Artykuł metodologiczny

Analiza aktywności neuronalnej i łączności przy użyciu wewnątrzczaszkowych danych EEG z oprogramowaniem SPM

DOI:

10.3791/58187

⸱

30 października 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

W tym artykule

Podsumowanie

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

Prezentujemy dwa protokoły analityczne, które mogą być użyte do analizy danych elektroencefalografii wewnątrzczaszkowej za pomocą oprogramowania do statystycznego mapowania parametrycznego (SPM): analiza statystycznego mapowania parametrycznego dla aktywności neuronalnej w czasie i częstotliwości: dynamiczne modelowanie przyczynowe odpowiedzi indukowanych dla połączeń wewnątrz- i międzyregionalnych.

Streszczenie

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

Pomiar aktywności neuronalnej i łączności związanej z funkcjami poznawczymi w wysokich rozdzielczościach przestrzennych i czasowych jest ważnym celem w neuronauce kognitywnej. Elektroencefalografia wewnątrzczaszkowa (EEG) może bezpośrednio rejestrować elektryczną aktywność neuronalną i ma wyjątkowy potencjał do osiągnięcia tego celu. Tradycyjnie, analiza uśredniająca była stosowana do analizy danych EEG wewnątrzczaszkowych; Dostępnych jest jednak kilka nowych technik obrazowania aktywności neuronalnej oraz połączeń wewnątrz- i międzyregionalnych. W tym miejscu przedstawiamy dwa protokoły analityczne, które niedawno zastosowaliśmy do analizy wewnątrzczaszkowych danych EEG za pomocą oprogramowania do statystycznego mapowania parametrycznego (SPM): analiza SPM w czasie i częstotliwości dla aktywności neuronalnej oraz dynamiczne modelowanie przyczynowe indukowanych odpowiedzi dla połączeń wewnątrz- i międzyregionalnych. Naszą analizę danych EEG wewnątrzczaszkowych podczas obserwacji twarzy przedstawiamy jako wyniki reprezentatywne. Wyniki ujawniły, że zakręt potyliczny dolny (IOG) wykazywał aktywność pasma gamma w bardzo wczesnych stadiach (110 ms) w odpowiedzi na twarze, a zarówno IOG, jak i ciało migdałowate wykazywały szybką łączność wewnątrz- i międzyregionalną przy użyciu różnych rodzajów oscylacji. Te protokoły analityczne mają potencjał do identyfikacji mechanizmów neuronalnych leżących u podstaw funkcji poznawczych o wysokich profilach przestrzennych i czasowych.

Wprowadzenie

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

Pomiar aktywności neuronalnej i łączności związanej z funkcjami poznawczymi w wysokich rozdzielczościach przestrzennych i czasowych jest jednym z głównych celów neuronauki poznawczej. Osiągnięcie tego celu nie jest jednak łatwe. Jedną z popularnych metod stosowanych do rejestrowania aktywności neuronalnej jest funkcjonalny rezonans magnetyczny (MRI). Chociaż funkcjonalny rezonans magnetyczny ma kilka zalet, takich jak wysoka rozdzielczość przestrzenna na poziomie milimetrów i nieinwazyjny zapis, wyraźną wadą funkcjonalnego rezonansu magnetycznego jest jego niska rozdzielczość czasowa. Ponadto funkcjonalny rezonans magnetyczny mierzy sygnały zależne od poziomu tlenu we krwi, które tylko pośrednio odzwierciedlają elektryczną aktywność neuronalną. Popularne metody elektrofizjologiczne, w tym elektroencefalografia (EEG) i magnetoencefalografia (MEG), mają wysoką rozdzielczość czasową na poziomie milisekund. Mają jednak stosunkowo niską rozdzielczość przestrzenną, ponieważ rejestrują sygnały elektryczne/magnetyczne na skórze głowy i muszą rozwiązywać trudne problemy odwrotne, aby zobrazować aktywność mózgu.

Wewnątrzczaszkowe EEG może bezpośrednio rejestrować elektryczną aktywność neuronalną w wysokich rozdzielczościach czasowych (milisekundowych) i przestrzennych (centymetrowych)1. Pomiar ten może dostarczyć cennych możliwości zrozumienia aktywności neuronalnej i połączeń, chociaż ma wyraźne ograniczenia (np. mierzalne regiony są ograniczone do kryteriów klinicznych). W kilku wewnątrzczaszkowych badaniach EEG zastosowano tradycyjną analizę uśredniania w celu zobrazowania aktywności neuronalnej. Chociaż analiza uśredniająca może z czułością wykryć aktywację pasma czasowego i niskiej częstotliwości, nie może wykryć aktywacji niezsynchronizowanej fazowo i/lub aktywacji o wysokiej częstotliwości (np. pasmo gamma). Ponadto funkcjonalne sprzężenie neuronalne nie zostało dogłębnie przeanalizowane w literaturze dotyczącej wewnątrzczaszkowych zapisów EEG. Niedawno opracowano kilka nowych technik obrazowania aktywności neuronalnej oraz połączeń wewnątrz- i międzyregionalnych w funkcjonalnych zapisach MRI i EEG/MEG, które można zastosować do analizy wewnątrzczaszkowych danych EEG.

Tutaj przedstawiamy protokoły analityczne, które ostatnio zastosowaliśmy do analizy danych EEG wewnątrzczaszkowych za pomocą oprogramowania do statystycznego mapowania parametrycznego (SPM). Po pierwsze, aby ujawnić, kiedy i z jaką częstotliwością regiony mózgu mogą być aktywowane, przeprowadziliśmy analizę SPM w czasie i częstotliwości2. Analiza ta dekomponuje domeny czasu i częstotliwości jednocześnie za pomocą ciągłej transformacji falkowej i odpowiednio koryguje współczynnik błędów rodzinnych (FWE) w mapach czasowo-częstotliwościowych przy użyciu teorii pola losowego. Po drugie, aby ujawnić, w jaki sposób komunikują się regiony mózgu, zastosowaliśmy dynamiczne modelowanie przyczynowo-skutkowe (DCM) wywołanych odpowiedzi4. DCM umożliwia badanie efektywnej łączności (tj. przyczynowych i kierunkowych wpływów między regionami mózgu5). Chociaż DCM został pierwotnie zaproponowany jako narzędzie do analizy funkcjonalnych danych MRI5, DCM odpowiedzi indukowanych został rozszerzony o analizę zmiennych w czasie widm mocy sygnałów elektrofizjologicznych4. Analiza ta pozwala na zobrazowanie zarówno wewnątrz-, jak i międzyregionalnych połączeń neuronowych. Kilka badań neurofizjologicznych sugeruje, że lokalne obliczenia wewnątrzregionalne i komunikacja międzyregionalna dalekiego zasięgu wykorzystują głównie oscylacje pasma gamma i theta, a ich interakcje (np. porwania) mogą być odzwierciedlone przez sprzężenie częstotliwości krzyżowych theta-gamma3,6,7,8. Niniejszy raport koncentruje się na protokole analizy danych; Aby zapoznać się z ogólnymi informacjami9,10 i protokołami nagrywania11 wewnątrzczaszkowego EEG, zapoznaj się z literaturą.

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

Protokół

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

Nasze badanie zostało zatwierdzone przez lokalną komisję etyki instytucjonalnej.

1. Podstawowe informacje

UWAGA: Protokoły analityczne mogą być stosowane do różnych typów danych bez żadnych ograniczeń co do konkretnych uczestników, elektrod, metod referencyjnych czy lokalizacji elektrod. W naszym przykładzie przebadaliśmy sześciu pacjentów cierpiących na farmakologicznie nieuleczalną padaczkę ogniskową. Badaliśmy pacjentów, którzy nie mieli ognisk padaczkowych w obszarach zainteresowania.

  1. Rejestruj dane EEG wewnątrzczaszkowe podczas eksperymentu poznawczego na elektrodach docelowych.
    1. Elektrody wgłębne implantu metodą stereotaktyczną12.
    2. Użyj podtwardówkowych elektrod platynowych (średnica: 2,3 mm) i platynowych elektrod głębokościowych (średnica: 0,8 mm), aby jednocześnie zmierzyć odpowiednio aktywność korową i podkorową.
    3. Umieść elektrody referencyjne na powierzchni czaszki w środkowej części grzbietowej obszaru czołowego, tak aby styki elektrod były skierowane na zewnątrz czaszki, aby uniknąć aktywacji referencyjnej12.
    4. Wzmocnij dane, przefiltruj je online (pasmo przepustowe: 0,5–300 Hz) i próbkuj z częstotliwością 1 000 Hz.
    5. Aby rejestrować i statystycznie usuwać artefakty związane z ruchami gałek ocznych, należy dodatkowo rejestrować elektrookulogramy. Wybierz elektrody docelowe na podstawie zainteresowań teoretycznych. Ponadto należy wykorzystać indywidualne dane z rezonansu magnetycznego i tomografii komputerowej, aby sprawdzić położenie elektrod.
  2. Próbka i wstępne przetwarzanie danych EEG wewnątrzczaszkowego (Rysunek 1).
    UWAGA: Protokoły analityczne mogą być stosowane do różnych typów danych bez żadnych ograniczeń co do określonej długości danych lub metod przetwarzania wstępnego.
    1. Tutaj próbkuj dane podczas 3 000 ms (przed bodźcem: 1 000 ms; po bodźcu: 2 000 ms) dla każdej próby.
    2. Ze względu na to, że w niektórych badaniach uczestnicy wykazywali nienormalnie wysoką amplitudę aktywności, co może być związane z padaczką, należy wykluczyć te badania odstające przy użyciu predefiniowanych progów (>800 μV i >5 SD). Inne etapy przetwarzania wstępnego, w tym kontrola wzrokowa i niezależna analiza składników, mogą być wymagane w zależności od celów i warunków doświadczalnych.
  3. Konwertuj natywny format systemu EEG na format SPM oparty na MATLAB (por. SPM12 Manual 12.1 i 12.2).
    UWAGA: Większość formatów danych EEG można bezpośrednio zaimportować do oprogramowania SPM, wybierając Konwersja w interfejsie SPM Batch Editor i określając wszystkie wymagane parametry wejściowe. Innym możliwym sposobem jest użycie przykładowego skryptu "spm_eeg_convert_arbitrary_data.m" w podkatalogu man/example_scripts katalogu programu SPM. Ten skrypt zapewnia wygodny sposób konwersji pliku ASCII lub pliku MAT, który może być eksportowany przez wiele systemów EEG w formacie SPM.

2. Analiza SPM w czasie i częstotliwości

  1. Zainstaluj SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) i skorzystaj z menu analitycznego M/EEG13 (Rysunek 2).
  2. Wykonaj analizę SPM czasowo-częstotliwościową2, wybierając "Analiza czasowo-częstotliwościowa" w menu SPM dla wstępnie przetworzonych danych EEG wewnątrzczaszkowych każdej próby przy użyciu ciągłej dekompozycji falkowej z falkami Morleta na podstawie predefiniowanych parametrów (Rysunek 3).
    UWAGA: Transformacje falkowe ujawniają czasową ewolucję składowych spektralnych poprzez konwolucjonizację wewnątrzczaszkowych danych EEG z falkami o wielu częstotliwościach14.
    1. W tym przypadku należy przeprowadzić dekompozycję falkową za pomocą siedmiocyklowych falek Morleta dla całej epoki (-1 000–2 000 ms) i zakresu częstotliwości 4–300 Hz.
    2. Określ falkę macierzystą i liczbę cykli na podstawie poprzedniego badania15. Należy zauważyć, że liczba cykli w falce kontroluje rozdzielczości czasowo-częstotliwościowe i zaleca się, aby była większa niż 5, aby zapewnić stabilność estymacji13.
    3. Określ zakresy czasu i częstotliwości w oparciu o zainteresowania badawcze.
  3. Automatycznie przytnij wynikowe mapy czasowo-częstotliwościowe, wybierając opcję "Przytnij" w menu SPM, aby usunąć efekty krawędzi. W tym miejscu przytnij mapy czasowo-częstotliwościowe do -200–500 ms.
  4. Wykonaj transformację danych (opcjonalnie) i korekcję linii bazowej, wybierając opcję "Przeskalowanie czasowo-częstotliwościowe" w menu SPM dla map czas-częstotliwość, aby lepiej zobrazować zmiany mocy związane ze zdarzeniem i poprawić normalność danych.
    UWAGA: W tym przypadku mapy czasowo-częstotliwościowe zostały przekształcone logarytmicznie i skorygowane o linię bazową (-200–0 ms).
  5. Konwertuj mapy czasowo-częstotliwościowe na obrazy dwuwymiarowe (2D), wybierając "Convert2Images" w menu SPM.
    1. Gładkie przy użyciu jądra Gaussa z predefiniowaną wartością połowy maksimum (FWHM) o pełnej szerokości w celu skompensowania zmienności międzyobiektowej i zgodności z założeniami teorii pola losowego stosowanej we wnioskowaniu statystycznym2,13.
      UWAGA: W tym przypadku mapy czasowo-częstotliwościowe zostały wygładzone za pomocą gaussowskiego jądra FWHM o długości 96 ms w dziedzinie czasu i 12 Hz w dziedzinie częstotliwości na podstawie poprzedniego badania2.
  6. Wprowadź obrazy 2D do ogólnego modelu liniowego, wybierając opcję "Określ 1. poziom" w menu SPM.
  7. Oszacuj ogólny model liniowy, wybierając opcję "Oszacowanie modelu" w menu SPM.
  8. Wykonuj wnioskowania statystyczne na danych SPM{T} w czasie i częstotliwości w oparciu o teorię pola losowego2, wybierając "Wyniki" w menu SPM. Wykrywanie znacząco aktywowanych klastrów czasowo-częstotliwościowych z predefiniowanymi progami (ewentualnie skorygowanymi w celu wielokrotnych porównań).
    UWAGA: W tym przypadku zastosowano próg zasięgu p <0,05, który został skorygowany przez FWE dla wielokrotnych porównań, z progiem wysokości p <0,001 (nieskorygowanym).

3. DCM Odpowiedzi Wywołanych

  1. Skonfiguruj SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) i użyj menu analitycznego M/EEG13 (Rysunek 4).
    1. Rozpocznij analizę DCM, klikając przycisk "DCM" w menu SPM. Aktywuj DCM dla odpowiedzi indukowanych, wybierając "IND" w polu listy. Zaimportuj wstępnie przetworzone dane EEG wewnątrzczaszkowe, klikając "nowe dane" w menu DCM dla M/EEG.
  2. Określ interesujące nas okno czasowe, warunki zainteresowania, kontrasty dla wybranych warunków (definiują one wejścia modulacji używane później w specyfikacji sieci), interesujące nas okno częstotliwości oraz liczbę cykli falkowych w menu DCM dla M/EEG (Rysunek 5).
    1. Użyj pięciocyklowych falek Morleta (4–100 Hz w krokach co 1 Hz) i ustaw okno czasowe na 1–500 ms.
    2. Określ cykl falkowy zgodnie z ustawieniem domyślnym. Należy pamiętać, że zalecana przez oprogramowanie jest wartość większa niż 5, aby zapewnić stabilność oszacowania13. Przedziały czasowo-częstotliwościowe zostały określone na podstawie naszych zainteresowań badawczych. Zwróć uwagę, że okno czasowe z dodatkowym ± 512 ms zostało automatycznie użyte podczas obliczeń w celu usunięcia efektów krawędzi.
  3. Na podstawie frameworka DCM4,5, zdefiniuj (1) wejścia sterujące, które reprezentują wejścia sensoryczne w stanach neuronalnych; (2) połączenia wewnętrzne, które ucieleśniają podstawową łączność między stanami neuronalnymi a połączeniami wewnętrznymi; oraz (3) modulacyjny wpływ na połączenia wewnętrzne poprzez manipulacje eksperymentalne dla modeli zerowych i hipotetycznych. Zdefiniuj również typ modulacji jako liniowy (w obrębie częstotliwości) lub nieliniowy (między częstotliwościami).
    1. Określ połączenia wewnętrzne (liniowe i nieliniowe), wejścia sterujące i wejścia modulacji w menu DCM dla M/EEG.
    2. W razie potrzeby zmodyfikuj domyślne ustawienia niektórych powiązanych parametrów (np. czas i czas trwania wcześniejszego bodźca). Oszacuj modele, wybierając opcję "odwróć DCM" w menu DCM dla M/EEG. Następnie wybierz Zapisz wyniki jako img, aby zapisać obrazy parametrów sprzężenia modulacji częstotliwości-częstotliwości.
  4. Przeprowadź analizę wyboru modelu bayesowskiego (BMS) z efektami losowymi17, klikając "BMS" w menu DCM dla M/EEG, aby zidentyfikować optymalny model sieci. Jako miary oceny należy użyć modelowych prawdopodobieństw oczekiwanych i/lub prawdopodobieństw przekroczenia.
  5. Wyciągnij wnioski dotyczące wzorców częstotliwości krzyżowych połączeń modulacyjnych przy użyciu parametrów zwycięskiego modelu, korzystając z menu SPM (patrz Krok 2).
    1. Wygładź obrazy parametrów sprzężenia modulacji, wybierając "Convert2Images" w menu SPM.
    2. Ogólne analizy modelu liniowego można wykonać, wybierając opcję "Określ 2. poziom" w menu SPM.
    3. Oblicz wartości SPM 2D{T}, wybierając "Wyniki" w menu SPM.
      UWAGA: W tym przypadku FWHM został ustawiony na 8 Hz na podstawie poprzedniego badania4. Istotne wartości zidentyfikowano eksploracyjnie za pomocą progu wysokości p <0,05 (nieskorygowanego).

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

Wyniki

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

Korzystając z przedstawionego tutaj protokołu, przeanalizowaliśmy wewnątrzczaszkowe dane EEG w odpowiedzi na faces18,19. Zarejestrowaliśmy dane od sześciu pacjentów podczas biernego oglądania twarzy, mozaik i domów w orientacji pionowej i odwróconej. Kontrasty między wyprostowanymi twarzami a pionowymi mozaikami i wyprostowanymi twarzami a pionowymi domami ujawniły efekt twarzy (tj. specyficzną dla twarz...

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

Dyskusja

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

Przedstawione w niniejszym dokumencie protokoły analityczne dla danych EEG wewnątrzczaszkowych przy użyciu oprogramowania SPM mają kilka zalet w porównaniu z funkcjonalnym rezonansem magnetycznym. Po pierwsze, protokoły mogą przedstawiać aktywację neuronalną w wysokiej rozdzielczości czasowej. W związku z tym wyniki wskazują, czy poznawcze korelaty aktywacji neuronalnej są realizowane na wczesnych czy późnych etapach przetwarzania. W naszym przykładzie efekt twarzy został zidentyfikowany na bardzo wczesnych etapach (...

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

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

To badanie było wspierane przez fundusze Benesse Corporation, Japońskiego Towarzystwa Promocji Nauki (JSPS) Programu Finansowania dla Czołowych Naukowców Nowej Generacji (LZ008), Organizacji Promującej Badania nad Zaburzeniami Neurorozwojowymi oraz JSPS KAKENHI (15K04185; 18K03174).

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

Bibliografia

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

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

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

Powiązane artykuły