Simultanées EEG et IRM fonctionnelle enregistrement et analyse d’intégration pour l’imagerie dynamique activité corticale
Summary
Un EEG-IRMf multimodal méthode, dite de la source EEG spatio-temporelle sont limitées IRMf imagerie méthode, l’imagerie est décrite ici. La méthode présentée emploie des cartes sous IRMf conditionnellement-active ou prieurs, pour guider la localisation des sources EEG d’une manière qui améliore la spécificité spatiale et limite des résultats erronés.
Abstract
Électroencéphalographie (EEG) et l’imagerie de résonance magnétique fonctionnelle (IRMf) sont deux des méthodes fondamentales non invasives permettant d’identifier l’activité cérébrale. Méthodes multimodales ont cherché à combiner la haute résolution temporelle de l’EEG avec la précision spatiale d’IRMf, mais la complexité de cette approche est actuellement besoin d’amélioration. Le protocole présenté ici décrit la récemment développés spatio-temporelle IRMf sont limitées EEG source d’imagerie méthode qui vise à corriger les biais de source et d’améliorer la localisation des sources EEG-IRMf grâce au recrutement dynamique des sous-régions de l’IRMf. Le processus commence par la collecte de données multimodales de simultanées EEG et l’IRMf scans, la génération de modèles 3D de corticales et EEG indépendant et IRMf traitement. Les cartes d’activation IRMf transformés sont ensuite divisés en plusieurs prieurs, selon leur emplacement et les environs. Celles-ci sont considérées comme a priori dans un algorithme de hiérarchique bayésienne de deux niveaux pour la localisation des sources EEG. Pour chaque fenêtre d’intérêt (défini par l’opérateur), des segments spécifiques de la carte d’activation IRMf seront identifiés comme étant active pour optimiser un paramètre connu comme preuve de modèle. Ceux-ci serviront des contraintes souples sur l’activité corticale identifiée, augmentant la spécificité de la multimodal méthode d’imagerie en réduisant la diaphonie et en évitant les activités erronée dans d’autres régions de l’IRMf conditionnellement active. La méthode génère des cartes corticales de l’activité et temps-cours, qui peuvent être pris comme résultat final, ou utilisé comme une base pour de nouvelles analyses (analyses de corrélation, causalité, etc.) tandis que la méthode est quelque peu limité par ses modalités de fonctionnement (il ne trouverez pas EEG-invisible sources), il est largement compatible avec la plupart des logiciels de transformation majeure et convient à la plupart des études de neuroimagerie.
Introduction
Électroencéphalographie (EEG) et l’imagerie de résonance magnétique fonctionnelle (IRMf) peuvent considérer que la neuro-imagerie modalités avec des fonctionnalités complémentaires. IRMf capte l’activité cérébrale avec grande échelle temporelle, comme des signaux hémodynamiques mesurent indirectement l’activité neuronale sous-jacente avec une faible résolution temporelle (de l’ordre secondes)1,2. En revanche, EEG mesure directement l’activité électrophysiologique dynamique du cerveau avec une très haute résolution temporelle (niveau de milliseconde), mais la faible résolution spatiale de3,4. Ces propriétés ont conduit à des approches multimodales conçus pour optimiser les aspects favorables de chaque méthode individuelle5. Utilisation simultanée de l’EEG et l’IRMf permet l’excellente résolution temporelle d’EEG à combiner avec la haute précision spatiale de l’IRMf pour surmonter les limitations associées à l’IRMf unimodale ou EEG.
Méthodes d’intégration EEG et IRMf commencent par IRMf-informé EEG source localisation6,7. Cette technique utilise des informations spatiales dérivées IRMf afin d’améliorer la localisation des sources EEG, cependant, un inconvénient est le biais spatial potentiel causé par l’application de l’IRMf comme « dur-contrainte » — information spatiale dérivée de l’IRMf est considéré comme un vérité absolue. Cela pose deux questions importantes qui doivent être conciliés6–8. Tout d’abord, il faut considérer que l’utilisation d’une carte statique de niveau d’oxygène du sang dépendant (BOLD) contrastes peut renforcer par inadvertance toute activité erronée qui relève, tandis que l’amortissement véritable activité en dehors de celui-ci. Deuxièmement, diaphonie provenant de sources qui se produisent à l’extérieur de la carte d’activation “BOLD” peut influencer la présentation de l’activité réelle dans les résultats ou déclencher des activités erronée. Malgré cela, l’utilisation de la haute résolution spatiale de l’IRMf de fournir une connaissance préalable spatiale reste une solution favorable5, comme la modélisation du problème inverse EEG peut être contraint tous les deux dans les sens anatomiques et fonctionnels.
Dans cet article, nous démontrons une source EEG spatio-temporelle sont limitées IRMf imagerie approche qui résout le problème de décalage temporel entre les EEG et l’IRMf en calculant le sous-ensemble optimal de fMRI a priori basé sur un hiérarchique bayésien modèle9. IRMf-prieurs sont calculées d’une manière pilotés par les données de windows particuliers d’intérêt dans les données de l’EEG, conduisant à des contraintes de temps-variante IRMf. L’approche proposée utilise la haute résolution temporelle de l’EEG pour calculer une cartographie de la densité de courant de l’activité corticale, informée par la haute résolution spatiale de l’IRMf de manière temps-variante, spatialement sélective avec précision les images dynamiques neurale activité.
Protocol
Representative Results
Discussion
Nous avons montré ici les mesures nécessaires pour utiliser la méthode d’analyse spatio-temporelle IRMf contraint source pour l’analyse d’intégration EEG/IRMf. EEG et l’IRMf ont devenu bien établis que les méthodes fondamentales d’imagerie non invasive de l’activité cérébrale, bien qu’ils éprouvent des difficulté à leurs résolutions spatiales et temporelles respectives. Tandis que les méthodes ont été développées pour capitaliser sur les propriétés de chacun, sous contrainte IRMf EEG sou…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Ce travail a été soutenu en partie par DK082644 NIH et l’Université de 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).
