Методическая статья

Применение данных ЭЭГ нейровизуализации: связанные с событиями потенциалы, спектральной мощности и многомасштабное Энтропия

DOI:

10.3791/50131

⸱

27 июня 2013 г.

 , 
1Rotman Research Institute, Baycrest

В этой статье

Краткое содержание

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

Сканирование мозга исследователи обычно рассматривают реакцию мозга в виде средней активности в экспериментальных испытаний повторяется и игнорирование сигнала изменчивость во времени, как "шум". Тем не менее, становится ясно, что есть в этом сигнал шум. В данной статье описывается новый способ многомасштабная энтропии для количественной изменчивости мозга сигнала во временной области.

Аннотация

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

При рассмотрении данных человека нейровизуализации, оценки изменчивости сигнала представляет собой фундаментальное новшество в наше представление о мозге сигнала. Как правило, исследователи представляют реакции мозга как среднее по повторяются экспериментальных испытаний и пренебрежение флуктуации сигнала с течением времени, как "шум". Тем не менее, становится ясно, что изменчивость мозг сигнал передает значимую информацию о функциональной динамики нейронной сети. В данной статье описывается новый способ многомасштабная энтропии (MSE) для количественной изменчивости мозга сигнала. MSE может быть особенно информативной динамики нейронной сети, поскольку она показывает зависимость шкалы времени и чувствительности к линейной и нелинейной динамики в данных.

Введение

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

Последние достижения в области нейровизуализации резко увеличены наше понимание функций мозга. Тем не менее, многие приложения нейровизуализации данных, как правило, подчеркивают мнение, головного мозга и статичных состояниях, а не подчеркивая когнитивных операций, как они разворачиваются в реальном времени. Следовательно, мало известно о пространственно-временной структуре сетей мозга и как последовательность изменений в пространственно-временной модели на нескольких временных масштабах способствует специфические когнитивные операции. В данной статье описываются многомасштабная энтропии (MSE) 5, новый аналитический инструмент для нейровизуализации данных, которая исследует сложность пространственно-временные модели, лежащие в основе познания конкретных операций, предоставляя информацию о том, как различные нейронные генераторы в функциональной сети связываются мозга на несколько сроков.

Производные от теории информации, применяется раздел математики, 7,16, MSE был оригинальнымлы с целью изучения сложности электрокардиограммы 4. В теории, MSE может быть использован для анализа сложность любой временных рядов; основное условие, что ряд времени сигнала содержит по меньшей мере 50 точек данных непрерывного времени. Тем не менее, зависимость сроков и чувствительность к линейной и нелинейной динамики в данных могут выступать MSE особенно информативны динамики нейронной сети.

Здесь, мы ориентируемся на применение MSE в электроэнцефалограмме (ЭЭГ) данных нейровизуализации 9,12. ЭЭГ является неинвазивным методом нейровизуализации которой электроды, которые размещаются на коже головы захватить постсинаптические реакции популяций нейронов в коре головного мозга 1. С высоким временным разрешением, ЭЭГ вполне удовлетворяет длины временных рядов реквизит MSE без изменения типичный протокол приобретения. Чтобы подчеркнуть полезность применения MSE данным ЭЭГ, сравним этот новый способ с более традиционными подходами вклuding событийные потенциал и спектральной мощности. При совместном использовании этих дополнительных методов анализа обеспечить более полное описание данных, что может привести к дальнейшему пониманию нейронных сетевых операций, которые приводят к познанию.

Протокол

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

1. ЭЭГ Приобретение

  1. Объяснить экспериментальные процедуры для участника и получить информированное согласие.
  2. Применить выпадающих электродов. Чистом районе на лице, где раскрывающегося электродами будет расположено использованием тампоном, смоченным спиртом.
  3. Поместите колпачок электрода на голове участника. Измерьте окружность головы участника и выбрать подходящий размер крышки. После международно признанной системе 10-20 для размещения электродов, измерьте расстояние от затылочного бугра до назион вдоль средней линии и разделите на 10%. Использование этого числа, измерения по сравнению с назион и Марка. Совместите колпачок электрода позиции Fp с этим знаком и потяните крышку. Убедитесь, что центре крышки находится в одной линии с носом. Измерьте назион в CZ, и убедитесь, что это расстояние равно половине расстояния от назион в ИНИОН. Затянуть антарктических.
  4. Место гелем тупым точки шприца в держатели электродов. Для создания проводящей колонке гель, начать в контакте соволосистой части головы, затем отожмите и отступить. Следует отметить, что применение слишком много гель может преодолеть сигналов соседних электродов.
  5. Исправить активных электродов в держатели электродов.
  6. Поместите объект в передней панели монитора на соответствующее расстояние для эксперимента. Попросите участников оставаться неподвижными, подчеркивая важность минимизации движений глаз и мигает для чистой записи.
  7. Изучите электрода ЭЭГ соединений и качество сигнала на приобретение компьютера. Убедитесь, что все электрода смещения низких (<40 мВ) и стабильным. Если есть проблема с конкретной электрода, вынуть, что электрод и повторно гель для регулировки сопротивления на этом сайте.
  8. Сохраните файл и начать эксперимент.

2. Анализ ЭЭГ

  1. После экспериментов, но перед извлечением определенной статистики интерес, предварительной обработки данных ЭЭГ непрерывной для удаления артефактов с помощью стандартных процедур фильтрацииотказ й артефакт. Разрежьте непрерывный ЭЭГ на эпохи соответствующие каждому дискретных событий, таких как презентации фотографии. В каждой эпохе, включают 100 мс предварительного стимула окна в качестве базового.
  2. Связанные с событиями потенциалы (ERP) анализ захватывает синхронной активности мозга, которая по фазе к наступлению события. Средний через испытания, чтобы отделить вызванных ответов от "шумных" (т.е. не-фазовой автоподстройки) фоновая активность. Изменчивости в рамках испытаний и межгрупповых представляет собой серьезную проблему для метода ERP анализа. Для достижения хорошего отношения сигнал-шум экспериментальный протокол должен включать множество дискретных событий с определенными приступы. Время блокировки реакции мозга к возникновению важных события, а затем усреднения по многим событиям, как помогает уменьшить некоторые из этих шумов, однако, временная синхронность создан Эта процедура обычно растворяется в течение 1 сек. Определить ERP пика компонента амплитуды и задержки для каждой подгруппыпредметом (более подробные рекомендации по анализу ERP см. Пиктон и соавт., 2000).
  3. С помощью анализа Фурье, преобразования ЭЭГ сигнал из временной области в частотную область и разлагают сигнал на его составной синусоидальных волн различной частоты шесть.
  4. Многомасштабная энтропии (MSE) является метрической теории информации, которая оценивает изменчивость neuroelectical сигналов по времени и по несколько сроков. В качестве концептуальной изображение MSE анализ, рассмотрим два моделируемых сигналов, регулярные сигнала и более стохастический. Выборочные значения энтропии близки к нулю для регулярного сигнала и ~ 2,5 для более переменных сигнала. Увеличение образец энтропии соответствует увеличению сигнала сложности, которые, согласно теории информации, можно интерпретировать как увеличение количества информации производительностью базовой системы 7,16. Помните, что возможности мозга не фиксируется, а изменения депенахождении на 2 нейронные связи т.е. областей мозга, которые, случается, функционально связанных в определенный момент времени.
  5. Для вычисления MSE, использовать алгоритм доступны на www.physionet.org/physiotools/mse/ , который вычисляет MSE в два этапа.
  6. Во-первых, алгоритм постепенно вниз образцы ЭЭГ серии раз в суд и в состоянии. Вниз-образце исходного временного ряда для создания нескольких временных рядов различной сроки. Временной ряд 1 исходного временного ряда. Для создания временной ряд последующих сроков, разделите исходного временного ряда на непересекающиеся окна шкалы времени и средней длины данных точек в каждом окне. Вниз выборки похожа на низкочастотной фильтрации; делением частоты дискретизации временной шкалы будет приблизительно частота, на которой сигнал низкочастотной фильтрации для этого конкретного сроки. Применение MSE к номинальнойОПРЕДЕЛЕННОЙ диапазоне частот (например, альфа: 9 Гц до 12 Гц) можно интерпретировать как представляющая состав ритмов в пределах этого диапазона, а также взаимодействие между этими частотами.
  7. Во-вторых, алгоритм вычисляет образца энтропии для каждого крупнозернистой временных рядов 14. Пример энтропия оценивает сложность временных рядов. В нелинейном анализе ЭЭГ, предположить, что отдельные временные ряды представляют проявлением основной многомерной нелинейной динамической модели (см. Стам, 2005 для обзора). В данном примере м (длина паттерна) установлен на два, что означает, что изменчивость амплитуды образец каждого временного ряда будет представлена ​​в двумерном против трехмерном пространстве с учетом конфигураций последовательностей из двух против трех последовательных точек данных, соответственно. Параметр г (критерием подобия) отражает диапазон амплитуд (обозначается высоту цветные полосы), в котором данные указываетповторно рассматривается "соответствовать". Для типичного ЭЭГ временных рядов с более чем 100 точек данных, установите параметр м равна 2, а параметр R равным значению от 0,5 до 1 (см. Richman и Мурман, 2000; для детальной процедуры по выбору параметра относятся к озеру и соавт., 2002).
    Для расчета энтропии образца для этого моделируются временные ряды, начинаются с первых двухкомпонентная модель последовательности, красно-оранжевый. Во-первых, подсчет количества раз красно-оранжевого последовательность шаблон происходит во временном ряду, есть 10 матчей для этого двухкомпонентного последовательности. Во-вторых, подсчет количества раз первый трехкомпонентной последовательность шаблон, красно-оранжево-желтый, происходит во временном ряду, есть 5 поиску этого трехкомпонентного последовательности. Продолжайте с тем же операциям в течение следующих двух-компонентной последовательности (оранжево-желтый), а следующий трехкомпонентный последовательности (оранжево-желто-зеленый) временных рядов. Количество двухкомпонентной матчей (5) и трехкомпонентный матчей (3) для этих последовательномCES добавляются в предыдущих значений (общее двухкомпонентной матчей = 15, общее трехкомпонентной матчей = 8). Повторите для всех других матчах последовательность временных рядов (до N - M), чтобы определить общее отношение двухкомпонентных матчей трехкомпонентной матчей. Пример энтропия натуральный логарифм этого отношения. Для каждого предмета, вычислить канал конкретную оценку MSE как среднее по одной меры энтропии суда для каждого сроки.

Результаты

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

Цифры 1А и 2А представляют сигнал ЭЭГ в ответ на представления изображения лица. Усредненные, как испытания производит сигнал ERP, которая состоит из ряда положительных и отрицательных отклонений называемые ERP компонентов. Рис. 1В иллюстрирует усредненный сигнала для одного субъекта и 6А иллюстрирует общее среднее сигнала для группы испытуемых. Существует богатая литература, которая относится каждый компонент ERP к конкретному восприятия, двигатель, или когнитивных операций. Например, N170 является отрицательным отклонением, что пики при примерно 170 мс после начала стимула и участвует в лице обработка 8,15.

Фиг.2В иллюстрирует разложение того же сигнала ЭЭГ в полосы частотного компонента. Результаты спектрального анализа мощности раскрытия частотного содержание сигнала (рис. 2C), в результате чегоУвеличение мощности на конкретной частоте отражает увеличение в присутствии что ритм в ЭЭГ сигнала.

Как спектральной мощности, MSE чувствительна к сложности колебательный элементов, которые способствуют сигнала. Однако, в отличие спектральной мощности, MSE также чувствительна к взаимодействия между частотных компонентов (т.е. нелинейной динамики 18). Сложность ЭЭГ сигнал представлен как функция образец энтропии (рис. 5) в течение нескольких временных масштабах (рис. 4). Как показано на рисунке 3, образец энтропии мал для сигналов и увеличивается со степенью сигнала случайности. В отличие от традиционных энтропии мер, которые с увеличением степени случайности, многомасштабная энтропии способна различить сложные сигналы от белого шума, рассматривая энтропию на нескольких временных масштабах. Например, Коста и др.., 2005 году по сравнению многомасштабная энтропия F значенияили некоррелированного (белый) шум против коррелированные (розовый) шум. В то время как энтропия образца было больше для белого шума, чем розовый шум в прекрасных сроки, противоположной наблюдается при грубых сроки 5-20. Другими словами, когда энтропия считалось нескольких временных масштабах, истинная сложность сигналов был более точно представлены, чем было бы, если только один шкале времени считалось. В зависимости от временной динамики конкретного Напротив, условие эффекты могут быть выражены: 1) таким же образом, во всех временных масштабах, 2) в некоторой сроки, но не другом, или 3) в качестве кроссовера эффектов при этом отличие отличается на тонкий по сравнению с грубыми сроки.

На рисунке 6 приведена различий в состоянии ERP (рис. 6А), спектральной мощности (рис. 6В), MSE (рис. 6С) контрастные соотношение первичных и повторных презентаций лице фотографиях 9. В этом примере все меры конвергентных выявитьтот же эффект, однако наблюдаемое уменьшение энтропии образца, который сопровождает лицо повторение важно, поскольку оно ограничивает интерпретацию результатов. Уменьшение сложности предполагает, что основной функциональной сети проще и способна обрабатывать меньше информации.

7 иллюстрирует статистических результатов многомерного анализа частичных наименьших квадратов 11 применяется к ERP, спектральной мощности и MSE. Эксперимент манипулировали знакомство связано с разными лицами (Heisz соавт., 2012). Контрастность (гистограмма) показывает, что амплитуда ERP отличается новыми лицами из знакомых лиц, но не среди знакомых лиц, которые варьировались в размере до экспозиции. Спектральной мощности отмеченным граням согласно полученным знакомство, но не точно различать лица среднего и низкого фамильярности. MSE был наиболее чувствительным к состоянию, что различия в образце увеличении значения энтропииЭд с увеличением лицом фамильярности. Изображение участков захватить пространственно-временного распределения состоянии эффекта во всех электродов и времени / частоты / сроки. Этот пример показывает ситуацию, в которой анализ ЭЭГ MSE производится уникальную информацию, которая не была получена с использованием традиционных методов ERP или спектральной мощности. Это расхождение MSE предполагает, что условия отличаются по нелинейной аспектах их динамика сети, возможно, с взаимодействий между различными компонентами частоты.

figure-results-1
Рисунок 1.) ЭЭГ реакции одного субъекта в зависимости от амплитуды отклонения от исходного уровня для каждого испытания в зависимости от времени от начала испытания. Каждое испытание состояло из презентации фотографию изображения лица. Положительные отклонения амплитуды изображены накрасные; отрицательные отклонения амплитуды изображены синим цветом. Все исследования показывают положительное отклонение около 100 мс и 250 мс, что указывает на событийные фазовой автоподстройки деятельности. B) усреднения во всех испытаниях показано на рисунке 1A производит усредненный сигнал с различными ERP положительные и отрицательные отклонения называются события связанные с ним компоненты и назвал в соответствии со стандартной номенклатурой. Например, P1 первый положительный происходит компонента и N170 является отрицательным компонентом, который пики при примерно 170 мс после начала стимула.

figure-results-2
Рисунок 2.) ЭЭГ ответ одного субъекта в течение одного судебного разбирательства заговоре амплитудой по времени (в данных точках, частота дискретизации 512 Гц). B) ЭЭГ реакции полосового Рисунок 2А фильтруют, чтобы выделить полосы частот дельта(0-4 Гц), тета (5-8 Гц), альфа (9-12 Гц), бета (13-30 Гц) и гамма (> 30 Гц). С) Спектральная плотность мощности ЭЭГ ответ показано на рисунке 2A представляющих частотный состав сигнала как функции мощности по частоте. Увеличение спектральной мощности на конкретной частоте отражает увеличение количества синхронно активных нейронов захваченным этой конкретной полосе частот. Нажмите здесь, чтобы увеличить рисунок .

figure-results-3
Рисунок 3) Два моделируемых сигналов:.. Регулярной или предсказуемым сигнала изображен на фиолетовый, а также более стохастического сигнала изображен в черном B) Пример значения энтропии двух моделируемых сигналов в течение первых трех сроков. Пример предпринимательствуКопировать низка для очень предсказуемые сигналов, чем больше стохастических сигналов. Нажмите здесь, чтобы увеличить рисунок .

figure-results-4
Рисунок 4. Понижения частоты дискретизации исходного временного ряда создает несколько временных рядов различной сроки. Шкала времени 1 исходного временного ряда. Временных рядов сроки 2 создается путем деления исходного временного ряда на не перекрывающиеся окна длиной 2 и средней точки данных в пределах каждого окна. Для создания временной ряд последующих сроков, разделите исходного временного ряда на непересекающиеся окна шкалы времени и средней длины данных точек в каждом окне.

figure-results-5
Рисунок 5. Имитация сигнала где каждый прямоугольник представляет собой единую точку данных во временных рядах. Пример энтропия оценивает изменчивость временных рядов. В данном примере м (длина паттерна) установлен на два, что означает, что дисперсия амплитуды образец каждого временного ряда будет представлена ​​в двумерном против трехмерном пространстве с учетом конфигураций последовательностей из двух против трех последовательных точек данных соответственно; г (критерием подобия) отражает диапазон амплитуд (обозначается высоту цветные полосы), в которой точки данных считаются "совпадает". Для расчета энтропии образца для этого моделируются временные ряды, начинаются с первых двухкомпонентная модель последовательности, красно-оранжевый. Во-первых, подсчет количества раз красно-оранжевого последовательность шаблон происходит во временном ряду, есть 10 матчей для этого двухкомпонентного последовательности. Во-вторых, подсчет количества раз первый трехкомпонентной последовательность шаблон, красно-оранжевого крикомой, происходит во временных рядах, есть 5 матчей для этой трехкомпонентной последовательности. Продолжайте таким образом на следующий двухкомпонентный последовательности (оранжево-желтый) и трехкомпонентный последовательности (оранжево-желто-зеленый). Количество двухкомпонентной матчей (5) и трехкомпонентный матчей (3) для этих последовательностей будут добавлены в предыдущих значений (общее двухкомпонентной матчей = 15, общее трехкомпонентной матчей = 8). Повторите для всех других матчах последовательность временных рядов (до N - M), чтобы определить общее отношение двухкомпонентных матчей трехкомпонентной матчей. Пример энтропия натуральный логарифм этого отношения. Для каждого предмета, вычислить канал конкретную оценку MSE как среднее по одной меры энтропии суда для каждого сроки.

figure-results-6
Рисунок 6. Условие различий в ERP (А), спектральной мощности (В)MSE (C) контрастные соотношение первичных и повторных презентаций лица фотографиях. Нажмите здесь, чтобы увеличить рисунок .

figure-results-7
Рисунок 7. Контрастные ЭЭГ узнали ответ на лицах всей меры ERP, спектральной мощности и многомасштабные энтропии. Гистограммы изобразить контраст между условиями, определяемыми частичного анализа методом наименьших квадратов 11. Изображение сюжета подчеркивает пространственно-временное распределение, при котором этот контраст был наиболее стабильными согласно начальной загрузки. Значения представляют ~ Z баллы и отрицательные значения обозначают значение для обратного эффекта состоянии. Нажмите здесь, чтобы увеличить рисунок .

Обсуждение

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

Цель настоящей статьи заключается в предоставлении концептуальные и методологические описание многомасштабная энтропии (MSE), поскольку это относится к данным ЭЭГ нейровизуализации. ЭЭГ является мощным неинвазивной нейровизуализации техника, которая измеряет нейронной активности сети с высоким временным разрешением. ЭЭГ сигнала отражает постсинаптической активности популяции пирамидальных клеток в коре головного мозга, чей коллективный ответы модифицированы различными возбуждающих и тормозных повторно соединений. Соответственно, существует несколько способов анализа данных ЭЭГ и каждый метод извлекает уникальный аспект данных.

Мы обсудили два распространенных методов анализа: событийные потенциала (ERP) и анализа спектрального анализа власти. ERP анализ захватывает синхронных нейронной активности на ЭЭГ сигнал, который по фазе к началу дискретные события. ФКЗ отражают специфику восприятия, моторных или когнитивных операций, что делает эта статистика идеально подходит для изучения спецификацийБР стадий обработки. Спектральный анализ мощности количественно относительный вклад конкретной частоты сигнала ЭЭГ. Различные возбуждения и торможения взаимодействуют петли обратной связи, чтобы увлечь активности нейронных популяций на определенной частоте 1,3. Такая синхронность между разнородными областях мозга, как полагают, способствовать связыванию информации через широкое нейронных сетей. Существует богатый литературы, поддерживающей связь между властью в определенном диапазоне частот и конкретных эмоциональных или когнитивных состояние функцию 3.

При анализе ЭЭГ, также важно иметь в виду, что нейронные сети представляют собой сложные системы с нелинейной динамикой. Такая сложность отражается в сигнал ЭЭГ как нерегулярные колебания, которые не являются следствием бессмысленной фонового шума. Как синхронной колебательной активности, взаимодействия между различными возбуждающих и тормозящих реентерабельной петли вызвать кратковременное гриппаctuations в мозге сигнала во времени 6. Такие переходные процессы, как полагают, отражающие переход или бифуркации между сетью микросостояниях, которые могут быть использованы для оценки степени свободы или сложности базовой сети; большей изменчивости амплитуды модель сигнала во времени свидетельствует о более сложной системы 5. Чрезвычайно важно, ERP или спектральных анализов мощность не чувствительны к таким нерегулярной активностью, тогда как MSE есть. Кроме того, индекс сложности сети не может быть получена путем простого подсчета количества активных областей мозга в качестве такого способа слепых переходных и динамических рецидивирующей взаимодействие между областями мозга.

Дополнительные методы нейровизуализации анализа объединяются, чтобы создать полное представление о лежащей в основе нервной деятельности. Интерпретации результатов от более традиционных применений нейровизуализация данные, такие как ERP и спектральной мощности, дополнены меры сложности как MSE; MSE обеспечивает способ захвата последовательность изменений в пространственно-временной модели мозговой активности на нескольких временных масштабах, которые способствуют специфические когнитивные операции. Применив MSE к новым и существующим наборам данных может помочь в понимании механизмов познания как выходит из динамики нейронной сети.

Раскрытие информации

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

Нет конфликта интересов объявлены.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
ЭЭГ BioSemi

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bressler, S. L. Event-related potentials. The Handbook of Brain Theory and Neural Networks. Arbib, M. A. , MIT Press. Cambridge, MA. 412-415 (2002).
  2. Bressler, S. L., McIntosh, A. R. The role of neural context in large-scale neurocognitive network operations. Springer Handbook on Brain Connectivity. Jirsa, V. K., McIntosh, A. R. , Springer. New York. 403-419 (2007).
  3. Buzsaki, G. Rhythms of the brain. , Oxford University Press. (2006).
  4. Costa, M., Goldberger, A., Peng, C. Multiscale entropy analysis of biological signals. Phys. Rev. E. 712, 1-18 (2005).
  5. Deco, G., Jirsa, V., McIntosh, A. R. Emerging concepts for the dynamical organization of resting-state activity in the brain. Nat. Rev. Neurosci. 12, 43-56 (2011).
  6. Friston, K. J. The labile brain. I. Neuronal transients and nonlinear coupling. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 355, 215-236 (2001).
  7. Gatlin, L. Information Theory and the Living System. , Columbia University Press. New York. (1972).
  8. Heisz, J. J., Shedden, J. M. Semantic learning modifies perceptual face processing. Journal of Cognitive Neuroscience. 21, 1127-1134 (2009).
  9. Heisz, J. J., Shedden, J. M., McIntosh, A. R. Relating brain signal variability to knowledge representation. NeuroImage. 63, 1384-13 (2012).
  10. Lake, D. E., Richman, J. S., Griffin, P., Moorman, J. R. Sample entropy analysis of neonatal heart rate variability. Am. J. Physiol. Regul. Integr. Comp. Physiol. 283, R789-R797 (2002).
  11. Lobaugh, N. J., West, R., McIntosh, A. R. Spatiotemporal analysis of experimental differences in event-related potential data with partial least squares. Psychophysio. 38, 517-530 (2001).
  12. McIntosh, A. R., Kovacevic, N., Itier, R. J. Increased brain signal variability accompanies behavioral variability in development. PLoS Computational Biology. 4, 7(2008).
  13. Picton, T. W., Bentin, S., Berg, P., Donchin, E., Hillyard, S. A., Johnson, R., et al. Guidelines for using human event-related potentials to study cognition: Recording standards and publication criteria. Psychophysiology. 37, 127-152 (2000).
  14. Richman, J. S., Moorman, J. R. Physiological time series analysis using approximate entropy and sample entropy. Am. J. Physiol. Heart Circ Physiol. 278, H2039-H2049 (2000).
  15. Rossion, B., Jacques, C. Does physical interstimulus variance account for early electrophysiological face sensitivity responses in the human brain? Ten lessons on the N170. NeuroImage. 39, 1959-1979 (2008).
  16. Shannon, C. E. A Mathematical Theory of Communication. The Bell System Technical Journal. 27, 379-423 (1948).
  17. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: review of an emerging field. Clinical Neurophysiology. 116, 2266-2301 (2005).
  18. Vakorin, V. A., McIntosh, A. R. Mapping the multi-scale information content of complex brain signals. Principles of Brain Dynamics: Global State Interactions. Rabinovich, M. I., Friston, K. J., Varona, P. , The MIT Press. (2012).

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи