Elettricità e magnetismo: Approfondimenti sul cervello dall'imaging multimodale | Kamila Moslem

V. EEG e fMRI simultanei

La raccolta di EEG e fMRI allo stesso tempo è resa difficile perché gli stessi apparecchi di registrazione interferiscono distruttivamente, causando grandi artefatti e perdite di segnale e introducendo problemi di sicurezza. La principale contaminazione del segnale fMRI deriva da tre fonti: 1) produzione di rumore RF da parte dell’elettronica digitale (mitigata dalla schermatura), 2) distorsione del campo magnetico (mitigata dall’uso di elettrodi non ferromagnetici, nel nostro caso spugne di sale e 3) perdite di segnale RF (MRI) nei cavi EEG stessi, mitigate da adeguati percorsi di ritorno a terra e dalla vestizione dei cavi. Un problema di sicurezza deriva dalla possibilità che grandi correnti introdotte nei fili dell’elettrocatetere possano accoppiarsi al paziente attraverso la connessione a bassa resistenza alla testa, una questione affrontata di seguito.

L’interferenza che la RM crea nell’EEG è sia più complessa che più impegnativa. Per formare un’immagine RM con il popolare metodo eco planare è necessario creare gradienti di campo grandi (2-3 gauss/cm) e rapidamente variabili (20-50 T/s). Per la legge di Lenz, questi introducono corrente nei loop formati dai cavi EEG che creano tensioni migliaia di volte più grandi dell’EEG stesso. Un ulteriore problema deriva dal cosiddetto ballistocardiogramma (BCG) – il movimento del corpo e della testa che si verifica con ogni contrazione cardiaca impulsiva; questo muove i fili EEG all’interno dei forti campi di imaging, e anche questo crea segnali di errore nelle registrazioni EEG. Questi sono di ampiezze molto più basse (pochi μV) ma sono irregolari nel loro corso temporale.

La nostra soluzione generale al problema EEG è relativamente semplice, basata sulle proprietà periodiche dei generatori di artefatti (lo scanner MRI e BCG.) Si assume semplicemente che in un intervallo appropriato, tr, per lo scanner, l’artefatto si ripete identico e non è correlato al segnale EEG su cui è sovrapposto. La media del segnale contaminato si traduce quindi in una buona stima dell’artefatto, che può quindi essere sottratto dal segnale contaminato lasciando solo EEG. Lasciando che S(n) rappresenti l’insieme dei campioni contaminati raccolti durante l’ennesimo tr, lasciando che EEG(n) indichi il vero segnale EEG durante quel tr, e A rappresenti l’artefatto – che si presume sia stabile – registrato in questo stesso intervallo,

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

A sua volta, EA(n), la stima dell’artefatto durante l’nthtr è:

EA(n)=∑k=1nS(k).

Quindi, dovremmo essere in grado di trovare EEG(n) = S(n) – A. Ci sono una serie di problemi e sfide con questo approccio, tuttavia.

In primo luogo, gli artefatti EEG e dello scanner sono, infatti, altamente correlati perché il suono (forte) dello scanner suscita una risposta neurale che appare sullo scalpo come un potenziale evocato. Il modello di artefatto conterrà quindi una rappresentazione del potenziale evocato e dell’artefatto dello scanner, e questo sarà rimosso sistematicamente dal segnale derivato. Di solito, tuttavia, questo è un effetto desiderabile perché la risposta acustica al rumore dello scanner è raramente un argomento di ricerca.

In secondo luogo, il metodo funziona solo se la somma di EEG e artefatto è registrata senza distorsione. A causa dell’SNR estremamente povero del segnale grezzo (circa 0,1%) questo richiede una gamma dinamica estremamente elevata nella catena di amplificazione e registrazione. La maggior parte dell’energia nell’artefatto MRI è nella banda audio, comprese le frequenze sotto i 100 Hz che sono di notevole interesse nell’EEG. Pertanto, il filtraggio passa basso è solo marginalmente efficace, anche se è importante per l’anti-aliasing. Ridurre al minimo la dimensione di qualsiasi loop efficace nelle derivazioni EEG è utile. L’annullamento tramite il rilevamento dell’artefatto senza collegamento al cuoio capelluto può anche essere efficace (ad esempio, Kappametrics, Chantilly, VA).

Infine, perché il semplice schema di media e sottrazione funzioni, l’artefatto deve ripetersi identico ogni volta, altrimenti la stima dell’artefatto prodotto dalla media sarà imprecisa. Mentre lo scanner riproduce queste forme d’onda con estrema precisione, il digitalizzatore nel dispositivo EEG potrebbe non catturare gli eventi allo stesso tempo relativo ogni volta che vengono prodotti perché il suo orologio non è tipicamente sincrono. Anche piccoli errori dello 0,1% possono lasciare un residuo grande quanto l’EEG. Si è tentati di invocare il teorema di Nyquist e suggerire che possiamo catturare accuratamente l’artefatto campionando a un po’ più del doppio della frequenza massima in esso contenuta. Questo, tuttavia, è falso. Mentre il teorema di Nyquist si applica a segnali acquisiti in un tempo infinito, spesso non si apprezza che questo non è il caso quando il segnale viene campionato su una finestra temporale troncata.

Un modo per visualizzare il problema è immaginare di campionare ad un’alta velocità di 5 chilocampioni/s. Da un tr all’altro questo permetterà una differenza massima di tempo, Δt, rispetto al sistema di gradiente, di una metà del tempo di permanenza: 100 μs. Gli artefatti indotti dal gradiente nell’EEG sono pari al prodotto dell’errore di temporizzazione e delle velocità di rotazione, che sono dell’ordine di 1000 V/s, in modo che ci possa essere fino a 0,1 V di differenza di ampiezza misurata da un tr al successivo, che è chiaramente inaccettabile come questo, in effetti, diventa la grandezza dell’artefatto residuo dopo la sottrazione. Possiamo ridurre l’artefatto residuo campionando più rapidamente, riducendo così il prodotto Δt×dwell attraverso i tr. Questo può essere formulato analiticamente sulla base del contenuto spettrale della forma d’onda del gradiente. Supponiamo che la sua frequenza massima sia ω radianti/s. Possiamo pensare al Δt tra tr successivi come alla creazione di una differenza di fase, φ, nel campionamento della forma d’onda del gradiente. Il limite superiore di φ è semplicemente ωΔt. Se ε rappresenta l’ampiezza apparente della differenza tra gli artefatti campionati in tempi diversi, possiamo vedere che:

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

che, per piccoli errori, è approssimativamente lineare in Δt; nell’esempio sopra, ridurre l’artefatto all’intervallo μV richiederebbe un campionamento nell’intervallo 10 MHz che è irrealisticamente costoso per un dispositivo EEG.

Il requisito del campionamento rapido può essere eliminato se affrontiamo direttamente lo spostamento di fase, sincronizzando il campionamento digitale allo scanner MR. È relativamente facile ridurre l’errore a pochi ns in questo modo, e questa è la base per il nostro metodo di eliminazione degli artefatti dello scanner che riduce l’artefatto residuo al di sotto della risoluzione del convertitore analogico-digitale, in effetti eliminandolo completamente.

Piccoli cambiamenti nella posizione della testa durante la scansione possono provocare cambiamenti nell’ampiezza e nel corso del tempo dell’artefatto legato al gradiente. Pertanto è auspicabile in pratica rendere il filtro del gradiente adattivo. Lo abbiamo fatto creando un leaky averager che applica un peso esponenzialmente decrescente ai campioni di artefatti che sono più lontani nel tempo. Il mediatore adattivo è implementato molto semplicemente come:

EA(n) = w EA(n – 1) + (w – 1) S(n),

dove 0<w<1 è un fattore di peso. Questo filtro ha requisiti minimi di memoria del computer ed è facilmente regolabile. Notiamo che un mediatore mobile è un sostituto relativamente povero, poiché l’EEG presumibilmente non correlato è soppresso in EA(n) solo dalla radice quadrata del numero di iterazioni incluse nella media. Questo EEG residuo rappresenta un termine di errore che verrebbe incorporato nel segnale EEG “corretto”.

Lascia una risposta

Il tuo indirizzo email non sarà pubblicato.