Gelijktijdige EEG en functionele MRI opname en integratie analyse voor dynamische corticale activiteit Imaging
Summary
Een EEG-fMRI multimodale imaging methode, die bekend staat als de spatio fMRI-beperkt EEG bron imaging methode is hier beschreven. De onderhavige methode maakt gebruik van voorwaardelijk-actieve fMRI sub kaarten, of priors, bij EEG source localization op een wijze die verbetert de ruimtelijke specificiteit en foutieve resultaten beperkt.
Abstract
Elektro-encefalografie (EEG) en functionele magnetische resonantie imaging (fMRI) zijn twee van de fundamentele noninvasive methoden voor het identificeren van de hersenactiviteit. Multimodale methoden hebben getracht om de hoge temporele resolutie van EEG combineren met de ruimtelijke precisie van fMRI, maar de complexiteit van deze aanpak is op dit moment moet worden verbeterd. Het hier gepresenteerde protocol beschrijft de onlangs ontwikkelde Spatio fMRI-beperkt EEG bron imaging methode, die tracht te corrigeren bron vooroordelen en EEG-fMRI bron lokalisatie via de dynamische aanwerving van fMRI subregio’s te verbeteren. Het proces begint met het verzamelen van multimodale gegevens van gelijktijdige EEG en fMRI scans, de generatie 3D-corticale modellen, en onafhankelijke EEG of fMRI verwerking. De verwerkte fMRI activering kaarten worden vervolgens opgesplitst in meerdere priors, afhankelijk van hun locatie en omgeving. Deze worden genomen als priors in een twee-niveau hiërarchische Bayesian algoritme voor EEG source localization. Voor elk venster van belang (gedefinieerd door de operator), zullen specifieke segmenten van de fMRI activering kaart worden geïdentificeerd als actief voor het optimaliseren van een parameter bekend als model bewijs. Deze zal worden gebruikt als zachte beperkingen op de geïdentificeerde corticale activiteit, verhoging van de specificiteit van het multimodaal imaging methode door vermindering van de cross-talk en het vermijden van verkeerde activiteit in andere fMRI voorwaardelijk actieve regio’s. De methode genereert corticale kaarten van activiteit en tijd-cursussen, die kan worden genomen als de eindresultaten, of gebruikt als basis voor verdere analyses (analyses van correlatie, oorzakelijk verband, enz.) terwijl de methode is enigszins beperkt door haar modaliteiten (het zal niet vinden EEG-invisible bronnen), het is over het algemeen verenigbaar is met de meeste grote processing software, en is geschikt voor de meeste neuroimaging studies.
Introduction
Elektro-encefalografie (EEG) en functionele magnetische resonantie imaging (fMRI) kunnen worden gezien als neuroimaging modaliteiten met aanvullende functies. FMRI vangt hersenactiviteit met temporele grootschalige, zoals hemodynamische signalen niet indirect de onderliggende neuronale activiteit met een lagere temporele resolutie (volgorde van seconden)1,2 meten. In tegenstelling, meet EEG direct de dynamische elektrofysiologische activiteit van de hersenen met een zeer hoge temporele resolutie (milliseconde niveau), maar slechte ruimtelijke resolutie3,4. Deze eigenschappen hebben geleid tot de multimodale aanpak ontwikkeld voor het optimaliseren van de gunstige aspecten van elke afzonderlijke methode5. Gelijktijdig gebruik van EEG en fMRI voorziet de uitstekende temporele resolutie van de EEG worden gecombineerd met de hoge ruimtelijke nauwkeurigheid van fMRI te overwinnen van de beperkingen die zijn gekoppeld aan unimodale fMRI of EEG.
Methoden voor EEG en fMRI integratie beginnen met fMRI geïnformeerde EEG source localization6,7. Deze techniek maakt gebruik van ruimtelijke informatie ter verbetering van de EEG source localization fMRI-afgeleid, een nadeel is echter de potentiële ruimtelijke bias veroorzaakt door de toepassing van fMRI als een “hard-constraint” — fMRI afkomstige ruimtelijke informatie wordt beschouwd als een absolute waarheid. Dit levert twee grote kwesties die verzoend6––8 worden moeten. Ten eerste dient te worden geoordeeld dat het gebruik van een statische kaart van bloed zuurstof niveau afhankelijk (BOLD) contrasten per ongeluk elke foutieve activiteit die onder, valt terwijl de echte activiteit buiten het demping kan versterken. Ten tweede, Overspraak uit bronnen die zich voordoen buiten de vet activatie kaart kan invloed hebben op de presentatie van echte activiteit binnen de resultaten of leiden tot foutieve activiteit. Ondanks dit beperkt het gebruik van de hoge ruimtelijke resolutie van fMRI om ruimtelijke voorkennis blijft een gunstige oplossing5, zoals de modellering van de EEG inverse probleem kan zowel in de anatomische en functionele zintuigen.
In deze paper tonen we een Spatio fMRI-beperkt EEG bron imaging benadering waarin de kwestie van de temporele wanverhouding tussen de EEG en fMRI door berekening van de optimale subset van fMRI priors op basis van een hiërarchische Bayesian model9. FMRI-priors worden berekend op een wijze gegevensgestuurde van bepaalde windows van belang in de EEG-gegevens, wat leidt tot beperkingen van de tijd-variant fMRI. De voorgestelde aanpak maakt gebruik van de hoge temporele resolutie van EEG voor het berekenen van een toewijzing van de stroomdichtheid van de corticale activiteit, door de hoge ruimtelijke resolutie van fMRI op een tijd-variant, ruimtelijk selectieve wijze beelden nauwkeurig dynamische neurale geïnformeerd activiteit.
Protocol
Representative Results
Discussion
Hier hebben wij de nodige maatregelen om het gebruik van de methode van de analyse van de bron van Spatio fMRI beperkt EEG/fMRI integratie p.a. aangetoond. EEG en fMRI hebben worden goed opgezet als de fundamentele methoden voor niet-gebeurt imaging hersenactiviteit, hoewel ze de problemen in hun respectieve resoluties op het gebied van ruimtelijke en temporele. Terwijl methoden zijn ontwikkeld om te profiteren van de gunstige eigenschappen van de shares, de huidige fMRI-beperkt EEG source localization methoden eenvoudig…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dit werk werd gedeeltelijk ondersteund door de NIH DK082644 en de Universiteit van Houston.
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 |
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. , (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).
