Method Article

Kaynak konumlandırmasını iyileştirmek için sensör konumlarının yüksek hassasiyetle dijitalleştirilmesi için TMS navigasyon sistemi kullanmak

DOI:

10.3791/69508

⸱

January 23rd, 2026

 ,  ,  ,  , 
1Center for Bio- and Medical Technologies, Skolkovo Institute of Science and Technology, 2Center for Neurocognitive Research (MEG Center), Moscow State University of Psychology and Education, 3Faculty of Biology, Shenzhen MSU-BIT University, 4Faculty of Mechanics and Mathematics, Lomonosov Moscow State University, 5Sechenov Institute of Evolutionary Physiology and Biochemistry of the Russian Academy of Sciences, 6Department of Human and Animal Physiology, Faculty of Biology, Lomonosov Moscow State University

In This Article

Summary

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

Yüksek yoğunluklu elektroensefalografi (EEG) sensör konumlarının Navigasyonlu Beyin Stimülasyonu (NBS) cihazları kullanılarak dijitalleştirilmesi için tekrarlanabilir bir yöntem sunuyoruz. Bu yaklaşım ek yazılım eklentisi gerektirmez, sadece standart NBS araçları gerektirir. MNE-Python boru hatlarıyla entegre edilen bu yaklaşım, ek donanım olmadan kaynak yerelleştirme doğruluğunu artırır.

Abstract

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

Kaynak lokalizasyonu, kafa derisinden kaydedilen sinyallere dayanarak beyin aktivitesinin kaynaklarını tahmin etmek için kullanılan bir tekniktir. Doğru kaynak lokalizasyonu, sensör konumlarının hassas mekansal dijitalleştirilmesine kritik şekilde bağlıdır. Bu protokolde, Navigated Brain Stimulation (NBS) sistemi kullanılarak sensör konumlarının dijitalleştirilmesi için pratik ve güvenilir bir yöntem sunuyoruz. NBS, TMS laboratuvarlarında yaygın olarak bulunan Transkraniyal Manyetik Stimülasyon (TMS) ekipmanının bir parçasıdır, ancak elektroensefalografi (EEG) veya fonksiyonel yakın kızılötesi spektroskopi (fNIRS) sistemlerinin sensör dijitalleştirmesi için nadiren kullanılır. Bu yaklaşım, araştırmacıların mevcut altyapıyı kullanarak kaynak modellemenin mekansal doğruluğunu önemli ölçüde artırmalarına olanak tanır; özel dijitalleştirme ekipmanlarına yatırım yapmadan.

İzleyicileri tam iş akışı boyunca yönlendiriyoruz: (1) Nexstim NBS sisteminin varsayılan araçlarıyla EEG elektrot konumlarını dijitalleştirmek; (2) koordinat verilerini uyumlu formatlarda dışa aktarmak; (3) bu verilerin MNE-Python paketi kullanılarak EEG ön işleme ve kaynak yerelleştirme boru hatlarına entegre edilmesi. Protokol ayrıca dijitalleştirilmiş verileri MRI görüntüleriyle hizalamak ve ortak kayıt doğruluğunu optimize etmek için ipuçları içeriyor. Yöntemin pratik faydasını göstermek için, dokunsal bir uyarım deneyinden elde edilen verileri analiz etmek için kullanıyoruz.

Koordinat işleme ve ortak kayıt için özel Python betikleri, tekrarlanabilirlik ve benimseme kolaylığı sağlamak için sağlanır. Sonuçlar, dijitalleştirilmiş elektrot pozisyonlarının dahil edilmesinin, kortikal kaynak tahminlerinin anatomik doğruluğunu ve yorumlanabilirliğini varsayılan elektrot montajlarına kıyasla önemli ölçüde iyileştirdiğini göstermektedir.

Introduction

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

Elektroensefalografi (EEG), kafa derisindeki beynin elektriksel aktivitesini ölçür, ancak ham kayıtlar birçok beyin ve beyin dışı kaynaktan gelen sinyalleri karıştırır. Kaynak lokalizasyonu, ölçülen EEG sinyallerinin beyinde nereden kaynaklandığını hesaplamalı olarak tahmin etmeyi ifade eder; böylece saç derisi voltajlarını kortikalbölgelere 1. geri "eşlemek". Bu yöntemler, araştırmacıların EEG salınımlı aktivite veya olayla ilgili yanıtlarını belirli beyin bölgeleriyle ilişkilendirmesini sağlayarak EEG'nin yorumlanabilirliğini büyük ölçüde artırıyor. Doğru kaynak lokalizasyonunu sağlamak, kritik önemde, her elektrodun anatomiye göre tam olarak nerede olduğunu bilmeye bağlıdır. Elektrot konumlarını dijitalleştirmek ve kafadaki tam 3D konumlarını kaydetmek zorundayız. Bu koordinatlar, EEG ileri (saç derisi voltajlarını tahmin etme) ve ters (beyin kaynaklarını tahmin etme) problemlerini çözmek için deneğin MRI kaynaklı baş modeliyle birlikte kaydedilir veya hizalanır. Elektrotların hassas yerleştirilmesi şarttır: küçük dijitalleştirme hataları bile tahmini kaynağı beyinde birkaç santimetre veya daha fazla kaydırabilir.

Modern EEG kaynak görüntüleme, anatomik ve fonksiyonel bilgileri entegre eden çok aşamalı bir süreçtir. Her EEG sensörünün kesin 3D koordinatlarının saç derisine kaydedildiği elektrot dijitalleştirme ile başlar. Sonrasında, genellikle deneğin yapısal MR'ı alınarak anatomik görüntüleme yapılır; Mevcut değilse, standart bir kafa modeli kullanılabilir2. Dijitalleştirilmiş elektrot pozisyonları MRI başlığı geometrisiyle birlikte kaydedilir ve bireyin anatomisine hizalanır. Bu adımdan, elektrot konumlarını baş uzayından MRI uzayına eşleyen bir dönüşüm matrisi türetilir. Yapısal MRI daha sonra Freesurfer3 gibi bir MRI segmentasyon aracı ile dokulara (saç derisi, kafatası, beyin) ayrılarak gerçekçi bir hacim iletken modeli oluşturulur. Bu modelle, ileri model hesaplanır; elektrot konumları, baş geometrisi ve doku iletkenlikleri birleştirilir ve herhangi bir varsayımsal kortikal kaynak için saç derisi potansiyelleritahmin edilir 4. Son olarak, ters çözüm, ölçülen EEG verilerini en iyi açıklayan kortikal akım dağılımını tahmin etmek için dağıtılmış kaynak görüntüleme veya dipol uyumlama gibi yöntemlerle tahminedilir 5. Her adım kritiktir: baş modeli anatomik olarak makul iletkenlikleri sağlar, ileri çözüm kaynakları saç derisi potansiyellerine bağlar, ters çözüm ise kaydedilen sinyalleri kortekse geri eşler. Buna karşılık, elektrot dijitalleştirme, ortak kayıt veya MRI segmentasyonundaki hatalar boru hattında yayılabilir ve yanlış kaynak tahminlerine yol açabilir.

Şu anda ultrason, elektromanyetik sistem6, yapılandırılmış ışık veya kızılötesi 3D tarama7, fotogrametri8 veprob 9 ile veya olmadan hareket yakalama gibi çeşitli dijitalleştirme yöntemleri mevcuttur. Teknolojiler donanım ve prosedür açısından farklılık gösterse de, elektrotların konumlanma doğruluğu genel olarak karşılaştırılabilir. Bu yöntemleri karşılaştıran son çalışmalar, tüm yaklaşımların güvenilir kaynak tahmini için yeterli elektrot lokalizasyon hassasiyeti sağladığını göstermektedir. Örneğin, test edilen tüm yöntemler ortalama Brodmann alan tanımlama doğruluğu %80'in üzerinde tutarken, yalnızca şablon elektrot konumlarına güvenmek doğruluğu yaklaşık %50'ye düşürdü10. Bu, uygulama farklılıklarına rağmen, modern dijitalleştirme tekniklerinin benzer güvenilirlik sağladığını, genel şablonların kullanımına kıyasla kaynak yerelleştirme belirsizliğini önemli ölçüde azalttığını ve kortikal aktivitenin güvenli şekilde haritalanmasını sağladığını göstermektedir.

Transkraniyal manyetik uyarım (TMS) sistemleriyle donatılmış laboratuvarlar için cazip bir alternatif, elektrot dijitalleştirmesi için navigasyonlu beyin uyarımı (NBS)11 donanımını yeniden kullanmaktır. NBS, aynı zamanda nöronavigasyon olarak da bilinir, genellikle bir optik takip cihazı ve TMS bobinini birleştirerek deneğin kafasını MRI ile kaydeder ve belirli bir kortikal hedefi uyarır. Optik takip cihazları (örneğin, Polaris Vicra), kızılötesi takip kamerası ve baş takip cihazı, navigasyon işaretçisi ve TMS bobinine yerleştirilen kızılötesi yansıtıcı işaretleyicilerden oluşur. Dijitalleştirme için, deneyci önce katılımcının kafasına bir baş takip cihazı yerleştirir, ardından her EEG elektrotuna navigasyon işaretçisiyle dokunur ve sistem 3D konumunu kaydeder; bu konum daha sonra aktarılıp kaynak lokalizasyonu için kullanılabilir, örneğinMNE-Python 12 ile. Bu iş akışı diğer dijitalleştiricilere benzerdir ancak mevcut ekipmanlardan yararlanır: bir laboratuvar zaten navigatif bir TMS sistemine sahipse (örneğin, Nexstim eXimia NBS veya benzeri), ayrı bir dijitalleştirici satın almasına gerek yoktur.

Bu yaklaşımın avantajları arasında entegrasyon ve hassasiyet bulunur. Aynı koordinat uzayı hem TMS hedefleme hem de EEG kaynak modellemesi için kullanılabilir. Eşzamanlı veya ardışık TMS-EEG yapan laboratuvarlar için bu yöntem kurulumu kolaylaştırır: elektrot dijitalleştirme, TMS nöronavigasyon sürecinin sadece bir parçasıdır. Öncelikle EEG kaynak lokalizasyon yöntemleri kullanmayan ancak TMS nöronavigasyonuna erişimi olan laboratuvarlar için, bu yöntem kaynak tahminlerinin hassasiyetini artırmak için doğrudan bir yol sunar.

Son olarak, bu navigasyonlu dijitalleştirme kavramının diğer saç derisi sensör dizileri için de geçerli olduğunu unutmayın. Örneğin, benzer bir prosedür, takip edilen işaretleyiciyle her optodu dokunarak fNIRSoptodes 13 veya diğer sensörleri lokalize edebilir. Tüm durumlarda, fayda, saç derisi sensörleri ile deneğin MR'ı arasında birleşik bir koordinat çerçevesi oluşturmak, sonraki kaynak modellemelerinin (EEG veya fNIRS olsun) anatomik doğruluğunu artırmaktır.

Birçok yayın, elektrot dijitalleştirme için NBS sistemininkullanımını açıkça bildirmektedir 14,15,16,17,18. Buna karşılık, hem TMS (NBS) hem de EEG veya fNIRS kullanan birçok çalışma, herhangi bir dijitalleştirme prosedürünütanımlamamıştır 19,20,21,22,23. Bu eksiklik, NBS'nin elektrot veya optod dijitalleştirme için mevcut işlevselliğinin yeterince kullanılmamış olabileceğini, bu da sensör lokalizasyonunun doğruluğunu ve dolayısıyla bildirilen bulguların güvenilirliğini etkileyebilir olabileceğini göstermektedir. Birçok araştırmacının, üretici tarafından tutarlı olarak vurgulanmadığı için NBS sisteminin aynı zamanda bir ortak kayıt aracı olarak da hizmet edebileceğinden habersiz olabileceğini varsayıyoruz. Son olarak, NBS'nin başa monte edilen elektrotlar veya optodlarla ilgili herhangi bir çalışmada sensör dijitalleştirmesi için uygulanabileceğini belirtiyoruz; TMS kullanılsa da kullanılsa da olsun.

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

Protocol

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

İnsan katılımcıları içeren tüm prosedürler kurumsal yönergelere uygun olarak yürütüldü ve ilgili etik komitesi tarafından onaylandı. Katılımcılar, deney başlamadan önce bilgilendirilmiş onay sundular.

1. Katılımcı ve ekipmanın hazırlanması

NOT: Bu protokol Nexstim NBS sistemini kullanıyordu.

  1. NBS sistemini aç ve kalibre et
    1. NBS ana ünitesini ve optik takip kamerasını açın. Sistemin kendi kendine kalibrasyonu başarıyla tamamladığını doğrulayın ve yazılım herhangi bir hata belirtirse kalibrasyonu tekrarlayın.
  2. Katılımcının MR'sını NBS sistemine yükleyin.
    1. NBS yazılım arayüzünde, konu profilini seçin ve yapısal MRI dosyasını DICOM veya Nexstim uyumlu formatta yükleyin.
    2. Katılımcının MR'si kayıt sırasında mevcut değilse, NBS sistemi tarafından sağlanan ortalama baş MR'ı kullanın.
  3. EEG kapağını hazırlayın.
    1. Yüksek yoğunluklu EEG kapağının üreticinin talimatlarına uygun olarak katılımcının kafasına doğru yerleştirildiğinden emin olun. Elektrot hizasını standart anatomik işaretlerle (nasyon ve preuriküler noktalar) doğrulayın.
      NOT: Oturumlar arasında mekânsal hataları en aza indirmek için elektrot yerleşimini tutarlı tutun.
  4. Optik kafa takip cihazını katılımcının kafasına takın.
    1. Baş takipçisini elektrotları engellemeden EEG kapağına veya doğrudan katılımcının kafasına sabitleyin.
    2. Kameranın takip cihazını algıladığından ve baş hareketleri sırasında stabil bir görüntü sağladığından emin olun. İzleyiciyi alna sıkıca bağlamak için çift taraflı bant kullanın.
      NOT: Takip hatalarını önlemek için tüm dijitalleştirme süreci boyunca baş takip cihazının konumunu koruyun.

2. Katılımcının kafasının NBS'ye kaydedilmesi

  1. NBS yazılımında kayıt gerçekleştirin.
    1. Kayıt işlemini başlatın ve yazılımda MRI işaretlerini tanımlayın: nasion, sol preuriküler nokta ve sağ preauriküler nokta.
    2. Navigasyon işaretçisini kullanarak katılımcının kafasındaki bu işaretleri belirtin ve dijitalleştirin.
      NOT: NBS sistemi, kayıt tamamlanmadan dijitalleştirmeye izin vermez. Kayıt, yazılım içindeki dijitalleştirilmiş noktaların doğru görselleştirilmesini sağlar ancak kaydedilen koordinatların mutlak değerlerini değiştirmez.

3. Dijitalleştirme

  1. Güven belgelerini dijitalleştirin.
    1. Dijitalleştirmeye başlayın. Navigasyon işaretçisini kullanarak üç fiducial noktayı kaydedin: nasion, sol preuriküler nokta ve sağ preuriküler nokta. Yazılımın her noktayı doğru şekilde yakaladığından emin olun ve devam edin.
    2. Tamamlandıktan sonra, dijitalleştirmeyi durdurun ve koordinatları metin formatında dışa aktarmak için Dijitalleştirme Sınavı'na sağ tıklayın. Dosyayı {subject}_fid.nbe olarak kaydedin.
  2. Baş şekil noktalarını (HSP) dijitalleştirin.
    1. Dijitalleştirmeye başlayın. Saç derisi boyunca en az 50-100 yüzey noktasını eşit şekilde toplayın, mümkün olduğunca yoğun saçlı alanlardan kaçının. Burun köprüsü ve kaş çıkıntısındaki noktaları ek anatomik işaretler olarak ekleyin.
    2. Tüm puanları topladıktan sonra dijitalleştirmeyi durdurun ve koordinatları metin formatında dışa aktarmak için Dijitalleştirme Sınavı üzerine sağ tıklayın. Dosyayı {subject}_hsp.nbe olarak kaydet.
  3. Elektrot pozisyonlarını dijitalleştirin.
    1. Dijitalleştirmeye başlayın. Navigasyon işaretçisini her elektrodun merkezine dokunarak doğru koordinat kaydı için sabit temas sağlanır.
    2. Her oturum için tutarlı bir diziyi takip edin; elektrotları önden arkaya ve soldan sağa konturlara göre sistematik olarak dijitalleştirerek elektrotları kaçırmayın.
    3. Tüm elektrotlar dijitalleştirildikten sonra, dijitalleştirmeyi durdurun ve koordinatları metin formatında dışa aktarmak için Dijitalleştirme Sınavı'na sağ tıklayın. Dosyayı {subject}_ele.nbe olarak kaydet.

4. FreeSurfer'da MRI ön işleme

  1. Yüzey yeniden yapılandırması için recon-all çalıştırın.
    1. FreeSurfer işlem hattını çalıştırarak kortikal yüzeyler, saç derisi yüzeyleri ve beyin segmentasyonları oluşturun.
  2. Yeniden yapı kalitesini doğrulayın.
    1. Pial, beyaz madde ve şişirilmiş yüzeyleri inceleyin. Daha ileri ilerlemeden önce büyük segmentasyon hatalarını düzeltin, örneğin Blender 3D bilgisayar grafik yazılımı ile.

5. MNE-python boru hattıyla entegrasyon

  1. Dijitalleştirilmiş koordinatlarla özel bir montaj oluşturun.
    1. Dijitalleştirilmiş elektrot pozisyonlarını, fidusialları ve baş şekil noktalarını MNE-Python analiz hattına entegre etmek için önce, kaydedilen koordinatları kullanarak özel bir montaj oluşturun (Ek Dosya 1). .nbe dosyaları ve kod parçaları örnekleri GitHub deposunda (github.com/MarkaMorozova/NexstimNBS-SensorDigitization) mevcuttur.
  2. MNE'de ortak kayıt gerçekleştirin.
    1. MNE ortak kayıt GUI mne.gui.coregistration kullanarak {subject}-info.fif içinde kaydedilen dijitalleştirilmiş baş şekil noktalarını katılımcının MR'dan türetilen baş yüzeyiyle hizalayın. Uygun figürleri uyarlayın, translasyon, dönüş ve ölçeklendirme parametrelerini ayarlayın, fiducials ve baş şekil noktaları MRI modeliyle yakından eşleşene kadar.
  3. Oluşturulan özel montaj ve dönüşüm dosyasını kaydedin.
    1. Özel montajı ileride tekrar kullanmak üzere {subject}-info.fif dosyasına kaydedin. Ayrıca, öncü modelleme için gerekli olan ortak kayıt sırasında elde edilen transformasyon matrisi {subject}-trans.fif'i de kaydedin.

6. Kaynak yerelleştirmesi

  1. Daha önce oluşturulmuş bilgi ve trans dosyaları kullanılarak, EEG verilerinin kaynak lokalizasyonunu gerçekleştirin. Katılımcının önceden işlenmiş EEG'sini MNE-Python'a aktarın, {subject}-info.fif üzerinden özel montajı uygulayın ve {subject}-trans.fif adlı ortak kayıt dönüşümünü yükleyin.
  2. Katılımcının MRI yüzeyleri ve hacim iletken modelini (örneğin BEM) kullanarak ileri bir model oluşturun. Daha sonra, sLORETA, dSPM veya MNE gibi algoritmalarla ters çözümü hesaplayarak kaydedilen EEG sinyallerinin altında kortikal kaynakları tahmin edin. Kaynak tahminlerini daha fazla analiz ve görselleştirme için sakla.

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

Results

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

Doğru kaynak lokalizasyonu, doğru elektrot yerleşimi ve anatomik kafa modelleriyle güvenilir ortak kayıt ile kritik derecede bağlıdır. Ancak pratikte, EEG kapakları genellikle bireysel baş şekli değişiklikleri veya manuel yerleştirme hataları nedeniyle hassas olmayan şekilde yerleştirilir. Bu faktörlerin analiz sonuçlarını nasıl etkilediğini göstermek için, NBS cihazı kullanılarak dijitalleştirilmiş elektrot konumlarından elde edilen sonuçları standart şablon tabanlı elektrot düzenlerinden elde edilen sonuçlarla karşılaş...

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

Discussion

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

Doğru kaynak lokalizasyonu, hem hassas elektrot dijitalleştirmesi hem de anatomik kafa modelleriyle güvenilir ortak kayıt gerektirir. Sonuçlarımız (Şekil 1, Şekil 2 ve Şekil 3), elektrot konumlandırmasındaki sapmaların veya şablon tabanlı montajlara güvenmenin mekânsal hizalama ve kaynak yeniden yapılandırmasında önemli hatalara nasıl yol açabileceğini göstermektedir. Özellikle, Nexstim NBS cihazıyl...

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

Disclosures

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

Yazarların bu çalışmaya bağlı olarak rekabet eden finansal çıkarları veya başka çıkar çatışmaları bulunmamaktadır.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Navigated Brain Stimulation (NBS)  SistemNexstim https://www.nexstim.com/healthcare-professionals/nbs-systemNBS is  Transkraniyal manyetik uyarım ve nöronavigasyon sistemi birleşimi

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Michel, C. M., He, B. EEG source localization. Handb Clin Neurol. 160, 85-101 (2019).
  2. Holmes, C. J., Hoge, R., Collins, L., Woods, R., Toga, A. W., Evans, A. C. Enhancement of MR images using registration for signal averaging. J Comput Assist Tomogr. 22 (2), 324-333 (1998).
  3. Fischl, B. FreeSurfer. Neuroimage. 62 (2), 774-781 (2012).
  4. Hallez, H., et al. Review on solving the forward problem in EEG source analysis. J Neuroeng Rehabil. 4 (1), (2007).
  5. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5 (1), 25(2008).
  6. Jaiswal, A., Nenonen, J., Parkkonen, L. On electromagnetic head digitization in MEG and EEG. Sci Rep. 13 (1), 3801(2023).
  7. Taberna, G. A., Marino, M., Ganzetti, M., Mantini, D. Spatial localization of EEG electrodes using 3D scanning. J Neural Eng. 16 (2), 026020(2019).
  8. Qian, S., Sheng, Y. A single camera photogrammetry system for multi-angle fast localization of EEG electrodes. Ann Biomed Eng. 39 (11), 2844-2856 (2011).
  9. Reis, P. M. R., Lochmann, M. Using a motion capture system for spatial localization of EEG electrodes. Front Neurosci. 9, 130(2015).
  10. Shirazi, S. Y., Huang, H. J. More reliable EEG electrode digitizing methods can reduce source estimation uncertainty, but current methods already accurately identify Brodmann areas. Front Neurosci. 13, 1159(2019).
  11. Comeau, R. Neuronavigation for Transcranial Magnetic Stimulation. Transcranial Magnetic Stimulation. , Humana Press. New York, NY. (2014).
  12. Gramfort, A., et al. MEG and EEG data analysis with MNE-Python. Front Neurosci. 7, 267(2013).
  13. Tremblay, J., et al. Comparison of source localization techniques in diffuse optical tomography for fNIRS application using a realistic head model. Biomed Opt Express. 9 (7), 2994-3016 (2018).
  14. Huber, R., et al. Measures of cortical plasticity after transcranial paired associative stimulation predict changes in electroencephalogram slow-wave activity during subsequent sleep. J Neurosci. 28 (31), 7911-7918 (2008).
  15. Huber, R., Esser, S. K., Ferrarelli, F., Massimini, M., Peterson, M. J., Tononi, G. TMS-induced cortical potentiation during wakefulness locally increases slow wave activity during sleep. PLoS One. 2 (3), e276(2007).
  16. Huber, R., Felice Ghilardi, M., Massimini, M., Tononi, G. Local sleep and learning. Nature. 430 (6995), 78-81 (2004).
  17. Casali, A. G., Casarotto, S., Rosanova, M., Mariotti, M., Massimini, M. General indices to characterize the electrical response of the cerebral cortex to TMS. Neuroimage. 49 (2), 1459-1468 (2010).
  18. Salo, K. S. -T., Mutanen, T. P., Vaalto, S. M. I., Ilmoniemi, R. J. EEG artifact removal in TMS studies of cortical speech areas. Brain Topogr. 33 (1), 1-9 (2020).
  19. Amico, E., et al. Tracking dynamic interactions between structural and functional connectivity: a TMS/EEG-dMRI study. Brain Connect. 7 (2), 84-97 (2017).
  20. Cona, F., Zavaglia, M., Massimini, M., Rosanova, M., Ursino, M. A neural mass model of interconnected regions simulates rhythm propagation observed via TMS-EEG. Neuroimage. 57 (3), 1045-1058 (2011).
  21. Stamm, M., Aru, J., Bachmann, T. Right-frontal slow negative potentials evoked by occipital TMS are reduced in NREM sleep. Neurosci Lett. 493 (3), 116-121 (2011).
  22. Romero Lauro, L. J., et al. TDCS increases cortical excitability: direct evidence from TMS-EEG. Cortex. 58, 99-111 (2014).
  23. Lioumis, P., Kičić, D., Savolainen, P., Mäkelä, J. P., Kähkönen, S. Reproducibility of TMS-evoked EEG responses. Hum Brain Mapp. 30 (4), 1387-1396 (2009).
  24. Morozova, M., et al. Cortical responses to tactile imagery: a high-density EEG study of the μ-rhythm event-related desynchronization and somatosensory evoked potentials. NeuroImage. 319, 121440(2025).
  25. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24 (Suppl D), 5-12 (2002).
  26. Pfurtscheller, G., Neuper, C. Motor imagery activates primary sensorimotor area in humans. Neurosci Lett. 239 (2-3), 65-68 (1997).
  27. Inamoto, T., et al. Motor-related mu/beta rhythm in older adults: a comprehensive review. Brain Sci. 13 (5), 751(2023).

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

Source LocalizationSensor DigitizationTMS NavigationEEG Electrode LocationsNavigated Brain StimulationSpatial AccuracyCoregistration AccuracyMNE PythonMRI AlignmentCortical Source Estimates

Related Articles