Method Article

Concurrente EEG y MRI funcional grabación y análisis de integración de la proyección de imagen dinámica actividad Cortical

DOI:

10.3791/56417

⸱

June 30th, 2018

 ,  ,  ,  , 
1Department of Biomedical Engineering, Cullen College of Engineering, University of Houston, 2Department of Neurosurgery, Houston Methodist Hospital and Research Institute, 3Guangdong Provincial Work Injury Rehabilitation Center

* These authors contributed equally

In This Article

Summary

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

Aquí se describe un multimodal de EEG-fMRI método, conocido como la fuente de EEG de la fMRI limitado espacio-temporal método, la proyección de imagen de la proyección de imagen. El método presentado emplea sub-mapas condicional-active fMRI o priores, para guiar la localización de la fuente de EEG de una manera que mejora la especificidad espacial y limita los resultados erróneos.

Abstract

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

Electroencefalografía (EEG) y resonancia magnética funcional (fMRI) son dos de los fundamentales métodos no invasivos para la identificación de la actividad cerebral. Métodos multimodales han tratado de combinar la alta resolución temporal del EEG con la precisión espacial de fMRI, pero la complejidad de este enfoque está actualmente necesita mejorar. El protocolo que presentamos describe la recientemente desarrollado espaciotemporal limitado fMRI EEG fuente imagen método, que busca corregir sesgos de la fuente y mejoran la localización de la fuente del EEG-fMRI a través de la captación dinámica de fMRI subregiones. El proceso comienza con la recolección de datos multimodales de concurrentes EEG y fMRI escáneres, la generación de modelos 3D de corticales e independiente EEG y fMRI procesamiento. Los mapas de activación RMF procesado entonces se dividen en varios priores, según su ubicación y alrededores. Éstos se toman como reincidentes en un algoritmo de Bayesiano jerárquico de dos niveles para la localización de la fuente de EEG. Para cada ventana de interés (definidos por el operador), segmentos específicos de la ruta de activación del fMRI se identificará como activo para optimizar un parámetro conocido como prueba del modelo. Estos se utilizarán como suaves limitaciones en la actividad cortical identificada, aumentando la especificidad de la multimodal imágenes método de reducir la diafonía y evitando la errónea actividad en otras regiones de fMRI condicional activo. El método genera mapas corticales de la actividad y evolución temporal, que ser tomadas como resultados finales, o utilizado como base para el posteriores análisis (análisis de correlación, causalidad, etc.) mientras que el método es algo limitado por sus modalidades (que se encuentra EEG-invisible fuentes), es ampliamente compatible con la mayoría software de procesamiento importante y es conveniente para la mayoría de los estudios neuroimaging.

Introduction

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

Electroencefalografía (EEG) y resonancia magnética funcional (fMRI) pueden considerarse como modalidades de neuroimagen con características complementarias. FMRI captura actividad cerebral con gran escala temporal, como señales hemodinámicas indirectamente medir la actividad neuronal subyacente con una pobre resolución temporal (del orden de segundos)1,2. En contraste, EEG mide directamente la dinámica actividad electrofisiológica del cerebro con una resolución temporal muy alta (nivel de milisegundos), pero resolución espacial pobre3,4. Estas propiedades han llevado a enfoques multimodales diseñados para optimizar los aspectos favorables de cada método individual5. Uso simultáneo de EEG y fMRI permite la excelente resolución temporal de EEG ser combinado con la alta precisión espacial de fMRI para superar las limitaciones asociadas con fMRI unimodales o EEG.

Métodos para la integración de EEG y fMRI comienzan con fMRI-informado EEG fuente localización6,7. Esta técnica utiliza derivados del fMRI información espacial para mejorar la localización de la fuente de EEG, sin embargo, una desventaja es el diagonal espacial potencial causado por el uso de fMRI como un "constreñimiento duro" — derivados del fMRI de la información espacial se considera un verdad absoluta. Esto plantea dos grandes temas que deben ser reconciliados6–8. En primer lugar, debe considerarse que el uso de un mapa estático de sangre oxígeno nivel dependiente (en negrilla) contrastes inadvertidamente puede reforzar cualquier actividad errónea que cae dentro de ella, mientras la verdadera actividad fuera de amortiguación. En segundo lugar, interferencia de fuentes que ocurren fuera del mapa de activación audaz puede influir en la presentación de la verdadera actividad dentro de los resultados o causar actividad errónea. A pesar de esto, el uso de la alta resolución espacial de fMRI para proporcionar conocimiento espacial sigue siendo una solución favorable5, como el modelado del problema inverso de EEG puede ser limitada tanto en los sentidos anatómicos y funcionales.

En este papel demostramos espaciotemporal limitado fMRI EEG fuente imagen enfoque que aborda el tema del desajuste temporal entre EEG y fMRI calculando el subconjunto óptimo de Priores de fMRI basado en un jerárquico Bayesiano modelo9. FMRI-priores se calculan de una manera basada en datos de windows especiales de interés en los datos de EEG, conduce a las limitaciones de tiempo variante fMRI. La propuesta utiliza la alta resolución temporal de EEG para calcular un mapa de densidad de corriente de la actividad cortical, informado por la alta resolución espacial de fMRI en tiempo variante espacial selectiva manera que exactamente imágenes dinámicas neuronales actividad.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

El protocolo presentado aquí fue diseñado y realizado según todas las pautas para la investigación ética humana como conjunto adelante por los respectivos consejos de revisión institucional de la Universidad de Houston y el Instituto de investigación Metodista de Houston.

1. simultánea grabación de EEG/fMRI

  1. Obtener el consentimiento informado de los participantes. Explicar al participante el propósito y procedimiento de estudio, así como las medidas de seguridad para los datos de EEG/fMRI simultáneos proceso de grabación.
  2. Preparar la tapa de EEG y revise impedancia fuera de la habitación del explorador de MRI.
    1. Coloque una tapa de EEG de tamaño adecuado, pasiva, MRI-compatible sobre la cabeza del sujeto. Posición de los electrodos según el sistema etiquetado internacional de 10 – 2010.
    2. En el software de grabación de EEG, verifique la impedancia de los electrodos de referencia y tierra. Para ello, haga clic en la pestaña 'impedancia' y seleccione el tipo de electrodo en la interfaz de usuario del software (ver figura 1).
      Nota: Las instrucciones exactas aquí son específicas para el software utilizado en este documento (véase Tabla de materiales) y pueden necesitar ser adaptados a otros sistemas.
    3. Para cada electrodo, use una jeringa para inyectar el gel del electrolito en el electrodo y, a continuación, utilice un hisopo de algodón para esparcir el gel para asegurar el contacto del electrodo de la piel.
      1. A medida que disminuye la impedancia, seguir vigilando los valores usando el software apropiado (ajustar la escala de impedancia en caso necesario, dependiendo de la configuración) para controlar correctamente el nivel de impedancia (ver figura 1). Continúe hasta que todos los electrodos alcanzan niveles de impedancia inferiores a 10 kΩ para asegurar una señal de alta calidad.
        Nota: Por los materiales mencionados y utilizados aquí, se considera peligroso a cualquier electrodo con un nivel de impedancia por encima de 50 kΩ en el Señor y el medio ambiente11. Esto puede cambiar dependiendo del diseño de la PAC solicitada y ajustes de MRI, así que consulte con el fabricante del equipo y tecnólogos de MRI para garantizar la seguridad de la instalación experimental.
  3. Configuración del hardware de EEG/fMRI simultáneo.
    1. Una vez que se realiza la preparación de la tapa de EEG, se ha trasladado el tema al Señor-escáner con la configuración del hardware que se describe en la figura 2.
      Nota: Pueden cambiar algunos detalles de la figura, dependiendo del sistema en uso.
    2. Configurar la pantalla del paradigma experimental. Usar un monitor ubicado en la sala de observación, detrás de la ventana de cristal mirando hacia el frente del Señor-explorador (ver figura 2). Use un espejo de visión cabeza bobina para permitir temas ver la pantalla del monitor sin mover su cabeza o los ojos mientras se está acostado.
    3. Mostrar una imagen de muestra en la pantalla del ordenador para que sujetos puedan ver cómodamente la pantalla, y que el paradigma se muestra correctamente. Hacer los ajustes necesarios de hardware o software.
  4. Paradigma experimental (ver figura 3).
    1. Instruya el sujeto a permanecer inmóvil y realizar una exploración inicial de T1-weighted anatómica MRI. Si es posible, utilice un campo de visión que alcanza la parte superior de la cabeza, incluyendo el cráneo y la piel de la parte inferior del cerebelo.
    2. Iniciar la grabación de los datos de EEG (ver figura 4).
    3. Al mismo tiempo, haga clic en los botones apropiados para comenzar la grabación de MRI e iniciar el paradigma de interés en el software de presentación. Compruebe el registro de datos de EEG para asegurar la calidad de la señal y, si lo desea, se está grabando marcadores apropiados.
      1. Cuando se utiliza la configuración que se describe aquí, primero haga clic en "Ejecutar" en el software de presentación y entrar el número del tema y prueba. El paradigma iniciará sobre confirmar estos valores.
        Nota: El paradigma aquí consistió en 10 estudios clínicos en los que una respuesta emocionalmente motivada de motor fue evocada mediante estímulos visuales. Para cada ensayo, pidieron los temas primero reposar 50 s viendo una pantalla verde, después de que la imagen de un desagradable (imágenes de sorpresa, enojo o disgusto) o no desagradable (imágenes correspondientes a la felicidad o neutralidad) cara12 se presentó 10 s. cinco imágenes en cada categoría fueron presentado en un orden aleatorio, y pidieron los temas exprimir una bola al identificar una cara como desagradable y mantener la contracción hasta que desapareció.
      2. Utilizar una secuencia gradiente recordó Echo Planar Imaging (GR-EPI) para la grabación de fMRI (recomendado); personalizar para adaptarse a los equipos y paradigma.
        Nota: La secuencia en este documento incluye: tiempo de Eco (TE) = 35 ms; Tiempo de repetición (TR) = 1.500 ms; Espesor de corte = 5 mm; Tapa ángulo = 90 °; Espaciado de píxeles: 2,75 x 2,75 mm. Puede ser necesario utilizar una secuencia de MRI que dura un poco más de la pantalla del paradigma de sí mismo, para asegurar que el paradigma completo se registra sin recorte.

2. estructural MRI datos análisis y generación del modelo hacia adelante

  1. Aplicar segmentación completa y reconstrucción de varias superficies desde T1-weighted anatómica MRI volumen del tema usando Freesurfer imagen análisis suite13,14.
    Nota: Se generará una carpeta que contiene todas las salidas de segmentación por Freesurfer.
  2. Generar una disciplinarias 3 capas método BEM (Boundary Element) modelo geométrico que sigue las instrucciones en (https://martinos.org/mne/dev/manual/appendix/bem_model.html)15 utilizan la interfaz de usuario gráfica disponible (GUI) para Asegúrese de que no hay superposición de las capas.
    1. Abra la aplicación de la TDT. Haga clic en "Archivo" >> "Superficie de la carga". Desplácese hasta el directorio de temas en la carpeta de Freesurfer. Abra la carpeta "BEM". Abra la carpeta de "Cuenca". Cargar los cuatro archivos encontrados aquí ('outer_skin_surface', 'outer_skull_surface', 'brain_surface' y 'inner_skull_surface').
    2. Mueve los deslizadores de selección de la rebanada y busca la superposición de las capas superficiales amarillo. Si superposición ocurre, verifique los datos de MRI de errores o defectos anatómicos y usar la GUI herramientas de dibujo para aclarar las capas.
      1. Cargar los datos originales de MRI en la aplicación de la TDT haciendo clic en "Archivo" >> "Volumen de la carga". Desplácese a la carpeta del tema y abrir la carpeta "RM". Luego haga clic en el directorio «orig» y abrir los datos estructurales de MRI encontrados allí (debe ser el formato de or.nii de in.mgz). Haga clic en "Aceptar".
      2. Ver la imagen en escala de grises de la cabeza. Mirar las diferentes capas de gris y negro alrededor del cerebro. Asegúrese de que estas capas no tiene huecos o irregularidades. Utilice la herramienta "Selector de Color" y seleccione un voxel de la capa a corregirse.
      3. Cambiar a la "mano alzada Voxel editar" y haga clic en para dibujar sobre la imagen. Úsalo para rellenar los defectos de la imagen. Realizar la corrección de todas las capas y sectores de MRI, donde se producen defectos.
        Nota: el voxel "Polywire" y "Livewire" herramientas de edición también puede usarse en lugar de "Freehand".
  3. Generar el espacio de fuente basado en la geometría de la superficie pial.
  4. Realizar alineación de sensor de EEG de temas específicos (p. ej., traducción y rotación) para el espacio de MRI con la superposición de cabeza Freesurfer (figura 5). Excepto la transformación.
    1. Abra la aplicación MNE_analyze. Haga clic en "Archivo" >> "Superficie de carga". Vaya a la carpeta que contiene los datos del objeto y la superficie pial de la carga.
    2. Haga clic en "Archivo" >> "carga digitalizador datos y seleccione el archivo de EEG de interés (debe contener datos del digitalizador). Haga clic en "Ver" >> "Mostrar el visor". Una vez que el espectador GUI aparece, haga clic en "Opciones" y asegúrese de que el "cuero cabelludo" y se eligen opciones "Digitalizador de datos". Aquí los electrodos se muestran en rojo, con puntos de referencia en amarillo.
    3. En la ventana principal (no el espectador), seleccionar "Ajustar" >> "Coordinar la alineación". La 'alineación coordenadas GUI', utilizar la flecha y los botones L/R para cambiar y rotar los electrodos de EEG en el espectador. Ajustar la medida de lo necesario. Una vez que se realiza la alineación, haga clic en "Save..." en la parte inferior de la 'coordinación de alineación GUI' para salvar a la alineación.
      Nota: Por lo general, una distribución uniforme de los electrodos en el cuero cabelludo con buena alineación fiducial es necesaria.
  5. Generar el modelo hacia adelante proporcionando el modelo BEM de temas específicos, el espacio de la fuente y la transformación de sensor de EEG mediante MNE software15.

3. funcional MRI datos análisis

  1. Realizar primer nivel análisis estadístico de la fMRI (tema individual) mediante el método de modelo lineal General (GLM) para adquirir el BOLD activación mapas para las tareas de interés. Corregir para comparaciones múltiples como necesario16, utilizando el enfoque de cluster que se construye en la canalización de grupo-análisis de Freesurfer.
  2. Realizar análisis a nivel de grupo sobre todos los temas, si desea adquirir el mapa de activación audaz para todos los sujetos en el espacio estándar (MNI o Talairach).
    Nota: El Universidad de Oxford centro de resonancia magnética funcional del cerebro (FMRIB) Software Library (FSL)17 y paquetes de18 análisis de Neuroimages funcional (AFNI) ambos permiten el análisis de los datos de la fMRI en las mismas superficies generadas por Freesurfer, haciéndolos convenientes para el análisis posterior.
  3. Utilice la herramienta de visualización tksurfer para realizar la identificación de regiones de interés (ROI) cargando el mapa de la activación de la fMRI (nivel individual y nivel del grupo), y ajuste el umbral deseado FDR-corregido19 (p < 0,05 se utiliza aquí ).
    Nota: El ROIs identificadas a partir de mapas de activación nivel individual servirá como los Priores espaciales de temas específicos derivados del fMRI para la localización de la fuente posterior.
    1. Usando el mapa de activación de fMRI en la capa de materia gris, extracto de parches superficiales mediante un algoritmo de etiquetado conectado.
      Nota: Descomposición de Dulmage Mendelsohn fue utilizada en este ejemplo.
    2. Además, sub-dividir los parches basados en el etiquetado de un atlas del cerebro predefinidos, para que cualquier parche de actividad que abarca más de una región se divide.
      Nota: El atlas utilizado aquí fue el DKT40 atlas20 (disponible en Freesurfer)21. Atlas pueden ser especializados o elegidos, basados en preferencias experimentales.
  4. Proyecto el grupo adquiridos ROIs (que actualmente están en el espacio estándar) a los espacios de la fuente individual de cada sujeto. Después de realizar la segmentación de MRI estructural del sujeto individual (paso 2.1), las transformaciones de coordenadas entre el sujeto y el espacio estándar están en los archivos lh.sphere.reg y rh.sphere.reg, encuentran en la carpeta de "surf" de la asignatura Freesurfer carpeta de salida.
    Nota: Todos los temas de tal modo a compartir el mismo sistema de ROIs, pero en su propio modelo específico. Ver figura 6 ejemplos de los resultados de la fMRI y ROI resultante.

4. Análisis de los datos de EEG de

Nota: Datos en esta sección pueden ser específicos para el software utilizado (véase Tabla de materiales para más detalles). Consulte la documentación correspondiente si utilizando paquetes de software diferentes.

  1. Realizar corrección de artefactos gradiente de escáner a través de la sustracción de la plantilla. Para ello, haga clic en el botón de "Corrección del Señor" en el menú "Especial Signal Processing" y seleccione los parámetros adecuados en el software de análisis de EEG GUI (ver figura 7). De entrada los parámetros adecuados para la secuencia de escáner solicitadas y diseño experimental.
    Nota: Parámetros primarios incluyen: tiempo de repetición (TR) para el MRI scan, scan tipo (intercalado o continua), MRI volumen marcadores (o método de detección de gradiente y gradiente gatillo), canales para la corrección y plantilla de artefacto.
  2. Eliminar artefactos de cardioballistic a través de la sustracción de la plantilla. Para ello, haga clic en el botón de "Corrección de CB" en el menú de "Procesamiento de señales especiales" y seleccione parámetros adecuados en lo software de análisis de GUI.
    Nota: Los parámetros necesarios aquí incluyen ritmo cardíaco mínimo y máximo, plantilla de artefacto, canal de ECG, correlación de plantilla y canales para la corrección.
  3. Aplicar la filtración. Seleccione el botón de filtrado IIR en la parte superior del análisis de la GUI, bajo "Filtración de datos". Por ejemplo, aplicar paso alto a 0,05 Hz, paso bajo a 40 Hz y un filtro de la muesca en la frecuencia de línea de potencia (60 Hz), con un roll-off de 48 dB/Hz.
    Nota: Después de la aplicación de un filtro de paso bajo con una frecuencia de corte de 40 Hz, el filtro de muesca de 60 Hz no es estrictamente necesario, pero se emplea como una salvaguardia contra cualquier frecuencias de línea de energía residual que puede han sobrevivido debido a la rodada en los bordes del filtro.
  4. Realizar corrección ocular artefacto, en la parte superior el análisis GUI: seleccione "Transformación" >> "rechazo/reducción del artefacto" >> "ICA de corrección Ocular".
  5. Segmentar los datos de EEG en épocas basadas en el tiempo especificado antes y después del estímulo, con respecto a los marcadores de tiempo de evento. Para ello, seleccione, "Transformación" >> "Segmento de análisis de funciones" >> "Segmentación", seleccione el marcador de interés y el tiempo de interés.
    Nota: Longitudes de segmentación deben elegirse según el paradigma y la actividad de cerebro esperados de interés.
  6. Realizar rechazo de artefacto manual o semi automática: seleccione "Transformación" >> "rechazo/reducción del artefacto" >> "Rechazo de artefacto". Cuando se le solicite, definir criterios para los artefactos dentro de las tres pestañas de la interfaz gráfica y proceda según se indica en la GUI.
    1. En la pestaña de 'Método de inspección', seleccione seleccione "automáticamente", "semiautomática" o "artefactos seleccionar manualmente" (se recomienda el modo semiautomático). Continuación, seleccione "marcar" o "quitar artefactos" y especificar si las correcciones son para un solo canal.
    2. En la pestaña de 'Selección de canal', seleccione los canales que serán corregidos para artefactos.
    3. En la pestaña 'Criterios', seleccione la base por la que se identificarán los artefactos. Hacer selecciones aquí a las necesidades experimentales. Haga clic en "Aceptar" tras seleccionar criterios y artefactos serán identificados o rechazados según las selecciones.
  7. Realizar corrección de línea base y el juicio promedio (si corresponde).
    1. Para realizar la corrección de línea base: seleccione "Transformación" >> "Segmento de análisis de funciones" >> "Corrección de línea base". En un promedio de los datos segmentados: seleccione "Transformación" >> "Segmento de análisis de funciones" >> "Promedio".

5. spatiotemporal fMRI limitaciones — EG fuente imagen

  1. Definir el tamaño de la ventana y ventana de superposición de tamaño (valor predeterminado configuración de llamadas para un tamaño de ventana de 40 ms con un 50% (20 ms) se superponen).
  2. Seleccione el conjunto de ROIs de temas específicos (obtenido en el paso 3) como el conjunto espacial anterior. Para cada segmento de EEG, el algoritmo calcula entonces un conjunto de pesos para el subconjunto de priores espaciales que maximiza las pruebas de modelo y calcula la matriz de covarianza fuente en consecuencia.
  3. Utilizando la matriz de covarianza fuente resultante, realizar localización de fuente por el EEG segmento analizado, dando la fuente resultados de densidad de corriente.
  4. Realice los pasos 5.2 y 5.3 para todos los segmentos del EEG y, si es necesario, resumir los resultados de la densidad de corriente para todos los segmentos de tiempo en curso del tiempo de una densidad de corriente total promediando la parte traslapada.
    Nota: Este paso dará lugar a un densidad de corriente-curso del tiempo de actividad cortical en cada punto de fuente definido en el paso 2.3 (este número suele ser del orden de varios miles) (figura 8).
  5. Extracto del densidad corriente representativa-curso del tiempo en cada uno de los ROIs.
    1. Seleccione el método preferido para resumir la evolución temporal de los puntos de fuente múltiples dentro de un retorno de la inversión en un curso de tiempo de señal: promedio, primera eigenvariate, etc.
  6. Repita los pasos 5.1 a 5.5 para todas las materias.

Access restricted. Please log in or start a trial to view this content.

Results

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

Localización de fuente de EEG en el nivel básico implica la solución del problema hacia adelante e inverso. Los componentes necesarios para construir y solucionar el problema hacia adelante se muestran en la figura 5C. Utilizando una imagen T1 de temas específicos, tres capas: piel, cráneo y cerebro — fueron segmentadas y malla. Estas capas sirven como insumos para generar el modelo BEM. Del mismo modo, capa de materia gris del sujeto era seg...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

Aquí mostramos los pasos necesarios para utilizar el método de análisis de fuente fMRI espaciotemporal limitado para el análisis de EEG/fMRI integración. EEG y fMRI han bien establecidos como los métodos fundamentales para la proyección de imagen no invasiva la actividad cerebral, aunque se enfrentan a dificultades en sus respectivas resoluciones espaciales y temporales. Mientras que se han desarrollado métodos para aprovechar las propiedades favorables de cada uno, con limitaciones de fMRI EEG fuente localización los mé...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Los autores no tienen nada que revelar.

Acknowledgements

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

Este trabajo fue apoyado en parte por DK082644 de NIH y la Universidad de Houston.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
BrainAmp MR PlusBrain ProductsAmplificadores para el registro de EEG, compatibles con RM
BrainAmp ExG MR Productos cerebralesAmplificador para sensor auxiliar (EMG), compatible con resonancia
BrainAmp Power PackProductospara el cerebro Proporciona energía a los amplificadores en el entorno de resonancia
Cables planosBrain ProductsConecta la fuente de alimentación a los amplificadores
Productos SyncBoxBrain Sincronicereloj del escáner de resonancia magnética con el reloj amplificador de EEG
BrainCap MRBrain ProductsElectrodo pasivo Gorra de EEG de 64 canales, compatible con
RM BrainVision RecorderSoftware de registro de datos de EEG de Brain Products (pasos 1.2-1.4.2)
Cables de fibra ópticaProductos cerebralesConecta el gorro de EEG en el escáner de resonancia magnética a la computadora de grabación
Interfaz de escáner SyncBoxProductoscerebrales Sincronice el reloj del escáner de resonancia magnética con el reloj amplificador de EEG
Cable de disparoProductoscerebrales Se utiliza para enviar disparadores de escáner/paradigma a la computadora de registro
ABRALYT HiCl Gel de electrodos de EEGEasyCapGel electroencefalograma abrasivo para electrodo pasivo en entorno de resonancia
Sistema de resonancia magnética Ingenia 3.0TSistema deresonancia magnética
Patriot DigitizerPolhemusDigitalización de la ubicación del canal EEG 
MATLAB r2014aMathWorksBase de programación para el algoritmo DBTN (pasos 3.3-3.4 y 5.1-5.7)
Imágenes de FacialAffect Paul Eckman GroupUna serie de rostros emocionalmente valentes utilizados como estímulos
E-Prime 2.0Psychology Software Tools, IncSoftware de presentación (paso 1.4.3)
Piel bipolar Electrodo EMGProductoscerebrales utilizados para detectar actividad muscular.
POLGUIMATLAB Software para la digitalización
FreesurferSoftware utilizado en los pasos 2.1-2.4 y 3.1-3.2
MNESoftware utilizado en el paso 2.5
magnética magnética el BrainVision Analyzer 2.0 Brain Products Software de análisis de EEG (pasos 4.1-4.6)Adaptador USB 2 (también conocido como BUA)Productos cerebrales Interfaz entre los amplificadores y la computadora de adquisición de datos magnética Philips 3.0 T

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Belanger, M., Allaman, I., Magistretti, P. J. Brain energy metabolism: focus on astrocyte-neuron metabolic cooperation. Cell Metab. 14 (6), 724-738 (2011).
  2. Logothetis, N. K. The underpinnings of the BOLD functional magnetic resonance imaging signal. J Neurosci. 23 (10), 3963-3971 (2003).
  3. Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
  4. Ramon, C., Schimpf, P. H., Haueisen, J. Influence of head models on EEG simulations and inverse source localizations. Biomed Eng Online. 5, 10(2006).
  5. 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).
  6. Hamalainen, M. S., Ilmoniemi, R. J. Interpreting magnetic fields of the brain: minimum norm estimates. Med Biol Eng Comput. 32 (1), 35-42 (1994).
  7. Pascual-Marqui, R. D. Review of methods for solving the EEG inverse problem. International journal of bioelectromagnetism. 1 (1), 75-86 (1999).
  8. 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).
  9. Nguyen, T., et al. EEG Source Imaging Guided by Spatiotemporal Specific fMRI: Toward an Understanding of Dynamic Cognitive Processes. Neural Plast. 2016, 10(2016).
  10. 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).
  11. Mullinger, K. J., Castellone, P., Bowtell, R. Best current practice for obtaining high quality EEG data during simultaneous FMRI. J Vis Exp. (76), (2013).
  12. Ekman, P., Friesen, W. V. Pictures of Facial Affect. , Consulting psychologists Press. (1976).
  13. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. Neuroimage. 9 (2), 179-194 (1999).
  14. 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).
  15. Gramfort, A., et al. MNE software for processing MEG and EEG data. Neuroimage. 86, 446-460 (2014).
  16. 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).
  17. Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., Smith, S. M. Fsl. Neuroimage. 62 (2), 782-790 (2012).
  18. Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Comput Biomed Res. 29 (3), 162-173 (1996).
  19. 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).
  20. Klein, A., Tourville, J. 101 labeled brain images and a consistent human cortical labeling protocol. Front Neurosci. 6, 171(2012).
  21. Fischl, B., et al. Automatically parcellating the human cerebral cortex. Cereb Cortex. 14 (1), 11-22 (2004).
  22. 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).
  23. 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).
  24. 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).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

EEG fMRI IntegrationCortical Activity ImagingfMRI Constrained EEGConcurrent EEG fMRIEEG Source LocalizationMultimodal NeuroimagingSpatial Temporal AnalysisFunctional MRI ProcessingEEG Data AnalysisBrain Activity Mapping

Related Articles