Summary
En EEG-fMRI multimodal imaging metod, som kallas spatiotemporal fMRI-constrained EEG källan imaging-metoden beskrivs här. Den presenterade metoden sysselsätter villkorligt-aktiva fMRI sub kartor eller priors, att vägleda EEG källkod lokalisering på ett sätt som förbättrar spatial specificitet och begränsar felaktiga resultat.
Abstract
Elektroencefalografi (EEG) och funktionell magnetresonanstomografi (fMRI) är två av de grundläggande noninvasiva metoderna för att identifiera hjärnans aktivitet. Multimodala metoder har försökt kombinera hög temporal upplösning av EEG med fMRI rumsliga precision, men komplexiteten i detta synsätt är för närvarande i behov av förbättring. Det protokoll som presenteras här beskriver nyligen utvecklade spatiotemporal fMRI-constrained EEG källan imaging metod, som syftar till att åtgärda källan fördomar och förbättra EEG-fMRI källkod lokalisering genom dynamisk rekrytering av fMRI underregioner. Processen börjar med insamling av multimodala data från samtidig EEG och fMRI skanningar, generering av 3D kortikala modeller, och oberoende EEG och fMRI bearbetning. De bearbeta fMRI aktivering kartorna är sedan uppdelade i flera priors, enligt deras läge och omgivningar. Dessa är tagna som priors i en två-nivå hierarkisk Bayesian algoritm för EEG källkod lokalisering. För varje fönster av intresse (definieras av operatören), identifieras specifika segment av fMRI aktivering kartan som aktiv att optimera en parameter som kallas modell bevis. Dessa kommer att användas som mjuk begränsningar på identifierade kortikala aktiviteten, ökar specificiteten för den multimodal imaging metod genom att minska överhörning och undvika felaktiga aktivitet i andra villkorligt aktiva fMRI regioner. Metoden genererar kortikala kartor av aktivitet och tid-kurser, som kan tas som slutresultat, eller användas som en grund för ytterligare analyser (analyser av korrelation, orsakssamband, etc.) medan metoden är något begränsad av villkoren (det inte hittar EEG-invisible källor), det är i stort sett förenlig med de flesta större bearbetning programvara, och är lämplig för de flesta neuroradiologiska studier.
Introduction
Elektroencefalografi (EEG) och funktionell magnetresonanstomografi (fMRI) kan ses som neuroimaging modaliteter med kompletterande funktioner. FMRI fångar hjärnaktivitet med stor temporal skala, som hemodynamiska signaler indirekt mäta den underliggande neuronala aktiviteten med en dålig temporal upplösning (storleksordningen sekunder)1,2. Däremot mäter EEG direkt dynamiska elektrofysiologiska aktiviteten av hjärnan med en mycket hög temporal upplösning (millisekundnivå), men dålig rumslig upplösning3,4. Dessa egenskaper har lett till multimodala strategier utformats för att optimera de gynnsamma aspekterna av varje enskild metod5. Samtidig användning av EEG och fMRI gör att den utmärkta temporal upplösningen av EEG kombineras med hög rumsliga noggrannhet av fMRI kan övervinna de begränsningar som är associerade med unimodala fMRI eller EEG.
Metoder för EEG och fMRI integration börjar med fMRI-informerade EEG källkod lokalisering6,7. Denna teknik använder fMRI-derived rumslig information för att förbättra EEG källkod lokalisering, en nackdel är dock den potentiella rumsliga bias orsakad av tillämpningen av fMRI som en ”hård-constraint” — fMRI-derived rumslig information anses en absolut sanning. Detta innebär två stora frågor som måste vara avstämda6–8. Först måste det anses att användning av en statisk karta blodet syre nivå beroende (fet) kontrasternas oavsiktligt kan stärka någon felaktig verksamhet som faller inom det, medan dämpning sant verksamhet utanför den. Andra, överhörning från källor som inträffar utanför DJÄRVA aktivering kartan kan påverka presentationen av sanna aktivitet inom resultaten eller orsaka felaktig aktivitet. Trots detta begränsas användningen av den hög rumslig upplösningen av fMRI att tillhandahålla rumsliga förkunskaper är fortfarande en gynnsam lösning5, som modellering av EEG inverse problemet kan vara både i anatomiska och funktionella sinnena.
I detta papper visar vi en spatiotemporal fMRI-constrained EEG källa imaging strategi som behandlar frågan om temporal obalans mellan EEG och fMRI genom att beräkna den optimala delmängden av fMRI priors baserat på en hierarkisk Bayesian modell9. FMRI-priors beräknas i en data-driven sätt från särskilda windows sevärdheter i EEG data, leder till tid-variant fMRI begränsningar. Det föreslagna tillvägagångssättet använder tredjeparts temporal högupplöst av EEG att beräkna en strömtäthet kartläggning av den kortikala aktiviteten, informerade av den hög rumslig upplösningen av fMRI i en tid-variant, rumsligt selektiva sätt att exakt bilder dynamisk neurala verksamhet.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Det protokoll som presenteras här ritades och utförs i enlighet med alla riktlinjer för etisk mänsklig forskning enligt fram av respektive institutionella i styrelserna för University of Houston och Houston Methodist Research Institute.
1. samtidig EEG/fMRI inspelning
- Inhämta informerat samtycke från deltagaren. Förklara för den deltagaren syftet och tillvägagångssättet av studien, liksom de viktiga säkerhetsåtgärderna för samtidiga EEG/fMRI data inspelningsprocessen.
-
Förbereda EEG locket och kontrollera impedans utanför magnetkamera rummet.
- Placera en lämplig storlek, passiv, MRI-kompatibel EEG korken på personens huvud. Placera elektroderna enligt de 10 – 20 internationella märkning system10.
- På EEG inspelningsprogrammet, kontrollera impedansen i marken och referens elektroderna. För att göra detta, klicka på fliken 'impedans' och välj vilken elektrod på programvara-användargränssnittet (se figur 1).
Obs: Exakta instruktioner här är specifika för den programvara som används häri (se Tabell för material), och kan behöva anpassas till andra system. - För varje elektrod, Använd en spruta för att injicera elektroden elektrolyt gel, sedan använda en bomullspinne för att sprida gelen för att säkerställa hud-elektrod kontakt.
- När impedansen sjunker, fortsätta att övervaka värdena med lämplig programvara (justera skalan impedans som nödvändigt, beroende på inställningarna) att övervaka impedans nivå ordentligt (se figur 1). Fortsätt tills alla elektroder når impedans nivåer under 10 kΩ att säkerställa en högkvalitativ signal.
Obs: Per material anges och utnyttjas här, det anses osäkra har någon elektrod en impedans på över 50 kΩ i MR-miljö11. Detta kan ändras beroende på valt locket och MRI inställningar, design så rådgör med maskintillverkaren och MRI tekniker för att garantera säkerheten för den experimentella setup.
- När impedansen sjunker, fortsätta att övervaka värdena med lämplig programvara (justera skalan impedans som nödvändigt, beroende på inställningarna) att övervaka impedans nivå ordentligt (se figur 1). Fortsätt tills alla elektroder når impedans nivåer under 10 kΩ att säkerställa en högkvalitativ signal.
-
Samtidiga EEG/fMRI maskinvaruinställningar.
- När EEG cap preparatet är gjort, har ämnet flyttat till herr-skannern med hårdvara inställningar beskrivs i figur 2.
Obs: Vissa detaljer i figuren kan ändras, beroende på systemet i bruk. - Ställ in bildskärmens experimentella paradigm. Använda en bildskärm som ligger på observation rummet, bakom glasfönstret som vetter mot framsidan av herr-skannern (se figur 2). Använda en huvud spole visning spegel för att låta försökspersoner att visa skärmen utan att flytta sina huvud eller ögon medan liggande.
- Visa en exempelbild på datorskärmen för att säkerställa att ämnen bekvämt kan visa skärmen och att paradigm visar korrekt. Gör eventuella justeringar för maskinvara eller programvara.
- När EEG cap preparatet är gjort, har ämnet flyttat till herr-skannern med hårdvara inställningar beskrivs i figur 2.
-
Experimentella paradigm (se figur 3).
- Instruera ämnet att vara stilla, och utföra en inledande T1-vägd anatomiska MRI scan. Använd om möjligt ett synfält som når från botten av lillhjärnan till toppen av huvudet, inklusive skalle och huden.
- Starta inspelningen EEG data (se figur 4).
- Samtidigt klicka på lämpliga knappar för att påbörja inspelningen MRI och initiera paradigm för ränta på presentationsprogrammet. Kontrollera den EEG registreringen för att säkerställa signalkvalitet och, om så önskas, lämpliga markörer registreras.
- När du använder den inställning som beskrivs här, först klicka på ”Kör” i presentationsprogramvaran och ange ämne nummer och prövningsnumret. Paradigmen kommer inleda vid bekräftar dessa inställningar.
Obs: Paradigm anställd här bestod av 10 försök där ett känslomässigt motiverade motor svar var frammanade genom visuell stimulans. För varje studie, försökspersoner ombads först vila för 50 s titta på en grön skärm, varefter bilden av en obehaglig (bilder motsvarar förvåning, ilska eller avsky) eller inte-otrevligt (bilder motsvarar lycka eller neutralitet) möta12 presenterades för 10 s. fem bilder från varje kategori presenterades i en randomiserad ordning, och försökspersonerna ombads att krama en boll vid identifierar ett ansikte som obehagliga och håll squeeze tills det försvann. - Använda en Gradient-erinrade Echo Planar Imaging (GR-EPI) sekvens för fMRI inspelning (rekommenderas); anpassa efter utrustning och paradigm.
Obs: Den sekvens som används häri ingår: Echo tid (TE) = 35 ms; Upprepning tid (TR) = 1 500 ms; Skiva tjocklek = 5 mm; Knäppa vinkel = 90 °; Pixel avstånd: 2,75 x 2,75 mm. Det kan vara nödvändigt att använda en MRI-sekvens som varar lite längre än visning av paradigm själv, att se till att full paradigm registreras utan klippning.
- När du använder den inställning som beskrivs här, först klicka på ”Kör” i presentationsprogramvaran och ange ämne nummer och prövningsnumret. Paradigmen kommer inleda vid bekräftar dessa inställningar.
2. strukturell MRI dataanalys och framåt modellgenerering
- Gäller hela segmentering och rekonstruktion av olika ytor från motivets T1-vägd anatomiska MRI volym med Freesurfer bild analys suite13,14.
Obs: En mapp som innehåller alla segmentering utgångar ska skapas av Freesurfer. -
Generera en ämnesspecifika 3-lagers gränsen Element metoden (BEM) geometriska modell följande instruktionerna (https://martinos.org/mne/dev/manual/appendix/bem_model.html)15 Använd de tillgängliga grafiskt användargränssnitt (GUI) till Se till att det finns ingen överlappning i lager.
- Öppna programmet Freeview. Klicka på ”fil” >> ”Ladda Surface”. Navigera till katalogen försökspersoner i mappen Freesurfer. Öppna mappen ”BEM”. Öppna mappen ”Watershed”. Ladda de fyra filer som hittas här ('outer_skin_surface', 'outer_skull_surface', 'brain_surface' och 'inner_skull_surface').
- Flytta reglagen slice urval och leta efter överlappning i gula ytskikten. Om överlappning uppstår, dubbelkolla MRI data för anatomiska defekter eller fel och använda GUI ritverktyg för att klargöra lagren.
- Läsa in original MRI data i Freeview ansökan genom att klicka på ”fil” >> ”Ladda volym”. Navigera till mappen ämne och öppna mappen ”mri”. Klicka på katalogen ”orig” och öppna den strukturella MRI data finns (bör in.mgz or.nii format). Klicka på ”OK”.
- Visa gråskala bilden av huvudet. Titta på de olika lager av grå och svart runt hjärnan. Se till att dessa lager inte har eventuella brister eller oegentligheter. Använd verktyget ”färgväljaren” och välj en voxel lagret ska rättas.
- Växla till ”Freehand Voxel redigera”, och klicka för att rita på bilden. Används för att fylla i eventuella defekter i MRI bilden. Utföra korrigering för alla lager och MRI skivor, där defekter uppstår.
Obs: den ”vidoflextråd” och ”Livewire” voxel redigeringsverktyg kan också användas i stället för den ”Freehand”.
- Generera källkod utrymmet baserat på geometri av pial ytan.
-
Utföra ämnesspecifika EEG sensorjusteringen (t.ex., översättning och rotation) till MRI utrymme med överlägget Freesurfer huvud modell (figur 5). Spara omvandlingen.
- Öppna programmet MNE_analyze. Klicka på ”File” >> ”Last yta”. Navigera till mappen som innehåller ämnet data och ladda pial ytan.
- Klicka på ”fil” >> ”Last Digitizer Data och välj filen EEG av intresse (bör innehålla digitizer data). Klicka på ”Visa” >> ”Visa Viewer”. När betraktaren GUI visas, klicka på ”alternativ” och se till att ”hårbotten” och ”Digitizer data” alternativ väljs. Elektroderna här visas i rött, med relaterat punkter i gult.
- I huvudfönstret (inte betraktaren), Välj ”justera” >> ”samordna anpassningen”. Använda 'Samordna anpassningen GUI', använda piltangenterna och L/R knappar att flytta och rotera EEG elektroderna i visningsprogrammet. Justera så mycket som behövs. När anpassningen är klar, klicka på ”Spara...” längst ned på 'Samordna anpassningen GUI' Spara anpassningen.
Obs: Vanligtvis en jämn fördelning av elektroder i hela hårbotten med bra relaterat justering krävs.
- Generera framåt modellen genom att tillhandahålla den ämnesspecifika BEM modellen, källfärgrymd och EEG sensor omformningen använder MNE programvara15.
3. funktionell MRI dataanalys
- Utföra första nivån (enskilda ämne) fMRI statistisk analys med allmänna linjära modell (GLM) metoden för att förvärva DJÄRVA aktivering kartor för uppgifter av intresse. Korrigera för multipla jämförelser som behövs16, använder den kluster-baserade strategi som är inbyggd i rörledningen Freesurfer grupp-analys.
- Utföra gruppnivå analyser på alla ämnen, om så önskas, att förvärva DJÄRVA aktivering kartan för alla ämnen i standard utrymme (MNI eller Talairach).
Obs: University of Oxford centrum för funktionell MRI hjärna (FMRIB) programvara bibliotek (FSL)17 och analys av funktionella Neuroimages (Johanna)18 paket både möjliggöra analys av fMRI data på samma ytor genereras av Freesurfer, vilket gör dem bekvämt för efterföljande analys. -
Använd verktyget tksurfer visualisering för att utföra region-of-intresse (ROI) identifiering genom lastning fMRI aktivering kartan (både individuell nivå och gruppnivå) och ange önskad FDR-korrigerade tröskel19 (p < 0,05 används här ).
Obs: De ROIs identifierade från individnivå aktivering kartor kommer att fungera som de ämnesspecifika fMRI-derived rumsliga priors för efterföljande källkod lokalisering.- Med hjälp av fMRI aktivering kartan grå substans i lagret, extract surface fläckar med en ansluten-märkning algoritm.
Obs: Dulmage-Mendelsohn nedbrytning användes i det här exemplet. - Ytterligare dela upp patchar baserat på märkning av en fördefinierad hjärnan atlas, så att någon patch verksamhet som omfattar mer än en region delas.
Obs: Atlas används här var de DKT40 atlas20 (tillgänglig från Freesurfer)21. Atlaser kan vara specialiserade eller valt, baserat på experimentella preferenser.
- Med hjälp av fMRI aktivering kartan grå substans i lagret, extract surface fläckar med en ansluten-märkning algoritm.
- Projektet de förvärvade gruppnivå ROIs (som för närvarande i standard utrymme) tillbaka till enskilda källa utrymmen i varje ämne. Efter utföre den enskilda personens strukturella MRI segmentering (steg 2.1), de koordinat transformationer mellan ämne och standard utrymme finns i filerna lh.sphere.reg och rh.sphere.reg, finns i mappen ”surf” av motivets Freesurfer utdatamappen.
Obs: Alla ämnen kommer därmed att dela samma uppsättning av ROIs, men i sin egen specifika modell. Se figur 6 exempel på fMRI resultaten och resulterande ROIs.
4. EEG dataanalys
Obs: Detaljer i det här avsnittet kan vara specifika för den programvara som används (se Tabell av material för mer detaljer). Se lämplig dokumentation om använder olika programvarupaket.
- Utföra scanner gradient artefakter korrigering genom mall subtraktion. För detta, klicka på knappen ”herr Correction” i menyn ”särskild Signal Processing”, och välj parametrar i EEG analys programvara GUI (se figur 7). Mata in parametrarna till valt skanner sekvens och experimentell design.
Obs: Primära parametrar inkluderar: upprepning tid (TR) för MRI scan, scan typ (interfolierade eller kontinuerlig), MRI volym markörer (eller lutning detektionsmetod och gradient trigger), kanaler för korrigering och artefakt mall. - Ta bort cardioballistic artefakter genom mall subtraktion. För detta, klicka på knappen ”CB Correction” i menyn ”särskild Signal Processing”, och välj parametrar i programvaran analys GUI.
Obs: Parametrar behövs här inkludera lägsta och högsta puls, artefakt mall, ECG kanal, mall korrelation och kanaler för korrigering. - Gäller filtrering. Välj knappen för IIR filtrering överst i analysen GUI, under ”Data filtrering”. Till exempel använda högpass på 0.05 Hz, låg-pass på 40 Hz, och en notch-filter i kraftledning frekvens (60 Hz), med en rulle av 48 dB/Hz.
Obs: Efter tillämpning av ett lågpassfilter en cutoff frekvens på 40 Hz, 60 Hz notch-filter är inte strikt nödvändigt, men är anställd som ett skydd mot eventuella kvarvarande kraftledning frekvenser som kan ha överlevt på grund av den roll-off på filtret kanter. - Utföra okulär artefakt korrigering, ovanpå analysen GUI: Välj ”Transformation” >> ”artefakt avslag/Reduction” >> ”okulär korrigering ICA”.
- Segmentera EEG data in i epoker utifrån angivna före och efter stimulans tid, när det gäller händelsen timing markörerna. För att göra detta, Välj, ”Transformation” >> ”segmentet analys funktioner” >> ”segmentering”, välj sedan markören av intresse och tid segmentet av intresse.
Obs: Segmentering längder bör väljas för att passa paradigm och förväntade hjärnaktivitet sevärdheter. -
Utföra manuell eller halvautomatisk artefakt avslag: Välj ”Transformation” >> ”artefakt avslag/Reduction” >> ”artefakt avvisande”. När du uppmanas, definiera kriterier för artefakter inom de tre flikarna GUI och fortsätt enligt anvisningarna på GUI.
- I 'inspektionsmetod' fliken, välj Välj ”automatiskt”, ”halvautomatiskt” eller ”manuellt Välj artefakter” (halvautomatiskt läge rekommenderas). Sedan väljer du ”markera” eller ”ta bort artefakter”, och ange om korrigeringarna är för en enda kanal.
- Välj de kanaler som kommer att korrigeras för artefakter i fliken 'Kanalval'.
- Välj underlag genom vilka artefakter kommer att identifieras i fliken 'Villkor'. Gör dina val här att passa experimentella behov. Klicka ”OK” när du har valt kriterier och artefakter kommer vara identifierade och/eller avvisas i enlighet med val.
-
Utföra Baslinjejustering och rättegång i genomsnitt (i tillämpliga fall).
- Att utföra baslinjekorrektion: Välj ”Transformation” >> ”segmentet analys funktioner” >> ”Baseline Correction”. I genomsnitt segmenterad data: Välj ”Transformation” >> ”segmentet analys funktioner” >> ”genomsnittliga”.
5. spatiotemporal fMRI begränsningar — EG Source Imaging
- Definiera fönstrets storlek och fönster överlappande storlek (standardinställningen efterlyser en 40 ms fönsterstorlek med 50% (20 ms) överlappar varandra).
- Välj den ämnesspecifika ROIs uppsättning (erhålls i steg 3) som den rumsliga tidigare uppsättningen. För varje EEG segment kommer algoritmen sedan uppskatta en uppsättning vikter för en delmängd av de rumsliga priors som maximerar bevisningen som modell, och beräknar källa kovarians matris med detta.
- Med hjälp av den resulterande källa kovarians matrisen, utföra källkod lokalisering för EEG segmentet är analyseras, ger källan strömtäthet resultat.
- Utför steg 5.2 och 5.3 för alla EEG segment och, om nödvändigt, summerar strömtäthet resultaten för alla tid segment till en komplett strömtäthet tid-kurs genom genomsnitt den överlappande delen.
Obs: Detta steg kommer att resultera i en strömtäthet tid-kurs av kortikal aktivitet på varje källa-punkt som definieras i steg 2,3 (detta nummer är vanligtvis storleksordningen flera tusen) (figur 8). -
Extrahera representativa strömtäthet tid-kursen vid varje ROIs.
- Välj den bästa metoden för att sammanfatta de tid-kurserna från flera källa punkter inom en ROI till en enda signal tid-kurs: medelvärde, första eigenvariate o.s.v.
- Upprepa steg 5.1 till 5,5 för alla ämnen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
EEG källkod lokalisering på den grundläggande nivån innebär att lösa den framtida och inversa problemen. De komponenter som krävs för att bygga och lösa framåt visas i figur 5C. Använda en ämnesspecifika T1 bild, tre lager – hjärnan, skalle och hud — var segmenterade och maskor. Dessa lager tjänstgjorde som indata till generera den BEM-modellen. Likaså var motivets grå-materia lager segmenterad från strukturella MRI och används för att konstruera källfärgrymd. EEG-sensor platser var DT på huvudet modellen använder en serie av styv geometriska omformningar. När konstruerad, framåt modellen representerar hur elektriska aktivitet med ursprung från valfri plats på källa utrymme skulle ge upphov till potentiella mätningarna vid varje EEG sensor plats på hårbotten.
fMRI tillhandahåller 3D-bilder av hjärnans funktionella aktivitet med utmärkta rumslig upplösning och noggrannhet. Konventionella fMRI analys följer GLM metoderna för att identifiera den hjärnan voxlar betydligt aktiveras av en viss uppgift. Det typiska resultatet av denna analys är en fMRI aktiveringen karta: kartan enda hjärnan belyser aktiva voxlar, som kan projiceras på den grå ytan, som visas i figur 6A. Vi dela vidare erhållna aktivering kartor i sub kartor, varje egenskap av potentiella rumsliga förhandstillstånd för lokalisera hårbotten potential mätt EEG i någon viss tidsramen (figur 6B). Figur 8 representerar den fokusera schematiskt av spatiotemporal fMRI begränsad källa analysen ovan. Endast lämplig partiell uppsättning fMRI aktivering kartan används för att generera EEG källa rekonstruktionen för segmentet motsvarande EEG data på angivna fönstrets storlek. Som alla EEG-tidsfönster analyseras, uppnås en fullständig rekonstruktion av den kortikala aktiviteten i en spatiotemporally specifika mode som lindrar den rumsliga bias tillämpa de samma fMRI priors vid alla tidpunkter för EEG.
Vi visat ytterligare en framgångsrik tillämpning av spatiotemporal fMRI begränsad källa analysmetoden när det appliceras på en visual/motor aktiveringen uppgift studie9, som var i sekvensen av hjärnans aktivitet från visuell input till motoreffekt återhämtat sig med hög spatiotemporal noggrannhet (figur 9). Medan det finns vissa beroende på användarens val av fönsterstorlek, var rekonstruerade source imaging resultaten allmänt robust till måttliga förändringar, som visas i figur 10. I detta syfte bör fönstrets storlek väljas av experimenter som bäst passar deras särskilda studie (dvs. en fönsterstorlek som är alltför stora kan visa sig vara felaktiga för snabb aktivitet eller svängningar, medan en för kort fönsterstorlek kan missa lägre frekvenssignaler ) (Figur 10).
Figur 1 : Hårbotten EEG impedans kontroll. Skärmdump av Recorder programvara-användargränssnittet, med pilar som pekar på viktiga ikoner i protokollet steg 1.2. Klicka här för att se en större version av denna siffra.
Figur 2 : Schematisk av samtidiga EEG/fMRI inspelning Maskinvaruinstallation — inte dras till skala. (1) scanner; (2) deltagare bär geléartad EEG passiva keps; (3) EEG förstärkare och nätdel ansluten till den gemensamma jordbrukspolitiken EEG. (4) optisk fiber kablar ansluta förstärkarna till 2 USB-Adapter (kallas även en BUA); (5) BUA, ett gränssnitt mellan förstärkare och inspelning datorn; (6) data förvärv dator; (7) paradigm presentation dator, utrustad med ett express-kort för utdata händelse timing markörer; (8) transistor-transistor logic (TTL) utlösa kabel, leverera händelse timing markörer från presentationen datorn och herr-scanner hårdvara till BUA; (9) Herr scanner maskinvara att ge timing markörer i början av (10) en fMRI slice/volym nyförvärv och (11) klocksynkronisering signal; (12) klockan synkronisering anordning, som ger synkronisering mellan den av EEG-förstärkare och herr-scanner klockan; (13) gränssnittsmodulen, gränssnitt mellan herr-skannern och enhetens klocka synkronisering; (14) monitor för visuell visning av experimentella paradigm; (15) glas fönster för visning av scanner rummet från kontrollrummet. Klicka här för att se en större version av denna siffra.
Figur 3 : Experimentella Paradigm. Ämnet var visas en serie av visuella stimuli, tillhör en av två kategorier: trevlig-face och obehagliga-face12. I varje prövning visades en 50 s grön skärm baslinje första gången, följt av ett slumpmässigt utvalda 10 s visuell stimulans. Ämnet var att pressa en gummiboll med sin högra hand för hela den tid av den stimulans som visas, om bilden uppfattades som en obehaglig-ansikte. Klicka här för att se en större version av denna siffra.
Figur 4 : Skärmdump av EEG data inspelningen. En representativ del av EEG data under inspelningsprocessen. (A) Period av EEG data med fMRI-pulssekvens i praktiken herr-scanner artefakter uttalas. (B) Period av EEG data utan fMRI-pulssekvens, inga uppenbara herr-scanner-artefakter är synliga. Klicka här för att se en större version av denna siffra.
Figur 5 : Den framtida modell generationen. (A) justering av EEG elektroder på huvudet modell utrymmet. Röda och blå cirklar representerar digitaliserade EEG sensor platser, gula cirklar representerar de digitaliserade EEG relaterat punkterna: nasion, vänster preauricular och höger preauricular. (B) alternativ för sensor justeringsprocessen, inklusive manuell omvandling, såsom översättning och rotation av EEG sensorn utrymme (protokoll steg 2,4). (C) ämnet specifika BEM modell genereras, inklusive 3 fack: (3) hjärnan, (4) skalle och (5) hud. Den distribuerade källfärgrymd på ytan av lagrets grå substans (1). (2) EEG sensor platser är justerade på modellen. Klicka här för att se en större version av denna siffra.
Figur 6 : fMRI aktiveringen karta och utvinning av regioner av intresse. (A) fMRI aktivering kartan på uppblåsta yta för enkel inspektion. Regioner färgkodade i rött och gult aktiveras signifikant (p-korrigerade < 0,05). (B) 8 representativa regioner av intresse ur fMRI aktivering kartan. Observera atlas-baserade separation av motorisk aktivitet in 3 priors. Klicka här för att se en större version av denna siffra.
Figur 7 : Skärmdump av Analyzer software-användargränssnittet — borttagning av herr-scanner artefakter. (A) innan scanner artefakt korrigering: (a) EEG datasektionen före starten av fMRI-pulssekvens; (b) EEG datasektionen under fMRI-pulssekvens i praktiken scanner artefakter syns tydligt; (c) frekvens innehållet (FFT) i data avsnitt i (b). (d) analyzer Softwares inbyggd analys moduler för scanner gradient-artefakt korrigering och cardioballistic artefakt korrigering. (B) efter scanner artefakt korrigering: (a) EEG datasektionen efter avlägsnande av herr-scanner artefakter; (b) frekvens innehållet (FFT) i dataavsnitt i a. Klicka här för att se en större version av denna siffra.
Figur 8 : Övergripande Schematisk av analysprocessen. (A) EEG databehandling och fönster storlek urval. (B) fMRI dataanalys, följt av utvinning av regioner av intresse som ska användas som rumsliga priors för källkod analys. (C) källa analys utförs på varje EEG segment, anges av fönster storlekar och procent överlappning. (D) komplett rekonstruerade kortikal aktivitet över tid-intresse. Klicka här för att se en större version av denna siffra.
Figur 9 : Rekonstruerade kortikala aktiviteten hos ett representativt ämne genomgick visual/motor aktiveringen paradigm. Källa återuppbyggnad resultat från kontrasterande två metoder: spatiotemporal fMRI begränsas (överst) och tajma-invariant fMRI begränsad källa imaging (nederst). Figur Reproducerad med tillstånd från referens9. Klicka här för att se en större version av denna siffra.
Figur 10 : Rekonstruerat aktivitet tid-kurs vid cingulum cortex med olika fönsterstorlekar. (a) aktivitet tid-kurser rekonstrueras med hjälp av mindre fönsterstorlekar visade mycket liknande resultat (korrelation R > 0,95). (b) använda större fönsterstorlekar resulterade i höga skillnad (R < 0,7). Figur Reproducerad med tillstånd från referens9. Klicka här för att se en större version av denna siffra.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Här har vi visat de nödvändiga åtgärder för att använda metoden spatiotemporal fMRI begränsad källa analys för EEG/fMRI integration analys. EEG och fMRI har blivit väl etablerat som de grundläggande metoderna för icke-invasivt imaging hjärnaktivitet, men de möter svårigheter i deras respektive rumsliga och tidsmässiga resolutioner. Och metoder har utvecklats för att kapitalisera på gynnsamma egenskaper för varje, nuvarande fMRI-constrained EEG källkod lokalisering metoder ofta förlita sig på enkla fMRI begränsningar, som kan bli föremål för fördomar och överhörning som begränsar rumsliga noggrannhet ( t.ex., om sant verksamhet sker utanför MRI kartan, statisk begränsningar kommer att resultera i den verkliga källan minskar, medan falska toppar kommer att iakttas i närliggande MRI-aktiva områden. På samma sätt kommer felaktig eller buller-baserade verksamhet i en MRI-aktiv region att förbättras som om det vore sant). Metoden spatiotemporal fMRI begränsas har försökt förbättra på detta med variabel fMRI begränsningar i en två-lagers hierarkisk Bayesian modell. Den aktuella källa aktiviteten beräknas från EEG data på skjutbara fönster sätt. FMRI aktivering kartan delas först in i flera submaps, varje egenskap en möjligt rumsliga tidigare för de kortikala källorna. En delmängd av dessa rumsliga priors används selektivt som begränsningar för att lösa det EEG inversa problemet. Således, EEG och fMRI data är integrerade i ett spatialt och temporalt specifika mode. Detta ersätter effektivt den traditionella fMRI aktivering kartan med en uppsättning regioner av intresse som steglöst kan tillämpas baserat på uppgifter från de EEG, vilket resulterar i en datastyrd metod som begränsar bias och fel.
Den metod som presenteras här bygger på tillgängliga metoder (Freesurfer, FSL, etc.), och genererar kortikala modeller och processer EEG och fMRI data. Medan vissa av de förfaranden som nämns här gör användning av specifika programvara, de flesta av dessa program är fritt tillgänglig under GNU licensiering. Undantaget skulle vara BrainVision Analyzer, även om separata metoder kan vara används för detta samt (särskilt EEGLAB22 med FMRIB plug-in för EEGLAB, som tillhandahålls av den FMRIB23,24). Likaså spatiotemporal fMRI-constrained EEG källan imaging metod använder sig av en relativt enkel datastruktur för dess fMRI priors och atlaser, så att de kan importeras från flera källor, inklusive andra imaging sviter, eller användardefinierad källor . Den enda begränsningen är i detta avseende passande önskad layout till ämnet modellen med lämpligt tilldelade hörn.
De allmänna bearbetningsparametrar ovan disposition de metoder som vanligtvis används i dessa experiment. Återigen, det är anmärkningsvärt att det finns inga allvarliga tekniska begränsningar på valet av dessa parametrar — data filtrering och justering metoder kan läggas till eller tas bort från rörledningen att passa några experiment. Viktigare är valet av fönstrets storlek, då detta direkt påverkar beräkningen av modell bevis och därav tillämpningen av fMRI priors. Även variationer i fönstrets storlek från ca 40 – 150 ms resultera i endast mindre förändringar i den resulterande vågformer, förlängning utöver detta utgör en risk för stabiliteten och kan orsaka vissa regioner vara Trusteeship eller maskerade olämpligt. Mer specifikt, kan större fönsterstorlek vara mer användbart när låga frekvenser är av intresse, medan en mindre fönsterstorlek kan vara att föredra när man fokuserar på högre frekvens svängningar. Den överlappning och förskjutning av skjutfönstret bör också anses vara här, det har en effekt på computational komplexiteten i processen och kan bli oöverkomliga på grund av de resurser som behövs för analys. Oavsett de exakta parametrar valts, följande anses kritiska i processen: 1) erhålla anatomiska MRI och samtidiga EEG/fMRI data; (2) 3D modell generationen; (3) MRI dataanalys; (4) borttagning av herr-artefakt från EEG data; (5) framåt och inversa beräkningar. (6) ROI släkte; (7)-frontlucka urval av ROI priors och källkod lokalisering. Den här proceduren presenterar den övergripande pipeline och metod som vi har utvecklat och används för att uppnå goda dynamiska resultat. Det bör noteras att många av detaljerna — exakta lokalisering metoder, bevis beräkning, statistiska metoder, EEG och fMRI parametrar, etc. — kan ändras för att passa användarens preferenser.
Den spatiotemporal fMRI begränsad källa analysmetoden anses ett anmärkningsvärt steg framåt i integrationen av EEG och fMRI, men det är med vissa smärre begränsningar. Medan vi ser en ökning av kvaliteten på rekonstruerade deep-källor, är denna metod fortfarande föremål för övergripande begränsningar från dess individuella modaliteter; om en källa är tillräckligt djup för att vara effektivt osynlig till EEG, kommer det inte att fångas av denna metod. Andra analys fokuserar på 3D-modeller av pial ytan, och kommer inte rekonstruera någon inre regioner, oavsett eventuella fMRI-identifierade hemodynamiska aktivitet.
Med EEG i kombination med delade och villkorligt tillämpad fMRI priors, har vi genererat en avancerad, spatiotemporally specifika bildbehandling algoritm. Omedelbara resultat har visat att algoritmen har en ökad förmåga för att rekonstruera djupa källor, och mindre mottagliga för att cross-talk än dess motsvarighet, den traditionella tajma-invariant fMRI tvings source imaging. Ytterligare, metoden är i hög grad anpassningsbara och kan vara lämpad för varje ansökan, eller användas som en grund för efterföljande analyser. Dessa egenskaper ger den spatiotemporal fMRI begränsad källa analysmetoden potentiella som både en självständigt klarar analysmetod och en grund för framtida forskning.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har något att avslöja.
Acknowledgments
Detta arbete stöds delvis av NIH DK082644 och University of Houston.
Materials
| Name | Company | Catalog Number | Comments |
| BrainAmp MR Plus | Brain Products | Amplifiers for EEG recording, MR-compatible | |
| BrainAmp ExG MR | Brain Products | Amplifier for auxilary sensor (EMG), MR-compatible | |
| BrainAmp Power Pack | Brain Products | Provide power to amplifiers in the MR environment | |
| Ribbon Cables | Brain Products | Connects the Power Pack to Amplifiers | |
| SyncBox | Brain Products | Synchronize MR scanner clock with EEG amplifier clock | |
| BrainCap MR | Brain Products | Passive-electrode 64-channel EEG cap, MR-compatible | |
| BrainVision Recorder | Brain Products | EEG data recording software (steps 1.2-1.4.2) | |
| BrainVision Analyzer 2.0 | Brain Products | EEG analysis software (steps 4.1-4.6) | |
| USB 2 Adapter (also known as BUA) | Brain Products | Interface between the amplifiers and data acquisition computer | |
| Fiber Optic Cables | Brain Products | Connects the EEG cap in the MR scanner to the Recording Computer | |
| SyncBox Scanner Interface | Brain Products | Synchronize MR scanner clock with EEG amplifier clock | |
| Trigger Cable | Brain Products | Used to send scanner/paradigm triggers to the recording computer | |
| ABRALYT HiCl EEG Electrode Gel | EasyCap | Abrasive EEG gel for passive electrode in MR environment | |
| Ingenia 3.0T MR system | Philips | 3.0 T MRI system | |
| Patriot Digitizer | Polhemus | EEG channel location digitization | |
| MATLAB r2014a | MathWorks | Programming base for the DBTN algorithm (steps 3.3-3.4 and 5.1-5.7) | |
| Pictures of Facial Affect | Paul Eckman Group | A series of emotionally valent faces used as stimuli | |
| E-Prime 2.0 | Psychology Software Tools, Inc | Presentation Software (step 1.4.3) | |
| Bipolar skin EMG electrode | Brain Products | Used to detect muscle activity. | |
| POLGUI | MATLAB software for digitization | ||
| Freesurfer | Software used in steps 2.1-2.4, and steps 3.1-3.2 | ||
| MNE | Software used in step 2.5 |
References
- Belanger, M., Allaman, I., Magistretti, P. J. Brain energy metabolism: focus on astrocyte-neuron metabolic cooperation. Cell Metab. 14 (6), 724-738 (2011).
- Logothetis, N. K. The underpinnings of the BOLD functional magnetic resonance imaging signal. J Neurosci. 23 (10), 3963-3971 (2003).
- Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
- Ramon, C., Schimpf, P. H., Haueisen, J. Influence of head models on EEG simulations and inverse source localizations. Biomed Eng Online. 5, 10 (2006).
- Mosher, J. C., Spencer, M. E., Leahy, R. M., Lewis, P. S. Error bounds for EEG and MEG dipole source localization. Electroencephalogr Clin Neurophysiol. 86 (5), 303-321 (1993).
- Hamalainen, M. S., Ilmoniemi, R. J. Interpreting magnetic fields of the brain: minimum norm estimates. Med Biol Eng Comput. 32 (1), 35-42 (1994).
- Pascual-Marqui, R. D. Review of methods for solving the EEG inverse problem. International journal of bioelectromagnetism. 1 (1), 75-86 (1999).
- Rosa, M. J., Daunizeau, J., Friston, K. J. EEG-fMRI integration: a critical review of biophysical modeling and data analysis approaches. J Integr Neurosci. 9 (4), 453-476 (2010).
- Nguyen, T., et al. EEG Source Imaging Guided by Spatiotemporal Specific fMRI: Toward an Understanding of Dynamic Cognitive Processes. Neural Plast. 2016, 10 (2016).
- Klem, G. H., Luders, H. O., Jasper, H. H., Elger, C. The ten-twenty electrode system of the International Federation. The International Federation of Clinical Neurophysiology. Electroencephalogr Clin Neurophysiol Suppl. 52, 3-6 (1999).
- Mullinger, K. J., Castellone, P., Bowtell, R. Best current practice for obtaining high quality EEG data during simultaneous FMRI. J Vis Exp. (76), (2013).
- Ekman, P., Friesen, W. V. Pictures of Facial Affect. , Consulting psychologists Press. (1976).
- Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. Neuroimage. 9 (2), 179-194 (1999).
- Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. Neuroimage. 9 (2), 195-207 (1999).
- Gramfort, A., et al. MNE software for processing MEG and EEG data. Neuroimage. 86, 446-460 (2014).
- Hagler, D. J., Saygin, A. P., Sereno, M. I. Smoothing and cluster thresholding for cortical surface-based group analysis of fMRI data. Neuroimage. 33 (4), 1093-1103 (2006).
- Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., Smith, S. M. Fsl. Neuroimage. 62 (2), 782-790 (2012).
- Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Comput Biomed Res. 29 (3), 162-173 (1996).
- Genovese, C. R., Lazar, N. A., Nichols, T. Thresholding of statistical maps in functional neuroimaging using the false discovery rate. Neuroimage. 15 (4), 870-878 (2002).
- Klein, A., Tourville, J. 101 labeled brain images and a consistent human cortical labeling protocol. Front Neurosci. 6, 171 (2012).
- Fischl, B., et al. Automatically parcellating the human cerebral cortex. Cereb Cortex. 14 (1), 11-22 (2004).
- Delorme, A., Makeig, S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J Neurosci Methods. 134 (1), 9-21 (2004).
- Iannetti, G. D., et al. Simultaneous recording of laser-evoked brain potentials and continuous, high-field functional magnetic resonance imaging in humans. Neuroimage. 28 (3), 708-719 (2005).
- Niazy, R. K., Beckmann, C. F., Iannetti, G. D., Brady, J. M., Smith, S. M. Removal of FMRI environment artifacts from EEG data using optimal basis sets. Neuroimage. 28 (3), 720-737 (2005).
