Gleichzeitige EEG und funktionelle MRT-Aufnahme und Integration Analyse für dynamische kortikale Aktivität Imaging
30. Juni 2018
Eine EEG-fMRT multimodale bildgebende Methode, bekannt als die raumzeitlichen fMRI eingeschränkt EEG Quelle bildgebendes Verfahren, wird hier beschrieben. Die vorgestellte Methode beschäftigt bedingt aktiv fMRI Sub-Maps oder Prioren, EEG Quelle Lokalisierung in einer Art und Weise zu führen, das verbessert die räumliche Spezifität und fehlerhafte Ergebnisse begrenzt.
Diese Methode kann helfen, Schlüsselfragen im Bereich der Neurowissenschaften zu beantworten, wie z.B. die Bestimmung der zeitlichen Beziehung zwischen mehreren Hirnregionen oder die Erforschung des detaillierten neuronalen Pfades komplexer kognitiver Prozesse. Der Hauptvorteil dieser Technik besteht darin, dass sie die Integration von multimodalen EEG- und Funktionsdaten auf räumliche und zeitlich spezifische Weise ermöglicht, um die Auflösung und Genauigkeit der funktionellen Neurobildgebung zu verbessern. Die Implikationen dieser Technik erstrecken sich auf das Verständnis von Epilepsie und neurokognitiven Störungen.
Denn die Methode verbessert die räumliche und zeitliche Genauigkeit für die nicht-invasive Neurobildgebung. Obwohl diese Methode verwendet werden kann, um Einblicke in die visuellen motorischen und emotionalen Verarbeitungssysteme zu erhalten, kann sie auch auf andere Systeme angewendet werden, wie z. B. die sensomotorische Integration, die Sprache und die Gedächtnisverarbeitung. Die visuelle Demonstration dieser Methode ist von entscheidender Bedeutung, da die gleichzeitigen Schritte der EEG- und fMRT-Datenaufzeichnung schwer zu erlernen sein können.
Auch wegen des Bedarfs an spezialisierten Einrichtungen, Geräten und Signalverarbeitungsmethoden. Um diesen Vorgang zu starten, setzen Sie eine passive MRT-kompatible EEG-Kappe in geeigneter Größe auf den Kopf des Probanden. Positionieren Sie die Elektroden gemäß dem internationalen Etikettiersystem 10-20.
Überprüfen Sie in der EEG-Aufzeichnungssoftware die Impedanz der Masse- und Referenzelektroden. Klicken Sie dazu auf die Registerkarte Impedanz und wählen Sie den Elektrodentyp auf der Benutzeroberfläche der Software aus. Verwenden Sie anschließend die Spritze, um Elektrolyt in jede Elektrode zu injizieren.
Verwenden Sie dann ein Wattestäbchen, um das Gel zu verteilen, um den Kontakt zwischen Haut und Elektrode zu gewährleisten. Sobald die Vorbereitung der EEG-Kappe abgeschlossen ist, lassen Sie den Probanden zum MRT-Scanner wechseln. Richten Sie die experimentelle Paradigmenanzeige auf einem Monitor ein, der sich im Beobachtungsraum befindet.
Verwenden Sie einen Kopfspulen-Betrachtungsspiegel, damit die Person den Monitorbildschirm sehen kann, ohne den Kopf oder die Augen im Liegen zu bewegen. Zeigen Sie ein Beispielbild auf dem Computerbildschirm an, um sicherzustellen, dass das Motiv den Bildschirm bequem sehen kann und dass das Paradigma richtig angezeigt wird. Nehmen Sie alle erforderlichen Hardware- oder Softwareanpassungen vor.
Weisen Sie den Probanden danach an, still zu bleiben und einen ersten T1-gewichteten anatomischen MRT-Scan durchzuführen. Wenn möglich, verwenden Sie ein Sichtfeld, das von der Unterseite des Kleinhirns bis zum Scheitel des Kopfes reicht, einschließlich des Schädels und der Haut. Beginnen Sie nun mit der Aufzeichnung der EEG-Daten.
Klicken Sie gleichzeitig auf die entsprechenden Schaltflächen, um die MRT-Aufzeichnung zu starten und das gewünschte Paradigma in der Präsentationssoftware zu starten. Überprüfen Sie die EEG-Datenaufzeichnung, um die Signalqualität sicherzustellen, und falls gewünscht, werden entsprechende Marker aufgezeichnet. Um die strukturellen MRT-Daten zu analysieren, verwenden Sie die verfügbare GUI, um sicherzustellen, dass es keine Überlappungen in den Schichten gibt.
Öffnen Sie anschließend die FreeView-Anwendung. Klicken Sie auf Datei und dann auf Oberfläche laden. Navigieren Sie zum Verzeichnis des Betreffs im kostenlosen Surfer-Ordner.
Öffnen Sie dann den Ordner bem, gefolgt vom Ordner watershed. Legen Sie die vier Dateien ein: die äußere Hautoberfläche, die äußere Schädeloberfläche, die Gehirnoberfläche und die innere Schädeloberfläche. Verschieben Sie anschließend die Schieberegler für die Slice-Auswahl und suchen Sie nach Überlappungen in den gelben Oberflächenebenen.
Wenn es zu Überlappungen kommt, überprüfen Sie die MRT-Daten auf anatomische Defekte oder Fehler und verwenden Sie die GUI-Zeichenwerkzeuge, um die Schichten zu verdeutlichen. Laden Sie anschließend die ursprünglichen MRT-Daten in die FreeView-Anwendung, indem Sie auf Datei und dann auf Volume laden klicken. Navigieren Sie zum Betreffordner und öffnen Sie den MRT-Ordner.
Klicken Sie dann auf das ursprüngliche Verzeichnis, öffnen Sie die strukturellen MRT-Daten und klicken Sie auf OK. Sehen Sie sich als Nächstes das Graustufenbild des Kopfes an und betrachten Sie die verschiedenen Grau- und Schwarzschichten um das Gehirn herum. Stellen Sie sicher, dass diese Layer keine Lücken oder Unregelmäßigkeiten aufweisen. Verwenden Sie das Farbwähler-Werkzeug, um das Voxel aus der zu korrigierenden Ebene auszuwählen.
Wechseln Sie zur Freihand-Voxel-Bearbeitung, und klicken Sie, um auf dem Bild zu zeichnen. Gehen Sie wie folgt vor, um eventuelle Defekte im MRT-Bild auszufüllen. Führen Sie die Korrektur für alle Schichten und MRT-Schichten durch, in denen Defekte auftreten.
Führen Sie anschließend eine subjektspezifische Ausrichtung des EEG-Sensors auf den MRT-Raum mit dem kostenlosen Surfer-Head-Modell-Overlay durch. Speichern Sie dann die Transformation. Öffnen Sie die Anwendung MNE Analyze.
Klicken Sie auf Datei und dann auf Oberfläche laden. Navigieren Sie zu dem Ordner, der die Betreffdaten enthält, und laden Sie die Pial-Oberfläche. Klicken Sie auf Datei, dann auf Digitalisiererdaten laden und wählen Sie die gewünschte EEG-Datei aus.
Klicken Sie auf Ansicht und Viewer anzeigen. Sobald die Viewer-GUI angezeigt wird, klicken Sie auf Optionen und stellen Sie sicher, dass die Optionen für die Kopfhaut- und Digitalisierdaten ausgewählt sind. Die Elektroden sind hier in Rot und die Passermarken in Gelb dargestellt.
Wählen Sie im Hauptfenster Anpassen und dann Koordinatenausrichtung aus. Verschieben und drehen Sie die EEG-Elektroden im Viewer mithilfe der GUI für die Koordinatenausrichtung mit dem Pfeil und den Links-Rechts-Tasten. Passen Sie so viel wie nötig an.
Sobald die Ausrichtung abgeschlossen ist, klicken Sie unten in der GUI für die Koordinatenausrichtung auf Speichern, um die Ausrichtung zu speichern. Für die Analyse von EEG-Daten können Sie die Korrektur von Gradientenartefakten des Scanners durch Vorlagensubtraktion durchführen, indem Sie auf die Schaltfläche MR-Korrektur im speziellen Signalverarbeitungsmenü klicken und die entsprechenden Parameter in der Benutzeroberfläche der EEG-Analysesoftware auswählen. Um kardioballistische Artefakte durch Vorlagensubtraktion zu entfernen, klicken Sie auf die Schaltfläche CB-Korrektur im speziellen Signalverarbeitungsmenü und wählen Sie die entsprechenden Parameter in der Benutzeroberfläche der Analysesoftware aus.
Wenden Sie dann die Filterung unter Datenfilterung an. Wählen Sie die Schaltfläche für die IIR-Filterung oben in der Analyse-GUI aus. Wenden Sie beispielsweise einen Hochpass bei 0,05 Hertz, einen Tiefpass bei 40 Hertz und einen Kerbfilter bei der Netzfrequenz mit einem Rolloff von 48 Dezibel pro Hertz an.
Um die Korrektur von Augenartefakten durchzuführen, wählen Sie "Transformation" und dann "Reduzierung der Artefaktabstoßung" und anschließend "Augenkorrektur-ICA". Segmentieren Sie als Nächstes die EEG-Daten in Epics, basierend auf der angegebenen Vor- und Nach-Stimulus-Zeit in Bezug auf die Ereignis-Timing-Marker, indem Sie Transformation auswählen, dann Segmentanalysefunktionen und dann Segmentierung. Wählen Sie anschließend die gewünschte Markierung und das gewünschte Zeitsegment aus.
Führen Sie anschließend eine manuelle oder halbautomatische Artefaktabweisung durch, indem Sie Transformation und dann Artefaktablehnungsreduzierung in Artefaktablehnung auswählen. Wenn Sie dazu aufgefordert werden, definieren Sie Kriterien für Artefakte auf den drei Registerkarten der GUI und fahren Sie wie angewiesen fort. Wählen Sie auf der Registerkarte Inspektionsmethode die Option Automatisch, Halbautomatisch oder manuell Artefakte aus.
Wählen Sie dann Artefakte markieren oder entfernen aus, und geben Sie an, ob die Korrekturen für einen einzelnen Kanal gelten. Wählen Sie als Nächstes auf der Registerkarte "Kanalauswahl" die Kanäle aus, die auf Artefakte korrigiert werden sollen. Wählen Sie auf der Registerkarte Kriterien die Grundlage aus, anhand derer Artefakte identifiziert werden sollen.
Klicken Sie nach der Auswahl der Kriterien auf OK, und Artefakte werden entsprechend der Auswahl identifiziert und/oder abgelehnt. Um eine Basislinienkorrektur durchzuführen, wählen Sie Transformation und dann Segmentanalysefunktionen und Basislinienkorrektur aus. Um den Durchschnitt der segmentierten Daten zu berechnen, wählen Sie Transformation, dann Segmentanalysefunktionen und dann Durchschnitt aus.
Zunächst wird das interessierende EEG-Epos in kleinere Zeitfenster mit vordefinierten Fenster- und Überlappungsgrößen unterteilt. In der Zwischenzeit ist die fMRT-Aktivierungskarte in mehrere Regionen von Interesse unterteilt, die als räumliche Prioren für die Analyse von EEG-Quellen verwendet werden können. Während jedes Zeitfensters wird ein geeigneter Satz von räumlichen Prioren für die Lokalisierung der Quelle ausgewählt.
Die Kombination dieser Faktoren ergibt den endgültigen Zeitverlauf der kortikalen Aktivität für das gesamte interessierende EEG-Epos. Hier wird eine rekonstruierte Gehirnaktivität gezeigt, die die neue räumlich-zeitlich spezifische fMRT-beschränkte EEG-Quellenbildgebung oben mit der häufig verwendeten zeitinvarianten fMRT-Constraint-Quellenbildgebung unten vergleicht. Die rekonstruierte Gehirnaktivität wird zu mehreren Zeitpunkten für ein repräsentatives Subjekt gezeigt, das das Paradigma der visuellen motorischen Aktivierung durchläuft.
Die Lokalisationsergebnisse der neuen Methode waren fokaler und stimmten besser mit den erwarteten Hirnregionen überein. Hier wird die Robustheit des Verfahrens getestet, indem das Verfahren mit unterschiedlichen Fenstergrößen angewendet wird. Beachten Sie, dass die bescheidenen Fenstergrößen relativ stabil sind, während große Fenstergrößen unterschiedliche Ergebnisse aufweisen.
Einmal gemeistert, kann die gleichzeitige EEG- und fMRT-Datenaufzeichnung in etwa drei Stunden durchgeführt werden, und die Datenanalyse kann in zwei bis drei Tagen durchgeführt werden, wenn sie richtig durchgeführt wird. Wenn Sie dieses Verfahren versuchen, denken Sie daran, die Uhrsynchronisierung und die Trigger während der Aufnahme zu überprüfen. Während der Analyse sollten Sie auch auf die Parameter achten, die erforderlich sind, um Ihre interessierende Aktivität zu erfassen.
Im Anschluss an dieses Verfahren können Messungen wie EEG und funktionelle MRT-Datenanalyse durchgeführt werden, um die zugrunde liegende Konnektivitätsstruktur oder Aktivität im Gehirn während kognitiver Aufgaben zu untersuchen. Nach dieser Entwicklung ebnete diese Technik den Weg für Forscher auf dem Gebiet der funktionellen Neurobildgebung, um die hochdynamische Gehirnaktivität zu erforschen, die an der komplexen kognitiven Verarbeitung beteiligt ist, und um die detaillierten Veränderungen der neuronalen Bahnen zu untersuchen, die mit neurologischen Störungen verbunden sind. Nachdem Sie sich dieses Video angesehen haben, sollten Sie ein gutes Verständnis dafür haben, wie man gleichzeitige EEG- und fMRT-Aufzeichnungen durchführt und die Grundlagen der räumlich-zeitlichen fMRT-beschränkten EEG-Sozioanalyse durchführt.
Um die Gehirnaktivität mit hoher räumlicher, zeitlicher Auflösung und Genauigkeit zu rekonstruieren. Vergessen Sie nicht, dass die Arbeit mit Teilnehmern und Geräten in der MRT-Umgebung ein ständiges Bewusstsein für Sicherheitsbedenken erfordert. Es sollten keine nicht näher spezifizierten Metallgegenstände in den MRT-Raum gebracht werden, und alle Elektrodenimpedanzen sollten unter 50 Coulomb gehalten werden.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Überblick
Die raumzeitliche fMRI-gestützte EEG-Quellenbildgebungsmethode integriert EEG- und fMRI-Daten, um die Genauigkeit der Neurobildgebung zu verbessern. Diese Technik hilft beim Verständnis komplexer kognitiver Prozesse und neuronaler Bahnen.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Neurowissenschaften
- Neurobildgebung
- Kognitive Prozesse
Hintergrund
- EEG und fMRI sind sich ergänzende Neurobildgebungstechniken.
- Räumliche Spezifität und zeitliche Auflösung sind entscheidend für die Untersuchung der Gehirnfunktion.
- Die Methode nutzt fMRI-Priors zur Verbesserung der EEG-Quellenlokalisierung.
- Anwendungen umfassen die Forschung zu Epilepsie und neurokognitiven Störungen.
Zweck der Studie
- Um zeitliche Beziehungen zwischen Hirnregionen zu bestimmen.
- Um neuronale Bahnen zu erforschen, die an kognitiven Prozessen beteiligt sind.
- Um die Auflösung der funktionellen Neurobildgebung zu verbessern.
Verwendete Methoden
- Integration von EEG- und fMRI-Daten.
- Verwendung von bedingt aktiven fMRI-Sub-Maps als Priors.
- Verbesserung der räumlichen und zeitlichen Genauigkeit in der Neurobildgebung.
- Visuelle Demonstrationen zur Erleichterung des Erlernens der Methode.
Hauptergebnisse
- Verbesserte räumliche Spezifität bei der EEG-Quellenlokalisierung.
- Verbesserte Genauigkeit beim Verständnis der Gehirnfunktion.
- Erkenntnisse über visuelle motorische und emotionale Verarbeitungssysteme.
- Potenzielle Anwendungen in verschiedenen kognitiven Bereichen.
Schlussfolgerungen
- Die Methode verbessert die nichtinvasive Neurobildgebung erheblich.
- Sie liefert wertvolle Einblicke in komplexe kognitive Prozesse.
- Eine weitere Erforschung ihrer Anwendungen ist gerechtfertigt.
Häufig gestellte Fragen
Executive Industry Relevance
Integrating EEG and fMRI data enhances spatial and temporal resolution in neuroimaging, addressing a key challenge in mapping dynamic brain activity for target validation in CNS drug discovery. This multimodal approach improves predictive confidence by reducing source localization bias and cross-talk between conditionally active regions, supporting mechanistic de-risking in preclinical models of neurological disorders. The method enables more accurate interrogation of therapeutic hypotheses related to neural pathway modulation and biomarker alignment.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of temporal relationships between brain regions to clarify pathophysiological pathways in disease models.
- Scientific Value: Supports functional target validation by improving EEG source localization accuracy through dynamic fMRI priors.
- Scientific Value: Reduces mechanistic ambiguity in neural circuit modeling, increasing confidence in target engagement assessments.
Screening & Assay Development
- Operational Value: Generates standardized cortical activity maps and time-courses suitable for reproducible assay development in neuropharmacology.
- Operational Value: Provides quantitative dependent variable measurements (e.g., source localization evidence, cortical activation patterns) for compound screening.
- Operational Value: Enhances assay specificity by using fMRI-derived spatial priors to minimize off-target cortical signal interference.
Translational & Preclinical Research
- Translational Value: Enables continuity from discovery through preclinical validation by mapping dynamic cortical activity in disease-relevant systems.
- Translational Value: Supports biomarker alignment by identifying spatiotemporal neural signatures associated with cognitive or motor endpoints.
- Translational Value: Facilitates risk-adjusted advancement decisions by improving predictive confidence in target modulation outcomes.
Pipeline & Workflow Integration
The method fits within the discovery continuum from hypothesis testing in early neuroscience research to lead identification and preclinical validation, particularly for CNS targets requiring dynamic pathway analysis.
- Discovery Biology: Supports hypothesis testing and pathway clarification by resolving spatiotemporal dynamics of cortical networks involved in cognitive and motor processing.
- Screening: Enables assay readiness through reproducible, quantitative EEG-fMRI outputs that allow comparison of compound effects on brain activity.
- Analytics: Delivers model evidence and cortical time-course measurements that help teams compare conditions and assess target engagement.
- Translational Research: Connects to preclinical continuity by providing translatable neural activity patterns that align with behavioral or clinical endpoints.
- Enterprise Reuse: Represents a reusable neuroimaging capability applicable across multiple CNS therapeutic areas and target classes.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by improving spatial specificity and reducing false positives in EEG source imaging.
- Operational Value: Enhances reproducibility and standardization through structured workflows for multimodal data acquisition and hierarchical Bayesian analysis.
- Strategic Value: Supports better go/no-go decisions by de-risking mechanistic assumptions about target modulation in neural circuits.
- Portfolio Impact: Enables risk-adjusted prioritization of CNS programs by providing more accurate functional neuroimaging data for target validation.
Implementation Considerations
- Requires expertise in neurophysiology, MRI physics, and computational modeling for EEG-fMRI integration.
- Dependent on MRI-compatible EEG systems, synchronized acquisition hardware, and specialized software (e.g., FreeSurfer, MNE).
- Necessitates cross-team standardization between neuroscience, imaging, and data analysis groups for consistent priors and windowing parameters.
- Adaptation considerations include variability in head anatomy, signal artifacts, and individual differences in neurovascular coupling.
- Practical limitations include inability to detect EEG-invisible sources and dependency on accurate fMRI activation map segmentation.
