Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Mapowanie dynamiki korowej z wykorzystaniem jednoczesnej MEG/EEG oraz oszacowań minimalnej normy z ograniczeniami anatomicznymi: przykład uwagi słuchowej

14.4K wyświetleń

⸱

DOI:

10.3791/4262

⸱

24 października 2012

 ,  , 
1Department of Speech & Hearing Sciences, Institute for Learning and Brain Sciences, University of Washington

W tym artykule

Podsumowanie

Wykorzystujemy magnetoencefalografię i elektroencefalografię (MEG/EEG), w połączeniu z informacjami anatomicznymi uzyskanymi za pomocą obrazowania rezonansem magnetycznym (MRI), aby zmapować dynamikę sieci korowej związanej z uwagą słuchową.

Streszczenie

Magnetoencefalografia i elektroencefalografia (MEG/EEG) to techniki obrazowania mózgu zapewniające wysoką rozdzielczość czasową, które są szczególnie odpowiednie do badania sieci korowych zaangażowanych w dynamiczne zadania percepcyjne i poznawcze, takie jak skupianie uwagi na różnych dźwiękach w sytuacji tzw. cocktail party. W wielu poprzednich badaniach wykorzystywano dane zarejestrowane wyłącznie na poziomie czujników, t. j.., pól magnetycznych lub potencjałów elektrycznych rejestrowanych poza skórą głowy i na jej powierzchni, zazwyczaj koncentrując się na aktywności zsynchronizowanej czasowo z prezentacją bodźca. Ten rodzaj analizy pól/potencjałów wywołanych jest szczególnie użyteczny w sytuacjach, gdy można wyizolować i zidentyfikować w przestrzeni i czasie jedynie niewielką liczbę odrębnych wzorców dipolowych. Alternatywnie, dzięki wykorzystaniu informacji anatomicznych, te odrębne wzorce pól można zlokalizować jako źródła prądu w korze mózgowej. Jednak w przypadku odpowiedzi bardziej trwałej, która może nie być zsynchronizowana czasowo z konkretnym bodźcem (np.., w przygotowaniu do wysłuchania jednej z dwóch jednocześnie prezentowanych wypowiadanych cyfr na podstawie wskazanej cechy słuchowej) lub mogą być rozłożone na wielu nieznanych lokalizacjach przestrzennych a priorirekrutacja rozproszonej sieci korowej może nie zostać odpowiednio uchwycona przy zastosowaniu ograniczonej liczby źródeł ogniskowych.

W niniejszym opracowaniu opisujemy procedurę wykorzystującą indywidualne dane anatomiczne z rezonansu magnetycznego (MRI) do ustalenia zależności między informacjami z czujników a aktywacją dipoli w korze mózgowej za pomocą estymacji minimalnej normy (MNE). To podejście obrazowania odwrotnego dostarcza nam narzędzia do analizy rozproszonych źródeł. W celach ilustracyjnych wszystkie procedury opiszemy z wykorzystaniem bezpłatnie dostępnego oprogramowania FreeSurfer oraz MNE. Podsumujemy sekwencje MRI i kroki analizy niezbędne do stworzenia modelu przedniego, który pozwala powiązać oczekiwany wzorzec pola wywołany przez dipole rozmieszczone w korze z sensorami M/EEG. Następnie omówimy niezbędne procesy ułatwiające usuwanie szumów z danych sensorycznych, pochodzących z zanieczyszczeń środowiskowych i fizjologicznych. Następnie przedstawimy procedurę łączenia i mapowania danych z sensorów MEG/EEG na przestrzeń korową, co pozwoli na wygenerowanie rodziny szeregów czasowych aktywacji dipoli korowych na powierzchni mózgu (tzw. „filmy z mózgu”) powiązanych z każdym warunkiem eksperymentalnym. Na koniec wyróżnimy kilka technik statystycznych, które umożliwiają nam wyciąganie wniosków naukowych dla populacji badanych (t. j.., przeprowadzić analizę na poziomie grupy) w oparciu o wspólną przestrzeń współrzędnych korowych.

Protokół

1. Pozyskiwanie i przetwarzanie danych anatomicznych

  1. Wykonaj jeden skan MRI z szybkim echem gradientowym z przygotowaniem magnesu (MPRAGE) badanego obiektu. Może to zająć od 5 do 10 min, w zależności od zastosowanego protokołu skanowania.
  2. Wykonaj dwa dodatkowe skany MRI typu FLASH (kąty odchylenia = 5° i 30°), jeśli dane EEG są wykorzystywane do odwrotnej analizy obrazowania, ponieważ sekwencje FLASH zapewniają inny kontrast tkankowy niż standardowe sekwencje MPRAGE 1.
  3. Użyj oprogramowania FreeSurfer (patrz Tabela) 2, 3 do rekonstrukcji powierzchni kory oraz do skonfigurowania indywidualnej przestrzeni źródeł dipolowych M/EEG.
    1. Przestrzeń źródeł ta jest ograniczona do granicy istoty szarej i białej wysegmentowanej ze skanu MPRAGE. Każda półkula zawiera około 100 000 potencjalnych wierzchołków w odstępach ~1 mm. Do szacowania amplitudy dipoli (patrz poniżej) użyj odstępów siatki 7 mm, co daje ~3 000 dipoli na półkulę.
  4. Zrekonstruuj powierzchnie skóry, zewnętrznej oraz wewnętrznej części czaszki z obrazów MPRAGE i FLASH, korzystając z MNE (patrz Tabela) oraz FreeSurfer. Wykorzystaj te powierzchnie do wygenerowania trójwarstwowego modelu elementów brzegowych (BEM).

2. Pozyskiwanie danych M/EEG

  1. Przygotuj badanego do rejestracji M/EEG.
    1. Szczegóły dotyczące przygotowania elektrookulogramu i elektrody referencyjnej, a także digitalizacji punktów orientacyjnych badanego, cewek wskaźnika pozycji głowy (HPI) i elektrod EEG znajdują się w pracy Liu et al 4.
  2. Po posadzeniu badanego w MEG zmierz pozycję głowy za pomocą cewek HPI.
  3. Rozpocznij rejestrację. Rozpocznij prezentację bodźców słuchowych i wzrokowych.
    1. Do prezentacji bodźców dostępnych jest wiele rozwiązań sprzętowych i programowych (np. Presentation, E-Prime). My używamy urządzenia Tucker-Davis Technologies RZ6 do prezentacji bodźców słuchowych i znakowania wyzwalaczy, oraz Psychtoolbox 5 do prezentacji bodźców wzrokowych, przy czym oba systemy są sterowane przez MATLAB. Pomiar opóźnień słuchowych i wzrokowych przy użyciu mikrofonu i fotodiody przymocowanej do ekranu, a następnie upewnienie się przed eksperymentem, że nie występuje zauważalny jitter (co może wymagać ustawienia projektora w jego natywnej rozdzielczości), pozwala zapewnić integralność czasową.
  4. Badany odpowiada na bodźce słuchowe i wzrokowe za pomocą optycznego panelu przycisków podczas wykonywania zadania behawioralnego.
  5. Zapisz wszystkie bodźce, parametry eksperymentalne i pliki danych do analizy off-line.

3. Korejestracja M/EEG ze skanem MRI i przetwarzanie danych

  1. Używając oprogramowania MNE, załaduj dane z digitalizatora oraz zrekonstruowany model MRI głowy badanego. Wybierz punkty orientacyjne (fiducials), aby rozpocząć proces korejestracji, a następnie zastosuj procedurę automatycznego wyrównania w celu zakończenia transformacji współrzędnych (Ryc. 2).
  2. Aby powiązać lokalizację każdego dipola w przestrzeni źródeł z lokalizacją każdego czujnika, połącz zarejestrowane dane HPI (patrz 2.2), aby obliczyć rozwiązanie przód (forward solution) z wykorzystaniem trójwarstwowego modelu BEM (patrz 1.4).
  3. Przejrzyj wszystkie zarejestrowane dane M/EEG i zidentyfikuj kanały, które wykazują wyjątkowo wysoką wariancję lub są całkowicie płaskie. Oznacz te kanały jako kanały złe (bad channels).
  4. Zastosuj projekcję w przestrzeni sygnału (signal-space projection) 6 lub inne techniki redukcji szumów (takie jak separacja w przestrzeni sygnału 7), aby wyprojektować lub wyseparować przestrzenne wzorce pola wynikające z zanieczyszczeń środowiskowych lub innych niepożądanych sygnałów fizjologicznych, takich jak te związane z mruganiem oczu i artefaktami kardiologicznymi (Ryc. 3).
    1. Zastosuj usuwanie artefaktów w dziedzinie czasu (np. usuwanie epok zawierających sygnały o nienaturalnie wysokiej amplitudzie z powodu skoków napięcia w kanale) oraz usuwanie artefaktów w dziedzinie częstotliwości (np. filtrowanie pasmowo-wycinające dla częstotliwości sieci 50 lub 60 Hz), aby dodatkowo zwiększyć stosunek sygnału do szumu.
  5. Zidentyfikuj okres bazowy (baseline), w którym badany nie wykonywał żadnego zadania (np. okres 200 ms przed rozpoczęciem każdej próby). Wygeneruj średnią z tych epok bazowych, aby uzyskać szacunek szumu (znany również jako macierz kowariancji).
  6. Zidentyfikuj epoki zainteresowania (np. zbierając tylko epoki z poprawnymi odpowiedziami behawioralnymi) i zdefiniuj warunki dla kontrastów eksperymentalnych (np. epoki związane z sytuacją, w której badany przeniósł uwagę słuchową na przeciwległe pole hemisferyczne w stosunku do pierwotnej wskazówki – warunek „Switch” – versus sytuacja, w której badany utrzymał uwagę w pierwotnym polu hemisferycznym – warunek „Hold”). Wygeneruj średnią odpowiedź dla każdego z zdefiniowanych warunków.
    1. Średnie te mogą być skorygowane o linię bazową lub nie, w zależności od parametrów eksperymentalnych (patrz 8); dane przedstawione tutaj są skorygowane o linię bazową.
  7. Połącz macierz kowariancji (3.5) i obliczone rozwiązanie przód (3.2), aby uzyskać rozłożony, ograniczony korowo operator odwrotny o minimalnej normie (minimum-norm inverse operator), który wiąże pomiary z czujników z szacunkami prądu dipolowego w przestrzeni źródeł.
    1. Można przybliżeniu ograniczyć lub na sztywno ustalić orientację dipola zgodnie z kierunkiem normalnym do kory 9.
  8. Wygeneruj „film mózgu” (brain movie) dla rozłożonego szacunku dipolowego (tzn. szacunku prądu w każdej lokalizacji dipola w przestrzeni źródeł w czasie) dla każdego warunku eksperymentalnego (Ryc. 4).
    1. W zależności od charakterystyki czasowej projektu eksperymentalnego, można pogrupować dane w czasie, uśredniając szacunki prądu za pomocą niepokrywających się okien czasowych.

4. Wnioskowanie statystyczne w oparciu o wspólny system współrzędnych powierzchniowych

  1. Przeprowadź morfowanie „filmów mózgu” dla każdego badanego na wspólną (średnią) przestrzeń kory, opierając się na systemie współrzędnych powierzchniowych, który optymalnie dopasowuje indywidualne wzorce bruzd i zakrętów 3. Pozwala to na porównanie lub uśrednienie aktywności kory u wszystkich badanych. (Rysunek 5).
  2. Istnieje wiele różnych podejść do wnioskowania statystycznego. Przedstawimy tutaj trzy możliwe metody. Podejścia, które nie są zaimplementowane w pakiecie oprogramowania, mogą zostać napisane przy użyciu własnego oprogramowania – w naszych przykładach używamy programu MATLAB do przeprowadzenia nieparametrycznego testu permutacji klastrów czasowo-przestrzennych. Mimo wysokiej wymiarowości tych danych (przestrzeń x czas x badani), wszystkie te podejścia można przeprowadzić na standardowym, nowoczesnym sprzęcie komputerowym w czasie od sekund (metoda ROI; 4.3) do godzin (klastrowanie nieparametryczne; 4.5).
  3. Metoda obszarów zainteresowania (ROI)
    1. ROI można zdefiniować anatomicznie (np. za pomocą automatycznego algorytmu parcelacji 1) i/lub funkcjonalnie (np. poprzez zarejestrowanie zadania lokalizacji funkcjonalnej, takiego jak zadanie sakkad Go/No Go w celu zidentyfikowania obszarów okulomotorycznych).
    2. Analizę można dodatkowo ograniczyć do konkretnego przedziału czasowego, który jest odpowiedni dla przyjętego paradygmatu eksperymentalnego (np. okres czasu bezpośrednio przed i po wystąpieniu bodźców dźwiękowych). Można również zastosować inne metody wnioskowania statystycznego związane z analizą szeregów czasowych.
  4. Korekcja Bonferroniego lub False-Discovery-Rate (FDR) dla całego mózgu
    1. Zastosuj korekcję Bonferroniego lub FDR, jeśli wymagana jest analiza całego mózgu w całym badanym czasie.
    2. Wygeneruj mapę statystyczną dla każdej lokalizacji dipola i każdego punktu czasowego, korzystając z odpowiednich statystyk testowych, takich jak test t lub ANOVA wewnątrzgrupowy dla danych o rozkładzie zbliżonym do normalnego. Na przykład można wykorzystać wyniki z-score z dynamicznego mapowania parametrów statystycznych estymacji MNE dla stałych źródeł dipolowych 10, łącząc je z korekcją korelacji w estymacjach (taką jak konserwatywna korekcja Greenhouse-Geisser).
    3. W przypadku korekcji Bonferroniego, istotne punkty czasowo-przestrzenne wyznacza się poprzez zastosowanie progu istotności wynoszącego 0,05 podzielone przez liczbę porównań (liczbę dipoli pomnożoną przez liczbę punktów czasowych). Dla mniej konserwatywnego podejścia należy zastosować korekcję wartości p metodą FDR 11.
  5. Nieparametryczne klastrowanie czasowo-przestrzenne
    1. Użyj tej metody (opartej na prostym rozszerzeniu 12), aby znaleźć obszary dużej i spójnej aktywacji przestrzennej i czasowej, będąc jednocześnie mniej konserwatywnym niż w przypadku korekcji Bonferroniego i mniej podatnym na błędy statystyczne typu I niż FDR, poprzez kontrolę wskaźnika błędów rodzinnych (family-wise error rate).
      1. Ponieważ podejście to wykorzystuje techniki permutacji lub resamplingu Monte Carlo, nie opiera się ono na założeniach o normalności danych, a jedynie zakłada, że etykiety warunków są zamienne w ramach hipotezy zerowej. Chociaż jest ono bardziej obciążające obliczeniowo niż dwie poprzednie metody, nadal można je przeprowadzić w ciągu kilku godzin na pojedynczej maszynie z wykorzystaniem nowoczesnego sprzętu komputerowego.
    2. Wygeneruj mapę statystyczną dla każdej lokalizacji dipola i każdego punktu czasowego, korzystając z odpowiednich statystyk testowych, takich jak test t.
    3. Zastosuj do tej mapy wstępny próg istotności, np. p < 0,05.
    4. Pogrupuj te potencjalnie istotne punkty w klastry na podstawie bliskości czasowo-przestrzennej, np. istotne punkty znajdujące się w odległości geodezyjnej do 5 ms i 5 mm od siebie są przypisywane do tego samego klastra. Oceń każdy wynikowy klaster, korzystając z hiperobjętości lub całkowitej istotności (np. suma wyników t dla punktów w klastrze).
    5. Przeprowadź standardowy test resamplingu permutacyjnego (lub resamplingu Monte Carlo dla większych zbiorów danych, np. liczba badanych N > 10, aby skrócić czas obliczeń) ze statystyką maksymalną (przykłady testów permutacji znajdują się w 12). W skrócie: dla losowego podzbioru badanych (wybierając od 0 do N badanych), zmień etykiety porównywanych warunków przed uzyskaniem mapy statystycznej, przeprowadź klastrowanie na nowej mapie statystycznej i wyznacz maksymalną wartość klastra dla tego przypisania etykiet. Powtórz tę procedurę dla nowych losowych przypisań do maksymalnie 2N permutacji, aby uzyskać rozkład statystyki maksymalnej; przeprowadzenie wszystkich 2N możliwych przypisań stanowi test permutacji, natomiast wykorzystanie losowego podzbioru mniejszego niż 2N przypisań stanowi test permutacji Monte Carlo (lub losowy).
    6. Wyznacz istotność danego oryginalnego klastra (z oryginalnego przypisania etykiet), określając proporcję czasu, w której maksymalne rozmiary klastrów były większe niż rozmiar klastra oryginalnego; np. klastry większe niż 95% klastrów statystyki maksymalnej mogą zostać uznane za istotne.
      1. Szczegółową dyskusję na temat wnioskowania statystycznego w obrazowaniu rozproszonych źródeł MEG można znaleźć w 13.
  6. Wynikowe pliki danych można wizualizować na wiele sposobów, w tym przy użyciu formatów natywnie wykorzystywanych przez oprogramowanie MNE do przechowywania czasowo-przestrzennych estymacji kory, a mianowicie plików STC. Pliki te, wraz z etykietami, które można wygenerować dla istotnych obszarów, mogą być tworzone za pomocą zestawów narzędzi MNE dostępnych dla języków MATLAB i Python.

5. Reprezentatywne wyniki

Rysunek 6 przedstawia zestaw reprezentatywnych wyników uzyskanych przy użyciu paradygmatu behawioralnego opisanego na Rysunku 4. Stosując nieparametryczną procedurę klastrowania spatiotemporalnego (4.5), stwierdzono, że prawe FEF jest istotne statystycznie, gdy badany wykonuje zadanie reorientacji w porównaniu z zadaniem standardowym (Rysunek 6 lewa strona). Zastosowanie podejścia ROI (4.3) pozwoliło na przedstawienie przebiegu czasowego prawego FEF wraz z okresem czasu, w którym te dwa warunki różnią się istotnie.

Schemat równowagi statycznej; przebieg przetwarzania danych M/EEG: dane wejściowe MRI, lokalizacja czujników, wnioskowanie statystyczne.
Rysunek 1. Przebieg generowania „filmu z mózgu” przy użyciu szacunków dipoli o minimalnej normie z ograniczeniami korowymi (por. Rysunek 1 w Liu et al., 2010).

Schemat elektroencefalografii; mapowanie mózgu z lokalizacją czujników; analiza aktywności neuronalnej.
Rycina 2. Oprogramowanie MNE wykorzystane do ułatwienia korejestracji kanałów EEG i lokalizacji HPI w przestrzeni współrzędnych MRI jednego badanego.

Schemat przetwarzania danych EEG, filtrowanie, projekcja; wizualizacja modelu głowy z rozmieszczeniem elektrod.
Rycina 3. Dane MEG przed i po zastosowaniu SSP w celu usunięcia artefaktów kardiologicznych (zaznaczonych na pomarańczowo) i mrugania oczami (zaznaczonych na niebiesko-zielono) oraz filtrowania dolnoprzepustowego w celu usunięcia częstotliwości sieci. Kliknij tutaj, aby wyświetlić większą rycinię.

Aktywacja neuronalna, schemat bodźca słuchowo-wzrokowego, wyniki dSPM, mapowanie aktywności mózgu.
Rycina 4. „Film z mózgu” w natywnej przestrzeni korowej badanego oraz czas prezentacji bodźców słuchowo-wzrokowych (z bodźcami słuchowymi prezentowanymi w 600 ms i bodźcem wzrokowym prezentowanym w -600 ms) w jednym paradygmacie eksperymentalnym (Uwaga: zostanie to przedstawione jako film w końcowym klipie wideo)

Proces mapowania mózgu; schemat; dane badanych zmapowane na przestrzeń sferyczną w celu stworzenia średniego modelu mózgu.
Rycina 5. Porównanie hipotetycznego ROI zmapowanego w natywnej przestrzeni korowej badanego oraz po przekształceniu (morpingu) do wspólnej przestrzeni korowej.

Aktywacja prawego FEF, analiza wykresu natężenia prądu w czasie; reorientacja w porównaniu z odpowiedzią standardową.
Rycina 6. Reprezentatywny klaster czasowo-przestrzenny oraz przebieg czasowy powiązane z dwoma badanymi warunkami eksperymentalnymi.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Aby oszacować aktywację dipoli w korze mózgowej na podstawie uzyskanych danych MEG/EEG, należy rozwiązać problem odwrotny, który nie posiada jedynego stabilnego rozwiązania, chyba że zastosuje się odpowiednie ograniczenia anatomiczne i fizjologiczne. Wykorzystując ograniczenia anatomiczne uzyskane dla poszczególnych badanych za pomocą MRI oraz przyjmując normę minimalną jako kryterium szacowania, można uzyskać odwrotny szacunek źródła prądu korowego zgodny z pomiarami z sensorów. Podejście to okazało się użyteczne w bada...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Nie zadeklarowano żadnych konfliktów interesów.

Podziękowania

Autorzy chcieliby podziękować Matti S. Hämäläinen, Lilla Zöllei oraz trzem anonimowym recenzentom za pomocne uwagi. Źródła finansowania: R00DC010196 (AKCL); T32DC000018 (EDL); T32DC005361 (RKM).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
306-kanałowy system MEG VectorviewEleka-Neuromag Ltd,
Skaner MRI Avanto 1,5-TSiemens Medical Solutions
FreeSurferhttp://freesurfer.net/
Oprogramowanie MNEhttp://www.nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php
Elektrody EEGBrain Products, Easycap GmbH
System 3Space FastrakPolhemus
Optyczna skrzynka przycisków (FIU-932)Current Designs

Bibliografia

  1. Fischl, B. Automatically parcellating the human cerebral cortex. Cerebral Cortex. 14, 11-22 (2004).
  2. Dale, A., Sereno, M. Improved localization of cortical activity by combining EEG and MEG with MRI cortical surface reconstruction: A linear approach. Journal of Cognitive Neuroscience. 5, 162-176 (1993).
  3. Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. NeuroImage. 9, 195-207 (1999).
  4. Liu, H. Functional Mapping with Simultaneous MEG and EEG. Journal of Visualized Experiments. (40), e1668(2010).
  5. Brainard, D. H. The Psychophysics Toolbox. Spatial Vision. 10, 433-436 (1997).
  6. Uusitalo, M. A., Ilmoniemi, R. J. Signal-space projection method for separating MEG or EEG into components. Med. Biol. Eng. Comput. 35, 135-140 (1997).
  7. Taulu, S., Simola, J., Kajola, M. Applications of the signal space separation method. IEEE Transactions on Signal Processing. 53, 3359-3372 (2005).
  8. Urbach, T. P., Kutas, M. Interpreting event-related brain potential (ERP) distributions: Implications of baseline potentials and variability with application to amplitude normalization by vector scaling. Biological Psychology. 72, 333-343 (2006).
  9. Lin, F. -H., Belliveau, J. W., Dale, A. M., Hämäläinen, M. S. Distributed current estimates using cortical orientation constraints. Human Brain Mapping. 27, 1-13 (2006).
  10. Dale, A. Dynamic statistical parametric mapping: combining fMRI and MEG for high-resolution imaging of cortical activity. Neuron. 26, 55-67 (2000).
  11. Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12, 419-446 (2003).
  12. Nichols, T. E., Holmes, A. P. Nonparametric permutation tests for functional neuroimaging: a primer with examples. Human Brain Mapping. 15, 1-25 (2001).
  13. Pantazis, D., Leahy, R. M. Statistical Inference in MEG Distributed Source Imaging. MEG: An Introduction to Methods. Hansen, P., Kringelbach, M., Salmelin, R. , Oxford University Press. New York. 245-272 (2010).
  14. Ahveninen, J. Attention-driven auditory cortex short-term plasticity helps segregate relevant sounds from noise. Proceedings of the National Academy of Sciences. , 1-6 (2011).
  15. Sharon, D. The advantage of combining MEG and EEG: comparison to fMRI in focally stimulated visual cortex. Neuroimage. 36, 1225-1235 (2007).
  16. Herrmann, B., Maess, B., Hasting, A. S., Friederici, A. D. Localization of the syntactic mismatch negativity in the temporal cortex: An MEG study. NeuroImage. 48, 590-600 (2009).
  17. Baillet, S. The Dowser in the Fields: Searching for MEG Sources. MEG: An Introduction to Methods. Hansen, P., Kringelbach, M., Salmelin, R. , Oxford University Press. New York. 83-123 (2010).
  18. Gutschalk, A., Micheyl, C., Oxenham, A. J. Neural correlates of auditory perceptual awareness under informational masking. PLoS Biology. 6, e138(2008).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Anatomically constrained MNESource LocalizationCortical MappingBrain MoviesGroup level AnalysisSurface based Coordinates
Mapowanie dynamiki korowej z wykorzystaniem jednoczesnej MEG/EEG oraz oszacowań minimalnej normy z ograniczeniami anatomicznymi: przykład uwagi słuchowej
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.