文章来源于"脑机接口社区"
在神经反馈任务中同时进行EEG-fMRI,多模态数据集成的大脑成像数据集mp.weixin.qq.com![696eb61998e1eeda667b70b82de8a40f.png](https://i-blog.csdnimg.cn/blog_migrate/17a703ed9c703e9324d57c625661e463.png)
![716859299e764661ae20f24382b4acd9.png](https://i-blog.csdnimg.cn/blog_migrate/dc6dd84b320b6a1ad9b1f0519be04828.png)
虽然将EEG和fMRI结合使用可实现精细的空间分辨率和准确的时间分辨率集成,但仍带来许多挑战,比如要实时执行以实现神经反馈(Neurofeedback, NF)循环时。在这项研究里,研究人员描述了在运动想象NF任务期间同时获取的EEG和fMRI的多模态数据集,并补充了MRI结构数据。同时研究人员说明可以从该数据集中提取的信息类型,并说明其潜在用途。这是第一个脑电图和fMRI同步记录的NF,展示了第一个开放存取双模态NF数据集脑电图和fMRI。研究人员表示,(1)改进和测试多模态数据集成方法的宝贵工具,(2)改善提供的NF的质量,(3)改善在MRI下获得的脑电图去噪的方法,(4) 研究使用多模态信息的运动图像的神经标记。
![3a6152c978c82b5534430db42b7021ec.png](https://i-blog.csdnimg.cn/blog_migrate/b3d9e7009bb789fa2c7cd07777df6641.jpeg)
神经反馈(NF)包括向受试者提供关于他自己大脑活动的实时信息,以训练特定大脑区域的自我调节能力,是一种很有前途的大脑康复技术,可以应用于精神疾病、中风和其他神经病理学。NF方法通常基于使用单一成像技术实时测量大脑活动,大多数应用依赖脑电图,而最近的一些应用则采用功能成像(例如功能MRI)。
最近的一些研究,显示了结合不同的成像技术来实现更具体的自我调节的潜力,结合两种互补的方式如fMRI和EEG展现了诱人的前景。功能磁共振成像具有良好的空间分辨率(~mm),但成像速度较慢。而脑电图提供了极好的时间分辨率(~ms),但其空间分辨率却受到通过头部组织的皮层电流体积传导的限制(~cm)。这些成像方式是高度互补的,它们的结合在需要高时间和空间分辨率的应用中很有前途,例如对特定大脑区域的神经网络训练。
对不同成像方式的联合分析可以揭示大脑解剖、功能和电生理特性之间的复杂联系。EEG和fMRI的集成允许对神经动力学进行“增强”分析,因为单一模式可提供潜在神经活动的部分估计。EEG-fMRI联合分析分为两类:非对称和对称。在第一种方法中,从一种方法中提取的信息被集成或驱动第二种方法的分析,而在对称方法(数据融合)中,使用联合生成模型。这些方法的探索很少,神经血管耦合的复杂性是他们的主要局限性。
![60457601946412ac475e5965f75ebed4.png](https://i-blog.csdnimg.cn/blog_migrate/07317b4ae7447e777338a96c276f36dd.jpeg)
据研究人员表示,在神经网络循环中同时进行脑电图-功能磁共振成像的只有另一个研究小组,用于训练情绪自我调节:因此,我们在这里分享和描述的数据集,与首次在运动图像任务中进行双峰神经网络成像相对应。它由64通道脑电图(扩展10-20系统)和功能性核磁共振数据集同时获得在一个运动图像NF任务,辅以结构核磁共振扫描。在两项研究中进行了录音。第一项研究(图1)涉及10名健康受试者,旨在评估单峰(EEG或fMRI) NF9上双峰脑电图-fMRI NF的可行性和潜力。第二study16包括20名志愿者一个原始2 d比喻允许分别调节提出了脑电图和fMRI活动及其对NF性能的影响相比,更多的“古典”1 d测量(图2)。NF分数的分析和大胆的激活是执行和结果表明,一维反馈更容易控制,而fMRI激活时更具体使用2 d表示。
据研究人员表示,在NF循环中同时进行EEG-fMRI训练以训练情绪自我调节的研究团队较少,只有另一个研究小组,而他们共享和描述的数据集对应于双峰NF首次实现的运动想象任务。它由在运动想象NF任务期间同时获取的64通道EEG(扩展的10–20系统)和fMRI数据集组成,并辅以结构MRI扫描。在两项研究中进行了记录。
下图涉及10名健康受试者,旨在评估双峰EEG-fMRI NF优于单峰(仅适用于EEG或fMRI)NF9的可行性和潜力。
![e0bbb7738661321d3ae1b8b96915edab.png](https://i-blog.csdnimg.cn/blog_migrate/14797864138416ada3d02b51d200d622.png)
![ba7963fc0d802c7188ba172f1663a756.png](https://i-blog.csdnimg.cn/blog_migrate/37447f1c063ad63596fe585b68850730.png)
![cfd150c39088caee3267fed62701abf4.png](https://i-blog.csdnimg.cn/blog_migrate/cd6af6b725f88a5f31b9c2bebf424333.jpeg)
![9b5651abd5682b75105397b1201a7339.png](https://i-blog.csdnimg.cn/blog_migrate/a34319b4855d5d475e7ceae9cdaa3714.png)
![c9749f73786dcd9f5ee7b0c15185001b.png](https://i-blog.csdnimg.cn/blog_migrate/8ef7cc56f8db5a953ccd2bf009f491ed.jpeg)
上图是一位受试者的fMRI和EEG激活及NF评分示例(XP2)。第一列表示在NF训练期间的激活(EEG的fMRI和ERD头皮分布的大胆对比)。第二列显示校准特征(对侧运动皮层的ROI分别用于fMRI NF计算和Laplacian在C3电极周围用于EEG NF)。在最后一列中显示了3个NF会话的平均(mean + std error) NF得分(rest blocks in white and NF taskblocks in grey)。
![60457601946412ac475e5965f75ebed4.png](https://i-blog.csdnimg.cn/blog_migrate/07317b4ae7447e777338a96c276f36dd.jpeg)
上图为在XP2中进行NF训练期间的平均EEG ERD时频图(N = 18个受试者)。(a)时频图,显示对侧运动电极中的ERD(红色)和ERS(蓝色),以及所有频率上的平均ERD时间序列(mean + standard error acrosssubjects)。(b)在[8-12] Hz和[13-30] Hz频段内的ERD地形图。(c)ERD皮质图。
![8eb5bb67b3a51642459a6b696f7a7029.png](https://i-blog.csdnimg.cn/blog_migrate/394a428f31031acefd7df07db1d7cc76.png)
上图在XP2中三次NF运行时的组fMRI响应(NF任务> 0,p = 0.05 FWE校正,基于体素的分析)。(a) t= 1时阈值化的平均激活图(N = 20)。(b) 2dNF组(蓝色)和1dNF组(绿色)对比图。
![3a6152c978c82b5534430db42b7021ec.png](https://i-blog.csdnimg.cn/blog_migrate/b3d9e7009bb789fa2c7cd07777df6641.jpeg)
上图为EEG-fMRI联合源估计平均结果。使用联合EEG-fMRI稀疏模型(红色),仅EEG数据(α= 1,绿色)或仅fMRI数据(α= 0,蓝色)估计的运动执行过程中的源位置(XP1的8个受试者的平均值)。
![a967fd7b361e5d02ecda9c6a919f4f94.png](https://i-blog.csdnimg.cn/blog_migrate/4e6e6c23886d763ecfa33e652e7076d7.jpeg)
上图为仅用于改善脑电图NF的稀疏脑电图信息fMRI模型。
(a):说明用于从脑电图信号学习fMRI-NF评分的方法。
(b)显示了数据集XP2中所有受试者的学习步骤和测试步骤的估计fMRI-NF评分和fMRI-NF评分之间的相关性的中位数和四分位数。也显示了仅根据EEG信号估算双峰EEG-fMRI-NF评分的结果。
(c):例如受试者sub-xp216 run 3。估计的分数是在第一次NF运行时获得的,浅蓝色是ground truth,深蓝是从脑电图中获得的估计的fMRI-NF评分。下面黄色的图是双峰NF评分,红色的图是仅用EEG估计的NF评分。
资源地址:
https://github.com/glioi/BIDS_fMRI_analysis_nipype
论文信息:Simultaneous EEG-fMRI during a neurofeedback task, a brain imaging dataset for multimodal data integration
在神经反馈任务中同时进行EEG-fMRI,多模态数据集成的大脑成像数据集
![c9e10e631f295905bbf8038ab75b4789.gif](https://i-blog.csdnimg.cn/blog_migrate/7760e321baf2adc447a2b2ca6c1e36fa.gif)