方法文章

神经影像引导的经颅磁刺激–脑电图用于实时皮层网络定位

DOI：

10.3791/67339

⸱

2025年6月13日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Neuroscience and Biomedical Engineering, Aalto University School of Science, 2Hertie-Insitute for Clinical Brain Research, University of Tübingen, 3Department of Neurology and Stroke, University of Tübingen, 4A.I. Virtanen Institute for Molecular Sciences, University of Eastern Finland, 5Division of Psychology, VISE, Faculty of Education and Psychology, University of Oulu, 6Neuroscience Center, Helsinki Institute of Life Science, University of Helsinki, 7BioMag Laboratory, HUS Medical Imaging Center, Aalto University, University of Helsinki and Helsinki University Hospital, 8Cognitive Brain Research Unit, Department of Psychology and Logopedics, Faculty of Medicine, University of Helsinki

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

一种结合多种磁共振成像（MRI）数据模态指导下的个性化经颅磁刺激与脑电图（TMS-EEG）皮层网络定位的新方案。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

大脑皮层在结构和功能上被划分为相互分离的网络，使人类大脑能够高效地处理信息。经颅磁刺激（TMS）结合脑电图（EEG）提供了一种无创探测脑网络的方法，可用于揭示皮层兴奋性和因果性连接。然而，该方法面临两个重要挑战：（a）确保TMS诱发电位（TEPs）的质量以最大化信息获取，这通常需要进行全面的皮层定位；（b）特异性激活目标网络的反应，而非邻近皮层区域的反应。

现有的经颅磁刺激（TMS）定位方法常常无法精确刺激功能相关的皮层区域，从而限制了治疗效果以及生物标志物的识别。本方案通过精确的皮层定位以获取无伪迹的TMS诱发电位（TEP），实现对早期TEP成分的可靠且可重复的测量。这种精确性提高了对细微神经生理变化的敏感性，并增强了与临床表型的相关性，有助于神经精神疾病中生物标志物的发现。

本方案采用结构、功能和扩散磁共振成像（MRI）技术，识别属于目标网络的皮质区域。通过解剖分区、功能连接分析和实时纤维束成像，定位与目标网络相关脑区具有强连接性的区域。所得个性化皮质簇即为初始刺激靶点。

随后采用TMS–EEG定位技术，通过定位皮层高兴奋性区域来优化TMS参数，在增强神经元反应幅度的同时，降低包括肌电伪迹、信号衰减及其他影响早期TMS–EEG反应的混杂因素在内的非神经性噪声。对皮层表面进行系统性探索，调整刺激部位、方向和强度，并通过实时可视化平均TEP持续监控数据质量。选择能够产生无伪迹响应且早期TEP成分清晰可辨的TMS参数用于数据采集。

本文介绍了神经影像引导的经颅磁刺激–脑电图映射技术，并重点阐述了应用该技术所能实现的方法学进展及其优势。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

人类大脑具有显著的大尺度结构和功能网络特征。这些网络内部及网络之间的复杂相互作用赋予了大脑卓越的信息处理能力，支持复杂的认知、感觉和运动过程。这些网络的紊乱，无论是由于结构损伤、功能失调还是连接受损，都可能导致多种神经系统和精神疾病1,2,3,4,5,6，包括运动功能障碍、认知损害和情绪障碍。准确监测此类与网络相关疾病的进展，并确定最佳治疗策略，需要能够选择性干扰特定网络并可靠量化其功能完整性的方法。

经颅磁刺激（transcranial magnetic stimulation）若施加得当，可非侵入性地扰动神经元群体，甚至整个皮层网络7,8,9,10,11,12,13,14,15，从而通过运动反应或行为变化等指标对其进行评估。经颅磁刺激与脑电图（electroencephalography, EEG）相结合，可记录TMS诱发的脑电位（TMS-evoked potentials, TEPs）——即与TMS脉冲时间锁定的、多次试验平均后的EEG反应。在刺激线圈下方记录到的TEP波形反映了被刺激区域的即时皮层兴奋性，而来自远端脑区的反应则揭示了脑区间有效连接的信息，使TMS–EEG成为研究皮层网络的有力工具。TEP已被证明在多种神经系统疾病9,16,17和精神疾病18,19,20,21,22,23中具有显著的生物标志物潜力。此外，同步进行的TMS–EEG可依据个体EEG测量所得的局部皮层反应性，确定个性化的刺激强度24,25,26,27,28。然而，该方法在应用于生物标志物开发时22,24，面临双重挑战：a）为最大化信息获取，所采集的TEP质量必须足够高，这需要对皮层区域进行映射，以定位伪迹最小且反应性良好的靶点；b）所记录的反应必须源自目标网络，而非邻近皮层区域。TEP质量低下是常见问题，常表现为噪声、伪迹、多感觉反应，或早期反应未能超过持续振荡活动的功率水平。此类信号质量差的问题通常只能在离线处理阶段被发现，往往已远在数据采集完成之后，因而难以甚至无法补救。

导航经颅磁刺激（nTMS）29利用结构磁共振成像来靶向特定脑区，已应用于临床实践和研究超过20年。该技术在术前评估中对运动和语言皮层区域的定位至关重要30,31,32，并通过与脑电图（EEG）结合，可用于靶向那些不产生运动、视觉或行为反应的脑区9,33,34,35。然而，从神经解剖学角度看，该方法可能存在非特异性（i.e.，皮层区域之间的边界不清晰），功能上也存在局限性，因为结构MRI无法检测脑功能的个体差异。因此，目前常用的TMS靶向方法通常依赖于运动皮层或其他解剖标志的位置，往往难以刺激到功能上相关的皮层区域，从而限制了治疗效果以及可靠生物标志物的发现。为克服这些挑战，已开发出一种综合框架，将其他MRI模态（如功能MRI和弥散MRI）与精确的皮层定位相结合，以实现无伪迹的TEP采集。该方法能够实现可靠且可重复的测量，特别是对早期TEP成分的测量，这些成分对细微的神经生理变化高度敏感。通过提高TEP分析的敏感性，该框架有助于建立与临床表型之间的稳健关联，为神经精神疾病中生物标志物的探索奠定了坚实基础。

本研究提出的流程旨在绘制完整的皮层区域，结合了解剖学分区36（图1A）、基于功能磁共振成像（fMRI）的功能连接性37,38（图1B）以及实时纤维束成像39（图1C）。解剖学分区可通过将预定义的解剖模板或脑图谱非线性配准至个体脑结构，从而划定个体特定脑网络所对应的皮层区域。功能连接性提供统计指标，用于衡量不同脑区生理活动之间的相关性，其通过血氧水平依赖（BOLD）信号反映40。最后，实时纤维束成像是基于弥散磁共振成像（dMRI）的方法，可实时估计并显示描述潜在脑结构连接的流线。通过结合这些方法，可在经颅磁刺激–脑电图（TMS–EEG）映射过程中，依据皮层区域的结构与功能连接性对其进行精确定位。这使得刺激参数能够在实时条件下优化，以确保获得无伪迹的TMS诱发电位（TEP）。

所提出的新型方法解决了经颅磁刺激（TMS）定位与TEP采集的联合挑战，为临床和研究环境中更精确的生物标志物识别和有效的神经调节策略奠定了基础。

突出显示神经通路和激活的脑成像分析，展示神经图谱的示意图。
图 1：一名代表性受试者的磁共振成像（MRI）衍生信息。 （A）解剖分区图，标出目标背外侧前额叶皮层（DLPFC）。（B）功能连接图，显示与扣带下回皮层的负相关关系（颜色越浅，负相关性越强）。（C）实时纤维束成像，显示从目标区域发出的纤维束轨迹。请点击此处查看该图的放大版本。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究已获得赫尔辛基和新地区医院区伦理委员会的批准。在操作开始前，已从每位受试者处获得参与研究的书面知情同意书。

1. 硬件和软件要求

  1. 实验设置的要求
    1. 确保脑电图（EEG）系统与经颅磁刺激（TMS）兼容，并能够以5000 Hz或更高的采样频率进行记录。
    2. 使用至少60个Ag/AgCl烧结C形或其他可最小化TMS脉冲感应涡流的电极装配EEG帽28。
      注意：本方案建议使用被动电极。尽管主动电极对阻抗水平的敏感性较低，但容易产生衰减伪迹28，可能掩盖早期TEP成分。
    3. 确认肌电图（EMG）系统是否内置有运动阈值测定算法。若无，则应采用10–20法（见步骤3.5.5）。
    4. TMS刺激间间隔应允许在至少2–2.4 s范围内随机抖动。
    5. 将TMS充电时序设置为在TMS脉冲后足够延迟（例如脉冲后900–1000 ms），以确保充电伪迹不会污染目标时间窗。
    6. 确保在线神经导航系统支持将叠加图像导入解剖影像。
      注意：虽然可使用外部软件可视化叠加图像并手动将坐标传输至神经导航系统，但该方法会增加设置复杂性并延长实验时间。
    7. 配备专用的听力计插入式耳机用于噪声掩蔽。
  2. 软件要求
    1. 为在实验期间实时可视化TEP，安装基于MATLAB的工具rt-TEP25（https://github.com/iTCf/rt-TEP），该工具可近乎即时地绘制流式EEG数据，并围绕TMS脉冲进行平均 
      注意：某些EEG系统允许在采集软件内直接创建类似可视化效果。需确保所用工具可靠，并允许进行最小程度的数据处理操作，如截除TMS伪迹和滤波——实验的成功高度依赖于在线可视化。
    2. 在Linux计算机上安装实时纤维束可视化工具（https://github.com/baranaydogan/realTimeTractogramVisualizer）39，以实现纤维束的实时可视化。
    3. 安装噪声掩蔽软件41（www.github.com/iTCf/TAAC）。
    4. 对于MRI分析，安装以下软件包（或其替代方案）：FreeSurfer42、fmriprep43、MRtrix344，以及配备nilearn库的Python环境（https://nilearn.github.io）。

2. 用于经颅磁刺激定位的基于磁共振成像的先验信息制备

  1. 选择感兴趣区域
    1. 选择至少两个感兴趣区域（ROI）：一个作为经颅磁刺激（TMS）的目标皮层区域，另一个作为假定对所研究脑网络有显著贡献的种子区域。利用从种子区域到目标区域的结构和功能连接信息，进一步优化TMS目标区域的定位。
      ​注意：尽管TMS靶点必须能够被刺激，但种子点可以是任何脑区，包括杏仁核等深部灰质区域。
  2. 磁共振成像采集
    1. 获取高分辨率解剖图像 T1-加权（T1w）磁化准备快速梯度回波（MPRAGE）图像，体素各向同性分辨率为1毫米。
    2. 运行回波平面成像（EPI）序列，记录受试者在静息状态下持续10分钟的功能性磁共振成像血氧水平依赖（BOLD）信号。指导受试者在整个扫描过程中保持眼睛睁开，并注视屏幕上显示的十字准线。
    3. 采用EPI序列进行dMRI扫描，至少采集100个不同梯度方向的图像 (b = 1500 和 3000 s/mm²2）和12个非扩散加权（b = 0 s/mm2) 体积，采用前-后相位编码方向。
      1. 至少额外采集1个相位编码方向相反（后-前方向）的无权重像体积数据。
      2. 为提高对由受试者运动等因素引起的畸变的耐受性，可在反向相位编码方向采集多张非扩散加权图像。此外，以反向相位编码方向重复完整采集过程可能有助于新型校正方法的应用。45,46.
  3. 解剖磁共振成像分析
    1. 使用 FreeSurfer 对 T1w 图像进行预处理42 recon-all 命令。目视检查脑部掩模（脑.mgz) 和软脑膜表面（lh.pial 和 rh.pial）以确保正确去除硬脑膜。如果排除了神经组织或软脑膜表面包含非神经组织，则需重新运行 recon-all 调整后的分水岭参数。使用 -wsthresh 设置阈值的选项（默认值：25，范围：0–50），或使用 -wsmore 扩增或 -无线 缩小脑部掩膜。
    2. 采用人类连接组计划多模态图谱1.0版本36 投影到 FreeSurfer 的 fsaverage 表面（https://figshare.com/articles/dataset/HCP-MMP1_0_projected_on_fsaverage/3498446?file=5528837），使用以下方法将投影分区重采样至被试的脑表面 mri_surf2surf。使用 mri_aparc2aseg，创建受试者皮层和皮下区域的体积分割。为将分割结果与原始T1w图像对齐，请运行 mri_label2vol，使用 rawavg.mgz 作为模板。
    3. 使用 HCPMMP 1.0 查找表选择 ROI 分区，并在被试的原生空间中从体积分割中提取结构 ROI 图谱 mri_binarize.
      注意：如果种子感兴趣区域（ROI）是根据文献中的MNI坐标而非解剖位置定义的，请使用变换矩阵将坐标从MNI空间映射到受试者的原始空间。然后在所得位置使用类似FSL函数的工具创建一个球形ROI。 fslmaths -kernel sphere.
  4. 功能磁共振成像分析
    1. 使用 fmriprep 对 BOLD 数据进行预处理43可以在解剖MRI分析之前进行，因为fmriprep的默认设置要求如此 recon-all 或者，可将现成的 FreeSurfer 输出结果直接提供给分析流程。
      注意：为了加快预处理速度，可通过传入特定于受试者的空间来限制分析范围 --output-spaces T1w flag 传递给 fmriprep。在此情况下，fmriprep 将不会在 MNI 空间中执行配准及后续分析。
    2. 按照以下步骤使用首选工具（例如 Python 和 nilearn 库）进行全脑种子点到体素的分析。所得的体积图可量化种子区域 BOLD 信号与全脑其他区域之间的时间相关性。
    3. 除非确定磁共振扫描仪在序列开始时已包含未记录的虚拟扫描，否则应从数据中删除前4到6个时间点。这将确保数据不包含记录开始阶段的信号稳定期。
      注意：对于 nilearn，请使用 切片器 方法，细胞凋亡检测 图像.slicer[…, 4:]，其中 图片 是导入的功能性磁共振成像。
    4. 使用 fmriprep 估计的混淆变量进行去噪。在这些混淆变量中，选择与头动相对应的变量trans_x, 翻译, trans_z, rot_x, rot_y, rot_z），大脑内的平均信号（全局信号），白质（白质）和脑脊液（脑脊液）。在一般线性模型中使用选定的值作为干扰协变量，以去除信号中的非神经成分。
    5. 使用 0.01–0.08 Hz 带通滤波以减少假阳性。若使用 nilearn，需同时进行混淆变量回归和滤波处理 nilearn.image.clean_img 通过将混淆矩阵和截止频率传递给该函数。
    6. 使用6-mm全宽半高（FWHM）高斯核对数据进行平滑处理。 smoothing_fwhm=6 参数以 nilearn.maskers.NiftiMasker 以平滑图像。
    7. 提取并计算种子掩模的时间序列均值。应用种子感兴趣区域（ROI）掩模 nilearn.maskers.NiftiMasker 从功能数据中提取时间序列。
    8. 计算种子区域的平均时间序列与脑掩膜内所有其他体素的平均时间序列之间的皮尔逊相关系数。将得到的相关系数转换为费舍尔 Z 值 z-score 用于将相关系数转换为正态分布。
      注意：为计算相关性，需使用脑区与感兴趣区（ROI）时间序列的点积运算 np.dot 并将其除以时间序列的长度。应用 np.arctanh 将得到的系数转换为 Fisher z 分数。
    9. 通过将相关性图与感兴趣区域（ROI）掩膜相乘，将结果图限制在感兴趣区域内。 例如， 通过使用 nilearn.image.math_img生成的图像将保留掩膜内体素的相关值，其余位置为零。
    10. 可选择对图像进行阈值处理，例如仅包含负相关体素。使用 nilearn.image.threshold_img 对应的阈值参数。
  5. 扩散 MRI 分析
    1. 使用包含去噪步骤的流程预处理扩散数据47，运动校正48，磁敏感性诱导的畸变49，吉布斯振铃伪影50,51和涡流伪影52生成纤维取向密度（FOD）图谱和脑部掩膜。
      注意：DESIGNER 工具箱（https://nyu-diffusionmri.github.io/DESIGNER-v2/）提供了一个全自动化的预处理流程。 纤维束方向分布估计可通过以下方法进行 dwi2response dhollander 和 dwi2fod msmt_csd53,54,55 来自 MRtrix3 的命令44 工具箱（https://www.mrtrix.org/）。确保 确保FOD和脑部掩模已共同配准至T1空间，以与神经导航系统匹配。在共同配准过程中，需保证梯度或FOD方向随之旋转。56,57. MRtrix3 命令的使用 mrregister 建议。
    2. 使用 mri_label2vol 将 FreeSurfer 的 aparc+aseg.mgz 分割结果移至原始 MRI 空间。然后运行 aparc+aseg_to_trekkerACTlabels.py (https://raw.githubusercontent.com/dmritrekker/trekker/master/extensions/tools/aparc%2Baseg_to_trekkerACTlabels.py) 基于原始MRI空间中的分割结果，生成解剖约束纤维追踪（ACT）文件。
    3. 将T1、脑掩模、FOD和ACT文件上传至实时纤维束可视化工具（参见步骤1.2.2），并仔细确认所显示的纤维束形态具有可行性58.

3. TMS–EEG 实验

  1. 脑电图（EEG）准备
    1. 确保研磨凝胶和导电凝胶不含金属成分，以免引起衰减伪迹。
    2. 让受试者坐在椅子上，位置应靠近至脑电帽电缆可连接到EEG系统，同时周围留有足够空间以保证其活动不受限制。
      注意：也可在经颅磁刺激（TMS）椅上进行EEG准备。然而，该椅子的头枕和整体体积可能使接近受试者头部的操作更加困难，从而延长准备时间。
    3. 开始EEG准备时，先测量受试者头围，并选择合适尺寸的EEG帽。
      注意：若头围介于两种帽型之间，应选择较小尺寸，因为过松的贴合可能导致电极与头皮之间出现间隙。
    4. 从额头开始佩戴脑电帽，将头发置于帽内。当帽子大致就位后，测量鼻根至枕外隆突以及左右耳屏之间的距离。调整帽子位置，确保Cz点位于这些解剖标志点的正中间。
    5. 使用酒精棉片和研磨胶带清洁刺激对侧的乳突和颧骨皮肤，以提高导电性。使用环形电极垫圈将接地电极置于颧骨，参考电极置于乳突。
      注意：不同实验室的电极放置方式存在差异（参见Hernandez-Pavon等，202328）。尽管Cz常被用作参考电极位置，但由于其靠近线圈，可能并非最优选择。推荐使用乳突、颧骨或位于脑电帽下方的额部位置作为参考，具体取决于与刺激靶点的距离及神经导航设置。
    6. 准备接地和参考电极。先涂抹研磨膏，然后用钝针或棉签轻轻擦拭电极下的皮肤。随后，向电极内填充导电凝胶。
    7. 使用下巴下方的钩环固定装置将脑电帽固定到位。确保耳部切口位置正确，以便进行神经导航定位，并为噪声掩蔽佩戴耳机。
    8. 以与准备接地和参考电极类似的方式准备脑电帽电极。首先加入少量研磨凝胶，使用钝针或棉签的木柄端清除电极下方的头发，使皮肤可见。
    9. 在轻压电极的同时向其内填充导电凝胶，确保凝胶量充足但不过量。在整个TMS–EEG实验过程中，保持每个电极的阻抗低于5 kΩ。
      注意：虽然必须提供足够的导电凝胶以建立头皮与电极之间的连接，但过量可能导致相邻电极之间发生桥接。
    10. 若初始准备后阻抗仍高于标准值，再次使用钝针或棉签在电极内部旋转擦拭以进一步清洁皮肤。尽量避免将头发带出电极。重新向已固定的电极填充导电凝胶并检测阻抗。重复此过程，直至所有电极阻抗均低于5 kΩ。
  2. 肌电图（EMG）准备
    1. 使用酒精棉片清洁每个电极安放部位，先用研磨胶带轻擦皮肤，再次用酒精擦拭，并待其自然干燥。将主动电极置于肌肉腹（通常为右侧拇短展肌（APB）和/或第一背侧骨间肌（FDI）），参考电极置于肌腱处，接地电极置于手背。
  3. 神经导航准备
    1. 将受试者置于舒适坐姿的椅子上，确保其颈部、双手和双腿放松。调节椅子高度，使操作者能够舒适地刺激目标区域的全部范围。
    2. 使用医用级双面贴或胶带固定头部追踪器，确保其在刺激过程中保持稳定。贴附位置应避免阻碍TMS线圈在头部的自由移动。
      注意：刺激左半球时，将追踪器略微置于前额右侧；刺激右半球时则置于左侧。此安排有助于更好地接近额叶区域。
    3. 在受试者的MRI图像上识别关键解剖点（鼻根点和耳前点）。
      ​注意：定义耳前点时，需仔细检查MRI采集过程中受试者耳朵是否因泡沫垫或耳部保护装置受压。建议选择耳廓较深的部位（如耳轮脚），这些部位在MRI扫描中不易变形。
    4. 使用数字化笔，在受试者头部标记出与MRI图像上识别的关键点相对应的位置。
    5. 在颅骨表面数字化额外多个点，以最小化配准误差。
    6. 确认配准误差低于3 mm（理想情况下低于2 mm）。
    7. 将数字化笔按压在受试者头部多个位置，确认3D头部模型上的对应点显示正确。若不正确，则重复配准过程。
  4. 噪声掩蔽
    1. 准备噪声掩蔽41——使用白噪声循环音频，并混入从所用类型线圈录制的实际线圈“咔嗒”声。确保仅在传递TMS脉冲时开启噪声掩蔽，以减少受试者的不适感。
    2. 使用带有类似耳塞尖端的专用气导式耳机，在记录期间掩蔽TMS“咔嗒”声。
    3. 选择合适尺寸的耳塞尖端，并指导受试者在插入耳道前先捏紧。目视确认耳机放置正确。
    4. 开始前，向受试者展示原始EEG信号，并演示面部肌肉紧绷、眨眼和眼球运动如何产生伪迹。解释这些伪迹会降低数据质量，并调整受试者体位以提高舒适度，从而最小化肌张力噪声。
    5. 指导受试者在给予TMS脉冲时，将视线聚焦于前方的固定十字。
    6. 将线圈固定在头顶上方数厘米处。选择一个实验中不太可能使用的高强度刺激参数（例如最大刺激输出的80%），以确保噪声水平足够高，能够抑制更强的线圈“咔嗒”声。
    7. 向受试者解释噪声掩蔽的原理，说明其任务是在音量逐渐增加的过程中，尝试区分来自头顶线圈的“咔嗒”声与来自耳机的“咔嗒”声。指导受试者在认为已无法听到线圈“咔嗒”声时做出示意（如竖起拇指）。
    8. 开启噪声掩蔽，从默认设置开始，将白噪声与“咔嗒”声的比例调整为60%。
    9. 以随机化的刺激间间隔开始发放脉冲。每次将电脑上的噪声掩蔽音量提高1%–2%，直至受试者示意无法再感知“咔嗒”声。
    10. 若受试者仍能感知“咔嗒”声，可尝试调高白噪声–“咔嗒”声比例（针对高频成分）或调低比例（针对低频成分）。如有需要，可参考Russo等（2022）41的进一步指导。
      注意：若听觉反应持续存在，应检查耳机放置情况——耳塞尖端可能插入过浅。
    11. 确保噪声掩蔽的音量不超过实验预计持续时间内的安全限值41。音量确定后，询问受试者是否认为该音量在实验全程内可耐受。
      ​注意：根据美国国家职业安全卫生研究所（NIOSH）59建议，88 dB的噪声水平可安全耐受长达4小时。每超过此水平3 dB，允许暴露时间减半；每降低3 dB，允许暴露时间加倍。
    12. 发放20至30个脉冲，同时检查实时TEP可视化结果。若在线圈下方电极及颞部电极中观察到脉冲后100–200 ms潜伏期内明显的振幅变化，则很可能是对“咔嗒”声的听觉反应（听觉诱发电位）。以2%为步长逐步提高掩蔽噪声音量，直至该成分消失。
  5. 静息运动阈值（RMT）测定
    1. 指导受试者保持肌肉放松，手掌朝上。
    2. 确认静息状态下EMG信号噪声（峰峰值）不超过20 µV，否则可能干扰运动诱发电位（MEP）幅度的判断。若持续存在噪声，可尝试重新布置EMG导线位置，或断开不必要的电子设备电源，以最小化环境噪声。
    3. 将TMS线圈置于运动隆起区，使电场方向垂直于脑沟。起始刺激强度约为最大刺激输出（MSO）的30%，逐步调整强度直至观察到局部肌肉激活。
    4. 保持刺激强度不变，调整线圈在运动隆起区的位置和方向，直至找到能特异性诱发APB肌肉反应60, 61或其他目标肌肉反应的靶点。保存该靶点位置用于运动阈值测定。
    5. 使用已保存的位置，采用自动化算法62或10–20法60测定RMT——在固定强度下给予20个脉冲，其中10个应产生幅度超过50 µV的MEP。以MSO的1%–2%为步长增减刺激强度，直至满足条件。保存最终强度值供后续使用。
  6. 皮层定位 mapping
    1. 在神经导航软件中叠加基于MRI数据生成的解剖分区图和功能连接图。
      ​注意：通常一次只能显示一种叠加图。首先叠加解剖分区图以了解脑区范围，然后切换至功能连接图以识别更小的相关亚区。
    2. 使用实时纤维束成像技术考察连接最强的区域。最优刺激靶点应表现出广泛的结构连接63,64（若假设不优先特定白质通路），或存在大量通向所研究皮层网络其他区域的纤维束。
    3. 定义至少2–3个在功能和/或结构连接方面具有潜力的靶点，用于TMS–EEG测试。
    4. 将线圈置于功能连接特性最强的区域，诱导电场方向为后前向（posterior-anterior）。
    5. 在选定位置以RMT的100%至110%强度发放TMS脉冲，同时开启噪声掩蔽。每次平均20个脉冲并检查所得TEP。若观察到明显的TEP反应，则以2% MSO为步长增减刺激强度，直至早期TEP（潜伏期15–50 ms）振幅大于6 µV，6–10 µV为理想范围25。
    6. 若未观察到可辨识的TEP，逐步以MSO的5%为步长增加刺激强度，直至TEP振幅达到6 µV的目标阈值。记录产生有希望TEP反应的刺激位置，并返回这些位点进行进一步优化。
    7. 监测信号中的肌电和衰减伪迹。若肌电伪迹持续超过15 ms，首先尝试旋转线圈以最小化伪迹。若无效，则在MRI叠加引导下，将刺激位点向内侧和后侧微调，同时保持在目标结构区域内。
      ​注意：优化过程未必总能消除15 ms以上的伪迹，但可能有所改善。确保受试者舒适，尤其是在刺激额叶和颞叶区域时，这些区域的刺激可能引起疼痛。疼痛感知不一定与伪迹大小相关；在此类情况下，应优先考虑耐受性而非最优靶向，以避免肌张力增加、感觉伪迹及数据质量下降。
    8. 当找到能产生无肌电和衰减伪迹、且早期成分振幅超过6 µV的TEP的位置和方向后，检查TEP是否存在50 ms之后的可见成分。若无TEP成分，以2% MSO为步长增加刺激强度。若强度增加仍无效果，则将刺激靶点移至步骤3.6.3中定义的下一个靶点。
    9. 当识别出多个潜在刺激靶点时，使用实时纤维束成像逐一仔细评估。可通过复制神经导航系统中的坐标位置，或利用解剖标志点识别靶点。优先选择在适用情况下直接连接至目标区域（如步骤2.1.1所述）或表现出更高全局结构连接性的靶点。
    10. 当找到能产生最显著TMS反应的位置和方向后，保存相关信息以开始记录。
  7. TMS–EEG数据记录
    1. 每次开始数据记录前，测量各电极阻抗。若任何电极阻抗高于5 kΩ，添加少量导电凝胶以降低阻抗（因实验过程中凝胶干燥可能导致阻抗升高）。若此调整不足，重复EEG准备过程，仅在必要时添加更多凝胶。
    2. 确认受试者无法听到线圈“咔嗒”声，并询问其是否有疼痛或不适。鼓励受试者在找到舒适体位前先伸展身体，然后再次强调保持视线固定的要求。
      注意：鉴于实验时间较长，应在定位和记录阶段之间安排短暂休息。提供饮用水，并评估受试者的舒适度和耐受性。休息也有助于防止困倦。必要时调整椅子位置，并在每次休息后重新检查电极阻抗。
    3. 使用在步骤3.6.10中最终确定的刺激位置、方向和强度，在开启噪声掩蔽条件下至少采集300次试验。刺激间间隔可变化，但必须包含抖动且超过2秒。
      ​注意：脉冲数量取决于每项研究的具体目标和需求28。
    4. 使用神经导航系统仔细数字化电极位置，以供后续数据分析使用。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本方案用于采集一名健康志愿者左侧背外侧前额叶皮层（DLPFC）的经颅磁刺激–脑电图（TMS–EEG）数据。该研究经赫尔辛基大学医院协调伦理委员会批准，并依照《赫尔辛基宣言》的规定进行。受试者签署了知情同意书。有关数据采集的详细信息，请参见材料表。

左侧背外侧前额叶皮层（DLPFC）是临床实践中重复经颅磁刺激（TMS）治疗重度抑郁症（MDD）的常用靶区65。越来越多的研究文献强调了亚属前扣带皮层（sgACC）与DLPFC之间功能连接在MDD病理生理机制中的重要性3,66,67。特别是有证据表明，对左侧DLPFC中与左侧sgACC呈现强负相关的脑区施加TMS治疗，可能具有更高的疗效38,68,69,70。基于这些发现，研究假设：从功能上与sgACC的BOLD活动呈负相关的靶区记录到的TMS–EEG数据，将对后续生物标志物的开发最具信息价值。

DLPFC的结构MRI掩模定义为HCPMMP36图谱中的9a、9p、9-46d、46、a9-46v和p9-46v区域的组合，涵盖布罗德曼9区和46区。sgACC掩模为25区，对应于布罗德曼25区。根据所述方案，使用fMRI数据生成以种子点到体素的相关图，并仅选取属于DLPFC感兴趣区域（ROI）的体素。随后对图像进行阈值处理，仅显示呈负相关的体素；取相关系数的绝对值以简化可视化效果。所得的簇在TMS–EEG实验的神经导航过程中叠加显示于结构MRI图像上（图2A）。

初始的TMS–EEG定位靶点选自与sgACC功能呈最强负相关的脑区。随后通过TMS–EEG定位流程对这些靶点进行迭代优化，依据TEP质量及其与sgACC负相关性最强的皮层区域的接近程度，确定最具潜力的刺激位点。最终确定的一组潜在刺激位点进一步通过实时示踪成像进行分析。由于目前尚无已知的从sgACC到DLPFC的直接通路，因此必须考虑间接的白质通路。若某些特定的直接或间接通路在事先已知，则应优先考虑这些通路。对于sgACC，经颅磁刺激靶点的选择过程中还结合了MDD3所影响的大尺度脑网络信息。同时评估了TMS靶点的结构连接性，优先选择与其他脑区具有广泛连接性的区域，例如腹内侧前额叶皮层、布罗卡区或顶叶。

根据定位方案，选择刺激的目标位置、方向和强度，以确保产生的 TEP 大于 6 µV，且受伪迹影响最小。每次优化迭代均记录 20 次脉冲，预处理尽可能少。最终确定优化目标后，采集 300 次脉冲用于数据分析。

用于模拟实时 rt-TEP 使用的最小预处理流程包括以下步骤：
1. 将数据划分为若干时间段
2. 基线校正
3. 通过将 TMS 脉冲前后 -2 至 10 ms 的数据替换为零来去除 TMS 伪迹
4. 去除坏通道
5. 重参考至平均参考
6. 必要时应用 80 Hz 低通滤波器和 48–52 Hz 陷波滤波器，以消除工频干扰和高频噪声。

完整的预处理流程遵循 Mutanen 等人，202471 中所述的步骤。有关 TMS–EEG 预处理的更多细节，请参见 Hernandez-Pavon 等人，202272、Rogasch 等人，201773、Mutanen 等人，201874 和 Mutanen 等人，201675。简要总结，该流程包括：
1. 将数据划分为若干片段（epochs）
2. 基线校正
3. 去除 TMS 脉冲前后 -2 至 10 ms 时间窗内的 TMS 伪迹，采用前后各 5 ms 数据进行三次样条插值填补
4. 去除不良通道（共 4 个：Fpz、F1、FT10、TP9、PO4）
5. 去除不良试验（trials）
6. 通过鲁棒去趋势法（robust detrending）去除漂移
7. 使用独立成分分析（ICA）去除眼电伪迹
8. 基线校正
9. 应用 SOUND74 算法抑制颅外噪声，随后重参考至平均参考
10. 使用 SSP-SIR75 算法去除 TMS 诱发的肌电伪迹
11. 80 Hz 低通滤波，以及 48–52 Hz 的陷波滤波
12. 截去时间窗两端以消除可能的边缘效应
13. 进一步剔除不良试验，以确保排除残余的高噪声试验（共 300 次试验中剔除了 22 次）

实验程序首先确定静息运动阈值。受试者的RMT为41% MSO。

在实验过程中，主要检测位于感兴趣区域（AF3、F1、F3、F5、FC3）的电极（图2B），以评估所获得的TEP质量。其他电极持续监测其低阻抗状态，并根据需要按照步骤3.1.10所述程序降低阻抗。采用10至60 ms时间窗内的早期TMS反应来评估所产生TEP的质量，该反应反映了由感应电场直接激活大脑皮层所引发的神经活动。

映射过程（见图3）始于一个fMRI簇（图3A），并研究目标区域的结构连接性（图3B），其主要显示了与对侧半球同源区域及额极之间的纤维束通路。

刺激时，线圈与中线成45度角放置。刺激强度设定为49% MSO，相当于热点处估计的电场最大值为96 V/m，并达到120% RMT。在图3C中，F3、F1和FC3电极处观察到类似TEP的潜在反应。AF3电极表现出大幅值的振铃伪迹，而F5则受到小幅度肌电伪迹的影响，其特征是在TMS脉冲后立即出现高频高幅值的尖峰76,77。为在记录过程中尽量减少振铃伪迹，可使用网帽将电极压紧以减少移动，或在线圈下方放置一层薄泡沫材料（参见Hernandez-Pavon等，202328）。尽管此类伪迹通常可通过滤波去除，但由于仅有AF3受到污染，因此在平均参考中将其排除，以避免不必要的滤波处理，最终得到如图3D所示的数据。

以F3电极为重点（图3F），该处信号基本未受F5电极所观测到的肌源性伪迹的影响。特征性的高幅波形约在15 ms时恢复，而在22 ms至32 ms之间出现的5微伏偏转很可能是对经颅磁刺激（TMS）产生的真实皮层反应。对信号进行滤波处理（图3E、G）进一步证实，该通道的振幅未受其他通道噪声的干扰。

为了探究通过线圈旋转是否能够减少F5通道中的肌电伪迹，所有其他刺激参数均保持不变（图4），并将线圈首先旋转至后前方向（图4A），其中电场强度最大值估计为80 V/m，随后转为外侧-内侧方向（图4E)，电场最大值为101 V/m。当线圈采用后-前方向定位时，观察到肌肉激活显著增强。图4B,C），受试者报告称感到不适。内外侧方向产生的信号与图中所示相似 图3，但幅度更大，导致F3电极处出现早期12 µV的TEP反应（图4F,G），从而降低刺激强度。由于不存在过度的肌肉活动、衰减或振铃伪影，且早期TEP反应幅度较大，因此该组刺激参数组合成为数据采集的有力候选方案。

图5展示了刺激强度对低兴奋性靶区TEP反应的影响。随后研究了第二个fMRI簇（图5A）及其结构连接性（图5B）。与第一个靶区类似，其结构连接似乎仅局限于额叶。值得注意的是，尽管两个fMRI簇之间的距离为28 mm，但此前靶区所使用的刺激强度（49% MSO，77 V/m，120% RMT）并未产生可辨识的TMS反应，这凸显了基于TEP选择刺激强度的重要性。在图5B、C中，展示了55% MSO（89 V/m，134% RMT）时的TMS反应。需要强调的是，10 ms后观察到的大幅偏转并非真实的TMS反应，而是肌电伪迹恢复过程的延续。因此，仅应考虑刺激脉冲后25 ms以后出现的信号，由此得出26 ms至60 ms之间的振幅为4 µV。随后将刺激强度进一步提高至60% MSO（97 V/m，146% RMT），以尝试获得更早且清晰的反应（图5F、G）。与55% MSO相比，肌电伪迹的振幅如预期增加，但TEP振幅几乎没有或未见明显增加。根据所观察到的波形以及对更高刺激强度的需求，该靶区被认为相较于之前的靶区具有更低的皮层兴奋性，因此在数据采集方面信息量较少。然而，具有类似特性的靶区可能更适用于治疗方案。

总共使用20次试验的定位程序研究了16种不同的刺激参数组合。该程序的总持续时间为2小时35分钟，不包括脑电图（EEG）和肌电图（EMG）准备时间（约30分钟）。最终的刺激靶点如图6A所示。尽管该靶点与初始靶点非常接近（图3A），但其结构连接性更为广泛（图6B），可能提供更多关于信号从热点传播到其他皮层区域的信息。刺激强度保持在49% MSO（102 V/m，120% RMT）。

对从最终刺激靶点采集的前20次脉冲进行的最小预处理结果如图6C、D所示。F1电极受到大幅值振铃干扰，因此被剔除。然而，即使在剔除该电极后，其他电极中仍存在残余噪声。尽管存在振铃伪迹，但在感兴趣区域内未出现肌源性伪迹，因此可将16 ms之后的潜伏期视为真实的神经信号。滤波后，17 ms至35 ms之间的早期成分幅值为9 µV。

图6E、F展示了将完整预处理流程应用于300脉冲数据集的结果。所得TEP波形与来自20脉冲的数据高度相似（图6D），表明了对TEP进行实时监测的重要性。20 ms至40 ms之间的早期反应幅度为6 µV，体现了预处理所预期的振幅降低效果。

神经活动图谱示意图及用于神经研究与分析的脑电图通道位置。
图 2：神经导航与电极设置。（A）基于受试者三维磁共振成像的头部模型，叠加了由功能性磁共振成像获得的连接性信息。（B）脑电图电极放置示意图，其中位于刺激线圈下方的关注电极以橙色标出。请注意，电极位置已在三维头部模型上进行数字化处理（步骤 3.7.4）。请点击此处查看该图的放大版本。

脑活动分析；电位（µV）与时间（ms）图；EEG 数据，神经兴奋图谱。
图 3：最小化 TMS–EEG 数据处理示例。（A）神经导航显示界面展示刺激位点和线圈方向。红色箭头表示双相脉冲的较强方向，蓝色箭头表示较弱方向。刺激强度以最大刺激器输出（MSO）和静息运动阈值（RMT）的百分比表示。（B）刺激位置的实时纤维束成像。（C）来自刺激线圈下方电极的原始 TMS–EEG 数据。（D）在剔除噪声通道后，TMS–EEG 数据中的坏通道被替换为零值。（E）滤波处理后的 TMS–EEG 数据。（F）剔除坏通道后 F3 电极的局部放大视图。（G）滤波处理后 F3 电极的局部放大视图。请点击此处查看该图的放大版本。

使用脑电位图、MSO值和纤维束成像图进行脑图谱研究。
图4：刺激方向对肌电伪迹的影响。（A）采用后-前方向线圈放置的刺激靶点及其对应强度。（B）后-前方向的原始数据，显示存在肌电伪迹污染。（C）F3电极记录的数据，呈现显著的肌电伪迹。（D）与刺激位置对应的实时纤维束成像。（E）采用外侧-内侧方向线圈放置的刺激靶点及其对应强度。（F）外侧-内侧方向的原始数据，显示清晰的TEP信号。（G）F3电极记录的TEP信号，表现出显著且无伪迹的早期反应。请点击此处查看该图的放大版本。

脑刺激对脑电图的影响；电位随时间变化的图；神经通路；55%-60% MSO。
图5：刺激强度对低兴奋性靶区TEP反应的影响。（A）刺激靶区位置与强度。（B）在55% MSO时记录的原始数据。（C）F3电极数据，缺乏可辨识的早期TEP成分。（D）与刺激位置对应的真实时间纤维束成像。（E）在保持靶区不变的情况下增加刺激强度。（F）在60% MSO时记录的原始数据。（G）F3电极数据，显示由于更高刺激强度引起的肌电伪迹。请点击此处查看该图的放大版本。

脑活动分析；脑电位图；神经通路；刺激定位图；神经科学研究。
图6：最小化与完整预处理流程对经颅磁刺激–脑电图（TMS–EEG）数据的影响。（A）最终的刺激靶点与刺激强度。（B）刺激位置的实时纤维束成像。（C）20次试验平均后的原始数据。（D）F3电极处20次试验平均的TMS诱发脑电位（TEP）。（E）300次试验平均并经完整预处理后的TEP。（F）F3电极处300次试验平均并经完整预处理后的TEP。请点击此处查看该图的放大版本。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

该方法学流程介绍了一种利用多种神经影像技术进行个性化脑图谱绘制与靶点定位的新方法。通过将解剖学分区与功能和结构连接性相结合，构建个体化的皮层图谱，从而帮助确定最佳刺激靶点的初始搜索区域。随后，采用经颅磁刺激-脑电图（TMS-EEG）图谱技术进一步优化靶点的位置、方向和刺激强度，旨在增强神经元对TMS的早期反应活性，并减少肌电、衰减及其他伪迹。在感兴趣区域内系统性地探索各个皮层区域，调整刺激位置、电场方向和刺激强度，同时通过实时可视化平均TMS诱发电位（TEP）持续监测数据质量。最终刺激靶点的选择依据是无伪迹干扰且具有清晰可辨的早期TEP成分的反应。该流程特别适用于以探索基于TMS-EEG的生物标志物为目标的研究。

该流程包含若干关键且要求较高的步骤。第一步是确定用于经颅磁刺激-脑电图（TMS–EEG）定位的皮层区域边界。若省略此步骤，靶区可能选自与功能相关区域具有不同细胞构筑的脑区。为解决这一问题，需采用人类连接组计划（Human Connectome Project）多模态分区方案36 采用一种基于结构和功能连接性相结合的方法来划分脑区。所得到的掩模定义了使用TMS-EEG进行映射区域的外部边界。为进一步细化感兴趣皮层区域（例如，背外侧前额叶皮层（DLPFC），一个相对较大的脑区），选择显示与膝下前扣带皮层（sgACC，25区）具有功能连接性的体素38,68,78，最近已纳入临床实践用于抑郁症的治疗69,79选择这些区域后，开始进行TMS–EEG定位，靶向与sgACC功能连接最强的皮层区域，确保所选区域具有较高的皮层反应性，且无肌肉或衰减伪迹污染。如果在给予20次脉冲后记录的原始TEP满足质量标准，则选定该区域进行数据采集；然而，如果存在显著伪迹，则 观察到——前额叶皮层中常见的一种现象——邻近区域为 系统探索以确定一种合适的替代方案。

实时示踪成像有助于选择具有大规模结构连接性的经颅磁刺激（TMS）靶点，例如在重度抑郁症（MDD）中涉及的空间分布网络3,78，这些网络并不局限于单一的白质纤维束。然而，实时示踪在涉及已知纤维束的情况下尤其有价值，例如言语网络中的额斜束，可确保精准定位80。尽管离线示踪成像可提供有助于感兴趣区域（ROI）选择的连接性信息，但其在TMS–EEG映射中的应用效果有限。通过离线方法确定的预设皮层靶点可能无法引发相关或足够强的脑电图（EEG）反应，可能无法有效激活目标网络，或可能导致不适感和肌电伪迹，从而影响数据质量，并需在实验过程中调整参数。实时示踪成像通过动态提供连接性信息，解决了上述挑战，可在实验过程中即时优化线圈放置位置，以确保获得高质量、可靠的测量结果以及稳健的网络激活。

在本方案中，经颅磁刺激（TMS）的强度主要根据反映皮层间兴奋性的脑电图（EEG）信号进行调整，而静息运动阈值（RMT）仅作为强度校准的初始参考。RMT 在最终刺激强度的确定中起次要作用。该方法可确保靶区域内大量神经元被有效激活，从而产生强而可靠的信号。在通过线圈位置调整以及靶点的功能性和结构性验证以最大限度减少伪迹后，进一步优化刺激强度。由于本方案旨在最大化利用 TMS–EEG 反应获取用于生物标志物识别的数据，因此必须确保诱发电位（TEP）的振幅足够。当以 RMT 来设定刺激强度时，经过预处理后的早期反应振幅通常不超过 4 µV81，再加上伪迹的影响，会降低神经信号的质量。为克服这一问题，采用由 Casarotto 等人25提出并由 Tervo 等人82优化的方法，即在给予 20–30 次 TMS 脉冲后实时对 EEG 信号进行平均。目标是在 10–50 ms 时间窗内获得清晰、无伪迹、振幅为 6–10 µV 的反应。如图 3 和图 5 所示，位置相近的靶点可能需要不同的刺激强度，否则可能导致神经元激活不足或过度激活。

标准的非导航靶点通常通过运动热点的距离或10–20 EEG系统电极位置来定义，广泛应用于重复经颅磁刺激（rTMS）治疗中83,84,85,86。这些靶点在针对背外侧前额叶皮层（DLPFC）的TMS–EEG研究中也显示出有效性，某些生物标志物如晚期反应（例如N100）和长间隔皮质内抑制（LICI）具有潜在应用价值18,19,23,87,88。这些非个体化靶点操作更简便、成本较低，无需磁共振成像（MRI）、神经导航系统或专业人员进行靶点定位，部分方法已被证明可可靠地定位DLPFC85,86。然而，缺乏个体化可能影响治疗的缓解率89,90。此外，该区域的颅骨肌肉可能因产生伪迹而掩盖早期反应，从而阻碍刺激强度的调整。因此，TMS中的个体化强度调整可能 提高治疗效果。

该方案推进了一种更为个性化的脑刺激方法，相较于标准的非个性化方法，能够更深入地了解皮层反应性和连接性。然而，该方法需要大量资源，包括个体化的磁共振成像（MRI）扫描、专用的经颅磁刺激（TMS）和脑电图（EEG）设备，以及具备神经影像学和神经生理学专业知识的技术人员。此外，该方案在很大程度上依赖于对TMS诱发脑电位（TEP）质量及最佳刺激参数的主观判断。尽管存在这些局限性，TMS–EEG数据的质量对于生物标志物的开发至关重要，因此采用该方法是合理的。一旦确定了可靠的生物标志物，该操作流程可得以简化，聚焦于优化相关时间窗并最小化伪迹。未来，随着TMS技术的进步（例如多靶点91和多通道92 TMS），个性化刺激所需的资源有望减少，可能使其成为临床应用的新标准。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PL 担任 Nexstim Plc 公司在经颅磁刺激-脑电图（TMS-EEG）应用及言语皮层定位方面的顾问。RI 拥有经颅磁刺激（TMS）技术的相关专利，并曾就 TMS 技术向 Nexstim Plc 公司提供咨询。

致谢

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

我们感谢米兰大学的 Silvia Casarotto、Marcello Massimini 和 Mario Rosanova 教授在开创和推广经颅磁刺激–脑电图（TMS–EEG）映射方法方面所做的贡献。我们还要感谢数十位参与研究的受试者，他们的参与推动了本实验方案的建立与发展。关于"PlaStim：快感缺失的可塑性刺激治疗"项目的研究工作由 Wellcome Leap 资助，属于多通道精神健康计划（Multi-Channel Psych Program）的一部分。本项目还获得了欧洲研究理事会（ERC）在欧盟“地平线2020”研究与创新计划下的资助（资助协议编号：81037）。

材料

本文使用的材料清单
姓名公司目录编号评论
研磨凝胶H + H Medical DevicesOneStep AbrasivPlus
导电凝胶脑网络成像引导的经颅磁刺激-脑电图定位技术ElectroGel
设计者版本 2.0.0https://nyu-diffusionmri.github.io/DESIGNER-v2
脑电图放大器Brain Products GmbHBrainAmp DC 放大器5000 Hz 采样频率
脑电图帽EASYCAP GmbH用于经颅磁刺激的64通道脑电帽烧结银/氯化银电极
肌电图放大器Nexstim PlcNexstim EMG
双叶线圈Nexstim Plc冷却线圈70毫米直径风冷线圈
fmriprep版本 22.1.0https://fmriprep.org
FreeSurfer7.3.2 版本https://surfer.nmr.mgh.harvard.edu
MATLABMathWorks版本 R2021bhttps://www.mathworks.com
MRI 扫描仪西门子医疗3T Siemens MAGNETOME SkyraT1加权结构像：MPRAGE，1毫米各向同性体素，TR = 2530 ms，TE = 3.42 ms；
fMRI：EPI，3 mm 各向同性体素，TR = 1250 ms，TE = 3 ms，多波段加速因子 3，翻转角 65°；
dMRI：共100个不同的梯度方向（b = 1500 和 3000 s/mm²），12个非扩散加权（b = 0）  s/mm2) 体积，包含前部–后相位编码方向，1 个非扩散加权体积采用相反的相位编码方向（后向）–前部），2毫米各向同性体素，TR = 4100 ms，TE = 105 ms。
MRtrix3版本 3.0.4https://www.mrtrix.org
nilearn版本 0.10.3https://nilearn.github.io
主动降噪耳机 Etymotic Research IncER3C 插入式耳机
Python版本 3.9.19https://www.python.org
实时纤维束成像可视化工具版本 0.1https://github.com/baranaydogan/realTimeTractogramVisualizer
实时TMS-EEG诱发电位（rt-TEP）https://github.com/iTCf/rt-TEP
表面 EMG 电极Ambu A/SAmbu Neuroline 720
表面肌电图接地电极Ambu A/SAmbu Neuroline 接地电极
TAACwww.github.com/iTCf/TAAC
TMS 系统Nexstim PlcNexstim NBT 2.2.4双相脉冲，随机化刺激间间隔–2.4 s

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Fornito, A., Zalesky, A., Breakspear, M. The connectomics of brain disorders. Nat Rev Neurosci. 16 (3), 159-172 (2015).
  2. Stam, C. J. Hub overload and failure as a final common pathway in neurological brain network disorders. Netw Neurosci. 8 (1), 1-23 (2024).
  3. Siddiqi, S. H., et al. Brain stimulation and brain lesions converge on common causal circuits in neuropsychiatric disease. Nat Hum Behav. 5 (12), 1707-1716 (2021).
  4. Xu, M., et al. Reconfiguration of structural and functional connectivity coupling in patient subgroups with adolescent depression. JAMA Netw Open. 7 (3), e241933(2024).
  5. Fields, R. D. White matter in learning, cognition and psychiatric disorders. Trends Neurosci. 31 (7), 361-370 (2008).
  6. van den Heuvel, M. P., Sporns, O. A cross-disorder connectome landscape of brain dysconnectivity. Nat Rev Neurosci. 20 (7), 435-446 (2019).
  7. Momi, D., et al. Networklevel macroscale structural connectivity predicts propagation of transcranial magnetic stimulation. NeuroImage. 229, 117698(2021).
  8. Ozdemir, R. A., et al. Individualized perturbation of the human connectome reveals reproducible biomarkers of network dynamics relevant to cognition. Proc Natl Acad Sci U S A. 117 (14), 8115-8125 (2020).
  9. Massimini, M., Ferrarelli, F., Huber, R., Esser, S. K., Singh, H., Tononi, G. Breakdown of cortical effective connectivity during sleep. Science. 309 (5744), 2228-2232 (2005).
  10. Bortoletto, M., Veniero, D., Thut, G., Miniussi, C. The contribution of TMS–EEG coregistration in the exploration of the human cortical connectome. Neurosci Biobehav Rev. 49, 114-124 (2015).
  11. Rogasch, N. C., Fitzgerald, P. B. Assessing cortical network properties using TMS-EEG. Hum Brain Mapp. 34 (7), 1652-1669 (2013).
  12. MüllerDahlhaus, F., Bergmann, T. O. Network perturbationbased biomarkers of depression and treatment response. Cell Rep Med. 4 (6), 101086(2023).
  13. Bergmann, T. O., Varatheeswaran, R., Hanlon, C. A., Madsen, K. H., Thielscher, A., Siebner, H. R. Concurrent TMSfMRI for causal network perturbation and proof of target engagement. NeuroImage. 237, 118093(2021).
  14. Casali, A. G., Casarotto, S., Rosanova, M., Mariotti, M., Massimini, M. General indices to characterize the electrical response of the cerebral cortex to TMS. NeuroImage. 49 (2), 1459-1468 (2010).
  15. Solomon, E. A., et al. TMS provokes targetdependent intracranial rhythms across human cortical and subcortical sites. Brain Stimul. 17 (3), 698-712 (2024).
  16. Comolatti, R., et al. A fast and general method to empirically estimate the complexity of brain responses to transcranial and intracranial stimulations. Brain Stimul. 12 (5), 1280-1289 (2019).
  17. Casarotto, S., et al. Stratification of unresponsive patients by an independently validated index of brain complexity. Ann Neurol. 80 (5), 718-729 (2016).
  18. Dhami, P., et al. Prefrontal cortical reactivity and connectivity markers distinguish youth depression from healthy youth. Cereb Cortex. 30 (7), 3884-3894 (2020).
  19. Dhami, P., et al. Neurophysiological markers of response to theta burst stimulation in youth depression. Depress Anxiety. 38 (2), 172-184 (2021).
  20. Hadas, I., Hadar, A., Lazarovits, A., Daskalakis, Z. J., Zangen, A. Right prefrontal activation predicts ADHD and its severity: A TMS–EEG study in young adults. Prog Neuropsychopharmacol Biol Psychiatry. 111, 110340(2021).
  21. Hoy, K. E., Coyle, H., Gainsford, K., Hill, A. T., Bailey, N. W., Fitzgerald, P. B. Investigating neurophysiological markers of impaired cognition in schizophrenia. Schizophr Res. 233, 34-43 (2021).
  22. Kallioniemi, E., Daskalakis, Z. J. Identifying novel biomarkers with TMS–EEG – methodological possibilities and challenges. J Neurosci Methods. 377, 109631(2022).
  23. Sun, Y., et al. Indicators for remission of suicidal ideation following magnetic seizure therapy in patients with treatmentresistant depression. JAMA Psychiatry. 73 (4), 337-345 (2016).
  24. Lioumis, P., Rosanova, M. The role of neuronavigation in TMS-EEG studies: Current applications and future perspectives. J Neurosci Methods. 380, 109677(2022).
  25. Casarotto, S., et al. The rtTEP tool: realtime visualization of TMSevoked potentials to maximize cortical activation and minimize artifacts. J Neurosci Methods. 370, 109486(2022).
  26. Koch, G., et al. Precuneus magnetic stimulation for Alzheimer's disease: A randomized, shamcontrolled trial. Brain. 145 (11), 3776-3786 (2022).
  27. Casula, E. P., et al. Regional precuneus cortical hyperexcitability in Alzheimer's disease patients. Ann Neurol. 93 (2), 371-383 (2023).
  28. HernandezPavon, J. C., et al. TMS combined with EEG: Recommendations and open issues for data collection and analysis. Brain Stimul. 16 (2), 567-593 (2023).
  29. Hannula, H., Ilmoniemi, R. J. Basic principles of navigated TMS. Navigated Transcranial Magnetic Stimulation in Neurosurgery. , 3-29 (2017).
  30. Vitikainen, A. M., et al. Combined use of noninvasive techniques for improved functional localization for a selected group of epilepsy surgery candidates. NeuroImage. 45 (2), 342-348 (2009).
  31. Krieg, S. M., et al. Protocol for motor and language mapping by navigated TMS in patients and healthy volunteers; workshop report. Acta Neurochirurgica. 159 (7), 1187-1195 (2017).
  32. Lioumis, P., et al. A novel approach for documenting naming errors induced by navigated transcranial magnetic stimulation. J Neurosci Methods. 204 (2), 349-354 (2012).
  33. Lioumis, P., Kicić, D., Savolainen, P., Mäkelä, J. P., Kähkönen, S. Reproducibility of TMSevoked EEG responses. Hum Brain Mapp. 30 (4), 1387-1396 (2009).
  34. Rosanova, M., Casali, A., Bellina, V., Resta, F., Mariotti, M., Massimini, M. Natural frequencies of human corticothalamic circuits. J Neurosci. 29 (24), 7679-7685 (2009).
  35. Harquel, S., Bacle, T., Beynel, L., Marendaz, C., Chauvin, A., David, O. Mapping dynamical properties of cortical microcircuits using robotized TMS and EEG: Towards functional cytoarchitectonics. NeuroImage. 135, 115-124 (2016).
  36. Glasser, M. F., et al. A multimodal parcellation of human cerebral cortex. Nature. 536 (7615), 171-178 (2016).
  37. Cash, R. F. H., Zalesky, A. Personalized and circuitbased transcranial magnetic stimulation: Evidence, controversies, and opportunities. Biol Psychiatry. 95 (6), 510-522 (2024).
  38. Fox, M. D., Liu, H., PascualLeone, A. Identification of reproducible individualized targets for treatment of depression with TMS based on intrinsic connectivity. NeuroImage. 66, 151-160 (2013).
  39. Aydogan, D. B., et al. Realtime tractographyassisted neuronavigation for TMS. bioRxiv. , (2023).
  40. van den Heuvel, M. P., Hulshoff Pol, H. E. Exploring the brain network: A review on restingstate fMRI functional connectivity. Eur Neuropsychopharmacol. 20 (8), 519-534 (2010).
  41. Russo, S., et al. TAAC-TMS adaptable auditory control: A universal tool to mask TMS clicks. J Neurosci Methods. 370, 109491(2022).
  42. Fischl, B. FreeSurfer. NeuroImage. 62 (2), 774-781 (2012).
  43. Esteban, O., et al. fMRIPrep: A robust preprocessing pipeline for functional MRI. Nat Methods. 16 (1), 111-116 (2019).
  44. Tournier, J. D., et al. MRtrix3: A fast, flexible and open software framework for medical image processing and visualisation. NeuroImage. 202, 116137(2019).
  45. Qiao, Y., Shi, Y. Unsupervised deep learning for FODbased susceptibility distortion correction in diffusion MRI. IEEE Trans Med Imaging. 41 (5), 1165-1175 (2022).
  46. Irfanoglu, M. O., Modi, P., Nayak, A., Hutchinson, E. B., Sarlls, J., Pierpaoli, C. DRBUDDI (Diffeomorphic Registration for BlipUp blipDown Diffusion Imaging) method for correcting echo planar imaging distortions. NeuroImage. 106, 284-299 (2015).
  47. Veraart, J., Novikov, D. S., Christiaens, D., AdesAron, B., Sijbers, J., Fieremans, E. Denoising of diffusion MRI using random matrix theory. NeuroImage. 142, 394-406 (2016).
  48. Leemans, A., Jones, D. K. The Bmatrix must be rotated when correcting for subject motion in DTI data. Magn Reson Med. 61 (6), 1336-1349 (2009).
  49. Andersson, J. L. R., Skare, S., Ashburner, J. How to correct susceptibility distortions in spinecho echoplanar images: Application to diffusion tensor imaging. NeuroImage. 20 (2), 870-888 (2003).
  50. Kellner, E., Dhital, B., Kiselev, V. G., Reisert, M. Gibbsringing artifact removal based on local subvoxelshifts. Magn Reson Med. 76 (5), 1574-1581 (2016).
  51. Lee, H. H., Novikov, D. S., Fieremans, E. Removal of partial Fourierinduced Gibbs (RPG) ringing artifacts in MRI. Magn Reson Med. 86 (5), 2733-2750 (2021).
  52. Andersson, J. L. R., Sotiropoulos, S. N. An integrated approach to correction for offresonance effects and subject movement in diffusion MR imaging. NeuroImage. 125, 1063-1078 (2016).
  53. Tournier, J. D., Calamante, F., Connelly, A. Robust determination of the fibre orientation distribution in diffusion MRI: Nonnegativity constrained superresolved spherical deconvolution. NeuroImage. 35 (4), 1459-1472 (2007).
  54. Dhollander, T., Raffelt, D., Connelly, A. Unsupervised 3tissue response function estimation from singleshell or multishell diffusion MR data without a coregistered T1 image. Proc ISMRM Workshop Breaking Barriers Diffus MRI. , 5(2016).
  55. Jeurissen, B., Tournier, J. D., Dhollander, T., Connelly, A., Sijbers, J. Multitissue constrained spherical deconvolution for improved analysis of multishell diffusion MRI data. NeuroImage. 103, 411-426 (2014).
  56. Raffelt, D., Tournier, J. D., Crozier, S., Connelly, A., Salvado, O. Reorientation of fiber orientation distributions using apodized point spread functions. Magn Reson Med. 67 (3), 844-855 (2012).
  57. Raffelt, D., Tournier, J. D., Fripp, J., Crozier, S., Connelly, A., Salvado, O. Symmetric diffeomorphic registration of fibre orientation distributions. NeuroImage. 56 (3), 1171-1180 (2011).
  58. Schilling, K. G., et al. Limits to anatomical accuracy of diffusion tractography using modern approaches. NeuroImage. 185, 1-11 (2019).
  59. Noise and hearing loss. , CDC. Available from: https://www.cdc.gov/niosh/noise/about/noise.html (2024).
  60. Rossini, P. M., et al. Noninvasive electrical and magnetic stimulation of the brain, spinal cord, roots and peripheral nerves: Basic principles and procedures for routine clinical and research application. Clin Neurophysiol. 126 (6), 1071-1107 (2015).
  61. Rothwell, J. C., Hallett, M., Berardelli, A., Eisen, A., Rossini, P., Paulus, W. Magnetic stimulation: motor evoked potentials. Electroencephalogr Clin Neurophysiol Suppl. 52, 97-103 (1999).
  62. Awiszus, F. TMS and threshold hunting. Suppl Clin Neurophysiol. 56, 13-23 (2003).
  63. Seguin, C., Jedynak, M., David, O., Mansour, S., Sporns, O., Zalesky, A. Communication dynamics in the human connectome shape the cortexwide propagation of direct electrical stimulation. Neuron. 111 (9), 1391-1401.e5 (2023).
  64. Momi, D., Wang, Z., Griffiths, J. D. TMSevoked responses are driven by recurrent largescale network dynamics. eLife. 12, e83232(2023).
  65. Fitzgerald, P. B. Targeting repetitive transcranial magnetic stimulation in depression: Do we really know what we are stimulating and how best to do it. Brain Stimul. 14 (3), 730-736 (2021).
  66. Connolly, C. G., et al. Restingstate functional connectivity of subgenual anterior cingulate cortex in depressed adolescents. Biol Psychiatry. 74 (12), 898-907 (2013).
  67. Schmaal, L., et al. Cortical abnormalities in adults and adolescents with major depression based on brain scans from 20 cohorts worldwide in the ENIGMA Major Depressive Disorder Working Group. Mol Psychiatry. 22 (6), 900-909 (2017).
  68. Cash, R. F. H., Cocchi, L., Lv, J., Wu, Y., Fitzgerald, P. B., Zalesky, A. Personalized connectivityguided DLPFCTMS for depression: Advancing computational feasibility, precision and reproducibility. Hum Brain Mapp. 42 (13), 4155-4172 (2021).
  69. Cole, E. J., et al. Stanford accelerated intelligent neuromodulation therapy for treatmentresistant depression. Am J Psychiatry. 177 (8), 716-726 (2020).
  70. Hadas, I., et al. Association of repetitive transcranial magnetic stimulation treatment with subgenual cingulate hyperactivity in patients with major depressive disorder. JAMA Netw Open. 2 (6), e195578(2019).
  71. Mutanen, T. P., Ilmoniemi, I., Atti, I., Metsomaa, J., Ilmoniemi, R. J. A simulation study: comparing independent component analysis and signalspace projection-sourceinformed reconstruction for rejecting muscle artifacts evoked by transcranial magnetic stimulation. Front Hum Neurosci. 18, 1324956(2024).
  72. HernandezPavon, J. C., Kugiumtzis, D., Zrenner, C., Kimiskidis, V. K., Metsomaa, J. Removing artifacts from TMSevoked EEG: A methods review and a unifying theoretical framework. J Neurosci Methods. 376, 109591(2022).
  73. Rogasch, N. C., et al. Analysing concurrent transcranial magnetic stimulation and electroencephalographic data: A review and introduction to the opensource TESA software. NeuroImage. 147, 934-951 (2017).
  74. Mutanen, T. P., Metsomaa, J., Liljander, S., Ilmoniemi, R. J. Automatic and robust noise suppression in EEG and MEG: The SOUND algorithm. NeuroImage. 166, 135-151 (2018).
  75. Mutanen, T. P., Kukkonen, M., Nieminen, J. O., Stenroos, M., Sarvas, J., Ilmoniemi, R. J. Recovering TMSevoked EEG responses masked by muscle artifacts. NeuroImage. 139, 157-166 (2016).
  76. Mutanen, T., Mäki, H., Ilmoniemi, R. J. The effect of stimulus parameters on TMS-EEG muscle artifacts. Brain Stimul. 6 (3), 371-376 (2013).
  77. Rogasch, N. C., Thomson, R. H., Daskalakis, Z. J., Fitzgerald, P. B. Shortlatency artifacts associated with concurrent TMS-EEG. Brain Stimul. 6 (6), 868-876 (2013).
  78. Siddiqi, S. H., Weigand, A., PascualLeone, A., Fox, M. D. Identification of personalized transcranial magnetic stimulation targets based on subgenual cingulate connectivity: An independent replication. Biol Psychiatry. 90 (10), e55-e56 (2021).
  79. Williams, N. R., et al. Highdose spaced thetaburst TMS as a rapidacting antidepressant in highly refractory depression. Brain. 141 (3), e18(2018).
  80. Lioumis, P., et al. Study design for navigated repetitive transcranial magnetic stimulation for speech cortical mapping. J Vis Exp. , (2023).
  81. Lioumis, P., Zomorrodi, R., Hadas, I., Daskalakis, Z. J., Blumberger, D. M. Combined transcranial magnetic stimulation and electroencephalography of the dorsolateral prefrontal cortex. J Vis Exp. , (2018).
  82. Tervo, A. E., et al. Closedloop optimization of transcranial magnetic stimulation with electroencephalography feedback. Brain Stimul. 15 (2), 523-531 (2022).
  83. Trapp, N. T., Pace, B. D., Neisewander, B., Ten Eyck, P., Boes, A. D. A randomized trial comparing beam F3 and 5.5 cm targeting in rTMS treatment of depression demonstrates similar effectiveness. Brain Stimul. 16 (5), 1392-1400 (2023).
  84. Fitzgerald, P. B., Maller, J. J., Hoy, K. E., Thomson, R., Daskalakis, Z. J. Exploring the optimal site for the localization of dorsolateral prefrontal cortex in brain stimulation experiments. Brain Stimul. 2 (4), 234-237 (2009).
  85. Trapp, N. T., et al. Reliability of targeting methods in TMS for depression: Beam F3 vs 5.5 cm. Brain Stimul. 13 (3), 578-581 (2020).
  86. MirMoghtadaei, A., et al. Concordance between Beam F3 and MRIneuronavigated target sites for repetitive transcranial magnetic stimulation of the left dorsolateral prefrontal cortex. Brain Stimul. 8 (5), 965-973 (2015).
  87. Sun, Y., et al. Magnetic seizure therapy reduces suicidal ideation and produces neuroplasticity in treatmentresistant depression. Transl Psychiatry. 8 (1), 253(2018).
  88. Hui, J., et al. Altered interhemispheric signal propagation in schizophrenia and depression. Clin Neurophysiol. 132 (7), 1604-1611 (2021).
  89. Berlim, M. T., van den Eynde, F., TovarPerdomo, S., Daskalakis, Z. J. Response, remission and dropout rates following highfrequency repetitive transcranial magnetic stimulation (rTMS) for treating major depression: A systematic review and metaanalysis of randomized, doubleblind and shamcontrolled trials. Psychol Med. 44 (2), 225-239 (2014).
  90. Fitzgerald, P. B., Hoy, K. E., Anderson, R. J., Daskalakis, Z. J. A study of the pattern of response to rTMS treatment in depression. Depress Anxiety. 33 (8), 746-753 (2016).
  91. Nieminen, J. O., et al. Multilocus transcranial magnetic stimulation system for electronically targeted brain stimulation. Brain Stimul. 15 (1), 116-124 (2022).
  92. Daneshszand, M., Navarro de Lara, L., Makarov, S., Meng, Q., Nummenmaa, A. A modular multichannel TMS system with threeaxis coil design. Brain Stimul. 16 (1), 134(2023).

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

相关文章