Method Article

EEG simultâneo e gravação de ressonância funcional e análise de integração para a imagem latente de atividade Cortical dinâmica

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

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

Um EEG-fMRI multimodal de imagens método, conhecido como a fonte de EEG fMRI restrita spatiotemporal imagem método, é descrito aqui. O método apresentado utiliza mapas sub fMRI condicionalmente-ativo, ou antecedentes, para orientar a localização de origem do EEG em uma forma que melhora a especificidade espacial e limita a resultados erróneos.

Abstract

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

Eletroencefalografia (EEG) e ressonância magnética funcional (fMRI) são dois dos métodos não-invasivos fundamentais para identificar a atividade cerebral. Multimodais métodos têm buscado combinar a alta resolução temporal do EEG com a precisão espacial de fMRI, mas a complexidade desta abordagem é atualmente precisa de melhoria. O protocolo aqui apresentado descreve a recentemente desenvolvidos spatiotemporal restrição de fMRI EEG fonte de método, que visa corrigir vieses de fonte e melhorar a localização de origem de EEG-fMRI através o recrutamento dinâmico de fMRI sub-regiões de imagem. O processo começa com a coleta de dados multimodais do EEG e fMRI simultâneas varreduras, a geração de modelos 3D e corticais e EEG independente e processamento de fMRI. Então, os mapas de ativação de fMRI transformados dividem-se em vários antecedentes, de acordo com sua localização e área circundante. Estes são tidos como antecedentes em um algoritmo de Bayesian dois níveis hierárquico para a localização de origem de EEG. Para cada janela de interesse (definido pelo operador), segmentos específicos do mapa fMRI ativação serão identificados como ativo para otimizar um parâmetro conhecido como evidências do modelo. Estas serão usadas como macias restrições sobre a atividade cortical identificada, aumentando a especificidade do método de imagem, reduzindo a cruzada e evitando errônea atividade em outras regiões de fMRI condicionalmente ativo o multimodal. O método gera mapas corticais de atividade e tempo-cursos, que podem ser tomadas como resultados finais ou usado como base para novas análises (análises de correlação, causalidade, etc.), enquanto o método é um pouco limitado por suas modalidades (não encontrará EEG-invisible fontes), é amplamente compatível com a maioria dos softwares de processamento principal e é apropriado para a maioria dos estudos de neuroimagem.

Introduction

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

Eletroencefalografia (EEG) e ressonância magnética funcional (fMRI) podem ser vistos como modalidades de neuroimagem com características complementares. FMRI captura a atividade cerebral com grande escala temporal, como sinais hemodinâmicos medem indiretamente a atividade neuronal subjacente com um pobre resolução temporal (da ordem de segundos)1,2. Em contraste, EEG mede diretamente a atividade dinâmica eletrofisiológica do cérebro com uma altíssima resolução temporal (nível de milissegundos), mas pobre resolução espacial3,4. Essas propriedades têm levado a abordagens multimodais, projetadas para otimizar os aspectos favoráveis de cada método individual de5. Uso simultâneo de EEG e ressonância magnética permite a excelente resolução temporal de EEG deve ser combinada com a alta precisão espacial de fMRI para superar as limitações associadas com fMRI unimodal ou EEG.

Métodos para integração de EEG e fMRI começam com fMRI-informado EEG fonte localização6,7. Esta técnica utiliza fMRI-derivado de informação espacial para melhorar a localização de origem de EEG, no entanto, uma desvantagem é o viés espacial potencial causado pela aplicação da ressonância magnética como um "duro-restrição" — derivado de fMRI informação espacial é considerada uma verdade absoluta. Isto coloca dois grandes problemas que devem ser conciliados6–8. Em primeiro lugar, deve-se considerar que o uso de um mapa estático de sangue oxigênio nível dependente (BOLD) contrastes inadvertidamente pode reforçar qualquer atividade errônea que cai dentro dele, enquanto o amortecimento verdadeira atividade fora dele. Em segundo lugar, interferências originadas por fontes que ocorra fora do mapa de activação arrojada podem influenciar a apresentação da verdadeira atividade dentro dos resultados ou causar atividade errada. Apesar disso, o uso de alta resolução espacial de fMRI para fornecer conhecimento prévio espacial continua a ser uma solução favorável5, como a modelagem do problema inverso EEG pode ser restrito tanto em sentidos anatômicos e funcionais.

Neste trabalho, vamos demonstrar uma fonte de EEG fMRI restrita spatiotemporal abordagem que soluciona o problema de incompatibilidade temporal entre o EEG e fMRI calculando o subconjunto ideal de antecedentes de fMRI baseado em um modelo Bayesiano hierárquico9de imagem. RMF-antecedentes são calculados em uma maneira orientado a dados do windows particulares de interesse nos dados de EEG, levando a restrições de tempo-variante fMRI. A abordagem proposta utiliza a alta resolução temporal de EEG para calcular um densidade de corrente de mapeamento da atividade cortical, informado pela alta resolução espacial de fMRI de forma tempo-variante, espacialmente seletiva que imagens com precisão dinâmica neural atividade.

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

Protocol

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

O protocolo aqui apresentado foi projetado e realizado em conformidade com todas as directrizes para a investigação humana ética conjunto pelos respectivos conselhos revisão institucional da Universidade de Houston e o Instituto de pesquisa de Metodista de Houston.

1. gravação de EEG/RM simultânea

  1. Obter o consentimento informado do participante. Explique o participante a finalidade e o procedimento de estudo, bem como as medidas de segurança importantes para os dados de EEG/fMRI simultâneos processo de gravação.
  2. Preparar o tampão de EEG e verificar impedância fora da sala de varredor de MRI.
    1. Coloque uma tampa de EEG apropriadamente dimensionada, passiva, compatível com o MRI na cabeça do sujeito. Posicione os eletrodos conforme o 10-20 internacional rotulagem sistema10.
    2. Sobre o software de gravação de EEG, verifique a impedância dos eléctrodos de terra e referência. Para fazer isso, clique na guia 'impedância' e selecione o tipo de eletrodo na interface do usuário do software (consulte a Figura 1).
      Nota: Instruções exatas aqui são específicas para o software usado neste documento (consulte a Tabela de materiais) e talvez precise ser adaptado para outros sistemas.
    3. Para cada eletrodo, use uma seringa para injetar gel de eletrólito do eletrodo e, em seguida, use um cotonete para espalhar o gel para assegurar o contato pele-eletrodo.
      1. Como a impedância diminui, continuar a monitorar os valores usando o software apropriado (ajustar a escala de impedância, se necessário, dependendo da configuração) para monitorar o nível de impedância corretamente (ver Figura 1). Continue até que todos os eletrodos atingem níveis de impedância abaixo 10 kΩ para garantir um sinal de alta qualidade.
        Nota: Pelos materiais listados e utilizado aqui, considera-se inseguro para ter qualquer eléctrodo com um nível de impedância acima 50 kΩ no Senhor-ambiente11. Isso pode mudar dependendo do design do tampão escolhido e configurações de MRI, então por favor consultar o fabricante do equipamento e tecnólogos de MRI para garantir a segurança da instalação experimental.
  3. Configuração de hardware de EEG/fMRI simultânea.
    1. Uma vez que a preparação de tampão de EEG é feita, com o assunto mudou-se para o senhor-scanner com a configuração de hardware descrita na Figura 2.
      Nota: Alguns detalhes da figura podem mudar, dependendo do sistema em uso.
    2. Configure o display do paradigma experimental. Utilizar um monitor localizado na sala de observação, por trás da janela de vidro virada para a frente do senhor-scanner (ver Figura 2). Use um espelho de visualização de cabeça de bobina para permitir que indivíduos Visualizar a tela do monitor sem mover a cabeça ou os olhos enquanto está deitado.
    3. Exibi uma imagem de amostra na tela do computador para assegurar que indivíduos confortavelmente podem ver a tela, e que o paradigma irá exibir corretamente. Fazer os ajustes necessários de hardware ou software.
  4. Paradigma experimental (ver Figura 3).
    1. Instruir o assunto que fique quieta e executar uma inicial T1-weighted anatômica ressonância. Se possível, use um campo de visão que alcança o topo da cabeça, incluindo o crânio e a pele da parte inferior do cerebelo.
    2. Começa a gravar os dados de EEG (ver Figura 4).
    3. Clique simultaneamente os botões apropriados para iniciar a gravação de MRI e iniciar o paradigma de interesse sobre o software de apresentação. Verifique a gravação de dados de EEG para garantir a qualidade do sinal e, se desejado, marcadores adequados estão sendo gravadas.
      1. Quando usando a instalação descrita aqui, primeiro clique em "Executar" do software de apresentação e digite o número do assunto e julgamento. O paradigma irá iniciar após confirmar essas configurações.
        Nota: O paradigma empregado aqui consistiu de 10 ensaios em que uma resposta motora emocionalmente motivada foi evocada por meio de estímulo visual. Para cada julgamento, temas foram convidados a primeiro descansar por 50 s assistindo uma tela verde, depois que a imagem de um desagradável (imagens correspondentes a surpresa, raiva ou desgosto) ou não-(imagens desagradáveis correspondente à felicidade ou neutralidade) enfrentam12 foi apresentado por 10 s. cinco imagens de cada categoria foram apresentadas em uma ordem aleatória, e temas foram convidados a espremer uma bola em cima de identificar um rosto como desagradável e segure pressionando até que desapareceu.
      2. Use uma sequência gradiente-recordou Echo Planar Imaging (GR-EPI) para a gravação de fMRI (recomendada); Personalize de acordo com o equipamento e o paradigma.
        Nota: A sequência utilizada neste documento incluído: tempo de eco (TE) = 35 ms; Tempo de repetição (TR) = 1.500 ms; Espessura de corte = 5 mm; Aleta ângulo = 90 °; Espaçamento de pixel: 2,75 x 2,75 mm. Pode ser necessário usar uma sequência de MRI que dura um pouco mais do que a exibição do paradigma propriamente dito, para assegurar que o paradigma completo é gravado sem corte.

2. estrutural MRI de dados análise e geração de modelo para a frente

  1. Aplica segmentação total e reconstrução de várias superfícies de ponderada T1 anatômica MRI volume do sujeito usando o Freesurfer imagem análise suíte13,14.
    Nota: Uma pasta contendo todas as saídas de segmentação será gerada pelo Freesurfer.
  2. Gerar uma assunto específico 3-camada limite elemento método (BEM) modelo geométrico a seguir as instruções fornecidas no (https://martinos.org/mne/dev/manual/appendix/bem_model.html)15 usam o disponível Graphical User Interface (GUI) para Certifique-se de que não há nenhuma sobreposição das camadas.
    1. Abra o aplicativo de TDT. Clique em "Arquivo" >> "Superfície de carga". Navegue até o diretório de temas na pasta Freesurfer. Abra a pasta "BEM". Abra a pasta "Divisor de águas". Carrega os quatro arquivos encontrados aqui ('outer_skin_surface', 'outer_skull_surface', 'brain_surface' e 'inner_skull_surface').
    2. Mova os controles deslizantes de seleção de fatia e procure por sobreposição das camadas de superfície amarela. Se ocorrer sobreposição, verifique os dados de MRI para erros ou defeitos anatômicos e usar a GUI ferramentas de desenho para clarificar as camadas.
      1. Carregar os dados originais de MRI no TDT aplicativo clicando em "Arquivo" >> "Volume de carga". Navegue até a pasta do tema e abra a pasta "RM". Em seguida clique no diretório "orig" e abrir os dados de MRI estruturais encontrados lá (deve ser o formato de or.nii de in.mgz). Clique em "Okey".
      2. Visualizar a imagem em tons de cinza da cabeça. Olhe para as diferentes camadas de cinza e preto em volta do cérebro. Certifique-se de que essas camadas não têm quaisquer falhas ou irregularidades. Use a ferramenta "Color Picker" e selecione um voxel da camada a ser corrigido.
      3. Alterne para o "Freehand Voxel Editar" e clique para desenhar na imagem. Use isto para preencher qualquer defeito a imagens de ressonância magnética. Realize a correção para todas as camadas e fatias de MRI, onde ocorrem defeitos.
        Nota: o voxel "Polywire" e "Livewire" ferramentas de edição também pode ser utilizado no lugar do "Freehand".
  3. Gere o espaço fonte baseado na geometria da superfície pial.
  4. Execute alinhamento de sensor de EEG de assunto específico (por exemplo, translação e rotação) para o espaço de MRI usando a sobreposição de cabeça modelo Freesurfer (Figura 5). Salve a transformação.
    1. Abra o aplicativo MNE_analyze. Clique em "Arquivo" >> "Superfície de carga". Navegue até a pasta que contém os dados do assunto e carregar a superfície pial.
    2. Clique em "Arquivo" >> "carga digitador de dados e selecione o arquivo de EEG de interesse (devem conter os dados do digitador). Clique em "Exibir" >> "Mostrar visualizador". Uma vez que o visualizador GUI aparece, clique em "Opções" e certifique-se de que o "couro cabeludo" e "Dados do digitador" opções são escolhidos. Eléctrodos aqui são mostrados em vermelho, com pontos fiduciais em amarelo.
    3. Na janela principal (não o visualizador), selecione "Ajustar" >> "Coordenar o alinhamento". Usando a GUI do alinhamento coordenada, use os botões de L/R e seta para deslocar e girar os eletrodos de EEG no visualizador. Ajuste o quanto for necessário. Uma vez feito o alinhamento, clique em "Salvar..." na parte inferior do 'coordenar alinhamento GUI' para salvar o alinhamento.
      Nota: Normalmente, uma distribuição uniforme de eletrodos em todo o couro cabeludo com bom alinhamento fiducial é necessária.
  5. Gere o modelo para a frente, fornecendo o modelo BEM do assunto específico, o espaço de fonte e a transformação de sensor de EEG usando MNE software15.

3. functional MRI Data Analysis

  1. Primeiro nível de realizar análise de estatística de fMRI (assunto individual) usando o método de modelo Linear geral (GLM) para adquirir o bold (realce) ativação de mapas para as tarefas de interesse. Corrigi para comparações múltiplas como necessário16, usando a abordagem baseada em cluster que está embutida no pipeline de grupo-análise de Freesurfer.
  2. Realizar análise de nível de grupo sobre todos os assuntos, se desejado, para adquirir o mapa de ativação bold (realce) para todas as disciplinas no espaço padrão (MNI ou Talairach).
    Nota: O centro da Universidade de Oxford para ressonância funcional do cérebro (FMRIB) Software Library (FSL)17 e pacotes de18 análise de neuroimagens funcionais (AFNI) ambos permitem a análise dos dados de fMRI na superfície mesmo gerado pelo Freesurfer, tornando-os convenientes para análise posterior.
  3. Use a ferramenta de visualização de tksurfer para realizar identificação de região de interesse (ROI) carregar o mapa de ativação de fMRI (nível do indivíduo e do nível de grupo), e definindo o limite desejado FDR-corrigido19 (p < 0,05 é usado aqui ).
    Nota: O ROIs identificado a partir de mapas de ativação individual-nível irá servir como os assunto específico derivado de fMRI espaciais antecedentes para localização de fonte subsequentes.
    1. Usando o mapa de ativação de fMRI sobre a camada de matéria cinzenta, extrair superfície patches usando um algoritmo conectado-rotulagem.
      Nota: Dulmage-Mendelsohn decomposição foi usada neste exemplo.
    2. Mais subdividir os patches com base na rotulagem de um atlas de cérebro predefinidos, para que nenhum patch de actividade, abrangendo mais de uma região é dividida.
      Nota: O atlas usado aqui foi o atlas de DKT4020 (disponível a partir do Freesurfer)21. Atlas podem ser especializadas ou escolhidas, com base nas preferências experimentais.
  4. Projeto o adquirida ROIs de nível de grupo (que estão atualmente no espaço padrão) volta para os espaços de fonte individual de cada sujeito. Depois de executar a segmentação de MRI estrutural do sujeito individual (passo 2.1), as transformações de coordenadas entre o sujeito e o espaço padrão são fornecidas nos arquivos lh.sphere.reg e rh.sphere.reg, encontrado na pasta do tema "surf" Freesurfer pasta de saída.
    Nota: Todas as disciplinas, assim, irão compartilhar o mesmo conjunto de ROIs, mas em seu próprio modelo específico. Consulte a Figura 6 para obter exemplos dos resultados fMRI e ROIs resultantes.

4. análise de dados de EEG

Nota: Detalhes nesta seção podem ser específicos ao software utilizado (ver Tabela de materiais para mais detalhes). Por favor, consulte a documentação apropriada se usando pacotes de software diferentes.

  1. Realize correção de artefatos gradiente scanner através de subtração de modelo. Para isso, clique no botão "Correção do senhor" no menu "Especial Signal Processing" e selecione os parâmetros apropriados do software de análise de EEG GUI (ver Figura 7). Insira os parâmetros apropriados para a sequência de varredor escolhido e delineamento experimental.
    Nota: Parâmetros primários incluem: tempo de repetição (TR) de MRI varredura, digitalização tipo (contínuo ou intercalado), marcadores de volume de MRI (ou método de deteção de gradiente e gatilho gradiente), canais para correção e modelo de artefato.
  2. Remova artefatos de cardioballistic através de subtração de modelo. Para isso, clique no botão "Correção de CB" no menu "Especial Signal Processing" e selecione parâmetros adequados do software de análise de GUI.
    Nota: Parâmetros necessários aqui incluir ritmo cardíaco mínimo e máximo, modelo de artefato, canal ECG, correlação de modelo e canais para correção.
  3. Aplica filtragem. Selecione o botão para a filtragem de IIR no topo da análise GUI, sob "Filtragem de dados". Por exemplo, aplicar passa-alta a 0,05 Hz, passa-baixa em 40 Hz e um entalhe-filtro na linha poder frequência (60 Hz), com um roll-off de 48 dB/Hz.
    Nota: Após a aplicação de um filtro low-pass em uma frequência de corte de 40 Hz, o entalhe-filtro de 60 Hz não é estritamente necessário, mas é empregado como uma salvaguarda contra qualquer frequências de energia residuais que pode ter sobrevivido devido o roll off nas bordas do filtro.
  4. Realizar correção de artefato ocular, em cima da análise GUI: selecione "Transformação" >> "rejeição/redução de artefato" >> "ICA de correção Ocular".
  5. Segmente os dados de EEG em épocas baseadas no tempo pré e pós estímulo especificado, no que diz respeito os marcadores de tempo do evento. Para fazer isso, selecione, "Transformação" >> "Funções de análise de segmento" >> "Segmentação", em seguida, escolha o marcador de interesse e o segmento de tempo de interesse.
    Nota: Comprimentos de segmentação devem ser escolhidos de acordo com o paradigma e atividade cerebral esperada dos juros.
  6. Executar a rejeição de artefato manual ou semi-automática: selecione "Transformação" >> "rejeição/redução de artefato" >> "Artefato rejeição". Quando solicitado, definir critérios para artefatos dentro três guias do GUI e proceda conforme as instruções sobre o GUI.
    1. Na aba 'Método de inspeção', selecione escolher "automaticamente", "semi-automática" ou "selecionar manualmente artefatos" (modo semiautomático é recomendado). Em seguida selecione "marcar" ou "remover artefatos" e especifique se as correções são para um único canal.
    2. Na guia 'Canal seleção', selecione os canais que serão corrigidos para artefatos.
    3. Na guia 'Critérios', selecione a base pelo qual artefatos serão identificados. Fazer seleções aqui para atender às necessidades de experimentais. Clique em "Okey" após selecionar critérios e artefatos vão ser identificados e/ou rejeitados em conformidade com as seleções.
  7. Realize correção de linha de base e julgamento em média (se aplicável).
    1. Para executar a correção da linha de base: selecione "Transformação" >> "Funções de análise de segmento" >> "Correção de linha de base". A média de dados segmentados: selecione "Transformação" >> "Funções de análise de segmento" >> "Médio".

5. spatiotemporal fMRI restrições — EG fonte Imaging

  1. Defina o tamanho da janela e a janela de sobreposição tamanho (a predefinição chamadas para um tamanho de janela de 40 ms com 50% (20 ms) se sobrepõem).
  2. Selecione o conjunto de ROIs de assunto específico (obtido na etapa 3) como o conjunto espacial prévio. Para cada segmento do EEG, o algoritmo irá então estimar um conjunto de pesos para o subconjunto de antecedentes espaciais que maximiza as provas modelo e calcula a matriz de covariância de fonte em conformidade.
  3. Usando a matriz de covariância fonte resultante, execute localização de fonte para o segmento de EEG sendo analisados, gerando fonte de resultados de densidade de corrente.
  4. Executar etapas 5.2 e 5.3 para todos os segmentos de EEG e, se necessário, um resumo dos resultados de densidade de corrente para todos os segmentos de tempo em tempo de uma densidade de corrente completa-curso calculando a porção sobreposta.
    Nota: Este passo irá resultar em um densidade de corrente tempo-curso da atividade cortical em cada ponto de fonte definida na etapa 2.3 (este número é tipicamente na ordem de vários milhares) (Figura 8).
  5. Extraia o tempo-curso de representante de densidade de corrente em cada um do ROIs.
    1. Selecione o método preferido para resumir os tempo-cursos dos vários pontos de origem dentro de um ROI em um único sinal tempo-curso: média, primeiro eigenvariate, etc.
  6. Repita as etapas 5.1 a 5.5 para todas as disciplinas.

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

Results

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

Localização de fonte EEG no nível básico envolve a resolução do problema para diante e inverso. Os componentes necessários para construir e resolver o problema de frente são mostrados na Figura 5C. Usando uma imagem de T1 de assunto específico, três camadas — pele, crânio e cérebro — foram segmentadas e malha. Estas camadas serviram como as entradas para gerar o modelo BEM. Da mesma forma, camada de matéria cinzenta do sujeito foi segmentada ...

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

Discussion

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

Mostramos aqui os passos necessários para usar o método de análise de fonte spatiotemporal fMRI restringida para análise de integração EEG/fMRI. EEG e ressonância magnética se bem estabeleceram como os métodos fundamentais para, de forma não-invasiva, imagens atividade cerebral, embora eles enfrentam dificuldades em suas respectivas resoluções espaciais e temporais. Enquanto métodos têm sido desenvolvidos para capitalizar sobre as propriedades favoráveis de cada um, restrição de fMRI EEG fonte Localização métodos atuais ...

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

Disclosures

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

Os autores não têm nada para divulgar.

Acknowledgements

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

Este trabalho foi financiado em parte pelo NIH DK082644 e da Universidade 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
Amplificadores BrainAmp MR PlusBrain Productspara gravação de EEG, compatível com MR
BrainAmp ExG MR Brain ProductsAmplificador para sensor auxiliar (EMG), compatível com MR
BrainAmp Power PackBrain ProductsFornece energia para amplificadores no ambiente de RM
Cabos de fitaBrain ProductsConecta o Power Pack a amplificadores
SyncBoxBrain ProductsSincroniza o relógio do scanner de RM com o relógio do amplificador de EEG
BrainCap MRBrain ProductsEletrodo passivo Tampa de EEG de 64 canais, compatível com RM
BrainVision RecorderSoftware de gravação de dados de EEG Brain Products (etapas 1.2-1.4.2)
Cabos de fibra ópticaBrain ProductsConecta a tampa de EEG no scanner de RM ao computador de gravação
Interface do scanner SyncBoxProdutos cerebraisSincronize o relógio do scanner de RM com o relógio do amplificador de EEG
Cabo de disparocerebraisUsado para enviar disparadores de scanner/paradigma para o computador de gravação
ABRALYT HiCl EEG Electrode GelEasyCapGel EEG abrasivo para eletrodo passivo em ambiente de RM
Sistema de RM Ingenia 3.0Tde RM Philips3.0 T
PolhemusDigitizerPolhemus
MATLAB r2014aMathWorksBase de programação para o algoritmo DBTN (etapas 3.3-3.4 e 5.1-5.7)
Fotos de afeto facialPaul Eckman GroupUma série de rostos emocionalmente valentes usados como estímulos
E-Prime 2.0Psychology Software Tools, IncSoftware de apresentação (etapa 1.4.3)
Eletrodo EMG de pele bipolarProdutos cerebraisUsado para detectar atividade muscular.
Software POLGUIMATLAB para digitalização
Software Freesurferusado nas etapas 2.1-2.4 e etapas 3.1-3.2
MNESoftware usado na etapa 2.5
BrainVision Analyzer 2.0 Software de análise de EEG Brain Products (etapas 4.1-4.6)Adaptador USB 2 (também conhecido como BUA)Brain Products Interface entre os amplificadores e o computador de aquisição de dados Produtos Sistema Digitalização da localização do canal

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