文摘

多通道神经影像技术的可用性,梅格和脑电图等,为我们提供了详细的地形信息的记录磁和电信号,因此给了我们一个很好的概述在随之而来的信号在大脑中生成。评估神经来源的位置和时间动态的录音,重建工具如beamformers已被证明是有用的。在目前的研究中,我们尤其感兴趣的是大脑皮层运动控制参与手指肌肉的等长收缩。为此我们测量大脑信号的动力学之间的交互和手的肌肉的电活动。我们想找出除了众所周知的相关活动是否对侧初级运动皮层和肌肉,可以证明额外的功能连接。我们采用了相干函数索引和提出一个所谓的调零beamformer方法计算效率和地址多个相关源的定位。cortico-motor相干模拟,该方法能够正确定位辅助源文档。方法的应用在真正的肌和magnetoencephalographic等长收缩和休息期间收集的数据显示另一个半球的活动身体的同侧的手参与任务。

1。介绍

目标之一应用记录技术,如脑电图和梅格,而且最近ECoG iEEG层流录音,是利用细粒时间分辨率的大脑的神经活动为了量化功能连通性(1)大脑不同区域之间和大脑之间和外部信号,可能是刺激序列或运动肌肉活动任务。

强在大脑区域的检测进展报告揭示相关活动通过先进的源重建技术(2- - - - - -8beamformer等)。这种方法已成功地应用于非侵入式脑电图和梅格录音和最近也与入侵人类大脑活动的测量(9]。Beamformers能够提高信噪比(信噪比)收购了大脑的活动(10,11),从而使一个更好的重建脑区之间的功能连接模式和大脑区域与外部信号,可以通过传感器水平分析。

在目前的研究中,我们关注corticomotor连接反映外围运动控制。这一目标,我们收购了梅格数据和肌电图(EMG)手指的肌肉参与少量控制任务要求等长收缩。我们用EMG活动的振荡调制识别大脑区域。作为外部EMG信号之间的同步指数和大脑区域的具体活动我们选择corticomuscular一致性(CMC, [12- - - - - -15])。

假设一个大脑区域开车beamformer表现良好,只要信噪比足够高。然而,假设多个大脑活动与EMG信号的来源,beamformers可能无法定位各自的大脑区域,因为大脑来源被探测到的算法需要从彼此是线性无关的16]。然而,在多个源的情况下被一个更大的网络的一部分,这种假设可能不真,beamformer方法将给出错误的结果。

最重要的是,如果肌肉活动调制多个活动的大脑区域,传统beamformer只最有可能本地化最突出的调节。众所周知从先前的研究5,17],重建大脑的来源与外部源将导致定位最相关的区域和其他来源的取消。既然不可能一次定位多个来源,我们确定电机神经网络的步骤逐步取消最相关的来源与一种叫做“调零beamformer”的技术2,6]。

本文提出了一种通用管道可用于描述cortico-motor连接在源域。我们首先采用dic(相干源的动态成像,18])beamformer和使用一致性与外围EMG信号作为度量拦截大脑来源显示强烈的一致性。然后我们压制这主要来源的调零beamformer为了发现可能的二次(弱)显示与EMG信号相干源。

此外,我们使用基于子空间互补一步reprojection方法(19,20.更好地识别两个主要和次要的位置。这种技术是必要的因为数据噪声和定位可以提高通过删除本地不相关的噪声叠加到源信号。证明我们的方法的有效性应用corticomotor连贯性的模拟数据和记录在一个现实世界的实验。

2。方法

2.1。与外部参考的dic Beamformer通道

线性约束最小准则(淋巴细胞脉络丛脑膜炎病毒)beamformer空间滤波器,用于分离信号从其他干扰来自感兴趣的位置。源,其活动时间进程可以表示为原始数据的权重的乘积空间滤波器: 或者,在频域: 表示原始数据, 的傅里叶变换数据, 和 权重计算的时间16)或频率域(18)淋巴细胞脉络丛脑膜炎病毒beamformer, 和 课程的时间或重建的偶极源的傅里叶变换。空间滤波器的计算意味着发现乘以权重,遵守一定的条件下。

从技术上讲这是通过实施源位置的方差最小,有额外的线性约束位置的信号来自感兴趣的(我们称之为“虚拟传感器”)保留。这相当于写作 在哪里 表明酉矩阵, 矩阵的转置运算符, 是 协方差矩阵的梅格通道和 的铅字段位置吗 。通过拉格朗日函数最小化上述方程会导致下面的解决方案(5]: −1表示矩阵求逆。

因此,beamformer空间滤波器的特点是它的重量:一组 系数, 梅格通道的数量。结果所有传感器水平等措施的权力,交叉谱密度,和一致性转换成虚拟传感器措施与权重通过一个简单的乘法。像这样 的傅里叶变换源吗 是力量的来源。 源的交叉谱密度, 梅格渠道之间的交叉谱密度和外部来源 之间的相干源和外部信号 和 分别,肌电图和梅格传感器的权力(在频率 )。

这个时尚的beamformer叫做reference-channel dic和利用EMG-MEG相干同步定位大脑。重要的是要注意,相干参数可以作为一个3 d地图可视化的头部空间的主题和dic beamformer特定频率,因此在前面的方程的参数被定义为一个频率本。大脑的本地化源波动与肌电图的同步操作以dic的最大相干的3 d地图。

的相干峰图,局部通过dic,主要来源的名称或主要来源。验证dic定位的可靠性,我们执行模拟与先验已知源位置和我们评估受试者的数据一致性的意义根据(15), 在哪里 表示置信水平(在我们的例子中或95% ), 时代的数量。

2.2。的调零Beamformer

这种技术被用来抑制的主要活动,定位后通过描述的前dic的技术。调零的实现beamformer始于修改导致场矩阵的建设 ,通过添加项 右边的铅领域矩阵 从之前的方程。这个方法需要一个ROI的预选的活动源必须抑制和定义了矩阵 是由来源的铅的列字段被取消。在公式 所有数量如连贯性和被定义为在前款规定的源动力。随后,强加于他们身上的调零约束权重如定义空间带通和带阻特性。这个约束系数由乘法实现 这 与 标量和 向量beamformer,统一值对应的带通滤波器和0乐队停止。

这种技术的缺点之一是,自由度(定义为 ([21]))反演的术语(11)减少的一个因素 ( =数量的渠道, = ROI的偶极子(5),使上述矩阵接近奇异。因此ROI的半径的选择之间的权衡区域被抑制的程度和可用的自由度。一个解决方案来克服不足的问题自由度是减少矩阵的秩 通过奇异值分解(提出(6])。我们通常应用降维与拒绝的1 - 10%的比例最小的特征值。

区域调零beamformer应用在这种情况下摆脱初级cortico-muscular连贯的活动能够可视化辅助源文档。上的衰减不需要的主要活动事实上的净效应是增强另有蒙面的来源主要定位在中间人的工作证明(6]。

2.2.1。实现细节

所有的分析都是运行在Matlab(美国马Mathworks,纳蒂克),利用实地考察,一个开源工具箱进行数据分析(22]。调零beamformer分析小说和“非标准”部分在分析管道(见图2)。因此实施了进一步的细节。所有的初始步骤(称为“预处理”)在实地考察记录文档页面:http://fieldtrip.fcdonders.nl/tutorial/beamformer。名字用斜体印出读者遇到这一段是指具体的实地考察指令类型在Matlab环境中。

前面分析的输出变量(参见图2框“逆解决方案”)(a)容积导体(头)的几何描述,(b)的位置传感器,梅格trial-wise傅里叶系数(c)的渠道,(d) trial-wise傅里叶系数的EMG频道,(e)“网格”结构包含(等)的位置在三维笛卡尔坐标和相应的铅来源字段描述偶极源(解决方案),和(f)的坐标点的最大相干的本地化dic的方法。所有报告数量作为变量存储在标准实地考察数据结构(一个全面的参考数据结构请参考以下页面:http://fieldtrip.fcdonders.nl/faq/how_are_the_various_data_structures_defined)。

实时调零beamformer包括以下步骤:(1)定义ROI程度和建设 矩阵(10);(2)leadfield矩阵网格中包含变量的修改(结构前面描述的步骤(e)),通过添加的列 矩阵(或降低版本)的右边每个leadfield矩阵;(3)beamformer权重的计算,如(11)(实现的函数ft_sourceanalysis;配置选项需要cfg。keepfilter = "是的"和cfg。方法= " dic "作为函数的输入参数);(4)矩阵乘法的计算权重 在(12),它定义了“带通”(= 1)和“乐队停止”(= 0)的每个空间滤波器;(5)计算EMG-MEG交叉谱密度(csd)矩阵定义的频率,使用函数ft_frequancyanalysis(选择cfg。输出= " csdandpower ");注意,梅格和肌电图数据集必须之前附加(ft_appenddata);(6)创建一个过滤器字段添加到网格结构(前面提到的实地考察结构,参见步骤(e))和包含权重计算步骤3;(7)投影前面计算的交叉谱密度(5)通过权重。一步是投影的内部实现ft_sourceanalysis功能和实现通过设置参数cfg。方法= " dic "和cfg。refchan = " EMGchannelname "。

注意,每个偶极子的leadfield弗罗贝尼乌斯矩阵必须是规范化的标准,这样beamformer定位不受深度影响偏差(23]。一个重要的问题关于调零过程的反演 术语(11),这成为等级不足由于修改leadfields [5]。解决这个问题的Moore-Penrose伪逆(24)通常是应用(在Matlab中实现函数”pinv”;伪逆函数用于实地考察,它也被称为“pinv”的子功能beamformer_dics.m“私有函数。在这个版本的pinv宽容是增加了10倍的标准pinv功能)。最重要的是试验的数量必须优于或相当于梅格通道的数量(VSM-CTF系统有275,看到“实验”第2.6.2)为了估计一个无偏通道水平csd矩阵( 矩阵(11))。

2.3。数据子空间Reprojection

这种技术已经在ROI拒绝噪音的目的。实现由几何区域利益的定义和计算的格拉姆矩阵相关的特定的ROI,称为Ω。的理论表达式的格拉姆矩阵离散点ROIΩ是: 在哪里 领导现场为体素位置定义吗 。

实时的算法需要用的数据矩阵 由一个矩阵 形成的,其列 大格拉姆矩阵的特征向量( :传感器的数量)。的选择标准 基于方差的解释吗 特征值排序,根据: 在公式中,我们可以打电话 矩阵表示 第一个特征向量对应 最大特征值的 ,所以: 描述方法的上下文中使用脑电图数据分析摆脱空间特定的噪音在感兴趣的区域19]。双矩阵乘法的结果相当于PCA拒绝小部件,然后reprojection数据空间。这减少了噪声的影响由于数据以外的某个感兴趣的ROI和可以应用的主要和次要来源本地化为了提高当地的相干的信号噪声比。

2.4。完整的管道流程图

的示意图表示处理,应用提出的方法一致的管道呈现在图2,每个块描述单个步骤的处理流程。尤其是远期解块实现必要的步骤来获得领先领域矩阵,beamformer所使用的算法(5]。我们利用诺尔特解决方案(25梅格],而最近的实现提出的解决方案是可用的(26]。

不同预处理可以根据录音和梅格意味着拒绝的工件中描述(27]。特别是我们还利用独立分量分析(ICA)来完成这项任务28]。没有应用到整流EMG因为它最近反对CMC的质量造成不利影响分析(29日]。多个小蜡烛的光谱分析利用计算光谱功率和梅格cross-density矩阵之间的通道和所述myography [30.]。我们时代的1秒5蜡烛的数量。

第一步之后频率分析是dic beamformer,将作为输入的光谱梅格和肌电图信号,其交叉谱和领先领域造成模型计算。可视化的步骤生成的地图cortico-muscular一致性三个正射投影和凸显了最大值(主要激活)。感兴趣的区域(ROI)分析意味着选择的来源在高峰活动的半径为3厘米。这一步的结果导致字段对应的提取来源包括在ROI。这些铅字段都用于调零beamformer和beamspace reprojection方法。

先后管道由两个额外的步骤:一个负责数据的空间乐队停止过滤和随后的本地化第二CMC来源,第二个负责的可视化结果。子空间reprojection技术是在蓝色的图2和一般应用于提高本地化资源的信噪比。

2.5。的统计分析

阈值意义的连贯性地图是由随机化。第一步试验统计分析打乱的肌电图的傅里叶变换并生成一组新的复系数在一定频率一致性(传感器的峰值水平)。这篇文章中,我们使用的特定目标 = 100排列。先后我们所有迭代计算beamformer连贯性,从而尽可能多的向量的数量排列。

的 值的随机化试验(见2.3段马里斯和Oostenveld纸(31日)获得 在哪里 体素指数, 是排列指数( ), 是随机相干体素吗 在排列 , 在体素的非随机相干计算吗 和 是一个张量积函数,它遵循的规则: 由此产生的 值小于一个阈值意义的统计检验(我们选择5%)选择和一致性对应于空间位置的地图。提取的最小相干值的像素点代表了经验阈值。

2.6。实验和模拟的细节
2.6.1。模拟

仿真模式包含两个数据集:(1)模拟梅格字段包含两个振动源与模拟EMG信号,(2)模拟梅格字段包含一个振荡源和模拟EMG信号相关。第一个仿真是为了显示调零的有效性在大脑的抑制beamformer源和增强的二次。添加在第二模拟、噪声逐渐在10个不同的数据集,显示beamformer的退化信号的局部增强信噪比由于数据reprojection技术使用一个2厘米的ROI和许多来源 选择最大的特征值。

时间课程的模拟生成1和模拟2乘以一个高斯包络20 Hz正弦信号在1秒(见图的一个时代1)。正弦信号的峰值名义上是固定在0.5秒,定义了两个紧张在100次试验阶段和正弦信号的振幅。和外部信号模拟源之间的耦合是由确定性和随机组件分配给上述担忧,根据公式: 在MEG_jitter_我和EMG_jitter_我代表EMG和梅格的抖动时间课程的时代 ,CS的耦合强度(定义一个参数之间没有耦合-和1-perfect耦合),det_ 实现随机噪声是常见的肌电图和梅格信号,rand_吗 是一个实现随机噪声,目前只在梅格信号,然后呢名义上的的标称值抖动参数(相位或幅度抖动)。

(一)
(一)
(b)
(b)
(c)
(c)
图1
电动机的表示网络和连接是如何计算的。(a)的表示模拟大脑源体积片(蓝色时间课程,标记为S1, S2,和S3)和手表面myography与S2和S3 (EMG、红色时间)。(b)功能连通性的方案。相干计算之间的肌电图和所有其他来源。(c)一个示意性的输出dic beamformer一致性。注意的存在只有一个峰值对应的源有最高的信噪比(S1)。红色箭头表明这个峰值必须压制的调零beamformer为了定位第二EMG-correlated源(S3)。

图2
方案处理beamformer EMG相干源的定位。盒子表明这段中描述的方法,特别强调对于beamformer步骤(阴影框)。盒子中的粗体文本表示的算法了。浅蓝色框指beamspace reprojection管道,用于提高可视化的主要CMC来源。

铅的时间课程然后增加字段中定义的两个来源(0−4 10)和(0、4、10)厘米头笛卡尔坐标根据CTF轴公约(32]。结果模拟磁场然后添加随机噪声强度不同。在第一个模拟强度变化从10到100倍的均方根值(rms)干净的数据集,而在第二个模拟叠加噪声水平是0.2倍的rms干净的数据集。

数据集被定义为的均方根 在哪里 是一个样本的数据集和 是样品的总数。第一模拟的耦合强度是1恐慌,而对于第二个模拟我们选择1振幅相位抖动抖动和0.9。

2.6.2。这个实验

实验运行整个头部,275个频道梅格系统(周大福/ VSM Inc .港口高桂林,加拿大)配备一阶轴向梯度仪5厘米基线和安装在磁屏蔽室(MSR, Vacuumschmelze Hanau,德国)。在录音期间坐在椅子上的位置和高度可以调节的需求。它的位置是这样的主题可以看到一个反馈图像投影到屏幕尺寸42×32厘米(宽×高)位于0.4/0.5米的距离。压力设备建立的临时的,有一个应变计测力传感器安装在它,在椅子的扶手的位置轻松可及的主题的右手。

五个科目(30到35岁之间,右手,4 1男性和女性)被选为实验的目的进行科目的分析(这个实验没有大平均计划)。肌肉活动记录(EMG)使用双极派生11毫米直径的电极(体内度规,claros公司美国)安装在第一背侧骨间肌的背表面20毫米的距离。电极凝胶“Abralyt光”(福尔克米服务、Herrsching德国)被用来建立皮肤和电极之间的电接触阻抗低于20 kOhm。肌电图是数字化和存储在相同的数据集梅格录音。主题必须把握压力设备,引起连续恒力1牛顿对整个实验的持续时间。

3所示。结果

3.1。模拟的结果

模拟1显示调零beamformer能够抑制左源,加强正确的(图3)。注意,数据集包含的时间课程资源,但经典beamformer方法只能定位源信噪比最高的(见图1)。由于取消效果,是不可能进行本地化的假定的弱源不重复这里描述的替代技术。

(一)
(一)
(b)
(b)
图3
模拟的结果。(a)两个EMG-correlated来源的定位是实现连续步骤:用标准dic法(右上的面板,矢状切片)和与迪拜国际资本结合区域抑制(右下角的面板)。最左边的来源(dip1)抑制比30(源一致性比率),而右边的来源是增强比17。(b)单一来源的定位与十个不同信噪比水平(青色是最低的,红色是最高的)实现与迪拜国际资本(顶面板)。相同的模拟源+噪声数据集处理当地去除噪声后的子空间reprojection(黑色是最低信噪比,黄色是最高的)。

模拟信噪比(图2显示了增加3 (b)后的应用子空间reprojection使用选定的ROI。上面的照片显示了相干资料沿冠状切片(如在图所示3(一个)),每一行代表一个不同的数据集dic的结果。结果与浅蓝色的低信噪比和高信噪比的洋红色根据配色方案公约在MATLAB命名为“酷”。因此,较低的照片显示了相同的数据集的结果后,结合子空间reprojection和dic。信噪比配色方案增加从黑到黄在MATLAB(彩色地图“热”)。注意的一般增加信噪比曲线的“热”对“酷”的,由上述子空间reprojection带来的降噪技术。

3.2。受试者的数据

的五个主题(主题5)没有表现出任何muscular-MEG一致性在传感器水平,因此丢弃了进一步的分析。

3.2.1之上。结果Beamspace Reprojection

选择一个代表主题展示的结果应用技术(课题1)。图4显示了dic的结果beamformer(上层行)之前和之后(较低的行)的应用子空间reprojection数据集预处理技术。这说明性的例子表明,该方法是有效的去除噪声的空间位置以外的地区利益一致性的高峰。


图4
子空间reprojection应用于主题1。三个情节上代表了冠状、矢状,和横向预测的三维相干图,应用程序之前beamspace reprojection。底部的三个情节描述相同的估计预测活动,减少后的空间噪声。该技术用于提高相干的可视化地图。两组块引用同一个颜色规模(估计相干的区间范围从0到0.008),和“喷气式”colormap(蓝色= 0和红色= 0.008)。故事情节从粗网格插值(约1厘米决议沿笛卡尔轴)。
3.2.2。调零Beamformer的结果

调零beamformer有效的抑制主要CMC,可见图源5。情节在面板(a)代表一切美好的主题的一致性地图(从权利主体left-subject 1 4)冠状投影,抑制(上面一行)之前和之后的镇压(较低的行)。地图是由最低阈值的一致性水平,对应于5%的统计学意义,所计算的随机测试前所述。值得注意的是,新一致性阈值小于理论计算一个如(9)5倍(如理论= 0.01,随机= 0.002)。图5 (b)代表了 值映射主题2,计算的随机测试。的 价值地图是用来计算的阈值一致性地图(相干在所有重大的最低 地图上像素点构成了随机阈值)。

(一)
(一)
(b)
(b)
图5
(一)面板显示冠状切片dic方法的结果。生成的地图是用于定位的主要来源(上层行)和二次源(较低的行)的四个五个科目。(b)面板显示的地图 值( )主题2,由于随机测试试验的一致性( )。所有的情节都插入版本的粗网格(约1厘米网格分辨率沿笛卡尔轴)。

4所示。结论和讨论

的应用提出了CMC来源的本地化分析管道证明主要CMC激活和假定的模拟和实际数据的二次资源。尽管困难重重beamformer方法要正确定位多个锁相源,(这种现象称为源取消,并演示了在VanVeen公式(29)的论文中,(16]),这里提出的应用顺序程序能够重建底层个体来源。对于强小学和一个弱二次来源,取得了令人信服的结果。同样强大的来源的过程可能需要修改。

一致性的度量计算高效电动机的定位源和同样可以应用于任何协议的外部信号引发大脑中的锁相响应。基本原理的应用需要一个描述管道技术标识的存在(或缺乏)多个源与肌电图。进一步可以使用这些“种子”识别额外的神经聚集参与运动过程。

分析单一主题水平显然能够参与振荡源定位。虽然需要长时间录音来提高信噪比的估计,因此正确beamformer重量、录音可以分为训练集和测试会话,第一个用于本地化CMC来源和第二个跟踪他们的时间的课程。拥有一个良好的估计beamformer权重意味着能够有效地提取活动的潜在来源,因此完成实时的雄心勃勃的任务之间的连通性分析EMG和梅格来源。

基于重大cortico-muscular一致性在当前研究中发现我们不能明确地告诉大脑区域是电动机控制的驱动力。肌肉控制可能是由于施加 ipsi——和对侧的来源, 主要驱动外围肌肉contra-lateral来源直接从侧运动皮层,同时间接地通过身体的同侧的运动皮层 另一个位置驱动反对和同侧皮层并最终外围肌肉。有迹象表明,小脑也可能参与这个网络(见较低的地块图5)。在这方面的结果是不确定的,只有证据明确ipsi-lateral次要来源。根据这个证据来源的关于功能关系仍然仅仅是投机。等方法的应用程序直接相干或部分直接相干可能识别因果网络中信息的流动。

我们的发现的生理意义是,在一个等长收缩的任务构成的多个cortico-motor来源是招募公认的运动协调的网络。

总之,先进的应用和时间的技术来源抑制/增强cortico-muscular大脑激活的识别成为可能,否则不会可以定位的标准技术。

确认

作者要感谢马可Congedo博士和Jan-Mathijs Schoffelen有用的讨论和尤尔根•达克斯博士和比安卡de Haan援助的梅格和MRI录音。此外,他们要感谢Werner Reichardt综合神经科学中心在图宾根和荷兰BrainGain财团允许摘要公开访问。