Simultanées EEG et IRM fonctionnelle enregistrement et analyse d’intégration pour l’imagerie dynamique activité corticale

Summary

Un EEG-IRMf multimodal méthode, dite de la source EEG spatio-temporelle sont limitées IRMf imagerie méthode, l’imagerie est décrite ici. La méthode présentée emploie des cartes sous IRMf conditionnellement-active ou prieurs, pour guider la localisation des sources EEG d’une manière qui améliore la spécificité spatiale et limite des résultats erronés.

Abstract

Électroencéphalographie (EEG) et l’imagerie de résonance magnétique fonctionnelle (IRMf) sont deux des méthodes fondamentales non invasives permettant d’identifier l’activité cérébrale. Méthodes multimodales ont cherché à combiner la haute résolution temporelle de l’EEG avec la précision spatiale d’IRMf, mais la complexité de cette approche est actuellement besoin d’amélioration. Le protocole présenté ici décrit la récemment développés spatio-temporelle IRMf sont limitées EEG source d’imagerie méthode qui vise à corriger les biais de source et d’améliorer la localisation des sources EEG-IRMf grâce au recrutement dynamique des sous-régions de l’IRMf. Le processus commence par la collecte de données multimodales de simultanées EEG et l’IRMf scans, la génération de modèles 3D de corticales et EEG indépendant et IRMf traitement. Les cartes d’activation IRMf transformés sont ensuite divisés en plusieurs prieurs, selon leur emplacement et les environs. Celles-ci sont considérées comme a priori dans un algorithme de hiérarchique bayésienne de deux niveaux pour la localisation des sources EEG. Pour chaque fenêtre d’intérêt (défini par l’opérateur), des segments spécifiques de la carte d’activation IRMf seront identifiés comme étant active pour optimiser un paramètre connu comme preuve de modèle. Ceux-ci serviront des contraintes souples sur l’activité corticale identifiée, augmentant la spécificité de la multimodal méthode d’imagerie en réduisant la diaphonie et en évitant les activités erronée dans d’autres régions de l’IRMf conditionnellement active. La méthode génère des cartes corticales de l’activité et temps-cours, qui peuvent être pris comme résultat final, ou utilisé comme une base pour de nouvelles analyses (analyses de corrélation, causalité, etc.) tandis que la méthode est quelque peu limité par ses modalités de fonctionnement (il ne trouverez pas EEG-invisible sources), il est largement compatible avec la plupart des logiciels de transformation majeure et convient à la plupart des études de neuroimagerie.

Introduction

Électroencéphalographie (EEG) et l’imagerie de résonance magnétique fonctionnelle (IRMf) peuvent considérer que la neuro-imagerie modalités avec des fonctionnalités complémentaires. IRMf capte l’activité cérébrale avec grande échelle temporelle, comme des signaux hémodynamiques mesurent indirectement l’activité neuronale sous-jacente avec une faible résolution temporelle (de l’ordre secondes)^1,2. En revanche, EEG mesure directement l’activité électrophysiologique dynamique du cerveau avec une très haute résolution temporelle (niveau de milliseconde), mais la faible résolution spatiale de^3,4. Ces propriétés ont conduit à des approches multimodales conçus pour optimiser les aspects favorables de chaque méthode individuelle⁵. Utilisation simultanée de l’EEG et l’IRMf permet l’excellente résolution temporelle d’EEG à combiner avec la haute précision spatiale de l’IRMf pour surmonter les limitations associées à l’IRMf unimodale ou EEG.

Méthodes d’intégration EEG et IRMf commencent par IRMf-informé EEG source localisation^6,7. Cette technique utilise des informations spatiales dérivées IRMf afin d’améliorer la localisation des sources EEG, cependant, un inconvénient est le biais spatial potentiel causé par l’application de l’IRMf comme « dur-contrainte » — information spatiale dérivée de l’IRMf est considéré comme un vérité absolue. Cela pose deux questions importantes qui doivent être conciliés^6–8. Tout d’abord, il faut considérer que l’utilisation d’une carte statique de niveau d’oxygène du sang dépendant (BOLD) contrastes peut renforcer par inadvertance toute activité erronée qui relève, tandis que l’amortissement véritable activité en dehors de celui-ci. Deuxièmement, diaphonie provenant de sources qui se produisent à l’extérieur de la carte d’activation "BOLD" peut influencer la présentation de l’activité réelle dans les résultats ou déclencher des activités erronée. Malgré cela, l’utilisation de la haute résolution spatiale de l’IRMf de fournir une connaissance préalable spatiale reste une solution favorable⁵, comme la modélisation du problème inverse EEG peut être contraint tous les deux dans les sens anatomiques et fonctionnels.

Dans cet article, nous démontrons une source EEG spatio-temporelle sont limitées IRMf imagerie approche qui résout le problème de décalage temporel entre les EEG et l’IRMf en calculant le sous-ensemble optimal de fMRI a priori basé sur un hiérarchique bayésien modèle⁹. IRMf-prieurs sont calculées d’une manière pilotés par les données de windows particuliers d’intérêt dans les données de l’EEG, conduisant à des contraintes de temps-variante IRMf. L’approche proposée utilise la haute résolution temporelle de l’EEG pour calculer une cartographie de la densité de courant de l’activité corticale, informée par la haute résolution spatiale de l’IRMf de manière temps-variante, spatialement sélective avec précision les images dynamiques neurale activité.

Protocol

Le protocole présenté ici a été conçu et exécuté conformément à toutes les directives pour l’éthique de la recherche humaine tel qu’établi par le Conseil de révision institutionnels respectifs de l’Université de Houston et l’Institut de recherche de méthodiste de Houston.

1. enregistrement EEG/IRMf

1. Obtenir le consentement éclairé du participant. Expliquer le participant le but et la procédure de l’étude, ainsi que les mesures de sécurité importantes pour les processus d’enregistrement de données EEG/IRMf simultanées.
2. Préparer le cap de l’EEG et vérifier l’impédance en dehors de la salle MRI-scanner.
   1. Placer un capuchon d’EEG Fluxsol, passif, MRI-compatible sur la tête du sujet. Placer les électrodes selon les 10 – 20 international étiquetage system¹⁰.
   2. Sur le logiciel d’enregistrement EEG, vérifiez l’impédance des électrodes de référence et au sol. Pour ce faire, cliquez sur l’onglet « impédance » et sélectionnez le type d’électrode sur l’interface-utilisateur du logiciel (voir Figure 1).
      Remarque : Les instructions exactes ici sont spécifiques au logiciel utilisé dans les présentes (voir Table des matières) et peut devoir être adapté à d’autres systèmes.
   3. Pour chacune des électrodes, utiliser une seringue pour injecter le gel électrolyte dans l’électrode, puis utilisez un coton-tige pour écarter le gel afin d’assurer le contact entre l’électrode de la peau.
      1. Diminution de l’impédance, continuer à surveiller les valeurs en utilisant le logiciel approprié (ajuster l’échelle de l’impédance comme nécessaire, en fonction de la configuration) pour surveiller le niveau de l’impédance correctement (voir Figure 1). Continuez jusqu'à ce que toutes les électrodes atteignent des niveaux d’impédance inférieure à 10 kΩ afin d’assurer un signal de haute qualité.
         Remarque : Par les matériaux énumérés et utilisé ici, il est considéré comme dangereux d’avoir une électrode avec un niveau d’impédance au-dessus de 50 kΩ dans M.-environnement¹¹. Cela peut changer selon la conception de la PAC choisie et les paramètres de MRI, donc s’il vous plaît consulter le fabricant de l’équipement et les technologues de MRI pour assurer la sécurité de l’installation expérimentale.
3. Installation du matériel EEG/IRMf simultanée.
   1. Une fois la préparation du cap EEG faite, avoir l’objet déplacé au M.-scanner avec l’installation du matériel décrite à la Figure 2.
      Remarque : Certains détails de la figure peuvent changer, selon le système en cours d’utilisation.
   2. Configurer l’affichage de paradigme expérimental. Utiliser un moniteur situé dans la salle d’observation, derrière la vitre, face à l’avant du scanner-M. (voir Figure 2). Utiliser un miroir de Regarde un tête de bobine pour permettre des sujets afficher l’écran du moniteur sans bouger la tête ou des yeux en position couchée.
   3. Afficher un exemple d’image sur l’écran de l’ordinateur pour s’assurer que les sujets peuvent afficher confortablement l’écran ainsi que le paradigme s’affiche correctement. Apporter les modifications nécessaires de matériel ou logiciel.
4. Modèle expérimental (voir Figure 3).
   1. Instruire le sujet à rester immobile et effectuer une initiale pondérées en T1 anatomique par IRM. Si possible, utilisez un champ de vision qui atteint le fond du cervelet jusqu’au sommet de la tête, y compris le crâne et la peau.
   2. Commencez à enregistrer les données EEG (voir Figure 4).
   3. Cliquez simultanément sur les boutons appropriés pour commencer l’enregistrement de MRI et initier le paradigme d’intérêt sur le logiciel de présentation. Vérifier l’enregistrement de données EEG afin d’assurer la qualité du signal et, si vous le souhaitez, marqueurs appropriées sont enregistrés.
      1. Lorsque vous utilisez la configuration décrite ici, tout d’abord cliquez sur « Exécuter » dans le logiciel de présentation et entrez le numéro de l’objet et du procès. Le paradigme va lancer après avoir confirmé ces paramètres.
         Remarque : Le paradigme employé ici se composait de 10 essais dans lequel une réponse motrice émotionnellement motivée a été évoquée par le biais de stimulus visuel. Pour chaque essai, les sujets devaient d’abord reposer pendant 50 s, regardant un écran vert, après quoi l’image d’un désagréable (images correspondant à la grande surprise, la colère ou dégoût) ou n’est pas désagréable (images correspondant au bonheur ou à la neutralité) face ๲ a été présenté pour 10 s. cinq images de chaque catégorie ont été présentés dans un ordre aléatoire, et sujets devaient appuyer sur un ballon en identifiant un visage comme désagréable et maintenez la pression jusqu'à ce qu’il a disparu.
      2. Utilisez une séquence a rappelé le Gradient Echo imagerie planaire (GR-EPI) pour l’enregistrement de l’IRMf (recommandé) ; personnaliser en fonction de l’équipement et le paradigme.
         Remarque : La séquence utilisée ici inclus : temps d’écho (TE) = 35 ms ; Temps de répétition (TR) = 1 500 ms ; Découper l’épaisseur = 5 mm ; Flip Angle = 90 ° ; Espacement de pixels : 2,75 x 2,75 mm. Il peut être nécessaire d’utiliser une séquence de MRI qui dure un peu plus de l’affichage du paradigme elle-même, afin de s’assurer que le paradigme complet est enregistré sans écrêtage.

2. structures de données IRM analyse et génération de modèle vers l’avant

1. Appliqueàcompterdu segmentation complète et reconstruction de surfaces différentes pondérées en T1 anatomiques MRI volume du sujet utilisant la Freesurfer image analyse suite^13,14.
   Remarque : Un dossier contenant toutes les sorties de segmentation est généré par Freesurfer.
2. Générer un disciplinaire 3-couche limite élément méthode (BEM) modèle géométrique qui suit les instructions fournies à (https://martinos.org/mne/dev/manual/appendix/bem_model.html)¹⁵ utilisent l’Interface d’utilisateur graphique (GUI) disponible à s’assurer qu’il n’y a pas de chevauchement dans les couches.
   1. Ouvrez l’Application Freeview. Cliquez sur « Fichier » >> « Charger la Surface ». Accédez au répertoire dans le dossier Freesurfer sujets. Ouvrez le dossier « BEM ». Ouvrez le dossier « Bassin versant ». Charger les quatre fichiers trouvés ici (« outer_skin_surface », « outer_skull_surface », « brain_surface » et « inner_skull_surface »).
   2. Déplacez les curseurs de sélection de tranche et recherchez les chevauchements dans les couches de surface jaunes. En cas de chevauchement, vérifiez les données de l’IRM pour les erreurs ou défauts anatomiques et utiliser l’interface graphique, outils de dessin pour clarifier les couches.
      1. Charger les données originales de MRI dans l’application de la TNT en cliquant sur « Fichier » >> « Volume de charge ». Naviguez jusqu’au dossier objet et ouvrez le dossier « IRM ». Puis cliquez sur le répertoire « orig » et ouvrir les données structurales de MRI qui s’y trouvées (devrait être in.mgz or.nii format). Cliquez sur « OK ».
      2. Visualiser l’image en niveaux de gris de la tête. Regardez les différents niveaux de gris et de noir autour du cerveau. Veiller à ce que ces couches n’ont pas des lacunes ou des irrégularités. Utilisez l’outil « Pipette » puis sélectionnez un voxel dans le calque à corriger.
      3. Basculez vers l’Edit « Voxel à main levée » et cliquez pour dessiner sur l’image. Cela permet de combler tous les défauts de la qualité de l’image. Effectuer la correction pour toutes les couches et les tranches de MRI, où se produisent des défauts.
         Remarque : le voxel « Polywire » et « Livewire » outils d’édition peut également être utilisé à la place de la « Freehand ».
3. Générer l’espace source basée sur la géométrie de la surface de la pie-mère.
4. Effectuer un alignement de capteurs EEG spécifiques (p. ex., translation et rotation) à l’espace de MRI à l’aide de la superposition de tête modèle Freesurfer (Figure 5). Enregistrer la transformation.
   1. Ouvrez l’application MNE_analyze. Cliquez sur « Fichier » >> « Surface de charge ». Accédez au dossier qui contient les données d’objet et charge la surface pial.
   2. Cliquez sur « Fichier » >> « Load Data numériseur et sélectionnez le fichier EEG d’intérêt (doit contenir des données de numériseur). Cliquez sur « Affichage » >> « Show Viewer ». Une fois que le spectateur GUI s’affiche, cliquez sur « Options » et s’assurer que le « cuir chevelu » et « Données numériseur » options sont sélectionnées. Électrodes ici figurent en rouge, avec des points de repères en jaune.
   3. Dans la fenêtre principale (pas la visionneuse), sélectionnez « Ajuster » >> « Coordonner l’alignement ». Avec le « GUI de la coordonnée d’alignement », utilisez les touches fléchées et L/R pour déplacer et faire pivoter les électrodes de l’EEG dans la visionneuse. Réglez autant que nécessaire. Une fois que l’alignement est fait, cliquez sur « Enregistrer... » au bas de la « GUI d’alignement coordonner » pour sauver l’alignement.
      Remarque : En règle générale, une répartition égale des électrodes dans le cuir chevelu avec bon alignement fiducial est nécessaire.
5. Générer le modèle vers l’avant en fournissant le modèle BEM thématiques, l’espace source et la transformation de capteurs EEG à l’aide de MNE logiciel¹⁵.

3. functional MRI Data Analysis

1. Effectuer le premier niveau l’analyse statistique IRMf (sujet individuel) utilisant la méthode de modèle linéaire général (GLM) pour acquérir "BOLD" activation des cartes pour les tâches d’intérêt. Corriger les comparaisons multiples comme nécessaire¹⁶, à l’aide de l’approche axée sur le cluster qui est intégré dans le pipeline de groupe-analyse Freesurfer.
2. Effectuer une analyse de groupe et niveau sur tous les sujets, si vous le souhaitez, d’acquérir la carte d’activation "BOLD" pour tous les sujets dans l’espace standard (INM ou Talairach).
   NOTE : L’Université d’Oxford Centre for IRM fonctionnelle du cerveau (FMRIB) Software Library (FSL)¹⁷ et paquets de¹⁸ analyse de Neuroimages fonctionnelle (AFNI) tous les deux permettent l’analyse des données IRMf sur les mêmes surfaces générées par FreeSurfer, ce qui les rend pratique pour analyse ultérieure.
3. Utilisez l’outil de visualisation de tksurfer pour effectuer l’identification de la région d’intérêt (ROI) de chargement de la carte d’activation IRMf (niveau individuel et au niveau groupe) et en définissant le seuil désirée FDR-corrigé¹⁹ (p < 0,05 est utilisé ici ).
   NOTE : La ROIs identifiée à partir des cartes individuelles d’activation servira de prieurs spatiales dérivée de l’IRMf thématiques pour la localisation des sources ultérieures.
   1. À l’aide de la carte d’activation IRMf sur la couche de matière grise, extrait de patchs de surface en utilisant un algorithme de marquage connecté.
      Remarque : La décomposition Dulmage-Mendelsohn a été utilisée dans cet exemple.
   2. Plus loin, subdiviser les correctifs basées sur l’étiquetage d’un atlas du cerveau prédéfinis, afin qu’un patch d’activité couvrant plusieurs régions est divisé.
      Remarque : L’atlas utilisé ici a été le DKT40 atlas²⁰ (disponible chez Freesurfer)²¹. Atlas peuvent être spécialisés ou choisis, selon les préférences expérimentales.
4. La ROIs de groupe et niveau acquise (qui sont actuellement dans l’espace standard) vers les espaces de source individuelle de chaque sujet du projet. Après avoir effectué la segmentation de MRI structurale du sujet individuel (étape 2.1), les transformations de coordonnées entre le sujet et l’espace standard sont fournies dans les fichiers lh.sphere.reg et rh.sphere.reg, trouvé dans le dossier « surf » du sujet FreeSurfer dossier de sortie.
   Remarque : Tous les sujets seront partageront ainsi le même ensemble de ROIs, mais dans leur propre modèle spécifique. Voir la Figure 6 pour des exemples des résultats IRMf et ROIs qui en résulte.

4. analyse de données EEG

Remarque : Les détails dans cette section peuvent être spécifiques au logiciel utilisé (voir Table des matières pour plus de détails). Veuillez vous reporter à la documentation appropriée si l’utilisation de différents logiciels.

1. Effectuer la correction des artefacts gradient scanner par soustraction de modèle. Pour ce faire, cliquez sur le bouton « Monsieur Correction » dans le menu « Spécial Signal Processing » et sélectionnez les paramètres appropriés dans le logiciel d’analyse EEG GUI (voir Figure 7). Entrez les paramètres appropriés pour la séquence de scanner choisi et la conception expérimentale.
   Remarque : Les paramètres primaires incluent : temps de répétition (TR) pour MRI scan, scan type (entrelacé ou continue), marqueurs de volume de MRI (ou méthode de détection dégradé et déclencheur dégradé), canaux pour la correction et modèle de l’artefact.
2. Supprimer les artefacts cardioballistic par soustraction de modèle. Pour ce faire, cliquez sur le bouton « CB Correction » dans le menu « Spécial Signal Processing » et sélectionnez les paramètres appropriés dans le logiciel d’analyse de GUI.
   Remarque : Paramètres nécessaires ici incluent fréquence cardiaque minimale et maximale, modèle d’artefact, channel ECG, corrélation modèle et canaux pour correction.
3. Appliquer la filtration. Cliquez sur le bouton pour la filtration de l’IIF en haut de l’analyse de GUI, sous « Data Filtration ». Par exemple, appliquer passe-haut à 0,05 Hz, passe-bas à 40 Hz et un filtre-à la fréquence de la tension secteur (60 Hz), avec un roll-off de 48 dB/Hz.
   NOTE : Après l’application d’un filtre passe-bas avec une fréquence de coupure de 40 Hz, 60 Hz-Filtre à sillon n’est pas strictement nécessaire, mais est employé comme une garantie contre toute fréquences lignes électriques résiduels qui peuvent avoir survécu en raison de la benne à bords de filtre.
4. Effectuer la correction des artefacts oculaires, sur le dessus de l’analyse de GUI : sélectionnez « Transformation » >> « rejet/réduction des artefacts » >> « Oculaire Correction ICA ».
5. Segmenter les données EEG en époques basés sur la durée spécifiée avant et après stimulation, en ce qui concerne les marqueurs de synchronisation d’événement. Pour ce faire, sélectionnez, « Transformation » >> « Fonctions d’analyse du Segment » >> « Segmentation », puis sélectionnez le marqueur d’intérêt et la tranche de temps d’intérêt.
   NOTE : Longueurs de Segmentation doivent être choisies en fonction du paradigme et activité cérébrale attendue d’intérêt.
6. Effectuer le rejet de l’artefact manuels ou semi-automatiques : sélectionnez « Transformation » >> « rejet/réduction des artefacts » >> « Rejet de l’artefact ». Lorsque vous êtes invité, définir des critères pour les artefacts dans les trois onglets de l’interface graphique et continuez en suivant les instructions sur l’interface graphique.
   1. Dans l’onglet « Méthode d’Inspection », sélectionnez choisir « automatiquement », « semi-automatique » ou « sélectionner manuellement les artefacts » (mode semi-automatique est recommandé). Puis sélectionner « marquer » ou « supprimer les artefacts » et indiquer si les corrections sont pour un seul canal.
   2. Dans l’onglet « Sélection de canal », sélectionner les canaux qui seront corrigées pour les artefacts.
   3. Dans l’onglet « Critères », sélectionnez la base par laquelle on cernera des artefacts. Effectuez des sélections ici pour répondre à des besoins expérimentaux. Cliquez sur « OK » après avoir sélectionné les critères, et artefacts seront identifiés et/ou rejetées conformément à l’encontre des sélections.
7. Effectuer la correction de la ligne de base et le procès en moyenne (le cas échéant).
   1. Pour effectuer la correction de base : sélectionner « Transformation » >> « Fonctions d’analyse de Segment » >> « Correction de base ». En moyenne les données segmentées : sélectionnez « Transformation » >> « Fonctions d’analyse de Segment » >> « Moyenne ».

5. spatio-temporelle IRMf contraintes — EG Source d’imagerie

1. Définir la taille de la fenêtre et la fenêtre qui se chevauchent de taille (la valeur par défaut définissant les appels pour une taille de fenêtre de 40 ms avec 50 % (20 ms) se chevauchent).
2. Sélectionnez le jeu de ROIs disciplinaires (obtenu à l’étape 3) comme l’ensemble spatial préalable. Pour chaque segment de l’EEG, l’algorithme estimera ensuite un ensemble de poids pour le sous-ensemble des prieurs spatiales qui maximise la preuve du modèle et calcule la matrice de covariance de source en conséquence.
3. À l’aide de la matrice de covariance de source qui en résulte, effectuer les localisation des sources pour le segment EEG analysé, donne la source des résultats de densité de courant.
4. Effectuez les étapes 5.2 et 5.3 pour tous les segments de l’EEG et, si nécessaire, résument les résultats de densité de courant pour tous les segments de temps en temps une densité de courant complet par la partie recouverte en moyenne.
   Remarque : Cette étape donne une densité de courant temporelle de l’activité corticale à chaque stade de la source définie à l’étape 2.3 (ce nombre est normalement de l’ordre de plusieurs milliers) (Figure 8).
5. Extrait de l’évolution temporelle représentant densité de courant à chacun de la ROIs.
   1. Sélectionnez le mode préféré pour résumer les temps-cours des multiples points de source dans un retour sur investissement dans un seul signal temps-cours : moyenne, premier eigenvariate, etc.
6. Répétez les étapes 5.1 à 5.5 pour tous les sujets.

Representative Results

EEG source localisation au niveau de base implique la résolution du problème avant et inverse. Les composants requis pour construire et résoudre le problème avant sont illustrés dans la Figure 5C. Vous utilisez une image de T1 disciplinaire, trois couches — cerveau, le crâne et la peau — ont été segmentés et maillé. Ces couches servi comme entrées pour générer le modèle BEM. De même, couche gris-matière du sujet a été segmenté de l’IRM structurelle et utilisée pour construire l’espace source. Emplacement des capteurs EEG ont été conjointement inscrits sur le modèle de tête à l’aide d’une série de transformations géométriques rigides. Quand construit, le modèle représente l’activité électrique comment provenant de n’importe quel endroit sur l’espace source donnerait lieu à des mesures possibles à chaque emplacement du capteur sur le cuir chevelu EEG.

IRMf fournit des images 3D de l’activité fonctionnelle du cerveau avec une excellente résolution spatiale et la précision. L’analyse conventionnelle IRMf suit les méthodes GLM pour identifier le cerveau voxels considérablement activée par une certaine tâche. Le résultat typique de cette analyse est une carte d’activation IRMf : une carte du cerveau unique mettant en valeur les voxels actives, qui peut être projetés sur la surface de la matière grise, comme illustré à la Figure 6A. Nous diviser encore plus les cartes d’activation obtenue dans des cartes sous chaque agissant comme un prieur potentiel spatial pour localiser les potentiels de cuir chevelu mesurées par EEG dans n’importe quelle fenêtre de temps particulière (Figure 6B). La figure 8 représente le schéma ciblé de l’analyse de source spatio-temporelle IRMf limitée décrite ci-dessus. Seul le jeu partiel approprié de la carte d’activation de l’IRMf est utilisé pour générer la reconstruction EEG de source pour le segment de données EEG correspondant à la taille de la fenêtre spécifiée. Comme toutes les fenêtres de temps EEG sont analysées, une reconstruction complète de l’activité corticale est atteint de façon spatio-temporelle spécifique qui allège le biais spatial d’appliquer les Prieurs d’IRMf même à tous moments de l’EEG.

Nous avons démontré plus loin une application réussie de la méthode d’analyse de source spatio-temporelle IRMf limité lorsqu’il est appliqué à une activation de visual/moteur tâche étude⁹, dans lequel la séquence de l’activité cérébrale d’entrée visuelle à la sortie du moteur a été retrouvé avec une grande précision spatio-temporelle (Figure 9). Bien qu’il y a une dépendance sur choix l’utilisateur le de la taille de la fenêtre, les résultats de l’imagerie source reconstruit étaient généralement robustes pour modérer les changements, comme illustré à la Figure 10. À cette fin, la taille de la fenêtre devrait être choisie par l’expérimentateur pour mieux s’adapter à leur étude particulière (c.-à-d., une taille de fenêtre trop grande pourrait pour être erronée pour activité rapide ou oscillations, alors qu’une taille de fenêtre trop courte peut manquer des signaux de fréquence inférieures ) (Figure 10).

Figure 1 : Vérif. d’impédance du cuir chevelu EEG. Capture d’écran de l’enregistreur logiciel interface utilisateur, avec des flèches pointant vers les icônes principales à l’étape de protocole 1.2. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 2 : Schématique de l’EEG/IRMf simultanée enregistrement configuration matérielle — ne pas dessinés à l’échelle. (1) scanner ; (2) le participant portant gélifié cap passive EEG ; (3) amplificateurs de l’EEG et le bloc d’alimentation connecté à la PAC de l’EEG ; (4) fibre optique câbles reliant les amplificateurs à l’USB 2 adaptateur (également connu sous le nom une BUA) ; (5) la BUA, une interface entre l’amplificateur et l’ordinateur de l’enregistrement ; (6) ordinateur d’acquisition de données ; (7) ordinateur de présentation de paradigme, équipé d’une carte expresse pour sortie événement timing marqueurs ; (8) câble de déclenchement transistor-transistor logic (TTL), livrant des marqueurs de synchronisation événement de l’ordinateur de présentation et le matériel de Monsieur-scanner à la BUA ; (9) matériel de numérisation de Monsieur pour fournir des marqueurs de synchronisation au début de (10) une nouvelle acquisition de tranche/volume d’IRMf et synchronisation d’horloge (11) du signal ; (12) dispositif de synchronisation horloge, qui assure la synchronisation entre l’horloge des amplificateurs de l’EEG et l’horloge Monsieur-scanner ; (13) module d’interface, interfaçage entre le M.-scanner et le dispositif de synchronisation d’horloge ; (14) moniteur pour l’affichage visuel du paradigme expérimental ; (15) fenêtre de verre permet de voir la salle de scanner de la salle de contrôle. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 3 : Paradigme expérimental. Le sujet a montré une série de stimuli visuels, appartenant à l’une des deux catégories suivantes :-visage agréable et désagréable-face¹². Dans chaque essai, une ligne de base 50 s vert écran fut montrée, suivie d’un stimulus visuel choisis au hasard de 10 s. Le sujet était de presser une balle de caoutchouc avec sa main droite pendant toute la durée du stimulus indiqué, si l’image a été perçu comme un visage désagréable. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 4 : Capture d’écran de l’enregistrement de données EEG. Une section représentative des données EEG au cours du processus d’enregistrement. (A) données de période d’EEG avec IRMf-séquence d’impulsions en vigueur, artefacts de Monsieur-scanner sont prononcées. (B) données de période d’EEG sans IRMf-séquence d’impulsions, sans artefacts évidents de M.-scanner sont visibles. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 5 : La génération de modèle vers l’avant. (A) l’alignement des électrodes EEG sur l’espace du modèle principal. Les cercles rouges et bleues représentent les emplacements des capteurs EEG numérisés, cercles jaunes représentent les points de repères de EEG numérisés : nasion, laissé pré-auriculaire et droite pré-auriculaire. (B) des Options pour le processus d’alignement de capteur, y compris la transformation manuelle, telles que la translation et la rotation de l’espace de capteurs EEG (étape 2.4 de protocole). (C) sujet BEM modèle spécifique généré, y compris 3 compartiments : cerveau (3), le crâne (4) et (5) de la peau. L’espace source répartie sur la surface de la couche de matière grise (1). (2) emplacement des capteurs EEG est alignés sur le modèle. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 6 : IRMf carte d’activation et de l’extraction des régions d’intérêt. (A) carte d’activation IRMf illustré sur une surface gonflée pour faciliter l’inspection. Code de couleur de régions en rouge et jaune sont activés significativement (p-corrigé < 0,05). (B) 8 régions représentatives d’intérêt extraite de la carte d’activation IRMf. Notez la séparation axée sur l’atlas de l’activité motrice dans 3 a priori. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 7 : Capture d’écran de l’utilisateur-interface du logiciel Analyzer — suppression des artefacts de Monsieur-scanner. (A) avant correction d’artefact scanner : (a) section de données EEG avant le début de la séquence de la pulsation IRMf ; (b) section de données EEG au cours de la séquence d’impulsions IRMf-en effet, scanner artefacts sont clairement visibles ; (c) le contenu de la fréquence (FFT) de la section de données au point b ; (d) analyzer software intégré modules d’analyse pour scanner gradient-artefact correction et cardioballistic artefact. (B) après correction d’artefact scanner : (a) section de données EEG après prélèvement d’artefacts de Monsieur-scanner ; (b) le contenu de la fréquence (FFT) de la section de données à l’alinéa a. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 8 : Ensemble schématique du processus d’analyse. (A) sélection de taille de fenêtre et de traitement des données EEG. Analyse de données de l’IRMf (B) , suivie de l’extraction des régions d’intérêt à utiliser comme prieurs spatiales pour l’analyse de la source. (C) Source analyse effectuée à chaque segment de l’EEG, spécifié par chevauchement de tailles et de pour cent de fenêtre. (D) Complete reconstruit l’activité corticale au cours de l’évolution temporelle d’intérêt. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 9 : L’activité corticale reconstituée d’un sujet représentatif a subi paradigme activation visual/moteur. Source des résultats de la reconstruction du contraste des deux méthodes : spatio-temporelle IRMf contraint (en haut) et l’IRMf invariant de temps contraint imagerie source (en bas). Figure reproduite avec la permission de référence⁹. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Figure 10 : Reconstruit l’activité temporelle dans le cortex cingulaire utilisant des tailles de fenêtres différentes. (a) activité temps-cours reconstruits en utilisant de plus petites tailles de fenêtre a montré des résultats très similaires (corrélation R > 0,95). (b) à l’aide de grandes tailles de fenêtre a donné lieu à la grande disparité (R < 0,7). Figure reproduite avec la permission de référence⁹. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Discussion

Nous avons montré ici les mesures nécessaires pour utiliser la méthode d’analyse spatio-temporelle IRMf contraint source pour l’analyse d’intégration EEG/IRMf. EEG et l’IRMf ont devenu bien établis que les méthodes fondamentales d’imagerie non invasive de l’activité cérébrale, bien qu’ils éprouvent des difficulté à leurs résolutions spatiales et temporelles respectives. Tandis que les méthodes ont été développées pour capitaliser sur les propriétés de chacun, sous contrainte IRMf EEG source localization méthodes actuelles invoquent fréquemment IRMf simples contraintes, qui peuvent faire l’objet de préjugés et de la diaphonie qui limitent la précision spatiale ( par exemple, en cas de véritable activité à l’extérieur de la carte de MRI, contraintes statiques seront traduira par la véritable source étant diminuée, tandis que les fausses crêtes seront observées dans les régions actives MRI proches. De même, activité erronée ou axée sur le bruit dans une région de MRI-active sera améliorée comme si c’était vrai). L’approche spatio-temporelle IRMf contraint a cherché à améliorer cette aide des contraintes de l’IRMf variable dans un modèle bayésien hiérarchique de deux couches. L’activité actuelle de la source est estimée de données EEG d’une manière de fenêtre coulissante. La carte d’activation de l’IRMf est tout d’abord divisée en plusieurs submaps, chacun agissant comme un possible avant spatial pour les sources de la corticales. Un sous-ensemble de ces prieurs spatiales est sélectivement utilisé comme contraintes à résoudre le problème inverse de l’EEG. Ainsi, les données EEG et l’IRMf sont intégrées de façon spécifique dans le temps et l’espace. Cela remplace efficacement le plan d’activation IRMf traditionnel avec un ensemble de régions d’intérêt qui peut être appliqué de façon variable basé sur les données EEG, aboutissant à une approche axée sur les données qui limite l’erreur et.

La méthodologie présentée ici est basée sur des méthodes disponibles (Freesurfer, FSL, etc.) et génère des modèles corticaux et des processus EEG et des données IRMf. Alors que certaines des procédures mentionnées ici ne font pas usage de logiciels spécifiques, la plupart de ces programmes est disponible gratuitement sous licence GNU. L’exception à cette règle serait BrainVision Analyzer, bien que des méthodes distinctes peuvent être utilisés pour cela ainsi (spécifiquement EEGLAB²² avec le plug-in pour EEGLAB, fournie par le FMRIB^23,24FMRIB). De même, la spatio-temporelle sont limitées IRMf EEG source méthode d’imagerie utilise une structure de données relativement simple pour ses prieurs IRMf et Atlas, leur permettant d’être importées à partir d’un certain nombre de sources, y compris les autres suites d’imagerie, ou sources défini par l’utilisateur . La seule restriction à cet égard est juste la disposition souhaitée pour le modèle d’objet avec des sommets attribuées de manière appropriée.

Les paramètres de traitement général décrit ci-dessus esquisse les méthodes habituellement employées dans ces expériences. Une fois de plus, il est à noter qu’il n’y a aucune limitation technique sérieuse sur le choix de ces paramètres — méthodes de filtration et l’ajustement des données peuvent être ajoutés ou supprimés de la canalisation en fonction de toute expérience. La sélection de la taille de la fenêtre, est plus importante que cela affecte directement le calcul de la demande de preuve et qui en découle du modèle des prieurs de l’IRMf. Bien que des variations dans la taille de la fenêtre d’environ 40 – 150 ms que de légères variations dans les formes d’onde résultantes, prolongation au delà de cela pose un risque pour la stabilité et peut provoquer certaines régions à être co-actif ou masqués de façon inappropriée. Plus précisément, une plus grande taille de la fenêtre peut-être être plus utile lorsque les basses fréquences sont d’intérêt, alors qu’une plus petite taille de la fenêtre peut être préférable, lorsque nous nous concentrons sur les oscillations de fréquence plus élevées. Le chevauchement et le déplacement de la fenêtre coulissante envisager également ici, car il a un effet sur la complexité du processus et peut devenir prohibitif en raison des ressources nécessaires pour l’analyse. Quelles que soient les paramètres sélectionnés, les étapes suivantes sont considérés comme essentiels dans le processus : 1) obtenir des données d’IRM anatomique et données EEG/IRMf simultanées ; 2) génération de modèle 3D ; 3) analyse des données MRI ; 4) suppression de l’artefact-M. de données EEG ; 5) vers l’avant et inverses calculs ; 6) génération du ROI ; 7) coulissante-fenêtre Sélection des prieurs ROI et de la localisation des sources. La procédure ici présente le pipeline et la méthode que nous avons mis au point et utilisées pour obtenir les résultats escomptés de dynamiques globale. Il convient de noter que de nombreux détails — exact calcul des éléments de preuve, méthodes statistiques, méthodes de localisation, paramètres EEG et l’IRMf, etc. — peuvent être modifiés en fonction des préférences de l’utilisateur.

La méthode d’analyse spatio-temporelle IRMf contraint source est considéré comme une avancée notable dans l’intégration de l’EEG et l’IRMf, mais il est sujet à certaines limitations mineures. Alors que nous constatons une augmentation de la qualité de profond-sources reconstruits, cette méthode est toujours soumis aux limitations globales de ses modalités de fonctionnement individuelles ; Si une source est assez profonde pour être effectivement invisible à l’EEG, il ne sera pas capturé par cette méthode. Deuxièmement, analyse se concentre sur des modèles 3D de la surface de la pie-mère et reconstruira pas des régions de l’intérieur, indépendamment de toute activité hémodynamique IRMf-identifiés.

Avec EEG en combinaison avec l’IRMf divisée et appliquée sous certaines conditions a priori, nous avons généré un algorithme d’imagerie avancé, spatio-temporelle spécifique. Résultats immédiats ont montré que l’algorithme a une capacité accrue pour la reconstruction de sources profondes, et est moins sensible pour la diaphonie que son homologue, l’IRMf de temps-invariant traditionnel contraint imagerie source. En outre, la méthode est largement personnalisable et peut être adaptée pour chaque application ou utilisé comme une base pour les analyses suivantes. Ces caractéristiques en font l’IRMf spatio-temporelle contraint source méthode d’analyse potentielle comme une méthode d’analyse capable de façon autonome et une base pour de futures recherches.

Materials

Name	Company	Catalog Number	Comments
BrainAmp MR Plus	Brain Products		Amplifiers for EEG recording, MR-compatible
BrainAmp ExG MR	Brain Products		Amplifier for auxilary sensor (EMG), MR-compatible
BrainAmp Power Pack	Brain Products		Provide power to amplifiers in the MR environment
Ribbon Cables	Brain Products		Connects the Power Pack to Amplifiers
SyncBox	Brain Products		Synchronize MR scanner clock with EEG amplifier clock
BrainCap MR	Brain Products		Passive-electrode 64-channel EEG cap, MR-compatible
BrainVision Recorder	Brain Products		EEG data recording software (steps 1.2-1.4.2)
BrainVision Analyzer 2.0	Brain Products		EEG analysis software (steps 4.1-4.6)
USB 2 Adapter (also known as BUA)	Brain Products		Interface between the amplifiers and data acquisition computer
Fiber Optic Cables	Brain Products		Connects the EEG cap in the MR scanner to the Recording Computer
SyncBox Scanner Interface	Brain Products		Synchronize MR scanner clock with EEG amplifier clock
Trigger Cable	Brain Products		Used to send scanner/paradigm triggers to the recording computer
ABRALYT HiCl EEG Electrode Gel	EasyCap		Abrasive EEG gel for passive electrode in MR environment
Ingenia 3.0T MR system	Philips		3.0 T MRI system
Patriot Digitizer	Polhemus		EEG channel location digitization
MATLAB r2014a	MathWorks		Programming base for the DBTN algorithm (steps 3.3-3.4 and 5.1-5.7)
Pictures of Facial Affect	Paul Eckman Group		A series of emotionally valent faces used as stimuli
E-Prime 2.0	Psychology Software Tools, Inc		Presentation Software (step 1.4.3)
Bipolar skin EMG electrode	Brain Products		Used to detect muscle activity.
POLGUI			MATLAB software for digitization
Freesurfer			Software used in steps 2.1-2.4, and steps 3.1-3.2
MNE			Software used in step 2.5