Locating Electroencephalographic Sources Evoked by Transcranial Magnetic Stimulation

Abstract

Transcranial magnetic stimulation (TMS) can non-invasively excite cortical neurons. The evoked neuronal activation shows in the extracranial electroencephalogram (EEG). Tracking down the activation cascade is called the EEG inverse problem. The problem has no unique solution, and even small changes in the EEG data, such as measurement noise, can elicit large changes in the solutions. TMS also gives rise to high-amplitude artifacts in EEG, which further complicates the analysis.

In this work, the aim was to model a multitude of distributed sources in the cortex. Bayesian framework was adopted, which involves modeling uncertain quantities with probability distributions. Noise, source strengths and their variances were chosen as the uncertain quantities. Adjusting the variances during the estimation has the advantage of allowing some of the sources to become signicantly larger than the others and easily distinguishable. TMS-induced artifacts were also modeled during the inverse estimations. The simulation results show that a few supercial sources and one large artifact are quite well estimated. Two measured data sets were also analyzed.

Transkraniaalisen magneettistimulaation (TMS) avulla voidaan aktivoida aivokuoren neuroneita ja elektroenkefalografialla (EEC) voidaan mitata syntyvää neuronaalista toimintaa, molempia kallon ulkopuolelta. Aktivaatiokaskadin jäljittämistä kutsutaan EEG-käänteisongelmaksi. Tällä ongelmalla ei ole yksikäsitteistä ratkaisua, ja pienetkin häiriöt signaalissa voivat aiheuttaa suuria vääristymiä ratkaisuihin. TMS aiheuttaa EEG-signaaliin myös suuria artefaktoja, mikä hankaloittaa ongelmaa.

Tässä työssä pyrittiin mallintamaan useita korteksille sijoitettuja lähteitä. Estimointiin käytettiin bayesilaista lähestymistapaa, jossa mallin epävarmoja suureita kuvataan todennäköisyysjakaumin. Tässä työssä nämä suureet olivat kohina, lähdevoimakkuudet ja lähdevarianssit. Kun varianssit sovitetaan datasta, saavat jotkin lähdevoimakkuudet kasvaa huomattavasti muita suuremmiksi, ja tärkeät lähteet on helpompi havaita. Lähteiden lisäksi työssä estimoitiin TMS:n synnyttämiä artefaktoja. Tuloksista käy ilmi, että pinnallisesti sijaitsevat lähteet sekä suuri yksittäinen artefakta ovat melko hyvin estimoitavissa simuloidulle datalle. Myös kaksi mittausta analysoitiin.