hiperpolarizációs szakaszokban nyilvánul meg a lassúhullámú alvásnál. A szinaptikus áramok

45

hiányában jön létre, amikor a szivárgó áramok határozzák meg a membránpotenciált. A szivárgó áramok nagy részét káliumáramok alakítják ki (Timofeev és Steriade, 2001). A diszfacilitáción kívül az éber és REM fázisokban fontos gátló mechanizmus az aktív inhibíció is, amely a különböző típusú gátló interneurokon keresztül jön létre. A célsejt az Inhibitory PostSynaptic Potentials (IPSP) szummációja által legátlódik, és nem tud akciós potenciált létrehozni (Llinás, 1964; Wilson és mtsai, 1983; Contreras és mtsai, 1996; Timofeev és mtsai, 1996; Connors és mtsai, 1990). Steriade és munkatársai úgy találták, hogy REM fázisban az IPSP-k nagymértékben lecsökkentik a tüzelések számát, míg ugyanezek az éber állapotban az akciós potenciálok időzítéséért felelősek. Ugyanakkor eredményeik szerint az SWS alatt spontán létrejövő hiperpolarizációs folyamatért nem az aktív inhibíció, hanem a diszfacilitáció a felelős. Szerintük a REM fázisban jelentkező - az okuláris szakkádok ideje alatt létrejövő - tüzelésmennyiségbeli csökkenés a piramissejteken szummázódott IPSP-k által jön létre, míg éber állapotban az IPSP szummáció az akciós potenciálok pontos időzítéséért felelős (Timofeev és Steriade, 2001). Számunkra leglényegesebb az, hogy az SWS alatt spontán előforduló hosszú idejű hiperpolarizáció a szinaptikus aktivitás drámai csökkenéseként jön létre. Ennek valószínűleg nagy szerepe lehet a szinaptikus hatásfok növelésében is (Galarreta és Hestrin, 1998). Timofeevék megemlítik, hogy a diszfacilitáció talán a talamokortikális neuronok hiperpolarizációjának eredményeként jön létre, miáltal a talamokortikális neuronok nem tüzelnek, így gátolva meg a jeltovábbítást az agykéreg felé (Hirsch és mtsai, 1983; Timofeev és mtsai, 1993; Timofeev és Steriade, 2001).

VII. 2. Eredmények ismertetése Kísérleteinkben macskák természetes alvási folyamatát vizsgáltuk. Az elektródák implantálása és az agyi jelek felvétele a negyedik fejezetben ismertetett módon történt. Az előzőekben leírtak alapján már tudjuk, hogy az SWS alatti mély pozitív mezőpotenciál-komponensek a kortikális sejtekről elvezetett hiperpolarizációval és tüzeléstől mentes időszakokkal (28. ábra bal oldali alsó rész nyilakkal ), míg a mély negatív mezőpotenciál- komponensek a sejtek depolarizációval, tehát az aktív sejttüzelési idővel hozhatók összefüggésbe. Célom volt bizonyítani, hogy az SWS fázisban a hanginger által kiváltott mély pozitív komponensek alatt az idő-frekvencia tartományban nagy teljesítménycsökkenés látható, főleg a magasabb frekvenciákon, míg ez a negativitás sem a REM, sem pedig az éber állapotban kiváltott potenciáloknál nem figyelhető meg. Steriade és munkatársaival ellentétben nem a spontán, hanem az akusztikus kiváltott potenciálokat vizsgáltuk, ezért mindhárom alvási fázisban csontvezetőn keresztül 3/sec-os koppanó hangingersorozatot kapott a macska. A diszfacilitációs folyamat részletes elemzésén kívül célom volt megmutatni, hogy miként tudjuk ezt a diszfacilitációs szakaszt külső akusztikus ingerrel kiváltani. Mindhárom alvási fázis alatt rögzítettük az agyi aktivitást a IV.3. alfejezetben tárgyalt csatornaelosztás

46

szerint. Eredményeim bemutatásához az [email protected], az [email protected] és a [email protected] fájlokat használtam fel, amelyek sorrendben a lassúhullámú oszcilláció, a REM és az éber állapotban rögzített aktivitást tartalmazzák. A folytonos fájlokat epochokra bontottam, azaz EEG fájlt készítettem belőlük, oly módon, hogy minden hangingertől időben előre és visszafelé is 500 milliszekundumot vettem időkorlátként, és így az 55-ös fájlnál 254, az 57-es fájlnál 381, míg a 61-nél 185 darab epoch-ot kaptam. Egy epoch-ban az az inger - amihez képest az időkorlátot pozitív és negatív irányban megadtam - a nulla pontnál helyezkedik el, tehát az időablak közepén. Mivel 3 hang/másodperc-es ingert adtunk, így a közvetlenül előtte és utána álló hangingerre adott válaszok is szerepelnek az epochban. A mintavételezési frekvencia 2kHz, így egy ablakon belül 2001 pont foglal helyet. A 29., 30. és 31. ábrák mindegyike a folytonos fájlok egy részletét mutatja az adott alvás-ébrenléti fázis jellemző jelalakjaira való tekintettel. Látható, hogy a REM és éber állapotok alatt felvett folytonos jelek hasonlóak, és mindkettő

.

lényegesen eltér a lassúhullámú alvás alatt rögzített aktivitástól.

12345678910111213141516171819202122-

+2048 µV

23400 ms

24-

00:00:37

00:00:38

00:00:39

00:00:40

29. ábra: A lassúhullámú alvást (SWS) nagy amplitúdójú, alacsony frekvenciájú agykérgi mezőpotenciál jellemzi. Narancssárga nyilak jelzik a kiváltott mély pozitivitásokat. Az x tengely az időt, az y a multielektród csatornaszámait jelöli. A 24. csatornán a függőleges fekete vonalak jelzik a hangingerek adásának időpontjait.

47

12345678910111213141516171819202122-

+2048 µV

23400 ms

24-

00:00:17

00:00:18

00:00:19

00:00:20

30. ábra: A REM fázisban rögzített CNT jel. Nem látható rajta mély pozitív komponens.

48

12345678910111213141516171819202122-

+2048 µV

23400 ms

24-

00:00:01

00:00:02

00:00:03

00:00:04

31. ábra: Az éber fázisban rögzített 23 csatornás rétegelektród CNT jele. A mezőpotenciált a magas frekvenciájú aktivitás megnövekedése jellemzi. Az éber állapotban rögzített mezőpotenciál képe hasonló a REM-belihez.

EEG fájlokat készítettem az előzőleg említett időablakmérettel, majd átlagolással megkaptam a sweepek alapján képezett átlag jelalakokat (32. ábra). Összehasonlítottam a csatornák aktivitásait és kiderült, hogy a 7-es csatornán található a legnagyobb amplitúdójú aktivitás (~ 48 ms) és a legkorábbi komponens (~ 13 ms) (32.ábra). A 7-es csatorna az agykéreg mély rétegében található, a rajta tapasztalható esetleges pozitivitás a felszínen jóval kisebb amplitúdóval jelentkezik.

49

400

Channel 7

300

Activity (micro V)

200

100

0

-100

-200

-300 -600

-400

-200

0

200

400

600

Time (ms)

Channel 7 300

Activity (micro V)

200

100

0

-100

-200

-300

0

20

40

60

80

100

120

Time (ms)

32. ábra: A legnagyobb amplitúdó (~ 48ms) és a legkorábbi komponens (~ 13 ms) a 7-es csatornán látható. Az ábrát az SWS-t tartalmazó EEG fájl átlagolásával kaptam. Az ábra felső részén három kiváltott potenciál, az alsó részen ezek közül a középső nagyítva látszik. Az x tengely az időt, az y a mikrovoltban mért aktivitást mutatja. A rétegelektród egyes csatornáiról elvezetett jeleket különböző színekkel ábrázoltam.

50

A különböző alvási fázisok jeleiből képzett átlagfájlok összehasonlítása alapján jól látható, hogy az éber és REM állapotoknál az ingerre kiváltott, rövid ideig tartó negatív korai exogén (P1) komponenset (8-16 ms, a negatív komponens max amplitúdója ~ -180 µV) hamar felváltja egy szintén rövid ideig tartó pozitív komponens (16-62 ms), melynek maximális pozitivitása 130 µV körüli. A jelek értéke hamar megközelíti az alapvonal értékét (33. ábra). Szintén figyelemreméltó, hogy a jelalakok az éber és REM szakaszok alatt nagyon hasonlók, kevés eltérést mutatnak, bár a REM fázisban a kezdeti negativitás valamint az ezt követő pozitivitás is nagyobb, mint az éber állapotban (33. ábra). Teljesen más a helyzet, ha megvizsgáljuk az SWS-ben kiváltott potenciál átlagos jelalakját. A korai kiváltott exogén komponens (8 –25 ms) maximális amplitúdója (~ 13 ms, –204 µV ) kissé negatívabb, mint a REM vagy az éber állapot esetén. Ezt egy igen hosszú ideig tartó pozitív komponens követi (25-110 ms) (33.ábra), melyet nagy maximális amplitúdójú (392 µV) és hosszú idő alatt lecsengő eltéréssel jellemezhetünk. Mint tudjuk, a mély pozitív mezőpotenciál-komponenseket a kortikális sejtekről elvezetett hiperpolarizációval és tüzelésmentes időszakokkal, míg a mély negatív mezőpotenciál-komponenseket a sejtek depolarizációval, tehát az aktív sejttüzelési idővel hozhatjuk összefüggésbe, azaz az SWS-ben tapasztalt hosszú ideig tartó pozitivitás (25-110 ms) nem más, mint a keresett hiperpolarizációs szakasz, amikor a sejtek nem tüzelnek a diszfacilitáció következtében (33. ábra). Szembetűnő - már az átlagolt mezőpotenciálok összehasonlítása alapján is - ,hogy a három alvás-ébrenléti fázisban az agykéregbe beérkező információk között nincsen jelentős különbség, az exogén komponensek nem különböznek nagymértékben, de az endogén komponensek - az adott alvásébrenléti fázisnak megfelelően - különböző módon modulálják a beérkező jeleket. Az éber és REM állapotokban a moduláció hasonló módon történik, míg SWS alatt ettől lényegesen eltér, amit a mély pozitivitás jelez a mezőpotenciálban.

51

400

SWS 300

Activity (micro V)

200

100

WAKE 0

REM -100

-200

-300 -600

-400

-200

0

200

400

600

Time (ms)

300

Activity (micro V)

200

WAKE

100

0

REM -100

SWS -200

-300 0

50

100

150

200

250

300

Time (ms)

33. ábra: Az SWS kezdeti kiváltott negativitását (8 –25 ms) nagy amplitúdójú (392 µV), hosszú ideig tartó pozitivitás követi (25-110 ms). A REM és éber állapotok esetén, a pozitív komponens lényegesen rövidebb ideig tart és kisebb amplitúdójú (16-62 ms, max. 130 µV).

52

Pontosan azonosítottam, hogy a mély pozitív komponens időben hol helyezkedik el. Ezek után meg kellett vizsgálni idő-frekvencia analízissel, hogy a teljesítmények ekkor miként változnak. Ehhez mindhárom fájl sokcsatornás idő-frekvencia analízisét kellett kiszámíttatni az MCFA-val. A sokcsatornás összehasonlításból a hetes csatorna idő-frekvencia teljesítményanalízisét mutatom be (34. és 35. ábrák).

C ha nne l 7

SWS

REM

10

8

20 6 4

40 50

2

60

dB

WAKE

Freq. (Hz)

30

0

70 -2 80 -4

90 100

-6 -400

-300

-200

-100

0

100

200

300

400

Tim e (m s) 34. ábra: Az SWS, a REM és az éber fázisok EEG fájljainak idő frekvencia analízise és frekvenciakénti átlagos teljesítménye a 7-es csatornán. A piros részek a teljesítmény növekedést, míg a kékek a csökkenést jelzik. Az x tengelyen a hanginger a 0 időpontban van, az y tengelyen 6.3-100 Hz-ig láthatók a frekvenciák.

53

SWS

REM

54

WAKE

35. ábra: A 3D idő-frekvencia analízis SWS, REM és éber állapotokra. Az SWS-nél a teljesítmény csökkenés lényegesen alacsonyabb, mint a másik két esetben. Ennél az ábrázolási módnál az időskála fordítva helyezkedik el az előzőekhez képest.

Nagy különbség mutatkozik a három fázisban a hangingerre kiváltott potenciál idő-frekvencia analízis eredményeiben is. A 34. és 35. ábrákon az inger bemutatása után teljesítménynövekedés figyelhető meg (piros szín), legintenzívebben az alacsony frekvenciákon (SWS max. 98 ms-nél 8.4 dB) a lassúhullámú mély pozitív komponensnek köszönhetően, amit egy hosszabb ideig történő teljesítménycsökkenés követ (kék szín) az SWS esetén (25-110 ms, min. –3.8 dB ), főleg a magasabb frekvenciákon. Ez a sötétkék szakasz felel meg az SWS-ben a kiváltott diszfacilitációs szakasznak, amely a 33. ábra alsó felén bemutatott mély pozitív mezőpotenciál-komponenssel esik egy időbe. A REM-nél is tapasztalható nagyon enyhe teljesítménycsökkenés (86-200 ms, min. –1.6 dB az alapvonalhoz képest) a kezdeti teljesítménynövekedés után, míg éber fázisban ez teljesen jelentéktelen (68 –200 ms, min. –1.3 dB). Ezzel bizonyítható, hogy a lassúhullámú alvásnál a mezőpotenciál mély pozitív komponensei alatt valóban nagy mértékű teljesítménycsökkenés tapasztalható, amely a magas frekvenciákon jelentős igazán. A REM alatt szintén látható rövid ideig tartó, jóval enyhébb teljesítménycsökkenés, míg az éber állapotban ez elhanyagolhatóan csekély. Az SWS-ben a mezőpotenciál mély pozitív kiváltott komponense alatt tapasztalt teljesítménycsökkenést diszfacilitációval magyarázzuk. A REM fázisban valószínűleg nem a diszfacilitáció, hanem az aktív inhibíció (IPSP szummáció) játszik főszerepet.

55

A mezőpotenciál részletes analízisén kívül a multiunit aktivitásokat is megvizsgáltam. A IV.3. alfejezetben említettek szerint a multiunit aktivitás 300 Hz – 5kHz – es sáváteresztő szűrővel szűrjük és 20 kHz-el digitalizáljuk. Felvétele párhuzamosan történik a mezőpotenciál rögzítésével, ezért egy adott időpontú mezőpotenciál komponenshez hozzárendelhető a sejtek tüzelési mintázata. Az SWS a REM és az éber fázisok aktivitásait sorrendben az [email protected] (36. ábra), az [email protected] (37. ábra) és a [email protected] (38. ábra) fájlok tartalmazzák. 123456789101112131415161718192021222324+32 µV 400 ms

36. ábra: A lassúhullámú alvásban (SWS) rögzített multiunit aktivitás. Narancssárga nyilak jelzik a mezőpotenciál mély pozitív komponense alatt kialakuló sejt inaktivitást („ablakok”). A 24-es csatornán a függőleges vonalak az ingeradások időpontjait jelölik. X tengely az időt, Y a csatornákat mutatja.

56

123456789101112131415161718192021222324+32 µV

00:00:17

00:00:18

00:00:19

400 ms

00:00:20

37. ábra: A REM fázisban rögzített multiunit aktivitás

57

123456789101112131415161718192021222324+32 µV

00:00:01

00:00:02

00:00:03

400 ms

00:00:04

38. ábra: Az éber (WAKE) állapotban felvett multiunit aktivitás

Az SWS- nél azt tapasztaljuk, hogy az inger adása után ~23 ms-al a multiunit aktivitás egy hosszabb időszakra megszűnik, szinaptikus csend jön létre. A sejtek tüzelésének megszűnése ablaknak látszik a fájl többi részében felvett normál multiunit aktivitáshoz képest. Ezek az ablakok sem a REM, sem az éber állapotban nem jelentkeznek (36., 37., 38. ábrák). A folytonos fájlokat epochok-ra bontottam az inger időpontjától számított -500-500 ms-os időkorláttal, majd az epochok-ban lévő aktivitásokat átlagoltam. A legnagyobb amplitúdójú aktivitást a 15-ös csatornán jelentkezett. A 15-ös csatorna mindhárom állapotban rögzített aktivitásának átlagait hasonlítottam össze a 39. ábrán.

58

12

10

Activity (micro V)

8

6

4

REM 2

0

WAKE

-2

SWS

-4 -20

0

20

40

60

80

100

120

140

160

Time (ms) 39. ábra: A 15-ös csatornán mindhárom állapot multiunit aktivitásainak átlaga. Az x tengelyen az időt az y tengelyen a jel aktivitását (µV) látjuk.

A 39. ábrán a kezdeti aktivitásnövekedést (~8-16 ms, max. 4.8 µV) mindhárom esetben felváltja az aktivitások csökkenése, ami azonban a REM és éber felvételeknél nem tart sokáig és nem is jelent olyan mértékű aktivitáscsökkenést, mint az SWS-nél. A REM és éber állapotban rögzített aktivitásoknál a jel már 34, illetve 38 ms-nál visszatér az alapaktivitás körüli értékhez, míg az SWSben ekkor még jókora csökkenés tapasztalható. A lassúhullámú alvás alatt felvett jel 50 ms körül éri el a legnagyobb minimumát (-2.039 µV), eközben a REM és éber felvételeknél is – mintegy az x tengelyre tükrözött – ellenkező pólusú, de azonos alakú és időbeli lefutású aktivitás látható (39. ábra). Az SWS 105-110 ms környékén éri el csak újra az alapszintű aktivitást, addig folyamatosan negatív, míg a REM és az éber állapotok esetében a jel az előzőekben említett 34, illetve 38 ms óta folyamatosan

pozitív

(39.

ábra).

Az

SWS

alatti

multiunit

aktivitásban

tapasztalható

teljesítménycsökkenés pontosan arra a 25-110 ms-os szakaszra esik, amikor a mezőpotenciálban a mély pozitív komponens látható, s amikor a jel idő-frekvencia analízisében teljesítménycsökkenés figyelhető meg (40. ábra). Mindez azt mutatja, hogy a három alvási-ébrenléti fázisban az exogén komponensek multiunit aktivitása nagyon hasonló, de az endogén komponens az SWS-nél a sejtek tüzelésének számát nagymértékben lecsökkenti.

59

40. ábra: A 15-ös csatorna idő-frekvencia analízisének képe háttérként, a mezőpotenciál átlaga feketével és a multiunit aktivitás átlaga fehérrel. A mély pozitív mezőpotenciál komponens ideje alatt (25-110 ms) az időfrekvencia térképen teljesítmény csökkenés (kék szín), a multiunit átlagban aktivitás csökkenés látható.

A mezőpotenciál, idő-frekvencia analízis és multiunit aktivitás vizsgálata után a kérdés az maradt, hogy miként alakulnak az extracelluláris áramok a különböző fázisokban. Az MCFA CSD analízis funkciójának segítségével erre is választ kaptam. A CSD egy bizonyos területen az összes neuron transzmembrán áramainak az összege, mely lokális makroszkopikus membránáramokat ír le (Mitzdorf, 1985; Ulbert és mtsai, 2001). A 41. ábra a CSD-ben mutatkozó különbségeket mutatja.

60

2 4 6

A

8

SWS

10 12 14 16 18 20 2 4 6 8

REM

10 12 14 16 18 20 2 -1 5

4

-1 0

6 8

WAKE

-5

10 0 12 5

14 16

10

18

15

20 -5 0 0

0

500

Tim e (m s) 41. ábra: A REM az SWS és az éber állapotnál a transzmembrán áramok alakulása (CSD). Az x tengely az időt, az y a csatornaszámot mutatja. A többihez képest az SWS-nél a fehér A-val jelölt source mutat nagy különbséget. Piros szín – sink, kék szín –source

61

Az SWS-nél a korai komponensnél lejátszódó folyamatok nem különböznek a REM és éber állapotokban tapasztalhatóaktól. A mezőpotenciál mély pozitív komponensének ideje alatt nagy source – kék folt (fehér A betűvel jelölve a 41. ábrán) – látható az SWS-nél a 30-tól 110 ms-ig tartó intervallumban, ami azt jelenti, hogy ekkor nagy negatív extracelluláris áramok vannak jelen, amelyek meggátolják a sejteket az akciós potenciálok létrehozásában. REM-ben és ébrenlétben nagyon rövid (10 ms-ig tartó), gyenge source-ok vannak jelen és feltehetőleg ezek sem a diszfacilitációnak, hanem inkább az IPSP szummációnak köszönhetők. A szinaptikus inaktivitás az SWS-nél tehát jóval nagyobb mértékű; hiperpolarizációs fázis játszódik le a diszfacilitáció következményeként. Miután megmutattam, hogy a lassúhullámú alvás hangingerrel kiváltott mély pozitív komponense alatt a multiunit aktivitásban csökkenés tapasztalható, az idő-frekvencia analízisben jelteljesítmény-csökkenés látszik, és az áramsűrűség eloszlásban nagy hiperpolarizáló extracelluláris áramok vannak jelen, statisztikákat készítettem. A statisztikák számításához a 42. ábra A részén látható módon a három fázisban a hangingerre kiváltott mezőpotenciál három jelkomponensét vettem. Ezeknek a jelkomponenseknek az ampiltúdóiból és a latenciáiból számítottam a statisztikákat. A különböző fázisokat tartalmazó fájlokat tíz egymást időben nem átfedő részfájlra szedtem szét. Ezek a fájlok tartalmazták az eredeti fájl egy epoch-jától egy másik epoch-jáig vett aktivitásokat. A különböző alvás-ébrenléti fázisokban kapott tíz-tíz fájl mindegyikében átlagokat számoltam az epochok-ból, majd a 42. ábra A részén látható módon a kiváltott válaszok három jelkomponensének amplitúdóit és latenciáit vettem ki. Miután ezt minden agykérgi rétegre elvégeztem, az állapotonkénti tíz fájlból átlagokat számítottam, így megkaptam a „grand average”-ket, valamint a szórásokat. Ezeket az eredményeket ábrázolva látható, hogy a különböző alvás-ébrenléti fázisok hogyan modulálják a kiváltott válaszokat (42. ábra). A 42. ábra B részén az agykéreg felszínén, szupragranuláris, input, inflagranuláris és mély rétegeiben megfigyelhető kiváltott válaszok amplitúdóinak és latenciáinak átlagait láthatjuk a különböző alvás-ébrenléti fázisokban. Az x tengelyen minden esetben a három mért jelkomponens látható, sorrendben a REM, éber és SWS fázisokban. Jól látszik, hogy az első komponens, a P1 mindhárom állapotnál minden rétegben közel azonos amplitúdóval és latenciával jelentkezik. Számunkra a dolgozat keretein belül legjenlentősebb tény az, hogy az SWS pozitív komponense a felszín kivételével minden rétegben lényegesen nagyobb amplitúdóval jelentkezik, mint a másik két állapotnál, valamint latenciája is nagyobb. Legjobban a mély rétegben látható a különböző alvás-ébrenléti fázisok mély pozitivitásának amplitúdómaximum eltérése. A felszínen a REM állapotban tapasztalható a legnagyobb amplitúdójú aktivitás – de itt is kis pozitivitásként - ami azt is jelentheti, hogy ezt a jelenséget a bőrön keresztül elvezetett EEG jelben nem is lehet megfigyelni, mindenképpen szükség van az általunk is alkalmazott intrakortikális elvezetésre.

62

A -58.3

µV

143.5

µV

-168.7

10.5

ms

B

ms

Amplitúdó á tla gok

La tencia á tla gok 220 Field- felszín

300.00

200

250.00

180

200.00

160

150.00

140 120

100.00

ms

Felszín

uV

220 Field- felszín

50.00

100 80

0.00

60

-50.00

40

-100.00

20

-150.00

0

220 Field- szuprag. 160

400

140

300

120

200

100 ms

Szupra gra nulá ris

uV

220 Field- szuprag. 500

100

80 60

0

40 -100

20

-200

0

-300

1

2

3

500

180

400

160

ms

uV

100

20

-300

0

220 Field- Inflagr.

300

ms

uV

200 100 0 -100 -200

1

2

3

220 Field- mély

250 200

uV

ms

150

-200

4

5

6

8

9

10

11

7

8

9

10

11

220 Field- mély

300

-150

7

200 180 160 140 120 100 80 60 40 20 0

-300

0

11

220 Field- Inflagr.

400

-100

10

60 40

50

9

80

-200

-50

8

100

-100

100

7

120

200

0

Mély

6

140

300

Infla gra nulá ris

5

220 Field- Input

220 Field- Input

Input

4

200 180 160 140 120 100 80 60 40 20 0 1

2

3

4

5

6

42. ábra: A REM, ÉBER (fehér szín) és SWS fázisokban a három jelkomponens amplitúdójából és latenciájából számított statisztikák. Az ábra A. részén piros kereszttel van jelölve a kiváltott potenciálokból statisztikára használt három jelkomponens. A B. rész a különböző agykérgi rétegekben a három komponens átlagos amplitúdó ill. latencia értékeit mutatja szórásokkal együtt

63

VIII. Összefoglalás, konklúzió A spontán mély pozitív mezőpotenciál komponenseket a kortikális sejtekről elvezetett hiperpolarizációval és tüzelésmentes időszakokkal, míg a mély negatív mezőpotenciál komponenseket a sejtek depolarizációval, tehát az aktív sejttüzelési idővel hozták összefüggésbe Steriade és munkatársai. Úgy gondolták, hogy a lassúhullámú alvásban a mezőpotenciál mély pozitív komponensei alatt hiperpolarizációs folyamat zajlik le, amelynek következtében szinaptikus csend alakul ki, míg a gátlás a REM és az ébrenléti folyamatokban más folyamattal magyarázható. Macskába krónikusan implantált elektródával az agyi mezőpotenciál és soksejt aktivitást elvezetve, a három alvási ciklus alatt akusztikus kiváltott potenciálok idő-frekvencia vizsgálatával kimutattam, hogy a szinaptikus csend ideje (diszfacilitáció) alatt a lassúhullámú alvásnál a mért agyi jel teljesítménye nagymértékben lecsökken, míg a REM és az ébrenléti szakaszoknál ez nem jelentős. Eredményünket egyrészről az extracelluláris áramok időbeli kialakulásának folyamatával igazoltam amely a lassúhullámú alvás diszfacilitációs ideje alatt lényeges hiperpolarizációt mutatott - másrészről a multiunit aktivitás nyomonkövetésével alátámasztottam, hogy a lassúhullámú alvásban jelentkező diszfacilitáció ideje alatt a sejtek nem tüzelnek, szinaptikus csend áll be. Statisztikával megmutattam, hogy a különböző agykérgi rétegekben milyen átlagos amplitúdóval és latenciával jelentkeznek a hangingerre kiváltott potenciál lényeges jelkomponensei. Hangsúlyoztam, hogy az agykéreg felszíni aktivitásában a hangingerre kiváltott diszfacilitációs folyamat jellemzői nem láthatók, ezért ennek a folyamatnak a vizsgálatához indokolt az intrakortikális elvezetés a hagyományos bőrön keresztül történő EEG elvezetéssel szemben. Összefoglalásként elmondható, hogy a fejlesztett MCFA és a Waveplot multifunkcionális programokat sikeresen alkalmaztam sokcsatornás intrakortikális állatkísérleteknél. Elemezni tudtam az alvás-ébrenléti ciklus különböző fázisaiban a hangingerre kiváltott potenciálokat és ennek eredményeként a lassúhullámú alvás alatti diszfacilitációs folyamatot részletesen jellemeztem. A hanginger által kiváltott diszfacilitációs folyamat (szinaptikus csend kialakulása) valószínűleg egy olyan alvást megóvó folyamat, amely az akusztikus agykéreg információfeldolgozását a hangingert követő 25-110 ms-os tartományban lezárja.

További céljaim között szerepel a spontán és kiváltott diszfacilitációs folyamatok időviszonyainak és keletkezési mechanizmusainak részletesebb elemzése, szoftvereink továbbfejlesztése az ehhez kellő funkciókkal. Ezeken kívül meg kívánom vizsgálni, hogy más agykérgi területeken hogyan jelentkezik ez a folyamat. Az irodalomban eddig nem tárgyalt téma a különböző sejtek aktivitásának vizsgálata a három alvás-ébrenléti fázisban, a későbbiekben várhatóan ezt is részletesen fogjuk elemezni.

64

Köszönetnyilvánítás Dr. Karmos György professzor úrnak és Dr. Ulbert Istvánnak szeretném megköszönni a Magyar Tudományos Akadémia Pszichológiai Kutatóintézetének Összehasonlító Pszichofiziológiai Laboratóriumában eltöltött két esztendőt. Köszönöm, hogy szakértelmüknek, türelmüknek és figyelmüknek köszönhetően sokat tanulhattam tőlük, nemcsak szakmailag, hanem emberileg is. Szeretném továbbá megköszönni Dombovári Balázsnak, Csercsa Richárdnak és Magony Andornak a jó hangulatú, motiváló közös munkát és a sok segítséget, észrevételt amit e dolgozat elkészítéséhez nyújtottak.

…………………………… Grand László

Budapest, 2006.06.15.

65

Irodalomjegyzék [1]

Basar-Eroglu C, Başar E, Schmielau F, ”P300 in freely moving cats with intracranial electrodes,” Int J Neurosci, vol. 60, pp. 215-226., 1991

[2]

Baudry et al., ”Stimulus Specificity of Phase-Locked and Non-Phase-Locked 40 Hz Visual Responses in Human, ” J. Neurosci. vol. 1,16(13), pp. 4240-9., Jul. 1996.

[3]

Bazhenov, Timofeev, Steriade, Sejnowski, ”Model of thalamocortical slow-wave sleep oscillations and transitions to activated States,” J Neurosci., vol. 1,22(19), pp.8691- 8704., Oct 2002.

[4]

Castro- Alamancos M., “Role of Thalamocortical Sensory Suppressing during Arousal: Focusing Sensory Inputs in Neocortex,” J. Neurosci., vol. 22., pp. 9651- 9655, 2002.

[5]

Contreras, D., Timofeev, I., and Steriade, M., ”Mechanisms of long lasting hyperpolarizations underlying slow sleep oscillations in cat corticothalamic networks,” J. Physiol., vol. 494, pp. 251-264., 1996

[6]

Cooley, JW and JW Tukey, ”An Algorithm for the Machine Computation of the Complex Fourier Series,” Mathematics of Computation, vol. 19, pp. 297- 301.,1965.

[7]

Csákány

Antal,

Bagoly

Zsolt,

“Jelfeldolgozás,”

ELTE

Egyetemi

jegyzet

http://itl7.elte.hu/html/jelfel/index.htm

[8]

Csépe V, Karmos G, Molnár M, ”Effects of signal probability on sensory evoked potentials in cats,” Int J Neurosci, vol. 33, pp. 61-71., 1987

[9]

Csépe V, Karmos G, Molnár M, ”Evoked potential correlates of stimulus deviance during wakefulness and sleep in cat-animal model of mismatch negativity,” Electroencephalogr Clin Neurophysiol, vol. 66, pp. 571-578.,1987

[10]

Csépe V, Pantev C, Hoke M, Hampson S, Ross B, ”Evoked magnetic responses of the human auditory

cortex

to

minor

pitch

changes:

localization

of

the

mismatch

field,”

Electroencephalogr Clin Neurophysiol, vol. 84, pp. 538-548., 1992

[11]

Delorme A., Makeig S., ”EEGLAB, an open source toolbox for analysis os single- trial EEG dynamics including independent component analysis,” Journal of Neuroscience Methods, vol. 134, pp. 9- 21., 2004.

[12]

Destexhe, A., Pare´, ” Impact of Network Activity on the Integrative Properties of Neocortical Pyramidal Neurons In Vivo,” D. J. Neurophysiol., vol. 81, pp. 1531–1547., 1999.

66

[13]

Edeline et al., ”Auditory Thalamus Neurons During Sleep: Changes in Frequency Selectivity, Threshold, and Receptive Field Size,” PNAS, 2000.

[14]

Edeline et al., ”Diversity of receptive field changes in auditory cortex during natural sleep,” European Journal of Neuroscience, vol. 14, pp. 1865-1880, 2001.

[15]

EEGLab Software, http://sccn.ucsd.edu/eeglab/

[16]

Engelien A, Schulz M, Ross B, Arolt V, Pantev C, ”A combined functional in vivo measure for primary and secondary auditory cortices,” Hear Res, vol. 148, pp. 153-160., 2000.

[17]

Galarreta M, Hestrin S., ”Frequency-dependent synaptic depression and the balance of excitation and inhibition in the neocortex,” Nat. Neurosci., vol. 1, pp. 587-594., 1998

[18]

Gibbons, J. D., ”Nonparametric Statistical Inference,” 2nd Edition, M. Dekker, 1985.

[19]

Harrison J, Buchwald J, Kaga K, ”Cat P300 present after primary auditory cortex ablation,” Electroencephalogr Clin Neurophysiol, vol. 63, pp. 180-187., 1986.

[20]

Harrison JB, Dickerson LW, Song S, Buchwald JS, ”Cat-P300 present after association cortex ablation,” Brain Res Bull, vol. 24, pp. 551-560., 1990

[21]

Hirsch JC, Fourment A & Marc ME, ”Sleep-related variations of membrane potential in the lateral geniculate body relay neurons of the cat,” Brain Res, vol. 259, pp. 308–312., 1983.

[22]

Hollander, M., and D. A. Wolfe, ”Nonparametric Statistical Methods,” Wiley, 1973.

[23]

Lakatos P, Shah AS, Knuth KH, Ulbert I, Karmos G, Schroeder CE., ”An oscillatory hierarchy controlling neuronal excitability and stimulus processing in the auditory cortex.,” J. Neurophysiol., vol. 94(3), pp.1904-1911, Sep. 2005.

[24]

Lakatos P., ”Phd értékezés, ” Semmelweis Egyetem Doktori Iskola, 2003.

[25]

Lampl, I., Reichova, I. and Ferster, D., ”Synchronous membrane potential fluctuations in neurons of the cat visual cortex,” Neuron, vol. 22, pp. 361-374., 1999.

[26]

LetsWave Software, http://www.md.ucl.ac.be/nefy/facecatlab/mouraux/letswave/letswave_main.htm

[27]

Llina´s, R. R., ” Mechanisms of supraspinal actions upon spinal cord activities differences between reticular and cerebellar inhibitor actions upon alpha extensor motoneurons,” J. Neurophysiol., vol. 27, pp. 1117–1126., 1964.

[28]

Mitzdorf U., ”Current Source-Density Method and Application in Cat Cerebral Cortex,” Physiological Reviews, vol. 65, No. 1, Jan. 1985.

67

[29]

Näätänen R, Picton T, ”The N1 wave of the human electric and magnetic response to sound: a review and an analysis of the component structure,” Psychophysiology, vol. 24, pp. 375-425., 1987

[30]

NeuroGuide EEG Software, http://www.appliedneurscience.com

[31]

Pantev C, Hoke M, Lutkenhoner B, Lehnertz K, ”Neuromagnetic evidence of functional organization of the auditory cortex in humans,” Acta Otolaryngol Suppl, vol. 491, pp. 106114., 1991

[32]

Paré, D., Shink, E., Gaudreau, H., Destexhe, A., and Lang, E. J., ”Impact of spontaneous synaptic activity on the resting properties of cat neocortical neurons in vivo,” J. Neurophysiol., vol. 79, pp. 1450-1460., 1998.

[33]

Petersen C., Hahn T., Mehta M., Grinvald A., and Sakmann B., “Interaction of sensory responses with spontaneous depolarization in layer 2_3 barrel cortex,” PNAS, vol. 100, no. 23., pp. 13638- 13643, Nov. 2003.

[34]

Pléh, Kovács, Gulyás, ”Kognitív idegtudomány,” Osiris kiadó, pp. 81- 85., 2003

[35]

Reite M, Adams M, Simon J, Teale P, Sheeder J, Richardson D, Grabbe R, ”Auditory M100 component 1: relationship to Heschl's gyri,” Brain Res Cogn Brain Res, vol. 2, pp. 13-20, 1994

[36]

Robert N. S. Sachdev, Ford F. Ebner and Charles J. Wilson, ”Effect of Subthreshold Up and Down States on the Whisker-Evoked Response in Somatosensory Cortex,” J. Neurophysiol., vol. 92, pp.3511–3521, 2004.

[37]

Rosanova M., Timofeev I., ”Neuronal mechanisms mediating the variability of somatosensory evoked potentialks during sleep oscillations in cats,” J. Physiol., vol. 562.2, pp. 569- 582., 2005.

[38]

Starr A, Farley GR, ”Middle and long latency auditory evoked potentials in cat. II. Component distributions and dependence on stimulus factors,” Hear Res, vol. 10, pp. 139-152., 1983

[39]

Steriade et al., ”Natural waking and sleep states: a view from inside neocortical neurons,” J Neurophysiol., vol. 85(5), pp.1969-85., May 2001.

[40]

Steriade M and McCarley RW, ”Brainstem control of wakefulness and sleep”, New York:Plenum Press, 1990.

[41]

Steriade M., Amzica F., ”Coalescence of Sleep Rythms and Their Chronology in Corticothalamis Networks, ” Sleep Research Online, 1998.

68

[42]

Steriade, M., Nu´n˜ez, A. and Amzica, F., ”A novel slow (,1 Hz) oscillation of neocortical neurons in vivo: depolarizing and hyperpolarizing components,” J. Neurosci., vol. 13, pp. 3252–3265., 1993.

[43]

Tiitinen H, May P, Reinikainen K, Näätänen R, ”Attentive novelty detection in humans is governed by pre-attentive sensory memory,” Nature, vol.372, pp. 90-92., 1994.

[44]

Timofeev I., Grenier F., and Steriade M., ”Disfacilitation and active inhibition in the neocortex during the natural sleep-wake cycle: An intracellular study,” PNAS, vol. 98., no. 4., pp. 1924- 1929., Feb. 2001.

[45]

Timofeev I; Contreras D; Steriade M, ”Synaptic responsiveness of cortical and thalamic neurones during various phases of slow sleep oscillation in cat,” J. Physiol., vol. 494, pp. 265278., 1996

[46]

Timofeev, Grenier, Steriade, ”Disfacilitation and active inhibition in the neocortex during the natural sleep-wake cycle: An intracellular study,” Neurobiology, 2001.

[47]

Ulbert et al., ”Multiple microelectrode-recording system for human intracortical applications,” Journal of Neuroscience Methods, vol.106 , pp. 69–79., 2001.

[48]

Welch, P.D. "The Use of Fast Fourier Transform for the Estimation of Power Spectra: A Method Based on Time Averaging Over Short, Modified Periodograms," IEEE Trans. Audio Electroacoust. vol. AU-15 , pp. 70-73., June 1967.

[49]

Wilder MB, Farley GR, Starr A, ”Endogenous late positive component of the evoked potential in cats corresponding to P300 in humans,” Science, vol. 211, pp. 605-607., 1981

[50]

Wilson, C., Chang, H. T. and Kitai, S. T. ”Disfacilitation and long-lasting inhibition of neostriatal neurons in the rat,”Exp. Brain Res., vol. 51, pp. 227–235., 1983.

[51]

Winograd S., ”On Computing the Discrete Fourier Transform,” Mathematics of Computation, vol. 32, pp. 175- 199.74., 1978.

[52]

Yamamoto T, Williamson SJ, Kaufman L, Nicholson C, Llinas R, ”Magnetic localization of neuronal activity in the human brain,” Proc Natl Acad Sci U S A, vol. 85, pp. 8732-8736., 1988

69