Samtidiga EEG och funktionell MRI inspelning och Integration analys för dynamisk kortikal aktivitet Imaging
Summary
En EEG-fMRI multimodal imaging metod, som kallas spatiotemporal fMRI-constrained EEG källan imaging-metoden beskrivs här. Den presenterade metoden sysselsätter villkorligt-aktiva fMRI sub kartor eller priors, att vägleda EEG källkod lokalisering på ett sätt som förbättrar spatial specificitet och begränsar felaktiga resultat.
Abstract
Elektroencefalografi (EEG) och funktionell magnetresonanstomografi (fMRI) är två av de grundläggande noninvasiva metoderna för att identifiera hjärnans aktivitet. Multimodala metoder har försökt kombinera hög temporal upplösning av EEG med fMRI rumsliga precision, men komplexiteten i detta synsätt är för närvarande i behov av förbättring. Det protokoll som presenteras här beskriver nyligen utvecklade spatiotemporal fMRI-constrained EEG källan imaging metod, som syftar till att åtgärda källan fördomar och förbättra EEG-fMRI källkod lokalisering genom dynamisk rekrytering av fMRI underregioner. Processen börjar med insamling av multimodala data från samtidig EEG och fMRI skanningar, generering av 3D kortikala modeller, och oberoende EEG och fMRI bearbetning. De bearbeta fMRI aktivering kartorna är sedan uppdelade i flera priors, enligt deras läge och omgivningar. Dessa är tagna som priors i en två-nivå hierarkisk Bayesian algoritm för EEG källkod lokalisering. För varje fönster av intresse (definieras av operatören), identifieras specifika segment av fMRI aktivering kartan som aktiv att optimera en parameter som kallas modell bevis. Dessa kommer att användas som mjuk begränsningar på identifierade kortikala aktiviteten, ökar specificiteten för den multimodal imaging metod genom att minska överhörning och undvika felaktiga aktivitet i andra villkorligt aktiva fMRI regioner. Metoden genererar kortikala kartor av aktivitet och tid-kurser, som kan tas som slutresultat, eller användas som en grund för ytterligare analyser (analyser av korrelation, orsakssamband, etc.) medan metoden är något begränsad av villkoren (det inte hittar EEG-invisible källor), det är i stort sett förenlig med de flesta större bearbetning programvara, och är lämplig för de flesta neuroradiologiska studier.
Introduction
Elektroencefalografi (EEG) och funktionell magnetresonanstomografi (fMRI) kan ses som neuroimaging modaliteter med kompletterande funktioner. FMRI fångar hjärnaktivitet med stor temporal skala, som hemodynamiska signaler indirekt mäta den underliggande neuronala aktiviteten med en dålig temporal upplösning (storleksordningen sekunder)1,2. Däremot mäter EEG direkt dynamiska elektrofysiologiska aktiviteten av hjärnan med en mycket hög temporal upplösning (millisekundnivå), men dålig rumslig upplösning3,4. Dessa egenskaper har lett till multimodala strategier utformats för att optimera de gynnsamma aspekterna av varje enskild metod5. Samtidig användning av EEG och fMRI gör att den utmärkta temporal upplösningen av EEG kombineras med hög rumsliga noggrannhet av fMRI kan övervinna de begränsningar som är associerade med unimodala fMRI eller EEG.
Metoder för EEG och fMRI integration börjar med fMRI-informerade EEG källkod lokalisering6,7. Denna teknik använder fMRI-derived rumslig information för att förbättra EEG källkod lokalisering, en nackdel är dock den potentiella rumsliga bias orsakad av tillämpningen av fMRI som en ”hård-constraint” — fMRI-derived rumslig information anses en absolut sanning. Detta innebär två stora frågor som måste vara avstämda6–8. Först måste det anses att användning av en statisk karta blodet syre nivå beroende (fet) kontrasternas oavsiktligt kan stärka någon felaktig verksamhet som faller inom det, medan dämpning sant verksamhet utanför den. Andra, överhörning från källor som inträffar utanför DJÄRVA aktivering kartan kan påverka presentationen av sanna aktivitet inom resultaten eller orsaka felaktig aktivitet. Trots detta begränsas användningen av den hög rumslig upplösningen av fMRI att tillhandahålla rumsliga förkunskaper är fortfarande en gynnsam lösning5, som modellering av EEG inverse problemet kan vara både i anatomiska och funktionella sinnena.
I detta papper visar vi en spatiotemporal fMRI-constrained EEG källa imaging strategi som behandlar frågan om temporal obalans mellan EEG och fMRI genom att beräkna den optimala delmängden av fMRI priors baserat på en hierarkisk Bayesian modell9. FMRI-priors beräknas i en data-driven sätt från särskilda windows sevärdheter i EEG data, leder till tid-variant fMRI begränsningar. Det föreslagna tillvägagångssättet använder tredjeparts temporal högupplöst av EEG att beräkna en strömtäthet kartläggning av den kortikala aktiviteten, informerade av den hög rumslig upplösningen av fMRI i en tid-variant, rumsligt selektiva sätt att exakt bilder dynamisk neurala verksamhet.
Protocol
Representative Results
Discussion
Här har vi visat de nödvändiga åtgärder för att använda metoden spatiotemporal fMRI begränsad källa analys för EEG/fMRI integration analys. EEG och fMRI har blivit väl etablerat som de grundläggande metoderna för icke-invasivt imaging hjärnaktivitet, men de möter svårigheter i deras respektive rumsliga och tidsmässiga resolutioner. Och metoder har utvecklats för att kapitalisera på gynnsamma egenskaper för varje, nuvarande fMRI-constrained EEG källkod lokalisering metoder ofta förlita sig på enkla …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Detta arbete stöds delvis av NIH DK082644 och University of 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).
