Summary
Wir verwenden magneto-und Elektroenzephalographie (MEG / EEG) mit anatomischen Information durch Magnetresonanztomographie (MRI) aufgenommenen kombiniert, um die Dynamik des kortikalen Netzwerk mit auditorischen Aufmerksamkeit zugeordnet abzubilden.
Abstract
Magneto-und Elektroenzephalographie (MEG / EEG) sind bildgebende Verfahren, die eine hohe zeitliche Auflösung besonders geeignet, um die kortikale Netzwerke in dynamischen Wahrnehmungs-und kognitiven Aufgaben, wie die Teilnahme an verschiedenen Sounds in einer Cocktail-Party zu erforschen geben. Viele Studien haben historischen Daten am Sensor erfasst nur eingesetzt, dh., Die Magnetfelder oder die elektrischen Potentiale außerhalb und auf der Kopfhaut aufgezeichnet und sind in der Regel auf Aktivität, die auf den Stimulus Präsentationszeit-locked ist konzentriert. Diese Art von Ereignis-verwandten Bereich / Potential Analyse ist besonders nützlich, wenn es nur eine kleine Anzahl der verschiedenen Muster, die dipolare isoliert und identifiziert werden können, in Raum und Zeit sind. Alternativ kann durch die Verwendung anatomischer Informationen können diese unterschiedliche Feldmuster als Stromquellen auf der Hirnrinde lokalisiert werden. Jedoch für ein anhaltendes Ansprechen die möglicherweise nicht auf eine bestimmte Zeit Stimulus-locked (zB.,in Vorbereitung für das Hören eines der zwei gleichzeitig präsentierte gesprochene Ziffern auf der Grundlage cued auditorischen Funktion) oder kann über mehrere räumliche Orte verteilt a priori unbekannt sind, kann die Einstellung eines verteilten Netzwerks kortikalen nicht adäquat durch Verwendung einer begrenzten Anzahl von eingefangen werden fokale Quellen.
Hier beschreiben wir ein Verfahren, das individuelle anatomische MRI-Daten einsetzt, um eine Beziehung zwischen dem Sensor-Informationen und dem Dipol Aktivierung auf der Rinde durch die Verwendung von Minimum-Norm Schätzungen (MNU) herzustellen. Diese inverse Bildgebung Ansatz bietet uns ein Werkzeug für die verteilte Quell-Analyse. Zur Veranschaulichung beschreiben wir alle Verfahren mit Freesurfer und MNE Software, sowohl frei verfügbar. Wir fassen die MRT-Sequenzen und Analyse Schritte erforderlich, um eine Vorwärts-Modell, das uns die erwartete Feldmuster durch die Dipole auf der Hirnrinde auf die M / EEG-Sensoren verteilt verursacht wurden, können zu produzieren. Next, werden wir durch die notwendigen Prozesse, die uns zu erleichtern, Rauschunterdrückung die Sensordaten von Umwelt-und physiologischen Verunreinigungen fort. Wir werden dann beschreiben das Verfahren zum Kombinieren und Abbilden MEG / EEG-Sensor-Daten auf dem kortikalen Raum, wodurch eine Familie von Zeitreihenbewegungsdaten von kortikalen Dipol Aktivierung auf das Gehirn Oberfläche (oder "brain-filme") im Zusammenhang mit jeder experimentellen Bedingung. Schließlich werden wir markieren ein paar statistische Techniken, die uns die wissenschaftliche Ableitung über eine unterworfene Bevölkerung (dh., Führen Gruppen-Level-Analyse) auf einer gemeinsamen kortikalen Koordinatenraum Basis treffen können.
Protocol
Ein. Anatomische Datenerfassung und-verarbeitung
- Erwerben Sie ein Magnetisierung vorbereiteten schnelle Gradientenecho (MPRAGE) MRT des Themas. Dies kann 5-10 min je nachdem, welche spezifische Scan-Protokoll wird verwendet, statt.
- Erwerben Sie zwei zusätzliche schnelle low-angle shot (FLASH) MRI-Scans (Flipwinkel = 5 ° und 30 °), wenn EEG-Daten für inverse Bildanalyse verwendet werden, wie FLASH-Sequenzen verschiedener Gewebe Kontrast liefern den Standard MPRAGE Sequenzen 1.
- Verwenden Freesurfer Software (siehe Tabelle) 2, 3, um die kortikale Oberfläche zu rekonstruieren und die Einrichtung individueller M / EEG Dipolquelle Raum.
- Diese Quelle Speicherplatz wird dem grau / weiße Substanz Grenze segmentierte aus dem MPRAGE Scan beschränkt. Jede Hemisphäre enthält etwa 100.000 potenzielle Ecken, bei ~ 1 mm Abstand. Für Dipol Amplitudenschätzung (siehe unten), verwenden Sie einen Rasterabstand von 7 mm, die ~ 3.000 Dipole pro Hemisphäre ergibt.
- Rekonstruierendie Haut, äußeren Schädel und inneren Schädels Flächen aus den MPRAGE und FLASH Bilder mit MNE (siehe Tabelle) und Freesurfer. Mit diesen Flächen, um eine dreischichtige Grenzelement Modell (BEM) zu erzeugen.
2. M / EEG Data Acquisition
- Bereiten Thema für M / EEG.
- Siehe Liu et al 4 für Details Elektrookulogramm und Bezugselektrode Vorbereitung sowie die Digitalisierung des Subjekts fiducial Sehenswürdigkeiten, Kopf-Stellungsanzeige Spulen (HPI) und EEG-Elektroden.
- Sobald Thema wird in der MEG sitzen, messen Sie die Kopfposition mit den HPI Spulen.
- Starten Sie die Aufnahme. Beginnen Präsentation von auditiven und visuellen Reizen.
- Viele Hardware-und Software-Lösungen zur Verfügung Reizdarbietung (zB., Präsentation, E-Prime) durchzuführen. Wir verwenden eine Tucker-Davis Technologies Rż6 für auditorischen Reizes Präsentation und Trigger Stanzen, mit Psychtoolbox 5 für visuelle stimulus Präsentation, sowohl von MATLAB gesteuert. Testen der auditiven und visuellen Latenzen über ein Mikrofon und Fotodiode angebracht auf den Bildschirm und anschließend auch gibt es keine beobachtbaren Jitter (die erforderlich Einstellung der Präsentation Projektor auf die native Auflösung) vor dem Experiment hilft sicherzustellen, Timing-Integrität.
- Betreff reagiert auf auditive und visuelle Reize über einen optischen Button Box während der Durchführung Verhaltens Aufgabe.
- Speichern Sie alle Reize, experimentellen Parameter und Dateien für die Offline-Analyse.
3. M / EEG Co-Registrierung mit MRI Scan-und Datenverarbeitung
- Mit der MNE-Software, laden Digitizer Daten und unterliegen den rekonstruierten MRT Kopf-Modell. Wählen fiducial Sehenswürdigkeiten von Co-Registrierung einzuleiten und fahren Sie mit automatischer Ausrichtung Vorgang verwenden, um Koordinaten-Transformation (Abbildung 2) zu vervollständigen.
- Um die Lage der einzelnen Dipol in der Quelle beziehen spAss mit dem Standort eines jeden Sensors kombinieren erfasst HPI Daten (siehe 2.2), eine vorausschauende Lösung mit dem Drei-Schicht-BEM berechnet (siehe 1.4)
- Überprüfen Sie alle aufgezeichneten M / EEG-Daten und identifizieren Kanäle, die außergewöhnlich hohe Varianz haben oder sind völlig flach. Setzen Sie diese Kanäle als schlechten Kanälen.
- Verwenden-Signal-Raum-Vorsprung 6 oder andere Rauschreduzierungstechniken (wie Signalraum Trennung 7) zu projizieren oder abzutrennen räumlichen Feldmuster entstand aus Umgebungsluft Umweltbereich Verschmutzung oder anderen unerwünschten physiologischen Signale, wie diejenigen mit ins Auge blinkt und kardialen Artefakte zugeordneten (Abbildung 3).
- Anwenden Zeitbereichs-Artefakt-Beseitigungsstufe (zB., Entfernen Epochen enthält abnormal hoher Amplitude aufgrund von Signalen eines Kanals Spiking) und Frequenzbereichs-Artefakt-Beseitigungsstufe (zB., Band-Notchfilterung bei 50 oder 60 Hz-Frequenz) zur weiteren Erhöhung Signal-zu-Rausch-Verhältnis.
- Identifizieren Sie eine Baseline Periode, in der das Thema war nicht der Erfüllung einer Aufgabe (zB., 200 ms Zeit vor dem Beginn jeder Studie). Generieren einer Mittelwert dieser Grundlinie Epochen, um eine Rauschschätzung (auch als Kovarianzmatrix bezeichnet) zu erhalten.
- Identifizieren Epochen von Interesse (zB nur sammeln Epochen richtige Verhaltensreaktionen.) Und definieren Bedingungen für experimentelle Kontraste (zB Epochen mit dem Betreff, die ihre auditive Aufmerksamkeit auf die gegenüberliegende Halbfeld eingeschaltet, wie ursprünglich cued verbunden -. "Switch"-Zustand - versus unterliegen Beibehaltung Aufmerksamkeit auf die ursprüngliche Halbfeld - "Hold"-Bedingung). Generieren Sie eine durchschnittliche Antwortzeit für jede der Zustand definiert.
- Diese Durchschnittswerte können Baseline-korrigiert werden oder nicht abhängig von experimentellen Parameter (siehe 8); hier dargestellten Daten sind die Grundlinien-korrigiert.
- Kombinieren Sie die Kovarianzmatrix (3,5) und den berechneten Vorwärts-Lösung (3,2) ein zu erhaltenverteilt cortically eingeschränkt Minimum-Norm inverse Operator, der die Sensormessungen bezieht sich auf Dipol aktuellen Schätzungen in der Quelle Raum.
- Sie können entweder rund einschränken oder fixieren Sie die Dipol-Orientierung der kortikalen normalen Richtung 9.
- Generieren einer "brain Film" des verteilten Dipol Schätzung (dh., Die aktuelle Schätzung bei jedem Dipol Lage im Primärraums in der Zeit) für jede experimentelle Bedingung (Abbildung 4).
- Je nach den zeitlichen Eigenschaften des experimentellen Design, können Sie bin Ihre Daten in der Zeit durch Mittelung aktuellen Schätzungen mit nicht-überlappenden Zeitfenstern.
4. Statistische Inferenz auf einer gemeinsamen Oberfläche Koordinatensystem Basierend
- Morph die "Gehirn-filme" für jedes Thema auf einer gemeinsamen (Durchschnitt) kortikalen Platz auf einer Fläche Koordinatensystem, das optimal ausrichtet einzelnen Furchenrelief-Gyral Muster 3. Dies ermöglicht uns, zu vergleichen oder durchschnittliche kortikale Aktivitäten in allen Fächern. (Abbildung 5).
- Es gibt viele verschiedene statistische Inferenz Ansätze. Wir markieren drei mögliche Ansätze. Ansätze, die nicht in Software-Paket implementiert werden können unter Verwendung kundenspezifischer Software-in unseren Beispielen verwenden wir MATLAB zur Durchführung der nicht-parametrischen raum-zeitlich gehäuftes Permutationstest werden. Trotz der hohen Dimensionalität (Space x Zeit x Themen) dieser Daten können alle diese Ansätze unter Verwendung von Standard modernen Desktop-Computer-Hardware in Sekunden (ROI; 4,3-Ansatz) werden zu Stunden (nicht-parametrischen Clustering; 4,5).
- Region-of-Interest (ROI)-Ansatz
- Sie können die ROI anatomisch zu definieren (zB., Definiert durch automatische Parzellierung Algorithmus 1) und / oder funktional (zB., Durch Aufnahme eines funktionalen lokalisierende Aufgabe, wie ein Go / No Sakkade Aufgabe gehen, um die oculomoto identifizierenr Regionen).
- Sie können weiter einschränken Ihre Analyse zu einer bestimmten Zeit-of-Interest, die zu Ihrem experimentelle Paradigma (zB. Ein Zeitraum unmittelbar vor und nach dem Beginn der Sound Stimuli) ist. Sie können auch andere statistische Inferenz mit Zeitreihenanalyse verbunden.
- Whole-Brain Bonferroni oder False-Discovery-Rate (FDR) Korrektur
- Beschäftigen Bonferroni oder FDR-Korrektur, wenn Sie Whole-Brain, all-time Analyse bedürfen.
- Generieren einer statistischen Karte an jedem Dipol Lage und bei jedem Punkt unter Verwendung geeigneter Teststatistiken, wie beispielsweise ein t-Test oder Innersubjektfaktoren ANOVA für ungefähr normal verteilte Daten. Beispielsweise kann Z-Scores aus dynamischen statistische Parameter Mapping der MNU Schätzungen für feste Dipolquellen 10 verwendet werden, wenn mit einer Korrektur für Korrelationen in den Schätzungen (wie die konservative Gewächshaus-Geisser Korrektur) gekoppelt werden.
- Für BonferroniKorrektur erhalten signifikante Raum-Zeit-Punkten durch Schwellenwertverarbeitung auf einem Signifikanzniveau von 0,05 durch die Anzahl von Vergleichen (Anzahl der Dipole durch Anzahl von Zeitpunkten multipliziert) unterteilt. Für einen weniger konservativen Ansatz, verwenden FDR p-Wert-Korrektur 11.
- Nicht-parametrische raumzeitlichen Clustering
- Verwenden Sie diese Methode (basierend auf einer einfachen Erweiterung von 12) Regionen der großen, konsistenten räumlichen und zeitlichen Aktivierung zu finden, während sie weniger konservativ als Bonferroni-Korrektur, und weniger anfällig für I statistischen Fehler als FDR durch Steuerung für die Familie-weise Fehlerrate Geben .
- Da dieser Ansatz verwendet Permutation oder Monte Carlo Resampling Techniken, ist es nicht auf der Annahme einer Normalverteilung der Daten verlassen, und nur davon ausgegangen, dass die Bedingung Etiketten auswechselbaren unter der Nullhypothese sind. Obwohl es mehr rechenintensiv als die vorherigen beiden Ansätze ist, kann es noch in Stunden für ein durchgeführt werdenMaschine mit modernen Desktop-Computer-Hardware.
- Generieren einer statistischen Karte an jedem Dipol Lage und jeden Zeitpunkt unter Verwendung der entsprechenden Teststatistiken, wie beispielsweise ein t-Test.
- Threshold diese Karte in einem vorläufigen Signifikanzschwelle, zB p <0,05.
- Cluster diese vermeintliche wichtige Punkte auf räumlich-zeitliche Nähe der Basis, zB. signifikante Punkte innerhalb von 5 ms und 5 mm geodätischen Abstand voneinander in demselben Cluster stellen. Note jeden resultierenden Cluster mit Hypervolumen oder totale Bedeutung (zB. Summe von t-Werte der Punkte im Cluster).
- Führen Sie eine Standard-Permutation Resampling (oder Monte Carlo Resampling für größere Datenmengen, zB. Anzahl der Probanden N> 10, auf Rechenzeit zu sparen) Test mit einer maximalen Statistik (siehe 12 für Permutationstest Beispiele). Kurz gesagt, für eine zufällige Untergruppe von Probanden (Wahl überall von 0 bis N Fächer), relabel die Bedingungen being vor dem Erhalt der statistischen map Vergleich durchführen Clustering auf die neue statistische Karte, und erhalten die maximale Cluster-Wertung für diesen umzuetikettieren. Diese Schritte auf neue zufällige relabelings für bis zu 2 N Permutationen, um eine Verteilung des maximalen statistischen erhalten; Durchführung aller 2 N möglichen relabelings ergibt die Permutationstest und unter Verwendung einer zufälligen Teilmenge von weniger als 2 N relabelings ergibt eine Monte Carlo (oder statistisches ) Permutationstest.
- Zu erhalten, die Bedeutung eines gegebenen ursprünglichen Cluster (aus der ursprünglichen Kennzeichnung) durch Bestimmung des Anteils der Zeit die maximale Clustergrößen waren größer als der des ursprünglichen Cluster, zB. Clustern, die größer als 95% der maximalen statistische Cluster waren deklariert signifikante werden.
- Für eine eingehende Diskussion über die statistische Inferenz in MEG verteilten Source Imaging, siehe 13.
- Verwenden Sie diese Methode (basierend auf einer einfachen Erweiterung von 12) Regionen der großen, konsistenten räumlichen und zeitlichen Aktivierung zu finden, während sie weniger konservativ als Bonferroni-Korrektur, und weniger anfällig für I statistischen Fehler als FDR durch Steuerung für die Familie-weise Fehlerrate Geben .
- Die daraus resultierenden Dateien können vi sein sualized in vielerlei Hinsicht, einschließlich der Verwendung der Formate nativ von MNE-Software genutzt werden, um räumlich-zeitliche kortikalen Schätzungen, nämlich STC-Dateien zu speichern. Dies, zusammen mit Etiketten, die hergestellt werden können, die den bedeutenden Regionen, kann mit Hilfe MNE Toolboxen für MATLAB und Python zur Verfügung gestellt werden.
5. Repräsentative Ergebnisse
Abbildung 6 zeigt eine Reihe von repräsentativen Ergebnissen aus der verhaltensorientierten Paradigmenwechsel in Abbildung 4 dargestellt. Mit dem nicht-parametrischen raumzeitlichen Clustering Verfahren (4,5), die rechte FEF sich als signifikant, wenn ein Gegenstand ist die Durchführung einer Neuausrichtung Aufgabe im Vergleich zu einer Standard-Task (Abbildung 6 links). Verwendung des ROI Ansatzes (4,3), wird der zeitliche Verlauf des rechten FEF gezeigt, zusammen mit der Zeitdauer, dass diese zwei Bedingungen signifikant unterscheiden.
p_upload/4262/4262fig1.jpg "/>
Abbildung 1. Workflow zur Erzeugung eines "brain Film" mit cortically-eingeschränkt Minimum-Norm-Dipol-Schätzungen (vgl. Abbildung 1 in Liu et al., 2010).
Abbildung 2. MNU Software verwendet, um EEG-Kanäle und HPI Orten Koregistrierung auf eines Subjekts MRI Koordinatenraum erleichtern.
Abbildung 3. MEG Daten vor und nach der Verwendung von SSP kardiale (orange) und Auge-blinkt (blau-grün) Artefakte und Tiefpassfilterung zu netzfrequenten entfernen möchten. Klicken Sie hier für eine größere Abbildung zu sehen .
Abbildung 4 A "brain Film" auf Subjekts nativen kortikalen Raum und der Zeitlage der audiovisuellen Präsentation (mit auditorischen Reize bei 600 ms und einen visuellen Reiz bei -600 ms vorgelegt vorgelegt) in einem experimentellen Paradigma (Anmerkung:. Dies wird präsentiert als Film im fertigen Film Clip)
Abbildung 5. Vergleich zwischen einem hypothetischen ROI zu einem Thema der nativen kortikalen Raum und nach verwandelt auf eine gemeinsame kortikalen gemappt.
Abbildung 6. Repräsentative raumzeitlichen Cluster und Zeit-Verlauf mit den beiden experimentellen Bedingungen assoziiertgen getestet.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Um die Dipol-Aktivierung auf der Rinde von den erfassten MEG / EEG-Daten abzuschätzen, müssen wir eine inverse Problem, das nicht über eine eindeutige stabile Lösung sofern keine entsprechenden anatomisch und physiologisch einwandfrei Nebenbedingungen angewandt werden lösen. Mit dem anatomischen Einschränkung für einzelne Fächer mittels MRT und die Verabschiedung der Minimum-Norm als unsere Einschätzung Kriterium erworben haben, können wir bei einer inversen kortikalen Stromquelle schätzen, dass mit den Sensormessungen stimmt ankommen. Dieser Ansatz hat sich in Studien nicht nur auditive Verarbeitung 14, sondern auch andere Bereiche wie visuelle 15 und Sprachverarbeitung 16 nützlich.
Es gibt viele andere inversen Ansätze. Lokalisierung (zB entspricht Stromdipol Modellierung.) Oder Bildgebung (z. B. MNE, Beamforming-Techniken.): Allerdings können all diese Methoden in zwei Kategorien zusammengefasst werden. Außerdem hat jeder inversen Ansatz ihrer tradeoff (siehe 17 für eine ausführliche Diskussion). Zum Beispiel muss die aktuelle Schätzung unter Verwendung der hier vorgestellte Ansatz notwendigerweise im Weltraum aufgrund seiner minimalen Constraint-Norm verteilt werden. Dieses Minimum-Norm Schätzung Ansatz wird auch für Aufgaben, die eine verteilte kortikalen Netzwerk rekrutieren geeignet. Mapping frühen Reaktionen auf Reize, die Schwerpunkte Quelle Tätigkeit, wie sie in Audition, die glaubten, in und um bilaterale auditorischen Kortex (zB., N1M und das Bewusstsein in Bezug Negativität 18) lokalisiert werden hervorrufen, kann auch mit fMRI Zusammenarbeit Einschränkungen verbessert werden 14.
Spectral-Domain-Analyse, zB., Untersucht die Rolle der verschiedenen kortikalen Rhythmen Aufmerksamkeit beteiligt, in der Hirnrinde kann auch nach der Verwendung einer der oben genannten inversen Techniken durchgeführt werden. Darüber hinaus kann diese Art der Analyse leicht Adresse Fragen zur funktionellen Verbindung zwischen unterschiedlichen Regionen in der br verlängert werdenain.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Keine Interessenskonflikte erklärt.
Acknowledgments
Die Autoren bedanken sich bei Matti S. Hämäläinen, Lilla Zöllei und drei anonymen Gutachtern für ihre hilfreichen Kommentare danken. Finanzierungsquellen: R00DC010196 (AKCL); T32DC000018 (EDL); T32DC005361 (RKM).
Materials
| Name | Company | Catalog Number | Comments |
| 306-channel Vectorview MEG system | Eleka-Neuromag Ltd, | ||
| 1.5-T Avanto MRI scanner | Siemens Medical Solutions | ||
| FreeSurfer | http://freesurfer.net/ | ||
| MNE software | http://www.nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php | ||
| EEG electrodes | Brain Products, Easycap GmbH | ||
| 3Space Fastrak system | Polhemus | ||
| Optical button box (FIU-932) | Current Designs |
References
- Fischl, B. Automatically parcellating the human cerebral cortex. Cerebral Cortex. 14, 11-22 (2004).
- 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).
- 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).
- Liu, H. Functional Mapping with Simultaneous MEG and EEG. Journal of Visualized Experiments. (40), e1668 (2010).
- Brainard, D. H. The Psychophysics Toolbox. Spatial Vision. 10, 433-436 (1997).
- 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).
- Taulu, S., Simola, J., Kajola, M. Applications of the signal space separation method. IEEE Transactions on Signal Processing. 53, 3359-3372 (2005).
- 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).
- 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).
- Dale, A. Dynamic statistical parametric mapping: combining fMRI and MEG for high-resolution imaging of cortical activity. Neuron. 26, 55-67 (2000).
- Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12, 419-446 (2003).
- Nichols, T. E., Holmes, A. P. Nonparametric permutation tests for functional neuroimaging: a primer with examples. Human Brain Mapping. 15, 1-25 (2001).
- 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).
- 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).
- Sharon, D. The advantage of combining MEG and EEG: comparison to fMRI in focally stimulated visual cortex. Neuroimage. 36, 1225-1235 (2007).
- 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).
- 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).
- Gutschalk, A., Micheyl, C., Oxenham, A. J. Neural correlates of auditory perceptual awareness under informational masking. PLoS Biology. 6, e138 (2008).
