Elektricitet och magnetism: Insikter om hjärnan från multimodal avbildning | Kamila Moslem

V. Simultan EEG och fMRI

Det är en utmaning att samla in EEG och fMRI samtidigt eftersom själva inspelningsapparaterna interfererar destruktivt, vilket orsakar stora artefakter och signalförluster och medför säkerhetsproblem. Den huvudsakliga kontamineringen av fMRI-signalen kommer från tre källor: 1) RF-brus som produceras av den digitala elektroniken (minskas genom avskärmning), 2) distorsion av magnetfältet (minskas genom användning av icke-ferromagnetiska elektroder, i vårt fall saltsvampar) och 3) RF-(MRT)-signalförluster i själva EEG-ledningarna, som minskas genom korrekta jordåterföringsvägar och ledningsdräkter. Ett säkerhetsproblem uppstår på grund av möjligheten att stora strömmar som förs in i ledningskablarna kan kopplas till patienten genom den lågresistenta anslutningen till huvudet, en fråga som tas upp nedan.

Den interferens som MRT skapar i EEG är både mer komplex och mer utmanande. För att bilda en MR-bild med den populära ekoplanära metoden är det nödvändigt att skapa stora (2-3 gauss/cm) och snabbt varierande (20-50 T/s) fältgradienter. Genom Lenz’ lag introducerar dessa strömmar i de slingor som bildas av EEG-ledningarna och som skapar spänningar som är tusentals gånger större än själva EEG:et. Ytterligare ett problem är det så kallade ballistokardiogrammet (BCG) – den rörelse av kroppen och huvudet som uppstår vid varje impulsiv hjärtsammandragning – som förflyttar EEG-ledningarna inom de starka avbildningsfälten och som också skapar felsignaler i EEG-registreringarna. Dessa har mycket lägre amplituder (några μV) men är oregelbundna i sitt tidsförlopp.

Vår allmänna lösning på EEG-problemet är relativt enkel och bygger på de periodiska egenskaperna hos artefaktgeneratorerna (MRT-skannern och BCG.) Vi antar helt enkelt att under ett lämpligt intervall, tr, för skannern upprepas artefakten på identiskt sätt och är okorrelerad till den EEG-signal som den överlagras på. Medelvärdesberäkning av den kontaminerade signalen resulterar således i en god uppskattning av artefakten, som sedan kan subtraheras från den kontaminerade signalen så att endast EEG återstår. Om S(n) representerar mängden kontaminerade prover som samlats in under den n:e tr, EEG(n) den sanna EEG-signalen under den tr och A den artefakt – som antas vara stabil – som registrerats under samma intervall,

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

I sin tur är EA(n), uppskattningen av artefakten under den n:e tr:

EA(n)=∑k=1nS(k).

Därmed borde vi kunna hitta EEG(n) = S(n) – A. Det finns dock ett antal problem och utmaningar med detta tillvägagångssätt.

För det första är EEG- och skannerartefakterna i själva verket starkt korrelerade eftersom skannerns (högljudda) ljud framkallar ett neuralt svar som visas på hårbotten som en framkallad potential. Artefaktmallen kommer därför att innehålla en representation av den framkallade potentialen samt skannerartefakten, och denna kommer systematiskt att avlägsnas från den härledda signalen. Vanligtvis är detta dock en önskvärd effekt eftersom det akustiska svaret på skannerbruset sällan är ett ämne för forskning.

För det andra fungerar metoden endast om det summerade EEG:et och artefakten registreras utan förvrängning. På grund av den råa signalens ytterst dåliga SNR (ca 0,1 %) kräver detta ett extremt högt dynamiskt omfång i förstärknings- och inspelningskedjan. Större delen av energin i MRT-artefakten finns i ljudbandet, inklusive frekvenser under 100 Hz som är av stort intresse i EEG. Lågpassfiltrering är därför endast marginellt effektiv, även om den är viktig för anti-aliasing. Det är bra att minimera storleken på eventuella effektiva slingor i EEG-ledningarna. Annullering genom upptäckt av artefakten utan anslutning till hårbotten kan också vara effektiv (t.ex. Kappametrics, Chantilly, VA).

För att det enkla systemet med medelvärde och subtraktion ska fungera måste artefakten upprepas på samma sätt varje gång, annars blir uppskattningen av artefakten som produceras genom medelvärdesberäkning felaktig. Även om skannern återger dessa vågformer med extremt hög precision kan det hända att digitaliseringsapparaten i EEG-apparaten inte fångar händelserna vid samma relativa tidpunkt varje gång de produceras eftersom dess klocka vanligtvis inte är synkron. Även små fel på 0,1 % kan lämna en rest som är lika stor som EEG. Det är frestande att åberopa Nyquistteoremet och föreslå att vi kan fånga artefakten noggrant genom att ta prover med något mer än dubbla den maximala frekvensen i den. Detta är dock felaktigt. Medan Nyquist-satsen gäller för signaler som förvärvats över oändlig tid uppskattar man ofta inte att detta inte är fallet när signalen samplas över ett avkortat tidsfönster.

Ett sätt att visualisera problemet är att föreställa sig sampling med en hög hastighet på 5 kilosamplar/s. Från en tr till nästa kommer detta att tillåta en maximal tidsskillnad, Δt, i förhållande till gradientsystemet, på hälften av uppehållstiden: 100 μs. De gradientinducerade artefakterna i EEG är lika med produkten av tidsfelet och svängningshastigheterna, som är i storleksordningen 1 000 V/s, så att det kan vara så mycket som 0,1 V skillnad i den uppmätta amplituden från en tr till nästa, vilket är helt klart oacceptabelt eftersom detta i själva verket blir storleken på den kvarvarande artefakten efter subtraktion. Vi kan minska den kvarvarande artefakten genom att ta prover snabbare och därigenom minska Δt×dwell-produkten mellan de olika tr:n. Detta är oacceptabelt. Detta kan formuleras analytiskt baserat på gradientvågformens spektrala innehåll. Anta att dess maximala frekvens är ω radianer/s. Vi kan tänka oss att Δt mellan på varandra följande tr:s skapar en fasskillnad, φ, i samplingen av gradientvågformen. Den övre gränsen för φ är helt enkelt ωΔt. Om ε representerar den skenbara amplituden av skillnaden mellan de artefakter som samplats vid olika tidpunkter kan vi se att:

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

vilket för små fel är ungefärligt linjärt i Δt; i exemplet ovan skulle en reducering av artefakten till μV-området kräva provtagning i 10 MHz-området, vilket är orealistiskt dyrt för en EEG-utrustning.

Kravet på snabb sampling kan elimineras om vi tar itu med fasförskjutningen direkt, genom att synkronisera den digitala samplingen med MR-skannern. Det är relativt enkelt att minska felet till några få ns på detta sätt, och detta är grunden för vår metod för eliminering av artefakter i skannern som minskar den kvarvarande artefakten till under upplösningen hos den analog-digitala omvandlaren, vilket i praktiken innebär att den elimineras helt och hållet.

Små förändringar i huvudets position under skanningen kan resultera i förändringar i amplituden och tidsförloppet för den gradientrelaterade artefakten. Därför är det i praktiken önskvärt att göra gradientfiltret adaptivt. Vi har gjort detta genom att skapa ett läckande medelvärde som tillämpar en exponentiellt minskande vikt på artefaktprover som ligger längre bort i tiden. Det adaptiva medelvärdet implementeras mycket enkelt som:

EA(n) = w EA(n – 1) + (w – 1) S(n),

där 0<w<1 är en viktningsfaktor. Detta filter har minimala krav på datorminne och är lätt justerbart. Vi noterar att ett glidande medelvärde är ett relativt dåligt substitut, eftersom det förmodat okorrelerade EEG:et undertrycks i EA(n) endast med kvadratroten av antalet iterationer som ingår i medelvärdet. Detta kvarvarande EEG utgör en felterm som skulle införlivas i den ”korrigerade” EEG-signalen.

Lämna ett svar

Din e-postadress kommer inte publiceras.