Summary
En EEG-fMRI intermodal imaging metoden, kalles spatiotemporal fMRI begrenset EEG kilden imaging metode beskrives her. Presentert metoden bruker betinget aktive fMRI sub kart eller Priorene, å veilede EEG kilde lokalisering på en måte som forbedrer romlige spesifisitet og begrenser feilaktige resultater.
Abstract
Elektroencefalogram (EEG) og funksjonell magnetisk resonans imaging (fMRI) er to av de grunnleggende noninvasive metodene for å identifisere hjerneaktiviteten. Flere metoder har søkt å kombinere høy timelige oppløsningen på EEG med romlig presisjon av fMRI, men kompleksiteten i denne tilnærmingen er trenger forbedring. Protokollen presenteres her beskriver nylig utviklede spatiotemporal fMRI begrenset EEG kilden imaging metode, som søker å korrigere kilde skjevheter og forbedre EEG-fMRI kilde lokalisering gjennom dynamisk rekruttering av fMRI regioner. Prosessen begynner med samling av flere data fra samtidige EEG og fMRI skanninger, generering av kortikale 3D-modeller, og uavhengige EEG og fMRI behandling. Behandlet fMRI aktivisering kartene deles så inn i flere Priorene, i henhold til deres plassering og området rundt. Disse er tatt som Priorene i en to-nivå hierarkisk Bayesisk algoritme for EEG kilde lokalisering. For hvert vindu av interesse (definert av operatør), vil spesifikke segmenter av fMRI aktivisering kartet bli identifisert aktiv å optimalisere en parameter kalt modell bevis. Dette vil bli brukt som myk begrensninger på identifiserte kortikale aktiviteten, øke spesifisiteten av intermodal imaging metode ved å redusere cross-talk og unngå feilaktige aktivitet i andre betinget aktive fMRI regioner. Metoden genererer kortikale kart av aktivitet og tid-kurs, som kan være tatt som endelige resultater, eller brukes som grunnlag for videre analyser (analyser av korrelasjon, årsakssammenheng, etc.) mens metoden er noe begrenset av sin modaliteter (det ikke finner EEG-invisible kilder), det er mer kompatible med de fleste store prosessering programvare, og passer for de fleste neuroimaging studier.
Introduction
Elektroencefalogram (EEG) og funksjonell magnetisk resonans imaging (fMRI) kan vises som neuroimaging modaliteter med komplementære funksjoner. FMRI fanger hjerneaktiviteten med store verdslige skala, som hemodynamic signaler indirekte måle underliggende neuronal aktiviteten med en dårlig timelige oppløsning (på sekunder)1,2. Derimot måler EEG direkte dynamisk elektrofysiologiske aktiviteten til hjernen med en svært høy timelige oppløsning (millisekund nivå), men dårlig romlig oppløsning3,4. Disse egenskapene har ført til flere tilnærminger konstruert gunstige aspekter av hver individuelle metode5. Bruke EEG og fMRI gir utmerket timelige oppløsningen på EEG kombineres med høy romlige nøyaktigheten av fMRI å overvinne begrensningene knyttet unimodal fMRI eller EEG.
Metoder for EEG og fMRI integrering begynner med fMRI informert EEG kilde lokalisering6,7. Denne teknikken bruker fMRI-avledet romlig informasjon for å forbedre EEG kilde lokalisering, men en ulempe er potensielle romlige bias forårsaket av bruk av fMRI som en "hard-begrensning"-fMRI-avledet romlig informasjon er ansett som en absolutt sannhet. Dette utgjør to store problemer som må avstemmes6-8. Først må det vurderes at bruk av et statisk kart av blod oksygen nivå avhengige (fet) kontraster kan utilsiktet styrke feilaktige aktiviteter som faller innenfor det, mens demping sant aktivitet utenfor. Andre kan forstyrrelser fra kilder som oppstår utenfor fet aktivisering kartet påvirke presentasjon av sanne aktivitet innenfor resultater eller føre til feil aktivitet. Til tross for dette begrenset bruk av høy romlig oppløsning på fMRI å gi romlige forkunnskaper forblir en gunstig løsning5, som modellering av EEG omvendt problemet kan være i anatomiske og funksjonelle sansene.
I dette papiret viser vi en spatiotemporal fMRI begrenset EEG kilde imaging tilnærming som løser problemet for timelige misforholdet mellom EEG og fMRI ved å beregne den optimale undergruppe av fMRI Priorene basert på en hierarkisk Bayesisk modell9. FMRI-Priorene er beregnet på en data-drevet måte fra bestemte windows interesse EEG dataene, fører til tid-variant fMRI begrensninger. Den foreslåtte tilnærmingen benytter høy timelige oppløsningen på EEG å beregne nåværende tetthet tilordning av kortikale aktiviteten, informert av høy romlig oppløsning på fMRI på en gang-variant, romlig selektiv måte som nøyaktig bilder dynamisk nevrale aktivitet.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Protokollen presenteres her ble utformet og utført alle retningslinjer for etisk menneskelige forskning som ut av de respektive Institutional Review Boards av University of Houston og Houston Methodist Research Institute.
1. samtidig EEG/fMRI innspillingen
- Innhente informert samtykke fra deltakeren. Forklare til prosedyren av studien, samt viktige sikkerhetstiltak for samtidige EEG/fMRI data innspillingen forarbeide og deltaker formålet.
-
Forberede EEG hetten og sjekk impedans utenfor MRI-skanner rommet.
- Plass en passende størrelse, passive, MRI-kompatible EEG cap til emnet hode. Plasser elektrodene som 10-20 internasjonale merking system10.
- På EEG innspillingen programvare, sjekk impedans på bakken og referanse elektrodene. Gjør klikk på kategorien "impedans" og velg elektrode på programvare brukergrensesnittet (se figur 1).
Merk: Nøyaktige instruksjoner her er spesifikke for programvaren som brukes her (se Tabell for materiale), og må tilpasses andre systemer. - For hver elektrode, bruk en sprøyte for å injisere elektrolytt gel i elektroden, så bruk en bomullspinne for å spre gel for å sikre at huden elektrode kontakt.
- Impedansen synker, fortsette å overvåke verdiene ved hjelp av riktig programvare (Juster impedans skalaen etter behov, avhengig av oppsettet) å overvåke impedans nivå riktig (se figur 1). Fortsett til alle elektroder kommer impedans nivåer under 10 kΩ å sikre en høy kvalitet signal.
Merk: Per materialer oppført og utnyttet her, anses usikre å ha noen elektrode med en impedans nivå over 50 kΩ i MR-miljø11. Dette kan endres avhengig av utformingen av den valgte cap, MRI, så ta kontakt med utstyr produsenten og MRI teknologer å ivareta sikkerheten av eksperimentelle.
- Impedansen synker, fortsette å overvåke verdiene ved hjelp av riktig programvare (Juster impedans skalaen etter behov, avhengig av oppsettet) å overvåke impedans nivå riktig (se figur 1). Fortsett til alle elektroder kommer impedans nivåer under 10 kΩ å sikre en høy kvalitet signal.
-
Samtidige EEG/fMRI Maskinvareoppsett.
- Når EEG cap forberedelsene er gjort, har temaet flyttet til MR-skanneren med Maskinvareoppsett beskrevet i figur 2.
Merk: Noen detaljer om figuren kan endres, avhengig av systemet i bruk. - Sette opp displayet eksperimentelle paradigme. Bruke en skjerm i observasjon rommet, bak glasset vinduet mot fronten av MR-skanneren (se figur 2). Bruk et hode coil visning speil vil tillate fag å se skjermen uten å flytte hodet eller øynene mens du ligger nede.
- Vise et testbilde på skjermen slik at fag kan godt vise skjermen, og at paradigmet vises riktig. Gjør eventuelle justeringer maskinvare eller programvare.
- Når EEG cap forberedelsene er gjort, har temaet flyttet til MR-skanneren med Maskinvareoppsett beskrevet i figur 2.
-
Eksperimentell paradigme (se Figur 3).
- Instruere gjenstand for forblir fortsatt, og utfør en innledende T1-vektet anatomiske Mr-skanning. Hvis mulig, bruk en synsfelt som kommer fra bunnen av lillehjernen til toppen av hodet, inkludert skull og hud.
- Starte innspillingen EEG data (se Figur 4).
- Samtidig Klikk på en knapp for å starte innspillingen MRI og starte paradigmet av interesse på presentasjon programvare. Sjekk EEG data innspillingen for å sikre signalkvaliteten og eventuelt aktuelle markører registreres.
- Når du bruker oppsettet beskrevet her, først klikke "Kjør" i presentasjon programvare og angi emnet tall og prøve tall. Paradigmet vil starte ved å bekrefte disse innstillingene.
Merk: Paradigmet ansatt her besto av 10 studier der en følelsesmessig motivert motor respons var fremkalt ved hjelp av visuelle stimulans. For hver prøve, fag ble bedt om å først hvile i 50 s se en grønn skjerm, hvoretter bildet av en ubehagelig (bilder tilsvarer overraskelse, sinne eller avsky) eller ikke-ubehagelig (bilder tilsvarer lykke eller nøytralitet) møte12 ble presentert for 10 s. fem bilder fra hver kategori ble presentert i en randomisert rekkefølge, og fag ble bedt om å presse en ball på identifisere et ansikt som ubehagelig, og hold klem den forsvant. - Bruk en forløpning-tilbakekalt ekko Planar Imaging (GR-EPI) sekvens for fMRI opptak (anbefales); tilpasse etter utstyr og paradigme.
Merk: Rekkefølgen brukes her inkludert: ekko tid (TE) = 35 ms; Repetisjon tiden (TR) = 1500 ms; Skjær tykkelse = 5 mm; Snu vinkel = 90 °; Pixel avstand: 2,75 x 2,75 mm. Det kan være nødvendig å bruke en MRI sekvens som varer litt lenger enn visningen av paradigmet selv, for å sikre at hele paradigmet er registrert uten klipping.
- Når du bruker oppsettet beskrevet her, først klikke "Kjør" i presentasjon programvare og angi emnet tall og prøve tall. Paradigmet vil starte ved å bekrefte disse innstillingene.
2. strukturelle MRI dataanalyse og videresende modell generasjon
- Bruk full segmentering og gjenoppbygging av ulike overflater fra emnet T1-vektet anatomiske MRI volum bruk Freesurfer bildet analyse suite13,14.
Merk: En mappe som inneholder alle segmentering utganger vil bli generert av Freesurfer. -
Generere en fagspesifikke 3-lags grensen Element metoden (BEM) geometriske modell følgende instruksjonene (https://martinos.org/mne/dev/manual/appendix/bem_model.html)15 bruke den tilgjengelige grafisk brukergrensesnitt (GUI) å Kontroller at det finnes ingen overlapping i lag.
- Åpne programmet Freeview. Klikk "Fil" >> "Last overflaten". Naviger til mappen fag i mappen Freesurfer. Åpne mappen "BEM". Åpne mappen "Vannskille". Laste inn fire filene finnes her ('outer_skin_surface', 'outer_skull_surface', 'brain_surface' og 'inner_skull_surface').
- Flytt glidebryterne skive utvalg og se etter overlapping i gul overflaten lag. Hvis overlapping forekommer, Dobbeltsjekk MRI dataene anatomiske mangler eller feil, og bruke GUI tegning verktøy for å tydeliggjøre lagene.
- Laste MRI originaldataene i Freeview programmet ved å klikke "Fil" >> "Last volum". Naviger til mappen emnet og åpne mappen "Mr". Klikk på mappen "orig" og åpne strukturelle MRI dataene det (skal være in.mgz or.nii format). Klikk "OK".
- Vis gråskala bildet av hodet. Se på de forskjellige lag av grå og sort rundt hjernen. Kontroller at disse lagene ikke har alle mellomrom eller uregelmessigheter. Bruk verktøyet "Fargevelger" og velg en voxel laget korrigeres.
- Bytte til den "Frihånd Voxel Edit", og klikk for å tegne på bildet. Bruk denne til å fylle ut feil i Mr bildet. Utføre korreksjon for alle lag og Mr skiver, hvor feil oppstår.
Merk: den "Polywire" og "Livewire" voxel redigeringsverktøy kan også bli brukt i stedet for "Frihånd".
- Generere kildeområde basert på geometrien i pial overflaten.
-
Utføre fagspesifikke EEG sensoren justering (f.eks, oversettelse og rotasjon) til Mr plass med Freesurfer hodet modell overlegget (figur 5). Lagre transformasjonen.
- Åpne programmet MNE_analyze. Klikk på "File" >> "Load overflaten". Naviger til mappen som inneholder emnet dataene og laste pial overflaten.
- Klikk "Fil" >> "laster digitaliseringsenhet Data og velg filen EEG av interesse (skal inneholde digitaliseringsenhet data). Klikk på "Vis" >> "Vis Viewer". Når betrakteren GUI vises, klikker du "Alternativer" og at "Hodebunnen" og "Digitaliseringsenhet data" alternativer er valgt. Elektroder her vises i rødt, med fiducial poeng i gult.
- Hovedvinduet (ikke betrakteren), velg "Juster" >> "Koordinere justering". Bruker 'Koordinere justering GUI', bruk pilen og L/R knapper å skifte og rotere EEG elektrodene i visningen. Justere så mye som nødvendig. Når justeringen er ferdig, klikker du "Lagre..." på bunnen av "Koordinere justering GUI" lagre justeringen.
Merk: Vanligvis en jevn distribusjon av elektroder i hodebunnen med god fiducial justering er nødvendig.
- Generere frem modellen ved å gi fagspesifikke BEM modellen, i kildeområde og EEG sensoren transformasjon bruker MNE programvare15.
3. funksjonell MRI dataanalyse
- Utføre første nivå (individuelle emne) fMRI statistisk analyse med metoden generell lineær modell (GLM) for å erverve fet aktivisering kart for aktiviteter av interesse. Korrigere for flere sammenligninger nødvendig16, ved hjelp av cluster-basert tilnærming som er innebygd i rørledningen Freesurfer-analyse.
- Utføre gruppenivå analyse på alle fag, hvis ønskelig, å skaffe fet aktivisering kart for alle fag i standard rom (MNI eller Talairach).
Merk: Universitetet i Oxford sentrum for funksjonell MRI hjernen (FMRIB) programvare bibliotek (FSL)17 og analyse av funksjonelle Neuroimages (AFNI)18 pakkene begge tillater for analyse av fMRI data på samme overflater generert av Freesurfer, noe som gjør dem praktisk for påfølgende analyse. -
Bruk verktøyet tksurfer visualisering utføre regionen steder (ROI) identifikasjon ved lasting av fMRI aktivisering kart (både individ- og gruppenivå) og angi ønsket FDR-korrigert terskel19 (p < 0,05 brukes her ).
Merk: ROIs identifisert enkelte nivå aktivisering kart vil tjene som de fagspesifikke fMRI-avledet romlige Priorene for påfølgende kilde lokalisering.- Ved hjelp av fMRI aktivisering kartet på grå materie laget, ekstra overflaten patcher benytter en koblet-merking algoritmen.
Merk: Dulmage-Mendelsohn nedbryting ble brukt i dette eksemplet. - Videre sub-dividere patcher basert på merkingen av en forhåndsdefinert hjernen atlas, slik at noen patch aktivitet som dekker mer enn én region er delt.
Merk: Atlas her var DKT40 atlas20 (tilgjengelig fra Freesurfer)21. Atlas kan være spesialiserte eller valgt, basert på eksperimentell preferanser.
- Ved hjelp av fMRI aktivisering kartet på grå materie laget, ekstra overflaten patcher benytter en koblet-merking algoritmen.
- Prosjektet de ervervet gruppenivå-ROIs (som finnes i standard plass) tilbake til enkeltstående plassene i hvert emne. Etter utfører enkelte emnet strukturelle MRI segmentering (trinn 2.1), koordinere transformasjonene mellom emnet og standard rom tilbys i lh.sphere.reg og rh.sphere.reg, finnes i mappen "surf" i emnet Freesurfer output-mappen.
Merk: Alle fag deler dermed det likt sette av ROIs, men i sine egne spesifikke modellen. Se figur 6 eksempler på fMRI resultatene og resulterende ROIs.
4. EEG dataanalyse
Merk: Detaljene i denne delen kan være spesifikke for programvaren som brukes (se Tabell for materiale for mer informasjon). Se aktuelle dokumentasjonen hvis bruker forskjellige programvarepakker.
- Utføre skanner gradient gjenstander korreksjon gjennom mal subtraksjon. For dette, klikk på knappen "MR korrigering" i "Spesielle Signal Processing"-menyen, og velg riktige parameterne i EEG analyseprogramvare GUI (se figur 7). Angi de riktige parameterne til valgte skanner sekvens og eksperimentell design.
Merk: Primære parametere inkluderer: repetisjon tiden (TR) for Mr skanning, avsøke type (sammenflettet eller kontinuerlig), MRI volumet indikatorer (eller gradient oppdagelsen metoden og gradient utløse), kanaler for korreksjon og gjenstand mal. - Fjern cardioballistic gjenstander gjennom mal subtraksjon. For dette, klikk på knappen "CB korrigering" i "Spesielle Signal Processing"-menyen, og velg riktige parameterne i analyseprogramvare GUI.
Merk: Parametrene nødvendig her inkluderer minimum og maksimal hjertefrekvens, gjenstand mal, ECG kanal, mal korrelasjon og kanaler for korreksjon. - Bruke filtrering. Velg knappen for IIR filtrering på toppen av analysen GUI, under "Data filtrering". For eksempel bruke høypass-på 0,05 Hz, lavpass-40 Hz og støyfilter på strøm-linje frekvens (60 Hz), med en roll-off av 48 dB/Hz.
Merk: Etter en low pass-filteret på en cutoff frekvens på 40 Hz, 60 Hz-støyfilter er ikke strengt nødvendig, men er ansatt som en ekstra sikkerhet mot eventuelle gjenværende strøm-linje frekvenser som har overlevd på grunn av roll-off på filteret kanter. - Utføre okulær gjenstand korreksjon, på analysen GUI: Velg "Transformasjon" >> "gjenstand avvisning/reduksjon" >> "Okulær korreksjon ICA".
- Segmentere EEG dataene i epoker basert på den angitte tiden for pre- og etter stimulans, med hensyn til hendelse timing markører. Dette velger, "Transformasjon" >> "Segmentet analyse funksjoner" >> "Segmentering", Velg markøren rundt og tid segmentet av interesse.
Merk: Segmentering lengder bør velges som passer paradigmet og forventet hjerneaktiviteten rundt. -
Utføre manuell eller semi-automatisk gjenstand avvisning: Velg "Transformasjon" >> "gjenstand avvisning/reduksjon" >> "Gjenstand avvisning". Når du blir spurt, definere kriterier for gjenstander i tre kategoriene på GUI og fortsett som beskrevet på GUI.
- I kategorien 'Inspeksjon metoden' Velg velge "automatisk", "semi automatisk" eller "manuelt velge gjenstander" (semi-automatisk modus anbefales). Deretter velger "merke" eller "fjerne gjenstander", og angi om rettelser for én kanal.
- Velg kanalene som korrigeres for gjenstander i kategorien 'Valg'.
- Velg grunnlaget som gjenstander vil bli identifisert i kategorien "Vilkår". Gjør valgene her eksperimentelle behov. Klikk "OK" når du har valgt kriterier, og gjenstander vil bli identifisert eller avvist i henhold til valgene.
-
Utføre planlagt korreksjon og prøve gjennomsnitt (hvis aktuelt).
- Utføre planlagt korrigering: Velg "Transformasjon" >> "Segmentet analyse funksjoner" >> "Baseline korrigering". Gjennomsnittet segmenterte dataene: Velg "Transformasjon" >> "Segmentet analyse funksjoner" >> "Gjennomsnittlig".
5. spatiotemporal fMRI begrensninger-EG kilde Imaging
- Definere vindusstørrelse og vinduet overlappende størrelse (standard innstilling Etterlyser en 40 ms vindusstørrelse med 50% (20 ms) overlapper).
- Velg fagspesifikke ROIs settet (fikk i trinn 3) som den romlige tidligere. For hvert EEG segment anslår deretter algoritmen et sett av vekter for delsett av romlige Priorene som maksimerer modell bevis, og beregner kilde covariance matrise tilsvarende.
- Bruker den resulterende kilde covariance matrisen, utføre kilde lokalisering for EEG segmentet analysert, gir kilden nåværende tetthet resultater.
- Utføre trinn 5.2 og 5.3 for alle EEG segmenter, og eventuelt oppsummere nåværende tetthet resultatene for alle gang avsnitt i en komplett nåværende tetthet tid-kurs ved å beregne delen.
Merk: Dette trinnet vil føre en nåværende tetthet tid-kurs kortikale aktivitet på hver kilde punktet som er definert i trinn 2.3 (dette nummeret er vanligvis på flere tusen) (Figur 8). -
Ekstra representant nåværende tetthet tid-kurset på hver av ROIs.
- Velg den foretrukne metoden for å summere tiden-kurs fra flere kilde punktene i en avkastning i et enkelt signal tid-kurs: gjennomsnitt, første eigenvariate, osv.
- Gjenta trinn 5.1 til 5,5 for alle fag.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
EEG kilde lokalisering på grunnivå innebærer løse fremoverrettede og omvendte problemet. Komponentene som kreves for å bygge og løse frem problemet er vist i figur 5C. Bruke en fagspesifikke T1 bilde, tre lag, hjernen, skallen og hud-segmentert og meshed. Disse lagene var innganger til generere BEM modellen. Tilsvarende var emnet grå-saken laget segmentert fra strukturelle Mr og brukes til å konstruere kildeområde. EEG sensoren steder var co registrert på hodet modellen med en rekke stive geometriske transformasjoner. Når bygget, frem modellen representerer hvordan elektrisk aktivitet som stammer fra hvor som helst på kilde plass gir opphav til de potensielle mål hver EEG sensoren plassering på hodebunnen.
fMRI tilbyr 3D-bilder av funksjonelle hjerneaktiviteten med utmerket romlig oppløsning og nøyaktighet. Konvensjonelle fMRI analyse følger GLM metodene for å identifisere hjernen voxels betydelig aktivert av en bestemt oppgave. Et vanlig resultat av denne analysen er en fMRI aktivisering kart: enkelt hjernen kart aktiv voxels, som kan bli projisert på grå materie overflaten, som vist i figur 6en. Ytterligere deler vi innhentet aktivisering kartene i sub kart, hver fungerer som en potensiell romlige før for å lokalisere hodebunnen potensialene målt ved EEG i noen bestemt tidspunkt-vinduet (figur 6B). Figur 8 representerer den fokuserte skjematisk av spatiotemporal fMRI begrenset kilde analyse beskrevet ovenfor. Bare de aktuelle delvis settet fMRI aktivisering kartet brukes til å generere EEG kilde gjenoppbygging til den tilsvarende EEG datasegment på den angitte størrelsen. Som alle EEG tidsvinduer blir analysert, oppnås en fullstendig gjenoppbygging av kortikale aktivitet på en spatiotemporally spesielle mote som lindrer romlige bias for å bruke de samme fMRI Priorene på alle EEG tidspunkt.
Vi ytterligere demonstrert en vellykket program spatiotemporal fMRI begrenset kilde analyse metoden når en visual/motor aktivisering oppgave studie9, der rekkefølgen på hjerneaktivitet fra visuell inngang til motoren var gjenopprettet med høy spatiotemporal nøyaktighet (figur 9). Mens det er noen avhengighet av brukerens valg av vindusstørrelsen, var rekonstruert kilde tenkelig resultatene generelt robust til moderate endringer, som vist i Figur 10. Dette bør vindusstørrelsen velges av eksperimentator slik at den passer deres studien (dvs. en vindusstørrelse for stor kan vise seg for å være feil for rask aktivitet eller svingninger, mens størrelsen for kort overser lavere frekvens signaler ) (Figur 10).
Figur 1 : Hodebunnen EEG impedans kontroll. Skjermbilde av opptaker programvare-grensesnittet, med piler som peker til ikoner i protokollen trinn 1.2. Klikk her for å se en større versjon av dette tallet.
Figur 2 : Skjematisk av samtidige EEG/fMRI opptak Maskinvareoppsett-ikke tiltrukket skala. (1) skanner; (2) deltaker iført gelled EEG passiv cap; (3) EEG forsterkere og Power Pack koblet til EEG hetten; (4) fiberoptiske kabler forbinder forsterkerne til USB 2 kortet (også kjent som en BUA); (5) BUA, et grensesnitt mellom forsterkere og opptak datamaskinen; (6) data oppkjøpet datamaskin. (7) paradigme presentasjon datamaskin utstyrt med en express card å utdata hendelse timing markører; (8) transistor-transistor logikk (TTL) utløse kabel, levere hendelse timing markører fra datamaskinen som kjører presentasjonen og MR-skanner maskinvaren til BUA; (9) MR skannerens maskinvare å oppgi tidspunktet markører i starten av (10) ny fMRI skive/volum anskaffelse og (11) Klokkesynkronisering signalet; (12) klokke synkronisering enheten, som gir synkronisering mellom klokken av EEG forsterkere og MR-skanner klokken; (13) grensesnitt-modulen grensesnitt mellom MR-skanner og klokke synkronisering enheten. (14) skjerm for visuell visning av eksperimentelle paradigmet; (15) Glass vindu for visning av skanner rommet fra kontrollrommet. Klikk her for å se en større versjon av dette tallet.
Figur 3 : Eksperimentell paradigme. Emnet ble vist en rekke visuelle stimuli, tilhører én av to kategorier: hyggelig ansikt og ubehagelig ansikt12. Hver prøveversjon, ble en 50 s grønne skjermen baseline først vist, etterfulgt av en tilfeldig valgt 10 s visuelle stimulans. Faget var å presse en gummi ball med sin høyre hånd for hele varigheten av stimulus vises, hvis bildet ble oppfattet som en ubehagelig ansikt. Klikk her for å se en større versjon av dette tallet.
Figur 4 : Skjermbilde av EEG data innspillingen. En representant del EEG data under innspillingsprosessen. (A) periode av EEG data med fMRI puls-sekvens, MR-skanner gjenstander er uttalt. (B) periode av EEG data uten fMRI puls-sekvens, ingen åpenbare MR-skanner gjenstander er synlige. Klikk her for å se en større versjon av dette tallet.
Figur 5 : Fremover modell generasjon. (A) justering av EEG elektrodene på hodet modellrom. Rød og blå sirkler representerer digitalisert EEG sensoren steder, gule sirkler representerer digitalisert EEG fiducial poeng: nasion, venstre preauricular og høyre preauricular. (B) alternativer for sensoren justering prosessen, inkludert håndbok omdanningen, oversettelse, rotasjon av EEG sensoren plass (protokollen trinn 2.4). (C) emne bestemt BEM modell generert, inkludert 3 rom: (3) hjernen, (4) skallen og (5) hud. Distribuert kilde plassen på overflaten av (1) grå materie laget. (2) EEG sensoren steder er justert på modellen. Klikk her for å se en større versjon av dette tallet.
Figur 6 : fMRI aktivisering kart og utvinning av regioner av interesse. (A) fMRI aktivisering kartutsnittet på oppblåste overflate for enkel inspeksjon. Regioner fargekodet i rødt og gult aktiveres signifikant (p-korrigert < 0,05). (B) 8 regioner representant rundt utvunnet fra fMRI aktivisering kartet. Merk atlas-baserte separasjon av motor aktivitet i 3 Priorene. Klikk her for å se en større versjon av dette tallet.
Figur 7 : Skjermbilde av programvare Analyzer-grensesnittet-fjerning av MR-skanner gjenstander. (A) før skanner gjenstand korrigering: (a) EEG datadelen før starten av fMRI puls-sekvens; (b) EEG datadelen under fMRI puls-sekvensen, skanner gjenstander er klart synlig. (c) frekvensen innholdet (FFT) i data-avsnittet i (b); (d) analyserer programvaren innebygd analyse moduler for skanner forløpning-gjenstand korrigering og cardioballistic gjenstand korreksjon. (B) etter skanner gjenstand korrigering: (a) EEG datadelen etter fjerning av MR-skanner bruksgjenstander. (b) frekvensen innholdet (FFT) i data-avsnittet i (a). Klikk her for å se en større versjon av dette tallet.
Figur 8 : Samlet skjematisk av analyse. (A) EEG databehandling og vindu størrelse utvalg. (B) fMRI dataanalyse, etterfulgt av utvinning av regioner av interesse som skal brukes som romlig Priorene for kilde analyse. (C) kilde analyse utført på hvert EEG segment, angitt av vinduet størrelser og prosent overlapping. (D) fullstendig rekonstruert kortikale aktivitet i tid-løpet av interesse. Klikk her for å se en større versjon av dette tallet.
Figur 9 : Rekonstruert kortikale aktivitet av en representant gjennomgikk visual/motor aktivisering paradigme. Kilde rekonstruksjon resultater fra kontrasterende to metoder: spatiotemporal fMRI begrenset (øverst) og time-invariant fMRI begrenset kildekode imaging (nederst). Figur gjengitt med tillatelse fra referanse9. Klikk her for å se en større versjon av dette tallet.
Figur 10 : Rekonstruert aktivitet tid-kurs på cingulate cortex med ulike vindusstørrelser. (a) aktivitet tid-kurs rekonstruert med mindre vindusstørrelser viste svært like resultater (korrelasjon R > 0,95). (b) bruke større vindusstørrelser resulterte i høye misforhold (R < 0,7). Figur gjengitt med tillatelse fra referanse9. Klikk her for å se en større versjon av dette tallet.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vi har vist her de nødvendige trinnene for å bruke metoden spatiotemporal fMRI begrenset kilde analyse for EEG/fMRI integrering analyse. EEG og fMRI har blitt godt etablert som de grunnleggende metodene for ikke-invasively imaging hjerneaktivitet, selv om de har problemer i sine respektive romlige og tidsmessige oppløsninger. Mens metoder har blitt utviklet for å utnytte gunstige egenskapene for hver, stole gjeldende fMRI begrenset EEG kilde lokalisering metoder ofte på enkel fMRI begrensninger, som kan være underlagt skjevheter og crosstalk som begrenser romlige nøyaktigheten ( f.eksHvis sann aktivitet oppstår utenfor MRI kartet, statisk begrensninger vil resultere i den sanne kilden blir redusert, mens falske topper vil bli observert i nærheten MRI-aktiv regioner. Tilsvarende vil feilaktige eller støy-baserte aktivitet i en MRI-aktiv region bli forbedret som om det var sant). Spatiotemporal fMRI begrenset tilnærming har søkt å forbedre dette med variabel fMRI begrensninger i en to-lags hierarkisk Bayesisk modell. Kilde aktiviteten er beregnet fra EEG data på en skyve vinduet måte. FMRI aktivisering kartet er først delt i flere submaps, hvert som en mulig romlige før for kortikale kildene. Et delsett av disse romlige Priorene brukes selektivt som begrensninger for å løse EEG omvendt problemet. Dermed er EEG og fMRI data integrert i en romlig og timelig spesielle mote. Dette erstatter effektivt tradisjonelle fMRI aktivisering kartet med en rekke områder av interesse som kan brukes ulik basert på bevis fra EEG data, noe som resulterer i en data-drevet tilnærming som begrenser partiskhet og feil.
Metodene som presenteres her er basert på tilgjengelige metodene (Freesurfer, FSL, etc.) og genererer kortikale modeller og prosesser EEG og fMRI data. Mens noen av prosedyrene nevnt her gjør bruk av bestemte programmer, de fleste av disse programmene er fritt tilgjengelig under GNU lisensiering. Unntaket vil være BrainVision analysator, skjønt egne metoder kan brukes for dette også (spesielt EEGLAB22 med FMRIB plug-in for EEGLAB, levert av FMRIB23,24). Tilsvarende spatiotemporal fMRI begrenset EEG kilden imaging metoden gjør bruk av en relativt enkel datastruktur fMRI Priorene og Atlas, slik at de kan importeres fra en rekke kilder, inkludert andre tenkelig suiter, eller brukerdefinert kilder . Den eneste begrensningen er i denne forbindelse passende utformingen til emnet modellen med riktig tilordnet hjørner.
Parameterne generelle behandling beskrevet ovenfor disposisjon metoder vanligvis brukt i disse eksperimentene. Igjen, det er kjent at det er ingen alvorlige tekniske begrensninger på valg av disse parameterne-data filtrering og justering metoder kan legges til eller fjernes fra pipeline etter noen forsøk. Mer viktig er valg av vindusstørrelsen, som dette direkte påvirker beregningen av modellen bevis og påfølgende fMRI Priorene. Mens variasjoner i størrelse fra ca 40-150 ms føre kun små endringer i de resulterende bølgeformene, utvidelse utover dette utgjør en risiko for stabilitet og kan forårsake visse regioner være co-aktiv eller Maskerte feilaktig. Mer spesifikt, kan en større vindusstørrelse være mer nyttig når lave frekvenser er av interesse, mens en mindre vindusstørrelse målbudsjett når fokuserer på høyere frekvens svingninger. Den overlapper og skifte av skyvevinduet bør også vurderes her, som det har en effekt på beregningsorientert kompleksiteten i prosessen og kan bli uoverkommelige på grunn av ressursene som trengs for analyse. Uansett nøyaktig parameterne valgt, har følgende anses avgjørende i prosessen: 1) å skaffe anatomiske MRI og samtidige EEG/fMRI data; 2) 3D modell generasjon; 3) MRI dataanalyse; 4) fjerning av MR-gjenstand fra EEG data. 5) fremoverrettede og omvendte beregninger; 6) ROI generasjon; 7) skyve-vinduet utvalg av avkastning Priorene og kilde lokalisering. Fremgangsmåten Her presenterer den generelle rørledning og metode som vi har utviklet og benyttet for å oppnå gode dynamiske resultater. Det bør bemerkes at mange av detaljene-eksakt lokalisering metoder, bevis beregning, statistiske metoder, EEG og fMRI parametere, etc.- kan endres etter brukerens preferanser.
Metoden spatiotemporal fMRI begrenset kilde analyse anses bemerkelsesverdige fremskritt i integrering av EEG og fMRI, men det er visse mindre begrensninger. Mens vi ser en økning i livskvalitet rekonstruert dyp-kilder, er denne metoden fortsatt underlagt de generelle begrensningene fra sin personlige modaliteter; Hvis en kilde er dype nok til å være effektivt usynlig for EEG, vil det ikke bli fanget av denne metoden. Andre analyse fokuserer på 3D-modeller av pial overflaten, og vil ikke rekonstruert noen indre områder, uansett fMRI-identifisert hemodynamic aktivitet.
Bruker EEG i kombinasjon med delt og betinget anvendt fMRI Priorene, har vi generert en avansert, spatiotemporally bestemt tenkelig algoritme. Umiddelbare resultater har vist at algoritmen har en økt mulighet for rekonstruere dyp kilder, og er mindre utsatt for å kryss-snakk enn sitt motstykke, den tradisjonelle hensyn til tid fMRI begrenset kildekode imaging. Videre metoden er i stor grad tilpasses og kan være egnet for hvert program, eller brukes som grunnlag for senere analyser. Disse egenskapene gir spatiotemporal fMRI begrenset kilde analyse metoden potensielle både en uavhengig dugelig analysemetode, og grunnlaget for fremtidig forskning.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne ikke avsløre.
Acknowledgments
Dette arbeidet var støttes delvis av NIH DK082644 og University of Houston.
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 |
References
- Belanger, M., Allaman, I., Magistretti, P. J. Brain energy metabolism: focus on astrocyte-neuron metabolic cooperation. Cell Metab. 14 (6), 724-738 (2011).
- Logothetis, N. K. The underpinnings of the BOLD functional magnetic resonance imaging signal. J Neurosci. 23 (10), 3963-3971 (2003).
- Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
- Ramon, C., Schimpf, P. H., Haueisen, J. Influence of head models on EEG simulations and inverse source localizations. Biomed Eng Online. 5, 10 (2006).
- 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).
- Hamalainen, M. S., Ilmoniemi, R. J. Interpreting magnetic fields of the brain: minimum norm estimates. Med Biol Eng Comput. 32 (1), 35-42 (1994).
- Pascual-Marqui, R. D. Review of methods for solving the EEG inverse problem. International journal of bioelectromagnetism. 1 (1), 75-86 (1999).
- 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).
- Nguyen, T., et al. EEG Source Imaging Guided by Spatiotemporal Specific fMRI: Toward an Understanding of Dynamic Cognitive Processes. Neural Plast. 2016, 10 (2016).
- 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).
- Mullinger, K. J., Castellone, P., Bowtell, R. Best current practice for obtaining high quality EEG data during simultaneous FMRI. J Vis Exp. (76), (2013).
- Ekman, P., Friesen, W. V. Pictures of Facial Affect. , Consulting psychologists Press. (1976).
- Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. Neuroimage. 9 (2), 179-194 (1999).
- 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).
- Gramfort, A., et al. MNE software for processing MEG and EEG data. Neuroimage. 86, 446-460 (2014).
- 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).
- Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., Smith, S. M. Fsl. Neuroimage. 62 (2), 782-790 (2012).
- Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Comput Biomed Res. 29 (3), 162-173 (1996).
- 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).
- Klein, A., Tourville, J. 101 labeled brain images and a consistent human cortical labeling protocol. Front Neurosci. 6, 171 (2012).
- Fischl, B., et al. Automatically parcellating the human cerebral cortex. Cereb Cortex. 14 (1), 11-22 (2004).
- 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).
- 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).
- 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).
