DIPLOMATERV
Dolgozat címe:
Idő- frekvencia moduláció elemző szoftver fejlesztése az alvásébrenléti ciklus spontán elektromos aktivitásának számítógépes vizsgálatára szabadon mozgó macskán
Szerző neve:
Dombovári Balázs Gábor
Konzulensek neve: Dr. Karmos György Dr. Ulbert István
Külső kutatóhely neve:
Magyar Tudományos Akadémia Pszichológiai Kutatóintézete
Külső kutatóhely címe:
Leadás dátuma:
1068 Budapest, Szondi u. 83- 85.
2007. június 18.
Pázmány Péter Katolikus Egyetem Információs Technológiai Kar
Nyilatkozat
Alulírott Dombovári Balázs Gábor, 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.
Budapest, 2007. június 18.
…………………………… Dombovári Balázs Gábor
Tartalomjegyzék I. A dolgozat rövid összefoglalása........................................................................ 4 II. Abstract ................................................................................................................. 6 III. Bevezetés ........................................................................................................... 8 IV. Biológiai áttekintés ........................................................................................ 10 IV.1. Az EEG jel generátor struktúrái .......................................................... 10 IV.2. Az EEG jel keletkezésének mechanizmusa ........................................ 10 IV.3. Az EEG jel frekvencia szerinti spektrális tartományai ..................... 12 IV.4. A macska hallókérgének anatómiája és fiziológiája ......................... 14 IV.5. Hippocampus felépítése ....................................................................... 15 IV.5.1. A hippocampus afferens és efferens kapcsolatai .......................... 17 IV.6. Alvási oszcillációk ................................................................................. 18 V. Műtét, elvezetési módszer ................................................................................ 20 V.1. A felhasznált elektródák ........................................................................... 20 V.2. Az elektródák implantálása ..................................................................... 21 V.3. Elvezetési metódus .................................................................................... 22 VI. Matematikai áttekintés.................................................................................. 24 VI.1. Biológiai jelek megjelenítése ................................................................ 24 VI.2. Wavelet transzformáció definíciója ................................................... 24 VI.3. Koherencia .............................................................................................. 28 VI.4. Komoduláció .......................................................................................... 28 VII. Számítógépes analízis ................................................................................... 29 VII.1. Az MCFA program bemutatása .......................................................... 30 VII.2. Az MCFA működése, funkciók ........................................................... 34 VIII. Biológiai eredmények ................................................................................... 51 VIII.1. A lassú hullámú alvás kortikális jellemzői ........................................ 51 VIII.2. A hippocampus altatás alatti mintázata ............................................. 53 VIII.3. A hippocampus és kéreg közötti kapcsolat altatásban .................... 54 VIII.3.1. Irodalmi adatok.............................................................................. 54 VIII.3.2. Adatfeldolgozás, eredmények ..................................................... 55 IX. Összefoglalás, konklúzió .............................................................................. 63 Köszönetnyilvánítás .................................................................................................. 65 Irodalomjegyzék ........................................................................................................ 66
I. A dolgozat rövid összefoglalása Az elektroenkefalogram (EEG) keletkezéséért felelős agykérgi neuronális folyamatok csak invazív kísérletekben vizsgálhatók. Kutatásom témája macskákba krónikusan beépített agykérgi multielektródról és hippocampusból elvezetett spontán agyi aktivitások elemzése és ezen biológiai adatok feldolgozásához szükséges jelfeldolgozó módszerek fejlesztése és alkalmazása. A hallókéregből és a hippocampusból elvezetett jelek különböző hullámainak frekvencia teljesítmény analízise, valamint az időbeli változások idő- frekvencia analízissel történő nyomon követése pontosabb adatokat szolgáltat a neurális generátorstruktúrák megértéséhez. Az MTA Pszichológiai Kutatóintézetének Összehasonlító Pszichofiziológiai Laboratóriumában
szabadon
mozgó,
multielektróddal
krónikusan
implantált
macskákról, ketamin altatás alatt vezettük el a spontán agyi jeleket. Ezek változásait, tulajdonságait vizsgáltam többek között az általunk kifejlesztett szoftverrel. A dolgozat az EEG jelek keletkezési mechanizmusáról, az elvezetett agyi területek általános áttekintéséről, a felhasznált elektródák típusairól és részletesen a vizsgálatokhoz fejlesztett sokcsatornás idő- frekvencia elemző szoftver (Multiple Channel Frequency Analyser, MFCA) működéséről, végül pedig a kitűzött biológiai vizsgálatokról és azok eredményeiről szól. Mind a szoftverfejlesztést, mind pedig a biológiai vizsgálatokat átfogó irodalmi áttekintés előzött meg, amelyet a megfelelő részeknél ismertetek. Az MCFA program gyakorlati alkalmazását ketamin altatás alatti kérgi lassú oszcillációk elemzésén keresztül mutatom be. Dolgozatom biológiai részében összefoglalom az irodalomban található kortiko- hippocampális kapcsolat eddig vizsgált tulajdonságait, majd bemutatom az lassú hullámú alvás és altatás alatti hallókérgi ’up state’ és ’down state’ szakaszokat, valamint a hippocampális delta (1- 4 Hz) sávba eső oszcillációk közötti, általam vizsgált összefügéseket. A kérgi ’up state’- eket két esetben válogattam ki; első esetben akkor, amikor a hippocampus delta hullámai időben jelen voltak, a másik esetben pedig nem voltak jelen. Az előbbinél kb. 150 ms- mal eltolt, de hasonló jelkarakterisztikát kaptam a két agyi terület között, mind wavelet transzformációval, mind amplitúdó átlagokkal. A másik esetben a hippocampusban nem találtam jelentős teljesítmény változást, valamint a kéreg ’up’ állapotában is jelentős teljesítmény- és amplitúdóbeli csökkenés látszódott.
4
Mindezekből arra lehet következtetni, hogy lassúhullámú alvás alatt és altatás lassú hullámaiban a nagyobb teljesítményű és amplitúdójú ’up state’- ek egyfajta transzfer funkciót indíthatnak be a kéreg és a hippocampus között, amely többek között fontos szerepet játszhat a memória konszolidációban is.
5
II.
Abstract
Cortical neuronal processes which are responsible for the genesis of the electroencephalographic signals can be investigated in invasive experiments. Our research goals were to develop and adjust different signal processing methods to analyse intracortical and hippocampal spontaneous activity derived from chronically implanted cat brain. Frequency- power analysis of different waves of the responses derived from the auditory cortex and hippocampus, as well as with time- frequency analysis provide us more exact information and helps to understand how different neuronal generators work. We recorded the spontaneous brain activity from chronically implanted cats under ketamine anaesthesia in the Comparative Psychophysiology Group of the Institute for Psychology of the Hungarian Academy of Sciences. I investigated the properties and changes of the neuronal activity with the newly developed software. This essay is about the genesis of EEG signals, the general structures of auditory cortex and hippocampus, the types of electrodes we used, and mostly about our own developed Multiple Channel Frequency Analyser (MCFA) software and finally about my biological studies and results. Previous to both studies and software engineering I introduce a comprehensive literary summary, which is presented at the corresponding chapters. I will present the practical application of the MCFA software through the analysis of the ketamine anaesthesia. In the biological part of my thesis, first the properties of cortico- hippocampal relationship are presented, followed by a summary about the slow oscillation in the auditory cortex. This is continued by the description of hippocampal delta (2- 3 Hz) oscillations and its connections with cortical slow oscillation during anaesthesia. I used two types of selection of up states (depolarized state of the slow oscillation) in the auditory cortex. First when hippocampal delta waves were present, second when these waves were not present during cortical up states. At the former one I found hippocampal activity to be about 150 ms phase shifted, but with similar signal characteristic after wavelet transformation and amplitude averaging. With the second
6
selection I didn’t find any significant power change in the hippocampus, but I found a notable power and amplitude decrease in cortical up states. From all of my experimental results the following hypothesis can be drawn, that under anaesthesia the increased power and amplitude of cortical up states induce a transfer function between cortex and hippocampus. This connection might be also very important in memory consolidation.
7
III.
Bevezetés A Pázmány Péter Katolikus Egyetem Információs Technológiai Kara és az
MTA
Pszichológiai
Kutatóintézetének
Összehasonlító
Pszichofiziológiai
Laboratóriuma lehetőséget nyújtott számomra, hogy egy olyan multidiszciplináris területen végezhessem a diplomamunkámhoz szükséges kutatásokat, ahol a Kar két fő jellegzetessége, nevezetesen a (neuro)biológia és az informatika találkozik. Dolgozatom a laboratóriumban elsajátított műtéti, elvezetési és jelfeldolgozási technikákon kívül egy saját fejlesztésű szoftver bemutatásáról, valamint a program segítségével saját biológiai vizsgálatokról szól. A szoftver fejlesztését elsősorban az motiválta, hogy a piacon jelenleg kapható szoftverek nem rendelkeznek számunkra olyan fontos funkciókkal, mint pl. a bioelektromos jelek
idő- frekvencia
változásainak megjelenítése hőtérképpel, nem beszélve azok igen magas áráról. Ezért fejlesztettük ki Grand Lászlóval közösen a Multiple Channel Frequency Analyser (MCFA) programot, amely mind paraméterezhetőségében, mind az idő- frekvencia analízis megjelenítésében igen hatékony. Az intézetben töltött idő alatt a különböző vizsgálatokhoz számos adatfeldolgozó módszert fejlesztettünk ki, amelyek később beépültek az MCFA szoftverbe így az egy multifunkciós programmá nőtte ki magát. A szoftverek fejlesztéséhez mindig konkrét kísérletekben rögzített adatokat használtunk fel, mivel konzulenseimnek köszönhetően a kezdetektől lehetőség volt részt venni a kísérletekben. Az alapvető szoftverfejlesztési feladatunk - 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 kaptak. 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 elektrofiziológia és neurobiológia egyes területeivel is lehetőségem volt részletesebben megismerkedni. Az intézetben töltött három év alatt macska alvás- ébrenléti ciklusát vizsgáltam. A terület szakirodalmát folyamatosan megismerve saját témát kaptam, macska lassú hullámú alvása alatti, a hippocampus-ból és hallókéregből elvezetett spontán agyi aktivitásmintázatok közötti kapcsolatok vizsgálatát. Feladatomban a szoftvertervezésen kívül a vizsgált
8
biológiai folyamat is nagy szerepet kapott, ezért ezt a dolgozatomban részletesen tárgyalom. Diplomatervem felépítését tekintve először az EEG jel genezisét, valamint a macska hallókérgének és hippocampusának felépítését ismertetem. Ezek után rátérek a
laboratóriumban
használt
elektródákra, 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 altatás alatti lassú oszcilláció tárgyalása ezután következik, ahol a saját biológia feladatom ismertetése is történik. A dolgozat végén rövid összefoglalást adok az elvégzett munkáról, összefoglalom jelentőségét, valamint a további terveket és a részletes irodalomjegyzéket ismertetem.
9
IV. Biológiai áttekintés IV.1.
Az EEG jel generátor struktúrái
A központi idegrendszer (Central Nervous System- CNS) legfőbb alkotói az idegsejtek és gliasejtek. A neuronok általában réteges elrendeződésben helyezkednek el a kéregben. A glia sejtek a neuronok között találhatók. A neuron sejttestjéből különböző nyúlványok származnak. Ezek a nyúlványok alapvetően két osztályba sorolhatóak funkciójuk szerint. A legtöbb nyúlvány dendrit, mely elágazódásaival számos kis szövevényt alkot. Általában az idegsejt tartalmaz egy ún. axont is, mely több kollaterálisra is felbomolhat. Az axon teremti meg a kapcsolatot más neuronokkal, célszervekkel. Interneuronális kapcsolatok esetén a kontaktusokat szinapszisoknak hívjuk, melyek a dendritekre, a sejttestekre és axondombokra. Íly módon az idegsejtek akár több ezer szinapszist is kaphatnak. A glia sejtek az idegsejtek sejttestjei, axonjai és dendritjei közötti térben beágyazódva helyezkednek el. Általában rendelkeznek néhány nyúlvánnyal, melyek kapcsolatot
teremtenek
a
neuronok
sejttestjeivel
és
nyúlványaival,
ill.
a
véredényekkel. Ez a hisztológiai elrendezés azt eredményezi, hogy az agyi extracelluláris tér nagyon szűk intercelluláris réseket tartalmaz.
IV.2.
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
10
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). A párhuzamosan elhelyezkedő piramissejtek dendritjein végződnek az afferens rostok. Ingerület esetén a dendrit membránja depolarizálódik, a sejtbe pozitív töltésű ionok áramlanak be az extracelluláris térből. Emiatt az extracelluláris térben az ionok eloszlása megváltozik, mikroáramok kialakulásához vezetve. A párhuzamos (open- field) szerveződés következtében e mikroáramok összeadódnak, így a skalpon is mérhető potenciál alakul ki (1. ábra, A rész). Eseményfüggő potenciálok keletkezésekor számos, az adott eseményhez kapcsolódóan ingerületbe jött neuron mutat együttes aktivitást. Ez erős dipólusok kialakulásához vezet. A dipólus modellek szerint ezek képezik a skalpon regisztrálható hullámok forrását. Forrásanalízis során e hullámok jellemzőiből próbálunk visszakövetkeztetni a dipólusok agyi lokalizációjára. A zárt, vagy véletlenszerű (closed field) szerveződés esetén a mikroáramok kioltják egymást, így regisztrálható dipólus nem jön létre (1. ábra, B rész).
11
1. ábra Az agykéreg szerveződésére az „open field”, az agytörzsi struktúrákra a „closed field” organizáció a jellemző (Pléh és mtsai, 2003).
Az EEG jelet frekvencia és amplitúdóbeli különbségek alapján spektrális tartományokra osztjuk fel. 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.
IV.3.
Az EEG jel frekvencia szerinti spektrális tartományai
Történetileg az agyi oszcillációkat frekvenciájuk alapján kategorizálják. Az alábbi lista rövid bemutató csupán, amely az alvás- ébrenléti ciklus elektrofiziológiai vizsgálatához elengedhetetlenül szükséges. A képet árnyalja, hogy pontosan milyen állatban, annak is melyik agyterületén és pontosan milyen tulajdonságú egy adott frekvenciájú ritmus, de alapvetően a következő jellemző oszcillációk találhatók meg macskákban:
Alfa: (8-13 Hz) Az alfa hullámok elalvás során 0.5- 10 másodperces "csomagok" formájában jelentkeznek. Ekkor az ún. alfa- orsók az egész agykéregben szinkron megtalálhatók. Állatok esetében irregulárisabb és a nyugodt ébrenlétre jellemző domináns
12
hullámforma. Kortiko- thalamo- kortikális pályák hozzák létre. A thalamus retikuláris sejtei periodikusan hiperpolarizálják a relésejteket, amit posztinhibitoros aktiválódás követ. Ez a ritmus adódik át a kérgi sejteknek.
Theta: (4.0- 8.0 Hz) A
theta hullámok
elalvás
és állatok explorációs viselkedése
során
jelentkeznek, azonban gyermekeken normálisan is megjelenik. A hippocampus piramissejtjeinek működése nyomán keletkező ú.n. RSA hullámok (Rhythmical Slow Wave Activity, ritmikus lassú hullámú aktivitás) is ebbe a hullámtartományba esnek. Ez patkányokon jól elvezethető a kéregről, mert a nagyméretű hippocampus csak néhány milliméterrel van az agyfelszín alatt.
Delta: (0.5- 4.0 Hz) A delta hullám leggyakrabban mély alvás alatt jelentkezik. A delta ritmus akkor keletkezik, amikor a thalamus sejtjei egy adott hiperpolarizációs állapotba kerülnek.
Béta: (13- 30 Hz) A béta hullám jellemző az éber állapotra, valamint az alvás álomlátásos szakaszára, vagyis az alvás REM szakaszára.
Gamma: (30- 50Hz) A gamma hullám a béta tartomány nagyfrekvenciás része, intenzív figyelmi állapotban és REM alvás álomképei alatt. A “deszinkronizált” elnevezés nem helyénvaló, a neuronok gyors tüzelése ebben az esetben nagyon is szinkron, ezt a kéreg neuronhálózatai maguk (a thalamus nélkül) hozzák létre.
Lassú hullámok: (0.1- 1 Hz) Lassú hullámú alvás során látható kérgi mintázat. A kérgi sejtek lassú potenciálváltozása, mely kevéssé ismert szinkronizáló mechanizmussal mindkét agyféltekén egyidőben a kéreg egész területén regisztrálható.
13
IV.4.
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. rhesus majmok). A hallókéreg AI areája az agy laterális felszínén, a gyrus ectosylvius dorzális részén helyezkedik el (2. ábra). A kísérletek arra utalnak, hogy a macskák ezen areája a primer hallókéreg, mely - úgy tűnik - megfelel a majmokban leírt AI-nek. Akárcsak majmokban, mikroelektródákkal 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 eseményhez-kötött potenciál korai komponenseinek topográfiai viszonyait vizsgálva.
2. 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).
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
14
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 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.
IV.5.
Hippocampus felépítése
A hippocampusról először Arantius velencei anatómus egyik 1587-ben megjelent művében számol be, melyben leírja, hogy „… az oldalkamra alsó falának a medialis fallal való találkozásánál, annak egész hosszában egy hajlékony és változatos alakú képlet van, amely a Hippocampusra, vagyis a tengeri csikóhalra emlékeztet”. A hippocampus az emlős agy filogenetikailag legősibb kéregterületéhez, az archicortexhez tartozik. Fontos szerepet játszik a tanulás és a memória folyamataiban, és ezeknek emóciók által befolyásolt módosulásaiban is. Sérülése esetén az újabb információk rögzülése zavart szenved. A hippocampus három fő részre osztható: a temporális lebeny csúcsa felé néző, kiszélesedő fej, a középső test és a corpus callosum alá felfelé, majd előrefelé és a középvonal felé hajló farok. A mediális oldalon fut végig a hippocampusból kimenő
15
és oda befutó rostokat tartalmazó fimbria fornicis, mely a farokrészt alkotó fornixba megy át. Az egymásba fonódó, U alakot képző két sejtréteg közül a mediális oldal fogazott struktúráját a gyrus dentatus, míg a hippocampus laterális görbületét az Ammon-szarv képezi. Ezek a struktúrák makroszkóposan is felismerhetőek a hippocampus hossztengelyére merőleges átmetszetben, de szövettani metszetekben is jól elkülönülnek egymástól. Az Ammon- szarv további három fő régióra osztható: CA1, CA2 és CA3 areákra (mivel az Ammon-szarv latin elnevezése Cornu Ammonis), melyeket a bennük elhelyezkedő principális sejtek morfológiája és kapcsolatrendszere alapján lehet elkülöníteni. A principális sejtek itt piramissejtek, melyek laza réteget alkotnak (3. ábra). A CA3 jelöli azt a piramissejt csoportot, amely a gyrus dentatushoz legközelebb található és rajtuk végződnek a szemcsesejtek moharostjai a sejttesthez közeli nagy dendrittörzsek komplex tüskéin. Az Ammon-szarv piramissejtjeinek dendritjei sűrűn borítottak tüskékkel úgy, hogy általában fél mikron távolságra esik egy tüske, de a tüskesűrűség a dendritek különböző vastagságú szakaszain jelentősen változik A CA1 terület az Ammon-szarvnak a gyrus dentatustól legtávolabb eső része, mely a subiculumba megy át, és amely egyben az Ammon-szarv kérgi kimenetét képezi. Az itt található neuronok piramis-típusú nagy idegsejtek, melyeknek apikális dendritjéből a sejttesttől kis távolságra oldalágak indulnak. A CA1 és CA3 között található kis sejtszámú terület a CA2, ami kevert terület, mert piramissejtjei leginkább a CA1 sejtekre emlékeztetnek, és a piramissejtek egy része anélkül kap moharost bemenetet, hogy dendritjeiken mohaszerű komplex tüskék lennének. Mind a CA1 és a CA3 is felosztható további három részre (a, b, c), de ezeket általában csak a kapcsolatok topográfiájának leírásakor használják. A gyrus dentatus sejttömegének több, mint 90%-át a szemcsesejtek adják, melyek viszonylag egyszerű szerkezetű serkentő sejtek. Többségüknek kerek és kis sejttestje van, melyek szorosan egymás mellett elhelyezkedve zárt réteget alkotnak. A szemcsesejtek dendritjei a sejtrétegre nagyjából merőlegesen egy irányba futnak a gyrus dentatus molekuláris rétegében. A szemcsesejtek axonját moharostnak, nagy axon- végződéseiket moha- terminálisnak hívjuk. A mohaterminálisok a hilus
16
mohasejtjeivel és az Ammon-szarv CA3 területének piramissejtjeivel létesítenek kapcsolatot.
3. ábra A hippocampus belső kapcsolatrendszere vázlatosan. CN – nucleus caudatus, DG – gyrus dentatus, ENT – entorhinalis kéreg, Fx – fimbria, Su – subiculum.
A gyrus dentatus hilusa kb. fele részben tartalmaz serkentő és gátló sejteket. A hilusban található izgató sejtek jellemző tulajdonsága, hogy olyan komplex és nagy tüskék borítják, amihez hasonló az idegrendszerben másutt nincs. E komplex tüskék úgy borítják a dendritek kezdeti szakaszát, mint a fák törzsét a mohák, innen ered a sejtek elnevezése (Amaral, 1978). Jellemzőjük, hogy serkentő kölcsönkapcsolatban vannak a szemcsesejtek nagy csoportjaival úgy, hogy a sejttestük közelében található szemcsesejtektől kapják az serkentő bemenetet (afferens), viszont axonjaik (efferens) ezekkel a sejtekkel nincsenek kapcsolatban, hanem az ezektől cranialisan és caudalisan elhelyezkedő szemcsesejteket idegzik be, amivel az ún. laterális serkentés lehetőségét teremtik meg. A gyrus dentatus gátló idegsejtjeinek túlnyomó többsége a hilusban van (Halász, 2005).
IV.5.1.
A hippocampus afferens és efferens kapcsolatai
Afferens kapcsolatok
17
A legegyszerűbb csoportosítás az, ha az afferenseket kérgi és kéreg alatti csoportra
osztjuk.
A
hippocampális
komplexhez
valamennyi
neokortikális
multiszenzoros asszociációs területről érkeznek afferensek. Ezek zöme az entorhinális kéregbe fut, de van egy jelentős parahippocampális kérgi terület, amely direkt kapcsolatot létesít nemcsak az entorhinális kéreggel, hanem a subiculummal illetve a presubiculummal
is.
Ezek
általában
reciprok
kapcsolatok
és
funkcionális
jelentőségüket egyre inkább hangsúlyozzák a memória kialakítás folyamatában. Mindemellett meg kell említeni, hogy a gyrus dentatus és az Ammon-szarv fő kérgi bemenete az entorhinális kérgen keresztül valósul meg és amennyiben ez a kapcsolat sérül, annak súlyos funkcionális következményei vannak. A
subkortikális
bemenetben
található
olyan
afferens
pálya,
amely
gyakorlatilag a teljes gyrus dentatust, Ammon-szarvat és a subiculáris komplexet behálózza, mégpedig látható sűrűségbeli különbségek nélkül. A hippocampus afferens kapcsolatai között funkcionális szempontból fontossági rangsort felállítani nem lehet, mert a kérgi, pl. entorhinális lézió ugyanolyan súlyos következményekkel jár, mint a kéreg alatti terület, pl. septum roncsolása, vagy az Ammon-szarv kiterjedt sérülése. Efferens kapcsolatok A hippocampális komplex kimenő kapcsolatait ugyancsak kérgi, illetve kéreg alatti kapcsolatokra oszthatjuk. A hippocampus fő agykérgi efferens kapcsolata az entorhinális kéreg, mert az Ammon-szarv CA1 területe és a subiculáris terület egyaránt az entorhinális kéregbe küldi efferenseit. A hippocampus nagyszámú kéreg alatti agyterülettel létesít kapcsolatot, köztük a septummal (CA3-1 piramissejtjei), hypothalamussal és az amygdalával (mindkettő esetében a subiculum).
IV.6.
Alvási oszcillációk
Az alvás- ébrenléti ciklusnak alapvetően három jól elkülöníthető stádiuma van: az éber, REM, ill. NREM állapotok (4. ábra). Az alvás két fő formáját- a REM (az angol Rapid Eye Movement- Gyors Szemmozgások kifejezésből), másnéven paradox alvás és a NREM (az angol Non REM- Nem REM-ből) alvást- különböző
18
neurofiziológiai folyamatok jellemzik. NREM alvás során a thalamo- kortikális interakció egy oszcilláló üzemmódra vált, melynek során az érzékszervi bemenetet ritmikus hiperpolarizációk gátolják (Bódizs, 2002). A REM alvást erőteljes neurális aktivitás jellemzi, ami a pons cholinerg struktúráiból ered és gátolja a thalamokortikális oszcillációt. Az agytörzsi monoaminerg és cholinerg sejtcsoportok kölcsönhatása a NREM és a REM alvás váltakozását szabályozza. Az alvás, mint egész a homeosztatikus és a cirkadián folyamatok együttes kontrollja alatt áll. Jóllehet számos funkcionális hipotézis áll rendelkezésre, a NREM és a REM alvás pontos szerepe nagyrészt ismeretlen. Hipnagóg hallucinációk, gondolat- szerű élmények és élénk álmodás jellemzik az elalvás, a NREM alvás és a REM alvás állapotait. Alvásnak nevezzük az élőlényeknek azt a majdnem az egész élővilágban általános tulajdonságát, hogy bizonyos periodicitással, a környezettel való kapcsolatuk és motoros aktivitásuk nagymértékben lecsökken és valamilyen alváspozíciót vesznek fel. Mindez reverzibilis, a különböző élőlényeknél különböző időtartam után ismét éber állapotnak adja át helyét (Bódizs, 2000).
4. ábra Poligráfiás alvásfázisok EEG- Elektroenkefalogram, HIPP- hippocampus elektróda jele, EMG- Elektromiogram, EOGElektrookulogram, ECG- Elektokortikogram
Dolgozatom biológiai áttekintésében törekedtem átfogóan, de korántsem részletesen ismertetni a munkámhoz elengedhetetlenül szükséges neurobiológiai ismereteket.
19
A következő részben leírom az általunk használt elektródákat és elvezetési módszereket.
V.
Műtét, elvezetési módszer
V.1.
A felhasznált elektródák
Az MTA Pszichológiai Kutatóintézetben a műtétek során háromféle elektróda került beültetésre a macskák agyába: „Fine wire” elektróda: 25 mikrométer átmérőjű, polyimid szigetelésű platina-iridium drótok, melyek egycsatornás elvezetést tesznek lehetővé. A végükről a szigetelést lekaparva kapjuk az elvezetési kontaktust. „Wire” elektróda: 0. 23 mm átmérőjű acélból készült „makroelektródok”, melyekkel az agykéreg felszínéről vezetjük el az aktivitást. Rétegelektróda: 24 elvezetési kontaktus található rajta, az egyes csatornák között 100 mikrométer távolság van. Az elektróda vastagsága 350 mikrométer, benne 24 db polyimid szigetelt platina-iridium drót fut, amelyek egyenként 25 mikrométer vastagságúak, és ezek átmetszett része adja az elvezetési kontaktust. A rétegelektróda a 5. ábrán látható. Az 6. ábrán a térbeli elhelyezkedését mutatom be.
5. ábra Rétegelektróda
20
6. ábra A rétegelektróda térbeli elhelyezkedése
V.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 macskákat a műtét előtt hónapokig szoktattuk az elvezető ketrechez annak érdekében, hogy az állat a műtét után minél otthonosabban érezze magát, megkönnyítve ezzel az elvezetést. 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 azokat (7. ábra).
21
Az elektródák pontos helyének meghatározásához szükség volt a műtét alatti agyi aktivitás monitorozásához is. 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 fogászati cementtel rögzítettük a koponyacsonthoz. A műtétet körülbelül tíznapos lábadozási időszak követte, amely során az állatokat gyakori sebkörnyéki fertőtlenítéssel és antibiotikum beadásával folyamatosan megfigyeltünk, csak ezután kezdődhettek a kísérletek.
7. ábra A műtét közben készült felvételen négy darab, egycsatornás, implantált elektróda látszik.
V.3.
Elvezetési metódus
A dolgozatban a 220-as számú macskáról elvezetett adatokból nyert eredményeket mutatom be, azonban már több macskán is folyamatban vannak a regisztrátumok feldolgozásai. Az elvezetett csatornák sorrendje a következő: 220: 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)
22
49:
Indifferens csatorna
50:
Föld A kísérletek végén az állatokat túlaltatták és perfundálták az agyukat. Ezt
követően az elektródák szúrt csatornájának pontos helye hisztológiai vizsgálatok során derült ki. A 8. ábrán a 221- es macska rétegelektródjának elhelyezkedése látható.
8. ábra A 221- es macskába helyezett rétegelektróda az ’A1 electrode’ felirat alatt látható fekete vonal által meghatározott helyre került a hallókéregbe. A hisztológiai vizsgálatokat Wittner Lucia végezte.
A fenti csatornakiosztásnál két ún. trigger csatornát alkalmaztunk, ezek a 24 és 48-as elektródok szignáljai helyett jelzik az állatnak adott hangingerek idejét. 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 (9. ábra). Utóbbit a neuronális szinten történő „sejttüzelést”, az egyes sejtek akciós potenciálja 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
23
NeuroScan programcsomaggal vagy a későbbiekben bemutatandó, általunk fejlesztett MCFA-val.
9. ábra A rétegelektródáról elvezetett mezőpotenciál (bal) és soksejt aktivitás (jobb)
VI. Matematikai áttekintés VI.1.
Biológiai jelek megjelenítése
A Fourier transzformáció (a későbbiekben FT) használható nem stacionárius jelekre, amennyiben arra vagyunk kíváncsiak, hogy milyen spektrális komponenseket tartalmaz a jel, de arra nem, hogy mikor történnek azok. Azonban, ha pl. meg szeretnénk tudni, hogy mely spektrális komponensek, időben (intervallumban) mikor történtek, akkor az FT erre a feladatra nem a legjobb választás. Ezen probléma megoldásához egy olyan transzformációt kell alkalmaznunk, amely reprezentálja a jel idő- frekvencia térképét. A Wavelet transzformáció többek között alkalmas erre a feladatra, tehát megadja egy jel idő- frekvencia felbontását (Léteznek másfajta eljárások is, úgymint ’Short Time Fourier’ transzformáció, Wigner eloszlás, stb.). Jelen diplomatervben részletesen a Wavelet transzformációval foglalkozom, mivel ezt az eljárást alkalmaztuk az MCFA programunkban.
VI.2.
Wavelet transzformáció definíciója
24
A Wavelet röviden megfogalmazva egy olyan időben korlátozott tartamú hullámforma, amelynek zérus átlaga van. A szinuszhullámok tartama nincs időben korlátozva:
mínusz
szinuszhullámok
végtelentől
simák
és
plusz
szabályosak,
végtelenig a
terjednek.
waveletek
Ezenkívül
aszimmetrikusak
a és
szabálytalanok. A Fourier analízis egy jel különböző frekvencia összetevőkre bontását jelenti. A wavelet analízis ehhez hasonlóan egy jel olyan összetevőkre bontását jelenti, amely összetevők egy eredeti ψ(t) (ún. anya) wavelet eltolt és átskálázott változatai. Az anya waveletet mindig a feladatnak megfelelően kell választani. Több ablak kipróbálása után programunkhoz a Matlab-ban előre beépített Hanning anya waveletet használtuk. Matematikailag az anya wavelet skálázása és eltolása a következőt jelenti:
ahol ψ(t) az anya wavelet, b az eltolás, a a skála paraméter. Világos, hogy amint az a skála paraméter értéke csökken, úgy a wavelet is egyre jobban lokalizálódik spektrális tartományban, egyre inkább alkalmas a magas frekvenciás jelek elemzésére.
Egy wavelet a frekvencia- idő síkot Δf *Δt méretű cellára bontja. Ebben a spektrális tartományban 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) (10. ábra).
25
10. ábra Egy adott jelre jellemző területek a frekvencia-idő síkon (Csákány és Bagoly)
Természetesen a fázissíkon végtelen számú felbontással kísérletezhetünk. A waveleteket ezek közül az emeli ki, hogy miközben frekvenciájuk viszonylag jól meghatározott, eközben időbeli 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 11. ábrán e két leírás mellett más lehetséges waveletbázisok néhány alapfüggvényét tüntettem fel.
26
11. 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 amplitúdóidő 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 szinuszjel- csomag. A Fourier bázist különböző amplitúdójú szinusz- és koszinuszfüggvények alkotják. A wavelet transzformációk alapstruktúrája rekurzív szűrésekből és (az FFT CT algoritmusánál is megismert) páros- páratlan tagok szétválogatásából áll. A waveletek viszonylag alacsony (az FFT-vel összemérhető) számítási kapacitást igényelnek. A diszkrét wavelet transzformáció (DWT) az FFT-hez viszonyítva is viszonylag gyors műveletsor, 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 tartományból a frekvencia- idő
27
térbe, és mindkettő egy- egy mátrix segítségével is megadható (Csákány és Bagoly, ELTE Egyetemi jegyzet).
VI.3.
Koherencia
Legyen Kxy az x és y jel koherenciája, amely egyenlő az átlagos keresztteljesítmény spektrummal, a Pxy- nal és a következő képlet alapján számítható ki: Kxy = | Pxy |2 / (PxxPyy). A koherencia megméri két jel közötti lineáris összefüggés erősségét minden frekvencián. Mértéke 0 és 1 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 = 1 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.
VI.4.
Komoduláció
Amíg a koherencia megmutatja két jel között a fázisbeli hasonlóságot, addig a komoduláció esetünkben megmondja két EEG szignál amplitúdóbeli kapcsolatának mértékét. Tehát a kapott [-1 1] mennyiség 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).
28
VII. Számítógépes analízis A macskák agyából elvezetett analóg bioelektromos jelek A/D konverzió után kerültek a számítógép winchesterére. Az adatok feldolgozása (válogatás, szűrés, átlagolás, stb.) részben a Neuroscan® Edit programcsomag segítségével, részben a bevezetőben említett 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 Waveletanalízis. Ezzel – egy csatornára – az Event Related Spectral Perturbation (ERSP), valamint az Inter Trial Coherence (ITC) is megbízhatóan kiszámítható. Grand Lászlóval készítettük a Multiple Channel Frequency Analysis (MCFA), Matlab alapú programcsomagot, amely
Rövid idejű Fourier vagy Szinuszoid
Wavelet analízisét tudja kiszámítani több 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 említett Neuroscan és NeuroEdit szoftverekkel az MTA- Pszichológiai Kutatóintézetében dolgozhattam. A NeuroScan sokféle funkcióval rendelkező szoftvercsomag, amelyet agyi aktivitás felvételére és feldolgozására fejlesztettek. 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
29
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 ezek sem voltak jól
paraméterezhetőek,
így
nem
használtam
(http://www.appliedneuroscience.com/)
tovább
őket.
próbaváltozatával
A
NeuroGuide
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. 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, csak hosszadalmas konverzió után.
VII.1. A
Az MCFA program bemutatása „Multiple
hatékonyabban
Channel
vizsgálhatjuk
Frequency a
Analyser”
generátorstruktúrákat,
funkcióinak olyan
segítségével
összefüggéseket
deríthetünk fel, amely szabad szemes vizsgálódáskor nem láthatók a jelben. Így nemcsak az idő- frekvencia analízisét tudjuk megnézni egy jelnek, hanem a jelek időfrekvencia és fázis változásainak folyamatát videón is követhetjük, vizsgálhatjuk a komodulációt, a CSD térképet valamint a Variable Inter Stimulus Interval paradigmát (VISI) feldolgozó analízisek segítségével a hallókéreg különböző frekvenciájú ingerekre adott válaszaiból is fontos következtetéseket vonhatunk le. Ezeken kívül a
30
különböző statisztikák számítása mellett az 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 egy alapvonalkoz képest (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). Az esemény által kiváltott spektrális perturbációt a következő képlet alapján számoljuk ki: n
ERSP ( f , t ) 1n F k ( f ,t )
2
k 1
Ahol n db epoch- ra, ha Fk(f,t) a k. epoch (f. frekvencián és t. időben) spektrális becslése. Itt Fk(f,t) kiszámításához kétféle analízist használtunk. Először a Fourier transzformáció továbbfejlesztett változatát, a Gábor Dénes féle ún. Rövid idejű Fourier transzformációt (angolul Short Time Fourier Transformation, röviden STFT) használtuk, majd annak egy továbbfejlesztett változatát, az ún. Szinuszoid wavelet transzformációt. Az STFT- t azért használtuk először, mivel programozástechnikailag könnyebb megvalósítani a változó ablakméreteket használó wavelet transzformációnál. Ez a Fourier- transzformáció adaptált változata, mellyel a jelnek egyszerre csak egy rövid szakaszát elemzik – ezt az eljárást a jel ablakolásának nevezik. Ez a jelet egy kétdimenziós idő- frekvencia diagramra képzi le. Az STFT egyfajta kompromisszumot képvisel egy jel idő- és frekvencia alapú nézőpontjai között. Mindkettőről közöl tehát információt, hogy mikor és milyen frekvenciájú jel esemény történt. Viszont csak korlátozott pontossággal képes szolgáltatni ezt az információt és a pontosság az ablak méretétől függ. Az STFT legfőbb hátránya, hogy miután kiválasztottunk egy ablak méretet az idő változó tekintetében, ez az összes frekvenciára ugyanaz marad. Sokfajta jel ennél rugalmasabb megközelítést kíván – olyat, amikor változtathatjuk az ablak méretét akár az idő, akár a frekvencia pontosabb meghatározása céljából.
31
A következő logikus lépés tehát a wavelet- transzformáció (WT): változó méretű ablakokkal történő analízis. Ekkor az ablak méretét nagyobbra vehetjük az alacsony frekvenciás rész elemzéséhez, de kisebb méretű ablakot használhatunk a magas frekvenciás információ előállításához. Az 12. ábra összefoglalóan mutatja az idő, frekvencia, STFT és WT transzormációk ’nézőpontját’, ahonnan a jelet szemléljük.
12. ábra A wavelet analízis ’evolúciója’
A waveletek alkalmazásának egyik fő előnye az, hogy lokális elemzést tesznek lehetővé – azaz egy kiterjedtebb jel kisebb részének az elemzését. A
következőkben
nagyon
leegyszerűsítve
bemutatom
a
wavelet
transzformáció lényeges kódrészletét Matlab környezetben. Először kiszámítjuk az ablakméreteket. Mivel tudjuk, hogy egy epoch hány pontot tartalmaz (frame), ezért az ablakméret a Matlab beépített függvényei segítségével egyszerűen kiszámítható. A nextpow2 függvény segítségével meghatározzuk, hogy az adott frame (ami egy szám), kettő hányadik hatványához van
legközelebb. Ebből kivonunk hármat, így
biztosítjuk a megfelelően kicsi ablakméretet, amely szám kettő hatványa lesz. Tehát az ablakméret a következőképp néz ki Matlab-ban: ablakméret = max(pow2(nextpow2(frame)-3),4); % frame: egy epoch pontjainak száma Ezek után meghatározzuk a wavelet frekvenciafelbontását, amely a már ismert mintavételi frekvencia, ciklus, ablakméret, valamint az ún. padratio (horizontális frekvencia felbontás) segítségével az alábbiak szerint könnyen kiszámítható: frekvenciák = mintavételi_frekvencia * ciklus / ablakméret * [2 : 2/padratio : ablakméret] / 2;
32
A Hanning ablakokat egy már meglévő diszkrét Fourier filter függvény (dftfilt.m) segítségével számítottuk ki: win = dftfilt(ablakméret,maximális_frekvencia / mintavételi_frekvencia,ciklus, padratio,ciklusfaktor); Ahol a (szimmetrikus) Hanning függvény a következő: w = .5*(1 - cos(2*pi*(1:n/2)'/(n+1))); w = [w; w(end:-1:1)]; Majd az idő felbontás értékeinek kiszámítása következik. Először az ablak időablak minimumától számított kezdő pozíciót határozzuk meg a mintavételi frekvencia, valamint az ablakméret ismeretében: wintime = 1000 / mintavételi_frekvencia * (ablakméret / 2); A pontos időbeli felbontás értékei az alábbiak szerint kerülnek kiszámításra: időpontok = [időablak_minimum) + wintime:(időablak_maximum - időablak_minimum -2 * wintime) / (időbeli_felbontás - 1) : időablak_maximum - wintime]; A fentiekben megfogalmazott idő, illetve frekvencia felbontások ismeretében kiszámíthatjuk a lépésközt, amely megadja a wavelet transzformáció során az ablak ’ugrásainak’ méretét. Majd kér for ciklus segítségével kiszámítjuk az összes epoch teljesítményét időbeli felbontásuk szerint az összes frekvencián. A fent megadott ERSP(f,t) képlet alapján a kapott Fk(f,t) eredményeit, amelyet az alábbi kódban tmpAdat-ként definiáltam, szummázzuk és négyzetre emeljük az egyedi epoch-ok összegét. Így megkapjuk egy teljes EEG csatorna teljesítményét. lépés = (frame-ablakméret)/(időbeli_felbontás-1); for k=1:epoch for t=1:időbeli_felbontás tmpAdat = Adat ([1:ablakméret] + floor((t-1) * lépés) + (k - 1) * frame);
33
tmpAdat = tmpAdat - mean(tmpAdat); % kivonjuk az átlagot tmpAdat = transpose(ablak) * tmpAdat(:); ERSP(: , t) = abs(tmpAdat).^2; end end
A kapott ERSP teljesítmény mátrixot ezek után ábrázoljuk egy színes hőtérképen. Amennyiben szükséges, akkor megadhatunk egy alapvonalat, amihez képest megjelenítjük az adatot.
VII.2.
Az MCFA működése, funkciók
Az MCFA legújabb verziója feltételezi a Matlab 7-es változatának rendelkezésre állását a számítógépen. A parancssorba ’mcfa’-t beírva a következő kezelőfelület jelenik meg (13. ábra):
13. ábra Az MCFA kezelőfelülete
Dolgozatom ezen fejezetében a szoftverben található menüket és almenüket hierarchikus sorrendben fogom tárgyalni az esetlegesen odatartozó biológiai és jelfeldolgozási fogalmak ismertetésével. A szemléltető ábrák nagyrésze ugyanabból a mintafájlból készült, az egy csatornás ábrázolások az egyszerűség kedvéért mindig az ötös csatornát mutatják.
34
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 -
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 az V.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 paramétereket adhatjuk meg (14. ábra):
35
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)
Egy epoch időfelbontása Az eredmény ábrázolása dB-ben vagy V-ban
Frekvencia felbontás finomítása Szignifikancia szint (alapból nem definiált) Alapvonal kezdőpontja (ms) Alapvonal végpontja (ms)
EEG fájl tulajdonságait írja ki a hőtérkép fölé
Átlagos teljesítmény kirajzolása külön ablakban
A hőtérképet elmenti .fig kiterjesztésben
8x8- as elrendezésben rajzolja ki az eredményt 14. ábra A sokcsatornás idő- frekvencia analízis paraméterablaka
36
A többcsatornás idő- frekvencia analízist a megfelelő paraméterekkel beállítva kapjuk a csatornánkénti idő- frekvencia analízisek térképeit (15. ábra), valamint a különböző csatornák frekvencia- átlagteljesítmény grafikonjait (16. ábra). A frekvencia- átlagteljesítmény grafikonokat egy ablakban is ábrázolhatjuk (17. ábra). Filename: 24@e_dow ns.eeg
Epochmin: -500
Epochmax: 500
1 20
60
40 40
80
20 0
200
20
60
400
40
80
20 0
200
20
20 0
200
80 100 -400 -200
400
40 20 0
200
11 20
100 -400 -200
20
40 20 0
200
40
80 100 -400 -200
400
20 0
200
16 20
60
20
20 0
200
20 0
200
21
80 100 -400 -200
20 0
200
400
40
60 80
20 0
200
0
200
400
40 20 0
200
40
80
20
20 0
200
60
0
200
400
40
60 80 100 -400 -200
20
20 0
200
20
60
40 40
60 80
20 0
200
40
60 80 100 -400 -200
400
20
20 0
200
400
400 20
60
20
60
40 40
60 80 100 -400 -200
400 15
60
40 40
80
20
19 60
60
400
40
60
100 -400 -200
400
20
200
10 60
40
80
20 0
14 60
60
40
80 100 -400 -200
20 0
200
400
40
60 80 100 -400 -200
20 0
200
400
20
60
40 40
60 80 100 -400 -200
20
20
100 -400 -200
400
20
60
60
23 60
40 40
80
40
100 -400 -200
400
20
40
9 60
22 60
40 60
400
40 40
80 100 -400 -200
400
20
200
20 40
18 60
60
5 60
60
100 -400 -200
20
100 -400 -200
400
40 40
80 100 -400 -200
0
17
40 60
20
40
60
20
13 60
40
80
80
12 60
40 60
40
60
100 -400 -200
400
Baseline__max: NaN
40
40
60
Baseline__min: NaN
8 60
40 40
Bootstrap: NaN
4 60
7 60
80 100 -400 -200
20
100 -400 -200
400
6
40 60
Maxfreq: 100
40
60
100 -400 -200
20
ERSPmax: 70
3
40
60
100 -400 -200
ERSPmin: 10
2
20 0
200
400
40
60 80
20
100 -400 -200
0
200
400
15. ábra Az MCFA-val 23 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.
16. ábra Az átlagteljesítmények (dB) csatornánként a frekvencia (Hz) függvényében
37
70
65
Average Power (dB)
60
55
50
45
40
35
0
10
20
30
40
50
60
70
80
90
100
Frequency (Hz)
17. ábra A csatornánkénti átlagos teljesítmények (dB) a fekvencia függvényében egy ablakban.
A hőtérképes ábrákon bármely csatorna frekvencia térképére kattintva megnézhetjük nagyított változatát, bele is nagyíthatunk, valamint az egy időponthoz vagy frekvenciához tartozó teljesítményeket pontosan ki is olvashatjuk (18. ábrán fehér négyzet).
20 X: 148.4 Y: 26.56 Index: 53.1 RGB: 1, 0.719, 0
40
60
80
100 -400
-200
0
200
400
18. ábra Idő-frekvencia analízis egy csatornára (ötös csatorna)
38
Multiple Channel Inter Trial Coherence: Az időablakok közti (fázis) koherenciát (ITPC) a következő képlet alapján számítottuk ki:
ITPC ( f , t )
1 n Fk ( f , t ) n k 1 Fk ( f , t )
Az ITC mértéke egy 0 és 1 közötti szám. A 0 az EEG adat és az időhöz kötött esemény között lévő szinkronizáció hiányát, míg az 1 a teljes szinkronizációt jelenti. Az ITPC kiszámításához először normalizáljuk minden egyes időablak- aktivitás vektor hosszát egyre, majd vesszük ezek komplex átlagát. Így a kapott információ csak az időablakok spektrális becslésének fázisait tartalmazza. A többcsatornás ITC paraméterezése hasonló az esemény által kiváltott spektrális perturbációnál bemutattakhoz, azzal a különbséggel, hogy nincs értelme a μV- dB átváltásnak. (19. ábra).
19. 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
39
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 (20. ábra) (Baudry és mtsai, 1996; Delorme és Makeig, 2004).
20. ábra Egycsatornás ERSP számításakor az átlagteljesítmény az idő (alsó grafikon) és a frekvencia (bal oldali grafikon) függvényében. Az ábra az ötös csatornát ábrázolja.
-
Single Channel 3D ERSP: a kétdimenziós ábrázoláshoz képest ez három dimenzióban ábrázolja az aktivitást, ahol a harmadik dimenzió a teljesítmény. Egy csatorna idő- frekvencia aktivitását figyelhetjük meg vele. A komponensek teljesítménye közötti különbségeket még jobban láthatjuk a 3D-s reprezentációval (21. ábra).
40
Filename: 24@e_dow ns.eeg
Epochmin: -500
Epochmax: 500
ERSPmin: 10
ERSPmax: 70
Maxfreq: 100
Bootstrap: NaN
Baseline__min: NaN
Baseline__max: NaN
70 10
20 60
30
50 40
50 40
60
30
70
80 20 90
100
10 -400
-300
-200
-100
0
100
200
300
400
21. ábra Egycsatornás, 3 dimenziós idő-frekvencia-teljesítmény ábrázolás
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 (V) mutatja az idő függvényében, a bal oldali grafikon pedig a különböző frekvenciákhoz tartozó szignifikanciát (22. ábra).
[email protected] ITC 1
10
0.9 20 0.8 30 0.7 40
0.6
50
0.5
60
0.4
70
0.3
80
0.2
90
0.1
100
0 0.5 ERP -400
100 -200 -300
-200
-100 0 100 Time (ms)
200
22. ábra Egycsatornás ITC analízis
41
300
400
0 uV
Freq. (Hz)
-
-
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 (23. ábra).
23. 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 p valószínűségi értéket,
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 átlagteljesítmény- értékeket használni, így a több külön csatornáról történő elvezetéseket sweep- enként szükséges összehasonlítani. Kiszámítjuk a sweep-
enkénti
teljesítményeket,
42
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 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 valószínűségi számnál, akkor ez azt jelenti, hogy abban a pontban a csatornák teljesítményértékei 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
idő-
frekvencia
teljesítmény
különbségének
statisztikailag
szignifikáns részeit láthatjuk. (24. ábra)
[email protected] -
[email protected] stat.' ' Ep.min: -2180
Ep.max: 2180
ERSPmin: -10
ERSPmax: 10
Maxfq: 100
Sign.: 0.01
Blmin: -2500
Blmax: -1500
10
20
30
40
50
60
70
80
90
100 -2000
-1500
-1000
-500
0
500
1000
1500
2000
24. ábra Két csatorna teljesítménykülönbségeinek statisztikailag szignifikáns részei
A Tools menü Time-Frequnecy Analysis almenüjébe tartozik továbbá három videókészítő funkció is. Ezek a következők:
43
-
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 idő- frekvencia teljesítményváltozásairól. Lényeges, hogy egy fájlból származó adatokat használ fel.
-
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.
-
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 pl. 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.
-
Time Frequency Difference Analysis: két fájlt és tetszőleges számú csatornát megadva kiszámítja a csatornák idő- frekvencia teljesítmény különbségeit. Segítségével könnyen meghatározható a két fájl csatornáinak időfrekvencia teljesítmény analízisében felfedezhető különbségek.
Comodulation Analysis almenü A komoduláció matematikai ismertetése a VI.4. fejezetben található. Az alap Matlab függvény Kenneth D. Harris professzor úrtól származik.
44
-
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 (25. ábra). A sok frekvenciaablakot tartalmazó eredményből a 26. ábrán a nagyjából 4-6 Hz közötti tartományt mutatom be, ahol a fájlban lévő 21 csatornát hasonlítottuk össze mind a 21-el.
Összehasonlítandó csatornák száma Összehasonlított csatornák száma Színskála be/ki A színskála minimuma A színskála maximuma A Fourier transzformáció pontjainak száma Mintavételezési fekvencia (Hz) Figyelembe vett legkisebb frekvencia (Hz)
Figyelembe vett legnagyobb frekvencia (Hz) Az eredménykép felbontása
Az eredménykép ábrázolási módja (négyzet vagy háromszög) 25. ábra Az autokomoduláció paraméterablaka
45
Scalemin: 0 Scalemax: 1 nFFT: 512 Sampling Freq.: 200 Resolution: 10 0--3.9063 Hz
3.9063--7.8125 Hz
23.4375--27.3438 Hz
27.3438--31.25 Hz
7.8125--11.7188 Hz
11.7188--15.625 Hz
31.25--35.1563 Hz 35.1563--39.0625 Hz 39.0625--42.9688 Hz
46.875--50.7813 Hz 50.7813--54.6875 Hz 54.6875--58.5938 Hz
70.3125--74.2188 Hz 74.2188--78.125 Hz
15.625--19.5313 Hz 19.5313--23.4375 Hz
58.5938--62.5 Hz
62.5--66.4063 Hz
78.125--82.0313 Hz 82.0313--85.9375 Hz 85.9375--89.8438 Hz
42.9688--46.875 Hz
66.4063--70.3125 Hz
89.8438--93.75 Hz
97.6563--100 Hz
93.75--97.6563 Hz 1 2 3 4 5
1
2
3 4
5
26. ábra Autokomodulációs térképek
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 (27. ábra). 0 10
0.9
20
0.8
30
0.7
40
0.6
50
0.5
60
0.4
70
0.3
80
0.2
90
0.1
100 0
10
20
30
40
50
60
70
80
90
100
27. ábra Komoduláció két csatorna között. Az ábra az ötös csatorna önmagával mutatott komodulációját (autokomoduláció) mutatja.
46
-
Comodugram 3D (2 channels): az előzőleg leírt funkció háromdimenziós megvalósítása (28. ábra).
28. ábra Két csatorna közötti komoduláció 3D megjelenítéssel. Az ábra az ötös csatorna önmagával mutatott komodulációját (auto-komoduláció) mutatja. Valóságban forgatható.
-
Comodugram (multiple channels): míg az autocomodugram 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 az 11-es csatornát a fájlban található 48 csatornával összehasonlítjuk, akkor az eredmény 48 ablak lesz. A 29. ábrán a 11- es csatorna 48 csatornával összehasonlított sokcsatornás komoduláció analízisének egy részlete látható. A képen megfigyelhető, hogy mivel a felső 10- es csatorna a rétegelektródon szomszédos a 11- es csatornával, így a két elektródról elvezetett jel nagymértékben komodulál egymással, ellenben a 11- es és 42- es csatorna jelei között kisebb komoduláció van.
47
10. csatorna 0
50
100 0
100
42. csatorna
0
1
50
100 0
50
Frekvencia (Hz)
100
Komod.
Frekvencia (Hz)
50
0
29. ábra A 11. csatorna komodulációja a 10- es és 42- es csatornával
-
Comodugram 3D (multiple channels): az előzőleg bemutatott funkció háromdimenziós
megjelenítővel.
Az
egyes
és
ötös
csatornák
komodulációjának nagyított változatát mutatom be a sok ablak közül (30. ábra).
30. ábra A sokcsatornás háromdimenziós komodulációból az 1- es és 5- ös csatornák komodulációja.
48
CSD almenü: CSD: (Current Source Density) egy bizonyos területen a neuronok transzmembrán áramainak az összege. Különböző neuronok különböző nagyságú és polaritású áramokat generálhatnak. Az extracelluláris térben a pozitív és negatív membránáramok kiolthatják egymást, tehát a CSD a makroszkopikus (mező szintű), nem pedig mikroszkopikus (egy sejt szintű) leírást ad. A távolról jövő jelek nem kerülnek számításba, így a CSD lokális 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 (31. ábra).
2 10
4
8
6
6
4 8
2 10 0 12 -2
14 -4
16
-6
-8
18
-10 20
-200
-150
-100
-50
0
50
100
150
200
250
31. ábra Current Source Density (CSD) térkép (sink – piros, source - kék). A vízszintes tengely az időt (ms) a függőleges tengely pedig a csatornák számát (esetünkben kortikális mélység) jelöli
-
Differences in CSD between 2 files: Két fájl CSD-je közötti különbséget számíthatjuk ki ezzel a funkcióval.
49
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 32. ábra a megjelenítőt mutatja.
32. ábra Az EEGlab-ból az MCFA-ba implementált EEG és CNT megjelenítő
50
HELP menü: Egyelőre a fejlesztők és az intézet nevét tartalmazza. A későbbiek során terveim között szerepel egy részletes használati utasítás beépítése is, továbbá egy saját honlap elkészítése, ahol megtalálhatók lesznek a legújabb frissítések is.
VIII.Biológiai eredmények A lassú hullámú alvás jellemzője az EEG lassú oszcillációi (kb. 0. 8- 1 Hz- es domináns frekvenciájú), melyek emberben leggyakrabban a frontális kéregből származnak, macskán azonban több generátor struktúrát is kimutattak (Achermann és Borbély, 1997; Massimini és mtsai, 2003, Mukovski, 2007). Lassú oszcilláció alatt mind a gátló, mind a serkentő neuronok membránja hiperpolarizált ’down’ és depolarizált ’up’ fázisok között oszcillálnak. A tüzelési ráta globálisan csökken ’down’ állapot alatt. Ezzel ellentétben a depolarizált állapot alatt megnövekszik a sejtek tüzelése, amely vezérli pl. az orsó (angolul spindle) oszcilláció generálását a thalamoneokortikális visszacsatolt ciklusokban (Destexhe és mtsai, 1999; Steriade és mtsai, 1993b).
VIII.1.
A lassú hullámú alvás kortikális jellemzői
A lassúhullámú alvás alatt nagy amplitúdójú, alacsony frekvenciájú agykérgi mezőpotenciálok és tónusos izomaktivitás jelentkezik (33. ábra). Intracelluláris mérések azt mutatták, hogy
sejt
aktivitás nagymértékben
szinkronizált a
mezőpotenciállal a lassúhullámú alvásban. A mély pozitív mezőpotenciálkomponensek során a kortikális sejtek hiperpolarizált állapotban voltak és nem generáltak akciós potenciálokat, míg a mély negatív mezőpotenciál-komponensek alatt a sejtek depolarizált állapotban voltak és akciós potenciálokat generáltak (Steriade és mtsai, 1993). Timofeev és munkatársai azt találták, hogy macskában a lassúhullámú alvás alatt tapasztalt tüzelésmentes szakaszok a neuronális hiperpolarizációval hozhatók összefüggésbe, amely kálium- és egyéb intrinsic áramoknak és diszfacilitációs
51
folyamatoknak köszönhető. A diszfacilitáció lényegében a szinaptikus áramok hiánya miatt létrejövő folyamat, amely az előbb említett hosszú ideig tartó hiperpolarizációs szakaszokban nyilvánul meg a lassúhullámú alvásnál. Ekkor a szivárgó áramok határozzák meg a membránpotenciált. A szivárgó áramok nagy részét intrinsic membrán áramok alakítják ki (Timofeev és Steriade, 2001). Egy korábbi tudományos diákköri munka során macska hallókérgébe krónikusan implantált elektródával az agyi mezőpotenciált és soksejt aktivitást elvezetve, az alvás- ébrenléti ciklus alatti akusztikus kiváltott potenciálok időfrekvencia viszonyait vizsgáltuk. Kimutattuk, hogy lassúhullámú alvásnál a szinaptikus csend ideje (diszfacilitáció) alatt a mért agyi jel teljesítménye nagymértékben lecsökken, míg a REM és az ébrenléti szakaszoknál ez nem jelentős. 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 (Grand és Dombovári, 2006). Subject: EEG file: 24@e_ch1-23.cnt Recorded : 17:27:58 1-Aug-2005 Rate - 2000 Hz, HPF - 0.1 Hz, LPF - 1000 Hz, Notch - off, Montage - None
Neuroscan SCAN 4.3 Printed : 16:18:35 11-Jun-2007
12345678910111213141516171819202122+2048 µV 231s
00:01:12
00:01:14
00:01:16
00:01:18
33. ábra Rétegelektróddal elvezetett hallókérgi lassú oszcilláció ketamin altatásban
52
00:01:20
VIII.2.
A hippocampus altatás alatti mintázata
A legprominensebb hippocampális mintázat lassú hullámú alvás alatt a CA3- CA1 piramissejtjeinek tranziens tüzelési sorozata (angolul burst), mely kapcsolatban van a stratum radiatum ún. ’sharp’ hullámával és a CA1 piramis rétegének gyors (140- 200 Hz fodrok, angolul ripple) mezőpotenciál oszcillációjával (Buzsáki és mtsai, 1992).
Subject: EEG file: 24@e_ch41-44.cnt Recorded : 17:27:58 1-Aug-2005 Rate - 2000 Hz, HPF - 0.1 Hz, LPF - 1000 Hz, Notch - off, Montage - None
Neuroscan SCAN 4.3 Printed : 16:29:49 11-Jun-2007
41-
42-
43-
44-
+4096 µV
1s
00:01:52
00:01:54
00:01:56
00:01:58
34. ábra Hippocampus elektródok elvezetett jelei a kérgi lassú hullámú altatás alatt
53
00:02:00
VIII.3.
A hippocampus és kéreg közötti kapcsolat altatásban
VIII.3.1.
Irodalmi adatok
Az alvás delta hullámai és az altatás lassú oszcillációja alatt a neokortikális sejtek
tüzelése
periodikusan
szinkronizálódik
és
szünetel
(Steriade,
1993c;
Achermann, 1997). Az irodalomban az EEG lassú oszcillációja és a hippocampus ripple aktivitása között már találtak kapcsolatot . A kérgi lassú oszcilláció negatív fázisától számított 200 ms-os tartomány körül a CA1 ripple aktivitása erősen lecsökkent. A hippocampális éles hullámú ripple aktivitások (angolul SharP- Wave Ripple, röviden SPW) patkányokban SWS alatt időben csoportosultak a prefrontális kéreg lassú hullámaihoz. Feltételezések szerint a kérgi lassú oszcilláció ’down’ és ’up’ állapotai és a hippocampális SPW- k közti kapcsolat fontos funkciót tölthet be a hippocampus- függő memória- konszolidációban (Mölle és mtsai, 2006). Sirota és munkatársai patkányokon végzett vizsgálatai során arra a feltételezésre jutottak, hogy a kérgi ’up’ állapotok hippocampális SPW- k generálásával az entorhinális kérgi pályákon keresztül szelektíven képesek stimulálni egyes hippocampális neuronpopulációkat. Isomura
és
munkatársai
altatott
patkányokon
végzett
kísérletekben
kimutatták, hogy a paleokortikális, entorhinális és a hippocampális struktúrák képesek fenntartani olyan szervezett mintázatokat, amelyek függetlenek a neokortex ’down’ állapotától, de a neuronok aktivitása időben mégis összekapcsolt a kérgi lassú oszcillációkkal. Természetes alvás alatt kimutatták, hogy az entorhinális kéreg, a gyrus dentatus és a CA1 régió gamma frekvenciájú teljesítménye erősen korrelál a kérgi ’up’ állapottal. Vizsgálataik alapján a CA1 neuronjai aktívak a kérgi ’up state’ alatt, amelyet valószínűleg vagy az entorhinális kéreg 3. rétege, vagy a triszinaptikus kör vezérel. Kérgi ’down’ állapot alatt a CA1- ben gamma és ripple oszcillációk voltak kimutathatók (Isomura és mtsai, 2006). A kérgi lassú oszcillációk egyik fontos fiziológiai szabálya a lokálisan megjelenő mintázatok időbeli koordinációja, úgy mint alvási orsók, gamma oszcillációk (Steriade és mtsai, 1993c) és SPW- k. A lassú oszcillációk másik fontos tulajdonsága, hogy nagy kiterjedésben képesek befolyásolni az aktivitás terjedésének irányát a kéregben bizonyos fázis eltolással. Minden egyes ’down’ állapot után a neokortex lokálisan generált mintázatokból építi fel a globális aktivitását (Luczak ás
54
mtsai, 2006). Mivel a neokortikális neuronok tér- időbeli szekvenciái az ’up’ állapotok alatt megbízhatóan ismétlődnek egymást követő epizódokban, így Isomuráék arra következtettek, hogy a neokortikális mintázatok kimenetei képesek kiválasztani a hippocampális
neuronokból
egyes
szubpopulációkat.
Ezen
kiválasztott
hippocampális neuronok hozhatnak létre ripple oszcillációkat, melyek szinkron kimeneteket adnak vissza az éppen aktív neokortikális neuronnak (Chrobak és Buzsáki, 1996).
VIII.3.2.
Adatfeldolgozás, eredmények
A fenti irodalmi adatok alapján az általunk kifejlesztett szoftverek segítségével vizsgáltam macskákon a hippocampus és a hallókéreg közti idő- frekvenciabeli változásokat lassú hullámú alvás és altatás alatt. A kísérleteket során az állatokat ketamine- nal elaltattuk (~0,3mg/kg). Miután a spontán elvezetések a számítógép merevlemezére
kerültek,
az
adatokat
Neuroscan
program
segítségével
előfeldolgoztam. Dolgozatom ezen fejezetében az eredményeket mindig egy adaton mutatom be, azonban fontos kihangsúlyoznom, hogy több macska számos elvezetésében folyamatban vannak a feldolgozások. A két agyi terület közötti összefüggéseket több szempontból vizsgáltam meg. Az első esetben azon kérgi ’up’ állapotok kezdetére átlagoltam, amelyek során a hippocampusban látható volt delta oszcilláció, a másik esetben pedig arra, ahol nem volt látható ilyen delta oszcilláció. A kérgi állapotokat úgy válogattam ki, hogy az eredeti mezőpotenciál rétegelektróddal elvezetett 23 csatornáját egy sáváteresztő szűrővel megszűrtem 30 és 130 Hz között zéró fázis eltolással és rektifálással. Az így kapott jelen pontosabban lehet azonosítani a kérgi ’up’ és ’down’ fázisokat (35. ábra).
55
Neuroscan SCAN 4.3 Printed : 17:28:10 11-Jun-2007
Subject: EEG file: 24@e_ch1-23.cnt Recorded : 17:27:58 1-Aug-2005 Rate - 2000 Hz, HPF - 0.1 Hz, LPF - 1000 Hz, Notch - off, Montage - None 123456789101112131415161718192021-
+256 µV
221s 23-
00:00:02
00:00:04
00:00:06
00:00:08
00:00:10
35. ábra Kérgi ’up’ és ’down’ állapotok válogatásához szükséges szűrés utáni állapot. Jól láthatóan elkülöníthető a két fázis
A hippocampális lassú oszcillációk jobb megkülönböztetéséhez az egyes csatornákat alulátersztő szűrővel 10 Hz- en megszűrtem. Ezek után külön- külön kiválogattam azokat a kérgi ’up’ állapot kezdeteket, amelyeknél a hippocampusban volt delta oszcilláció vagy nem volt. Majd kiátlagoltam a két eseményre -500 és 500 ms között. A fent leírt módon történő Neuroscan adatfeldolgozást követően az általunk fejlesztett Matlab alapú MCFA programmal folytattam a vizsgálatokat. Először azokat az EEG fájlokra futtatam le wavelet analízist, amelyeknél az ’up state’- ek kezdetekor volt delta oszcilláció a hippocampusban. A kapott eredmény részlete a 36. ábrán látható. Az ábrán megfigyelhető, hogy a hallókérgi alacsonyabb frekvenciákon erős teljesítménynövekedés jelentkezik (’up’ állapot) és magasabb frekvenciákon teljesítmény csökkenés és növekedés ritmikus oszcillációja váltakozik.
56
Hallókéreg II. réteg
IV. réteg
10
10
20
20
30
30
40
40
50
50
60
60
70
70
80
80
90
90
100
100 -400
-300
-200
-100
0
100
200
300
400
-400
10
10
20
20
30
30
40
40
50
50
60
60
70
70
80
80
90
90
100
100 -300
-200
-100
0
-200
-100
Hippocampus
Bal o.
-400
-300
100
200
300
400
0
100
200
300
400
Jobb o.
6
0
-6 -400
-300
-200
-100
0
100
200
300
400
Idő (ms) 36. ábra A hallókérgi ’up state’ kezdetekre kiátlagolt idő- frekvencia analízis azokban az esetekben, amikor hippocampális delta oszcilláció volt jelen
Ez a ritmikus oszcilláció hasonló módon megfigyelhető a hippocampusban is, azonban az amplitúdó csúcsa kb. 140 ms- os eltolt a hallókéreg amplitúdó csúcsához képest (37. ábra). A csúcseltolódás vizsgálatához a már ’up state’ kezdetekre kiválogatott fájlokat sávtáteresztő szűrővel megszűrtem 40 és 240 Hz között, zéró fázis eltolással és rektifálással, majd simítás végett egy aluláteresztő szűrővel megszűrtem 10 Hz- en.
57
50 Hallókéreg Hippocampus
μV 0
-50 -500
0
500
ms 37. ábra A hallókéreg és a hippocampus fázisbeli különbsége
A hippocampális delta hullámok hiánya esetén válogatott kérgi ’up state’ kezdetekre válogatott epoch- olt fájlra lefuttatva az idő- frekvencia analízist azt kaptam, hogy a hippocampus hőtérkép mintázata nem mutat számottevő teljesítmény ingadozást, sem magasabb, sem pedig alacsonyabb frekvenciákon. Továbbá a kéreg idő- frekvencia teljesítmény karakterisztikájától nagymértékben eltérő eredményt kaptam a hippocampus teljesítményében (38. ábra).
58
Hallókéreg
II. réteg 10
10
20
20
30
30
40
40
50
50
60
60
70
70
80
80
90
90
100
100 -400
-300
-200
-100
0
100
200
300
-400
400
10
10
20
20
30
30
40
40
50
50
60
60
70
70
80
80
90
90
100
100 -300
-200
-100
0
-200
Hippocampus
Bal o.
-400
-300
IV. réteg
100
200
300
400
-100
0
100
200
300
400
Jobb o.
6
0
-400
-300
-200
-100
0
100
200
300
400
-6
Idő (ms) 38. ábra A hallókéreg és hippocampus idő- frekvencia analízise azokban az esetekben, amikor a kérgi ’up state’- ek úgy lettek kiválogatva, hogy a hippocampusban nem jelent meg delta oszcilláció
Összehasonlítva a hippocampális delta oszcilláció és a delta oszilláció nélküli mezőpotenciál átlagokat jelentős amplitúdóbeli különbséget tapasztaltam. Azon kérgi ’up state’ kezdeteknél, ahol a hippocampusban nem volt delta oszcilláció, a hippocampus amplitúdó átlaga jóval kisebb volt, mint hippocampális delta oszcilláció esetén (39. ábra).
59
1500.0
A B
1000.0 500.0 µV
0.0 -500.0
-1000.0 -1500.0 -500.0 -400.0 -300.0 -200.0 -100.0 0.0 100.0 200.0 300.0 400.0 500.0 ms
39. ábra Hippocampális amplitúdó átlagok. Kérgi ’up state’ kezdetre válogatva hippocampális delta hullám esetén (A) és anélkül (B)
Megvizsgáltam továbbá a hallókéreg hippocampális delta oszcilláció és delta oszcilláció nélküli ’up state’ kezdeteire válogatott mezőpotenciál átlagokat is, ahol azt az eredményt kaptam, hogy a hippocampális delta oszcillációk esetén jóval nagyobb amplitúdójú és teljesítményű ’up state’- ek jelentkeznek, mint hippocampális delta oszcilláció hiányakor. Valószínűleg ezen nagyobb ’up’ állapotok jutnak el a hippocampusba és indukálják a hippocampus delta frekvenciájú oszcillációit. Ezeket a nagy amplitúdójú hullámokat feltételezésem szerint összefüggésbe lehet hozni egyes kortiko- hippocampális transzfer funkciók generálásával.
1500.0 1000.0
A B
500.0 µV
0.0
-500.0 -1000.0 -1500.0 -500.0 -400.0 -300.0-200.0 -100.0 0.0 100.0 200.0 300.0 400.0 500.0 ms 40. ábra Hallókérgi amplitúdó átlagok. Kérgi ’up state’ kezdetre válogatva hippocampális delta hullám esetén (A) és anélkül (B)
60
A wavelet transzformáció alkalmazása esetén is kimutatható, hogy a két kérgi állapot nemcsak amplitódó átlagokban, hanem teljesítményben is jelentősen különbözik egymástól.
A
B
30 50
6
70
0
90 -400
-200
0
200
400
-6
Telj.(dB)
Fr. (Hz)
10
Idő (ms) 41. ábra A hallókéreg 11. csatornájának idő- frekvencia analízise hippocampális delta oszcilláció (A) és delta oszcilláció hiánya nélkül (B)
A fenti hallókérgi idő- frekvencia teljesítménycsökkenés még látványosabban megmutatkozik a hippocampusban. Ezt a 42. ábra szemlélteti. Az ábrán csak a bal oldali hippocampus csatornát mutatom, de az ellentétes oldalon is hasonló eredményt kaptam.
61
A
10 20 30 40 50 60 70 80 90 100 -400
-300
-200
-100
0
100
200
300
400
B
10
6
20 30 40 50
0
60 70 80 90
-6
100 -400
-300
-200
-100
0
100
200
300
400
Idő (ms) 42. ábra A bal oldali hippocampus elektróda által elvezetett jel idő- frekvencia analízise hippocampális delta oszcilláció (A) és delta oszcilláció hiánya nélkül (B)
62
IX. Összefoglalás, konklúzió Diplomatémám informatikai részét képezte egy olyan idő- frekvencia analízáló szoftver elkészítése, amely a piacon fellelhető igen költséges szoftvereknél jobban paraméterezhető és megjelenítésében is hatékonyabb azoknál. Kifejlesztettünk egy Matlab alapú, többek között wavelet analizíst is használó szoftvert, amely a későbbiek során számos más funkciót is kapott, mint pl. amplitúdó komoduláció, áramforrás sűrűség analízis, stb. Feladatom biológiai része ketaminnal altatott macska hallókérgéből és hippocampusából elvezetett mezőpotenciál aktivitás vizsgálata. Megvizsgáltam a kéreg lassú hullámú alvása és a hippocampus delta frekvenciájú oszcillációja közti idő- frekvencia teljesítménybeli kapcsolatokat. Elsősorban arra voltam kíváncsi, hogy milyen összefüggések, milyen vezérlési funkciók lelhetők fel ketamin altatás alatt a hallókérgi neuronok által generált hiperpolarizációs és depolarizációs fázisok és a hippocampális delta oszcillációk között. A hallókérgi ’up state’- ek kezdetére átlagolva azokban az esetekben, amikor a hippocampusban megtalálhatóak voltak a delta oszcillációk, a a hippocampális időfrekvencia
teljesítmények
karakterisztikáját
összehasonlítva
a
hallókéregével,
nagymértékű hasonlóságot tapasztaltam, azonban a hippocamus kb. 150 ms- os latenciával jelentkezett időben a hallókéreghez képest. Abban az esetben, amikor a hippocampális delta oszcillációk nem voltak jelen a kérgi ’up state’ kezdetek válogatásánál, akkor a hippocampus idő- frekvencia analízisekor nem tapasztaltam számottevő teljesítményváltozást. Továbbá a kétfajta válogatási módszer által kapott kortikális wavelet transzformáció esetén is jelentős teljesítménybeli különbséget találtam. Ebből arra lehet következtetni, hogy a nagyobb teljesítményű és amplitúdójú kérgi ’up state- ek indukálják a hippocampus delta oszcillációit, amely jelentős szerepet játszhat egyes kortiko- hippocampális transzfer funkcióknál. Kiegészítve ezzel egy korábbi tanulmányt, amely szerint a kortikális „up” állapotok megnövekedett tüzelési rátát, a „down” állapotok pedig gamma tüzelési sorozatokat és alkalmi ripple aktivitást indukálnak a hippocampusban (Isomura és mtsai, 2006). Összefoglalásként elmondható, hogy a fejlesztett MCFA multifunkcionális programot sikeresen alkalmaztam sokcsatornás intrakortikális és hippocampális állatkísérleteknél.
Egy
korábbi
tudományos
63
diákköri
munkánkban
sikerült
kimutatnunk macskákban , hogy a hallókérgi 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 (Grand és Dombovári, 2006). A ketamin altatás alatti lassú hullám és a természetes lassú hullámú alvás hasonló tulajdonságokkal bír. Ezt a tényt felhasználva megvizsgáltam az altatás alatti lassú hullámú hippocampo- kortikális eseményeket. További céljaim között szerepel a spontán és kiváltott ’up’ és ’down’ állapotok, valamint a hippocampális delta frekvenciájú 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.
64
Köszönetnyilvánítás Ezúton szeretném megköszönni Dr. Karmos György professzor úrnak és Dr. Ulbert Istvánnak a Magyar Tudományos Akadémia Pszichológiai Kutatóintézetének Összehasonlító Pszichofiziológiai Laboratóriumában eltöltött három esztendőt. Hálás vagyok, hogy szakértelmüknek, türelmüknek és figyelmüknek köszönhetően sokat tanulhattam tőlük, nemcsak szakmailag, hanem emberileg is. Szeretném továbbá megköszönni Grand Lászlónak, Csercsa Richárdnak, Magony Andornak és Wittner Luciának a mindig jó hangulatú, motiváló közös munkát és észrevételeiket, amit e dolgozat elkészítéséhez nyújtottak. Végül köszönöm Kottra Péternek a kísérletek lebonyolításához nyújtott értékes segítségét.
Budapest, 2007.06.18. .…………………………… Dombovári Balázs Gábor
65
Irodalomjegyzék [1]
Achermann, P. és Borbély, A. A. , ”Low- frequency (< 1 Hz) oscillations in the human sleep electroenhephalogram,” Neuroscience vol. 81, pp. 213- 222., 1997.
[2]
Amaral, D. G., „A Golgi study of cell types in the hilar region of the hippocampus in the rat,” J. Comp. Neurol., vol. 182, pp. 851- 914., 1978.
[3]
Basar-Eroglu, C., Başar, E., Schmielau, F., ”P300 in freely moving cats with intracranial electrodes,” Int J Neurosci, vol. 60, pp. 215-226., 1991
[4]
Baudry, C. T., Bertrand, O., Delpuech, C. és Pernier, J., ”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.
[5]
Bazhenov, M., Timofeev, I., Steriade, M., Sejnowski, T. J., ”Model of thalamocortical slow-wave sleep oscillations and transitions to activated States,” J Neurosci., vol. 1,22(19), pp.8691- 8704., Oct 2002.
[6]
Bódizs, R., Alvás, álom, bioritmusok, Budapest, Medicina, 2000.
[7]
Bódizs, R., „Az alvás, a memória és a hippocampus összefüggései az alacsonyrekvenciájú
elektromos
aktivitásmintázatok
tükrében,”
Phd
értekezés, SOTE Idegtudományok doktori iskolája, 2002.
[8]
Buzsáki, G., Horvath, Z., Urioste, R., Hetke, J. és Wise, K., ”High frequency network oscillation in the hippocampus,” Science vol. 256., pp. 1025- 1027., 1992.
[9]
Castro- Alamancos, M., “Role of Thalamocortical Sensory Suppressing during Arousal: Focusing Sensory Inputs in Neocortex,” J. Neurosci., vol. 22., pp. 9651- 9655, 2002.
[10]
Chrobak, J. J. és Buzsáki, G., ”High- frequency oscillations in the output networks of the hippocampal- enthorinal axis of the freely behaving cat,” J. Neuroscience vol. 16, pp. 3056- 3066., 1996.
[11]
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
66
[12]
Cooley, J. W. és Tukey J. W., ”An Algorithm for the Machine Computation of the Complex Fourier Series,” Mathematics of Computation, vol. 19, pp. 297301.,1965.
[13]
Csákány,
A.,
Bagoly,
Z.,
“Jelfeldolgozás,”
ELTE
Egyetemi
jegyzet
http://itl7.elte.hu/html/jelfel/index.htm
[14]
Csercsa, R., Magony, A., „Agykérgi lassú alvási oszcilláció szoftveres vizsgálata epilepsziás emberben,” OTDK dolgozat, 2006.
[15]
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
[16]
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
[17]
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
[18]
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.
[19]
Desthexe, A., Paré, D., ” Impact of Network Activity on the Integrative Properties of Neocortical Pyramidal Neurons In Vivo,” D. J. Neurophysiol., vol. 81, pp. 1531–1547., 1999.
[20]
Destexhe A., Contreras, D. és Steriade, M., ”Spatiotemporal analysis of local field potentials and unit discharges in cat cerebral cortex during natural wake and sleep states,” J. Neuroscience vol. 19, pp. 4595- 4608., 1999.
[21]
Edeline, J. M., Manunta, Y., Hennevin, E., ”Auditory Thalamus Neurons During Sleep: Changes in Frequency Selectivity, Threshold, and Receptive Field Size,” PNAS, vol. 82, no. 2, pp. 934- 952, 2000.
[22]
Edeline, J. M., Dutrieux, G., Manunta, Y., Hennevin, E.,
”Diversity of
receptive field changes in auditory cortex during natural sleep,” European Journal of Neuroscience, vol. 14, pp. 1865-1880, 2001.
67
[23]
EEGLab szoftver, http://sccn.ucsd.edu/eeglab/
[24]
Gibbons, J. D., ”Nonparametric Statistical Inference,” 2nd Edition, M. Dekker, 1965.
[25]
Grand, L., és Dombovári, B. ”A hallókéregből elvezetett bioelektromos aktivitás
neuronális
generátorainak
számítógépes
elemzése,”
OTDK
Konferencia dolgozat, 2006.
[26]
Grand, L., Dombovári, B., Boldizsár, E., Karmos, G., Ulbert, I., ”Cortical gating of auditory information processing in sleep,” Poszter, 5th Forum of European Neuroscience, Bécs, 2006.
[27]
Halász, P., Hippocampus, mint neuropszichiátriai betegségek közös nevezője, Budapest, Melinda Kiadó, 2005.
[28]
Hanselman, D. C., Littlefield, B. L.,” Mastering Matlab 7.,”. Prentice Hall, 2004.
[29]
Hollander, M., and D. A. Wolfe, ”Nonparametric Statistical Methods,” Wiley, 1973.
[30]
Isomura, Y., Sirota, A., Özen, S., Montgomery, S., Mizuseki, K., Henze, D. A. és Buzsáki, G., ”Integration and segregation of activity in enthorinalhippocampal subregions by neocortical slow oscillations,” Neuron vol. 52., pp. 871- 882. 2006.
[31]
Lakatos, P., Shah, A. S., Knuth, K. H., Ulbert, I., Karmos, G., Schroeder, C. E., ”An oscillatory hierarchy controlling neuronal excitability and stimulus processing in the auditory cortex.,” J. Neurophysiol., vol. 94(3), pp.1904-1911, Sep. 2005.
[32]
Lakatos, P., Phd értékezés, Semmelweis Egyetem Doktori Iskola, 2003.
[33]
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.
[34]
LetsWave Software, http://www.md.ucl.ac.be/nefy/facecatlab/mouraux/letswave/letswave_ma in.htm
68
[35]
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.
[36]
Luczak, A., Barthó, P., Marguet S. L., Buzsáki, G. és Harris, K., ”Neocortical spontaneous activity in vivo: cellular heterogenety and sequential structure,” Proc. Natl. Acad. Sci. USA, in press.
[37]
Massimini, M., Rosanova, M. és Mariotti, M., ”EEG slow (approximately 1 Hz ) waves are associated with nonstationarity of thalamo- cortical sensory processing in the sleeping human,” J. Neurophysiology vol. 89., pp. 1205- 1213., 2003.
[38]
Matlab szoftver, http://www.mathworks.com/
[39]
Mitzdorf, U., ”Current Source-Density Method and Application in Cat Cerebral Cortex,” Physiological Reviews, vol. 65, No. 1, Jan. 1985.
[40]
Mölle, M., Yeshenko, O., Marshall, L., Sara, S. J. és Born, J., ”Hippocampal sharp- wave ripples linked to slow oscillations in rat slow- wave sleep,” J. Neurophysiology vol. 96., pp. 62- 70., 2006.
[41]
Mukovski, M., Chauvette, S., Timofeev, I. és Volgushev, M.,” Detection of active and silent states in neocortical neurons from the field potential signal during slow-wave sleep,” Cereb Cortex, vol. 17, pp. 400- 414, 2007
[42]
NeuroGuide EEG szoftver, http://www.appliedneurscience.com
[43]
Neuroscan szoftver, http://www.neuro.com/
[44]
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.
[45]
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.
[46]
Pléh, C., Kovács, G. és Gulyás, B., Kognitív idegtudomány, Budapest, Osiris kiadó, 2003, pp. 81- 85.,
69
[47]
Pratap, R., „Getting Started with MATLAB 7: A Quick Introduction for Scientists and Engineers.,” Oxford: Oxford University Press, USA, 2005.
[48]
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.
[49]
Sachdev, R. N., Ebner, F. F. és Wilson, C. J., ”Effect of Subthreshold Up and Down States on the Whisker-Evoked Response in Somatosensory Cortex,” J. Neurophysiol., vol. 92, pp.3511–3521, 2004.
[50]
Sirota, A., Csicsvari, J., Buhl, D. és Buzsáki, G., ”Communication between neocortex and hippocampus during sleep in rodents,” PNAS vol. 100., pp. 2065- 2069., 2003.
[51]
Steriade, M., Timofeev, I. és Grenier, F., ”Natural waking and sleep states: a view from inside neocortical neurons,” J Neurophysiol., vol. 85(5), pp.1969-85., May 2001.
[52]
Steriade, M. és McCarley, R. W., ”Brainstem control of wakefulness and sleep”, New York:Plenum Press, 1990.
[53]
Steriade, M., Amzica, F., ”Coalescence of Sleep Rythms and Their Chronology in Corticothalamis Networks, ” Sleep Research Online, 1998.
[54]
Steriade, M., Nun˜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., 1993b.
[55]
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.
[56]
Timofeev, I., Contreras, D. és Steriade, M., ”Synaptic responsiveness of cortical and thalamic neurones during various phases of slow sleep oscillation in cat,” J. Physiol., vol. 494, pp. 265-278., 1996
[57]
Timofeev, I., Grenier, F., Steriade, M., ”Disfacilitation and active inhibition in the neocortex during the natural sleep-wake cycle: An intracellular study,” Neurobiology, 2001.
70
[58]
Ulbert, I., Halgren, E., Heit, G. és Karmos, G., ”Multiple microelectroderecording system for human intracortical applications,” Journal of Neuroscience Methods, vol.106 , pp. 69–79., 2001.
[59]
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.
71