Electric field calculations based on numerical methods and increasingly realistic head models are more and more used in research on Transcranial Magnetic Stimulation (TMS). However, they are still far from being established as standard tools for the planning and analysis in practical applications of TMS. Here, we start by delineating three main challenges that need to be addressed to unravel their full potential. This comprises (i) identifying and dealing with the model uncertainties, (ii) establishing a clear link between the induced fields and the physiological stimulation effects, and (iii) improving the usability of the tools for field calculation to the level that they can be easily used by non-experts. We then introduce a new version of our pipeline for field calculations (www.simnibs.org) that substantially simplifies setting up and running TMS and tDCS simulations based on Finite-Element Methods (FEM). We conclude with a brief outlook on how the new version of SimNIBS can help to target the above identified challenges.

Abstract Objective Most approaches to optimize the electric field pattern generated by multichannel Transcranial Electric Stimulation (TES) require the definition of a preferred direction of the electric field in the target region(s). However, this requires knowledge about how the neural effects depend on the field direction, which is not always available. Thus, it can be preferential to optimize the field strength in the target(s), irrespective of the field direction. However, this results in a more complex optimization problem. Approach We introduce and validate a novel optimization algorithm that maximizes focality while controlling the electric field strength in the target to maintain a defined value. It obeys the safety constraints, allows limiting the number of active electrodes and allows also for multi-target optimization. Main Results The optimization algorithm outperformed naïve search approaches in both quality of the solution and computational efficiency. Using the amygdala as test case, we show that it allows for reaching a reasonable trade-off between focality and field strength in the target. In contrast, simply maximizing the field strength in the target results in far more extended fields. In addition, by maintaining the pre-defined field strengths in the targets, the new algorithm allows for a balanced stimulation of two or more regions. Significance The novel algorithm can be used to automatically obtain individualized, optimal montages for targeting regions without the need to define preferential directions. It will automatically select the field direction that achieves the desired field strength in the target(s) with the most focal stimulation pattern.

Transcranial Magnetic Stimulation (TMS) excites populations of neurons in the stimulated cortex, and the resulting activation may spread to connected brain regions. The distributed cortical response can be recorded with electroencephalography (EEG). Since TMS also stimulates peripheral sensory and motor axons and generates a loud click sound, the TMS-evoked EEG potential (TEP) not only reflects neural activity induced by transcranial neuronal excitation but also neural activity reflecting somatosensory and auditory processing. In 17 healthy young individuals, we systematically assessed the contribution of multisensory peripheral stimulation to TEPs using a TMS-compatible EEG system. Real TMS was delivered with a figure-of-eight coil over the left para-median posterior parietal cortex or superior frontal gyrus with the coil being oriented perpendicularly or in parallel to the target gyrus. We also recorded the EEG responses evoked by sham stimulation over the posterior parietal and superior frontal cortex, mimicking the auditory and somatosensory sensations evoked by real TMS. We applied state-of-the-art procedures to attenuate somatosensory and auditory confounds during real TMS, including the placement of a foam layer underneath the coil and auditory noise masking. Despite these precautions, the temporal and spatial features of the cortical potentials evoked by real TMS at the prefrontal and parietal site closely resembled the cortical potentials evoked by realistic sham TMS, both for early and late TEP components. Our findings stress the need to include a peripheral multisensory control stimulation in the study design to enable a dissociation between truly transcranial and non-transcranial components of TEPs.

Numerical simulation of the electric fields induced by Non-Invasive Brain Stimulation (NIBS), using realistic anatomical head models has gained interest in recent years for understanding the NIBS effects in individual subjects. Although automated tools for generating the head models and performing the electric field simulations have become available, individualized modelling is still not standard practice in NIBS studies. This is likely partly explained by the lack of robustness and usability of the previously available software tools, and partly by the still developing understanding of the link between physiological effects and electric field distributions in the brain. To facilitate individualized modelling in NIBS, we have introduced the SimNIBS (Simulation of NIBS) software package, providing easy-to-use automated tools for electric field modelling. In this article, we give an overview of the modelling pipeline in SimNIBS 2.1, with step-by-step examples of how to run a simulation. Furthermore, we demonstrate a set of scripts for extracting average electric fields for a group of subjects, and finally demonstrate the accuracy of automated placement of standard electrode montages on the head model. SimNIBS 2.1 is freely available at www.simnibs.org.

A study pertinent to the numerical modeling of cortical neurostimulation is conducted in an effort to compare the performance of the finite element method (FEM) and an original formulation of the boundary element fast multipole method (BEM-FMM) at matched computational performance metrics. We consider two problems: (i) a canonic multi-sphere geometry and an external magnetic-dipole excitation where the analytical solution is available and; (ii) a problem with realistic head models excited by a realistic coil geometry. In the first case, the FEM algorithm tested is a fast open-source getDP solver running within the SimNIBS 2.1.1 environment. In the second case, a high-end commercial FEM software package ANSYS Maxwell 3D is used. The BEM-FMM method runs in the MATLAB® 2018a environment. In the first case, we observe that the BEM-FMM algorithm gives a smaller solution error for all mesh resolutions and runs significantly faster for high-resolution meshes when the number of triangular facets exceeds approximately 0.25 M. We present other relevant simulation results such as volumetric mesh generation times for the FEM, time necessary to compute the potential integrals for the BEM-FMM, and solution performance metrics for different hardware/operating system combinations. In the second case, we observe an excellent agreement for electric field distribution across different cranium compartments and, at the same time, a speed improvement of three orders of magnitude when the BEM-FMM algorithm used. This study may provide a justification for anticipated use of the BEM-FMM algorithm for high-resolution realistic transcranial magnetic stimulation scenarios.

Comparing electric field simulations from individualized head models against in-vivo recordings is important for direct validation of computational field modeling for transcranial brain stimulation and brain mapping techniques such as electro- and magnetoencephalography. This also helps to improve simulation accuracy by pinning down the factors having the largest influence on the simulations. Here we compare field simulations from four different automated pipelines, against intracranial voltage recordings in an existing dataset of 14 epilepsy patients. We show that ignoring uncertainty in the simulations leads to a strong bias in the estimated linear relationship between simulated and measured fields. In addition, even though the simulations between the pipelines differ notably, this is not reflected in the correlation with the measurements. We discuss potential reasons for this apparent mismatch and propose a new Bayesian regression analysis of the data that yields unbiased estimates enabling robust conclusions to be reached.

Objective: Transcranial magnetic stimulation (TMS) and transcranial electric stimulation (TES) modulate brain activity non-invasively by generating electric fields either by electromagnetic induction or by injecting currents via skin electrodes. Numerical simulations based on anatomically detailed head models of the TMS and TES electric fields can help us to understand and optimize the spatial stimulation pattern in the brain. However, most realistic simulations are still slow, and their numerical accuracy and the factors that influence it have not been evaluated in detail so far. Approach: We present and validate a new implementation of the Finite Element Method (FEM) for TMS and TES that is based on modern algorithms and libraries. We also evaluate the convergence of the simulations and give estimates for the discretization errors. Main results: Comparisons with analytical solutions for spherical head models validate our new FEM implementation. It is five to ten times faster than previous implementations. The convergence results suggest that accurately capturing the tissue geometry in addition to choosing a sufficiently high mesh density is of fundamental importance for accurate simulations. Significance: The new implementation allows for a substantial increase in computational efficiency of TMS and TES simulations. This is especially relevant for applications such as the systematic assessment of model uncertainty and the optimization of multi-electrode TES montages. The results of our systematic error analysis allow the user to select the best tradeoff between model resolution and simulation speed for a specific application. The new FEM code will be made openly available as a part of our open-source software SimNIBS 3.0.