Artículo de método

Análisis de actividad de los nervios y conectividad mediante datos EEG intracraneal con Software SPM

DOI:

10.3791/58187

⸱

30 de octubre de 2018

 ,  ,  ,  ,  ,  ,  ,  , 
1Kokoro Research Center, Kyoto University, 2Brain Activity Imaging Center, Advanced Telecommunications Research Institute International, 3Department of Neurodevelopmental Psychiatry, Habilitation and Rehabilitation, Graduate School of Medicine, Kyoto University, 4National Epilepsy Center, 5Shizuoka Institute of Epilepsy and Neurological Disorders, 6Department of System Neuroscience, Sapporo Medical University, 7Faculty of Human Health Science, Graduate School of Medicine, Kyoto University

* These authors contributed equally

En este artículo

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Presentamos dos protocolos analíticos que pueden utilizarse para analizar los datos de electroencefalografía intracraneal mediante el software de mapeo paramétrico estadístico (SPM): Análisis de mapeo paramétrico estadístico tiempo-frecuencia de actividad de los nervios y dinámica causal modelado de las respuestas inducidas para la conectividad intra e interregional.

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Medición de actividad de los nervios y la conectividad asociada a las funciones cognitivas en alta resolución espacial y temporal es un objetivo importante en Neurociencia cognitiva. Intracraneal electroencefalografía (EEG) directamente puede registrar la actividad eléctrica de los nervios y tiene la capacidad única para alcanzar esta meta. Tradicionalmente, con un promedio de análisis se ha aplicado para analizar los datos de EEG intracraneales; sin embargo, varias nuevas técnicas están disponibles para que la conectividad neuronal de la actividad y intra e interregional. Aquí, presentamos dos protocolos analíticos recientemente se aplicó para analizar los datos de EEG intracraneales mediante el software de mapeo paramétrico estadístico (SPM): Análisis de tiempo-frecuencia SPM para la actividad de los nervios y modelado causal dinámica de inducidas por conectividad intra e interregional. Divulgamos el análisis de datos de EEG intracraneales durante la observación de las caras como resultados representativos. Los resultados revelaron que el giro occipital inferior (IOG) demostró actividad gamma-banda en etapas muy tempranas (110 ms) en respuesta a caras y el GSI y amygdala demostrada rápida intra e interregional conectividad mediante varios tipos de oscilaciones. Estos protocolos analíticos tienen el potencial para identificar los mecanismos neuronales subyacentes a las funciones cognitivas con altos perfiles espaciales y temporales.

Introducción

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Medición de actividad de los nervios y la conectividad asociada a las funciones cognitivas en altas resoluciones espaciales y temporales es uno de los objetivos principales de la Neurociencia cognitiva. Sin embargo, no es fácil lograr este objetivo. Un método popular usado para registrar la actividad neuronal es la proyección de imagen de resonancia magnética funcional (MRI). Aunque MRI funcional ofrece varias ventajas, tales como una alta resolución espacial a nivel milimétrico y grabación no invasivo, una desventaja clara de la RMN funcional es su baja resolución temporal. Además, MRI funcional mide señales dependientes de nivel del oxígeno de sangre, que sólo indirectamente reflejan la actividad eléctrica de los nervios. Métodos electrofisiológicos, como electroencefalografía (EEG) y magnetoencefalografía (MEG), tienen alta resolución temporal en el nivel de milisegundo. Sin embargo, tienen resolución espacial relativamente baja, ya que registran las señales eléctricas/magnéticas en el cuero cabelludo y debe resolver problemas inversos para representar la actividad cerebral.

EEG intracraneal puede grabar directamente la actividad eléctrica neuronal en alta temporal (milisegundo) y espacial (cm) resolución1. Esta medida puede proporcionar valiosas oportunidades para entender la actividad de los nervios y la conectividad, aunque tiene limitaciones claras (por ejemplo, regiones medibles están restringidas a criterios clínicos). Varios estudios de EEG intracraneales han aplicado análisis promedio tradicional para representar la actividad de los nervios. Aunque con un promedio de análisis sensible puede detectar activación de banda de tiempo-bloqueada y baja frecuencia, no se detecta no-fase-bloqueado o activación de alta frecuencia (por ejemplo, la banda de gamma). Además, acoplamiento neuronal funcional no ha sido analizada en profundidad en la literatura en las grabaciones de EEG intracraneales. Varias nuevas técnicas se han desarrollado recientemente para representar neuronal actividad intra e interregional conectividad funcional grabaciones RM y EEG/MEG, que se puede aplicar para analizar los datos de EEG intracraneales.

Aquí, presentamos protocolos analíticos que recientemente hemos aplicado para analizar los datos de EEG intracraneales mediante el software de mapeo paramétrico estadístico (SPM). Primero, a revelar Cuándo y con que frecuencia, podrían activar las regiones cerebrales, realizamos tiempo-frecuencia SPM análisis2. Este análisis descompone los dominios de tiempo y frecuencia simultáneamente usando una transformación wavelet continua y corrige adecuadamente la tasa de error family-wise (EFT) en los mapas de frecuencia de tiempo usando la teoría de campo al azar. En segundo lugar, para descubrir cómo se comunican las regiones del cerebro, aplicamos modelado causal dinámica (DCM) de respuestas inducido4. DCM permite la investigación de la conectividad efectiva (es decir, las influencias causales y direccionales entre las regiones de cerebro5). Aunque DCM fue propuesto originalmente como una herramienta para el análisis funcional MRI datos5, DCM de respuestas inducidas ha sido ampliado para analizar los espectros de energía varían con el tiempo de las señales electrofisiológicas4. Este análisis permite la representación de ambos intra e interregional neural conectividad. Varios estudios neurofisiológicos han sugerido que los cálculos intra regionales locales y comunicación interregional a larga distancia utilizan principalmente las oscilaciones de la theta y gamma banda, respectivamente, y sus interacciones (por ejemplo, entrainments) puede reflejarse por theta gamma Cruz-frecuencia acoplamiento3,6,7,8. Este informe se centra en el protocolo de análisis de datos; para un resumen de información de fondo9,10 y de protocolos de grabación11 de EEG intracraneal, refiera por favor a la literatura.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nuestro estudio fue aprobado por el Comité de ética institucional local.

1. básica información

Nota: Los protocolos analíticos pueden aplicarse a varios tipos de datos sin restricciones en cuanto a participantes específicos, electrodos, métodos de referencia o electrodo ubicaciones. En nuestro ejemplo, hemos probado a seis pacientes que sufren de epilepsia focal intratable farmacológicamente. Probamos a pacientes que no tenían los focos epilépticos en las regiones de interés.

  1. Registrar datos de EEG intracraneales durante el experimento cognitivo en los electrodos de destino.
    1. Implante de electrodos de profundidad utilizando el método estereotáctico12.
    2. Utilizar electrodos de platino subdurales (diámetro: 2,3 mm) y electrodos de platino de profundidad (diámetro: 0,8 mm) para medir simultáneamente la actividad cortical y subcortical, respectivamente.
    3. Coloque los electrodos de referencia en la superficie del cráneo de la región frontal dorsal de la línea media, con los contactos de los electrodos hacia el cráneo para evitar activación referencial12.
    4. Ampliar datos, filtro en línea (pase de banda: 0.5 – 300 Hz) y muestra a 1000 Hz.
    5. Para registrar y quitar estadísticamente artefactos asociados con movimientos de los ojos, además de grabar electrooculograms. Seleccionar los electrodos de destino basados en intereses teóricos. Además, utilizar datos de tomografía computada y MRI individual para comprobar la ubicación del electrodo.
  2. De la muestra y preprocesar datos EEG intracraneales (figura 1).
    Nota: Los protocolos analíticos pueden aplicarse a varios tipos de datos sin restricción de longitud de datos específico o métodos de preprocesamiento.
    1. Aquí, datos de la muestra durante ms de 3.000 (antes estímulo: 1.000 ms; posterior al estímulo: 2.000 ms) para cada ensayo.
    2. Porque los participantes aquí demostrados anormalmente actividad de alta amplitud en algunos ensayos, posiblemente relacionados con la epilepsia, excluyen estos ensayos aislados con umbrales predefinidos (> 800 μV y > 5 SD). Otros pasos de preprocesamiento, incluyendo inspección visual y análisis de componentes independientes, pueden ser necesarios dependiendo de los objetivos experimentales y condiciones.
  3. Convertir el formato nativo del sistema de EEG en un formato basado en MATLAB SPM (cf. SPM12 Manual de 12.1 y 12.2).
    Nota: La mayoría de formatos de datos EEG puede ser importada directamente en software SPM seleccionar conversión en la interfaz del Editor de lote de SPM y especificando todos los parámetros de entrada requeridos. Otra forma posible es usar un script de ejemplo "spm_eeg_convert_arbitrary_data.m" en el subdirectorio de hombre/example_scripts del directorio de programa SPM. Esta secuencia de comandos proporciona una forma conveniente para convertir un archivo ASCII o estera que se puede exportar por muchos sistemas de EEG con formato SPM.

2. tiempo-frecuencia SPM análisis

  1. Configurar SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) y utiliza el M/EEG menú analítica13 (figura 2).
  2. Realizar el tiempo – frecuencia SPM análisis2 seleccionando "análisis tiempo-frecuencia" en el menú SPM de preprocesados datos EEG intracraneales de cada ensayo mediante descomposición wavelet continua con wavelets de Morlet basadas en parámetros predefinidos ( Figura 3).
    Nota: Transformaciones Wavelet revelan la evolución temporal de las componentes espectrales por convolución tamaño datos de EEG intracraneales con wavelets de múltiples frecuencias14.
    1. Aquí, llevar a cabo utilizando ciclo de siete Morlet wavelets para la época toda la descomposición wavelet (-1,000 – 2.000 ms) y rango de frecuencia de 4 – 300 Hz.
    2. Determinar la wavelet madre y número de ciclos basada en un anterior estudio15. Tenga en cuenta que el número de ciclos en la wavelet controla el tiempo – frecuencia resoluciones y se recomienda ser mayor de 5 para asegurar la estabilidad de valoración13.
    3. Determinar rangos de tiempo y frecuencia basadas en el interés de investigación.
  3. Los mapas de tiempo – frecuencia resultantes de cultivos automáticamente seleccionando "Cultivo" en el menú SPM para eliminar los efectos de borde. Aquí, los mapas de tiempo – frecuencia de los cultivos en -200 – 500 ms.
  4. Realizar la transformación de datos (opcional) y corrección de línea base mediante la selección de "reescalar tiempo-frecuencia" en el menú SPM para los mapas de tiempo – frecuencia visualizar mejor los cambios de energía relacionados con eventos y mejorar la normalidad de los datos.
    Nota: Aquí, los mapas de tiempo – frecuencia fueron transformados registro y línea de base (-200-0 ms)-corregido.
  5. Convertir los mapas de tiempo – frecuencia imágenes bidimensionales (2D) seleccionando "Convert2Images" en el menú SPM.
    1. Liso con un núcleo Gaussiano con un valor de (FWHM) predefinido lleno-ancho máximo de la mitad para compensar la variabilidad entre sujeta y se ajustan a los supuestos de la teoría de campo al azar en la inferencia estadística2,13 .
      Nota: Aquí, los mapas de tiempo – frecuencia se suavizan con un kernel gaussiano de FWHM de 96 ms en el dominio del tiempo y 12 Hz en el dominio de la frecuencia basado en un estudio anterior2.
  6. Entrar las imágenes 2D en el modelo lineal general seleccionando especificar 1 "nivel" en el menú SPM.
  7. Estimar el modelo lineal general seleccionando "Estimación de modelo" en el menú SPM.
  8. Realizar inferencias estadísticas sobre los datos de tiempo – frecuencia SPM {T} basados en la teoría del campo al azar2 seleccionando "Resultados" en el menú SPM. Detectar activados mucho tiempo – frecuencia racimos con umbrales predefinidos (posiblemente corregidos para comparaciones múltiples).
    Nota: Aquí, el umbral de medida de p < 0.05, que es EFT-corregido para comparaciones múltiples, con un límite de altura de p < 0.001 (sin corregir) fue utilizado.

3. DCM de respuestas inducidas

  1. Configurar SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) y utiliza el M/EEG menú analítica13 (figura 4).
    1. Iniciar análisis de DCM haciendo clic en botón "DCM" en el menú SPM. Activar DCM inducido respuestas seleccionando "IND" en el cuadro de lista. Importar los datos de EEG intracraneales preprocesados haciendo clic en "nuevos datos" en el DCM para menú M/EEG.
  2. Especificar la ventana de tiempo de interés, las condiciones de interés, contrastes para las condiciones seleccionadas (Esto define las entradas de modulación utilizadas más adelante en la especificación de red), ventana de frecuencia de interés y el número de los ciclos de la wavelet en el DCM de menú () M/EEG Figura 5).
    1. Utilizar cinco-ciclo Morlet wavelets (4 – 100 Hz en pasos de 1 Hz) y la ventana de tiempo a ms de 1, 500.
    2. Determinar el ciclo de wavelet con arreglo a la configuración por defecto. Tenga en cuenta que la recomendación de software es el valor mayor de 5 para asegurar la estabilidad de valoración13. Se determinaron los rangos de tiempo – frecuencia basada en nuestro interés de investigación. Tenga en cuenta que una ventana de tiempo con un ± adicional 512 ms automáticamente se utilizó durante el cómputo para eliminar los efectos de borde.
  3. Basado en el marco de DCM4,5, definen el (1) conducción de entradas, que representan las entradas sensoriales de Estados neuronales; (2) las conexiones intrínsecas, que incorporan la conectividad de línea de base entre los Estados neuronales y conexiones por cuenta propia; y (3) efectos moduladores en las conexiones intrínsecas vía experimental manipulaciones para modelos nulos e hipotéticas. También definir el tipo de modulación lineal (en frecuencia) o no lineales (entre frecuencias).
    1. Especificar conexiones (lineales y no lineales) intrínsecas, conducción y entradas de modulación en el DCM para menú M/EEG.
    2. Modificar la configuración por defecto de algunos parámetros relacionados (p. ej., tiempo de inicio del estímulo previo y duración) si es necesario. Estimar los modelos seleccionando "DCM de invertir" en el DCM para menú M/EEG. Después de seleccione Guardar resultados como img guardar modulador frecuencia acoplamiento imágenes de parámetro.
  4. Realizar un análisis efectos aleatorios Bayesiano modelo selección (BMS)17 haciendo clic en "BMS" en el DCM para menú M/EEG para identificar el modelo de red óptimo. Utilizar las probabilidades del modelo esperado o probabilidades de excedencia como medidas de evaluación.
  5. Hacer inferencias con respecto a los patrones de la Cruz-frecuencia de las conexiones del moduladores usando los parámetros del modelo ganador mediante el menú SPM (véase paso 2).
    1. Suavizar las imágenes del parámetro de acoplamiento modulador seleccionando "Convert2Images" en el menú SPM.
    2. Realizar análisis de modelo lineal general seleccionando "Especificar nivel de 2 º" en el menú SPM.
    3. Calcular los valores SPM {T} 2D seleccionando "Resultados" en el menú SPM.
      Nota: Aquí, el FWHM se fijó en 8HZ, basado en un estudio anterior4. Valores significativos exploratorily se identificaron usando un umbral de altura de p < 0.05 (sin corregir).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Utilizando el protocolo aquí presentado, se analizaron datos de EEG intracraneales en respuesta a caras18,19. Registraron datos de seis pacientes durante la observación pasiva de caras, mosaicos y casas en posición vertical y había invertida orientaciones. Los contrastes de comparación vertical mosaicos de caras verticales y caras vertical versus casas vertical revelaron el efecto de la cara (es decir, l...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los protocolos analíticos para los datos de EEG intracraneales mediante el software SPM introducido aquí tienen varias ventajas en comparación con MRI funcional. En primer lugar, los protocolos pueden representar activación neural en una alta resolución temporal. Por lo tanto, los resultados indican que si se implementan los correlatos cognitivos de la activación neuronal en etapas iniciales o finales de procesamiento. En nuestro ejemplo, el efecto de la cara fue identificado durante las primeras etapas (es decir,

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores no tienen nada que revelar.

Agradecimientos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudio fue apoyado por fondos de Benesse Corporation, sociedad japonesa para el programa de fondos de promoción de la ciencia (JSPS) para investigadores de próxima generación líder (LZ008), la organización para la promoción de la investigación en trastornos del neurodesarrollo, y el KAKENHI JSPS (15K 04185; 18K 03174).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).
  2. Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
  3. Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
  4. Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
  5. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
  6. Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
  7. 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).
  8. 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).
  9. Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
  10. Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
  11. 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).
  12. 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).
  13. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961(2011).
  14. Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
  15. 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).
  16. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
  22. 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).
  23. 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).
  24. 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).
  25. Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
  26. Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
  27. Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
  28. Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
  29. 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).
  30. Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654(2016).
  31. Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
  32. 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).
  33. Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
  34. Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
  35. Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413(2017).
  36. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  37. Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
  38. Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Intracranial EEGSPM SoftwareTime Frequency AnalysisDynamic Causal ModelingNeural ActivityConnectivity AnalysisInferior Occipital GyrusAmygdala ConnectivityWavelet DecompositionBayesian Model Selection

Artículos relacionados