JoVE Logo
Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • תוצאות
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

יחידנית או משולבת EEG-fMRI, הדמיה שיטה, המכונה ייתכן מוגבל-fMRI EEG המקור הדמיה שיטה, מתואר כאן. השיטה הציג מעסיקה מפות המשנה מותנה-פעיל fMRI או הרשעות קודמות, להנחות EEG מקור לשפות אחרות באופן משפר ירידה לפרטים המרחבי, מגביל תוצאות שגויות.

Abstract

אלקטרואנצפלוגרם (EEG), הדמיית תהודה מגנטית תפקודית (fMRI) הם שני השיטות לא פולשנית היסוד לזיהוי פעילות מוחית. שיטות עם מודאלים מרובים ביקשו לשלב ברזולוציה הטמפורלית גבוהה של EEG עם דיוק המרחבי של ה-fMRI, אך המורכבות של גישה זו הוא כיום זקוק לשיפור. פרוטוקול המובאת כאן מתאר שפותחו לאחרונה ייתכן מוגבל-fMRI EEG המקור הדמיה שיטה, המבקשת לתקן את מקור הטיות ולשפר EEG-fMRI לוקליזציה מקור דרך גיוס דינמי של אזורי משנה fMRI. התהליך מתחיל עם האוסף של נתונים עם מודאלים מרובים בו-זמנית EEG ו- fMRI סריקות, הדור של דגמי תלת-ממד קורטיקלית, ו- EEG עצמאי ועיבוד fMRI. המפות הפעלה fMRI מעובד ואז לפצל עבירות מרובות, על פי מיקום והסביבה שלהם. אלה נלקחים כמו אישומים ב שני ברמת האלגוריתם בייס הירארכי בלוקאליזציה מקור EEG. לכל חלון עניין (המוגדר על ידי המפעיל), מקטעים ספציפיים של המפה הפעלה fMRI יזוהו פעיל כדי למטב את פרמטר המכונה דגם ראיות. אלה ישמש בתור אילוצים רך על פעילות קורטיקלית מזוהה, הגדלת יחודיות של יחידנית או משולבת הדמיה שיטה על ידי הפחתת צולבות לדבר והימנעות מוטעים פעילות באזורים אחרים fMRI פעיל מותנית. השיטה יוצרת מפות קורטיקלית של פעילות זמן-קורסים, אשר ייתכן שנלקחה התוצאות הסופיות, או להשתמש בה כבסיס עבור ניתוחים נוספים (ניתוחים של המתאם, הסיבתיות, וכו ') בעוד השיטה קצת מוגבל על ידי שיטות שלה (זה לא תמצא EEG-invisible מקורות), זה בהרחבה תואם עם רוב תוכנות עיבוד מרכזי, והוא מתאים ברוב המחקרים דימות מוחי.

Introduction

אלקטרואנצפלוגרם (EEG), הדמיית תהודה מגנטית תפקודית (fMRI) יכול להיחשב שיטות דימות מוחי עם תכונות משלימות. FMRI לוכדת פעילות מוחית עם מידה טמפורלית גדול, כמו אותות והמודינמיקה בעקיפין למדוד את הפעילות העצבית הבסיסית עם רזולוציה טמפורלית נמוכה (גודל שניות)1,2. לעומת זאת, EEG מודד ישירות לפעילות אלקטרופיזיולוגיות דינמי של המוח עם רזולוציה טמפורלית גבוהה מאוד (רמה אלפיות השנייה), אבל רזולוציה מרחבית נמוכה3,4. מאפיינים אלה הובילו גישות עם מודאלים מרובים מיועד למטב את ההיבטים חיובית של כל שיטה בודדים5. השימוש בו זמנית של EEG ו- fMRI מאפשר ברזולוציה הטמפורלית מעולה של EEG להיות משולבת עם רמת דיוק גבוהה המרחבי של ה-fMRI כדי להתגבר על המגבלות המשויך unimodal fMRI או EEG.

שיטות אינטגרציה EEG ו- fMRI להתחיל עם fMRI הודיע EEG מקור לוקליזציה6,7. טכניקה זו מנצל נגזר fMRI המידע המרחבי לשפר אא ג מקור לשפות אחרות, לעומת זאת, חסרון אחד הוא הטיה מרחבית הפוטנציאלי הנגרם על-ידי היישום של fMRI כמו "קשה-אילוץ" — נגזר fMRI המידע המרחבי נחשב האמת המוחלטת. זה מציב שתי בעיות גדולות זה בטח שהותאמו6–8. קודם כל, זה יש לקחת בחשבון כי השימוש מפה סטטית של ניגודים דם חמצן ברמה התלויים (מודגש) עשויים בטעות לחזק כל פעילות מוטעים שנופל בתוכה, תוך דעיכת הפעילות האמיתית מחוץ לזה. שנית, crosstalk ממקורות המתרחשים מחוץ המפה מודגש ההפעלה עשויים להשפיע על המצגת של הפעילות האמיתית בתוצאות או לגרום פעילות מוטעים. למרות זאת, השימוש של רזולוציה מרחבית גבוהה של fMRI כדי לספק מוקדמת הידע המרחבי נותר פתרון חיובי5, כמו הדגמים של הבעיה הופכי EEG יכול להיות מוגבל שניהם חושים אנטומי פונקציונלי.

בנייר זה, נדגים ייתכן מוגבל-fMRI EEG מקור הדמיה גישת המטפל בבעיה של אי-התאמה טמפורלית בין EEG fMRI על-ידי חישוב המשנה אופטימלית fMRI הרשעות. קודמות המבוסס על מודל בייסיאני הירארכי9. FMRI-הרשעות מחושבים באופן מונע-נתונים מ- windows מסוים עניין בנתוני EEG, שמוביל אילוצי זמן-variant fMRI. הגישה המוצעת משתמשת ברזולוציה הטמפורלית גבוהה של EEG לחישוב מיפוי צפיפות זרם של פעילות קורטיקלית, הודיע על ידי הרזולוציה המרחבית הגבוהה של fMRI באופן משתנה בזמן, במרחב סלקטיבי מדויק תמונות דינמי עצביים פעילות.

Protocol

פרוטוקול המובאת כאן היה מעוצב, שביצע על פי הנחיות כל מחקר אנושית מוסרית כפי שנקבע הלאה הלוחות סקירה מוסדי בהתאמה את אוניברסטית, מכון המחקר המתודיסטי ביוסטון.

1. הקלטה EEG/fMRI בו זמנית

  1. להשיג הסכמה מדעת של המשתתף. להסביר המשתתף המטרה ואת הליך של המחקר, כמו גם את אמצעי בטיחות חשוב עבור הנתונים EEG/fMRI סימולטני הקלטה תהליך.
  2. להכין את הכובע EEG וסמנו עכבה מחוץ לחדר סורק MRI.
    1. המקום של קאפ EEG בגודל מתאים, פסיבי, התואמים ל- MRI אל הראש של הנושא. מקם את האלקטרודות לפי 10 – 20 הבינלאומי תיוג מערכת10.
    2. על תוכנת הקלטה EEG, בדוק את אימפדנס של הקרקע והפניה האלקטרודות. כדי לעשות זאת, לחץ על הכרטיסייה 'התנגדות', בחר בסוג אלקטרודה על ממשק המשתמש של התוכנה (ראה איור 1).
      הערה: הוראות מדויקות כאן הן ספציפיות על התוכנה המשמשות בתקנון (ראה טבלה של חומרים), אולי צריך להיות מותאם למערכות אחרות.
    3. עבור כל אלקטרודה, להשתמש במזרק כדי להזריק ג'ל אלקטרוליט לתוך האלקטרודה ולאחר מכן השתמש ספוגית כותנה כדי להפיץ את הג'ל כדי להבטיח מגע העור-אלקטרודה.
      1. כל עכבה יורדת, להמשיך ולעקוב אחר ערכי באמצעות התוכנה המתאימה (להתאים את קנה המידה של עכבה לפי הצורך, בהתאם ההתקנה) כדי לעקוב אחר רמת עכבה כראוי (ראה איור 1). ממשיכים עד אלקטרודות כל עכבה רמות מתחת kΩ 10 כדי להבטיח אות באיכות גבוהה.
        הערה: לכל החומרים הרשומים, מנוצל כאן, היא נחשבת לא בטוחים כי כל אלקטרודה עם רמת התנגדות מעל 50 kΩ מר-סביבה11. זה עשוי להשתנות בהתאם לעיצוב כובע שבחרת ואת ההגדרות MRI, אז כדאי להתייעץ עם יצרן ציוד ו MRI טכנולוגים כדי להבטיח את שלומם של ההתקנה ניסיוני.
  3. התקנת חומרה EEG/fMRI בו זמנית.
    1. לאחר הכנת כובע EEG נעשית, יש את הנושא עבר ל מר-הסורק בהתקנת חומרה המתואר באיור2.
      הערה: כמה פרטים של הדמות עשויים להשתנות, בהתאם לסוג מערכת בשימוש.
    2. להגדיר את התצוגה פרדיגמה נסיונית. להשתמש צג ממוקם בחדר התצפית, מאחורי חלון זכוכית מול החלק הקדמי של מר-הסורק (ראה איור 2). השתמש מראה צפייה סליל ראש כדי לאפשר נושאים להציג את המסך מבלי להזיז את הראש או העיניים שלהם כשאתה שוכב.
    3. להציג תמונה לדוגמה על מסך המחשב כדי להבטיח כי נושאים בנוחות ניתן להציג על המסך, כי הפרדיגמה יוצג כראוי. לבצע שינויים נחוצים חומרה או תוכנה.
  4. פרדיגמה נסיונית (ראה איור 3).
    1. להנחות את הנושא להישאר עדיין, ולבצע הראשונית משוקלל T1 אנטומי בסריקה MRI. אם אפשרי, השתמשו מבט שדה המגיע מהחלק התחתון של המוח הקטן לחלק העליון של הראש, כולל את הגולגולת ואת העור.
    2. . תתחיל להקליט את נתוני EEG (ראה איור 4)
    3. בו זמנית, לחץ על הלחצנים המתאימים להתחיל בה את ההקלטה MRI וליזום הפרדיגמה של ריבית על תוכנת המצגת. בדוק את ההקלטה נתוני EEG כדי להבטיח איכות אות ו, אם רצונך בכך, סמני המתאים נרשמות.
      1. בעת שימוש את הסידור המתואר כאן, תחילה לחץ על "הפעל" בתוכנת המצגת והזן את הנושא ומספר למשפט. הפרדיגמה תיזום על המאשרת הגדרות אלה.
        הערה: הפרדיגמה מועסק כאן כללה 10 ניסויים בו מענה מנוע רגשית מוטיבציה היה עורר באמצעות גירויים חזותיים. עבור כל משפט, הנבדקים התבקשו קודם לנוח 50 שמתבונן מסך ירוק, לאחר מכן התמונה של לא נעימות (תמונות המתאים הפתעה, כעס או גועל) או לא-נעימה (תמונות המתאים אושר או נייטרליות) מול12 הוצג לפי ס' 10 חמישה דימויים מכל קטגוריה הוצגו סדר אקראי, הנבדקים התבקשו לחצי כדור עם זיהוי פנים ולא נעימות, והחזק את הלחץ עד שנעלם.
      2. השתמש רצף הדרגתי-נזכר אקו מישורי הדמיה (GR-EPI) עבור הקלטת fMRI (מומלץ); להתאים אישית כדי להתאים את הציוד ואת פרדיגמה.
        הערה: רצף הסעיפים כלול: הד הזמן (TE) = 35 ms; זמן חזרה (TR) = 1,500 ms; פורסים בעובי = 5 מ מ; הפוך זווית = 90 °; המרווח פיקסל: 2.75 x 2.75 מ. יתכן צורך להשתמש מרצף MRI שהחזיקה מעט יותר התצוגה של הפרדיגמה עצמו, כדי להבטיח כי הפרדיגמה מלא נרשם ללא מסיכה.

2. ניתוח נתונים MRI מבנית ויצירת מודל קדימה

  1. החל מלא פילוח של ושחזור של משטחים שונים של הנושא משוקלל T1 אנטומי MRI אמצעי אחסון באמצעות Freesurfer התמונה ניתוח סוויטת13,14.
    הערה: תיקיה שמכילה כל פלטי פילוח ייווצר על ידי Freesurfer.
  2. על נושא ספציפי 3-שכבה בשיטת אלמנט גבול (טוב) דגם גיאומטרי הבאים בהוראות המצורפות (https://martinos.org/mne/dev/manual/appendix/bem_model.html)15 להשתמש את זמינות גרפי וממשקי משתמש (GUI) כדי ליצור ודא כי שם אין חפיפה בשכבות.
    1. לפתוח את היישום פריוויו (freeview). לחץ על "קובץ" >> "לטעון את השטח". נווט אל הספריה נושאים בתיקייה Freesurfer. פתח את התיקיה "טוב". פתח את התיקיה "קו פרשת המים". לטעון את 4 הקבצים שנמצאו כאן ('outer_skin_surface', 'outer_skull_surface', 'brain_surface' ו- 'inner_skull_surface').
    2. הזז את המחוונים בחירת פרוסה וחפש חופפות שכבות פני השטח הצהוב. אם חפיפה מתרחשות, בדוק היטב את הנתונים MRI אנטומיים מולדים או שגיאות, והשתמש GUI כלי ציור כדי להבהיר את השכבות.
      1. לטעון את הנתונים המקוריים MRI ביישום פריוויו (freeview) על ידי לחיצה על "קובץ" >> "נפח". נווט אל התיקיה נושא ופתח את התיקיה "mri". ואז לחץ על הספריה "טנק רוחו המקורית" ופתח את הנתונים MRI המבניים שנמצאו שם (צריך להיות בתבנית or.nii in.mgz). לחץ על "אישור".
      2. הצג את התמונה בגווני אפור של הראש. תסתכל על הרבדים השונים של אפור ושחור סביב המוח. ודא כי השכבות האלו אין לי שום פערים או אי סדרים. השתמש בכלי 'דוגם צבע' ובחר voxel מהשכבה יתוקן.
      3. לעבור "ביד חופשית Voxel ערוך", ולחץ כדי לצייר על התמונה. השתמש באפשרות זו כדי למלא את כל פגמים בתמונה MRI. לבצע תיקון עבור כל שכבות של פרוסות MRI, שבה מתרחשים ליקויים.
        הערה: voxel "Polywire" ו- "Livewire" כלי עריכה עשוי לשמש גם במקום "פריהנד".
  3. ליצור את החלל מקור מבוסס על הגיאומטריה של פני השטח pial.
  4. לבצע יישור EEG נושא ספציפי של חיישן (למשל, תרגום, סיבוב) למרחב MRI באמצעות הכיסוי ראש דגם Freesurfer (איור 5). לשמור את השינוי.
    1. לפתוח את היישום MNE_analyze. לחץ על "קובץ" >> "משטח טעינה". נווט אל התיקיה המכילה את הנתונים הנושא וטען השטח pial.
    2. לחץ על "קובץ" >> "טען Digitizer הנתונים ובחרו בקובץ EEG עניין (צריך להכיל נתונים digitizer). לחץ על "תצוגה" >> "הצג מציג". ברגע לצופה GUI מופיעה, לחץ על 'אפשרויות', ודא "הקרקפת" אפשרויות "Digitizer נתונים" נבחרו. אלקטרודות כאן מופיעות באדום, עם נקודות fiducial בצהוב.
    3. בחלון הראשי (לא את הצופה), בחר "התאם" >> "לתאם יישור". באמצעות השימוש 'יישור קואורדינטות GUI', את החץ והלחצנים l/R כדי להזיז ולסובב את אלקטרודות EEG במציג. להתאים ככל הדרוש. לאחר היישור נעשית, לחץ על "שמור..." בחלק התחתון של 'לתאם יישור GUI' כדי לשמור את היישור.
      הערה: בדרך כלל, ריפודי כתופיים של אלקטרודות לאורך הקרקפת עם יישור fiducial טוב נדרש.
  5. ליצור דגם קדימה על-ידי מתן המודל טוב נושא ספציפי, את החלל מקור ו הטרנספורמציה חיישן EEG באמצעות תוכנה MNE15.

3. ניתוח נתונים MRI פונקציונלי

  1. לבצע הרמה הראשונה (נושא בודדים) fMRI ניתוח סטטיסטי באמצעות שיטת מודל ליניארי כללי (GLM) לרכוש הפעלה מודגש מפות עבור הפעילויות של עניין. תיקון להשוואות מרובות כמו הצורך16, באמצעות גישה מבוססת-אשכול זה מובנה בתוך הצינור קבוצה-אנליזה Freesurfer.
  2. לבצע ניתוח ברמת הקבוצה לכל הנושאים, במידת הצורך, לרכוש את המפה מודגש הפעלה עבור כל הנושאים בחלל סטנדרטי (הזעירה או Talairach).
    הערה: המרכז אוניברסיטת אוקספורד MRI פונקציונלי ספריית תוכנה המוח (FMRIB) (FSL)17 והחבילות18 ניתוח של תפקודי Neuroimages (דפנה אבן תרשיש) שניהם מאפשרים הניתוח של נתוני fMRI על משטחים אותו שנוצר על ידי Freesurfer, שהופך אותם נוחים לצורך ניתוח מאוחר יותר.
  3. השתמש בכלי הדמיה tksurfer כדי לבצע זיהוי אזור-של-ריבית (ROI) על-ידי טעינת המפה הפעלה fMRI (הן ברמת הפרט והן ברמת הקבוצה), והגדרת את הסף הרצויה מתוקן-פד19 (p < 0.05 משמש כאן ).
    הערה: ROIs מזוהה מהפעלה ברמת הפרט מפות ישמש נושא ספציפי נגזר fMRI המרחבי אישומים על מקור עוקבות לוקליזציה.
    1. באמצעות המפה הפעלה fMRI ברובד האפורים, לחלץ משטח תיקונים שימוש באלגוריתם מחוברים-תיוג.
      הערה: Dulmage-מנדלסון הפירוק נעשה שימוש בדוגמה זו.
    2. חלוקת משנה נוספת המדבקות מבוסס על תיוג של אטלס המוח מוגדרים מראש, כך כל תיקון של פעילות מכסה אזור אחד או יותר מפוצל.
      הערה: הרי האטלס המשמש כאן היה DKT40 אטלס20 (זמינים מספק Freesurfer)21. אטלסים יכול להיות מתמחה או שבחרת, בהתבסס על העדפות ניסיוני.
  4. פרוייקט של הנרכש ברמת הקבוצה ROIs (אשר נמצאים כעת בחלל סטנדרטי) חזרה אל מקור הרווחים של כל נושא. לאחר ביצוע מבניים MRI פילוח של הנושא בודדים (שלב 2.1), העתקות לתאם בין הנושא לבין שטח רגיל הינם מסופקים בכל קבצי ה lh.sphere.reg וה -rh.sphere.reg, נמצא בתיקיית "לגלוש" של הנבדק Freesurfer תיקיית הפלט.
    הערה: כל הנושאים ובכך אחלוק אותו הגדר של ROIs, אבל הדגם הספציפי שלהם. ראה איור 6 דוגמאות לתוצאות fMRI ROIs תוצאות.

4. ניתוח נתונים א. ג

הערה: פרטים בסעיף זה עשויים להיות ספציפיים התוכנה ששימשה (ראה טבלה של חומרים לפרטים נוספים). נא עיין בתיעוד מתאים, אם באמצעות חבילות תוכנה שונים.

  1. לבצע תיקון הדרגתי חפצים סורק באמצעות תבנית חיסור. בשביל זה, לחץ על לחצן "מר Correction" בתפריט "עיבוד אותות מיוחדים" ובחר הפרטמטרים המתאימים בתוכנת ניתוח EEG GUI (ראה איור 7). קלט את הפרמטרים המתאימים רצף סורק שבחרת, תכנון ניסויים.
    הערה: הפרמטרים העיקריים כוללים: זמן החזרה (TR) עבור MRI סריקה, סריקת סוג (רציף או מתמשך), MRI אמצעי האחסון סמני (או שיטת זיהוי מעבר צבע ההדק הדרגתיות), ערוצי תיקון, החפץ תבנית.
  2. הסר cardioballistic חפצים באמצעות תבנית חיסור. בשביל זה, לחץ על לחצן "CB Correction" בתפריט "עיבוד אותות מיוחדים", ובחר פרמטרים מתאימים תוכנת ניתוח GUI.
    הערה: הפרמטרים הדרושים כאן כוללים קצב הלב מינימום ומקסימום, החפץ תבנית, אק ג ערוץ, תבנית המתאם ערוצים עבור התיקון.
  3. להחיל סינון. בחר בלחצן עבור עיר סינון בחלק העליון של הניתוח GUI, תחת "נתונים סינון". לדוגמה, להחיל מעבר גבוה ב- 0.05 Hz, נמוך לעבור 40 הרץ, וכן חריץ-מסנן בתדר כוח-קו (60 הרץ), עם רול-off של הרץ 48 dB.
    הערה: לאחר היישום של מסנן נמוך לעבור בתדר הקיצוץ של 40 הרץ, 60 הרץ החריץ-המסנן אינו הכרחי, אך מועסק כאמצעי הגנה נגד כל התדרים קו חשמל שיורית שאולי שרדו בשל כלי־שיט--מסנן קצוות.
  4. לבצע תיקון עינית החפץ, על הניתוח GUI: בחר "שינוי" >> "החפץ דחייה/הפחתת" >> "ICA תיקון עינית".
  5. קטע הנתונים EEG לתוך שהשרתים בהתבסס על קדם, גירוי שלאחר הזמן שצוין, ביחס סמני תזמון האירועים. כדי לעשות זאת, לבחור, "שינוי" >> "מקטע ניתוח פונקציות" >> "פלח", ואז לבחור את סמן עניין על קטע הזמן עניין.
    הערה: פילוח אורכי צריך להיבחר כדי להתאים את הפרדיגמה ואת פעילות המוח הצפוי של עניין.
  6. לבצע ידנית או חצי אוטומטי החפץ דחייה: בחר "שינוי" >> "החפץ דחייה/הפחתת" >> "החפץ דחייה". כאשר תתבקש, להגדיר קריטריונים עבור חפצים בתוך שלוש הלשוניות של GUI והמשך שהומלץ ב- GUI.
    1. בכרטיסייה ' 'פיקוח שיטה' ', בחר באפשרות לבחור "באופן אוטומטי", "חצי אוטומטי", או "בחר באופן ידני פריטים" (מומלץ להשתמש במצב חצי אוטומטי). לאחר מכן בחר "מארק" או "הסר פריטים" וציין אם התיקונים הם עבור ערוץ אחד.
    2. הכרטיסיה 'בחירה הערוץ', בחר הערוצים אשר יתוקנו על חפצים.
    3. הכרטיסיה 'קריטריונים', בחר את הבסיס שלפיו תזוהה חפצים. לבצע בחירות כאן כדי שיתאים לצרכים ניסיוני. לחץ על "OK" לאחר בחירת קריטריונים, חפצים להיות מזוהה ו/או דחה בהתאם הבחירות.
  7. לבצע תיקון בסיסית והמשפט בממוצע (אם ישים).
    1. כדי לבצע תיקון בסיסית: בחר "שינוי" >> "מקטע ניתוח פונקציות" >> "תיקון בסיסית". את הממוצע הנתונים מקוטע: בחר "שינוי" >> "מקטע ניתוח פונקציות" >> "ממוצע".

5. ייתכן fMRI אילוצים — EG מקור הדמיה

  1. הגדרת גודל חלון וחלון חופפים גודל (הגדרת ברירת המחדל שיחות עבור גודל חלון 40 ms עם 50% (20 ms) חופפים).
  2. בחר את ערכת נושא ספציפי ROIs (שהושג בשלב 3) הערכה מוקדמת מרחבית. עבור כל אחד מהמקטעים EEG, האלגוריתם אז יעריך את ערכה של משקולות ערכת המשנה של הרשעות קודמות המרחבי ממקסם את הראיות מודל ולאחר מחשבת את מטריצת השונות המשותפת מקור בהתאם.
  3. באמצעות מטריצת השונות המשותפת וכתוצאה מכך את המקור, לבצע לוקליזציה מקור עתה קטע EEG לניתוח, מניב המקור צפיפות זרם.
  4. בצע שלבים 5.2 ו- 5.3 לכל מגזרי EEG ו, במידת הצורך, לסכם את תוצאות צפיפות זרם עבור כל מקטעי זמן לתוך אחד צפיפות זרם מלא זמן-קורס לפי ממוצע של החלק החופף.
    הערה: שלב זה תגרום צפיפות זרם הזמן-קורס של פעילות קורטיקלית בכל נקודת המקור שהוגדרו בשלב 2.3 (מספר זה הוא בדרך כלל הסדר אלפים על אלפים) (איור 8).
  5. תמצית צפיפות זרם נציג-מסלול הזמן בכל אחד ROIs.
    1. בחר את השיטה המועדפת עבור סיכום הזמן-הקורסים מן הנקודות מקור מרובות בתוך רועי לתוך הזמן-קורס אות בודדת: ממוצע, eigenvariate הראשונה, וכו '.
  6. חזור על הצעדים 5.1 5.5 בכל המקצועות.

תוצאות

EEG לוקליזציה מקור ברמה הבסיסית כוללת לפתרון של הבעיה קדימה, ההופכי. הרכיבים הדרושים לבנות, לפתור את הבעיה הקדמיים מוצגים באיור 5C. באמצעות תמונה T1 נושא ספציפי, שלוש שכבות – מוח הגולגולת, העור — היו מחולקים, מרושת. שכבות אלה שימש הקלט כדי להפיק את מו...

Discussion

אנחנו הראו כאן את הצעדים הדרושים כדי להשתמש בשיטת ניתוח מקור fMRI ייתכן מוגבל לניתוח אינטגרציה EEG/fMRI. EEG ו- fMRI יש להפוך וותיקה כמו השיטות הבסיסיות לא פולשני הדמיה מוחית, למרות שהם חווים קושי ברזולוציות בהתאמה שלהם יכולות. בעוד פותחו שיטות להפוך אותיות לרישיות על מאפיינים חיוביים של כל אחד, מוג...

Disclosures

המחברים אין לחשוף.

Acknowledgements

עבודה זו נתמך בחלקה על ידי NIH DK082644 את אוניברסטית.

Materials

NameCompanyCatalog NumberComments
BrainAmp MR PlusBrain ProductsAmplifiers for EEG recording, MR-compatible
BrainAmp ExG MR Brain ProductsAmplifier for auxilary sensor (EMG), MR-compatible
BrainAmp Power PackBrain ProductsProvide power to amplifiers in the MR environment
Ribbon CablesBrain ProductsConnects the Power Pack to Amplifiers
SyncBoxBrain ProductsSynchronize MR scanner clock with EEG amplifier clock
BrainCap MRBrain ProductsPassive-electrode 64-channel EEG cap, MR-compatible
BrainVision RecorderBrain ProductsEEG data recording software (steps 1.2-1.4.2)
BrainVision Analyzer 2.0Brain ProductsEEG analysis software (steps 4.1-4.6)
USB 2 Adapter (also known as BUA)Brain ProductsInterface between the amplifiers and data acquisition computer
Fiber Optic CablesBrain ProductsConnects the EEG cap in the MR scanner to the Recording Computer
SyncBox Scanner InterfaceBrain ProductsSynchronize MR scanner clock with EEG amplifier clock
Trigger CableBrain ProductsUsed to send scanner/paradigm triggers to the recording computer
ABRALYT HiCl EEG Electrode GelEasyCapAbrasive EEG gel for passive electrode in MR environment
Ingenia 3.0T MR systemPhilips3.0 T MRI system
Patriot DigitizerPolhemusEEG channel location digitization 
MATLAB r2014aMathWorksProgramming base for the DBTN algorithm (steps 3.3-3.4 and 5.1-5.7)
Pictures of Facial AffectPaul Eckman GroupA series of emotionally valent faces used as stimuli
E-Prime 2.0Psychology Software Tools, IncPresentation Software (step 1.4.3)
Bipolar skin EMG electrodeBrain ProductsUsed to detect muscle activity.
POLGUIMATLAB software for digitization
FreesurferSoftware used in steps 2.1-2.4, and steps 3.1-3.2
MNESoftware used in step 2.5

References

  1. Belanger, M., Allaman, I., Magistretti, P. J. Brain energy metabolism: focus on astrocyte-neuron metabolic cooperation. Cell Metab. 14 (6), 724-738 (2011).
  2. Logothetis, N. K. The underpinnings of the BOLD functional magnetic resonance imaging signal. J Neurosci. 23 (10), 3963-3971 (2003).
  3. Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
  4. Ramon, C., Schimpf, P. H., Haueisen, J. Influence of head models on EEG simulations and inverse source localizations. Biomed Eng Online. 5, 10 (2006).
  5. 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).
  6. Hamalainen, M. S., Ilmoniemi, R. J. Interpreting magnetic fields of the brain: minimum norm estimates. Med Biol Eng Comput. 32 (1), 35-42 (1994).
  7. Pascual-Marqui, R. D. Review of methods for solving the EEG inverse problem. International journal of bioelectromagnetism. 1 (1), 75-86 (1999).
  8. 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).
  9. Nguyen, T., et al. EEG Source Imaging Guided by Spatiotemporal Specific fMRI: Toward an Understanding of Dynamic Cognitive Processes. Neural Plast. 2016, 10 (2016).
  10. 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).
  11. Mullinger, K. J., Castellone, P., Bowtell, R. Best current practice for obtaining high quality EEG data during simultaneous FMRI. J Vis Exp. (76), (2013).
  12. Ekman, P., Friesen, W. V. . Pictures of Facial Affect. , (1976).
  13. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. Neuroimage. 9 (2), 179-194 (1999).
  14. 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).
  15. Gramfort, A., et al. MNE software for processing MEG and EEG data. Neuroimage. 86, 446-460 (2014).
  16. 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).
  17. Jenkinson, M., Beckmann, C. F., Behrens, T. E., Woolrich, M. W., Smith, S. M. Fsl. Neuroimage. 62 (2), 782-790 (2012).
  18. Cox, R. W. AFNI: software for analysis and visualization of functional magnetic resonance neuroimages. Comput Biomed Res. 29 (3), 162-173 (1996).
  19. 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).
  20. Klein, A., Tourville, J. 101 labeled brain images and a consistent human cortical labeling protocol. Front Neurosci. 6, 171 (2012).
  21. Fischl, B., et al. Automatically parcellating the human cerebral cortex. Cereb Cortex. 14 (1), 11-22 (2004).
  22. 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).
  23. 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).
  24. 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).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

136EEGfMRI

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved