Summary
En EEG-fMRI multimodale imaging metode, kendt som den spatiotemporelle fMRI-begrænset EEG source imaging metode, der beskrives her. Metoden præsenteres beskæftiger betinget-aktive fMRI underkort eller priors, til at guide EEG kilde lokalisering på en måde, der forbedrer rumlige specificitet og begrænser fejlagtige resultater.
Abstract
Electroencefalografi (EEG) og funktionel magnetisk resonans imaging (fMRI) er to af de grundlæggende noninvasive metoder til identifikation af hjerneaktivitet. Multimodal metoder har forsøgt at kombinere de høje tidsmæssige opløsning af EEG med fMRI rumlige præcision, men kompleksiteten af denne tilgang er i øjeblikket behov for forbedringer. Protokollen præsenteres her beskriver de nyligt udviklede spatiotemporelle fMRI-begrænset EEG source imaging metode, som har til forsøger at afhjælpe kilde bias og forbedre EEG-fMRI kilde lokalisering gennem dynamiske ansættelse af fMRI subregioner. Processen begynder med indsamling af multimodale data fra samtidige EEG og fMRI scanninger, generation af 3D kortikale modeller, og uafhængige EEG og fMRI behandling. Forarbejdede fMRI aktivering kortene er så delt i flere priors, afhængigt af deres placering og omegn. Disse er taget som priors i en to-niveau hierarkisk Bayesiansk algoritme for EEG kilde lokalisering. For hvert vindue af interesse (defineret af operatøren), vil specifikke segmenter af fMRI aktivering kort blive identificeret som aktivt at optimere en parameter, kendt som model beviser. Disse vil blive brugt som bløde begrænsninger på de identificerede kortikale aktivitet, stiger specificiteten af den multimodale imaging metode ved at reducere cross-talk og undgå fejlagtige aktivitet i andre betinget aktive fMRI regioner. Metoden genererer kortikale kort af aktivitet og tiden-kurser, som kan tages som endelige resultater, eller bruges som grundlag for yderligere analyser (analyser af korrelation og årsagssammenhæng m.m.) mens metoden er noget begrænset af sin modaliteter (det ikke vil finde EEG-invisible kilder), det er kompatible med de fleste store forarbejdning software, og er velegnet til de fleste neuroimaging undersøgelser.
Introduction
Electroencefalografi (EEG) og funktionel magnetisk resonans imaging (fMRI) kan ses som neuroimaging modaliteter med supplerende funktioner. FMRI opfanger hjerneaktivitet med store tidsmæssige omfang, som hæmodynamiske signaler indirekte måle den underliggende neuronal aktivitet med en dårlig tidsmæssige opløsning (om sekunder)1,2. Derimod måler EEG direkte den dynamiske elektrofysiologiske aktivitet af hjernen med en meget høj tidsmæssige opløsning (millisekund niveau), men dårlig rumlige opløsning3,4. Disse egenskaber har ført til multimodale tilgange designet til at optimere de gunstige aspekter af hver enkelt metode5. Samtidig brug af EEG og fMRI giver mulighed for den fremragende tidsmæssige opløsning af EEG skal kombineres med høj rumlig nøjagtighed af fMRI til at overvinde de begrænsninger i forbindelse med unimodale fMRI eller EEG.
Metoder til EEG og fMRI integration begynder med fMRI-orienteret EEG kilde lokalisering6,7. Denne teknik anvender fMRI-afledte geografisk information for at forbedre EEG kilde lokalisering, dog en ulempe er den potentielle geografiske skævhed forårsaget af anvendelse af fMRI som en "hård-begrænsningen" — fMRI-afledte geoinformation betragtes en absolut sandhed. Dette udgør to store problemer, der skal være afstemt6-8. Først, skal det overvejes, at brug af et statisk kort over blod ilt niveau afhængige (fed) kontraster uforvarende kan styrke eventuelle fejlagtige aktivitet, der falder inden for it, mens dæmpning ægte aktivitet uden for det. For det andet kan krydstale fra kilder forekommer uden for fed aktivering kort påvirke præsentationen af ægte aktivitet inden for resultaterne eller forårsage fejlagtige aktivitet. På trods af dette begrænset brugen af de høje metoders opløsningsevne fMRI til at give forudgående geografisk viden forbliver en gunstig løsning5, som modellering af EEG inverse problem kan være både i de anatomiske og funktionelle sanser.
I dette papir vise vi en spatiotemporelle fMRI-begrænset EEG source imaging tilgang, der omhandler spørgsmålet om tidsmæssige uoverensstemmelse mellem EEG og fMRI ved at beregne den optimale delmængde af fMRI priors baseret på en hierarkisk Bayesian model9. FMRI-priors er beregnet på en data-drevet måde fra bestemte windows af interesse i EEG data, fører til tid-variant fMRI begrænsninger. Den foreslåede tilgang udnytter den høje tidsmæssige opløsning af EEG til at beregne en strømtæthed kortlægning af de kortikale aktivitet, underrettet af fMRI høj rumlige opløsning i en tid-variant, rumligt selektiv måde, der præcist billeder dynamisk neurale aktivitet.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Protokollen præsenteres her blev designet og udført i overensstemmelse med alle retningslinjer for etisk menneskelige forskning som sæt frem af de respektive institutionelle Review bestyrelserne for University of Houston og Houston Methodist Research Institute.
1. samtidig EEG/fMRI optagelse
- Indhente informeret samtykke fra deltageren. Forklare deltager formålet og proceduren for undersøgelsen, samt de vigtige sikkerhedsforanstaltninger for de samtidige EEG/fMRI dataregistrering proces.
-
Forberede EEG cap og kontrollere impedans udenfor værelset MR-scanner.
- Placer en passende størrelse, passiv, Mr-kompatible EEG cap på motivets hoved. Placer elektroderne ifølge de 10 – 20 internationale mærkning system10.
- På EEG optagelse software, kontrollere impedans på jorden og reference elektroderne. For at gøre dette, skal du klikke på fanen 'impedans' og vælg den elektrode på software-brugergrænsefladen (Se figur 1).
Bemærk: Præcise instruktioner her er specifikke for den anvendte heri software (Se Tabel af materialer), og muligvis skal tilpasses til andre systemer. - Bruge en sprøjte til at tilføre elektroden elektrolyt gel hver elektrode, og derefter bruge en vatpind til at sprede gel for at sikre huden-elektrode kontakt.
- Som impedans falder, fortsætte med at overvåge værdier ved hjælp af passende software (justere impedans skala som nødvendige, afhængigt af opsætningen) at overvåge impedans niveau korrekt (Se figur 1). Fortsæt, indtil alle elektroder nå impedans niveauer under 10 kΩ at sikre en høj kvalitet signal.
Bemærk: Pr. materialer opført og udnyttet her, det er betragtes som usikre at have nogen elektrode med en impedans niveau over 50 kΩ i hr.-miljø11. Dette kan ændre sig afhængigt af udformningen af den valgte cap og Mr indstillinger, så kontakt med udstyr producent og MR teknologer for at sikre sikkerheden for opsætningen af eksperimenterende.
- Som impedans falder, fortsætte med at overvåge værdier ved hjælp af passende software (justere impedans skala som nødvendige, afhængigt af opsætningen) at overvåge impedans niveau korrekt (Se figur 1). Fortsæt, indtil alle elektroder nå impedans niveauer under 10 kΩ at sikre en høj kvalitet signal.
-
Samtidig EEG/fMRI hardware setup.
- Når EEG fælles landbrugspolitik præparatets er gjort, er emnet flyttet til hr.-scanner med hardware konfigurationen som beskrevet i figur 2.
Bemærk: Nogle detaljer af figuren kan ændres, afhængigt af systemet i brug. - Konfigurere visningen af eksperimentelle paradigme. Bruge skærmen beliggende observation Room, bag glasvindue vender mod forsiden af hr.-scanner (Se figur 2). Brug et hoved coil visning spejl til at tillade emner at se skærmen uden at flytte deres hoved eller øjne mens du ligger.
- Få vist et eksempelbillede på skærmen for at sikre at emner komfortabelt kan se skærmen, og at paradigmet vises korrekt. Foretage de fornødne tilpasninger af hardware eller software.
- Når EEG fælles landbrugspolitik præparatets er gjort, er emnet flyttet til hr.-scanner med hardware konfigurationen som beskrevet i figur 2.
-
Eksperimentel paradigme (Se figur 3).
- Instruere emnet forbliver stadig, og foretage en indledende T1-vægtet anatomiske MR scanning. Brug om muligt et synsfelt, der strækker sig fra bunden af lillehjernen til toppen af hovedet med kraniet og hud.
- Start registrering af EEG data (Se figur 4).
- Samtidig skal du klikke på de relevante knapper for at begynde Mr-optagelse og indlede paradigme af interesse på præsentationen software. Tjekke EEG dataregistrering for at sikre kvaliteten og, hvis det ønskes, passende markører bliver registreret.
- Når du bruger set-up beskrevet her, første klik på "Kør" i præsentationen software og Indtast det emne og retssag nummer. Paradigme vil indlede efter bekræfter disse indstillinger.
Bemærk: Paradigme beskæftiget her bestod af 10 forsøg, hvor et følelsesmæssigt motiveret motor respons var fremkaldt ved hjælp af visuelle stimuli. For hvert forsøg, emner blev bedt om at første hvile for 50 s ser en grøn skærm, hvorefter billedet af en ubehagelig (billeder svarende til overraskelse, vrede eller afsky) eller ikke-ubehagelig (billeder svarer til lykke eller neutralitet) ansigt12 blev præsenteret for 10 s. fem billeder fra hver kategori blev præsenteret i en randomiseret rækkefølge, og emnerne blev bedt om at presse en bold ved at identificere et ansigt som ubehagelig, og hold squeeze indtil det forsvandt. - Bruge en erindres, Gradient ekko Planar Imaging (GR-EPI) sekvens til fMRI optagelse (anbefales); tilpasse passer til udstyr og paradigme.
Bemærk: Nummerserien bruges heri inkluderet: Echo tid (TE) = 35 ms; Gentagelse tid (TR) = 1.500 ms; Skive tykkelse = 5 mm; Flip vinkel = 90 °; Pixel afstand: 2,75 mm x 2,75 mm. Det kan være nødvendigt at bruge en MRI-sekvens, der varer lidt længere end visning af paradigme selv, til at sikre, at den fulde paradigme er registreret uden klipning.
- Når du bruger set-up beskrevet her, første klik på "Kør" i præsentationen software og Indtast det emne og retssag nummer. Paradigme vil indlede efter bekræfter disse indstillinger.
2. strukturelle Mr dataanalyse og fremad Model Generation
- Anvende fuld segmentering og genopbygning af forskellige overflader fra fagets T1-vægtet anatomiske Mr volumen benytter Freesurfer billede analyse suite13,14.
Bemærk: En mappe, der indeholder alle segmentering output vil blive genereret af Freesurfer. -
Generere en emnespecifik 3-lags grænse Element metode (BEM) geometriske model efter vejledningen på (https://martinos.org/mne/dev/manual/appendix/bem_model.html)15 bruge den tilgængelige Graphical User Interface (GUI) til at sikre, at der ikke er nogen overlapning i lag.
- Åbn programmet Freeview. Klik på "File" >> "Indlæse overflade". Naviger til mappen emner i mappen Freesurfer. Åbn mappen "BEM". Åbn mappen "Vandskel". Indlæse de fire filer, der findes her ('outer_skin_surface', 'outer_skull_surface', 'brain_surface' og 'inner_skull_surface').
- Flyt skyderne skive udvalg og kigge efter overlap i de gule overflade lag. Hvis overlapning opstà ¥ r, dobbelttjekke MRI data for anatomiske defekter eller fejl, og bruge GUI tegneværktøjer til at præcisere lag.
- Indlæse den oprindelige MRI data i DVB-t-programmet ved at klikke på "File" >> "Belastning volumen". Naviger til mappen, emne og åbne mappen "Mr". Derefter skal du klikke på mappen "orig" og åbne den strukturelle Mr data fundet der (bør in.mgz or.nii format). Klik på "OK".
- Se gråskalabillede af hovedet. Kig på de forskellige lag af grå og sort omkring hjernen. Sikre, at disse lag ikke har nogen huller eller uregelmæssigheder. Brug værktøjet "Color Picker" og vælg en voxel fra lag skal korrigeres.
- Skifte til den "Rediger for Freehand Voxel", og klik for at tegne på billedet. Brug dette til at udfylde eventuelle fejl i Mr-billede. Udføre korrektion for alle lag og Mr skiver, hvor fejlene forekommer.
Bemærk: den "Polywire" og "Livewire" voxel redigeringsværktøjer kan også bruges i stedet for "Freehand".
- Generere den kilde plads baseret på geometrien af pial overfladen.
-
Udføre emnespecifikke EEG sensor justering (fx, oversættelse og rotation) til Mr plads ved hjælp af Freesurfer hoved modellen overlay (figur 5). Gem transformationen.
- Åbn programmet MNE_analyze. Klik på "File" >> "Belastning overflade". Naviger til den mappe, der indeholder emnet data og indlæse pial overfladen.
- Klik på "File" >> "Indlæs Digitizer Data og vælge filen EEG af interesse (bør indeholde digitizer data). Klik på "Vis" >> "Vis Viewer". Når fremviseren GUI vises, klik på "Indstillinger" og sørg for, at "Hovedbunden" og "Digitizer dataindstillinger" er valgt. Elektroder her er vist i rød, med fiducial point i gul.
- På hovedvinduet (ikke seer), Vælg "Juster" >> "Koordinere tilpasning". Brug koordinere justering GUI, bruge pil og L/R knapper til at flytte og rotere EEG elektroder i fremviseren. Justere så meget som nødvendigt. Når justeringen er udført, skal du klikke på "Gem..." i bunden af den 'koordinere justering GUI' gemme justeringen.
Bemærk: Typisk en jævn fordeling af elektroderne i hele hovedbunden med god fiducial justering er nødvendig.
- Generere den fremskudte model med emnespecifik BEM model, den kilde plads og EEG sensor transformation ved hjælp af Multinationale software15.
3. functional MRI Data analyse
- Udføre første niveau (individuelle emne) fMRI statistisk analyse ved hjælp af metoden generelle lineære Model (GLM) for at erhverve fed aktivering kort til opgaver af interesse. Korrigere for flere sammenligninger som nødvendige16, bruger klynge-baseret tilgang, der er indbygget i Freesurfer gruppe-analyse pipeline.
- Udføre gruppe-niveau analyse på alle fag, hvis det ønskes, at erhverve fed aktivering kort for alle fag i standard plads (MNI eller Talairach).
Bemærk: University of Oxford Center for funktionel MR-scanning af hjernen (FMRIB) Software bibliotek (FSL)17 og analyse af funktionelle Neuroimages (AFNI)18 pakker begge giver mulighed for analyse af fMRI data på de samme overflader genereret af Freesurfer, hvilket gør dem bekvemme til efterfølgende analyse. -
Bruge tksurfer visualisering værktøj til at udføre region af interesse (ROI) identifikation ved lastning fMRI aktivering kort (både individ-niveau og gruppe-niveau), og angive den ønskede FDR-korrigeret tærskel19 (p < 0,05 bruges her ).
Bemærk: ROIs identificeret fra individ-niveau aktivering kortene vil tjene som emnespecifikke fMRI-afledte rumlige priors for efterfølgende kilde lokalisering.- Ved hjælp af fMRI aktivering kort på det grå materie lag, udtrække overflade pletter med en tilsluttet-mærkning algoritme.
Bemærk: Dulmage-Mendelsohn nedbrydning blev brugt i dette eksempel. - Yderligere sub kløft patches baseret på mærkning af en foruddefineret hjernen atlas, så at nogen patch af aktivitet dækker mere end én region er delt.
Bemærk: Atlas bruges her var DKT40 atlas20 (tilgængelig fra Freesurfer)21. Atlas kan specialiseret eller valgt, baseret på eksperimentel præferencer.
- Ved hjælp af fMRI aktivering kort på det grå materie lag, udtrække overflade pletter med en tilsluttet-mærkning algoritme.
- Projekt de erhvervede gruppeniveau ROIs (der er i øjeblikket i standard plads) tilbage til de enkelte kilde rum af hvert emne. Efter udførelsen af de enkelte emne strukturelle Mr segmentering (trin 2.1), de koordinere transformationer mellem subjekt og standard plads leveres i filerne lh.sphere.reg og rh.sphere.reg, findes i mappen "surf" af fagets Freesurfer outputmappe.
Bemærk: Alle emner vil dermed deler det samme sæt af ROIs, men i deres egen specifikke model. Se figur 6 eksempler på fMRI resultater og deraf følgende ROIs.
4. EEG dataanalyse
Bemærk: Detaljer i dette afsnit kan være specifikke for den anvendte software (Se Tabel af materialer for flere detaljer). Henvises til den relevante dokumentation hvis ved hjælp af forskellige software-pakker.
- Udføre scanner gradient artefakter korrektion gennem skabelon subtraktion. For dette, skal du klikke på knappen "Hr. korrektion" i menuen "Særlige Signal Processing", og vælg passende parametre i EEG analyse software GUI (Se figur 7). Input de relevante parametre for den valgte scanner sekvens og eksperimenterende design.
Bemærk: Primære parametre omfatter: gentagelse tid (TR) til MR scanning, scan type (sekvensopdelt eller kontinuerlig), Mr volumen markører (eller gradient påvisningsmetode og gradient udløser), kanaler for korrektion og artefakt skabelon. - Fjerne cardioballistic artefakter gennem skabelon subtraktion. For dette, skal du klikke på knappen "CB korrektion" i menuen "Særlige Signal Processing", og vælg passende parametre i analyse software GUI.
Bemærk: Parametre nødvendigt her omfatte minimale og maksimale puls, artefakt skabelon, ECG-kanal, skabelon korrelation og kanaler for korrektion. - Anvend filtrering. Vælg knappen for IIR filtrering på toppen af analysen GUI, under "Data filtrering". For eksempel anvende high-pass på 0.05 Hz, low-pass på 40 Hz, og et notch-filter på effekt-line frekvens (60 Hz), med en roll-off af 48 dB/Hz.
Bemærk: Efter anvendelsen af et low-pass filter på en cutoff hyppigheden af 40 Hz, 60 Hz notch-filter er ikke strengt nødvendigt, men er ansat som et værn mod enhver resterende højspændingsledning frekvenser, der har overlevet på grund af roll-off på filteret kanter. - Udføre okulær artefakt korrektion, oven på analysen GUI: Vælg "Transformation" >> "artefakt afvisning/reduktion" >> "Okulær korrektion ICA".
- Segmentere EEG data i epoker baseret på den angivne før og efter stimulus tid, for så vidt angår begivenhed timing markører. For at gøre dette, vælge, "Transformation" >> "Segment analyse funktioner" >> "Segmentering", vælg derefter markør af interesse og tidsafsnit af interesse.
Bemærk: Segmentering længder bør vælges der passer til paradigme og forventede hjerneaktivitet af interesse. -
Udføre manuelt eller halvautomatisk artefakt afvisning: Vælg "Transformation" >> "artefakt afvisning/reduktion" >> "Artefakt afvisning". Når du bliver spurgt, definere kriterier til artefakter inden for de tre faner i GUI, og Fortsæt som anvist på GUI.
- I fanen 'Undersøgelsesmetode' Vælg Vælg "automatisk", "semi-automatisk" eller "manuelt vælge artefakter" (semi-automatisk tilstand anbefales). Derefter skal du vælge "mark" eller "Fjern artefakter", og Angiv hvis korrektionerne er for en enkelt kanal.
- Vælg de kanaler, som vil blive rettet til artefakter i fanen "Valg af kanal".
- Vælg grundlaget som artefakter identificeres i fanen "Kriterier". Foretag valg her til at passe eksperimentelle behov. Klik på "OK" efter at vælge kriterier, og artefakter bliver identificeret og/eller afvist i henhold til valgene.
-
Udføre baseline korrektion og retssag gennemsnit (hvis relevant).
- At udføre baseline korrektion: Vælg "Transformation" >> "Segment analyse funktioner" >> "Baseline korrektion". Beregne gennemsnittet af segmenterede data: Vælg "Transformation" >> "Segment analyse funktioner" >> "Gennemsnitlige".
5. spatiotemporelle fMRI begrænsninger — EG Source Imaging
- Definere vinduesstørrelsen og vinduet overlappende størrelse (standardindstillingen kræver en 40 ms vinduesstørrelse med 50% (20 ms) overlapper hinanden).
- Vælg den emnespecifikke ROIs sæt (opnåede i trin 3) som den rumlige forudgående sæt. For hver EEG segment anslår algoritmen derefter et sæt af vægte for den delmængde af rumlige priors, der maksimerer model beviser, og beregner kilde Kovarians matrix i overensstemmelse hermed.
- Ved hjælp af de resulterende kilde Kovarians matrix, udføre kilde lokalisering for EEG segment bliver analyseret, giver kilden strømtæthed resultater.
- Udfør trin 5.2 og 5.3 for alle EEG segmenter, og om nødvendigt Opsummer strømtæthed resultater for alle tid segmenter i en komplet strømtæthed tidsforløb fra et gennemsnit den overlappende del.
Bemærk: Dette trin vil resultere i en strømtæthed tidsforløb af kortikale aktivitet på hver kilde punkt defineret i trin 2.3 (dette nummer er typisk på rækkefølgen af flere tusinde) (figur 8). -
Uddrag den repræsentative strømtæthed tidsforløb på hver af ROIs.
- Vælg den foretrukne metode til opsummering tidsforløbet fra flere source punkter inden for en ROI i en enkelt signal tidsforløb: gennemsnitlige, første eigenvariate, osv.
- Gentag trin 5.1 til 5.5 for alle fag.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
EEG kilde lokalisering på det grundlæggende niveau indebærer løse problemets fremad og inverse. De komponenter, der kræves til at opbygge og løse frem er vist i figur 5C. Ved hjælp af en emnespecifik T1 billede, tre lag — hjernen, kraniet og huden — var segmenteret og fintmaskede. Disse lag tjente som input til at generere BEM model. Ligeledes var fagets grå-sagen lag segmenteret fra strukturelle Mr og bruges til at konstruere den kilde plads. EEG sensor steder var Co registreret på hovedet modellen ved hjælp af en serie af stive geometriske transformationer. Når konstrueret, fremad modellen repræsenterer hvordan elektriske aktivitet med oprindelse fra ethvert sted på kilde plads ville give anledning til potentielle målinger på hver EEG sensor placering på hovedbunden.
fMRI giver 3D-billeder af hjernens funktionelle aktivitet med fremragende rumlige opløsning og nøjagtighed. Konventionelle fMRI analyse følger GLM metoderne til at identificere den hjerne voxels betydeligt aktiveres af en bestemt opgave. Det typiske resultat af denne analyse er en fMRI aktivering kort: en enkelt hjerne kort fremhæve aktive voxels, som kan være projiceret op på grå substans overflade, som vist i figur 6A. Vi inddeler yderligere opnåede aktivering kortene i underkort, hver handler som en potentiel rumlige forud for lokalisering hovedbunden potentialer målt med EEG i nogen bestemt tidsvindue (fig. 6B). Figur 8 repræsenterer den fokuserede skematisk af spatiotemporelle fMRI begrænset kilde analyse beskrevet ovenfor. Kun de relevante delvis sæt fMRI aktivering kort bruges til at generere EEG kilde genopbygning for den tilsvarende EEG datasegment på angivne vinduesstørrelse. Som alle EEG tidsvinduer analyseres, opnåede en komplet ombygning af den kortikale aktivitet i en spatiotemporally specifikke mode, der lindrer den rumlige bias for at anvende de samme fMRI priors på alle EEG tid point.
Vi viste yderligere en vellykket anvendelse af spatiotemporelle fMRI begrænset kilde analysemetode, når de påføres en visual/motor aktivisering opgave undersøgelse9, hvor rækkefølgen af hjerneaktivitet fra visuelle input til motor output blev tilbagebetalt med stor spatiotemporelle nøjagtighed (figur 9). Mens der er nogle afhængighed af brugerens valg af vinduesstørrelse, var rekonstruerede source imaging resultater generelt robust at moderere ændringer, som vist i figur 10. Med henblik herpå, bør vinduesstørrelse vælges af eksperimentatoren at bedst passe deres særlige undersøgelse (dvs. en for stor vinduesstørrelse kunne vise sig for at være fejlagtige for hurtig aktivitet eller svingninger, mens et vinduesstørrelse for kort kan gå glip af lavere frekvens signaler ) (Figur 10).
Figur 1 : Kontrol af hovedbunden EEG impedans. Screenshot af Recorder software bruger-interface, med pilene peger på ikoner i protokollen trin 1.2. Venligst klik her for at se en større version af dette tal.
Figur 2 : Skematisk af samtidig EEG/fMRI optagelse Hardwareopsætning — ikke opmærksom på skala. (1) scanner; (2) deltager iført geléagtig EEG passiv cap; (3) EEG forstærkere og Power Pack tilsluttet EEG cap; (4) optisk fiber kabler, der forbinder forstærkere til USB 2 Adapter (også kendt som en BUA); (5) BUA, en grænseflade mellem forstærkere og optagelse computer; (6) data erhvervelse computer; (7) paradigme præsentation computer, udstyret med en express card til output begivenhed timing markører; (8) transistor-transistor logic (TTL) udløser kabel, levere begivenhed timing markører fra præsentation computer og hr.-scanner hardware til BUA; (9) Hr. scanner hardware til at give timing markører fra starten af (10) en ny fMRI skive/volumen erhvervelse og (11) ur synkronisering signal; (12) ur synkronisering enhed, som giver synkronisering mellem uret på EEG forstærkere og hr.-scanner uret; (13) interface modul, grænseflade mellem hr.-scanner og enhedens ur synkronisering; (14) skærm til visuel visning af den eksperimentelle paradigme; (15) glas vindue til visning af scanner rummet fra kontrolrummet. Venligst klik her for at se en større version af dette tal.
Figur 3 : Eksperimenterende paradigme. Emnet var vist en række visuelle stimuli, tilhører en af to kategorier: behagelig-ansigt og ubehagelige ansigt12. I hvert forsøg, var en 50 s grøn skærm baseline først vist, efterfulgt af et tilfældigt udvalgte 10 s visuelle stimuli. Emnet var at presse en gummibold med sin højre hånd for den samlede varighed af stimulus vist, hvis billedet blev opfattet som en ubehagelig-ansigt. Venligst klik her for at se en større version af dette tal.
Figur 4 : Screenshot af EEG dataregistrering. En repræsentativ del af EEG data under optagelsen. (A) periode af EEG data med fMRI pulse-sekvens, hr.-scanner artefakter er udtalt. (B) periode af EEG data uden fMRI pulse-sekvens, ingen indlysende hr.-scanner artefakter er synlige. Venligst klik her for at se en større version af dette tal.
Figur 5 : Fremad model generation. (A) justering af EEG elektroder på hovedet model space. Rød og blå cirkler repræsenterer digitaliserede EEG sensor steder, gule cirkler repræsenterer de digitaliserede EEG fiducial punkter: nasion, forlod præaurikulær og lige præaurikulær. (B) muligheder for justeringsprocessen sensor, herunder manuelle transformation, som oversættelse og rotation af EEG sensor plads (protokol trin 2.4). (C) emne specifikke BEM model genereret, herunder 3 segmenter: (3) hjerne, (4) kraniet og (5) hud. Den distribuerede kilde plads på overfladen af det (1) grå materie lag. (2) EEG sensor placeringer er afstemt på modellen. Venligst klik her for at se en større version af dette tal.
Figur 6 : fMRI aktivering kort og udvinding af regioner af interesse. (A) fMRI aktivering kort vist på oppustede overflade for at lette inspektion. Regioner farvekodede i rød og gul er betydeligt aktiveret (p-korrigeret < 0,05). (B) 8 repræsentative regioner af interesse udvundet fra fMRI aktivering kort. Bemærk atlas-baseret adskillelse af motorisk aktivitet i 3 priors. Venligst klik her for at se en større version af dette tal.
Figur 7 : Screenshot af Analyzer software brugergrænseflade — fjernelse af hr.-scanner artefakter. (A) før scanner artefakt korrektion: (a) EEG dataafsnittet før starten af fMRI pulse-sekvens; b EEG dataafsnittet under fMRI pulse-sekvens, scanner artefakter er klart synlige; c hyppigheden indhold (FFT) af dataafsnittet i (b); (d) analyzer software indbygget analyse moduler for scanner gradient-artefakt korrektion og cardioballistic artefakt. (B) efter scanner artefakt korrektion: (a) EEG dataafsnittet efter fjernelse af hr.-scanner artefakter; (b) frekvens indhold (FFT) af dataafsnittet i litra a. Venligst klik her for at se en større version af dette tal.
Figur 8 : Samlet skematisk analyse proces. (A) EEG databehandling og vinduet størrelse udvælgelse. (B) fMRI dataanalyse, efterfulgt af udvinding af regioner af interesse der skal bruges som rumlige priors til analysen af kilden. (C) kilde analyse udført på hvert EEG segment, angivet af rude størrelser og procent overlapning. (D) komplet rekonstrueret kortikale aktivitet over tidsforløb af interesse. Venligst klik her for at se en større version af dette tal.
Figur 9 : Rekonstruerede kortikale aktivitet af én repræsentativ emne undergik visual/motor aktivering paradigme. Kilde genopbygning resultater fra kontrasterende to metoder: spatiotemporelle fMRI begrænset (øverst) og tid-invariant fMRI begrænset source imaging (nederst). Figur gengivet med tilladelse fra reference9. Venligst klik her for at se en større version af dette tal.
Figur 10 : Rekonstrueret aktivitet tid-kursus hos cingulate cortex ved hjælp af forskellige vinduesstørrelser. (a) aktivitet tidsforløbet rekonstrueret ved hjælp af mindre vinduesstørrelser viste meget ens resultater (korrelation R > 0,95). (b) ved hjælp af større vinduesstørrelser resulterede i høj ulighed (F < 0,7). Figur gengivet med tilladelse fra reference9. Venligst klik her for at se en større version af dette tal.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vi har vist her de nødvendige skridt til at bruge metoden spatiotemporelle fMRI begrænset kilde analyse for EEG/fMRI integration analyse. EEG og fMRI har blevet veletableret som de grundlæggende metoder for ikke-invasivt imaging hjerneaktivitet, selvom de vanskeligheder i deres respektive rumlige og tidsmæssige opløsning. Mens metoder er blevet udviklet for at udnytte de gunstige egenskaber af hver, afhængige nuværende fMRI-begrænset EEG kilde lokalisering metoder ofte af enkle fMRI begrænsninger, som kan undergives bias og krydstale at begrænser rumlig nøjagtighed ( f.eks., hvis sande aktivitet forekommer uden for Mr kort, statisk begrænsninger vil resultere i den sande kilde er mindsket, mens falsk toppe vil observeres i i nærheden Mr-aktive regioner. På samme måde, fejlagtig eller støj-baseret aktivitet i en Mr-aktive regionen vil blive forbedret som hvis det var sandt). Spatiotemporelle fMRI begrænset tilgang har forsøgt at forbedre dette ved hjælp af variable fMRI begrænsninger i en to-lags hierarkisk Bayesian model. Den aktuelle kilde aktivitet skønnes fra EEG data i en glidende vindue måde. FMRI aktivering kort er først inddelt i flere submaps, hver som en mulig rumlige forud for de kortikale kilder. Et undersæt af disse rumlige priors bruges selektivt som begrænsninger til at løse EEG inverse problem. Således er EEG og fMRI data integreret i et rumligt og tidsligt specifikke mode. Dette erstatter effektivt traditionelle fMRI aktivering kort med et sæt af regioner af interesse, der kan anvendes trinløst baseret på dokumentation fra EEG data, hvilket resulterer i en data-driven tilgang, der begrænser bias og fejl.
Den metode, der præsenteres her er baseret på tilgængelige metoder (Freesurfer, FSL, etc.), og genererer kortikale modeller og processer EEG og fMRI data. Mens nogle af de her nævnte procedurer gør brug af specifik software, de fleste af disse programmer er frit tilgængelige under GNU licens. Undtagelsen til dette ville være BrainVision Analyzer, selv om separate metoder kan være anvendt hertil samt (specielt EEGLAB22 med FMRIB plug-in til EEGLAB, leveret af FMRIB23,24). Ligeledes, den spatiotemporelle fMRI-begrænset EEG source imaging metode gør brug af en relativt simpel datastruktur fMRI priors og atlasser, så de kan importeres fra en række kilder, herunder andre imaging suiter, eller bruger definerede kilder . Den eneste begrænsning er i denne henseende passende det ønskede layout til emnet model med passende tildelte vertices.
Almen behandling parametre beskrevet ovenfor disposition metoderne typisk i disse eksperimenter. Endnu en gang, det er bemærkelsesværdigt, at der er ingen alvorlige tekniske begrænsninger på udvælgelsen af disse parametre — data filtrering og justering metoder kan tilføjes eller fjernes fra rørledningen der passer til enhver eksperiment. Vigtigere er Udvalget af vinduesstørrelse, da det direkte påvirker beregningen af model beviser og deraf følgende anvendelse af fMRI priors. Mens variationer i rude nummer fra ca 40 – 150 ms resultere i kun mindre forskydninger i de resulterende bølgeformer, forlængelse ud over dette udgøre en risiko for stabiliteten og kan forårsage visse regioner til at være formynderråd eller maskeret uhensigtsmæssigt. Mere specifikt kan en større vinduesstørrelse være mere nyttigt, når lave frekvenser er af interesse, mens en mindre vinduesstørrelse kan være at foretrække, når der fokuseres på højere frekvens svingninger. Overlapning og skift af vinduet glidende bør også overvejes her, som det har en effekt på de beregningsmæssige kompleksitet af processen og kan blive uoverkommelige på grund af de nødvendige midler til analyse. Uanset de nøjagtige parametre udvalgt, følgende trin betragtes kritisk i processen: 1) at opnå anatomiske Mr- og samtidig EEG/fMRI data; 2) 3D model generation; 3) Mr dataanalyse; 4) fjernelse af hr.-artefakt fra EEG data; 5) fremad og inverse beregninger; 6) ROI generation; 7) glidende vindue udvalg af ROI priors og kilde lokalisering. Proceduren her præsenterer den generelle pipeline og metode, som vi har udviklet og udnyttet til at opnå gunstige dynamiske resultater. Det skal bemærkes, at mange af detaljerne-nøjagtig lokalisering metoder, dokumentation for beregning, statistiske metoder, EEG og fMRI parametre, etc. — kan ændres så de passer til brugerens præferencer.
Metoden spatiotemporelle fMRI begrænset kilde analyse anses et bemærkelsesværdigt skridt fremad i integreringen af EEG og fMRI, men det er underlagt visse mindre begrænsninger. Mens vi ser en stigning i kvaliteten af rekonstruerede deep-kilder, er denne metode stadig underlagt de generelle begrænsninger fra sin individuelle retningslinjer; Hvis en kilde er dyb nok til at være effektivt usynlige for EEG, vil det ikke være fanget af denne metode. For det andet analyse fokuserer på 3D-modeller af pial overfladen, og vil ikke rekonstruere enhver indre regioner, uanset eventuelle fMRI-identificerede hæmodynamiske aktivitet.
Ved hjælp af EEG i kombination med delt og betinget anvendes fMRI priors, har vi genereret en avanceret, spatiotemporally specifikke imaging algoritme. Umiddelbare resultater har vist at algoritmen, der har en øget kapacitet til rekonstruere dyb kilder, og er mindre modtagelige for at cross-talk end dets modstykke, den traditionelle tid-invariant fMRI begrænset source imaging. Yderligere, metoden er i høj grad kan tilpasses og kan være egnet til hver ansøgning, eller bruges som grundlag for efterfølgende analyser. Disse egenskaber giver den spatiotemporelle fMRI begrænset kilde analysemetode potentielle som både et selvstændigt habil analysemetode, og et fundament for fremtidig forskning.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ikke noget at oplyse.
Acknowledgments
Dette arbejde blev delvist understøttet af 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).
