Summary
統計的パラメトリック マッピング (SPM) ソフトウェアを使用して頭蓋内脳波データを分析するために使用できる 2 つの分析のプロトコルを提案する: 時間周波数統計的パラメトリック マッピング解析神経活動と動的因果関係内間 regional 接続のための誘導の応答のモデリング。
Abstract
神経活動と高時空間分解能で認知機能に関連付けられている接続の測定は認知神経科学の重要な目標です。頭蓋内脳波 (EEG) は直接神経の電気的活動を記録することができ、この目標を達成するためにユニークな可能性を秘めています。伝統的に、頭蓋内脳波データを解析に適用されている分析の平均ただし、いくつかの新しい技術、神経活動と内間 regional 接続を表したりすることがあります。ここで、我々 は最近統計的パラメトリック マッピング (SPM) ソフトウェアを使用して頭蓋内脳波データを分析に適用される分析の 2 つのプロトコルを紹介: 神経活動との因果関係の動的モデリングのための時間-周波数 SPM 解析による応答内間 regional 接続。代表的な結果として顔の観察の間に頭蓋内脳波データの我々 の分析を報告します。結果では、劣って後頭回 (IOG) が顔への応答の非常に早い段階 (110 ms) と IOG と急速なイントラ間 regional を使用した接続さまざまな種類の振動を示した扁桃体でガンマ バンド活動を示したことを明らかにしました。これらの分析のプロトコルには、高い空間的で、一時的なプロファイルと認知機能の基礎となる神経のメカニズムを識別するために可能性があります。
Introduction
神経活動と高時空間分解能で認知機能に関連付けられている接続の測定は、認知神経科学の主な目標の 1 つです。しかし、この目標を達成するは容易ではないです。神経活動を記録するために使用 1 つの人気のあるメソッドは機能磁気共鳴イメージ投射 (MRI です)。機能的 MRI は、ミリ波レベルおよび非侵襲的な記録で高空間解像度などのいくつかの利点を提供していますが、機能的 MRI の明確な不利な点は、低時間分解能です。さらに、機能的 MRI は、電気神経活動を直接反映する血液酸素レベル依存信号を測定します。脳波と脳磁図 (MEG) などを含む、一般的な電気生理学的方法ミリ秒レベルの高時空間解像度があります。ただし、彼らは頭皮で電気/磁気信号を記録し、脳の活動を描写する困難な逆問題を解く必要がありますので彼らは空間解像度が比較的低いがあります。
頭蓋内脳波記録は、高い時間 (ミリ秒) と空間 (センチ) 解像度1で電気的神経活動を直接記録できます。明確な制限がありますが、この測定は神経活動との接続性を理解する貴重な機会を提供できる (例えば、測定可能な領域は臨床基準に制限されます)。いくつかの頭蓋内脳波の研究は、神経活動を表現する伝統的な平均分析を適用しています。非位相を検出できない分析を平均敏感に時間ロックおよび低周波数バンドの活性化を検出できるが活性化高周波 (例えば、ガンマ バンド) および/または。さらに、機能的な神経結合頭蓋内脳波記録の文献で詳しく分析されていません。いくつかの新しい技術は、頭蓋内脳波データ分析に適用することができます機能 MRI ・脳波・脳磁図記録の神経活動と内間 regional 接続を描写する最近開発されています。
最近統計的パラメトリック マッピング (SPM) ソフトウェアを使用して頭蓋内脳波データを分析に用いている分析のプロトコルを紹介します。最初は、時とその頻度を明らかにする脳の領域が活性化、時間-周波数 SPM 解析2を行った。この分析は、同時に連続ウェーブレット変換を用いた時間・周波数ドメインを分解し、適切にランダム フィールド理論を用いた時間周波数マップで family-wise エラー (FWE) 率を修正します。第二に、脳が通信する方法を明らかにする誘導的応答4動的因果モデリング (DCM) を適用されます。DCM により、効果的な連結性の調査 (すなわち、脳領域の5の間で因果と指向性の影響)。DCM もともと機能的 MRI データ5を分析するためのツールとして提案されたが誘導的応答の DCM を電気生理学的信号4の時間変化スペクトルを分析する拡張されています。この分析では、両イントラ間 regional 神経接続の描写をことができます。ガンマ ・ シータ ・ バンド振動使用, 主にローカルで域内の計算と長距離の地域間コミュニケーション、それらの相互作用 (例えばentrainments) にすることができますいくつかの神経生理学的研究が示唆しています。シータ ガンマ クロス周波のカップリング3,6,7,8によって反映されます。このレポートは、データ分析のプロトコルに焦点を当ててください。バック グラウンド情報9,10の概要と頭蓋内脳波記録プロトコル11文献を参照してください。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
我々 の研究は、制度、倫理委員会で承認されました。
1. 基本情報
注: 分析のプロトコルは、特定の参加者、電極、参照方法、または電極の場所に関して制限なしデータの様々 なタイプに適用できます。例では、薬理学的難治性てんかんに苦しんで 6 人の患者をテストしました。関心領域のてんかん焦点がなかった患者をテストしました。
- ターゲット電極で認知の実験中にレコードの頭蓋内脳波データ。
- インプラントの定位法12を使用して深度電極.
- 硬膜下のプラチナ電極を使用 (直径: 2.3 mm) および深さのプラチナ電極 (直径: 0.8 mm) 同時に皮質と皮質下の活動をそれぞれ測定します。
- 12参照活性化を避けるために頭蓋骨から離れて直面して電極の接点と正中線背側頭部の頭蓋骨の表面に参照電極を配置します。
- データを増幅する、オンライン フィルター (帯域通過: 0.5-300 Hz)、および 1,000 Hz でサンプル。
- 記録して統計的に眼球運動に関連付けられている成果物を削除するには、さらに electrooculograms を記録します。理論的関心に基づくターゲット電極を選択します。さらに、電極の位置を確認するのに個々 の MRI、コンピューター断層撮影データを使用します。
- サンプルし、前処理試験頭蓋内脳波データ (図 1)。
注: 分析のプロトコルは、様々 な種類の特定データの長さまたは前処理方法に制限なしのデータに適用できます。- 3,000 の ms の中にここでは、サンプル データ (前刺激: 1,000 ms; 後刺激: 2,000 ms) 各試験のため。
- 参加者は、ここで異常を示したいくつかの試験で高振幅の活動はおそらく、てんかんに関連定義済みのしきい値を使用してこれらの外れ値試験を除外するため (> 800 μ V と > 5 SD)。目視検査と独立成分分析などを含む、その他の前処理手順実験的な目的や条件に応じて必要があります。
- (Cf. SPM12 マニュアル 12.1 および 12.2) 脳波システムのネイティブ フォーマットを SPM の MATLAB ベースの形式に変換します。
注: ほとんどの脳波データ形式直接インポートできる spm に SPM バッチ エディター インターフェイスに変換を選択して、すべての必要な入力パラメーターを指定することによって。もう一つの可能な方法は、SPM プログラム ディレクトリの男/example_scripts サブディレクトリにスクリプト"spm_eeg_convert_arbitrary_data.m"の例を使用します。このスクリプトでは、ASCII ファイルまたは多く脳波を用いた SPM の形式で書き出すことができるマットのファイルを変換する便利な方法を提供します。
2 時間-周波数 SPM 解析
- SPM12 のセットアップ (http://www.fil.ion.ucl.ac.uk/spm/) M/脳波分析メニュー13 (図 2) を使用します。
- 定義済みパラメーター (に基づいて Morlet ウェーブレットと連続ウェーブレット分解を用いた各試験の前処理された頭蓋内脳波データの SPM メニューで「時間-周波数解析」を選択して時間-周波数 SPM 解析2を実行します。図 3)。
注: ウェーブレット変換は複数の周波数14のウェーブレットを頭蓋内脳波データをたたみ込むことによりスペクトル成分の時間変化を明らかにします。- ここでは、全体の新紀元のセブン サイクル Morlet ウェーブレットを用いたウェーブレット分解を実施 (-1,000-2,000 ms) と 4-300 Hz の周波数範囲。
- マザーウェーブレットと以前の研究15に基づくサイクル数を決定します。メモのウェーブレット変換サイクル数が時間-周波数解像度を制御し、13推定の安定性を確保するため 5 より大きいことをお勧めします。
- 研究関心に基づいた時間と周波数の範囲を決定します。
- エッジ効果を削除する SPM メニューで「作物」を選択して測定結果の時間-周波数マップを自動的にトリミングします。ここで、-200 に時間-周波数マップをトリミング-500 ms。
- 良いイベント関連の電力変化を視覚化し、データの正規性を向上させるために時間-周波数マップの SPM メニューで「時間-周波数サイズ変更」を選択して (省略可能) データ変換、基線補正を実行します。
注: ここでは、時間-周波数マップされたログ変換およびベースライン (-200-0 ms)-修正します。 - SPM メニューで"Convert2Images"を選択して、二次元 (2 D) 画像に時間-周波数マップを変換します。
- 滑らかな被験者間変動を補うためし、統計的推論の2,13 で使用されるランダムな場の理論の前提条件に準拠して定義済みのフル幅半分最大 (半値幅) 値の使用のガウス カーネル.
注: ここでは、時間-周波数マップは 96 ms 時間領域での半値幅と以前の研究2に基づく周波数領域で 12 Hz のガウス カーネルで滑らかだった。
- 滑らかな被験者間変動を補うためし、統計的推論の2,13 で使用されるランダムな場の理論の前提条件に準拠して定義済みのフル幅半分最大 (半値幅) 値の使用のガウス カーネル.
- SPM メニューで「指定第 1 レベル」を選択して一般的な線形モデルに 2 D 画像を入力します。
- SPM メニューで「推定」を選択して一般的な線形モデルを推定します。
- SPM メニューで「結果」を選択してランダム フィールド理論2に基づく時間-周波数 SPM {T} データの統計的推測を実行します。定義済みのしきい値 (おそらく複数の比較のため修正) で有意の亢進の時間-周波数クラスターを検出します。
注: ここでは、 pの範囲しきい値 < 0.05、多重比較、 pの高さしきい値の FWE 修正された < 0.001 (裸眼) が使用されました。
3. 誘導的応答の DCM
- SPM12 のセットアップ (http://www.fil.ion.ucl.ac.uk/spm/) M/脳波分析メニュー13 (図 4) を使用します。
- SPM メニューで"DCM"ボタンをクリックしてには、DCM の分析を開始します。リスト ボックスに「IND」を選択することによって誘導的応答 DCM アクティブにします。前処理された頭蓋内脳波データをインポートするには、DCM M/脳波メニューで「新規追加」をクリックします。
- 興味、関心、コントラストの条件 (これはネットワーク仕様で後で使用される変調入力を定義) 選択した条件、関心の周波数ウィンドウと M/脳波メニュー (DCM のウェーブレットのサイクル数のタイム ウィンドウを指定します。図 5)。
- 5 サイクル Morlet ウェーブレット (1 Hz ステップで 4-100 Hz) を使用し、1-500 ms にタイム ウィンドウを設定します。
- 既定の設定に従ってウェーブレット サイクルを決定します。ソフトウェア推薦13推定の安定性を確保するため 5 より大きい値であることに注意してください。我々 の研究の関心に基づく時間-周波数範囲を求めた.追加 ± 512 ms とタイム ウィンドウがエッジ効果を削除する自動的に計算中に使用された注意してください。
- DCM フレームワーク4,5に基づいて、定義 (1) 神経の状態の感覚入力を表す入力運転(神経の状態と自己の接続間の接続のベースラインを具現化 2) 本質的な接続(3) の変調作用は null と仮説モデルの実験的操作を介して組み込み接続に。また線形 (内周波数) または非線形 (間周波数) として変調の種類を定義します。
- M/脳波メニューの DCM で本質的な (線形・非線形) 接続、運転入力、および変調入力を指定します。
- 必要な場合は、いくつか関連するパラメーター (例えば、前の刺激発症時間と期間) の既定の設定を変更します。M/脳波メニューの DCM で「DCM を反転」を選択して、モデルを推定します。その後 [ img として結果を保存周波数周波数変調を保存するパラメーター画像を結合します。
- ネットワークの最適なモデルを識別する M/脳波メニューの DCM で「BMS」をクリックして、ランダム効果ベイズ的モデル選択 (BMS) 解析17を行います。モデル予想確率および/または超過確率を評価尺度として使用します。
- SPM のメニューを使用して勝利のモデル パラメーターを使用して変調接続のクロス周波数パターンに関する推論 (手順 2 を参照)。
- SPM メニューで"Convert2Images"を選択することで変調結合パラメーター画像を滑らかに。
- 一般的な線形モデル分析を実行するには、SPM メニューの「第 2 レベルの指定」を選択します。
- 2 D の SPM {T} の値を計算するには、SPM のメニューで「結果」を選択します。
注: ここでは、半値幅は、前研究48 Hz に設定しました。重要な値は exploratorily pの高さしきい値を使用して識別された < 0.05 (裸眼)。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
ここに提示されたプロトコルを使用して、面18,19に応えて頭蓋内脳波を行った。面、モザイク、直立で住宅の受動的視聴中に 6 人の患者からのデータを記録し、向きを反転します。直立したモザイク対正立顔と直立住宅対直立面のコントラストは、顔効果 (つまり、他のオブジェクトを基準にして顔固有脳活動) を明らかにしました。直立のコントラストが対逆顔顔顔反転効果を明らかにした (すなわち。、全体的・総合的な処理20におそらく関連する顔固有の視覚処理)。時間-周波数解析と位相-振幅周波数クロス カップリングの対象地域として以前神経心理21とニューロ イメージング22調査結果に基づいて右下後頭回 (IOG) を選択しました。DCM は、我々 は以前の解剖学的証拠23に基づく顔処理中に機能的なネットワークを構成する IOG と扁桃体モデルをテストしました。
時間-周波数解析
面の処理中に IOG 活動の時間方向および周波数のプロファイルを調べるための時間-周波数解析を行った。時間-周波数マップは、2 D 画像に変換され、刺激タイプ (顔、ハウス、そしてモザイク) と方向 (直立と倒立) の因子を線形モデルを一般に入力します。有意な反応は、 pの FWE 修正範囲しきい値を使用して識別された < pの高さ閾値 0.05 < 0.001 (裸眼)。顔効果 (直立した顔・対・直立・ モザイク) を一貫してテスト コントラストが重要なラピッド (110-500 ms) ガンマ帯域を明らかにした (図 6 a) の活動。テスト面反転効果 (直立と倒立顔) コントラストは、後の時代 (195 500 ms) で重要なガンマ バンド活動を明らかにしました。
誘導的応答の DCM
誘導的応答の DCM は、IOG と扁桃体の機能ネットワーク モデルをテストに適用されました。顔と顔反転効果のランダム効果ベイズ的モデル選択の超過確率が示された地域で地域型双方向間調節域内変調接続モデル接続されたすべてのモデル (図 6 b) の中で最も可能性が高かった。
次に、我々 は最高のモデルにおける変調のカップリングのスペクトルのプロファイルを検査しました。Pの高さのしきい値と全体のスペクトル範囲の重大な影響が評価された < 0.05 (裸眼)。重要な同じとクロス周波変調カップリング観察された両方の内と間 regional 両方顔と顔反転効果 (図 6 c) の接続。たとえば、顔効果の域内の変調として扁桃体を示した否定的な γ-ガンマ同じと β-γ 周波数クロス カップリング。一方、内 IOG 変調はシータ/α/β-γ バンドで肯定的なクロス周波数結合を示した。さらに、顔の影響の地域間のカップリングとして、IOG → 扁桃体変調、IOG のシータ/アルファ バンドが、扁桃体におけるガンマ帯域を促進したプロファイルを明らかにしました。扁桃体の →「IOG 変調、扁桃体におけるガンマ帯域抑制シータ/アルファ バンドと、IOG の同じ周波数 γ バンド。顔反転効果のような扁桃体 → IOG 変調、扁桃体におけるガンマ帯域が、IOG のガンマ帯域を抑制、観察されました。ただし、IOG の扁桃体の変調を → で、顔効果で観測されたシータ/α-γ 協会は明らかでした。
図 1: 試用版の頭蓋内脳波データの生成のイラスト。この図の拡大版を表示するのにはここをクリックしてください。
図 2: 時間-周波数解析のための統計的パラメトリック マッピング (SPM) ソフトウェアのグラフィック ユーザー インターフェイスです。(SPM 1) メニュー。(2) の時間-周波数解析。(3) 作。(4) ベースライン補正。(5) に変換されます。(6)平滑化。(7) 統計モデル。(8) モデルの推定。(9) のコントラスト。(10) 統計的推論。この図の拡大版を表示するのにはここをクリックしてください。
図 3: 統計的パラメトリック マッピング (SPM) ソフトウェアを用いた時間周波数解析のフローチャート。それぞれの試験の (、) 準備前処理された頭蓋内脳波 (EEG) のデータです。連続ウェーブレット変換を用いた脳波の行動時間-周波数 (TF) 分解 (b) データを変換します。(c) トリミング、ログ変換、および TF マップの正しいベースライン。(d) 変換、TF は二次元 (2 D) イメージにマップします。一般的な線形モデルに 2 D を入力してください (e) 画像。(f) 実行 TF SPM {T} データの統計的推論。この図の拡大版を表示するのにはここをクリックしてください。
図 4: 動的因果 (DCM) をモデル作成の分析のための統計的パラメトリック マッピング (SPM) ソフトウェアのグラフィック ユーザー インターフェイスです。(SPM 1) メニュー。(DCM 2) メニュー。(3) ベイズ的モデル選択。(4) 平滑化。(5) 統計モデル。(6) モデルの推定。(7) のコントラスト。(8) 統計的推論。この図の拡大版を表示するのにはここをクリックしてください。
図 5: 誘導的応答の動的因果モデリング フローチャート。(、) 各トライアルの目標の時間-周波数スペクトルを計算する複数の電極 (劣って後頭回 (IOG) と例題で扁桃体) 連続ウェーブレット分解を用いたします。引き起こされる反応をもたらすための時間-周波数応答のスペクトルの大きさの平均値します。その後、実験的操作による運転入力、本質的な接続、および接続固有の変調を定義します。仮説をテストし、モデルを推定するモデルを構築します。(b) 行為ランダム効果の最適なモデルを識別するためにベイズのモデルの選択の解析。(平滑化) と二次元 (2 D) 画像に変換周波数周波数変調 (c) 結合パラメーター。ランダム効果一般線形モデル分析を実行し、2 D の SPM {T} の値を計算します。この図の拡大版を表示するのにはここをクリックしてください。
図 6: 代表結果。(FU; 左) 直立した顔の右下後頭回 (IOG) 活動の (、) 時間周波数のマップおよび直立したモザイク (MU; 中間) 条件。FUとMU の SPM {T} データは、(右) も表示されます。IOG や扁桃体の機能 (b) ネットワーク モデル。変調入力 FU対MU IOG と扁桃体と地域ごとに自己の接続の間の接続上の 8 つの可能な組み合わせを調べた。(c) 周波数周波数変調 FU対IOG の MU → 扁桃体、扁桃体 -> IOG パラメーターと SPM {T} の値を結合変調が表示されます。赤黄と青シアンの blob は、それぞれ有意な正/興奮と負/抑制結合を示します。この図の拡大版を表示するのにはここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
本導入した SPM のソフトウェアを使用して頭蓋内脳波データの分析のプロトコルには、機能的 MRI と比較していくつかの利点があります。まず、プロトコルは、高時間分解能での神経活動を描写できます。したがって、結果は神経活性化の認知相関処理の早いか遅い段階で実装するかどうかを示します。例では、視覚情報処理の非常に早い段階 (すなわち、 110 ms) 顔効果が確認されました。さらに、異なる心理的機能に関連する神経活動の時空間分布の比較は興味深い意味を提供します。特に、私たちの例には、IOG にそれぞれ 115 ms と 165 ms で始まり、顔と顔反転効果の異なる手続きに要する時間が明らかにしました。このような豊富な時空間情報は神経認知メカニズムの私達の理解を深めることができます。
さらに、プロトコルは、イントラ間 regional 神経接続を描写できます。血行動態シグナルなど頭皮に記録された電磁信号、その他科学的対策からデータ大量ノイズにはが含まれて、歪めることができる元の電気信号を抽出するいくつかの仮定に基づく推定を必要とします。結果として生じる神経接続。したがって、直接記録された電気信号の解析は貴重です。例として我々 の結果顔処理中に IOG と扁桃体機能連関を明らかにして、そのような結合が機能的 MRI データ24の以前の分析で検出されません。神経メカニズムを理解すると、神経のアクティブ化の時間情報を必要とする神経回路網の間の因果関係の同定が必要です。
ただし、記録し、頭蓋内脳波を分析に使用する最適なプロトコルが議論で残ることに注意することが重要です。たとえば、方法論は、リファレンス電極が身体生理学的成果物 (例えば、眼球運動、筋活動) と環境騒音と参照電極の適切な位置を選ぶことができますを示唆しています。頭蓋内脳波記録はまだ決定25,26。議論27の下であるが、(例えば、てんかん活動) の成果物を削除する (例えば、フィルターと非線型変換) 前処理方法のいくつかを提案されています。研究はまた、ウェーブレット分解を用いた時間周波数解析元データ28とヒルベルト黄変換などの代替分析法のピークをぼかしより良い解像度29を提供するかもしれないことを報告しました。高周波範囲の抽出は、30などのメソッドを使用しても改善があります。それは、急激な非線型過渡特性でクロス周波のカップリングは偏見かもしれない、そのような交絡因子の制御が必要な31,32,33に指摘されています。位相ロック値16、重み付き位相遅れインデックス34, と壮大な因果関係35、およびそれは不明のままのよう解析の内- と間-regional カップリング、さまざまな解析方法が提案されています。どの解析とパラメーター (例えば周波数) は、最も認知に関連する処理3です。いくつかのケースで頭蓋内脳波データをパラメトリック前提条件満たさないし、非パラメトリック解析可能性があります最適な36。最近、他の分析のプロトコルは提案37; をしています。SPM ソフトウェアに基づく他のプロトコルと比較して、科学的データ38の様々 なタイプの分析のための統一されたフレームワークを提供ユニークな可能性を有しています。研究者は、頭蓋内脳波データ分析プロトコルの進歩に細心の注意を払う必要があります。
要約すると、我々 は最近、SPM の時間周波数解析、クロス周波数結合誘導的応答の DCM など頭蓋内脳波データを分析に適用分析のプロトコルを導入しました。これらの分析のプロトコルは高い空間的で、一時的なプロファイルと認知機能に関わる神経基盤を識別できると考えています。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者が明らかに何もありません。
Acknowledgments
本研究は次世代の世界最先端研究者 (LZ008)、神経発達障害の研究の推進のための組織の科学振興 (JSPS) 資金調達プログラムの日本社会株式会社ベネッセコーポレーションからの資金によって支えられました。・日本学術振興会科研費 (15 K 04185; 18 K 03174)。
Materials
Name | Company | Catalog Number | Comments |
none |
References
- Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).
- Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
- Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
- Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
- Friston, K. J., Harrison, L., Penny, W.
Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003). - Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
- Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
- Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191 (2010).
- Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
- Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
- Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993 (2012).
- Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
- Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
- Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
- Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
- Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
- Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
- Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
- Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
- Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition? Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
- Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
- Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
- Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
- Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
- Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
- Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
- Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
- Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
- Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
- Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
- Aru, J., et al.
Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015). - Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351 (2016).
- Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
- Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
- Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
- Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
- Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
- Friston, K. J., et al.
Dynamic causal modelling revisited. NeuroImage. , (2017).