Sähkö ja magnetismi: | Kamila Moslem

V. Samanaikainen EEG ja fMRI

EEG:n ja fMRI:n samanaikainen kerääminen on tehty haastavaksi, koska tallennuslaitteet itsessään häiritsevät tuhoavasti, aiheuttaen suuria artefakteja ja signaalihäviöitä ja aiheuttaen turvallisuusongelmia. fMRI-signaalin pääasiallinen kontaminaatio johtuu kolmesta lähteestä: 1) digitaalielektroniikan tuottamasta RF-kohinasta (jota lievennetään suojauksella), 2) magneettikentän vääristymästä (jota lievennetään käyttämällä ei-ferromagneettisia elektrodeja, meidän tapauksessamme suolasieniä, ja 3) RF- (MRI-) signaalihäviöistä itse EEG-johtimiin, joita lievennetään asianmukaisilla maadoituspalautusreiteillä ja johtimilla. Turvallisuuskysymys johtuu mahdollisuudesta, että johdinjohtimiin syötetyt suuret virrat voivat kytkeytyä potilaaseen pään matalaresistanssisen liitännän kautta, ja tätä kysymystä käsitellään jäljempänä.

MRI:n EEG:hen aiheuttamat häiriöt ovat sekä monimutkaisempia että haastavampia. MR-kuvan muodostamiseksi suositulla kaiku-planaarimenetelmällä on luotava suuria (2-3 gaussia/cm) ja nopeasti vaihtelevia (20-50 T/s) kenttägradientteja. Lenzin lain mukaan nämä aiheuttavat EEG-johtimien muodostamiin silmukoihin virtaa, joka luo jännitteitä, jotka ovat tuhansia kertoja suurempia kuin itse EEG. Lisäongelma aiheutuu niin sanotusta ballistokardiogrammista (BCG) – kehon ja pään liikkeestä, joka tapahtuu jokaisen impulssimaisen sydämen supistuksen yhteydessä; tämä liikuttaa EEG-johtoja voimakkaiden kuvantamiskenttien sisällä, ja sekin aiheuttaa virhesignaaleja EEG-tallenteisiin. Nämä ovat amplitudiltaan paljon pienempiä (muutama μV), mutta ajallisesti epäsäännöllisiä.

Yleinen ratkaisumme EEG-ongelmaan on suhteellisen yksinkertainen, ja se perustuu artefaktien aiheuttajien (magneettikuvausskannerin ja BCG:n) jaksollisiin ominaisuuksiin. Oletamme yksinkertaisesti, että sopivan ajanjakson tr aikana skannerin artefakti toistuu identtisesti ja että se ei ole korreloitunut EEG-signaaliin, jonka päälle se on asetettu. Saastuneen signaalin keskiarvoistaminen johtaa siten hyvään arvioon artefaktista, joka voidaan sitten vähentää saastuneesta signaalista, jolloin jäljelle jää vain EEG. Annetaan S(n) edustaa n:nnen tr:n aikana kerättyjen kontaminoituneiden näytteiden joukkoa, EEG(n) todellista EEG-signaalia kyseisen tr:n aikana ja A artefaktia – jonka oletetaan olevan stabiili – joka on tallennettu saman ajanjakson aikana,

S(n) = EEG(n) + A.

EA(n), artefaktin estimaatti nttr:n aikana on puolestaan:

EA(n)=∑k=1nS(k).

Siten meidän pitäisi pystyä löytämään EEG(n) = S(n) – A. Tähän lähestymistapaan liittyy kuitenkin useita ongelmia ja haasteita.

Ensiksikin EEG ja skannerin artefaktat ovat itse asiassa erittäin korreloituneita, koska skannerin (kova) ääni herättää neuraalisen vasteen, joka näyttäytyy päänahassa evosoituna potentiaalina. Artefaktimalli sisältää näin ollen esityksen herätetystä potentiaalista sekä skannerin artefaktista, ja tämä poistetaan järjestelmällisesti johdetusta signaalista. Yleensä tämä on kuitenkin toivottava vaikutus, koska skannerin kohinan aiheuttama akustinen vaste on harvoin tutkimuskohteena.

Toiseksi menetelmä toimii vain, jos yhteenlaskettu EEG ja artefakti tallennetaan ilman vääristymiä. Koska raakasignaalin SNR on erittäin heikko (noin 0,1 %), tämä edellyttää erittäin suurta dynamiikka-aluetta vahvistus- ja tallennusketjussa. Suurin osa magneettikuvausartefaktin energiasta on äänikaistalla, mukaan lukien alle 100 Hz:n taajuudet, jotka ovat EEG:ssä huomattavan kiinnostavia. Näin ollen alipäästösuodatus on vain marginaalisen tehokas, vaikka se on tärkeä tasoituksen estämiseksi. EEG:n johtimissa olevien tehokkaiden silmukoiden koon minimointi on hyödyllistä. Peruuttaminen havaitsemalla artefakti ilman yhteyttä päänahkaan voi myös olla tehokasta (esim. Kappametrics, Chantilly, VA).

Loppujen lopuksi, jotta yksinkertainen keskiarvo- ja vähennysmenetelmä toimisi, artefaktin on toistuttava identtisesti joka kerta, muutoin keskiarvoistamalla tuotettu artefaktin estimaatti on epätarkka. Vaikka skanneri toistaa nämä aaltomuodot erittäin tarkasti, EEG-laitteen digitointilaite ei välttämättä kaappaa tapahtumia samaan suhteelliseen aikaan joka kerta, kun ne tuotetaan, koska sen kello ei yleensä ole synkroninen. Pienetkin 0,1 prosentin virheet voivat jättää EEG:n kokoisen jäännöksen. On houkuttelevaa vedota Nyquistin teoreemaan ja ehdottaa, että voimme vangita artefaktin tarkasti ottamalla näytteen hieman yli kaksinkertaisella näytteenottotaajuudella sen sisältämään maksimitaajuuteen nähden. Tämä on kuitenkin väärin. Vaikka Nyquistin teoreema pätee äärettömän ajan kuluessa kerättyihin signaaleihin, ei useinkaan ymmärretä, että näin ei ole silloin, kun signaali näytteistetään typistetyn aikaikkunan yli.

Yksi tapa havainnollistaa ongelmaa on kuvitella näytteenotto suurella nopeudella 5 kilonäytettä/s. Yhdestä tr:stä toiseen tämä mahdollistaa gradienttisysteemiin nähden suurimman aikaeron Δt, joka on puolet viipymäajasta: 100 μs. Gradientin aiheuttamat artefaktit EEG:ssä ovat yhtä suuret kuin ajoitusvirheen ja nousunopeuden tulo, joka on suuruusluokkaa 1000 V/s, joten mitatussa amplitudissa voi olla jopa 0,1 V:n ero tr:stä toiseen, mitä ei selvästikään voida hyväksyä, koska tästä tulee itse asiassa jäännösartefaktin suuruus vähennyksen jälkeen. Voimme vähentää jäännösartefaktia nopeammalla näytteenotolla, mikä vähentää Δt×dwell-tuotosta eri tr:ien välillä. Tämä voidaan muotoilla analyyttisesti gradienttiaaltomuodon spektrisisällön perusteella. Oletetaan, että sen maksimitaajuus on ω radiaania/s. Voimme ajatella, että peräkkäisten tr:ien välinen Δt luo vaihe-eron φ gradienttiaaltomuodon näytteenottoon. φ:n yläraja on yksinkertaisesti ωΔt. Jos ε edustaa eri aikoina näytteenotettujen artefaktien välisen eron näennäistä amplitudia, voimme nähdä, että:

ε=cos(2πft)-cos(2πft-φ)=cos(2πft)cos(φ-1)-sin(2πft)sinφ

joka pienillä virheillä on suunnilleen lineaarinen Δt:n suhteen; yllä olevassa esimerkissä artefaktin pienentäminen μV:n alueelle edellyttäisi näytteenottoa 10 MHz:n alueella, mikä on EEG-laitteelle epärealistisen kallista.

Vaatimus nopeasta näytteenotosta voidaan poistaa, jos puututaan suoraan vaihesiirtoon synkronoimalla digitaalinen näytteenotto MR-skannerin kanssa. Virhe on suhteellisen helppo pienentää tällä tavoin muutamaan ns:aan, ja tämä on perusta skannerin artefaktien eliminointimenetelmällemme, joka pienentää jäännösartefaktin analogi-digitaalimuuntimen resoluution alapuolelle ja eliminoi sen käytännössä kokonaan.

Pään asennon pienet muutokset skannauksen aikana voivat johtaa muutoksiin gradienttiin liittyvän artefaktin amplitudissa ja ajallisessa kulussa. Siksi on käytännössä suotavaa tehdä gradienttisuodattimesta mukautuva. Olemme tehneet sen luomalla vuotavan keskiarvon, joka soveltaa eksponentiaalisesti vähenevää painoa ajallisesti kauempana oleviin artefaktinäytteisiin. Adaptiivinen averager toteutetaan hyvin yksinkertaisesti seuraavasti:

EA(n) = w EA(n – 1) + (w – 1) S(n),

jossa 0<w<1 on painokerroin. Tällä suodattimella on minimaalinen tietokoneen muistin tarve ja se on helposti säädettävissä. Huomaamme, että liukuva keskiarvo on suhteellisen huono korvike, sillä oletettavasti korreloimaton EEG vaimenee EA(n)-suodattimessa vain keskiarvoon sisältyvien iteraatioiden lukumäärän neliöjuuren verran. Tämä jäännös-EEG edustaa virhetermiä, joka sisällytettäisiin ”korjattuun” EEG-signaaliin.

Jätä vastaus

Sähköpostiosoitettasi ei julkaista.