Simultanee EEG e risonanza magnetica funzionale registrazione e analisi di integrazione per l'attività corticale dinamica Imaging
Summary
Un EEG-fMRI multimodal imaging metodo, conosciuto come la fonte del EEG di fMRI-vincolata spatiotemporal, metodo, di formazione immagine è descritta qui. Il metodo presentato impiega in modo condizionale-attivo fMRI sottomappe, o priori, per guidare la localizzazione delle sorgenti EEG in un modo che migliora la specificità spaziali e limita risultati errati.
Abstract
L’elettroencefalografia (EEG) e la formazione immagine a risonanza magnetica funzionale (fMRI) sono due dei metodi fondamentali non invadenti per l’identificazione di attività cerebrale. Metodi multimodali hanno cercato di combinare l’elevata risoluzione temporale di EEG con la precisione spaziale di fMRI, ma la complessità di questo approccio è attualmente che necessitano di miglioramento. Il protocollo presentato qui descrive il recentemente sviluppati spatiotemporal fMRI-vincolata EEG origine metodo, che cerca di correggere distorsioni di origine e migliorare la localizzazione delle sorgenti EEG-fMRI attraverso il reclutamento dinamico di fMRI sub-regioni di formazione immagine. Il processo inizia con la raccolta di dati multimodale da simultanee EEG e fMRI scansioni, la generazione di modelli 3D corticale e indipendente EEG e fMRI elaborazione. Le mappe di attivazione fMRI trasformati sono poi suddivisi in multiple priors, secondo la loro posizione e la zona circostante. Questi sono presi come priori in un algoritmo di Bayesian due livelli gerarchico per la localizzazione delle sorgenti EEG. Per ogni finestra di interesse (definiti dall’operatore), segmenti specifici della mappa di attivazione fMRI saranno identificati come attivi per ottimizzare un parametro noto come prove di modello. Questi serviranno come morbidi vincoli sull’attività corticale identificati, aumentando la specificità di multimodal imaging metodo riducendo diafonia ed evitando erronea attività in altre regioni di fMRI condizionalmente attivo. Il metodo genera mappe corticali di attività e corsi di time, che può essere preso come risultati finali, o utilizzato come base per ulteriori analisi (analisi di correlazione, nesso di causalità, ecc.) mentre il metodo è un po ‘ limitato dalle sue modalità (non troverà EEG-invisible fonti), è ampiamente compatibile con la maggior parte delle principali dell’elaborazione software ed è adatto per la maggior parte degli studi neuroimaging.
Introduction
L’elettroencefalografia (EEG) e la formazione immagine a risonanza magnetica funzionale (fMRI) può essere visto come modalità di neuroimaging con caratteristiche complementari. FMRI acquisisce attività cerebrale con larga scala temporale, come segnali emodinamici misurano indirettamente l’attività neuronale sottostante con una scarsa risoluzione temporale (nell’ordine di secondi)1,2. Al contrario, EEG misura direttamente l’attività elettrofisiologica dinamica del cervello con una risoluzione temporale molto alta (livello di millisecondo), ma scarsa risoluzione spaziale3,4. Queste proprietà hanno portato ad approcci multimodali progettati per ottimizzare gli aspetti favorevoli di ogni singolo metodo5. Utilizzo simultaneo di EEG e fMRI consente l’eccellente risoluzione temporale di EEG essere combinato con l’alta precisione spaziale di fMRI per superare i limiti associati con fMRI unimodale o EEG.
Metodi per l’integrazione di EEG e fMRI iniziano con fMRI-informato EEG, fonte localizzazione,6,,7. Questa tecnica utilizza informazioni spaziali fMRI-derivati per migliorare la localizzazione delle sorgenti EEG, tuttavia, uno svantaggio è la polarizzazione spaziale potenziale causata dall’applicazione di fMRI come un vincolo”duro” — informazione territoriale fMRI-derivato è considerato un verità assoluta. Ciò pone due grandi problemi che devono essere riconciliati6–8. In primo luogo, si deve ritenere che l’uso di una mappa statica di contrasti di sangue ossigeno livello Dependent (BOLD) inavvertitamente può rafforzare qualsiasi erronea attività che rientra all’interno di esso, mentre smorzamento vera attività di fuori di esso. In secondo luogo, diafonia da fonti che si verificano di fuori della mappa di attivazione grassetto può influenzare la presentazione di attività vera all’interno dei risultati o causare erronea attività. Nonostante questo, l’uso dell’elevata risoluzione spaziale di fMRI per fornire conoscenza spaziale rimane una soluzione favorevole5, come la modellazione del problema inverso EEG può essere vincolata sia nei sensi anatomici e funzionali.
In questa carta, dimostriamo una fonte del EEG di fMRI-vincolata spatiotemporal, approccio che affronta il problema della mancata corrispondenza temporale tra EEG e fMRI calcolando il sottoinsieme ottimo dei Priori fMRI basato su un modello di gerarchici Bayesiani9di imaging. FMRI-priori vengono calcolati in maniera basate sui dati da windows particolare di interesse per i dati di EEG, che conduce ai vincoli di tempo-variante fMRI. L’approccio proposto utilizza l’alta risoluzione temporale di EEG per calcolare un mapping di densità di corrente dell’attività corticale, informati dall’elevata risoluzione spaziale di fMRI in modo tempo-variante, spazialmente selettivo che le immagini con precisione dinamica neurale attività.
Protocol
Representative Results
Discussion
Vi abbiamo mostrato qui i passi necessari per utilizzare il metodo di analisi di origine spatiotemporal fMRI vincolata per analisi di integrazione di EEG/fMRI. EEG e fMRI hanno ben affermate come i metodi fondamentali per l’imaging non invasivo di attività cerebrale, anche se si trovano ad affrontare difficoltà nelle loro rispettive risoluzioni spaziali e temporali. Mentre sono stati sviluppati metodi per capitalizzare le proprietà favorevoli di ciascuno, metodi source del EEG attuali localizzazione del fMRI-vincolata…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Questo lavoro è stato sostenuto in parte da NIH DK082644 e l’Università di 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).
