Gleichzeitige EEG und funktionelle MRT-Aufnahme und Integration Analyse für dynamische kortikale Aktivität Imaging
Summary
Eine EEG-fMRT multimodale bildgebende Methode, bekannt als die raumzeitlichen fMRI eingeschränkt EEG Quelle bildgebendes Verfahren, wird hier beschrieben. Die vorgestellte Methode beschäftigt bedingt aktiv fMRI Sub-Maps oder Prioren, EEG Quelle Lokalisierung in einer Art und Weise zu führen, das verbessert die räumliche Spezifität und fehlerhafte Ergebnisse begrenzt.
Abstract
Elektroenzephalographie (EEG) und funktionelle Kernspintomographie (fMRI) sind zwei der grundlegenden nicht-invasive Methoden zur Identifizierung von Hirnaktivität. Multimodale Methoden haben sich bemüht, die hohe zeitliche Auflösung des EEG mit der räumlichen Präzision der fMRT kombinieren, aber die Komplexität dieses Ansatzes ist derzeit verbesserungsbedürftig. Die hier vorgestellten Protokoll beschreibt die neu entwickelte raumzeitliche fMRI eingeschränkt EEG Quelle bildgebendes Verfahren, die soll Quelle Verzerrungen zu korrigieren und verbessern von EEG-fMRT Quelle Lokalisierung durch die dynamische Einstellung von fMRI Unterregionen. Der Prozess beginnt mit der Sammlung von multimodalen Daten aus gleichzeitiger EEG und fMRI Scans, die Generation der kortikalen 3D-Modelle und unabhängige EEG und fMRI-Verarbeitung. Die verarbeiteten fMRT-Aktivierung-Karten werden dann in mehrere Prioren, je nach ihrer Lage und Umgebung aufgeteilt. Diese werden als Prioren in einem zweistufigen hierarchische Bayes Algorithmus für EEG Quelle Lokalisierung genommen. Für jedes Fenster von Interesse (definiert durch den Betreiber) werden bestimmte Segmente der fMRT-Aktivierung-Karte als aktiv bekannt als Modell Beweis Parameter optimieren identifiziert werden. Diese werden als weiche Einschränkungen auf die identifizierten kortikale Aktivität, erhöhen die Spezifität der multimodalen bildgebendes Verfahren durch Übersprechen zu verringern und die Vermeidung von fehlerhaften Tätigkeit in anderen Regionen bedingt aktive fMRI verwendet werden. Die Methode generiert kortikale Karten von Aktivität und mal-Kurse, die als Endergebnisse oder als Grundlage für weitere Analysen (Analyse der Korrelation, Kausalität, etc.) während der Methode verwendet ist etwas begrenzt durch seine Modalitäten (es wird nicht zu finden EEG-invisible Quellen), es ist weitgehend kompatibel mit den meisten großen Processing-Software, und eignet sich für die meisten Neuroimaging-Studien.
Introduction
Elektroenzephalographie (EEG) und funktionelle Kernspintomographie (fMRI) können als Neuroimaging Modalitäten mit ergänzenden Funktionen betrachtet werden. FMRI fängt Hirnaktivität mit großem zeitlichen Umfang, wie hämodynamische Signale indirekt die zugrunde liegenden neuronale Aktivität mit einem schlechten Zeitauflösung (in der Größenordnung von Sekunden)1,2 Messen. Im Gegensatz dazu misst EEG direkt die dynamische elektrophysiologische Aktivität des Gehirns mit sehr hoher zeitlicher Auflösung (Millisekunde Ebene), aber schlechte räumliche Auflösung3,4. Diese Eigenschaften führten zu multimodale Ansätze entwickelt, um die günstigen Aspekte von jeder einzelnen Methode5optimieren. Gleichzeitige Verwendung von EEG und fMRI ermöglicht hervorragende Zeitauflösung von EEG kombinierbar mit die hohe räumliche Genauigkeit der fMRT zur Überwindung der Grenzen unimodalen fMRI oder EEG zugeordnet.
Methoden für EEG und fMRI Integration beginnen mit fMRI informiert EEG Quelle Lokalisierung6,7. Diese Technik nutzt fMRI abgeleitet räumliche Informationen zur Verbesserung der EEG Quelle Lokalisierung, ein Nachteil ist jedoch die potenzielle räumliche Verzerrung verursacht durch die Anwendung von fMRT als “harte Einschränkung” — fMRI abgeleitet räumlicher Informationen gilt eine absolute Wahrheit. Dies stellt zwei große Probleme, die versöhnt6–8sein müssen. Zunächst ist davon auszugehen, dass die Verwendung einer statischen Karte Blut Sauerstoff Ebene abhängige (BOLD) Kontraste versehentlich eine fehlerhafte Tätigkeit, die in es, fällt verstärken kann bei der Dämpfung wahre Tätigkeit außerhalb. Zweitens kann Übersprechen aus Quellen außerhalb der KÜHNEN Aktivierung Karte beeinflussen die Darstellung der wahre Tätigkeit innerhalb der Ergebnisse oder fehlerhafte Aktivität verursachen. Trotz dieser beschränkt die Nutzung der hohen räumlichen Auflösung von fMRT bieten räumliche Vorkenntnisse eine günstige Lösung5, bleibt wie die Modellierung des EEG inverse Problems sein kann sowohl in der anatomischen und funktionellen Sinne.
In diesem Beitrag zeigen wir eine räumlich-zeitliche fMRI eingeschränkt EEG Quelle imaging-Ansatz, der die Frage der zeitlichen Diskrepanz zwischen EEG und fMRI befasst sich mit der Berechnung der optimalen Teilmenge der fMRT Prioren basierend auf einem hierarchischen Bayes Modell9. FMRT-Prioren werden in einer datengesteuerten Weise aus bestimmten Windows von Interesse in den EEG-Daten berechnet Zeitvariant fMRI Zwängen führen. Der vorgeschlagene Ansatz nutzt die hohe Zeitauflösung des EEG, eine Stromdichte Zuordnung der kortikalen Aktivität, durch die hohe räumliche Auflösung der fMRT in einer zeitlich und räumlich selektive Weise, die präzise Dynamik neuronaler Bilder informiert zu berechnen Aktivität.
Protocol
Representative Results
Discussion
Wir haben hier gezeigt, die notwendigen Schritte, die räumlich-zeitliche fMRI eingeschränkt Quelle Analysemethode für EEG/fMRT Integration Analyse zu verwenden. EEG und fMRI haben gut als die grundlegenden Methoden für nicht-invasiv imaging Hirnaktivität, etabliert obwohl sie Schwierigkeiten in ihrem jeweiligen räumlichen und zeitlichen Auflösungen konfrontiert. Während Methoden entwickelt wurden, um die günstigen Eigenschaften der einzelnen kapitalisieren, berufen aktuelle fMRI eingeschränkt EEG Quelle Lokalis…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Diese Arbeit wurde teilweise von NIH DK082644 und der University of Houston unterstützt.
Materials
| 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 |
Riferimenti
- 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. , (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).
