Method Article

Analizzando l'attività neurale e connettività utilizzando dati EEG intracranico con SPM Software

DOI:

10.3791/58187

⸱

October 30th, 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

In This Article

Summary

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

Presentiamo due protocolli analitici che possono essere utilizzati per analizzare i dati di elettroencefalografia intracranica utilizzando il software di mappatura statistica parametrica (SPM): analisi tempo-frequenza mappatura statistica parametrica per attività neurale e dinamica causale modellazione di risposte indotte per connettività intra - e inter - regionale.

Abstract

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

Misurare l'attività neurale e connettività associati con funzioni cognitive ad alte risoluzioni spaziali e temporali è un obiettivo importante in neuroscienze cognitive. Intracranica elettroencefalografia (EEG) può registrare direttamente attività neurale elettrica e ha il potenziale unico per realizzare questo obiettivo. Tradizionalmente, con una media di analisi è stata applicata per analizzare i dati EEG intracranici; Tuttavia, parecchie nuove tecniche sono disponibili per raffigurante connettività neurale attività e intra - e inter - regionale. Qui, presentiamo due protocolli analitici abbiamo recentemente applicato per analizzare dati di EEG intracranici utilizzando il software di mappatura statistica parametrica (SPM): analisi SPM tempo-frequenza per attività neurale e modellazione dinamica causale di ha indotto risposte per connettività di intra - e inter - regionale. Segnaliamo la nostra analisi dei dati EEG intracranici durante l'osservazione di volti come risultati rappresentativi. I risultati hanno rivelato che il gyrus occipital inferiore (IOG) hanno mostrato l'attività della gamma-fascia a stadi molto precoci (110 ms) in risposta a volti e IOG sia amigdala ha mostrato rapida intra - e inter - regionale connettività utilizzando vari tipi di oscillazioni. Questi protocolli analitici hanno il potenziale per identificare i meccanismi neurali alla base di funzioni cognitive con alto profilo spaziale e temporale.

Introduction

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

Misurare l'attività neurale e connettività associati con funzioni cognitive ad alte risoluzioni spaziali e temporali è uno degli obiettivi primari delle neuroscienze cognitive. Tuttavia, la realizzazione di questo obiettivo non è facile. Un metodo popolare utilizzato per registrare l'attività neurale è funzionale a risonanza magnetica (MRI). Anche se MRI funzionale offre diversi vantaggi, quali un'elevata risoluzione spaziale a livello di millimetro e registrazione non invasiva, un chiaro svantaggio di risonanza magnetica funzionale è la bassa risoluzione temporale. Inoltre, MRI funzionale misura segnali di sangue-ossigeno-livello-dipendente, che solo indirettamente riflettono l'attività neurale elettrico. Metodi elettrofisiologici popolari, compreso l'elettroencefalografia (EEG) e la magnetoencefalografia (MEG), hanno risoluzioni temporali elevate a livello di millisecondo. Tuttavia, essi hanno risoluzioni spaziali relativamente bassi, perché registrare i segnali elettrici/magnetici al cuoio capelluto e deve risolvere difficili problemi inversi per rappresentare attività cerebrale.

EEG intracranico è in grado di registrare direttamente attività elettrica neurale al temporali elevato (in millisecondi) e risoluzioni spaziali (centimetro)1. Questa misura può fornire preziose opportunità per comprendere l'attività neurale e connettività, anche se ha chiari limiti (ad es., regioni misurabili sono limitate ai criteri clinici). Parecchi studi di EEG intracranici sono applicate analisi tradizionale media per rappresentare l'attività neurale. Anche se con una media di analisi sensibile può rilevare l'attivazione banda bassa frequenza e di tempo-bloccata, non riesce a rilevare non-phase-locked e/o l'attivazione ad alta frequenza (ad esempio, Fascia di gamma). Inoltre, accoppiamento neurale funzionale non è stato analizzato in profondità nella letteratura su registrazioni EEG intracraniche. Diverse tecniche di nuovi sono stati recentemente sviluppati per raffigurano neurale attività e intra - e inter - regionale la connettività funzionale registrazioni EEG/MEG e di MRI, che può essere applicato per analizzare i dati EEG intracranici.

Presentiamo il protocolli analitici che abbiamo recentemente applicato per analizzare dati di EEG intracranici utilizzando il software di mappatura statistica parametrica (SPM). Primo, per rivelare quando e con quale frequenza, le regioni del cervello potrebbero essere attivate, abbiamo effettuato analisi di tempo-frequenza SPM2. Questa analisi si decompone il dominio della frequenza e tempo contemporaneamente utilizzando una trasformata wavelet continua e corregge in modo appropriato il tasso di errore allargare (FWE) nelle mappe tempo-frequenza usando la teoria di campo casuale. In secondo luogo, per rivelare come comunicano regioni del cervello, abbiamo applicato la modellazione dinamica causale (DCM) di risposte indotte4. DCM consente l'indagine efficace connettività (cioè, le influenze causali e direzionale tra cervello regioni5). Anche se DCM è stato originariamente proposto come uno strumento per l'analisi dei dati di MRI funzionale5, DCM di risposte indotte è stata estesa per analizzare gli spettri di potenza variabili nel tempo di segnali elettrofisiologici4. Questa analisi permette la raffigurazione di entrambi connettività neurale intra - e inter - regionale. Parecchi studi neurofisiologici hanno suggerito che calcoli intra-regionali locali e comunicazione inter-regionale a lungo raggio usano principalmente oscillazioni Fascia di gamma e di teta, rispettivamente, e loro interazioni (ad es., filtrazione) può riflettersi di theta-gamma cross-frequenza accoppiamento3,6,7,8. Questo rapporto si concentra sul protocollo dati analitici; per una panoramica di sfondo informazioni9,10 e registrazione protocolli11 di EEG intracranico, fare riferimento alla letteratura.

Access restricted. Please log in or start a trial to view this content.

Protocol

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

Il nostro studio è stato approvato dal comitato di etica istituzionale locale.

1. informazioni di base

Nota: I protocolli analitici possono essere applicati a vari tipi di dati senza alcuna restrizione per quanto riguarda i partecipanti specifici, elettrodi, metodi di riferimento o posizioni di elettrodo. Nel nostro esempio, abbiamo testato sei pazienti affetti da epilessia focale farmacologicamente intrattabile. Abbiamo testato le pazienti che hanno avuti nessun fuochi epilettici nelle regioni di interesse.

  1. Registrare dati EEG intracranici durante l'esperimento conoscitivo agli elettrodi di destinazione.
    1. Dell'impianto di elettrodi di profondità utilizzando il metodo stereotactic12.
    2. Utilizzare elettrodi subdurali di platino (diametro: 2,3 mm) e profondità platino elettrodi (diametro: 0,8 mm) per misurare simultaneamente attività corticale e sottocorticale, rispettivamente.
    3. Posizionare gli elettrodi di riferimento sulla superficie del cranio della regione frontale della linea mediana dorsale, con i contatti degli elettrodi dalla parte opposta del cranio per evitare l'attivazione referenziale12.
    4. Dati di amplificare, filtrare online (passa banda: 0,5 – 300 Hz) e del campione a 1.000 Hz.
    5. Per registrare e rimuovere statisticamente gli elementi associati a movimenti oculari, inoltre registrare electrooculograms. Selezionare gli elettrodi di destinazione sulla base di interessi teorici. Inoltre, utilizzare dati di tomografia computata e di MRI individuali per verificare i percorsi di elettrodo.
  2. Campione e pre-elaborare dati di EEG intracranici prova (Figura 1).
    Nota: I protocolli analitici possono essere applicati a vari tipi di dati senza alcuna restrizione alla lunghezza di dati specifico o metodi di pre-elaborazione.
    1. Qui, dati di esempio durante 3.000 ms (pre-stimolo: 1.000 ms; post-stimolo: 2.000 ms) per ogni prova.
    2. Perché i partecipanti hanno mostrato qui anormalmente attività di ampiezza elevata in alcune prove, possibilmente correlati all'epilessia, escludono queste prove di valore erratico utilizzando soglie predefinite (> 800 μV e > 5 SD). Altri passaggi di pre-elaborazione, tra cui ispezione visiva e analisi delle componenti indipendenti, possono essere richiesti a seconda gli obiettivi sperimentali e condizioni.
  3. Convertire il formato nativo del sistema EEG in un formato basato su MATLAB SPM (cfr SPM12 manuale 12.1 e 12.2).
    Nota: La maggior parte dei formati di dati EEG possono essere direttamente importati in software SPM selezionando conversione nell'interfaccia SPM Batch Editor e specificando tutti i parametri di input obbligatori. Un altro modo possibile è quello di utilizzare uno script di esempio "spm_eeg_convert_arbitrary_data.m" nella sottodirectory della directory del programma SPM uomo/example_scripts. Questo script fornisce un modo conveniente per convertire un file ASCII o file MAT che possa essere esportati utilizzando molte sistema EEG con formato SPM.

2. SPM time-frequency Analysis

  1. Impostare la pagina di SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) e utilizzare il M/EEG analitica menu13 (Figura 2).
  2. Eseguire il tempo – frequenza SPM analisi2 selezionando "analisi tempo-frequenza" nel menu SPM per il pre-elaborati dati EEG intracranici di ogni prova facendo uso di decomposizione wavelet continua con Morlet wavelet basata su parametri predefiniti ( Figura 3).
    Nota: Trasformate wavelet rivelano l'evoluzione temporale delle componenti spettrali di convoluzione dati EEG intracranici con wavelet di più frequenze14.
    1. Qui, condurre decomposizione wavelet utilizzando sette-ciclo Morlet wavelet per l'intera epoca (-1.000-2.000 ms) e gamma di frequenza di 4 – 300 Hz.
    2. Determinare la wavelet madre e il numero di cicli basata su un precedente studio15. Si noti che il numero di cicli nella wavelet controlla le risoluzioni di tempo-frequenza e raccomanda di essere maggiore di 5 per garantire stabilità di stima13.
    3. Determinare gli intervalli di tempo e della frequenza sulla base degli interessi di ricerca.
  3. Ritagliare le mappe di tempo – frequenza risultante automaticamente selezionando "Ritaglia" nel menu SPM per rimuovere gli effetti di bordo. Qui, ritagliare le mappe di tempo – frequenza di -200 – 500 ms.
  4. Selezionando "tempo-frequenza rescale" nel menu SPM per le mappe di tempo-frequenza visualizzare meglio le modifiche relative agli eventi potenza e migliorare la normalità dei dati, eseguire la trasformazione dei dati (opzionale) e la correzione della linea di base.
    Nota: Qui, le mappe di tempo – frequenza erano registro-trasformate e basale (-200 – 0 ms)-corretto.
  5. Convertire le mappe di tempo-frequenza in immagini bidimensionali (2D) selezionando "Convert2Images" nel menu SPM.
    1. Liscio utilizzando un kernel gaussiano con un valore predefinito di interi mezzo massimo (FWHM) per compensare la variabilità inter- e conformi alle ipotesi della teoria del campo casuale utilizzato in inferenza statistica2,13 .
      Nota: Qui, le mappe di tempo-frequenza sono state lisciate con un kernel gaussiano di FWHM di 96 ms nel dominio del tempo e 12 Hz nel dominio della frequenza basato su un precedente studio2.
  6. Inserire le immagini 2D il modello generale lineare selezionando "specificare 1 ° livello" nel menu SPM.
  7. Stimare il modello generale lineare selezionando "Stima modello" nel menu SPM.
  8. Eseguire inferenze statistiche sui dati SPM {T} tempo – frequenza basati sulla teoria dei campi casuali2 selezionando "Risultati" nel menu SPM. Rilevare cluster di tempo – frequenza significativamente attivate con soglie predefinite (eventualmente rettificate per i confronti multipli).
    Nota: Qui, la soglia limite di p < 0.05, che era FWE-corretto per i confronti multipli, con una soglia di altezza di p < 0,001 (non corretta) è stato utilizzato.

3. DCM di risposte indotte

  1. Impostare la pagina di SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) e utilizzare il M/EEG analitica menu13 (Figura 4).
    1. Avvia analisi DCM facendo clic sul pulsante "DCM" nel menu SPM. Attivare DCM per risposte indotte selezionando "IND" nella casella di riepilogo. Importare i dati pre-elaborati di EEG intracranici facendo clic su "nuovi dati" in DCM per menu M/EEG.
  2. Specificare intervallo di tempo di interesse, condizioni di interesse, contrasti per le condizioni selezionate (questo definire gli ingressi di modulazione più tardi utilizzati nella specifica di rete), intervallo di frequenza di interesse e il numero di cicli per M/EEG menu (wavelet in DCM Figura 5).
    1. Utilizzare cinque-ciclo Morlet wavelet (4 – 100 Hz in passi di 1 Hz) e impostare l'intervallo di tempo su 1 – 500 ms.
    2. Determinare il ciclo di wavelet secondo l'impostazione predefinita. Si noti che la raccomandazione di software è il valore maggiore di 5 per garantire stabilità di stima13. Gli intervalli di tempo-frequenza sono stati determinati basato sul nostro interesse di ricerca. Si noti che una finestra di tempo con un ± ulteriori 512 ms è stata utilizzata automaticamente durante il calcolo per rimuovere gli effetti di bordo.
  3. Basato sul framework DCM4,5, definire il (1) guida ingressi, che rappresentano gli input sensoriali sugli stati neurali; (2) connessioni intrinseche, che incarnano la connettività di base tra Stati neurali e auto-connessioni; e (3) effetti modulatory sulla intrinseca connessioni tramite manipolazioni sperimentali per i modelli null e ipotizzati. Inoltre è possibile definire il tipo di modulazione come lineare (all'interno di frequenza) o non lineare (tra-frequenza).
    1. Specificare connessioni intrinseche (lineare e non lineare), ingressi guida e ingressi di modulazione in DCM per menu M/EEG.
    2. Se necessario, modificare le impostazioni predefinite di alcuni parametri correlati (ad es., previo stimolo onset time e durata). Stimare i modelli selezionando l'opzione "Inverti DCM" in DCM per menu M/EEG. Dopo di che selezionare Salva risultati come img per salvare la frequenza-frequenza modulatoria accoppiamento immagini di parametro.
  4. Condurre una selezione (BMS) analisi di effetti casuali bayesiano modello17 cliccando "BMS" in DCM per menu M/EEG per identificare il modello di rete ottimale. Utilizzare la probabilità modello previsto e/o la probabilità di superamento come misure di valutazione.
  5. Fare inferenze per quanto riguarda i modelli di croce-frequenza delle connessioni modulatorie utilizzando i parametri di modello vincente utilizzando il menu SPM (vedi passo 2).
    1. Liscia le immagini di parametro modulatoria accoppiamento selezionando "Convert2Images" nel menu SPM.
    2. Eseguire analisi di modello generale lineare selezionando "Specificare 2 ° livello" nel menu SPM.
    3. Calcolare i valori SPM {T} 2D selezionando "Risultati" nel menu SPM.
      Nota: Qui, la FWHM è stato impostato a 8 Hz, basato su un precedente studio4. Valori significativi di exploratorily sono stati identificati utilizzando una soglia di altezza di p < 0,05 (non corretta).

Access restricted. Please log in or start a trial to view this content.

Results

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

Utilizzando il protocollo presentato qui, abbiamo analizzato dati EEG intracranici in risposta a volti18,19. Abbiamo registrato dati da sei pazienti durante la visione passiva di facce, mosaici e case in posizione verticale e invertito gli orientamenti. I contrasti di facce dritto contro dritto mosaici e facce dritto contro dritto case ha rivelato la faccia effetto (cioè, attività specifiche del viso cer...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

I protocolli analitici per dati EEG intracranici utilizzando il software SPM introdotto nel presente documento hanno diversi vantaggi rispetto a risonanza magnetica funzionale. In primo luogo, i protocolli possono descrivere attivazione neurale ad alta risoluzione temporale. Di conseguenza, i risultati indicano se le componenti cognitive di attivazione neurale vengono implementate in anticipo o in ritardo fasi della lavorazione. Nel nostro esempio, l'effetto del viso è stato identificato durante le fasi molto iniziali (<...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Gli autori non hanno nulla a rivelare.

Acknowledgements

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

Questo studio è stato sostenuto dai fondi della Benesse Corporation, Japan Society per il programma di finanziamento di promozione della scienza (JSPS) per i ricercatori leader a livello mondiale di prossima generazione (LZ008), l'organizzazione per la promozione della ricerca in disturbi dello sviluppo neurologico, e il KAKENHI JSPS (15K 04185; 18K 03174).

Access restricted. Please log in or start a trial to view this content.

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

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

Related Articles