Electricidade e Magnetismo: Imagens multimodais | Kamila Moslem

V. EEG e fMRI simultâneos

A coleta de EEG e fMRI ao mesmo tempo é feita de forma desafiadora porque os próprios aparelhos de gravação interferem destrutivamente, causando grandes artefatos e perdas de sinal e introduzindo preocupações de segurança. A principal contaminação do sinal de fMRI surge a partir de três fontes: 1) Produção de ruído de RF pela eletrônica digital (mitigada pela blindagem), 2) Distorção do campo magnético (mitigada pelo uso de eletrodos não ferromagnéticos, em nosso caso esponjas de sal e 3) Perdas de sinal de RF (MRI) nos próprios eletrodos de EEG, mitigadas por caminhos de retorno de terra e vestimenta de chumbo adequados. Uma questão de segurança resulta da possibilidade de que grandes correntes introduzidas nos fios de chumbo possam se acoplar ao paciente através da conexão de baixa resistência à cabeça, uma questão abordada abaixo.

A interferência que a RM cria no EEG é tanto mais complexa quanto mais desafiadora. Para formar uma imagem de RM usando o método popular de ecoplanar é necessário criar grandes (2-3 gauss/cm) e variar rapidamente (20-50 T/s) os gradientes de campo. Pela lei de Lenz, estes introduzem corrente nos loops formados pelos leads EEG que criam tensões milhares de vezes maiores do que o próprio EEG. Um problema adicional resulta do chamado balistocardiograma (BCG) – o movimento do corpo e da cabeça que ocorre a cada contração cardíaca impulsiva; isto move os fios do EEG dentro dos fortes campos de imagem, e também cria sinais de erro nas gravações do EEG. Estes são de amplitudes muito menores (alguns μV) mas são irregulares no seu curso temporal.

Nossa solução geral para o problema do EEG é relativamente simples, baseada nas propriedades periódicas dos geradores do artefato (o scanner de ressonância magnética e o BCG.) Nós simplesmente assumimos que em um intervalo apropriado, tr, para o scanner, o artefato é repetido de forma idêntica e não está relacionado ao sinal de EEG no qual ele está sobreposto. A média do sinal contaminado resulta assim numa boa estimativa do artefacto, que pode então ser subtraída do sinal contaminado deixando apenas o EEG. Deixando S(n) representar o conjunto de amostras contaminadas coletadas durante o nthtr, deixando EEG(n) indicar o verdadeiro sinal EEG durante esse tr, e A representar o artefato – que se presume ser estável – registrado nesse mesmo intervalo,

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

Por sua vez, EA(n), a estimativa do artefato durante o nthtr é:

EA(n)=∑k=1nS(k).

Assim, devemos ser capazes de encontrar o EEG(n) = S(n) – A. Há uma série de problemas e desafios com esta abordagem, no entanto.

Primeiro, o EEG e os artefatos do scanner são, na verdade, altamente correlacionados porque o som (alto) do scanner provoca uma resposta neural que aparece no couro cabeludo como um potencial evocado. O modelo do artefato, portanto, conterá uma representação do potencial evocado, bem como o artefato de scanner, e este será removido sistematicamente do sinal derivado. Normalmente, no entanto, este é um efeito desejável porque a resposta acústica ao ruído do scanner raramente é um tópico de pesquisa.

Segundo, o método só funciona se o EEG somado e o artefato forem gravados sem distorção. Devido ao SNR excessivamente pobre do sinal bruto (cerca de 0,1%) isto exige um alcance dinâmico extremamente elevado na cadeia de amplificação e gravação. A maior parte da energia no artefato de MRI está na banda de áudio, incluindo as freqüências abaixo de 100 Hz, que são de considerável interesse no EEG. Assim, a filtragem de baixa passagem é apenas marginalmente eficaz, embora seja importante para o anti-aliasing. A minimização do tamanho de quaisquer loops eficazes nos cabos de EEG é útil. O cancelamento por detecção do artefato sem conexão com o escalpe também pode ser eficaz (por exemplo, Kappametrics, Chantilly, VA).

Finalmente, para que o esquema simples de média e subtração funcione, o artefato deve repetir de forma idêntica cada vez, caso contrário, a estimativa do artefato produzido pelo cálculo da média será imprecisa. Enquanto o scanner reproduz estas formas de onda com extrema precisão, o digitalizador no dispositivo EEG pode não capturar os eventos ao mesmo tempo relativo cada vez que eles são produzidos, porque seu relógio normalmente não é síncrono. Mesmo pequenos erros de 0,1% podem deixar um resíduo tão grande como o EEG. É tentador invocar o teorema de Nyquist e sugerir que podemos capturar o artefato com precisão através da amostragem a um pouco mais do dobro da freqüência máxima contida no mesmo. Isto, no entanto, é falso. Enquanto o teorema de Nyquist se aplica a sinais adquiridos ao longo de um tempo infinito, muitas vezes não é apreciado quando o sinal é amostrado sobre uma janela de tempo truncada.

Uma maneira de visualizar o problema é imaginar a amostragem a uma taxa elevada de 5 quilosamples/s. De um tr para o próximo isto permitirá uma diferença de tempo máxima, Δt, em relação ao sistema de gradiente, de metade do tempo de permanência: 100 μs. Os artefatos induzidos pelo gradiente no EEG são iguais ao produto do erro de tempo e das taxas de variação, que são da ordem de 1000 V/s, de modo que pode haver até 0,1 V de diferença na amplitude medida de um tr para o próximo, o que é claramente inaceitável, pois isto, na verdade, torna-se a magnitude do artefato residual após a subtração. Podemos reduzir o artefato residual por amostragem mais rapidamente, reduzindo assim o produto Δt×dwell através dos tr’s. Isto pode ser formulado analiticamente com base no conteúdo espectral da forma de onda gradiente. Suponha que sua freqüência máxima seja ω radians/s. Podemos pensar no Δt entre os tr’s sucessivos como criando uma diferença de fase, φ, na amostragem da forma de onda de gradiente. O limite superior para φ é simplesmente ωΔt. Se ε representa a amplitude aparente da diferença entre os artefatos amostrados em momentos diferentes, podemos ver isso:

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

que, para pequenos erros, é aproximadamente linear em Δt; no exemplo acima, reduzir o artefato para a faixa de μV exigiria uma amostragem na faixa de 10 MHz, que é irrealisticamente cara para um dispositivo EEG.

A exigência de amostragem rápida pode ser eliminada se abordarmos diretamente o deslocamento de fase, sincronizando a amostragem digital para o scanner MR. É relativamente fácil reduzir o erro a alguns ns desta forma, e esta é a base do nosso método de eliminação de artefatos de scanner que reduz o artefato residual para abaixo da resolução do conversor analógico para digital, eliminando-o completamente.

As pequenas mudanças na posição da cabeça durante a varredura podem resultar em mudanças na amplitude e no curso do tempo do artefato relacionado ao gradiente. Portanto, é desejável na prática tornar o filtro de gradiente adaptável. Nós o fizemos criando uma média de vazamento que aplica um peso exponencialmente decrescente a amostras de artefatos que são mais remotas no tempo. A média adaptativa é implementada muito simplesmente como:

EA(n) = w EA(n – 1) + (w – 1) S(n),

where 0<w<1 é um fator de ponderação. Este filtro tem requisitos mínimos de memória do computador e é facilmente ajustável. Observamos que o EEG móvel é um substituto relativamente pobre, pois o EEG presumivelmente não correlacionado é suprimido no EA(n) apenas pela raiz quadrada do número de iterações incluídas na média. Este EEG residual representa um termo de erro que seria incorporado no sinal de EEG “corrigido”.

Deixe uma resposta

O seu endereço de email não será publicado.