Method Article

Simultanee EEG e risonanza magnetica funzionale registrazione e analisi di integrazione per l'attività corticale dinamica Imaging

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

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

Un EEG-fMRI multimodal imaging metodo, conosciuto come la fonte del EEG di fMRI-vincolata spatiotemporal, metodo, di formazione immagine è descritta qui. Il metodo presentato impiega in modo condizionale-attivo fMRI sottomappe, o priori, per guidare la localizzazione delle sorgenti EEG in un modo che migliora la specificità spaziali e limita risultati errati.

Abstract

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

L'elettroencefalografia (EEG) e la formazione immagine a risonanza magnetica funzionale (fMRI) sono due dei metodi fondamentali non invadenti per l'identificazione di attività cerebrale. Metodi multimodali hanno cercato di combinare l'elevata risoluzione temporale di EEG con la precisione spaziale di fMRI, ma la complessità di questo approccio è attualmente che necessitano di miglioramento. Il protocollo presentato qui descrive il recentemente sviluppati spatiotemporal fMRI-vincolata EEG origine metodo, che cerca di correggere distorsioni di origine e migliorare la localizzazione delle sorgenti EEG-fMRI attraverso il reclutamento dinamico di fMRI sub-regioni di formazione immagine. Il processo inizia con la raccolta di dati multimodale da simultanee EEG e fMRI scansioni, la generazione di modelli 3D corticale e indipendente EEG e fMRI elaborazione. Le mappe di attivazione fMRI trasformati sono poi suddivisi in multiple priors, secondo la loro posizione e la zona circostante. Questi sono presi come priori in un algoritmo di Bayesian due livelli gerarchico per la localizzazione delle sorgenti EEG. Per ogni finestra di interesse (definiti dall'operatore), segmenti specifici della mappa di attivazione fMRI saranno identificati come attivi per ottimizzare un parametro noto come prove di modello. Questi serviranno come morbidi vincoli sull'attività corticale identificati, aumentando la specificità di multimodal imaging metodo riducendo diafonia ed evitando erronea attività in altre regioni di fMRI condizionalmente attivo. Il metodo genera mappe corticali di attività e corsi di time, che può essere preso come risultati finali, o utilizzato come base per ulteriori analisi (analisi di correlazione, nesso di causalità, ecc.) mentre il metodo è un po ' limitato dalle sue modalità (non troverà EEG-invisible fonti), è ampiamente compatibile con la maggior parte delle principali dell'elaborazione software ed è adatto per la maggior parte degli studi neuroimaging.

Introduction

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

L'elettroencefalografia (EEG) e la formazione immagine a risonanza magnetica funzionale (fMRI) può essere visto come modalità di neuroimaging con caratteristiche complementari. FMRI acquisisce attività cerebrale con larga scala temporale, come segnali emodinamici misurano indirettamente l'attività neuronale sottostante con una scarsa risoluzione temporale (nell'ordine di secondi)1,2. Al contrario, EEG misura direttamente l'attività elettrofisiologica dinamica del cervello con una risoluzione temporale molto alta (livello di millisecondo), ma scarsa risoluzione spaziale3,4. Queste proprietà hanno portato ad approcci multimodali progettati per ottimizzare gli aspetti favorevoli di ogni singolo metodo5. Utilizzo simultaneo di EEG e fMRI consente l'eccellente risoluzione temporale di EEG essere combinato con l'alta precisione spaziale di fMRI per superare i limiti associati con fMRI unimodale o EEG.

Metodi per l'integrazione di EEG e fMRI iniziano con fMRI-informato EEG, fonte localizzazione,6,,7. Questa tecnica utilizza informazioni spaziali fMRI-derivati per migliorare la localizzazione delle sorgenti EEG, tuttavia, uno svantaggio è la polarizzazione spaziale potenziale causata dall'applicazione di fMRI come un vincolo"duro" — informazione territoriale fMRI-derivato è considerato un verità assoluta. Ciò pone due grandi problemi che devono essere riconciliati6–8. In primo luogo, si deve ritenere che l'uso di una mappa statica di contrasti di sangue ossigeno livello Dependent (BOLD) inavvertitamente può rafforzare qualsiasi erronea attività che rientra all'interno di esso, mentre smorzamento vera attività di fuori di esso. In secondo luogo, diafonia da fonti che si verificano di fuori della mappa di attivazione grassetto può influenzare la presentazione di attività vera all'interno dei risultati o causare erronea attività. Nonostante questo, l'uso dell'elevata risoluzione spaziale di fMRI per fornire conoscenza spaziale rimane una soluzione favorevole5, come la modellazione del problema inverso EEG può essere vincolata sia nei sensi anatomici e funzionali.

In questa carta, dimostriamo una fonte del EEG di fMRI-vincolata spatiotemporal, approccio che affronta il problema della mancata corrispondenza temporale tra EEG e fMRI calcolando il sottoinsieme ottimo dei Priori fMRI basato su un modello di gerarchici Bayesiani9di imaging. FMRI-priori vengono calcolati in maniera basate sui dati da windows particolare di interesse per i dati di EEG, che conduce ai vincoli di tempo-variante fMRI. L'approccio proposto utilizza l'alta risoluzione temporale di EEG per calcolare un mapping di densità di corrente dell'attività corticale, informati dall'elevata risoluzione spaziale di fMRI in modo tempo-variante, spazialmente selettivo che le immagini con precisione dinamica neurale attività.

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

Protocol

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

Il protocollo qui presentato è stato progettato ed eseguito in conformità con tutte le linee guida per la ricerca etica umana come insieme indietro i rispettivi Institutional Review Boards di Università di Houston e Houston Methodist Research Institute.

1. simultanea registrazione EEG/fMRI

  1. Ottenere il consenso informato dal partecipante. Spieghi il partecipante lo scopo e la procedura di studio, nonché le misure di sicurezza importanti per i dati di EEG/fMRI simultanei processo di registrazione.
  2. Preparare il tappo di EEG e verifica impedenza all'esterno della camera scanner MRI.
    1. Mettere un tappo di EEG di dimensioni appropriate, passivo, MRI-compatibile sulla testa del soggetto. Posizionare gli elettrodi secondo il 10 – 20 etichettatura sistema internazionale10.
    2. Il software di registrazione di EEG, verificare l'impedenza degli elettrodi terra e riferimento. Per effettuare questa operazione, fare clic sulla scheda 'impedenza' e selezionare il tipo di elettrodo sull'interfaccia utente del software (Vedi Figura 1).
      Nota: Le istruzioni esatte qui sono specifiche per il software utilizzato nel presente documento (Vedi Tabella materiali) e devono essere adattati agli altri sistemi.
    3. Per ogni elettrodo, utilizzare una siringa per iniettare l'elettrodo elettrolita gel, quindi utilizzare un tampone di cotone per diffondere il gel per garantire un contatto pelle-elettrodo.
      1. Man mano che diminuisce l'impedenza, continuare a monitorare i valori utilizzando il software appropriato (regolare la scala di impedenza come necessario, a seconda della configurazione) per monitorare il livello di impedenza correttamente (Vedi Figura 1). Continuare finché tutti gli elettrodi raggiungono i livelli di impedenza inferiore a 10 kΩ per garantire un segnale di alta qualità.
        Nota: Per i materiali elencati e utilizzati qui, è considerato non sicuro di avere qualsiasi elettrodo con un livello di impedenza sopra 50 kΩ in ambiente MR11. Questo potrebbe cambiare a seconda del design della PAC selezionate e impostazioni di MRI, così si prega di consultare il produttore di apparecchiature e tecnologi di MRI per garantire la sicurezza dell'apparato sperimentale.
  3. Installazione di hardware EEG/fMRI simultanea.
    1. Una volta fatto la preparazione di tappo di EEG, avere il soggetto il signor-scanner si trasferì con la configurazione dell'hardware descritta nella Figura 2.
      Nota: Alcuni dettagli della figura possono variare, a seconda del sistema in uso.
    2. Impostare la visualizzazione di paradigma sperimentale. Utilizzare un monitor situato nella sala di osservazione, dietro la vetrata che si affaccia sul davanti dell'onorevole-analizzatore (Vedi Figura 2). Usare uno specchio di visualizzazione bobina testa per consentire ai soggetti di visualizzare lo schermo del monitor senza muovere la testa o gli occhi mentre sdraiato.
    3. Visualizzare un esempio di immagine sullo schermo del computer per garantire che soggetti comodamente possono visualizzare sullo schermo, e che il paradigma verrà visualizzato correttamente. Apportare eventuali modifiche hardware o software.
  4. Paradigma sperimentale (vedere Figura 3).
    1. Istruire il soggetto a rimanere fermi ed eseguire un'esplorazione iniziale di T1-weighted anatomica MRI. Se possibile, utilizzare un campo di vista che si estende dalla parte inferiore del cervelletto nella parte superiore della testa, compreso il cranio e la pelle.
    2. Iniziare a registrare i dati di EEG (Vedi Figura 4).
    3. Contemporaneamente, fare clic sul pulsante appropriato per iniziare la registrazione di MRI e avviare il paradigma di interesse sul software di presentazione. Controllare la registrazione di dati EEG per garantire la qualità del segnale e, se lo si desidera, gli indicatori appropriati sono in fase di registrazione.
      1. Quando si utilizza il set-up descritto qui, prima di fare clic su "Esegui" nel software di presentazione e Inserisci il numero oggetto e prova. Il paradigma verrà avviata al momento della conferma queste impostazioni.
        Nota: Il paradigma impiegato qui consisteva di 10 prove in cui è stata evocata una risposta motoria emotivamente motivata per mezzo di stimolo visivo. Per ogni prova, gli oggetti sono stati chiesti prima riposare per 50 s guardando uno schermo verde, dopo che l'immagine di una sgradevole (immagini corrispondenti a sorpresa, rabbia o disgusto) o non-sgradevole (immagini corrispondenti a felicità o neutralità) affrontano12 è stato presentato per 10 s. cinque immagini da ogni categoria sono stati presentati in un ordine randomizzato, e gli oggetti sono stati chiesti di spremere una palla al momento di identificare un volto come sgradevole e tenere la compressione fino a scomparire.
      2. Utilizzare una sequenza ha ricordato gradiente Echo Planar Imaging (GR-EPI) per la registrazione di fMRI (consigliato); personalizzare per soddisfare le attrezzature e il paradigma.
        Nota: La sequenza utilizzata nel presente documento incluso: tempo di Echo (TE) = 35 ms; Tempo di ripetizione (TR) = 1.500 ms; Spessore della fetta = 5 mm; Capovolgere angolo = 90 °; Passo pixel: 2,75 mm x 2,75 mm. Può essere necessario utilizzare una sequenza di MRI che dura un po' più rispetto al display del paradigma stesso, per garantire che il paradigma completo viene registrato senza clipping.

2. analisi dei dati di MRI strutturali e generazione del modello avanti

  1. Applicare la segmentazione completa e ricostruzione di varie superfici dal volume del MRI anatomico della T1-weighted del soggetto utilizzando il Freesurfer immagine analisi suite13,14.
    Nota: Una cartella contenente tutte le uscite di segmentazione verrà generata da Freesurfer.
  2. Generare un seguito di modello geometrico metodo di elemento di contorno (BEM) di 3 strati di oggetto specifico le istruzioni fornite (https://martinos.org/mne/dev/manual/appendix/bem_model.html)15 utilizzano il disponibile interfaccia di utente grafica (GUI) per Assicurarsi che non ci siano sovrapposizioni negli strati.
    1. Aprire l'applicazione di Freeview. Fare clic su "File" >> "Carica superficie". Spostarsi nella directory gli oggetti nella cartella Freesurfer. Aprire la cartella "BEM". Aprire la cartella "Spartiacque". Caricare i quattro file trovati qui ('outer_skin_surface', 'outer_skull_surface', 'brain_surface' e 'inner_skull_surface').
    2. Spostare i cursori di selezione della fetta e cercare di sovrapposizione negli strati superficiali gialli. In caso di sovrapposizione, ricontrolla i dati di MRI per errori o difetti anatomici e utilizzare la GUI di strumenti di disegno per chiarire gli strati.
      1. Caricare i dati di MRI originali nell'applicazione Freeview facendo clic su "File" >> "Volume di carico". Passare alla cartella in oggetto e aprire la cartella "mri". Quindi fare clic sulla directory «orig» e aprire i dati di MRI strutturali trovati lì (dovrebbe essere in.mgz or.nii formato). Fare clic su "OK".
      2. Mostra l'immagine in scala di grigi della testa. Guarda i diversi livelli di grigio e nero intorno al cervello. Assicurare che questi strati non abbiano eventuali lacune o irregolarità. Utilizzare lo strumento "Color Picker" e selezionare un voxel dallo strato di essere corretto.
      3. Passare alla "Freehand Voxel Edit" e fare clic per disegnare sull'immagine. Usare questo per riempire in qualsiasi difetti nell'immagine MRI. Eseguire la correzione di tutti gli strati e MRI slice, dove si verificano difetti.
        Nota: il "Polywire" e "Livewire" voxel strumenti di editing può essere utilizzato anche al posto di "Freehand".
  3. Generare lo spazio origine basato sulla geometria della superficie pial.
  4. Eseguire l'allineamento del sensore di oggetto specifico EEG (ad es., traslazione e rotazione) per lo spazio di MRI utilizzando la sovrapposizione di testa modello Freesurfer (Figura 5). Salvare la trasformazione.
    1. Aprire l'applicazione MNE_analyze. Fare clic su "File" >> "Superficie di carico". Passare alla cartella contenente i dati dell'oggetto e caricare la superficie pial.
    2. Fare clic su "File" >> "dati del digitalizzatore di carico e selezionare il file di EEG di interesse (deve contenere dati di digitalizzatore). Fare clic su "Visualizza" >> "Mostra visore". Una volta lo spettatore GUI viene visualizzata, fare clic su "Opzioni" e assicurarsi che il "cuoio capelluto" e "Dati di digitalizzatore" venga scelto. Qui gli elettrodi sono mostrati in rosso, con punti fiduciali in giallo.
    3. Nella finestra principale (non il visualizzatore), selezionare "Regola" >> "Coordinare l'allineamento". Utilizzando l'interfaccia utente grafica di allineamento delle Coordinate, utilizzare i pulsanti di L/R e la freccia per spostare e ruotare gli elettrodi EEG nel visualizzatore. Regolare quanto necessario. Una volta fatto l'allineamento, fare clic su "Salva..." nella parte inferiore della 'Coordinare allineamento GUI' per salvare l'allineamento.
      Nota: In genere, una distribuzione uniforme degli elettrodi in tutto il cuoio capelluto con buon allineamento fiducial è necessaria.
  5. Generare il modello avanti fornendo il modello di oggetto specifico BEM, lo spazio di origine e la trasformazione di sensore EEG utilizzando MNE software15.

3. analisi dei dati funzionale di MRI

  1. Primo livello di eseguire analisi statistiche di fMRI (soggetto) utilizzando il metodo di modello lineare generale (GLM) per acquisire il grassetto attivazione mappe per i compiti di interesse. Correggere per i confronti multipli come necessarie16, utilizzando l'approccio basato su cluster che è costruito nella pipeline di gruppo-analisi di Freesurfer.
  2. Eseguire l'analisi a livello di gruppo su tutti gli argomenti, se lo si desidera, di acquisire la mappa di attivazione grassetto per tutti i soggetti in spazio standard (MNI o Talairach).
    Nota: Il centro di Università di Oxford in risonanza magnetica funzionale del cervello (FMRIB) Software Library (FSL)17 e pacchetti di18 analisi dei Neuroimages funzionali (AFNI) entrambi consentono per l'analisi dei dati fMRI sulle superfici stesse generate da Freesurfer, che li rende ideali per la successiva analisi.
  3. Utilizzare lo strumento di visualizzazione tksurfer per l'area di interesse (ROI) identificazione sto caricando la mappa di attivazione fMRI (sia a livello individuale che a livello di gruppo), e impostando la soglia desiderata FDR-rettificato19 (p < 0,05 è usato qui ).
    Nota: Il ROIs identificato da mappe di attivazione a livello individuale servirà come i priori spaziali fMRI-derivati oggetto specifico per la localizzazione delle sorgenti successive.
    1. Utilizzando la mappa di attivazione fMRI sullo strato di materia grigia, estrarre la patch di superficie utilizzando un algoritmo d'etichettatura collegato.
      Nota: Dulmage-Mendelsohn decomposizione è stato utilizzato in questo esempio.
    2. Suddividere ulteriormente le patch basate sull'etichettatura di un Atlante del cervello predefiniti, in modo che qualsiasi macchia di attività che coprono più di una regione viene divisa.
      Nota: L'Atlante qui utilizzato è stato il DKT40 atlas20 (disponibile da Freesurfer)21. Atlanti possono essere specializzati o scelti, sulla base delle preferenze sperimentale.
  4. Progetto il ROIs acquisite a livello di gruppo (che sono attualmente in spazio standard) torna agli spazi fonte individuale di ogni soggetto. Dopo l'esecuzione di segmentazione di MRI strutturale del soggetto individuale (punto 2.1), le trasformazioni di coordinate tra il soggetto e spazio standard sono disponibili nei file lh.sphere.reg e rh.sphere.reg, trovato nella cartella "surf" del soggetto Freesurfer cartella di output.
    Nota: Tutti i soggetti quindi condividono lo stesso insieme di ROIs, ma nel proprio specifico modello. Vedere Figura 6 per esempi dei risultati fMRI e ROIs risultante.

4. analisi dei dati EEG

Nota: Dettagli in questa sezione possono essere specifici per il software utilizzato (Vedi Tabella materiali per maggiori dettagli). Consultare la documentazione appropriata se utilizzando diversi pacchetti software.

  1. Eseguire la correzione di artefatti gradiente scanner attraverso la sottrazione di modello. Per questo, fare clic sul pulsante "Signor correzione" nel menu "Speciale Signal Processing" e selezionare i parametri appropriati nel EEG analysis software GUI (vedere Figura 7). Inserire i parametri appropriati per la sequenza di scanner selezionate e disegno sperimentale.
    Nota: I parametri primari includono: tempo di ripetizione (TR) per il MRI scansione, scansione tipo (continuo o interleaved), gli indicatori di volume di MRI (o metodo di rilevamento gradienti e gradienti trigger), canali per la correzione e modello di artefatto.
  2. Rimuovere gli artefatti di cardioballistic attraverso la sottrazione di modello. Per questo, fare clic sul pulsante "CB correzione" nel menu "Speciale Signal Processing" e selezionare i parametri appropriati del software di analisi GUI.
    Nota: I parametri necessari qui includono frequenza cardiaca minima e massima, modello artefatto, canale ECG, correlazione di modello e canali per la correzione.
  3. Applicare la filtrazione. Selezionare il pulsante per la filtrazione di IIR nella parte superiore dell'analisi GUI, sotto "Dati di filtrazione". Ad esempio, applicare passa-alto a 0,05 Hz, passa-basso a 40 Hz e un filtro notch presso la frequenza della rete elettrica (60 Hz), con un roll-off di 48 dB/Hz.
    Nota: Dopo l'applicazione di un filtro passa-basso a una frequenza di taglio di 40 Hz, il filtro notch di 60 Hz non è strettamente necessario, ma è impiegato come una salvaguardia contro qualsiasi residue frequenze di linea di alimentazione che potrebbe essere sopravvissuto dovuto il roll-off ai bordi del filtro.
  4. Eseguire la correzione oculare artefatto, in cima l'analisi GUI: selezionare "Trasformazione" >> "artefatto rifiuto/riduzione" >> "Oculare correzione ICA".
  5. Segmentare i dati EEG in epoche in base al tempo specificato pre- e post-stimolo, per quanto riguarda i marcatori di tempo evento. Per effettuare questa operazione, selezionare, "Trasformazione" >> "Funzioni di analisi di segmento" >> "Segmentazione", poi scegliere il marcatore di interesse e il segmento di tempo di interesse.
    Nota: Lunghezze di segmentazione dovrebbero essere scelti per soddisfare il paradigma e l'attività cerebrale previsto di interesse.
  6. Eseguire rifiuto artefatto manuale o semi automatica: selezionare "Trasformazione" >> "artefatto rifiuto/riduzione" >> "Artefatto rifiuto". Quando richiesto, definire criteri per manufatti all'interno delle tre schede della GUI e procedere come indicato sulla GUI.
    1. Nella scheda 'Ispezione metodo', seleziona Scegli "automaticamente", "semiautomatico" oppure "Seleziona manualmente gli artefatti" (modalità semi-automatica è consigliato). Selezionare "contrassegnare" o "rimuovere gli artefatti", quindi specificare se le correzioni sono per un singolo canale.
    2. Nella scheda 'Selezione canale', selezionare i canali che verranno corretti gli artefatti.
    3. Nella scheda «Criteri», selezionare la base con il quale verranno identificati artefatti. Effettuare selezioni qui per soddisfare le esigenze sperimentali. Fare clic su "OK" dopo aver selezionato i criteri, e manufatti saranno identificati e/o respinta in conformità le selezioni.
  7. Eseguire la correzione della linea di base e prova in media (se applicabile).
    1. Per eseguire la correzione della linea di base: selezionare "Trasformazione" >> "Funzioni di analisi di segmento" >> "Correzione della linea di base". In media i dati segmentati: selezionare "Trasformazione" >> "Funzioni di analisi di segmento" >> "Medio".

5. spatiotemporal fMRI vincoli — EG sorgente Imaging

  1. Definire la dimensione della finestra e finestra sovrapposte dimensioni (chiamate per una dimensione di finestra di 40 ms con 50% (20 ms) si sovrappongono di impostazione predefinita).
  2. Selezionare il set di ROIs specialistici (ottenuto nel passaggio 3) come il set precedente spaziale. Per ogni segmento di EEG, l'algoritmo verrà quindi stimare una serie di pesi per il sottoinsieme dei Priori spaziali che massimizza le prove di modello e calcola la matrice di covarianza di origine di conseguenza.
  3. Utilizzando la matrice di covarianza di origine risultante, eseguire la localizzazione delle sorgenti per il segmento EEG analizzati, dando la fonte risultati di densità di corrente.
  4. Eseguire i passaggi 5.2 e 5.3 per tutti i segmenti di EEG e, se necessario, riassumere i risultati di densità di corrente di tutti i segmenti di tempo in tempo una densità di corrente completo corso calcolando la parte in sovrapposizione.
    Nota: Questo passaggio si tradurrà in un tempo-corso di densità di corrente di attività corticale in ogni punto di origine definito nel passaggio 2.3 (questo numero è tipicamente dell'ordine di parecchie migliaia) (Figura 8).
  5. Estrarre il corso di tempo rappresentativo densità di corrente in ciascuna della ROIs.
    1. Selezionare il metodo preferito per riepilogare i tempo-corsi da più punti di origine all'interno di un ROI in un singolo segnale tempo-corso: media, primo eigenvariate, ecc.
  6. Ripetere i passaggi da 5.1 a 5.5 per tutti i soggetti.

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

Results

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

Localizzazione delle sorgenti EEG al livello di base comporta la risoluzione del problema in avanti e inverso. I componenti necessari per costruire e risolvere il problema in avanti sono illustrati nella Figura 5C. Utilizzando un oggetto specifico T1 immagine, tre strati — cervello, cranio e pelle — sono stati segmentati e maglie. Questi strati servito come input per generare il modello BEM. Allo stesso modo, strato di materia grigia del sogg...

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

Discussion

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

Vi abbiamo mostrato qui i passi necessari per utilizzare il metodo di analisi di origine spatiotemporal fMRI vincolata per analisi di integrazione di EEG/fMRI. EEG e fMRI hanno ben affermate come i metodi fondamentali per l'imaging non invasivo di attività cerebrale, anche se si trovano ad affrontare difficoltà nelle loro rispettive risoluzioni spaziali e temporali. Mentre sono stati sviluppati metodi per capitalizzare le proprietà favorevoli di ciascuno, metodi source del EEG attuali localizzazione del fMRI-vincolata in...

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

Disclosures

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

Gli autori non hanno nulla a rivelare.

Acknowledgements

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

Questo lavoro è stato sostenuto in parte da NIH DK082644 e l'Università di 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 ProductsAmplificatori per la registrazione EEG, compatibile con la risonanza magnetica
BrainAmp ExG MR per il cervelloAmplificatore per sensore ausiliario (EMG),
cervelloFornisce alimentazione agli amplificatori nell'ambiente RM
Cavi a nastroProdotti per il cervelloCollega l'alimentatore agli amplificatori
SyncBoxProdotti per il cervelloSincronizza l'orologio dello scanner RM con l'orologio dell'amplificatore EEG
BrainCap MRBrain ProductsCappuccio EEG a 64 canali con elettrodo passivo, registratore BrainVision compatibile con la risonanza magnetica
Software di registrazione dei dati EEG Brain Products (passaggi 1.2-1.4.2)
Cavi in fibra otticaBrain ProductsCollega la cuffia EEG dello scanner MR al computer di registrazione
Interfaccia scanner SyncBoxBrain ProductsSincronizza l'orologio dello scanner MR con l'orologio dell'amplificatore EEG
Cavo triggerBrain ProductsUtilizzato per inviare trigger di scanner/paradigmi al computer di registrazione
ABRALYT HiCl EEG Electrode GelEasyCapGel EEG abrasivo per elettrodo passivo in ambiente RM
Sistema RM Ingenia 3.0T Sistema MRIPhilips3.0 T
DigitalizzatorePolhemusDigitalizzazione della posizione del canale EEG
MATLAB r2014aMathWorksBase di programmazione per l'algoritmo DBTN (passaggi 3.3-3.4 e 5.1-5.7)
Immagini di Facial AffectPaul Eckman GroupUna serie di volti emotivamente valenti utilizzati come stimoli
E-Prime 2.0Psychology Software Tools, IncPresentation Software (passaggio 1.4.3)
Elettrodo EMG per pelle bipolareProdottiUtilizzato per rilevare attività muscolare.
Software POLGUIMATLAB per la digitalizzazione
FreesurferSoftware utilizzato nei passaggi 2.1-2.4 e nei passaggi 3.1-3.2
MNESoftware utilizzato nel passaggio 2.5
Prodotti alimentatore BrainAmp compatibile con la risonanza magnetica Prodotti per il Software di analisi EEG BrainVision Analyzer 2.0 Brain Products (passaggi 4.1-4.6)Adattatore USB 2 (noto anche come BUA)Brain Products Interfaccia tra gli amplificatori e il computer di acquisizione dati cerebrali

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