Ein offenes

Scientific Data Band 10, Artikelnummer: 554 (2023) Diesen Artikel zitieren

299 Zugriffe

1 Altmetrisch

Details zu den Metriken

In dieser Arbeit präsentieren wir einen Datensatz, der funktionelle Magnetbildgebung (fMRT) und Elektroenzephalographie (EEG) kombiniert, um ihn als Ressource für das Verständnis der menschlichen Gehirnfunktion in diesen beiden Bildgebungsmodalitäten zu nutzen. Der Datensatz kann auch zur Optimierung von Vorverarbeitungsmethoden für gleichzeitig erfasste Bilddaten verwendet werden. Der Datensatz umfasst gleichzeitig gesammelte Aufzeichnungen von 22 Personen (Alter: 23–51) über verschiedene visuelle und naturalistische Reize. Darüber hinaus wurden neben diesen Neuroimaging-Daten auch physiologische, Eye-Tracking-, Elektrokardiographie- sowie kognitive und Verhaltensdaten erfasst. Zu den visuellen Aufgaben gehören ein flackerndes Schachbrett, das außerhalb und innerhalb des MRT-Scanners (nur EEG) erfasst wird, und gleichzeitige EEG-fMRT-Aufzeichnungen. Zu den gleichzeitigen Aufnahmen gehören Ruhe, das visuelle Paradigma Inscapes und mehrere kurze Videofilme, die naturalistische Reize darstellen. Rohdaten und vorverarbeitete Daten stehen offen zum Download zur Verfügung. Wir präsentieren diesen Datensatz im Rahmen der Bemühungen, Open-Access-Daten bereitzustellen, um die Möglichkeiten für Entdeckungen und das Verständnis des menschlichen Gehirns zu erhöhen und die Korrelation zwischen elektrischer Gehirnaktivität und Blutsauerstoffspiegel-abhängigen (BOLD) Signalen zu bewerten.

Die gleichzeitige Erfassung von Daten aus der Elektroenzephalographie (EEG) und der funktionellen Magnetresonanztomographie (fMRT) ist ein attraktiver Ansatz für die Bildgebung, da sie die hohe räumliche Auflösung der fMRT mit der hohen zeitlichen Auflösung des EEG kombiniert. Durch die Kombination von Modalitäten können Forscher räumliche und zeitliche Informationen integrieren und gleichzeitig die Einschränkungen einer einzelnen Bildgebungsmodalität überwinden1,2. Dennoch erfordert die gleichzeitige Erfassung multimodaler Daten spezifisches Fachwissen, und Forscher müssen verschiedene technische Herausforderungen bewältigen, um Daten erfolgreich zu sammeln. Solche Herausforderungen können die breitere Nutzung in der Forschungsgemeinschaft einschränken.

Bei der gleichzeitigen Erfassung von Bildgebungsmodalitäten treten mehrere technische Herausforderungen auf. Beim EEG besteht die größte Herausforderung darin, dass verschiedene Rauschquellen das aufgezeichnete Signal beeinflussen. Gradientenartefakte sind die bedeutendste Rauschquelle bei gleichzeitigen Aufzeichnungen. Sie werden durch die Magnetfeldgradienten während der fMRT-Erfassung verursacht, die Strom in die EEG-Elektroden induzieren3. Eine weitere Rauschquelle ist das Ballistokardiogramm (BCG)-Signal, das die ballistischen Kräfte des Blutes im Herzzyklus erfasst4,5. Das BCG-Artefakt entsteht durch das Pulsieren der Arterien in der Kopfhaut, das eine Bewegung der EEG-Elektroden verursacht und Spannung erzeugt. Das BCG-Artefakt ist in einem starken Magnetfeld stärker ausgeprägt und nimmt mit der Feldstärke zu6. Neben Gradienten- und BCG-Artefakten sind weitere Geräuschquellen der MRT-Heliumkompressor7, Augenzwinkern8, Kopfbewegungen und Atmungsartefakte9. Darüber hinaus besteht bei der Erfassung von fMRT-Daten eines der Hauptprobleme darin, dass sich der Patient beim Tragen der EEG-Haube im Scanner unwohl fühlt, was zu verstärkten Kopfbewegungen führen kann. Ebenso kann die Vorbereitungszeit für die Erfassung beider Datensätze die Belastung der Teilnehmer erhöhen. Die gleichzeitige Erfassung von fMRT und EEG erfordert die Bewältigung verschiedener technischer Herausforderungen, erfordert aber auch fortschrittliche Vorverarbeitungstechniken, um diese unvermeidlichen Artefakte zu überwinden und ein saubereres Signal zu erzeugen. In diesem Artikel beschreiben wir detailliert, wie wir verschiedene technische Herausforderungen bei der gleichzeitigen EEG-fMRT-Aufzeichnung angegangen sind, einschließlich Strategien zur Verbesserung der Datenqualität.

Bei diesem Datensatz handelt es sich bei den meisten von den Teilnehmern durchgeführten Aufgaben um naturalistische Betrachtungsaufgaben. Naturalistische Reize stellen Paradigmen dar, die als komplexer und dynamischer gelten als aufgabenbasierte Reize10,11. Eine naturalistische Betrachtung sorgt für physiologisch relevantere Bedingungen und erzeugt näher an realen Gehirnreaktionen12,13,14. Naturalistische Reize enthalten auch eine narrative Struktur und bieten einen Kontext, der reale Erfahrungen widerspiegelt14,15. Darüber hinaus wurde festgestellt, dass Filme eine hohe intersubjektbezogene Korrelation und Zuverlässigkeit aufweisen16,17, die Aufmerksamkeit der Probanden fesseln18 und die Compliance in Bezug auf Bewegung und Wachheit verbessern19. Naturalistische Filme sind auch ein idealer Stimulus für multimodale Datensätze und können bei der Verknüpfung von Antworten über Ebenen20,21 und Arten22 hinweg nützlich sein.

In diesem Manuskript präsentieren wir einen Datensatz, der am Nathan S. Kline Institute for Psychiatric Research (NKI) in Orangeburg, NY, gesammelt wurde und eine Studie mit gleichzeitig erfasstem EEG und fMRT bei gesunden Erwachsenen darstellt. Der Datensatz enthält mehrere Aufgabenbedingungen über zwei Scans hinweg, darunter eine visuelle Aufgabe, einen Ruhezustand und naturalistische Reize. Wir stellen außerdem Qualitätskontrollmetriken für beide Modalitäten vor und beschreiben Vorverarbeitungsschritte zur Bereinigung der EEG-Daten. Schließlich teilen wir diese rohen und verarbeiteten Daten offen über die International Neuroimaging Data-Sharing Initiative (INDI) zusammen mit dem auf GitHub verfügbaren Vorverarbeitungscode.

Bei 22 Erwachsenen (Alter 23–51 Jahre; Durchschnittsalter: 36,8; 50 % männlich), die aus der Gemeinde Rockland County, NY, rekrutiert wurden, wurde eine gleichzeitige EEG-fMRT durchgeführt. Die an dieser Studie teilnehmenden Teilnehmer hatten keine Vorgeschichte von psychiatrischen oder neurologischen Erkrankungen. Alle Bilder wurden mit einem 3 T Siemens TrioTim aufgenommen, der mit einer 12-Kanal-Kopfspule ausgestattet war. EEG-Daten wurden mit einem MR-kompatiblen System von Brain Products erfasst, das aus dem BrainCap MR mit 64 Kanälen, zwei 32-Kanal BrainAmp MR-Verstärkern und einer PowerPack-Batterie bestand. Die kortikalen Elektroden wurden nach dem internationalen 10–20-System angeordnet. Im Inneren des Scanners wurde mit dem EyeLink 1000 Plus die Augenverfolgung am linken Auge erfasst.

Die Teilnehmer besuchten zwei Sitzungen zwischen 2 und 354 Tagen zwischen den Scans (Zeit zwischen den Scans, Mittelwert: 38,2 Tage; Median: 11 Tage); Die Aufschlüsselung der während der Sitzungen erfassten Daten finden Sie in Tabelle 1. Das Scanprotokoll bestand aus drei Aufnahmeeinstellungen. Bei der Einstellung „Außen“ handelte es sich um eine EEG-Aufzeichnung, die außerhalb des MRT-Scanners in einem nicht abgeschirmten Raum aufgenommen wurde; Die Einstellung „Scanner AUS“ bestand aus EEG-Aufzeichnungen, die im statischen Feld des MRT-Scanners gesammelt wurden, während der Scanner ausgeschaltet war. Die Einstellung „Scanner EIN“ umfasste die gleichzeitige EEG- und fMRT-Aufzeichnung. Alle durchgeführten Forschungsarbeiten wurden vom Institutional Review Board des NKI genehmigt (IRB-Nr. 941632). Vor dem Experiment wurde von allen Teilnehmern eine schriftliche Einverständniserklärung eingeholt. Die Teilnehmer stellten auch demografische Informationen und Verhaltensdaten zur Verfügung, darunter Informationen zu ihrem letzten Schlafmonat (Pittsburgh Sleep Study)23, der Schlafmenge, die sie in der vergangenen Nacht hatten, und ihrer Koffeinaufnahme vor der Scan-Sitzung.

Der gesamte Vorgang der Datenerfassung dauert etwa drei Stunden. Etwa 45 Minuten werden damit verbracht, einen Teilnehmer auf das EEG vorzubereiten. Die Vorbereitung beginnt mit der Messung des Kopfes des Teilnehmers, um die Kappengröße zu bestimmen. Außerdem wird eine Messung von vorne nach hinten am Oberkopf durchgeführt, vom Nasion bis zum Inion. In der Mitte der Stirn wird eine Markierung von 10 % des gemessenen Nasion-Inion-Abstands angebracht. Eine ausreichend große Kappe wird auf den Kopf des Teilnehmers gesetzt, wobei die Fpz-Elektrode an der Markierung auf der Stirn zentriert ist. Sobald der Proband die EEG-Kappe trägt, werden die Elektroden mit Elektrolytgel gefüllt. In dieser Studie wird das EEG mithilfe einer maßgeschneiderten Kappe erfasst, um 61 kortikale Kanäle, zwei Elektrookulogramm-Kanäle (EOG) oberhalb (Kanal 64) und unterhalb des linken Auges (Kanal 63) und einen Elektrokardiographie-Kanal (EKG) (Kanal 32) aufzuzeichnen. auf der Rückseite platziert. Darüber hinaus enthält die Kappe auch eine Referenz- und Masseelektrode. Die Elektroden wurden mit V19 Abralyt HiCl-Elektrodengel gefüllt. Die Elektrodenimpedanz wurde vor jedem aufgezeichneten Lauf aufgezeichnet. Um eine gute Datenqualität zu gewährleisten, wurde die Elektrodenimpedanz unter 20 kOhm gehalten. Das EEG wurde mit dem BrainVision Recorder mit einer Abtastrate von 5 kHz aufgezeichnet. Nach der Kappenvorbereitung absolvierten die Teilnehmer einen einzelnen Durchlauf des flackernden Schachbrettexperiments im Scan-Zustand „Außen“ und betrachteten dabei einen 19-Zoll-LCD-Monitor. Nach dem Outside-Scan wird ein 3D-Scan des Kopfes des Teilnehmers erstellt, um die Position der EEG-Elektroden zu digitalisieren. 3D-Scans wurden mit einem tragbaren Scanner, dem Occipital Structure Sensor (Occipital Inc, Boulder CO) und dem iPad Mini 4 (Apple, Cupertino, CA) erfasst. Aufgrund von Einschränkungen im Bereich geschützter Gesundheitsinformationen (PHI) sind 3D-Scans in der Datenveröffentlichung nicht verfügbar. Mit dieser Version werden jedoch Standortdateien mit den Positionen der Elektroden bereitgestellt.

Nach der 3D-Digitalisierung betreten die Teilnehmer den MRT-Scanner und werden in Rückenlage auf das Scannerbett gelegt. Um den Kopf herum werden Kissen angebracht, um ihn zu stabilisieren und Kopfbewegungen während der Scans zu minimieren. Zu diesem Zeitpunkt werden den Teilnehmern MR-sichere Schutzbrillen zur Verfügung gestellt, wenn sie eine Sehbehinderung haben, die eine Brille erfordert. Der Bildschirm wird am Ende des MRT-Scanners im Abstand von 1300 mm auf den an der Kopfspule montierten Spiegel projiziert. Die Videos werden auf einer Projektorleinwand mit einer Größe von 440 × 330 mm und einer Auflösung von 1024 × 768 angezeigt. Dadurch entsteht ein horizontaler und vertikaler Betrachtungswinkel von 19,35° bzw. 14,51°, mit einer Auflösung von 0,0189 Grad/Pixel für beide Richtungen. Das Licht im Raum blieb während der Bildgebungssitzung eingeschaltet. Den Teilnehmern wurde außerdem ein Atemwandlergürtel angelegt, um die Atmung zu überwachen, die mit BIOPAC MP150 (BIOPAC Systems, Inc., Goleta, CA) aufgezeichnet wurde.

Nach der Positionierung im Scanner wird der Kopf des Teilnehmers von einer 12-Kanal-3-T-Kopfmatrix-MR-Spule umgeben. Das Kabelbündel (Flachband) der EEG-Haube wird durch die Vorderseite der Kopfspule geführt und mit medizinischem Klebeband oben an der Kopfspule befestigt. Die Kabelbündel werden an die Verstärker und den Akku angeschlossen. Bei der EEG-Datenerfassung wird die Software mit der Hauptuhr des MRT-Scanners synchronisiert. Während der Aufzeichnungen wurden kontinuierlich EEG-Daten zusammen mit Auslösern für den Beginn der Aufgabe erfasst, und Lautstärkeauslöser wurden zu Beginn jeder TR aufgezeichnet. Einzelheiten zu den Geräten und Anschlüssen für gleichzeitige Aufnahmen finden Sie in Abb. 1 und Tabelle 2.

Schematische Darstellung des EEG-fMRT-Aufbaus.

Bei den im Scanner gesammelten Aufnahmen wurden die Augenposition und die Pupillenerweiterung bei einer Probenahme mit einem infrarotbasierten Eyetracker (EyeLink 1000 Plus, SR Research Ltd., Ontario, Kanada; http://www.sr-research.com) aufgezeichnet Frequenz von 1000 Hz. Vor der Veröffentlichung wurden die Daten auf 250 Hz heruntergesampelt. Der Eyetracker wurde vor den Aufnahmen im MRT anhand eines 9-Punkte-Rasters kalibriert. Die Teilnehmer wurden gebeten, ihren Blick auf die im Raster dargestellten Punkte zu richten. Auf die Kalibrierung folgte ein Validierungsschritt, bis der Fehler zwischen den beiden Messungen weniger als 1° 24 betrug.

MRT-Daten wurden mit einer 12-Kanal-Kopfspule auf einem 3,0 T Siemens TIM Trio erfasst. MPRAGE-Struktur-T1w-Bilder wurden mit den folgenden Parametern aufgenommen: TR = 2500 ms; TI = 1200 ms; TE = 2,5 ms; Scheiben = 192; Matrixgröße = 256 × 256; Voxelgröße = 1 mm3 isotrop; Flipwinkel = 8°; partielles Fourier-Aus; Pixelbandbreite = 190 Hz/Px. Alle BOLD-fMRI-Sequenzen wurden mit diesen Parametern erfasst: TR = 2100 ms; TE = 24,6 ms; Flipwinkel = 60°; Scheiben = 38; Matrixgröße = 64 × 64; Voxelgröße = 3,469 × 3,469 × 3,330 mm. Die Lauflänge für jede Aufgabe ist in Tabelle 1 aufgeführt.

In diesem Abschnitt beschreiben wir die für diese Studie generierten Daten, die sich auf die gleichzeitige Erfassung von EEG und fMRT konzentrieren. Dieser Datensatz besteht aus einer Aufgabe, naturalistischen Reizen und Ruhezustandsdaten. Zusätzlich zu den gleichzeitig erfassten Daten wurden Aufgabendaten außerhalb des MRT-Scanners und innerhalb der Scannerumgebung bei ausgeschaltetem Scanner erfasst. Die Erfassung dieser Daten ermöglicht es uns, die Auswirkungen von Änderungen in der Scanumgebung auf die EEG-Aufzeichnungen zu beurteilen. EEG-fMRT-Daten wurden über zwei Scan-Sitzungen hinweg gesammelt; Strukturdaten wurden während der Mitte des Scans gesammelt (Einzelheiten siehe Tabelle 1). Code zur Darstellung von Aufgabenreizen und naturalistischen Reizen sowie Code zur Vorverarbeitung von EEG- und fMRT-Bildgebungsdaten ist auf GitHub verfügbar (https://github.com/NathanKlineInstitute/NATVIEW_EEGFMRI).

Die Verwendung flackernder visueller Reize wurde zur Untersuchung des visuellen Systems im EEG25,26 und fMRT27,28 eingesetzt. Ein kontrastreiches, flackerndes Schachbrett wurde verwendet, um die primären visuellen kortikalen Regionen zu stimulieren. Den Teilnehmern wurde in 20-sekündigen Versuchen nach einer 20-sekündigen Ruhephase über fünf Wiederholungen hinweg ein flackerndes radiales Schachbrett mit einer Frequenz von 12 Hz gezeigt. Der Schachbrettreiz wurde außerhalb des Scanners nach dem Aufsetzen der Kappe, innerhalb des Scanners bei ausgeschaltetem Scanner und innerhalb des Scanners während eines gleichzeitigen EEG und fMRT präsentiert. Diese drei Aufzeichnungen wurden gesammelt, um den Einfluss der MRT-Scansequenz auf das aufgezeichnete EEG zu messen.

Dem Teilnehmer wird ein weißes Fixierungskreuz in der Mitte eines schwarzen Bildschirms präsentiert und er wird angewiesen, mit offenen Augen zu ruhen. Die Teilnehmer hatten einen Ruhescan pro Sitzung und jeder Scan dauerte 10 Minuten.

Inscapes ist eine computergenerierte Animation mit abstrakten 3D-Formen und Bewegungen in langsamen, kontinuierlichen Übergängen. Das Video wurde ursprünglich als 7-minütiges Video für Kinder entwickelt, das sie sich während Gehirnscans ansehen sollten, um sie zu stimulieren, damit sie beschäftigt bleiben und gleichzeitig einige möglicherweise beteiligte kognitive Prozesse minimiert werden19. Den Teilnehmern wurde eine erweiterte Version von Inscapes präsentiert, die 10 Minuten lang war. Ähnlich wie beim restlichen Scan wurde das Inscapes-Video einmal pro Scan-Sitzung angesehen.

Predictive Eye Estimation Regression (PEER) ist ein bildbasierter Kalibrierungsscan zur Schätzung der Blickrichtung29 und kann hier als Ergänzung zur optischen Augenverfolgung des Eyelink 1000 verwendet werden. Den Teilnehmern wurde gesagt, sie sollten ihren Blick auf Punkte richten erscheinen an vordefinierten Punkten auf dem Bildschirm. Die PEER-Methode schätzt die Blickrichtung anhand des gesammelten Scans mithilfe der Support-Vektor-Regression (SVR). Der Algorithmus schätzt die Blickrichtung während jeder Wiederholung (TR) in der fMRT-Zeitreihe.

Die Teilnehmer sahen sich in einer Scan-Sitzung drei Filme zweimal an. Die Videos variierten zwischen 258 und 600 Sekunden. Zu den naturalistischen Reizen gehörten „The Present“ [4 Min. 18 Sek.] (hochgeladen auf YouTube am 7. Februar 2016)30, zwei 10-minütige Clips aus „Ich – Einfach unverbesserlich“ [Clips von russischer Blu-Ray mit genauen Zeiten 1:02:09–1:12]. :09 (Englisch) und 0:12:12-0:22:12 (Ungarisch)]31 und drei 5-minütige Affenvideos32. Die Affenvideos sind Teil einer Datenbank mit mehreren Videos33; Für diese Studie stellen Monkey 1, Monkey 2 und Monkey 5 das erste, zweite bzw. fünfte Video in der Datenbank dar. Die in dieser Studie verwendeten Videos können im GitHub-Repository heruntergeladen werden (https://github.com/NathanKlineInstitute/NATVIEW_EEGFMRI/tree/main/stimulus).

Die fMRT-Bildgebung in diesem Datensatz wurde mit einer 12-Kanal-Kopfspule auf einer 3-T-Scannerplattform erfasst. Obwohl wir mit einer 32-Kanal-Kopfspule die Möglichkeit haben, bei 3 T zu scannen, erlaubt das Design der Kopfspule nicht, dass das EEG-Kappenkabelbündel senkrecht von der Oberseite des Kopfes geführt wird. Darüber hinaus lässt das Design der Kopfspule keine alternative Verlegung des Kabelbündels zu, da dies die Augen des Teilnehmers blockiert oder die Kabellänge zu kurz ist, um die Verstärker zu erreichen. In dieser Studie wird das Kabelbündel durch die Vorderseite geführt und dann an der Oberseite der Kopfspule befestigt, bevor es an den Verstärker angeschlossen wird. Durch die Verwendung einer 12-Kanal-Kopfspule waren die Sequenzen, die zur Erfassung von fMRT verwendet werden konnten, begrenzt, einschließlich der Verwendung von Multiband-Sequenzen. Ein weiterer limitierender Faktor besteht darin, dass Bildsequenzen mit schnelleren TRs nicht bei gleichzeitiger Datenerfassung verwendet werden konnten. Das Hauptproblem besteht in Sicherheitsbedenken hinsichtlich der Hochfrequenzenergieablagerung (RF), die während einer Sequenz zu einer Erwärmung der EEG-Ableitungen und -Elektroden führt34. In dieser Studie verwendeten wir eine TR von 2100 ms, um sicherzustellen, dass die Teilnehmer nicht dem Risiko von Beschwerden oder Verbrennungen aufgrund der Erwärmung der Elektroden ausgesetzt waren.

Wir konnten die Verzögerung zwischen dem Stimuluscomputer und dem Projektor nicht berechnen, da die Ausrüstung zur Durchführung der entsprechenden Messung (Fotodiode) fehlt35. Sollten wir dieses Gerät in Zukunft erwerben und diese Messung durchführen können, werden diese Informationen auf der Website der Studie veröffentlicht.

Wir haben eine automatisierte Pipeline entwickelt, um alle außerhalb und innerhalb des MRT-Scanners erfassten EEG-Daten vorzuverarbeiten. Die für die EEG-Daten verwendeten Vorverarbeitungsmethoden hingen davon ab, wo die Daten erfasst wurden. Alle EEG-Daten wurden mit EEGLAB und zugehörigen Plugins36 vorverarbeitet. Für die im Scanner gesammelten Daten wurden die Daten mit dem FMRIB-Plug-in für EEGLAB vorverarbeitet, das vom Centre for Functional MRI of the Brain (FMRIB) der Universität Oxford bereitgestellt wird37,38.

Für in der Außenumgebung erfasste Daten wurden die folgenden Vorverarbeitungsschritte verwendet: (i) Bandpassfilter unter Verwendung eines Sinc-FIR-Filters mit Hamming-Fenster zwischen 0,5 Hz und 70 Hz; (ii) Referenzelektroden unter Verwendung einer durchschnittlichen Referenz, mit Ausnahme des EKG-Kanals, der EOG-Kanäle und der Elektroden, die während des EEG-Qualitätskontrollprozesses ausgeschlossen wurden.

Für Daten, die in der Einstellung „Scanner AUS“ erfasst wurden, wurden die anfänglichen Vorverarbeitungsschritte verwendet, die in der Einstellung „Außen“ verwendet wurden. Aufgrund der erhöhten Signalverunreinigung durch den Herzschlag des Teilnehmers3 wurde außerdem die Erkennung und Entfernung von Pulsartefakten eingesetzt: (i) QRS/Herzschlagerkennung mithilfe des EKG-Kanals; (ii) Pulsartefakt/BCG-Entfernung mittels Template-Subtraktion basierend auf dem Median-Artefakt; (iii) Bandpassfilter unter Verwendung eines Hamming-Fenster-Sinc-FIR-Filters zwischen 0,5 Hz und 70 Hz; (iv) Referenzelektroden unter Verwendung einer durchschnittlichen Referenz, mit Ausnahme des EKG-Kanals und der EOG-Kanäle.

Für Daten, die in der Einstellung „Scanner EIN“ erfasst wurden, wurden die anfänglichen Vorverarbeitungsschritte verwendet, die in der Einstellung „Scanner AUS“ verwendet wurden. Darüber hinaus wurde die Entfernung von Gradientenartefakten verwendet, um die Verunreinigung des EEG-Signals zu entfernen, die durch die sich ändernden Gradienten aus der fMRI-Pulssequenz verursacht wurde37: (i) Entfernung von Gradientenartefakten; (ii) QRS/Herzschlagerkennung mithilfe des EKG-Kanals; (iii) Pulsartefakt/BCG-Entfernung mittels Template-Subtraktion basierend auf dem Median-Artefakt; (iv) Bandpassfilter unter Verwendung eines Hamming-Fenster-Sinc-FIR-Filters zwischen 0,5 Hz und 70 Hz; (v) Referenzelektroden unter Verwendung einer durchschnittlichen Referenz, mit Ausnahme des EKG-Kanals und der EOG-Kanäle.

Das Gradientenartefakt ist die bedeutendste Rauschquelle in simultanen EEG-fMRT-Daten und misst mehr als 400-mal größer als die EEG-Ereignisse mit der niedrigsten Amplitude3. Das FMRIB-Plugin verwendet die FASTR-Methode, um Gradientenartefakte zu entfernen38. Die Methode erfordert die Aufzeichnung des Scanner-Triggers zu Beginn jedes TR. Aus den erkannten TRs wird eine Durchschnittsvorlage berechnet und von den EEG-Rohdaten subtrahiert. Im Anschluss an diesen Prozess werden die Daten mithilfe der Hauptkomponentenanalyse (PCA) weiter korrigiert, um Restartefakte zu reduzieren. Restartefakte werden durch die adaptive Geräuschunterdrückung3 weiter reduziert.

EKG-Daten, die im MRT-Scanner erfasst werden, weisen eine ausgeprägte T-Welle auf, die mit zunehmender Feldstärke zunimmt39. Das FMRIB-Plugin identifiziert diese QRS-Ereignisse mithilfe eines Algorithmus, der Ereignisse erkennt, sie ausrichtet und falsch positive und negative Ergebnisse korrigiert40,41. Aus den Ereignissen wird ein Mediansignal berechnet, um eine Artefaktvorlage zu erstellen, die anschließend von den Daten subtrahiert wird.

Wir verwendeten das Connectome Computation System (CCS) zur Vorverarbeitung der MRT/fMRT-Daten42. Für die anatomischen Daten führten wir eine Schädelentfernung mit einer Kombination aus Brain Extraction Toolbox (BET) und Freesurfer durch. Die Daten wurden dann segmentiert (Freesurfer) und unter Verwendung von FLIRT und MCFLIRT43,44 in einem Vorlagenbereich (MNI152 2006) registriert. Die Läufe für die fMRT-Daten wurden alle gleichermaßen vorverarbeitet. Zunächst werden die ersten fünf Volumina verworfen, dann werden die Daten entspickt und die Schnittzeit und Bewegung korrigiert. Die Funktionsdaten werden mit 3dAutomask gestreift, mithilfe der Strukturdaten verfeinert und mithilfe der grenzenbasierten Registrierung auf N4-Basis mit Freesurfer in den anatomischen Bildern registriert. Die Störungskorrektur erfolgt mithilfe der Friston 24-Bewegungsparameter, der durchschnittlichen CSF- und WM-Signale mit/ohne globaler Signalregression (GSR). Die Daten werden auch mit/ohne zeitliche Filterung (0,01–0,1 Hz) und mit/ohne 6 mm FWHM-Raumfilter verarbeitet. Zeitreihen wurden aus 400 ROIS (Schaefer 400 Atlas) extrahiert, um weiterverarbeitet zu werden45.

Um die Qualität der EEG-Daten in dieser Studie zu beurteilen, folgten wir einer Qualitätskontrollpipeline, die der in Delorme et al.46 beschriebenen ähnelt. Dieser Ansatz liefert drei Kennzahlen im Zusammenhang mit der Datenqualität: (i) Prozentsatz „guter“ Kanäle; (ii) Prozentsatz „guter“ Studien; und (iii) Anzahl unabhängiger Komponenten (ICs), die mit der Aktivität der Gehirnquelle zusammenhängen. Aus dieser Pipeline werden „gute“ Kanäle als diejenigen definiert, die nach Abschluss der entsprechenden Vorverarbeitungsschritte übrig bleiben: Entfernung von Kanälen mit mehr als fünf Sekunden Inaktivität, mit einem Signal, das aufgrund von hochfrequentem Rauschen oder Pearson größer als vier Standardabweichungen ist Korrelationskoeffizient kleiner als 0,7 mit benachbarten Kanälen. Dementsprechend beziehen sich „gute“ Studien auf Datenperioden, die nicht durch Artefakte wie Körperbewegungen verunreinigt sind. In dieser Studie haben wir Datensegmente mit einer Varianz entfernt, die mehr als das Zwanzigfache der Varianz der Kalibrierungsdaten beträgt. Schließlich wurde die unabhängige Komponentenanalyse (ICA) mithilfe des RunICA-Plugins für die EEGLAB-Toolbox berechnet, um ICs47 zu erstellen. Anschließend wurde das ICLabel-Plugin verwendet, um ICs zu identifizieren, die zur Gehirnquellenaktivität gehören48. Die resultierende Metrik berechnet den Prozentsatz der ICs, die mit der Gehirnquellenaktivität verbunden sind, dividiert durch die Gesamtzahl der von ICA gefundenen ICs.

Zu den zeitlichen Messungen der fMRT-Daten gehören der Median und die mittlere rahmenweise Verschiebung44, der quadratische Mittelwert der zeitlichen Änderung (DVARS) und das zeitliche Signal-Rausch-Verhältnis (tSNR).

Permutationstests bieten einen robusten Rahmen für die statistische Signifikanzbewertung in der EEG-Analyse. An der Aufgabe „Flackerndes Schachbrett“ wurden mehrere Permutationstests durchgeführt, um Unterschiede zwischen den beiden Aufgabenbedingungen zu identifizieren: dem Rest und den Blöcken „Flackerndes Schachbrett“. Diese Analyse wird verwendet, um statistische Relevanz zu ermitteln, die den EEG-Daten zugrunde liegende Unterschiede identifiziert. Ein Vorteil des Mehrfachpermutationstests besteht darin, dass nicht für jede Bedingung die gleiche Anzahl von Versuchen erforderlich ist. Bei unserem Permutationstest wurden die Versuche in zwei neue Gruppen eingeteilt, gefolgt von der Berechnung eines gepaarten t-Tests. Schließlich wurde eine pixelbasierte Mehrfachvergleichskorrektur angewendet, um die familienbezogene Fehlerrate zu reduzieren49.

Alle Bilddaten in dieser Pressemitteilung wurden deidentifiziert und alle personenbezogenen Daten (wie durch die Portabilität und Rechenschaftspflicht der Krankenversicherung definiert) aus den Datendateien entfernt, einschließlich Gesichtsmerkmalen. Gesichtsmerkmale aus den T1w-MRTs wurden mit dem von Bischoff-Grethe et al.50 entwickelten Softwarepaket „mri_deface“ entfernt. Daten und Code werden unter der CC BY 4.0-Lizenz weitergegeben.

Auf alle Daten kann über das 1.000 Functional Connectomes Project und seine International Neuroimaging Data-sharing Initiative (FCP/INDI)51 zugegriffen werden. Diese Website51 bietet Benutzern Anweisungen zum direkten Herunterladen aller Bilddaten aus einem Amazon Simple Storage Service (S3)-Bucket. Über die Website werden Roh- und vorverarbeitete Daten bereitgestellt.

Alle Daten wurden nach dem Brain Imaging Data Structure (BIDS)-Format52,53 organisiert, einem immer beliebter werdenden Ansatz zur Beschreibung von Bilddaten in einem Standardformat. Im S3-Bucket der Studie gibt es zwei Ordner, einen mit Rohdaten und einen mit vorverarbeiteten Daten.

Im Rohdatenordner wird der BIDS-Standard befolgt und der Basisordner enthält fünf Dateisätze (JSON und TSV) mit Informationen zur Studie. Dazu gehörten eine Beschreibung des Datensatzes, eine Liste der Teilnehmer einschließlich demografischer Informationen sowie Fragebögen zu Schlafmustern, Koffeinkonsum sowie Gedanken und Gefühlen während des Experiments54. Innerhalb der Subjekt- und Sitzungsordner gibt es drei Ordner: einen mit den anatomischen MRT-Bildern (anat), einen mit den EEG- und Eye-Tracking-Daten (eeg) und eine Datei mit den fMRT- und Atmungsdaten (func). MRT-Daten werden im NIfTI-Format gespeichert, EEG-Daten im EEGLAB-Datendateiformat (.set) mit Header- und Markierungsdateien im Brainvision-Format (.vhdr.vmrk) und Eye-Tracking- und Atmungsdaten werden in TSVs gespeichert. Es werden Sidecars (JSON-Dateien) mit Metadaten bereitgestellt, die Informationen zu Erfassungsparametern enthalten.

Verarbeitete EEG- und FMRI-Daten werden im vorverarbeiteten Ordner gespeichert. Die Daten sind ähnlich organisiert, da der Rohdatenordner und die Dateiformate identisch sind. Vollständig vorverarbeitete fMRT-Daten befinden sich im Ordner „func_preproc“ in jedem Ordner „subject/session/func/task“. Vorverarbeitete EEG- und Eye-Tracking-Daten befinden sich im Ordner „eeg“ innerhalb der Unterordner „Subjekt/Sitzung“.

Abbildung 2 zeigt den Vergleich des EEG während des Schachbrettexperiments über die drei Scaneinstellungen hinweg. Abbildung 2A zeigt die Signalleistung über 2 s-Epochen während der Schachbrett- und Ruheaufgabe, gemittelt über Probanden an der Oz-Elektrode. Beim Vergleich des Schachbrettmusters mit dem Ruhezustand zeigt das Schachbrettmuster Spitzen bei 12 Hz und 24 Hz, was die Antriebsfrequenz des Schachbrettmusters bzw. seiner Oberschwingung darstellt. Beim Wechsel in die Scannerumgebung wird die Leistung des Schachbretts reduziert. Dennoch sind in den Einstellungen „Scanner AUS“ und „Scanner EIN“ weiterhin Spitzen bei 12 Hz und 24 Hz sichtbar. Die Einstellung „Scanner EIN“ enthält auch einen Abfall bei 18 Hz sowohl im Ruhezustand als auch im Schachbrettmuster. Dieser Abfall bezeichnet Restartefakte, die nach dem Schritt zur Entfernung des Gradientenartefakts im Signal zurückbleiben. Wenn man die Frequenz über die Dauer der 2-Sekunden-Epoche betrachtet, wird der Unterschied zwischen dem Ruhe- und dem Schachbrettzustand deutlich, wobei die 12-Hz-Antriebsfrequenz und die 24-Hz-Oberwelle über die gesamte Epoche hinweg auftreten (Abb. 2B). Wie in Abb. 2C dargestellt, sind diese Unterschiede für die drei Einstellungen statistisch signifikant. Während sich diese Diagramme auf die Oz-Elektrode konzentrieren, erstreckt sich die Signalleistung auch auf andere Elektroden im Hinterkopfbereich (Abb. 2D).

EEG-Datenvalidierung. (A) Vergleich des Leistungsspektrums für Teilnehmer unter verschiedenen Scanbedingungen: Außen, innerhalb des Scanners mit ausgeschaltetem und eingeschaltetem Scanner; (B) Zeit-Frequenz-Vergleich von Schachbrett- und Ruheblöcken über 2-s-Epochen unter verschiedenen Bedingungen; (C) Permutationssubtraktion von Schachbrett und Rest. Statistisch bedeutsame Regionen werden durch schwarze Linien umrandet. Natürlich ist der Frequenzbereich um 12 und 24 Hz unter allen Bedingungen statistisch signifikant; (D) Topografische Diagramme zum Vergleich der Ruhe- und Schachbrettbedingungen und deren Unterschiede über drei Bedingungen hinweg.

Für jeden EEG-Rohdatensatz wurden drei Qualitätsbewertungsmetriken berechnet: Prozentsatz der „guten“ Kanäle, Prozentsatz der „guten“ Versuche und die Anzahl der unabhängigen Komponenten (ICs), die mit der Aktivität der Gehirnquelle in Zusammenhang stehen, als Prozentsatz der Gesamtzahl der ICs. Wie in Abb. 3 dargestellt, war die Datenqualität bei allen Probanden hinsichtlich des Prozentsatzes guter Kanäle und Versuche für die Schachbrettaufgabe hoch. Obwohl die Datenqualität in der Einstellung „Außen“ am höchsten war, wurden hohe Prozentsätze für Kanäle und Versuche in den Einstellungen „Scanner AUS“ und „Scanner EIN“ gefunden. Wie in Abb. 4 zu sehen ist, war der Prozentsatz guter Kanäle und Versuche bei allen Aufgaben hoch, was auf die Stabilität der Datenqualität während der Scansitzung hinweist. Der Prozentsatz mutmaßlicher Hirnquellen basierend auf der IC-Klassifizierung war bei der Einstellung „Scanner EIN“ niedriger als bei den anderen beiden Einstellungen. Aufgrund der Zunahme von Rauschquellen in den Einstellungen „Scanner AUS“ (z. B. Pulsartefakt) und „Scanner EIN“ (z. B. Gradientenartefakt) wird erwartet, dass der Prozentsatz der ICs im Zusammenhang mit Hirnquellen sinkt. Wie in Abb. 4 dargestellt, ist die Qualität der EEG-Daten über alle Scaneinstellungen hinweg stabil.

Vergleich der EEG-Datenqualität für eine flackernde Schachbrettaufgabe zwischen den Teilnehmern. Drei Qualitätsmetriken (Prozentsatz guter Kanäle, Prozentsatz guter Versuche und Prozentsatz der ICA-Gehirnquellen) wurden über alle Scanbedingungen hinweg bewertet. Bei den Kanälen und Versuchen war die Datenqualität unter allen Scanbedingungen hoch, was auf eine hohe Qualität der EEG-Daten hinweist.

Vergleich der EEG-Datenqualität im Scanner. Drei Qualitätsmetriken (Prozentsatz guter Kanäle, Prozentsatz guter Versuche und Prozentsatz der ICA-Gehirnquellen) wurden über alle Scanbedingungen hinweg bewertet. Bei den Kanälen und Versuchen war die Datenqualität unter allen Scanbedingungen hoch, was auf die Aufrechterhaltung hochwertiger EEG-Daten während der gesamten Bildgebungssitzung hindeutet.

Um die Qualität der fMRT-Daten zu beurteilen, wurde für alle Scans die mittlere rahmenweise Verschiebung (FD) gemessen. Wie in Abb. 5 dargestellt, betrug die mittlere FD für jeden fMRT-Scan; Scans mit einem Wert über 0,2 galten als hohe Bewegung. Um festzustellen, ob es einen Ordnungseffekt gab, wurden die Scansitzungen farblich gekennzeichnet, um festzustellen, ob sich die Teilnehmer früher oder später im Scan bewegten. Die meisten Probandendaten lagen unter dem Schwellenwert von 0,2 (93 % der Scans), und es gab kein Ordnungsmuster zwischen den Teilnehmern.

Mediane rahmenweise Verschiebung für fMRT-Daten bei den 22 Teilnehmern der Studie. Die mittlere rahmenweise Verschiebung wurde für jeden Scan über beide Sitzungen hinweg gemessen und für jeden Teilnehmer grafisch dargestellt. Scans mit einem Wert über 0,2 wurden als hohe Bewegung betrachtet und als Punkte um die gepunktete Schwellenlinie angezeigt. Rechts neben dem Diagramm befindet sich die Verteilung aller Scans. Wie aus der Verteilung hervorgeht, war die Compliance der Teilnehmer gut und die meisten Scans wiesen eine geringe Bewegung auf, gemessen anhand des mittleren FD.

Für das Schachbrettexperiment haben wir die Korrelation zwischen ROIs innerhalb und zwischen Probanden und über Scans hinweg untersucht (Abb. 6). Die Verteilungen für die innerhalb des Scans und innerhalb der Probanden zeigten eine breitere Werteverteilung mit höheren Korrelationen für die Verteilungen innerhalb des Scans und innerhalb der Probanden.

Verteilungen der Korrelationskoeffizienten im Vergleich innerhalb von Scans und zwischen Scans desselben Teilnehmers sowie innerhalb von Probanden und zwischen Probanden-Scans aller Teilnehmer. Bei der Betrachtung eines einzelnen Teilnehmers ist die Verteilung der Korrelationskoeffizienten innerhalb des Scans breiter (d. h. eine Verteilung mit längeren Enden) als die Korrelationen zwischen Scans, was stärkere Intrascan-Korrelationskoeffizienten widerspiegelt. Ebenso waren die Korrelationskoeffizienten innerhalb der Probanden innerhalb der Teilnehmer stärker als die Korrelationen zwischen Probanden.

Die Werte für EEG- und MRT-Daten wurden innerhalb und zwischen Modalitäten anhand verschiedener Qualitätsmetriken verglichen: mittlere FD (rahmenweise Verschiebung), mittlere FD, DVARS (zeitliche Ableitung von Zeitverläufen) und tSNR (zeitliches Signal-Rausch-Verhältnis) für MRT; Kanäle, Versuche und Gehirnquellen für das EEG (Abb. 7). Die Verwendung von Spearmans ρ zwischen den einzelnen Modalitäten zeigt eine starke positive Korrelation zwischen mittlerer und mittlerer FD und eine starke negative Korrelation zwischen FD-Messungen und tSNR. Es wurde eine schwache Korrelation zwischen DVARS und tSNR festgestellt, es wurde jedoch kein Zusammenhang mit DVARS und anderen Messungen gefunden. Bei den EEG-Messungen gab es keine Korrelation zwischen den verschiedenen Qualitätsmessungen. Darüber hinaus gab es keine Korrelation zwischen Qualitätsmaßen zwischen Bildgebungsmodalitäten.

Korrelation zwischen MRT- und EEG-Daten. Wie erwartet besteht eine starke positive Korrelation zwischen den Maßen des Mittelwerts und des Medians der FD; Ebenso besteht eine starke negative Korrelation zwischen den FD- und tSNR-Messungen. Im Gegensatz dazu scheint es keinen Zusammenhang zwischen EEG-Messungen innerhalb der Modalität und mit fMRT-Qualitätsmessungen zu geben.

Als Test für die multimodale Datenintegration haben wir bewertet, ob wir das EEG-Signal verwenden können, um die hämodynamische Reaktion in den fMRT-Daten vorherzusagen. Konkret wurde nach der Vorverarbeitung das EEG-Signal des Oz-Signals für das Schachbrettexperiment zwischen den Teilnehmern gemittelt. Dieses Signal wurde dann bandpassgefiltert (IIR-Filter 20. Ordnung zwischen 11 Hz und 13 Hz), moduliert und mit einer idealen hämodynamischen Antwortfunktion (unter Verwendung einer Gammavariatenfunktion) gefaltet. Dieses Signal wurde als Regressor für jeden Teilnehmer verwendet, um die BOLD-Aktivität abzubilden. Zur Berechnung einer Gruppenaktivitätskarte wurde ein T-Test mit einer Stichprobe durchgeführt (Abb. 8A). Zu Vergleichszwecken wurde auch ein Regressor berechnet, der auf einem idealen Blockdesign mit gefalteter Gamma-Variablen-Funktion basiert, um die Aktivität auf Gruppenebene zu betrachten (Abb. 8B). Die in Abb. 8 gezeigten Aktivitätskarten zeigen, dass beide Ansätze ein ähnliches Aktivitätsniveau im Hinterhauptslappen erzeugen.

Aktivierungskarte der Schachbrett-Aufgabengruppe, entweder unter Verwendung des (A) durchschnittlichen EEG-Gruppensignals von Oz als Regressor oder (B) eines Blockdesigns zur Generierung der hämodynamischen Antwortfunktion.

Die gleichzeitige Erfassung von EEG und fMRT erfordert mehrere methodische Überlegungen. Während EEG und fMRT eine lange Geschichte haben, ist die Erfassung des EEG im MRT-Scanner aus mehreren technischen Gründen eine Herausforderung. Das Hauptproblem bei der Erfassung einer Funktionsaufzeichnung ist die Erzeugung von Artefakten aus verschiedenen Quellen. Das Hauptartefakt entsteht durch das Gradientenartefakt, das während der Echo-Planar-Bildgebung (EPI) erzeugt wird und Veränderungen im Magnetfeld induziert55. Eine weitere Lärmquelle entsteht durch die Scannerumgebung. Vibrationen des Heliumkompressors in den Trio- und Verio-Scannern von Siemens stellen zwar kein Problem bei allen Scannern dar, führen jedoch zu Artefakten im EEG-Signal56; Diese Vibrationen induzieren instationäre Artefakte, die das EEG-Signal verunreinigen. Eine weitere Lärmquelle wird durch das Pulsieren der Arterien in der Kopfhaut verursacht, die Bewegungen in den EEG-Elektroden verursachen und Spannung erzeugen. Das Ballistokardiogramm (BCG)-Signal erfasst die ballistischen Kräfte des Blutes im Herzzyklus4,5 und wird mit zunehmender Magnetfeldstärke stärker ausgeprägt6. Zusätzlich zu einem ausgeprägteren Signal kann das EKG-Signal Auswirkungen auf die Datenerfassung und Vorverarbeitung haben. In einigen Fällen führt das ausgeprägte EKG-Signal zu einer Signalsättigung während der MRT-Scansequenz. Folglich führt diese Sättigung zu einer Signalbeschneidung, die die QRS-Erkennung und Methoden zur Entfernung von Pulsartefakten während der Vorverarbeitung behindert. In dieser Datenveröffentlichung kommt es zu Signalbeschneidungen im EKG-Kanal. Für Teilnehmer, bei denen die QRS-Erkennung des EKG-Kanals fehlschlug, bestand eine in dieser Studie verwendete Methode darin, die QRS-Erkennung auf jedem EEG-Kanal durchzuführen und den Kanal auszuwählen, der den Modus der erkannten QRS-Komplexe enthält. Aus diesem Kanal wird die Median-Vorlage erstellt und kanalübergreifend zur Entfernung von Pulsartefakten angewendet.

Um diese zahlreichen Lärmquellen zu bekämpfen, gibt es auch Techniken. Gradientenartefakte können minimiert werden, indem die Konfiguration oder Anordnung der EEG-Ableitungen57 oder die Platzierung des Kopfes in der Spule58 geändert wird. Um das Gradientenfeldartefakt zu entfernen, verwenden wir die MR-Uhr, um den Scanner-Trigger bei jedem TR59,60 aufzuzeichnen. Mithilfe einer Methode zur Subtraktion von Vorlagenartefakten61 wird das Gradientenartefakt bei jedem TR-Einsatz aufgezeichnet und gemittelt, um eine Vorlage zu erstellen. Die Vorlage wird dann vom Signal subtrahiert, um ein sauberes Signal zu erzeugen. In dieser Studie verwendeten wir das MRIB-Plug-in für EEGLAB, das vom Centre for Functional MRI of the Brain (FMRIB) der Universität Oxford bereitgestellt wird, um das MRT-Gradientenartefakt zu regressieren37,38. Für durch den Heliumkompressor verursachte Geräusche gibt es Methoden zur Aufzeichnung und Regression dieses bewegungsinduzierten Artefakts7,62; In unseren Experimenten bestand die einfachste Methode zur Entfernung dieses Artefakts jedoch darin, den Heliumkompressor während gleichzeitiger Aufnahmen auszuschalten. Während die Gefahr besteht, dass Helium verdampft, wenn die Temperatur im Scanner steigt, kann diesem Problem durch kürzere Scansitzungen begegnet werden. In unserer Studie schwankte die Temperatur des Kühlsystems nicht, was sich auf den Kryogenverlust auswirken würde. Während kürzere Scans ideal sind, haben wir ohne Probleme mehr als 2 Stunden lang Daten gesammelt.

Ein weiterer Faktor, der sich auf die Qualität der EEG-Daten auswirkte, war die Signalbeschneidung, die bei gleichzeitigen Aufzeichnungen häufig im EKG-Kanal auftritt. Bei unseren gleichzeitigen EEG-fMRT-Aufzeichnungen beeinträchtigte die Platzierung von Kabel und Verstärker im Scanner die Qualität der EEG-Daten. Bei der Kabelverlegung müssen mehrere Faktoren berücksichtigt werden. Beim Scannen müssen Forscher sicherstellen, dass bei ihrem Aufbau Schleifen minimiert werden. Die Kabel sollten in der Mitte der Bohrung verlaufen und der angeschlossene Verstärker sollte in der Mitte der Bohrung platziert werden, um eine bessere Datenqualität zu gewährleisten55. Übermäßige Biegungen oder Schleifen in den Kabeln können Ströme in den Kabeln induzieren und so Artefakte im EEG-Signal verursachen. Eine weitere Möglichkeit, Artefakte zu reduzieren, besteht darin, die Kabellänge zwischen der EEG-Haube und den angeschlossenen Verstärkern zu reduzieren. Alle großen Scannerhersteller bieten Kopfspulen an, die mit einem Kanal für EEG-Kabel ausgestattet sind, die direkt über dem Kopf eines Teilnehmers liegen63. Darüber hinaus erzeugen gebündelte Kabel weniger Artefakte als Bandkabel64. In unseren Experimenten enthielt die Kopfspule keinen Kanal für EEG-Kabel und zur Verbindung von Kappe und Verstärker wurde ein Flachbandkabel verwendet. Um Artefakte zu reduzieren, wurden EEG-Kabel durch die Kopfspule über dem Kopf des Teilnehmers geführt und entlang der Mitte der Bohrung mit Klebeband befestigt, um Bewegungen zu minimieren und eine optimale Position im Scanner sicherzustellen.

Code zur Darstellung von Aufgabenreizen und naturalistischen Reizen sowie Code zur Vorverarbeitung von EEG- und fMRT-Bildgebungsdaten ist auf GitHub verfügbar (https://github.com/NathanKlineInstitute/NATVIEW_EEGFMRI). Darüber hinaus werden die für naturalistische Reize verwendeten Videos auch über das GitHub-Repository verfügbar gemacht.

Mele, G. et al. Simultanes EEG-fMRT zur funktionellen neurologischen Beurteilung. Vorderseite. Neurol. 10, 848 (2019).

Artikel PubMed PubMed Central Google Scholar

Nentwich, M. et al. Die funktionelle Konnektivität des EEG ist fachspezifisch, mit dem Phänotyp verbunden und unterscheidet sich von der fMRT. Neuroimage 218, 117001 (2020).

Artikel PubMed Google Scholar

Allen, PJ, Josephs, O. & Turner, R. Eine Methode zum Entfernen von Bildartefakten aus dem kontinuierlichen EEG, das während der funktionellen MRT aufgezeichnet wurde. Neuroimage 12, 230–239 (2000).

Artikel CAS PubMed Google Scholar

Yan, WX, Mullinger, KJ, Geirsdottir, GB & Bowtell, R. Physikalische Modellierung von Pulsartefaktquellen im simultanen EEG/fMRT. Summen. Brain Mapp. 31, 604–620 (2010).

PubMed Google Scholar

Luo, Q., Huang, X. & Glover, GH Entfernung von Ballistokardiogramm-Artefakten mit einer Referenzschicht und einer Standard-EEG-Kappe. J. Neurosci. Methoden 233, 137–149 (2014).

Artikel PubMed PubMed Central Google Scholar

Neuner, I., Arrubla, J., Felder, J. & Shah, NJ Simultane EEG-fMRT-Erfassung bei niedrigen, hohen und ultrahohen Magnetfeldern bis zu 9,4 T: Perspektiven und Herausforderungen. Neuroimage 102 (Teil 1), 71–79 (2014).

Artikel PubMed Google Scholar

van der Meer, JN et al. Die auf Kohlenstoffdrahtschleifen basierende Artefaktkorrektur übertrifft EEG/fMRT-Korrekturen nach der Verarbeitung – eine Validierung einer simultanen EEG/fMRT-Korrekturmethode in Echtzeit. Neuroimage 125, 880–894 (2016).

Artikel PubMed Google Scholar

Hoffmann, S. & Falkenstein, M. Die Korrektur von Lidschlagartefakten im EEG: ein Vergleich zweier prominenter Methoden. PLoS One 3, e3004 (2008).

Artikel ADS PubMed PubMed Central Google Scholar

Power, JD et al. Unterscheidung zwischen realen und scheinbaren Atembewegungen in menschlichen fMRT-Daten. Neuroimage 201, 116041 (2019).

Artikel PubMed Google Scholar

Fishell, AK, Burns-Yocum, TM, Bergonzi, KM, Eggebrecht, AT & Culver, JP Kartierung der Gehirnfunktion bei naturalistischer Betrachtung mittels hochauflösender diffuser optischer Tomographie. Wissenschaft. Rep. 9, 11115 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Naturalistische Reize: Ein Paradigma für die multiskalige funktionelle Charakterisierung des menschlichen Gehirns. Aktuelle Meinung in der Biomedizintechnik

Sonkusare, S., Breakspear, M. & Guo, C. Naturalistische Reize in den Neurowissenschaften: Von der Kritik gefeiert. Trends Cogn. Wissenschaft. 23, 699–714 (2019).

Artikel PubMed Google Scholar

Nastase, SA, Goldstein, A. & Hasson, U. Bleiben Sie realistisch: Überdenken Sie den Vorrang experimenteller Kontrolle in der kognitiven Neurowissenschaft. Neuroimage 222, 117254 (2020).

Artikel PubMed Google Scholar

Saarimäki, H. Naturalistische Reize in der affektiven Neurobildgebung: Eine Übersicht. Vorderseite. Summen. Neurosci. 15, 675068 (2021).

Artikel PubMed PubMed Central Google Scholar

Goldberg, H., Preminger, S. & Malach, R. Die Emotion-Aktion-Verbindung? Naturalistische emotionale Reize aktivieren bevorzugt den dorsalen Sehstrom des Menschen. Neuroimage 84, 254–264 (2014).

Artikel PubMed Google Scholar

Hasson, U., Furman, O., Clark, D., Dudai, Y. & Davachi, L. Verbesserte Intersubjektkorrelationen während der Filmwiedergabe korrelieren mit einer erfolgreichen episodischen Kodierung. Neuron 57, 452–462 (2008).

Artikel CAS PubMed PubMed Central Google Scholar

Yang, Z. et al. Messzuverlässigkeit für individuelle Unterschiede in der Dynamik mehrschichtiger Netzwerke: Vorsichtsmaßnahmen und Überlegungen. Neuroimage 225, 117489 (2021).

Artikel PubMed Google Scholar

Afdile, M. Jenseits der Neurokinematik: Untersuchung der voreingenommenen sozialen Wahrnehmung durch Zusammenarbeit zwischen Neurowissenschaften und Filmemachen. Leonardo 55, 278–282 (2022).

Artikel Google Scholar

Vanderwal, T., Kelly, C., Eilbott, J., Mayes, LC & Castellanos, FX Inscapes: Ein Filmparadigma zur Verbesserung der Compliance bei der funktionellen Magnetresonanztomographie. Neuroimage 122, 222–232 (2015).

Artikel PubMed Google Scholar

Park, SH et al. Funktionelle Subpopulationen von Neuronen in einem Makaken-Gesichtsfleck, entdeckt durch Single-Unit-fMRT-Kartierung. Neuron 95, 971–981.e5 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Park, SH et al. Parallele funktionale Subnetzwerke, eingebettet in das Makaken-Gesichtspflastersystem. Wissenschaft. Adv. 8, eabm2054 (2022).

Artikel PubMed PubMed Central Google Scholar

Mantini, D. et al. Aktivitätskorrelationen zwischen den Spezies offenbaren funktionelle Übereinstimmungen zwischen Gehirnbereichen von Affen und Menschen. Nat. Methoden 9, 277–282 (2012).

Artikel CAS PubMed PubMed Central Google Scholar

Buysse, DJ, Reynolds, CF 3rd, Monk, TH, Berman, SR & Kupfer, DJ Der Pittsburgh Sleep Quality Index: ein neues Instrument für die psychiatrische Praxis und Forschung. Psychiatrie Res. 28, 193–213 (1989).

Artikel CAS PubMed Google Scholar

SR Research Ltd. EyeLink 1000 Benutzerhandbuch. http://sr-research.jp/support/EyeLink%201000%20User%20Manual%201.5.0.pdf (2009).

Papakostopoulos, D. & Blackmore, S. Rezensionen: Elektrophysiologie des menschlichen Gehirns: Evozierte Potentiale und evozierte Magnetfelder in Wissenschaft und Medizin, von der Empfindung bis zu Symbolen: Lesungen zum Bewusstsein. Wahrnehmung 22, 375–377 (1993).

Artikel Google Scholar

Herrmann, CS Menschliche EEG-Reaktionen auf 1–100-Hz-Flimmern: Resonanzphänomene im visuellen Kortex und ihre mögliche Korrelation mit kognitiven Phänomenen. Exp. Gehirnres. 137, 346–353 (2001).

Artikel ADS CAS PubMed Google Scholar

Sun, P. et al. BOLD-Signaländerung und Kontrastumkehrfrequenz: eine ereignisbezogene fMRT-Studie im primären visuellen Kortex des Menschen. PLoS One 9, e99547 (2014).

Artikel ADS PubMed PubMed Central Google Scholar

Bayram, A., Karahan, E., Bilgiç, B., Ademoglu, A. & Demiralp, T. Achromatische zeitliche Frequenzreaktionen des menschlichen Nucleus geniculatum laterale und des primären visuellen Kortex. Vision Res. 127, 177–185 (2016).

Artikel PubMed Google Scholar

Son, J. et al. Bewertung der fMRT-basierten Schätzung des Blicks während der naturalistischen Betrachtung. Großhirn. Cortex 30, 30 (2019).

Google Scholar

Frey, J. Die Gegenwart. unter https://www.youtube.com/watch?v=C_nJJHaNmnY (2016).

Alexander, LM et al. Eine offene Ressource für transdiagnostische Forschung im Bereich der psychischen Gesundheit und Lernstörungen bei Kindern. Sci Data 4, 170181 (2017).

Artikel PubMed PubMed Central Google Scholar

Russ, BE & Leopold, DA Funktionelle MRT-Kartierung dynamischer visueller Merkmale während der natürlichen Betrachtung beim Makaken. Neuroimage 109, 84–94 (2015).

Artikel PubMed Google Scholar

Russ, B. & Leopold, D. Russ Leopold Filme über nichtmenschliche Primaten. https://doi.org/10.5281/zenodo.4623809 (2020).

Egan, MK, Larsen, R., Wirsich, J., Sutton, BP & Sadaghiani, S. Sicherheit und Datenqualität von EEG, die gleichzeitig mit Multiband-fMRT aufgezeichnet wurden. PLoS One 16, e0238485 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Hanke, M. et al. Eine Studie zur Waldverlängerung, gleichzeitigen fMRT- und Blickaufzeichnungen während längerer natürlicher Stimulation. Sci Data 3, 160092 (2016).

Artikel PubMed PubMed Central Google Scholar

Delorme, A. & Makeig, S. EEGLAB: eine Open-Source-Toolbox zur Analyse der EEG-Dynamik in Einzelversuchen, einschließlich unabhängiger Komponentenanalyse. J. Neurosci. Methoden 134, 9–21 (2004).

Artikel PubMed Google Scholar

Iannetti, GD et al. Gleichzeitige Aufzeichnung laserevozierter Gehirnpotentiale und kontinuierliche funktionelle Hochfeld-Magnetresonanztomographie beim Menschen. Neuroimage 28, 708–719 (2005).

Artikel CAS PubMed Google Scholar

Niazy, RK, Beckmann, CF, Iannetti, GD, Brady, JM & Smith, SM Entfernung von FMRI-Umgebungsartefakten aus EEG-Daten unter Verwendung optimaler Basissätze. Neuroimage 28, 720–737 (2005).

Artikel CAS PubMed Google Scholar

Schmidt, M., Krug, JW, Rosenheimer, MN & Rose, G. Filterung von durch Magnetfeldgradienten verzerrten EKG-Signalen während der MRT unter Verwendung nichtlinearer Filter und Statistiken höherer Ordnung. Biomed. Technik. (Berl.) 63, 395–406 (2018).

Artikel PubMed Google Scholar

Christov, II Echtzeit-Elektrokardiogramm-QRS-Erkennung unter Verwendung der kombinierten adaptiven Schwelle. Biomed. Ing. Online 3, 28 (2004).

Artikel PubMed PubMed Central Google Scholar

Kim, KH, Yoon, HW & Park, HW Verbesserte Entfernung ballistokardialer Artefakte aus dem im fMRT aufgezeichneten Elektroenzephalogramm. J. Neurosci. Methoden 135, 193–203 (2004).

Artikel PubMed Google Scholar

Xu, T., Yang, Z., Jiang, L., Xing, X.-X. & Zuo, X.-N. Ein Connectome-Berechnungssystem zur wissenschaftlichen Entdeckung des Gehirns. Wissenschaft. Stier. (Peking) 60, 86–95 (2015).

Artikel ADS Google Scholar

Jenkinson, M. & Smith, S. Eine globale Optimierungsmethode für eine robuste affine Registrierung von Gehirnbildern. Med. Bild Anal. 5, 143–156 (2001).

Artikel CAS PubMed Google Scholar

Jenkinson, M., Bannister, P., Brady, M. & Smith, S. Verbesserte Optimierung für die robuste und genaue lineare Registrierung und Bewegungskorrektur von Gehirnbildern. Neuroimage 17, 825–841 (2002).

Artikel PubMed Google Scholar

Schaefer, A. et al. Lokal-globale Parzellierung der menschlichen Großhirnrinde anhand der intrinsischen funktionellen Konnektivitäts-MRT. Großhirn. Cortex 28, 3095–3114 (2018).

Artikel PubMed Google Scholar

Delorme, A., et al. NEMAR: Eine Open-Access-Daten-, Werkzeug- und Rechenressource, die mit NeuroElectroMagnetic-Daten arbeitet. Datenbank 2022, (2022).

Makeig, S., Bell, A., Jung, T.-P. & Sejnowski, TJ in Advances in Neural Information Processing Systems 8, (MIT Press, 1995).

Pion-Tonachini, L., Kreutz-Delgado, K. & Makeig, S. ICLabel: Ein automatisierter elektroenzephalographischer unabhängiger Komponentenklassifikator, Datensatz und Website. Neuroimage 198, 181–197 (2019).

Artikel PubMed Google Scholar

Cohen, MX Analyse neuronaler Zeitreihendaten: Theorie und Praxis. (Mit Press, 2014).

Bischoff-Grethe, A. et al. Eine Technik zur Deidentifizierung struktureller MRT-Bilder des Gehirns. Summen. Brain Mapp. 28, 892–903 (2007).

Artikel PubMed PubMed Central Google Scholar

Telesford, QK et al. EEG/FMRI Naturalistic Viewing-Datensatz. Internationale Initiative zum Austausch von Neuroimaging-Daten. https://doi.org/10.15387/fcp_indi.retro.Nat_View (2023).

Gorgolewski, KJ et al. Die Datenstruktur der Bildgebung des Gehirns, ein Format zum Organisieren und Beschreiben der Ergebnisse von Neuroimaging-Experimenten. Wissenschaftliche Daten 3, 1–9 (2016).

Artikel Google Scholar

Pernet, CR et al. EEG-BIDS, eine Erweiterung der Bilddatenstruktur des Gehirns für die Elektroenzephalographie. Sci Data 6, 103 (2019).

Artikel PubMed PubMed Central Google Scholar

Gorgolewski, KJ et al. Eine Entsprechung zwischen individuellen Unterschieden in der intrinsischen Funktionsarchitektur des Gehirns und dem Inhalt und der Form selbstgenerierter Gedanken. PLoS One 9, e97176 (2014).

Artikel ADS PubMed PubMed Central Google Scholar

Ritter, P. & Villringer, A. Simultanes EEG-fMRT. Neurosci. Bioverhalten. Rev. 30, 823–838 (2006).

Artikel PubMed Google Scholar

Nierhaus, T. et al. Das interne Belüftungssystem von MR-Scannern induziert bei gleichzeitiger EEG-fMRT spezifische EEG-Artefakte. Neuroimage 74, 70–76 (2013).

Artikel PubMed Google Scholar

Ferreira, JL, Wu, Y., Besseling, RMH, Lamerichs, R. & Aarts, RM Gradientenartefaktkorrektur und Auswertung des gleichzeitig mit fMRT-Daten aufgezeichneten EEG unter Verwendung eines optimierten gleitenden Durchschnitts. J. Med. Ing. 2016, 9614323 (2016).

Artikel PubMed PubMed Central Google Scholar

Mullinger, KJ, Yan, WX & Bowtell, R. Reduzierung des Gradientenartefakts bei gleichzeitiger EEG-fMRT durch Anpassung der axialen Position des Probanden. Neuroimage 54, 1942–1950 (2011).

Artikel PubMed Google Scholar

Negishi, M., Abildgaard, M., Nixon, T. & Constable, RT Entfernung zeitlich variierender Gradientenartefakte aus EEG-Daten, die während kontinuierlicher fMRT erfasst wurden. Klin. Neurophysiol. 115, 2181–2192 (2004).

Artikel PubMed Google Scholar

Ritter, P., Becker, R., Graefe, C. & Villringer, A. Bewertung der Gradientenartefaktkorrektur von gleichzeitig mit fMRT erfassten EEG-Daten. Magn. Resonanz. Bildgebung 25, 923–932 (2007).

Artikel PubMed Google Scholar

Hashimoto, T., Elder, CM & Vitek, JL Eine Template-Subtraktionsmethode zur Entfernung von Reizartefakten bei der Hochfrequenz-Tiefenhirnstimulation. J. Neurosci. Methoden 113, 181–186 (2002).

Artikel PubMed Google Scholar

Abbott, DF et al. Konstruktion von Bewegungserkennungsschleifen aus Kohlefaser für die gleichzeitige EEG-fMRT. Vorderseite. Neurol. 5, 260 (2014).

PubMed Google Scholar

Gehirnprodukte. Änderungen am Brain Products-Standard BrainCap MR. unter https://pressrelease.brainproducts.com/braincap_mr/ (2020)

Chowdhury, MEH, Mullinger, KJ & Bowtell, R. Simultanes EEG-fMRT: Bewertung der Auswirkung der Verkabelungskonfiguration auf das Gradientenartefakt. Physik. Med. Biol. 60, N241–50 (2015).

Artikel CAS PubMed Google Scholar

Referenzen herunterladen

Wir möchten Raj Sangoi und Caixia Hu für ihre technische Unterstützung und ihr Fachwissen bei der Entwicklung des Scanprotokolls für die Datenerfassung danken. Wir möchten auch Mark Higger für seine Beiträge zur Entwicklung des Codes für die EEG-Vorverarbeitungspipeline danken. Die Arbeit wird hauptsächlich durch Zuschüsse der BRAIN Initiative (R01MH111439) und des CONTE Centre (P50MH109429) sowie Rockland Sample (R01MH124045) des NIH unterstützt. Das Datenhosting wird durch das Open Data-Programm von AWS unterstützt.

Zentrum für Bildgebung des Gehirns und Neuromodulation, Nathan S. Kline Institut für psychiatrische Forschung, Orangeburg, NY, USA

Qawi K. Telesford, Eduardo Gonzalez-Moreira, Yiwen Tian, Stanley J. Colcombe, Jessica Cloud, Brian E. Russ, Arnaud Falchier, Charles E. Schroeder, Michael P. Milham und Alexandre R. Franco

Zentrum für die Entwicklung des Gehirns, Child Mind Institute, New York, NY, USA

Ting Xu, Michael P. Milham und Alexandre R. Franco

Abteilung für Psychiatrie, Grossman School of Medicine der New York University, New York, NY, USA

Stanley J. Colcombe und Alexandre R. Franco

Abteilung für Biomedizintechnik, City College der City University of New York, New York, NY, USA

Maximilian Nentwich, Jens Madsen und Lucas C. Parra

Abteilungen für Psychiatrie und Neurologie, Columbia University College of Physicians and Surgeons, New York, NY, USA

Charles E. Schroeder

Sie können diesen Autor auch in PubMed Google Scholar suchen

Qawi Telesford sammelte Daten, analysierte und interpretierte Daten, entwickelte das Protokoll für die Datenerfassung, entwickelte und schrieb den in Experimenten verwendeten Code, erstellte die EEG-Vorverarbeitungspipeline und ist der Hauptautor des Manuskripts. Eduardo Gonzalez-Moreira analysierte und interpretierte Daten, half bei der Entwicklung der EEG-Vorverarbeitungspipeline, entwickelte die Qualitätskontrollmetriken für EEG-Daten und half beim Schreiben und Bearbeiten des Manuskripts. Ting Xu analysierte und interpretierte Daten, entwickelte und schrieb Code für die fMRT-Vorverarbeitungspipeline und half beim Schreiben und Bearbeiten des Manuskripts. Yiwen Tian entwickelte und schrieb Code für die Übertragung von fMRT-Daten vom Scanner und deren Konvertierung in den Brain Imaging Data Structure (BIDS)-Standard. Stanley Colcombe entwickelte das Scanprotokoll für simultane Aufnahmen und half beim Verfassen und Bearbeiten des Manuskripts. Jessica Cloud sammelte Daten, half bei der Entwicklung des Protokolls zur Datenerfassung, entwickelte und schrieb Code für Experimente. Brian Edward Russ half bei der Entwicklung des Protokolls zur Datenerfassung und half beim Verfassen und Bearbeiten des Manuskripts. Arnaud Falchier half bei der Entwicklung des Protokolls zur Datenerfassung und half beim Verfassen und Bearbeiten des Manuskripts. Maximilian Nentwich analysierte und interpretierte Daten, schrieb und entwickelte Code zur Verarbeitung von Eye-Tracking-Daten, leistete Unterstützung bei der technischen Validierung und half beim Verfassen und Bearbeiten des Manuskripts. Jens Madsen schrieb und entwickelte Code für die Verarbeitung von Eye-Tracking-Daten, leistete Unterstützung bei der technischen Validierung und half beim Verfassen und Bearbeiten des Manuskripts. Lucas Parra half beim Schreiben und Bearbeiten des Manuskripts. Charles Schroeder erhielt Fördermittel für dieses Projekt und half beim Verfassen und Bearbeiten des Manuskripts. Michael Milham erhielt Fördermittel für dieses Projekt und half beim Verfassen und Bearbeiten des Manuskripts. Alexandre Rosa Franco analysierte und interpretierte Daten, leitete den Datenaustausch und half beim Verfassen und Bearbeiten des Manuskripts.

Korrespondenz mit Alexandre R. Franco.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Telesford, QK, Gonzalez-Moreira, E., Xu, T. et al. Ein frei zugänglicher Datensatz zur naturalistischen Betrachtung mittels simultaner EEG-fMRT. Sci Data 10, 554 (2023). https://doi.org/10.1038/s41597-023-02458-8

Zitat herunterladen

Eingegangen: 20. März 2023

Angenommen: 09. August 2023

Veröffentlicht: 23. August 2023

DOI: https://doi.org/10.1038/s41597-023-02458-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Blog