Method Article

Jednoczesny zapis EEG i funkcjonalny rezonans magnetyczny oraz analiza integracji w celu dynamicznego obrazowania aktywności kory mózgowej

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

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

Metoda obrazowania multimodalnego EEG-fMRI, znana jako metoda obrazowania źródła EEG ograniczona czasoprzestrzennie za pomocą fMRI, jest opisana tutaj. Przedstawiona metoda wykorzystuje warunkowo aktywne submapy fMRI lub wcześniejsze mapy, aby pokierować lokalizacją źródła EEG w sposób, który poprawia specyficzność przestrzenną i ogranicza błędne wyniki.

Abstract

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

Elektroencefalografia (EEG) i funkcjonalny rezonans magnetyczny (fMRI) to dwie z podstawowych nieinwazyjnych metod identyfikacji aktywności mózgu. Metody multimodalne miały na celu połączenie wysokiej rozdzielczości czasowej EEG z precyzją przestrzenną fMRI, ale złożoność tego podejścia wymaga obecnie poprawy. Przedstawiony tutaj protokół opisuje niedawno opracowaną metodę obrazowania źródła EEG ograniczoną czasoprzestrzennie za pomocą fMRI, która ma na celu skorygowanie błędów źródłowych i poprawę lokalizacji źródła EEG-fMRI poprzez dynamiczną rekrutację podregionów fMRI. Proces rozpoczyna się od zebrania danych multimodalnych z jednoczesnych skanów EEG i fMRI, wygenerowania modeli 3D kory mózgowej oraz niezależnego przetwarzania EEG i fMRI. Przetworzone mapy aktywacji fMRI są następnie dzielone na wiele priori, zgodnie z ich lokalizacją i otoczeniem. Są one traktowane jako a priori w dwupoziomowym hierarchicznym algorytmie bayesowskim do lokalizacji źródła EEG. Dla każdego interesującego okna (zdefiniowanego przez operatora) określone segmenty mapy aktywacji fMRI zostaną zidentyfikowane jako aktywne w celu optymalizacji parametru znanego jako dowód modelu. Zostaną one wykorzystane jako miękkie ograniczenia zidentyfikowanej aktywności korowej, zwiększając specyficzność metody obrazowania multimodalnego poprzez zmniejszenie przesłuchów i uniknięcie błędnej aktywności w innych warunkowo aktywnych regionach fMRI. Metoda generuje mapy korowe aktywności i przebiegów czasowych, które mogą być traktowane jako wyniki końcowe lub wykorzystywane jako podstawa do dalszych analiz (analizy korelacji, przyczynowości itp.) Chociaż metoda jest nieco ograniczona przez swoje modalności (nie znajdzie źródeł niewidocznych dla EEG), jest szeroko kompatybilna z większością głównych programów do przetwarzania i nadaje się do większości badań neuroobrazowych.

Introduction

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

Elektroencefalografia (EEG) i funkcjonalny rezonans magnetyczny (fMRI) mogą być postrzegane jako metody neuroobrazowania o uzupełniających się cechach. FMRI rejestruje aktywność mózgu w dużej skali czasowej, ponieważ sygnały hemodynamiczne pośrednio mierzą podstawową aktywność neuronalną ze słabą rozdzielczością czasową (rzędu sekund)1,2. W przeciwieństwie do tego, EEG bezpośrednio mierzy dynamiczną aktywność elektrofizjologiczną mózgu z bardzo wysoką rozdzielczością czasową (poziom milisekund), ale słabą rozdzielczością przestrzenną3,4. Te właściwości doprowadziły do opracowania podejść multimodalnych zaprojektowanych w celu optymalizacji korzystnych aspektów każdej indywidualnej metody5. Jednoczesne wykorzystanie EEG i fMRI pozwala na połączenie doskonałej rozdzielczości czasowej EEG z wysoką dokładnością przestrzenną fMRI w celu pokonania ograniczeń związanych z jednomodalnym fMRI lub EEG.

Metody integracji EEG i fMRI zaczynają się od lokalizacji źródła EEG za pomocą fMRI6,7. Technika ta wykorzystuje informacje przestrzenne pochodzące z fMRI w celu poprawy lokalizacji źródła EEG, jednak jedną z wad jest potencjalne odchylenie przestrzenne spowodowane zastosowaniem fMRI jako "twardego ograniczenia" - informacje przestrzenne pochodzące z fMRI są uważane za prawdę absolutną. Stwarza to dwa duże problemy, które należy pogodzić6-8. Po pierwsze, należy wziąć pod uwagę, że użycie statycznej mapy kontrastów zależnych od poziomu tlenu we krwi (BOLD) może nieumyślnie wzmocnić każdą błędną aktywność, która się w niej mieści, jednocześnie tłumiąc prawdziwą aktywność poza nią. Po drugie, przesłuchy ze źródeł występujących poza mapą aktywacji BOLD mogą wpływać na prezentację prawdziwej aktywności w wynikach lub powodować błędną aktywność. Mimo to, wykorzystanie wysokiej rozdzielczości przestrzennej fMRI w celu dostarczenia wcześniejszej wiedzy przestrzennej pozostaje korzystnym rozwiązaniem5, ponieważ modelowanie problemu odwrotnego EEG może być ograniczone zarówno w sensie anatomicznym, jak i funkcjonalnym.

W tym artykule demonstrujemy podejście do obrazowania źródła EEG ograniczone czasoprzestrzennie przez fMRI, które rozwiązuje problem niedopasowania czasowego między EEG a fMRI, obliczając optymalny podzbiór wcześniejszych fMRI na podstawie hierarchicznego modelu bayesowskiego9. A priori FMRI są obliczane w sposób oparty na danych z określonych okien zainteresowania w danych EEG, co prowadzi do ograniczeń fMRI w zależności od wariantu czasowego. Proponowane podejście wykorzystuje wysoką rozdzielczość czasową EEG do obliczenia mapowania bieżącej gęstości aktywności korowej, opartego na wysokiej rozdzielczości przestrzennej fMRI w wariant czasowy, przestrzennie selektywny sposób, który dokładnie obrazuje dynamiczną aktywność neuronalną.

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

Protocol

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

Przedstawiony tutaj protokół został zaprojektowany i wykonany zgodnie ze wszystkimi wytycznymi dotyczącymi etycznych badań na ludziach, określonymi przez odpowiednie Instytucjonalne Komisje Rewizyjne Uniwersytetu w Houston i Instytutu Badawczego Metodystów w Houston.

1. Jednoczesny zapis EEG/fMRI

  1. Uzyskaj świadomą zgodę uczestnika. Wyjaśnij uczestnikowi cel i procedurę badania, a także ważne środki bezpieczeństwa dotyczące jednoczesnego procesu rejestracji danych EEG/fMRI.
  2. Przygotuj czepek EEG i sprawdź impedancję na zewnątrz pomieszczenia skanera MRI.
    1. Umieść na głowie badanego odpowiednio dobranego, pasywnego, kompatybilnego z rezonansem magnetycznym czepek EEG. Ustaw elektrody zgodnie z międzynarodowym systemem etykietowania 10–2010.
    2. W oprogramowaniu do rejestracji EEG sprawdź impedancję elektrod masowych i referencyjnych. Aby to zrobić, kliknij zakładkę "impedancja" i wybierz typ elektrody w interfejsie użytkownika oprogramowania (patrz Rysunek 1).
      UWAGA: Dokładne instrukcje tutaj dotyczą oprogramowania używanego w niniejszym dokumencie (patrz Spis materiałów) i mogą wymagać dostosowania do innych systemów.
    3. Dla każdej elektrody użyj strzykawki, aby wstrzyknąć żel elektrolitowy do elektrody, a następnie użyj bawełnianego wacika, aby rozprowadzić żel, aby zapewnić kontakt skóra z elektrodą.
      1. Wraz ze spadkiem impedancji kontynuuj monitorowanie wartości za pomocą odpowiedniego oprogramowania (w razie potrzeby dostosuj skalę impedancji, w zależności od konfiguracji), aby prawidłowo monitorować poziom impedancji (patrz Rysunek 1). Kontynuuj, aż wszystkie elektrody osiągną poziom impedancji poniżej 10 kΩ, aby zapewnić sygnał wysokiej jakości.
        UWAGA: Zgodnie z wymienionymi i wykorzystanymi tutaj materiałami, uważa się, że posiadanie jakiejkolwiek elektrody o poziomie impedancji powyżej 50 kΩ w środowisku MR11 jest uważane za niebezpieczne. Może się to zmienić w zależności od konstrukcji wybranej nasadki i ustawień MRI, dlatego należy skonsultować się z producentem sprzętu i technologami MRI, aby zapewnić bezpieczeństwo zestawu eksperymentalnego.
  3. Jednoczesna konfiguracja sprzętu EEG/fMRI.
    1. Po zakończeniu przygotowania czepka EEG, przenieś osobę badaną do skanera MR z konfiguracją sprzętową opisaną w Rysunek 2.
      UWAGA: Niektóre szczegóły rysunku mogą ulec zmianie w zależności od używanego systemu.
    2. Skonfiguruj wyświetlanie paradygmatu eksperymentalnego. Użyj monitora umieszczonego w pomieszczeniu obserwacyjnym, za szklaną szybą skierowaną w stronę przedniej części skanera MR (patrz Rysunek 2). Użyj lusterka do oglądania cewki czołowej, aby umożliwić obiektom view ekran monitora bez poruszania głową lub oczami podczas leżenia.
    3. Wyświetl przykładowy obraz na ekranie komputera, aby upewnić się, że badani mogą wygodnie oglądać ekran i że paradygmat będzie wyświetlany poprawnie. Dokonaj wszelkich niezbędnych zmian w sprzęcie lub oprogramowaniu.
  4. Paradygmat eksperymentalny (patrz Rysunek 3).
    1. Poinstruuj pacjenta, aby pozostał nieruchomy i wykonaj wstępny anatomiczny rezonans magnetyczny z dokładnością do T1. Jeśli to możliwe, użyj pola widzenia, które rozciąga się od dołu móżdżku do czubka głowy, w tym czaszki i skóry.
    2. Rozpocznij rejestrowanie danych EEG (patrz Rysunek 4).
    3. Jednocześnie kliknij odpowiednie przyciski, aby rozpocząć zapis MRI i zainicjować interesujący Cię paradygmat w oprogramowaniu do prezentacji. Sprawdź zapis danych EEG, aby upewnić się, że jakość sygnału i, w razie potrzeby, rejestrowane są odpowiednie markery.
      1. Korzystając z opisanej tutaj konfiguracji, najpierw kliknij "Uruchom" w oprogramowaniu do prezentacji i wprowadź numer tematu oraz numer próby. Paradygmat zostanie uruchomiony po potwierdzeniu tych ustawień.
        UWAGA: Zastosowany tu paradygmat składał się z 10 prób, w których emocjonalnie motywowana reakcja motoryczna była wywoływana za pomocą bodźca wzrokowego. W każdym badaniu badani zostali poproszeni o odpoczynek przez 50 sekund, obserwując zielony ekran, po czym przez 10 sekund prezentowany był obraz nieprzyjemnej (obrazy odpowiadające zaskoczeniu, złości lub obrzydzeniu) lub nie-nieprzyjemnej (obrazy odpowiadające szczęściu lub neutralności)12. Pięć obrazów z każdej kategorii zostało zaprezentowanych w losowej kolejności, a badani zostali poproszeni o ściśnięcie piłki po zidentyfikowaniu twarzy jako nieprzyjemnej i przytrzymanie uścisku, aż zniknie.
      2. Użyj sekwencji obrazowania planarnego echa przywołanego gradientem (GR-EPI) do nagrywania fMRI (zalecane); dostosuj do sprzętu i paradygmatu.
        UWAGA: Sekwencja użyta w niniejszym dokumencie obejmowała: czas echa (TE) = 35 ms; Czas powtarzania (TR) = 1,500 ms; Grubość plastra = 5 mm; Kąt odwrócenia = 90 °; Odstępy między pikselami: 2,75 mm x 2,75 mm. Może być konieczne użycie sekwencji MRI, która trwa nieco dłużej niż wyświetlanie samego paradygmatu, aby zapewnić, że cały paradygmat zostanie nagrany bez przycinania.

2. Analiza danych MRI strukturalnego i generowanie modeli przyszłościowych

  1. Zastosuj pełną segmentację i rekonstrukcję różnych powierzchni z anatomicznej objętości rezonansu magnetycznego T1 badanego za pomocą pakietu do analizy obrazów Freesurfer13,14.
    UWAGA: Folder zawierający wszystkie dane wyjściowe segmentacji zostanie wygenerowany przez Freesurfer.
  2. Wygeneruj tematyczny 3-warstwowy model geometryczny metodą elementów granicznych (BEM) zgodnie z instrukcjami podanymi na stronie (https://martinos.org/mne/dev/manual/appendix/bem_model.html)15 Użyj dostępnego graficznego interfejsu użytkownika (GUI), aby upewnić się, że warstwy nie nakładają się na siebie.
    1. Otwórz aplikację Freeview. Kliknij "Plik" >> "Załaduj powierzchnię". Przejdź do katalogu Tematy w folderze Freesurfer. Otwórz folder "BEM". Otwórz folder "Watershed". Załaduj cztery znajdujące się tutaj pliki ("outer_skin_surface", "outer_skull_surface", "brain_surface" i "inner_skull_surface").
    2. Przesuń suwaki wyboru plasterków i poszukaj nakładania się na żółte warstwy powierzchni. Jeśli dojdzie do nakładania się, dokładnie sprawdź dane MRI pod kątem wad anatomicznych lub błędów, a następnie użyj narzędzi do rysowania GUI, aby wyjaśnić warstwy.
      1. Załaduj oryginalne dane MRI do aplikacji Freeview, klikając "Plik" >> "Załaduj wolumin". Przejdź do folderu tematu i otwórz folder "mri". Następnie kliknij na katalog "orig" i otwórz znalezione tam dane strukturalnego MRI (powinny być w formacie in.mgz lub .nii). Kliknij "OK".
      2. Wyświetlanie obrazu głowy w skali szarości. Spójrz na różne warstwy szarości i czerni wokół mózgu. Upewnij się, że warstwy te nie mają żadnych przerw ani nierówności. Użyj narzędzia "Próbnik kolorów" i wybierz woksel z warstwy, która ma zostać poprawiona.
      3. Przełącz się na "Edycję wokseli odręcznych" i kliknij, aby narysować na obrazie. Użyj tego, aby wypełnić wszelkie defekty w obrazie MRI. Wykonaj korekcję dla wszystkich warstw i warstw MRI, w których występują defekty.
        UWAGA: narzędzia do edycji wokseli "Polywire" i "Livewire" mogą być również używane zamiast "Freehand".
  3. Wygeneruj przestrzeń źródłową na podstawie geometrii powierzchni pionowej.
  4. Wykonaj specyficzne dla pacjenta wyrównanie czujnika EEG (np. translację i obrót) do przestrzeni MRI za pomocą nakładki modelu głowy Freesurfer (Rysunek 5). Uratuj transformację.
    1. Otwórz aplikację MNE_analyze. Kliknij "Plik" >> "Załaduj powierzchnię". Przejdź do folderu zawierającego dane tematu i załaduj powierzchnię pial.
    2. Kliknij "Plik" >> "Załaduj dane digitizera" i wybierz interesujący Cię plik EEG (powinien zawierać dane digitizera). Kliknij "Widok" >> "Pokaż przeglądarkę". Gdy pojawi się graficzny interfejs użytkownika przeglądarki, kliknij "Opcje" i upewnij się, że wybrane są opcje "Skalp" i "Dane digitizera". Elektrody są tutaj pokazane na czerwono, a punkty odniesienia na żółto.
    3. W oknie głównym (nie w przeglądarce) wybierz "Dostosuj" >> "Wyrównanie współrzędnych". Korzystając z graficznego interfejsu użytkownika "Wyrównanie współrzędnych", użyj strzałek i przycisków L/R, aby przesuwać i obracać elektrody EEG w przeglądarce. Dostosuj tyle, ile to konieczne. Po zakończeniu wyrównania kliknij "Zapisz..." u dołu "Współrzędnych wyrównania GUI", aby zapisać wyrównanie.
      UWAGA: Zazwyczaj wymagane jest równomierne rozmieszczenie elektrod na skórze głowy z dobrym wyrównaniem odniesienia.
  5. Wygeneruj model do przodu, dostarczając specyficzny dla tematu model BEM, przestrzeń źródłową i transformację czujnika EEG za pomocą oprogramowania MNE15.

3. Funkcjonalna analiza danych MRI

  1. Wykonaj analizę statystyczną fMRI pierwszego poziomu (indywidualnego pacjenta) przy użyciu metody ogólnego modelu liniowego (GLM) w celu uzyskania map aktywacji BOLD dla interesujących zadań. W razie potrzeby popraw wielokrotne porównania16, korzystając z podejścia opartego na klastrach, które jest wbudowane w potok analizy grupowej Freesurfer.
  2. W razie potrzeby przeprowadź analizę na poziomie grupy na wszystkich obiektach, aby uzyskać mapę aktywacji BOLD dla wszystkich obiektów w przestrzeni standardowej (MNI lub Talairach).
    UWAGA: Biblioteki oprogramowania (FSL) Centrum Funkcjonalnego MRI Mózgu (FMRIB) Uniwersytetu Oksfordzkiego17 i Analysis of Functional Neuroimages (AFNI)18 pozwalają na analizę danych fMRI na tych samych powierzchniach generowanych przez Freesurfer, co czyni je wygodnymi do późniejszej analizy.
  3. Użyj narzędzia do wizualizacji tksurfer, aby przeprowadzić identyfikację regionu zainteresowania (ROI), ładując mapę aktywacji fMRI (zarówno na poziomie indywidualnym, jak i grupowym) i ustawiając żądany próg skorygowany przez FDR19 (tutaj używany jest p <0,05).
    UWAGA: Zwroty akcji zidentyfikowane na podstawie map aktywacji na poziomie indywidualnym będą służyć jako specyficzne dla danego tematu przestrzenne dane fMRI dla późniejszej lokalizacji źródłowej.
    1. Korzystając z mapy aktywacji fMRI na warstwie istoty szarej, wyodrębnij plamy powierzchni za pomocą algorytmu połączonego etykietowania.
      UWAGA: W tym przykładzie użyto rozkładu Dulmage'a-Mendelsohna.
    2. Następnie podziel łatki na podstawie etykietowania predefiniowanego atlasu mózgu, tak aby każdy fragment aktywności obejmujący więcej niż jeden region został podzielony.
      UWAGA: Użyty tutaj atlas to DKT40 atlas20 (dostępny w Freesurfer)21. Atlasy mogą być wyspecjalizowane lub wybierane na podstawie preferencji eksperymentalnych.
  4. Rzutuj uzyskane ROI na poziomie grupy (które obecnie znajdują się w przestrzeni standardowej) z powrotem do indywidualnych przestrzeni źródłowych każdego przedmiotu. Po wykonaniu strukturalnej segmentacji MRI osoby badanej (krok 2.1), transformacje współrzędnych między obiektem a przestrzenią standardową są dostarczane w plikach lh.sphere.reg i rh.sphere.reg, które znajdują się w folderze "surf" w folderze wyjściowym Freesurfer podmiotu.
    UWAGA: W związku z tym wszyscy badani będą mieli ten sam zestaw ROI, ale w swoim własnym, specyficznym modelu. Zobacz Rysunek 6, aby zobaczyć przykłady wyników fMRI i wynikowych ROI.

4. Analiza danych EEG

UWAGA: Szczegóły w tej sekcji mogą być specyficzne dla używanego oprogramowania (więcej szczegółów w Tabeli Materiałów). W przypadku korzystania z różnych pakietów oprogramowania należy zapoznać się z odpowiednią dokumentacją.

  1. Wykonaj korekcję artefaktów gradientu skanera poprzez odejmowanie szablonu. W tym celu należy kliknąć na przycisk "Korekcja MR" w menu "Specjalne przetwarzanie sygnału" i wybrać odpowiednie parametry w graficznym interfejsie użytkownika oprogramowania do analizy EEG (patrz Rysunek 7). Wprowadź odpowiednie parametry do wybranej sekwencji skanera i projektu eksperymentalnego.
    UWAGA: Podstawowe parametry obejmują: czas powtarzania (TR) dla skanu MRI, typ skanowania (z przeplotem lub ciągły), znaczniki objętości MRI (lub metodę wykrywania gradientu i wyzwalanie gradientu), kanały do korekcji i szablon artefaktu.
  2. Usuń artefakty kardiobalistyczne poprzez odejmowanie szablonu. W tym celu należy kliknąć przycisk "Korekcja CB" w menu "Specjalne przetwarzanie sygnału" i wybrać odpowiednie parametry w graficznym interfejsie użytkownika oprogramowania analitycznego.
    UWAGA: Niezbędne tutaj parametry to minimalne i maksymalne tętno, szablon artefaktu, kanał EKG, korelacja szablonu i kanały do korekcji.
  3. Zastosuj filtrację. Wybierz przycisk filtracji IIR w górnej części graficznego interfejsu użytkownika analizy, w sekcji "Filtracja danych". Na przykład zastosuj filtr górnoprzepustowy przy 0,05 Hz, dolnoprzepustowy przy 40 Hz i filtr wycinający przy częstotliwości linii energetycznej (60 Hz), ze spadkiem 48 dB/Hz.
    UWAGA: Po zastosowaniu filtra dolnoprzepustowego o częstotliwości odcięcia 40 Hz, filtr wycinający 60 Hz nie jest absolutnie konieczny, ale jest stosowany jako zabezpieczenie przed wszelkimi szczątkowymi częstotliwościami linii energetycznej, które mogły przetrwać z powodu spadania na krawędziach filtra.
  4. Wykonaj korekcję artefaktów oka, na szczycie graficznego interfejsu użytkownika: wybierz "Transformacja" >> "Odrzucenie/Redukcja artefaktu" >> "Korekcja oka ICA".
  5. Podziel dane EEG na epoki w oparciu o określony czas przed i po bodźcu, w odniesieniu do znaczników czasu zdarzenia. Aby to zrobić, wybierz "Transformacja" >> "Funkcje analizy segmentów" >> "Segmentacja", a następnie wybierz interesujący Cię znacznik i interesujący Cię segment czasowy.
    UWAGA: Długości segmentacji powinny być dobrane tak, aby pasowały do paradygmatu i oczekiwanej aktywności mózgu, która Cię interesuje.
  6. Wykonaj ręczne lub półautomatyczne odrzucanie artefaktów: wybierz "Transformacja" >> "Odrzucenie/Redukcja artefaktu" >> "Odrzucenie artefaktu". Po wyświetleniu monitu zdefiniuj kryteria dla artefaktów na trzech zakładkach graficznego interfejsu użytkownika i postępuj zgodnie z instrukcjami w graficznym interfejsie użytkownika.
    1. W zakładce "Metoda inspekcji" wybierz opcję "automatycznie", "półautomatycznie" lub "ręcznie wybierz artefakty" (zalecany jest tryb półautomatyczny). Następnie wybierz "zaznacz" lub "usuń artefakty" i określ, czy poprawki dotyczą pojedynczego kanału.
    2. W zakładce 'Wybór kanału' wybierz kanały, które zostaną skorygowane pod kątem artefaktów.
    3. W zakładce "Kryteria" wybierz podstawę, według której artefakty będą identyfikowane. Dokonaj wyboru w tym miejscu, aby dopasować je do potrzeb eksperymentalnych. Kliknij "OK" po wybraniu kryteriów, a artefakty zostaną zidentyfikowane i/lub odrzucone zgodnie z wyborami.
  7. Wykonaj korektę linii bazowej i uśrednienie próby (jeśli dotyczy).
    1. Aby przeprowadzić korektę linii bazowej: wybierz "Transformacja" >> "Funkcje analizy segmentów" >> "Korekta linii bazowej". Aby uśrednić dane podzielone na segmenty: wybierz "Transformacja" >> "Funkcje analizy segmentów" >> "Średnia".

5. Czasoprzestrzenne ograniczenia fMRI — obrazowanie źródła EG

  1. Zdefiniuj rozmiar okna i rozmiar nakładającego się okna (ustawienie domyślne wymaga rozmiaru okna 40 ms z 50% (20 ms) nakładaniem).
  2. Wybierz zestaw ROI dla danego tematu (uzyskany w kroku 3) jako wcześniejszy zestaw przestrzenny. Dla każdego segmentu EEG algorytm oszacuje następnie zestaw wag dla podzbioru a priori przestrzennych, który maksymalizuje dowody modelu i odpowiednio oblicza źródłową macierz kowariancji.
  3. Korzystając z wynikowej macierzy kowariancji źródła, wykonaj lokalizację źródła dla analizowanego segmentu EEG, uzyskując wyniki gęstości prądu źródłowego.
  4. Wykonaj kroki 5.2 i 5.3 dla wszystkich segmentów EEG i, jeśli to konieczne, podsumuj bieżące wyniki gęstości dla wszystkich segmentów czasu w jeden pełny przebieg czasowy gęstości prądu, uśredniając nakładającą się część.
    UWAGA: Ten krok spowoduje uzyskanie przebiegu czasowego aktywności kory mózgowej o aktualnej gęstości w każdym punkcie źródłowym zdefiniowanym w kroku 2.3 (liczba ta jest zwykle rzędu kilku tysięcy) (Rysunek 8).
  5. Wyodrębnij reprezentatywny przebieg czasowy gęstości prądu dla każdego z ROI.
    1. Wybierz preferowaną metodę sumowania przebiegów czasowych z wielu punktów źródłowych w ramach ROI w jeden przebieg czasowy sygnału: średnia, pierwsza zmienna własna itp.
  6. Powtórz kroki od 5.1 do 5.5 dla wszystkich obiektów.

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

Results

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

Lokalizacja źródła EEG na poziomie podstawowym wiąże się z rozwiązaniem problemu do przodu i do tyłu. Komponenty wymagane do zbudowania i rozwiązania problemu do przodu są pokazane w Rysunek 5C. Korzystając z specyficznego dla tematu obrazu T1, trzy warstwy - mózg, czaszka i skóra - zostały podzielone na segmenty i zasiane. Warstwy te posłużyły jako dane wejściowe do wygenerowania modelu BEM. Podobnie, warstwa istoty szarej badanego została o...

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

Discussion

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

Pokazaliśmy tutaj niezbędne kroki, aby wykorzystać metodę czasoprzestrzennej analizy ograniczonego źródła fMRI do analizy integracji EEG/fMRI. EEG i fMRI stały się podstawowymi metodami nieinwazyjnego obrazowania aktywności mózgu, chociaż napotykają trudności w ich odpowiednich rozdzielczościach przestrzennych i czasowych. Chociaż opracowano metody wykorzystujące korzystne właściwości każdego z nich, obecne metody lokalizacji źródła EEG ograniczone fMRI często opierają się na prostych ograniczeniach fMRI, które mogą być ...

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

Disclosures

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

Autorzy nie mają nic do ujawnienia.

Acknowledgements

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

Ta praca była częściowo wspierana przez NIH DK082644 i Uniwersytet w 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 ProductsWzmacniacze do rejestracji EEG, kompatybilne
z MR BrainAmp ExG MR Brain ProductsWzmacniacz do czujnika pomocniczego (EMG), kompatybilny z MR
BrainAmp Power PackProduktyDostarczaj zasilanie do wzmacniaczy w środowisku MR
taśmoweBrain ProductsŁączy zasilacz ze wzmacniaczami
SyncBoxBrain ProductsSynchronizuj zegar skanera MR z zegarem wzmacniacza EEG
BrainCap MRBrain Products64-kanałowa nasadka EEG z elektrodą pasywną, kompatybilna z MR
Rejestrator BrainVisionOprogramowanierejestracji danych EEG Brain Products (kroki 1.2-1.4.2)
światłowodoweBrain ProductsŁączy nasadkę EEG w skanerze MR z komputerem rejestrującym
Interfejs skanera SyncBoxProdukty dla mózguSynchronizuj zegar skanera MR z zegarem wzmacniacza EEG
spustowyProduktySłuży do wysyłania wyzwalaczy skanera/paradygmatu do komputera rejestrującego
ABRALYT HiCl Żel elektrody EEGEasyCapŚcierny żel EEG do elektrody pasywnej w środowisku MR
System Ingenia 3.0T MRSystem Philips3.0 T
MRI Patriot DigitizerDigitalizacja lokalizacji kanału EEGPolhemus
MATLAB r2014aMathWorksBaza programistyczna dla algorytmu DBTN (kroki 3.3-3.4 i 5.1-5.7)
Zdjęcia afektu twarzyPaul Eckman GroupSeria emocjonalnie walentnych twarzy używanych jako bodźce
E-Prime 2.0Psychology Software Tools, IncOprogramowanie do prezentacji (krok 1.4.3)
Dwubiegunowa elektroda EMG skóryProdukty mózgoweużywane do wykrywania aktywność mięśni.
Oprogramowanie POLGUIMATLAB do digitalizacji
FreesurferOprogramowanie użyte w krokach 2.1-2.4 i krokach 3.1-3.2
MNEOprogramowanie użyte w kroku 2.5
Brain do Oprogramowanie do analizy EEG BrainVision Analyzer 2.0 Brain Products (kroki 4.1-4.6)Adapter USB 2 (znany również jako BUA)Produkty mózgowe Interfejs między wzmacniaczami a komputerem akwizycji danych mózgowe  

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