Summary
최근 몇 년 동안,인지 신경 과학 실험을 위해 전기 활동을 측정 두피의 피질 소스를 추정에 대한 관심이 증가되고있다. 이 문서에서는 런던 베이비 연구소의 2 개의 세에서 고밀도 뇌파가 취득하는 방법과 녹음이 아이들에있는 대뇌 피질의 소스 추정을 위해 처리하는 방법에 대해 설명합니다.
Abstract
EEG는 전통적으로 높은 시간과 낮은 공간 해상도를 가진 뇌 영상 기법으로 설명되어 있습니다. 생물 물리학 적 모델링 및 신호 처리에서의 최근 발전은 가능한이 제약 조건 1을 극복하기 위해 높은 공간 해상도를 제공하는 구조 MRI 등의 다른 영상 기법으로 정보를 악용 할 수 있습니다. 이 시간에 높은 해상도뿐만 아니라 공간 영역을 필요로 수사에 특히 유용합니다. 또한, 때문에 쉽게 응용 프로그램과 뇌파 기록의 저렴한 비용에, EEG는 기능성 MRI를 용납하지 않는 어린 아이 같은 인구, 작업은 잘 스캔 할 때 자주 선택하는 방법입니다. 그러나, 신경 기판을 구조적 MRI에서, 해부학 적 정보를 포함하는 조사하기 위해 여전히 필요합니다. 대부분의 뇌파 분석 패키지는 성인 해부학에 근거하는 표준 머리 모델과 함께 작동합니다. 아이들 사용 이러한 모델의 정확도는 2, 한계가 있기 때문에 COmposition 머리의 공간 구성은 개발 3 극적 변화를 조직.
본 논문에서는 고밀도 뇌파의 대뇌 피질의 발전기를 재구성 개별 구조적 MRI 검사 또는 특정 연령 머리 모델을 기반으로 머리 모델을 이용하여 우리의 최근의 작업에 대한 개요를 제공합니다. 이 문서는 뇌파 기록 처리 및 실험실 설치, 작업 설계, EEG 전처리, MRI 처리, EEG의 채널 레벨 및 소스 분석을 포함한 런던 베이비 연구소의 소아 인구로 분석, 취득 방법에 대해 설명합니다.
Introduction
버락 오바마 대통령은 건강과 경제 3 (http://www.whitehouse.gov/share/brain-initiative)에 대한 중요도가 높은 과학적 발견의 다음 개척지로 인간의 두뇌를 설명했다. 그러나 자연 과학의 다른 분야와 마찬가지로 신경 과학 진행을위한 방법론과 분석 기술의 발전에 따라 달라집니다. 인간의 뇌 기능에 대한 연구에서 일반적으로 사용되는 두 비 침습 도구는 자기 공명 영상 (MRI)과 뇌파 (EEG)이다. 이 도구는 서로 다른 물리적 특성을 이용하고 독특한 장점과 단점과 뇌 기능에 다른 통찰력을 제공한다. MRI는 생체 조직의 이미지를 얻기 위해 자기장 내에서 물 분자의 자기 특성을 사용합니다. 피사체는 높은 전계 강도를 가진 자석을 배치 할 필요가있다. 참가자의 운동은이 과정에서 제한 및 참가자는 자기의 급격한 변화로 인한 잡음을 허용해야한다필드. 구조적 이미지 이외에, MRI는 뇌 기능 (의 fMRI)을 조사하는 혈액 산소의 변화를 측정 할 수있는 가능성을 제공한다. 요약하면, MRI는 현대적인 필드 스캐너 및 최적화 된 매개 변수를 4로 최대 0.5 mm 3의 상대적으로 높은 공간 해상도를 제공합니다. 대조적으로,의 fMRI의 시간 해상도는 간접적으로 만 신경 활동의 5,6의 높은 시간적 역 동성을 반영하는 BOLD 반응의 느린 반응 속도로 제한됩니다.
한편, EEG가 두피에 배치 된 전극을 통해 신경의 활동에 기인 한 전기적 활성도의 변화를 측정한다. EEG 기술의 최근 발전은 단기 또는 장기와 고정뿐만 아니라 외래 레코딩을위한 센서의 빠르고 쉬운 응용 프로그램을 할 수 있습니다. EEG는 덜 제한적이기 때문에, 그것은 또한 잘 같은 MRI 환경을 용납하지 않는 특정 참가자 집단에 대한 선택의 방법입니다 소아 및 특정노인 및 정신 인구. EEG의 특성은 MRI의 것과 반대의 패턴을 보여 시간 분해능 정밀도는 밀리 세컨드 매우 높은이지만, 공간 해상도가 제한됩니다. 전기 전류는 두피의 표면에 자신의 발생기와 EEG 전극 사이에 다른 조직을 통해 전달합니다. 이 믹싱 및 볼륨 전도 효과로 알려진 소스 활동의 공간 번짐에 이르게한다. 따라서 두피의 표면에 전극에 의해 측정 된 활동 헤드 1,7상의 전극의 위치까지 멀리있을 여러 출처의 활성을 반영한다.
최근 몇 년 동안 많은 작업은 각각의 장점을 활용하기 위해 MRI와 EEG의 합병에 전념하고있다. 하나의 작업 라인은 기능 연구에 뇌파 및 MRI의 동시 수집하기 위해 최선을 다하고 있습니다. 다른 접근 방법은 C 양을 고려할 구조적 MRI에 의해 제공된 공간 정보를 사용하는 것이다onduction 생물 물리학 적 모델링을 통해 효과. 뇌파 기록의 원본 복원에 대한 구조 정보의 사용은 소아와 관련된 연구에 특히 유용합니다. 뇌 기능의 발달의 조사는 복잡한인지 능력이 간단한 전구체 8 위에 구축하는 방법을 이해하는 핵심이다.
이 조사는 행동 성능의 변화와 상관 관계가 신경 기판과 응답 특성의 변화를 강조하는 데 도움이됩니다. 그러나, 개발하는 동안 뇌 기능과인지의 조사는 특정 문제를 포즈. 특히, 기능 MRI 연구의 기회는 유아 나 아동이 잠들거나 운동 유물과 참가자 웰빙에 부정적인 영향을주지 않고 MRI 데이터를 얻기 위해 진정해야 하나로 제한됩니다. 또한, EEG는 연구 참가자의 모집이 쉽게 부모에 의해 덜 위험하고 침략으로 인식된다. 티없는 herefore, EEG는 어린 아이들의 뇌 기능의 많은 연구에 대한 선택의 방법입니다. EEG 시스템에서 방법 론적 발전은 몇 분 안에 128 개 이상의 채널을 가진 고밀도의 전극 배열의 응용 프로그램을 할 수 있습니다. 응용 프로그램과 편안한 착용감의 용이성도 어린 유아의 뇌파 기록을 허용하기에 충분하다. 그러나, 종종 연구자뿐만 아니라 특정 자극에 대한 반응의 시간적 역학에 관심이뿐만 아니라 응답을 매개하는 신경 기판을 비교하고 싶습니다.
상이한 연령 그룹과 비교 채널 레벨 ERP 분석에서 통용 가정은 동일한 신경 기판을 반응한다는이지만, 타이밍 또는 응답 진폭 9 세 걸쳐 변화있다. 비슷한 두피 지형 종종 유사한 기본 신경 활동의 지표로 사용된다. 그러나, 많은 다른 소스의 구성은 유사 두피 지형 (10)을 초래할 수 있습니다. 소스 추정을 적용함으로써,이 uncertainty이 감소하고 정량화 할 수있다. 관찰의 독립은 뇌 기능의 네트워크 계정에 중요합니다 : 소스가 혼합되어있는 경우, 상관 관계가 높은 지역의 연결 편중 될 것이다. 소스 재구성이 바이어스 (11)를 감소시키기 위하여 적용될 수있다. 대안 적으로, 타이밍 및 위상에 차이가 연결성 분석을 위해 사용될 수 있지만, 이러한 수학적 모델은 비 시뮬레이션 된 데이터 (12)에 평가하기 어려운 가정을 필요로한다. 요약하면, 소스 추정은 해부학과 조직의 생물 물리학 적 속성에 대한 지식을 기반으로 채널 레벨 EEG 및 ERP 분석에 추가 정보를 제공합니다.
다른 알고리즘은 역 문제에 대한 해결책을 찾기 위해 고안되었습니다. 파라 메트릭 및 비 파라 메트릭 13 : 이러한 알고리즘은 두 가지 범주로 크게 떨어진다. 파라 메트릭 모델은 하나의 위치, 방향과 강도가 다를 수 있습니다 여러 다이폴 안테나를 가정합니다. 반면, 비 파라 메트릭 모델 contaiNA 큰 고정 된 위치와 방향으로 쌍극자의 수. 이러한 모델에서, 두피 전기 활동은 고정 다이폴 10,13,14에서 활성화의 조합으로서 설명한다. 비 파라 메트릭, 분산 소스 모델은 다양한 미디어에서 해부학과 도전에 대한 지식을 기반으로 할 수 있습니다. 경계 요소 모델은 뇌, 뇌 척수, 두개골에 대해 서로 다른 껍질과 머리의 주요 조직에 대한 전도도 값을 통합합니다. 이는 전도성 각 구획 내의 대부분 일정하지만 표시 변경은 다른 구획의 경계에서 발생하는 것을 전제로한다. 전도도 값이 각 복셀 (15)에 할당 할 수 있도록 유한 요소 모델은 회색과 흰색 물질에 MR 검사의 추가 분할을 기반으로합니다.
실용적인 관점에서, 비 파라 메트릭 모델은, 복잡한 작업인지에 소스 재구성하는데 특히 유용하다 개인 영역의 수는 수있는10 알 수 없습니다. 더 정확한 유한 요소 모델은 비교적 높은 계산적 요구 포즈 탓 경계 요소 모델은 가장 널리 문헌에 현재 사용된다. FEM 제품 개별 MRI 스캔을 기반으로해야합니다 있도록 또한, 회색과 흰색 문제에 상당한 간 개별 다양성이있다.
비 파라 메트릭 모델은 앞으로 모델의 예측에 두피 측정 활동을 일치시키기위한 두 번째 단계가 필요합니다. 또 다른 장점과 단점을 가진 다른 접근 방법 (개요 미셸 등. 2004 참조) 문헌에서 논의되었다. 가장 널리 사용되는 알고리즘은 낮은 전체적인 강도 (16)과 포워드 모델의 전류 분포에 두피 측정 액티비티 일치 최소 규범 추정 (MNE)에 기초한다. MNE는 약한 표면 소스에 편중되어있다. 깊이 가중 MNE 알고리즘 가중치를 도입하여 표면 바이어스를 감소시키기 위해 시도수학 가정 10을 기준으로 행렬. 널리 사용 로레타 접근법은 또한 가중 MNE에 근거하지만, 별도로 매끄러운 해법 17,18 리드 소스 라플라시안이 최소화된다. 로레타는 시뮬레이션 연구 (19, 20)에 하나의 소스에 최선을 수행하는 것으로 확인되었습니다. 그러나, 로레타 솔루션의 스무딩을 통해 발생할 수 있습니다. 근원이 알려지지 않은 또는 여러 소스가 13, 16 존재할 가능성이있을 때 깊이 가중 MNE 바람직하다. 다른 모델의 가정의 영향을 평가하기 위해 다른 알고리즘의 결과를 비교하는 것은 추천.
요약하면, 모델링 방법을 통해 소스 재건 최근까지 아이들을 위해 제한되었습니다. 대부분 EEG 분석 소프트웨어가 실질적으로 아이들 2,8있는 소스 솔루션의 정확성을 제한 성인 해부학에 근거 헤드 모델에 의존하기 때문이다. 연산 능력 및 규정에 저렴한 액세스소스 재건을위한 사용자 친화적 인 소프트웨어는 가능한 이러한 한계를 극복 할 수 있습니다. EEG에 소스 추정을 적용하면 단독 채널 레벨 관측에 기반 분석을 통해 두 가지 중요한 이점을 제공합니다 : 공간 해상도와 관찰의 독립을 개선.
소스 추정은 일부 경우에 유익하지 않을 수 : 헤드의 양호한 커버리지 소스를 구별해야한다. 128 개 이상의 전극 고밀도 시스템은 10, 15를 추천합니다; 드문 드문 범위가 더 폭 넓은 소스 활성화 또는 위음성 결과 (10)로 이어지는 공간 필터 역할을합니다. 또한,이 문서에서 설명하는 방법에 따라 소스의 재건은 대뇌 피질의 발전기에 대해보고하고있다. 따라서 피질 기판 또는 대뇌 피질 피질의 상호 작용에 대한 가설 검정 덜 적합하다. 마지막으로, 소스 분석은 피질 기판에 대한 세부 이전 가설에 기초해야계정에 다른 영상 기법으로 기존의 문헌을 복용. 공간적 필터링 기술은 또한 두피 레벨에 공간 혼합을 감소시킴으로써 EEG 신호의 공간 해상도를 향상시키기 위해 사용될 수있다. 헤드 모델링이없는 볼륨 전도 효과의 영향을 저감하기위한 대안적인 방법이 사용되는 예를 들면, 라플라시안 필터 (21) 또는 전류원 밀도 분석 22. 볼륨 전도의 효과뿐만 아니라 있습니다 가까운 공간 근접 1에서 센서로 제한 그러나,이 방법은 신경 발전기에 대한 자세한 정보를 제공하지 않습니다.
다음 절에서,이 문서는 뇌와 2 세 아동의인지 기능의 조사를 위해 실험 런던 베이비 연구소에서 설계하는 방법에 대해 설명합니다. 다음으로, 아이들과 함께 높은 밀도 낮은 임피던스 시스템과 EEG 데이터 수집이 논의된다. 그 후, 채널 레벨에 EEG 전처리 및 분석이 제시된다. LastlY, 기사는 대뇌 피질의 소스 재건과 소스 레벨의 신호 분석을위한 구조 MRI 데이터의 처리에 초점을 맞추고 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
어린이를위한 1. 디자인 EEG 및 이벤트 관련 가능성 실험
참고 : 간단한 실험을 어린 아이들의 얼굴 처리를 조사하는 데 사용할 수 있습니다이 문서의 목적을 위해 설계되었습니다. 다음 절에서는 실험을 설명하고 MATLAB R2012b와 Psychtoolbox V3.0.11 (23, 24)를 사용하여 구현하는 방법을 설명합니다. 감정적 인 얼굴 표정 (25)의 NimStim 세트에서 촬영 한 사진이 예를 사용 하였다. 이 자극 세트는 요청에 따라 연구 목적으로 사용하실 수 있습니다 ( http://www.macbrain.org/resources.htm ).
- 자극 사이의 차이를 줄이기 위해 회색조 RGB 사진을 전송합니다. 표 1을 참조하십시오 참고 :.이 명령은 처리 도구 상자 (이미지를 필요로 http://www.mathworks.co.uk/products/image/ ). 무료 대안이 t 찾을 수있다파일 교환의 hrough ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
- 일련의 명령 (예를 들어, 표 1 참조)를 사용하여 자극 프레 젠 테이션의 트리거에 대한 정확한 타이밍과 실험을 구현하는 실험 제어 소프트웨어를 사용합니다.
2. 데이터 수집
- 아이가 시험 환경에 익숙해 있는지 확인합니다. 어린 아이들이 교사의 무릎에 또는 편안하게 아이의 자리에 앉을 수 있습니다. 아이가 아이의 머리에 적용하기 전에 센서 망을보고 느껴 보자. 여분의 그물이있는 경우, 부모는 하나를 시도하거나 인형에 하나 박제 테 디를 배치했다.
- 자녀에 대한 올바른 그물 크기를 선택하는 최대 머리 둘레를 측정합니다. 측정 테이프를 사용하고 nasion에 개최. 그런 다음, 최대 둘레 머리 주위를 측정 (1 ~inion 위 CM). 참고 : 측정 머리 둘레를 기록하고 나중에 분석 (26)에 사용되는 센서 망을 유지합니다. 부모의 머리도 상황에 아이들이 더 편안하게 측정하면 도움이됩니다.
- nasion 및 inion 좌우 periauricular 점 사이의 중간 거리의 교차로에서 머리의 정점을 확인합니다. 그물을 적용 할 때 정점 채널이 올바른 위치에 있는지 확인하기 위해 중국 펜으로이 점을 표시합니다.
- 센서 망을 적용하고 주요 채널이 해부학 적 랜드 마크 (nasion, inion, 버텍스와 왼쪽 / 오른쪽 mastoids)에 정렬되어 있는지 확인합니다. 주 : 가장 정확한 결과를 위해 머리에 채널의 위치가 디지털 디지털화 특수 장비를 사용하여 획득 될 수있다. 센서 위치를 취득하고자하는 연구자는 적절한 하드웨어 및 소프트웨어 설명서를 참조해야합니다. 또한, 해부학 LAN을 따라 전극의 표준 배치를 가정 전극지도dmarks가 사용될 수있다. 이러한 맵은 해석 부에 설명 된대로 적절한 헤드 모델 나이 비뚤어 수있다.
- 채널은 개별적으로 센서를 배치하여 두피와 좋은 접촉을 가지고 있는지 확인하십시오; 살짝 비켜 머리를 이동하려면 좌우로 각 센서를 트위스트.
- 채널 이득 및 채널 임피던스를 측정한다. NetStation EEG 기록 소프트웨어에서 녹음을 시작하고 이득 및 임피던스 측정을 시작하려면 "시작"을 클릭합니다. 측정이 자동으로 시작되지 않으면, "보정 앰프"와 "인터넷 임피던스를 측정한다"버튼을 사용합니다.
- 빨간색이 나타납니다 50 kΩ의보다 높은 임피던스와 채널 레코딩 소프트웨어를 확인합니다. 채널 임피던스를 낮출 수있는 펫을 추가 전해질 용액을 적용합니다. 주변 채널 (플랫 라인 채널)보다 낮은 임피던스 또는 눈에 띄게 적은 활동에도 불구하고 높은 주파수 작동을 표시 채널 EEG 디스플레이를 확인합니다. 이 채널은 근래 수 있습니다두피와 조정을 필요로 전자 접촉 불량.
- EEG 준비하는 동안 안락한 아이들을 유지하기 위해, 아이가 유아를위한 비누 거품을 불고, 예를 들어, 음악을 듣고, 나이 적절한 만화를 시청하거나 다른 실험을 사용하여주의를 분산 할 수 있습니다.
3. 분석
- 전처리
- 디지털 채널 27 (표 1) 품으로 제거하는 0.1 Hz에서 컷 오프와 하이 패스 필터를 사용하여 데이터를 필터링 할 수 있습니다.
- ERP 분석을 위해, 30 Hz에서 27 (표 1)에서 컷 오프와 로우 패스 필터를 적용합니다.
- 촬영시 설정 한 트리거 코드에 따라 연속적인 데이터를 획기적인. 대부분의 실험에서, 또한 (표 1)의 시간 간격을 커버하도록 발병과 600 밀리의 포스트 자극 간격을 자극하기 전에 200 밀리의 기준을 사용한다.
- 움직임이나 깜박임 유물을 포함하는 신 (新) 시대를 제거 c 표시진폭보다 높은 150 MV 피크에 피크 hannels는 - 참가자 그룹 및 데이터 품질에 따라이 임계 값을 조정합니다. 일관성을 위해, 한 연구에 모든 참가자에 대해 동일한 임계 값을 사용합니다. 채널이 신 (新) 시대의 30 % 이상이 임계 값을 초과하는 경우 (이 허용 데이터가 포함 된 경우 채널 활동, 주변 채널에서 보간 될 수있다) 채널을 제거합니다. 채널의 20 % 이상이 시대에 나쁜 표시하는 경우, 시대를 제거합니다. 채널의 20 % 이상이 알고리즘에 의해 거부 또는 신 (新) 시대의 50 % 미만을 유지하는 경우, 추가 분석 (표 1)에서 데이터 집합을 제거하는 것이 좋습니다.
참고 : 시대와 채널 거절 비율 임계 값은 우리의 경험에서 소음의 충분한 양을 제거 야구장 수치입니다. 기록에서 아티팩트의 양이 다른 참가자 그룹, 실험 패러다임 또는 EEG 시스템을 사용하여 상이 할 가능성이있다. 실험자는 비율을 조정할 수 있습니다임계 값과 그들이 이슈 거부에 만족하는 경우 확인합니다. 또한, 실험자는 육안 검사를 통해 이슈를 포함하는 시험을 거부 할 수 있습니다. - 각 채널 (표 1)에서 채널에 걸쳐 평균 활동을 빼서 평균 기준을 참조하여 재. 주 : 정점 전극 전형적 NetStation의 기록 용 기준으로서 사용된다.
- 독립 요소 분석을 통한 이슈 수정
- 빠른 도구 상자 (28)에 데이터를 가져 와서 데이터에 대한 자동 유물 제거 알고리즘 (표 1)을 실행합니다.
- 더 빠르고 그래픽 사용자 인터페이스 (GUI)를 사용합니다; 명령 줄에 GUI를 입력 FASTER_GUI를 엽니 다.
- 데이터가 이미 epoching 전에 필터링 된대로 필터링 메뉴에서 필터링 옵션의 선택을 취소합니다.
- 2 electrooculagram (EOG) 채널 126 EEG 채널 : 채널의 수를 지정합니다.
- 입력셀 어레이 내의 문자열로 데이터를 epoching 사용 표식. 제시된 경우에 입력 { '얼굴', 'scra을'} 얼굴과 스크램블 얼굴 조건.
- 독립 성분 분석 (ICA)에 대한 채널을 선택한다. 일반적으로 모든 녹화 채널, 포함을 선택합니다. 외부 비 EEG 채널.
- GUI의 오른쪽 창에서 입력 및 출력 폴더를 지정합니다.
- 레코딩을위한 적절한 채널 파일을 선택합니다. 참고 : 채널 파일은 대부분의 EEG 시스템 제조업체에서 다운로드 할 수 있습니다 또는 EEGLAB 웹 사이트에서 다운로드 할 수 있습니다.
- 빠른 처리를 시작하려면 실행을 클릭합니다. 레코딩 및 파일 번호의 길이에 따라,이 처리는 몇 시간이 걸릴 수있다.
- 시각적으로 처리 한 후 녹음, 독립적 인 구성 요소의지도까지 ERP를 검사합니다.
- 이벤트 관련 잠재력 데이터의 채널 레벨 분석
- 가상 C를 형성하기 위해 여러 채널을 배합잡음비 나은 신호 hannel (표 1). 참고 : 채널의 선택은 문헌 또는 선험적 가설에서 이전의보고에 근거해야한다. 주어진 시간 창 내에서 가장 높은 진폭을 보여 선택 채널 (29)을하지 않는 것이 좋습니다.
- , 피크 진폭과 같은 조치를 확보 파형의 특성 및 통계 테스트 (표 1)을 수행 할 수있는 진폭 및 최대 대기 시간을 의미한다.
- 경계 요소 모델을 생성 (BEM)
- 세그먼트 해부학 MRI는 FreeSurfer으로 스캔 할 수 있습니다. 참고 : 가장 정확한 결과를 위해, 각 참가자에 대한 개별 MRI 검사에 대한 경계 요소 모델을 기반으로. 이것이 가능하지 않으면, 최대한 참가자들의 나이를 일치 보통 MRI 템플릿이 사용되어야한다. BEM을 24 개월 이하 아이들을 위해 사용할 수 없음을 양해 해 주시기 바랍니다. 경계 요소 모델은 각각의 쉘 (뇌, 두개골, 피부) 폐쇄 껍질로 구성되어 있다고 가정합니다. 그러나, Y에두개골 Young의 어린이 천문은 폐쇄 쉘 가정을 위반하는 폐쇄되지 않습니다.
- FreeSurfer 소프트웨어를 설치하려면, 먼저 FreeSurfer 웹 사이트 (에서 다운로드 http://freesurfer.net/fswiki/DownloadAndInstall ). 다음, 쉘 환경이 FreeSurfer을 포함 설정; .. bashrc에 들어 bashrc 파일을에서 다음 명령을 포함한다 :
- 수출 FREESURFER_HOME = / 응용 프로그램 / freesurfer /
- 소스 $ FREESURFER_HOME / FreeSurferEnv.sh
참고 :이 명령은 FreeSurfer 폴더 유닉스 시스템의 응용 프로그램 폴더에있는 것으로 가정 한 것입니다. 다른 쉘 환경, 예를 들면 CSH / tcsh에서, 또는 FreeSurfer 웹 사이트에서 운영 체제 (와 설치 방법 FreeSurfer에 대한 자세한 내용이 있습니다 http://freesurfer.net/fswiki/DownloadAndInstall ).
- 다음으로, 제목의 방향을 정의토리는, 출력은 다음 명령을 사용하여 작성 될 폴더, 즉 :
- 수출 SUBJECTS_DIR = / ... / BEM을 /
참고 : 결과는 시스템의 모든 폴더에 기록 할 수있다.
- 수출 SUBJECTS_DIR = / ... / BEM을 /
- 다음, 다음 명령을 사용하여 경계 요소 모델에 대한 MRI 파일이 들어있는 폴더를 작업 디렉토리를 변경 :
- CD / 사용자 / joebathelt / Neurodevelopmental_MRI_database / 어린이 / 뇌 /
참고 : 시스템의 모든 폴더가 cd 명령의 구문을 사용하여 지정할 수 있습니다. 이는 일차 연구자 파일 구조의 일례이다.
- CD / 사용자 / joebathelt / Neurodevelopmental_MRI_database / 어린이 / 뇌 /
- 마지막으로, 다음 명령을 사용하여 복원을 시작합니다 :
- 정찰 - 모든-I <mri_file>-subjid <subject_id>
- 정찰 - 모든 모든 subjid <subject_id>
참고 : 현재 디렉토리에 원하는 MRI 검사의 파일 이름으로 대체해야합니다 <mri_file>. <subject_id>은 대표 될 수있다어떤 이름으로 엮여. FreeSurfer은 대상 디렉토리에이 이름의 폴더를 생성합니다. 사용하는 시스템에 따라, 마지막 명령이 실행되는 데 약간의 시간이 필요할 수 있습니다.
- FreeSurfer 소프트웨어를 설치하려면, 먼저 FreeSurfer 웹 사이트 (에서 다운로드 http://freesurfer.net/fswiki/DownloadAndInstall ). 다음, 쉘 환경이 FreeSurfer을 포함 설정; .. bashrc에 들어 bashrc 파일을에서 다음 명령을 포함한다 :
- 예를 들어, 잘못된 세그먼트의 FreeSurfer 분할을 확인합니다. 중복 분야, 해부학 적 가능성 구획 등. 브레인 스토밍에 세그먼트를 가져 오기 및 GUI에 표시 도구를 사용하여 :
- 브레인 스토밍에서 해부학 창을 선택합니다. 오른쪽 대상을 클릭하고 "가져 오기 해부학 폴더"를 선택하여 분할 된 MRI를 가져옵니다. FreeSurfer 출력과 폴더를 확인이 선택됩니다. 마우스 오른쪽 버튼으로 클릭하고 선택 "디스플레이"시각적으로 분할을 검사합니다. 참고 : 또는 FreeSurfer 명령이 사용될 수있다. 자세한 설명은 FreeSurfer의 웹 사이트에서 찾을 수 있습니다 : http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. 해부학 parcellation에 근거 그 분석의 영역을 원하는 경우, FreeSurfer 함수 mris_ca_label , mri_annotation2label 및 mri_mergelabels가 사용될 수있다. FreeSurfer 간행물 및 더 자세한 정보는 온라인 도움말 페이지를 참조하십시오.
- 세그먼트 해부학 MRI는 FreeSurfer으로 스캔 할 수 있습니다. 참고 : 가장 정확한 결과를 위해, 각 참가자에 대한 개별 MRI 검사에 대한 경계 요소 모델을 기반으로. 이것이 가능하지 않으면, 최대한 참가자들의 나이를 일치 보통 MRI 템플릿이 사용되어야한다. BEM을 24 개월 이하 아이들을 위해 사용할 수 없음을 양해 해 주시기 바랍니다. 경계 요소 모델은 각각의 쉘 (뇌, 두개골, 피부) 폐쇄 껍질로 구성되어 있다고 가정합니다. 그러나, Y에두개골 Young의 어린이 천문은 폐쇄 쉘 가정을 위반하는 폐쇄되지 않습니다.
- 브레인 스토밍의 소스 활동을 예측
- 명령 창에 "브레인 스토밍"를 입력하여 브레인 스토밍을 시작합니다.
- 파일 메뉴에서 새 프로토콜을 선택하여 새로운 프로토콜을 만듭니다.
- 새로운 피사체 추가요법 파일 메뉴에서 새 주제를 선택하여 프로토콜.
- 주제에 마우스 오른쪽 버튼으로 클릭하여 참가자와 "가져 오기 MEG / EEG"을 선택 가져 오기 EEG 데이터.
- 마우스 오른쪽 버튼으로 클릭하고 "가져 오기 채널 파일"을 선택하여 채널 파일을 가져옵니다. 참고 : 채널 파일 소스 재건을 위해 MRI에 정렬 될 필요가있다. 브레인 스토밍은 사용자가 MRI에 표시 할 필요가 4 해부학 적 기준점의 시스템을 사용합니다. 자세한 내용은 (에 대한 브레인 스토밍 자습서를 참조하십시오 http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). 특정 EEG 시스템이나, 이상적으로는, 종래 EEG 기록을 디지털화 한 헤드 위치들이 이용 될 수있는 채널 파일에 의해 정의 된 기준 위치.
- 오른쪽 "주제에 대한 채널 파일을 클릭하고"MRI 등록 "로 이동 : 예상대로 BEM과 채널이 정렬되었는지 확인, "확인합니다. 참고 : 모델 내 분야가 중복되거나 채널이 BEM 내에있는 경우, 소스의 재구성이 잘못된 결과를 생성됩니다. "MRI 분할"메뉴에서 "편집"옵션을 사용하여 정렬을 조정합니다.
- 참가자를 마우스 오른쪽 버튼으로 클릭하여 각 시대의 기준에서 잡음 공분산 행렬을 계산하고 "잡음 공분산 행렬"을 선택하고 "녹화에서 계산". 참고 : 브레인 스토밍 도구 상자의 저자는 짧은 레코딩을위한 대각선 잡음 공분산 행렬 (~ 채널보다 시간 점) 이상 레코딩을위한 하나의 전체를 사용하는 것이 좋습니다. 자세한 내용은 브레인 스토밍 소스 추정 튜토리얼을 참조하십시오 http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
- 제목과 선택 "COMPUT을 마우스 오른쪽 버튼으로 클릭하여 소스 모델을 계산전자 소스 모델 ".
- 대상을 마우스 오른쪽 버튼으로 클릭하여 깊이 가중 최소 규격 추정을 사용하여 "계산 소스"와 "최소 규범 추정"을 선택 역 솔루션을 계산합니다. 주 : 다른 옵션 (dSPM, sLORETA)를 사용할 수 있습니다. 각 옵션은 서로 다른 장점과 단점이 있습니다. 알고리즘은 문헌에서 선험적 고려하고 이전의보고들에 기초하여 선택되어야한다. 다른 사람들이 널리 보급 활성화를위한 더 적합한 반면 또한, 일부 알고리즘은 특정 지역에 초점 활성화를 해결하는 더 있습니다. MNE는 문학 (16) 이전의보고에 기초하여 본 연구에 사용되었다. 일관성을 위해, 역 솔루션 같은 알고리즘은 한 연구에서 모든 참여자를 위해 사용되어야한다. 연구원은 또한 다른 역 솔루션 알고리즘의 응용 프로그램에 강력한 연구 결과는 어떻게 비교 할 수 있습니다.
- 연구 결과에있는 모든 참가자를위한 제 3 반복합니다. 참고 : GRA을 사용 하나phical 배치 인터페이스 또는 참가자에 대한 처리 단계를 반복하는 스크립트. 지시 사항은 브레인 스토밍 문서 (참조 http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript을 ).
- 프로세스 메뉴로 기록을 끌어와 "조건 (대상의 평균)으로" "보통"과를 선택하여 참가자 당 실험을 통해 평균 소스 활동.
- "프로세스 2"를 선택하고 하나의 창에서 각 조건을 드래그하여 조건을 대조. 그런 다음, 디자인에 따라 "테스트"와 "학생의 T-테스트"또는 "학생의 T-테스트 (쌍)"를 선택합니다. "통계 분석"메뉴에서 생성 된 통계지도의 화면에 여러 개의 비교 설정 진폭 및 지역 임계 값을 수행합니다. 참고 : 또는 정품 인증지도는 SPM (에 내보낼 수 있습니다 http://www.fil.ion.ucl.ac.uk / SPM /)보다 심층적 인 통계 분석 ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
- 관심 영역에 대한 이벤트 관련 응답을 계산합니다. parcellation 기반의 ROI를 들어, 해부학 메뉴의 피질 표면에 마우스 오른쪽 버튼을 클릭 FreeSurfer의 parcellation을로드하고 "가져 오기 라벨"을 선택합니다. 해당 파일을 이동하고로드합니다. 이제, 기능 데이터 메뉴의 "스카우트"창에서 투자 수익 (ROI)을 선택합니다.
- 프로세스 1 창에 파일을 드래그하여 ROI 이벤트와 관련된 활동을 입수 소스 메뉴에서 "스카우트 시계열을 추출합니다"를 선택합니다. 참고 : 여러 ROI를 동시에 선택할 수 있으며 ROI 시간 시리즈는 스카우트의 시간을 마우스 오른쪽 버튼으로 클릭 더 음모를 꾸미고, 분석, 추적을 할 수있다시리즈 데이터 및 선택 "Matlab을 내보내기."
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
유아와 어린이를위한 설계 ERP 실험은 종종 있기 때문에 긴 반복적 인 실험 (30)을 허용하는 제한된 용량, 도전하고있다. 정확한 소스 재구성 1. 1 표시에게 아주 어린 아이들과 함께 사용할 수있는면 처리 메커니즘의 조사를 위해 실험 프로토콜을 그림 잡음 비율에 높은 신호를 필요로하기 때문에 실험은, 소스 재건을 적용 할 계획 할 때이 문제는 더욱 악화된다. 패러다임은 아이들이 성인 자원 봉사자 B) 간 자극 간격 후주의 그래버를 추가하여 실험이 더 매력적인 만드는 것보다 안구의 움직임을 제어 덜 수 있기 때문에), 자극 프레 젠 테이션하는 동안 눈을 깜박이고 눈의 움직임을 최소화하도록 구성된다. 눈을 깜박이고 눈의 움직임은 화면의 중앙에주의를 집중하기 위해 곧 자극하기 전에 고정 크로스를 제시하여 제어된다. 또한, 자극의 지속 시간안구의 움직임으로 이미지를 스캔 시간을 최소화하면서 자극을 의식 인식을 할 수 있습니다 500 밀리 초에 설정되어 있습니다. 관심 그래버는 동시 소리와 함께 제시 아동 친화적 인 이미지로 구성되어 있습니다. 다른 주목 그래버 자극의 무작위 선택은 어린이를위한 태스크 흥미를 유지하는데 사용될 수있다. 그것이 아이가 다시 화면 중앙 찾고 모니터링 시스템으로부터 명백한 경우 다음 재판은 실험자에 의해 시작될 수있다. 또, 이야기 청소년 화면으로 참석하는 데 도움이 될 수있다. 그것은 EEG 기록은 아이가 작업을 이해하고 있는지 확인하기 전에 아이들과 함께 작업을 연습하는 것이 도움이된다. 연습 세션에서 얻은 검사 질문이나 점수는 나중에 분석에서 공변량으로 사용할 수 있습니다.
실험에 필요한 반복 횟수를 산출하는 경우, 많은 실험 인한 부주의 오 손실 될 수 있다는 것을 고려하는 것이 중요R 운동 이슈 아이들과 함께 작업 할 때. 경험상, 반복의 필요 수는 성인 연구에 비해 두배 나 참가자의 큰 수를 보충한다. 집중력과 협력은 성인에 비해 어린이 제한됩니다. 작업을 설계 할 때 따라서, 마음에있는 아이들의 특정 요구 사항을 유지합니다. 긴 작업이 중간에 휴식과 짧은 작업을 여러 개의 블록으로 나눌 수 있습니다. 그들은 많은 자극 조건에 대한 충분한 시험을 구하는 것이 필요 장기간 동안 협조 할 수 없을 것 같은 일반적으로 실험에 포함 할 수있는 조건의 수는 매우 어린 아동 작다.
제시된 수치는 6 살짜리 소년 (6 년 3 개월)로 녹화를 기준으로합니다. 머리 모델이 육년의 어린이 (31)의 평균 MRI 템플릿을 기반으로했다. 그림 5는 얼굴 자극에 직면하고 스크램블하는 잠재적 인 응답 (ERP)를 관련 채널 수준의 이벤트를 보여줍니다. 워싱턴 주후방 채널을 통해 ERP의 veform 부정적인 편향과 이후의 광범위한 긍정적 인 편향 다음에 긍정적 인 편향의 예상 패턴을 보여줍니다. 지형, 시간 경과 및 패러다임의 특성에 따라, 이러한 편향은 P100, N1 및 후반 정전압 성분을 나타내는 것으로 보인다. 또한, 초기 부정적인 편향은 스크램블 얼굴에 비해 얼굴 자극에 훨씬 더 크다. 따라서, 얼굴 N170 특정 컴포넌트를 반영 할 가능성이있다. 그림 5의 지형도는 250 ~ 300 밀리 초 사이의 전압 분포를 보여줍니다. 얼굴 상태에서 마우스 오른쪽 occipito - 시간 채널을 통해 최대 음의 전압은 분명하다.
도 6은 표준 성인 헤드 모델 및 나이 적절한 헤드 모델에 기초하여 투사 소스 활동의 통계적 비교를 나타낸다. 소스 재건은 가중 깊이와 경계 요소 모델 (BEM)을 기반으로 한절 3.1 32 브레인 스토밍의 최소 규범 추정 (wMNE) 및 완전 잡음 공분산 행렬. 기본적 MNI Colin27 BEM은 성인 모델로 사용 하였다. 소스 활동은 채널 수준에서 얼굴 특정 응답에 맞춰 250 ~ 300 밀리 초 사이의 시간 평균을했다.
맵은 거짓 발견 비율 (FDR)을 사용하여 다중 비교 보정 얼굴과 얼굴 스크램블 상태 사이 학생 t-시험 비교의 결과를 나타낸다. 결과는 스크램블 얼굴의 조건에 비해 얼굴의 측두엽에 상당히 강한 소스 활성화를 보여줍니다. 나이 적절한 모델을 사용하여 지역화 시간 피질의 복부 표면에 강한 차이에 더 초점입니다. 성인 머리 모델을 기반으로 현지화가 더 분산하고 적정 연령 머리 모델을 기반으로지도에 주로 결석 오른쪽 중간과 측두 이랑에 소스 활동의 차이점을 보여줍니다.
얼굴 인식의 그림 1. 예제 실험은 얼굴의 이미지 나 스크램블 얼굴의 시각적 표현으로 구성되어 폭 넓은 연령 범위에 적합한 실험. 물리적 자극은 동일하지만, 공간 배열은 스크램블 상태에서 무작위된다. 각 시험은 자극 프레젠테이션 중에 눈의 움직임을 최소화하기 위해 고정 십자가의 중앙 프리젠 테이션으로 시작한다. 정착 크로스 증정 기간은 다수의 반복을 통해 유입의 영향을 피하기 위해 무작위 화된다. 자극은 500 밀리 초 지속 시간 동안 표시됩니다. 짧은 기간은 또한 표시 화면 동안 안구 운동의 가능성을 최소화한다. 관심을 잡아 자극은 1 초와 2 초 사이의 임의의 기간에 간 시험 기간 이후에 제공됩니다. 에서특히주의를 그래버는 순서가 아닌 매력적인 재료의 많은 시험에 참석할 가능성이없는 아주 어린 참가자들에게 특히 유용하다. 실험 참가자가 주목 그래버에 응답하여 화면에보고 할 때, 다음 시험을 시작할 수있다.
그림 2. 임계 제거 알고리즘도 흐름. 알고리즘은 설정된 임계치 각 에포크 각 EEG 채널의 최대 값을 비교한다. 채널이 임계 값보다 최대 활동을 포함하는 경우, 채널은 불량으로 표시됩니다. 채널의 20 % 이상이 주어진 에포크에서 나쁜 경우, 에포크는 거절된다. 에폭 제거 후, 각 채널에서 최대 활성은 다시 임계 값과 비교된다. 채널이 모두 신 (新) 시대의 30 % 이상에서 임계 값 위의 활동을 포함하는 경우, 채널이 거부됩니다. 채널의 20 % 이상이이 절차에 의해 거부하거나 조건 당 신 (新) 시대의 50 % 미만이 시대 제거 후 남아있는 경우, 데이터 집합 추가 분석에서 제외해야하는 것은. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3. 빠른 도구 상자 (28)를 사용하여 자동 이슈 수정. 그림은이 문서에서 설명하는 설정 및 처리 파이프 라인과 빠른 도구 상자를 사용하도록 변경해야하는 옵션을 보여줍니다.. 데이터 집합이 이미 2 필터링되어 있기 때문에 1 필터링이 비활성화해야합니다 채널의 수를 조정해야합니다. 이 문서에 사용 된 EEG 시스템은 126 채널을 가지고2 EOG 채널. 3. 시간 문자열의 셀 어레이. 4로 지정 될 필요가 잠금을위한 이벤트 마커. 이벤트 관련 응답 시간 창을 제공해야 할 필요가있다. 이것은 이전 epoching 단계에서 사용 창과 동일이어야한다. 5. 사용자는 독립 성분 분석 (ICA)에 대한 채널을 정의 할 수있다. 대부분의 경우, 이것은 모든 EEG 채널 및 아이 채널 (EOG) 같은 중요한 외부 채널을 포함 할 것이다. 6. 눈 채널의 인덱스가 또한 사용될 EEG 시스템으로 조정될 필요가있다. EEG 시스템 기술의 경우,이 채널 125, 128이 될 것입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
인터넷브레인 스토밍 32. 1 gure 4. 소스 분석. EEG 데이터 세트 및 FreeSurfer 표면을 가져온 후, 경계 요소 모델 (BEM)는 "소스"메뉴를 선택합니다. 2 "계산 머리 모형"을 선택하여 계산 될 수있다. 잡음 공분산 행렬보기 "계산 잡음 공분산"를 선택하여 녹음에서 계산 될 수있다. 기록이 충분히 긴 경우, 센서보다, 즉 더 많은 시점은 전체 공분산 행렬 달리 대각 행렬 권장, 계산 될 수있다. 3. 헤드 모델 및 잡음 공분산 행렬을 계산 한 결과,이 역 용액을 얻는 것이 가능하다. 서로 다른 알고리즘이 사용될 수있다. 최소 규격 추정 (wMNE) 알고리즘 가중 깊이는이 문서를 사용 하였다. 4. 관심 (ROI)의 지역에서 소스 활동의 시간 코스는 "스카우트 시계열의 압축을 풉니 다"F를 선택하여 추출 할 수있다 "소스"메뉴를 롬. FreeSurfer에 자동으로 대뇌 피질의 parcellation에서의 ROI는이 예를 사용 하였다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
시간 채널 occipito 오른쪽에 얼굴 자극에 직면하고 스크램블하는 그림 5. 이벤트 관련 잠재력 응답 (ERP). ERP는 스크램블 얼굴에 비해 얼굴의 오른쪽에 자극 발병 후 130, 220 밀리 초 사이에 부정적인 편향을 보여줍니다. 이러한 속성은 N170 구성 요소 (33)에 대한 이전의보고와 일치합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6. 기본 성인 머리 모형과 적절한 머리 모형 사이의 소스 현지화의 비교. 그림의 맨 윗줄은 평균의 FreeSurfer의 parcellation에 따라 왼쪽과 나이 적절한 머리 모형에 MNI 성인의 경계 헤드 모델 colin27를 보여줍니다 오른쪽 6 세의 아이들을위한 MRI 템플릿. coregistered 전극 위치의 위치도 표시됩니다. 기록은 6 살짜리 소년 (6 년 3 개월)에서 얻었다. 틀린 디스커버리 비율 (FDR)을 사용하여 다중 비교 보정 t-시험에 기초하여 스크램블링 된 얼굴 조건에 비해면에서 MNE 소스 재구성 활성화 맵 간의 통계적 비교의 두 번째 및 세 번째 행의 결과를 보여준다. 컬러 맵은 높은 활성을 나타내는 빨간색 효과의 크기를 보여줍니다얼굴 상태와 스크램블 얼굴 상태에서 높은 활성을 나타내는 파란색. 더 진폭 또는 크기 임계 값이 적용되지 않았 음을 유의하시기 바랍니다. 지역화 성인 BEM에 비해 나이 적절한 헤드 모델을 사용하여 시간적 극의 복부 표면에 더 많은 초점이 나타납니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7. 소스 얼굴에 대한 응답으로 오른쪽 방 추상 이랑의 ERP 및 MNE와 나이 적절한 BEM을 사용하여 6 살짜리 소년 (6 년 3 개월)에서 얻은 기록의 원본 재건을 기준으로 얼굴을 스크램블 소스 ERP 더 보여 들에 비해 얼굴의 조건에 자극 발병 후 250 밀리 초 정도 부정적인 편향crambled는 상태에 직면 해있다. 이 활동은 얼굴의 상태에있는 N170 구성 요소에 대한 권리 방추형 이랑의 기여도를 반영 할 가능성이 높습니다.
| 단계 1.1에 대한 입력 | 기술 | ||
| input_image = imread ( '/ 사용자 / some_user / 이미지 / example.jpeg'); | % 이미지를 읽기 | ||
| gray_image = rgb2gray (input_image); | % 스케일을 회색으로 RGB에서 전송 | ||
| 다른 이름으로 저장 (gray_image, 'grey_image.tiff') | % 새로운 이미지를 저장 | ||
| 단계 1.2에 대한 입력 | 기술 | ||
| 코드 예제 : | |||
| % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % | |||
| %의 객실 | |||
| % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % | |||
| CLC | 작업 공간에서 % 개간 변수 | ||
| 모든 선택을 취소합니다 | |||
| 주변의 모든 | % 낮은 대기 모드로 오디오 드라이버를 설정 | ||
| InitializePsychSound ([0]); | |||
| % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % | |||
| % 변수 | |||
| % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % | |||
| input_folder = 'C : 문서 및 설정 ERP 연구소 사용자는 MATLAB Faces_Houses 내 문서 '; | % 작업 디렉토리를 정의 | ||
| netstation = 1; | |||
| %이 NetStation EEG 기록 소프트웨어와 통신을 토글 | |||
| % 시험의 개수를 정의하는 | |||
| no_of_trials = 80; | % betw 쉬운 휴대를위한 키보드 이름을 통일EEN 유닉스와 PC 버전 | ||
| KbName ( 'UnifyKeyNames') | % Esc 키 프레스에 대한 변수를 정의 | ||
| escapeKey = KbName ( 'ESCAPE'); | |||
| % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % | |||
| %로드 자극 | |||
| % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % | |||
| face_directory = strcat와 ( 'C : 문서 및 설정 ERP 연구소 사용자가 MATLAB Faces_Houses 얼굴 내 문서 '); | % 자극 사진과 함께 폴더를 공급 | ||
| 파일 = DIR (face_directory); | % 모든 그림 자극과 목록을 생성 | ||
| = {files.name를}에 직면; | |||
| 면 (1시 2분) = []; | |||
| 그래버 = DIR ( '/ 사용자 / joebathelt / 보관 / preterm_oddball / 그래버 /'); | </ TD> | ||
| 그래버의 = {grabbers.name}; | |||
| 그래버 (1시 2분) = []; | |||
| grabber_sounds = DIR ( '/ 사용자 / joebathelt / 보관 / preterm_oddball / / 소리'를); | |||
| grabber_sounds = {grabber_sounds.name}; | |||
| grabber_sounds (1시 2분) = []; | |||
| % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % | |||
| % 실험 시작 | |||
| % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % | |||
| 만약 netstation == 1; NetStation ( '연결', '194 .82.245.131 ', '55513') | 기록 소프트웨어 % 동기화 | ||
| NetStation ( '동기화', 10) | 정확도 10 밀리 초 안에 % 동기화 | ||
| NetStation ( 'StartRecording') | % 촬영이 시작 | ||
| 끝 | |||
| % 화면 설정 | |||
| screenNum = 0; | 프리젠 테이션 화면 % 식별 번호 | ||
| % 자극 프레 젠 테이션을위한 창을 정의 | |||
| [display.w, display.rect] = 화면 ( 'OpenWindow', screenNum, 0); | |||
| [WPTR, RECT] = 화면 ( 'OpenWindow', screenNum); | % 마우스 커서를 숨기고 | ||
| HideCursor; | |||
| 블랙 = BlackIndex (WPTR); | % 검은 색으로 배경을 설정 | ||
| 화면 ( 'FillRect에', WPTR, 블랙) | % 텍스트 표시의 글꼴 및 글꼴 크기를 정의 | ||
| 화면 ( '는 TextFont', display.w, '굴림'); | |||
| 화면 ( 'TEXTSIZE', display.w, 32); | <TD>|||
| 화면 ( '텍스트 스타일', display.w, 0); | |||
| no_of_trials : 전 = 1 | |||
| FlushEvents | |||
| 랜덤 = 랜디 (2); | |||
| % 랜덤주의 그래버 사진을 선택 | |||
| attention_grabber = imread (strcat와 (input_folder, '그래버 /', cell2mat (그래버 (랜디 (길이 (그래버)))))); | |||
| [소리, FS, nbits] = wavread (strcat와 (input_folder, '/ 소리', cell2mat (grabber_sounds (랜디 (길이 (그래버)))))); | |||
| audio_handle = PsychPortAudio ( '열기', [], [], 0, FS, 길이 (사운드 (1, :))); | |||
| '= 소리 소리; | % 랜덤주의 그래버 사운드를 선택 | ||
| PsychPortAudio ( 'FillBuffer', audio_handle, 소리); | |||
| % 사운드 프레 젠 테이션을 설정 | |||
| 자극 = strcat와 (face_directory,))) 랜디 (길이 (얼굴 (얼굴) | |||
| 자극 = imread (cell2mat (자극)); | %이 얼굴의 프레 젠 테이션을 randomises과 얼굴을 스크램블 | ||
| 경우 랜덤의 == 2; | % 랜덤 자극의 목록에서 선택한 자극을로드 | ||
| 자극 = 자극 (randperm (길이 (자극 (:, 1))), randperm (길이 (자극 (1, :)))); | |||
| 끝 | 재판이 스크램블 시험 경우에는 %, 자극 행렬을 스크램블링 | ||
| STIM = 화면 ( 'MakeTexture', WPTR, 더블 (자극)); % 자극 | |||
| % 프리젠 테이션에 자극을 준비 | |||
| % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % | |||
| %의 시험 | |||
| % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % % | |||
| %이 부분은 첫 번째 재판에만 관련 | |||
| 내가 == 1의 경우; | |||
| [NX, NY, 상자] = DrawFormattedText (WPTR '를 눌러 시작하려면 아무 키나', '가운데', '중심', [255 255 255]); | |||
| 화면 ( 'FrameRect', WPTR, 0, 박스); | |||
| [VBLTimestamp StimulusOnsetTim] = 화면 ( '플립', WPTR); | 키를 누를 때까지 % 첫 시도에 대해, 텍스트 "를 눌러 시작하는 모든 키는"제시 | ||
| KbWait ([], 2); | |||
| [NX, NY, 상자] = DrawFormattedText (display.w ',', '가운데', '중심', 255); % 빈 화면 | |||
| 화면 ( 'FrameRect', display.w, 0, 박스); | [VBLTimestamp StimulusOnsetTim] = 화면 ( '플립', WPTR); | ||
| 끝 | |||
| % 고정 크로스 | |||
| [NX, NY, BBOX] = DrawFormattedText (WPTR, '+', '가운데', '중심', 255); | |||
| 스크린 ( 'FrameRect'display.w, 0, BBOX); | |||
| [VBLTimestamp StimulusOnsetTim] = 화면 ( '플립', WPTR); | % 정착 크로스로서 화면의 중심에 화이트 플러스 기호를 준비 | ||
| 만약 netstation == 1; | % 고정 크로스를 제시 | ||
| NetStation ( '이벤트', '수정 +', StimulusOnsetTim) 끝 | |||
| % 고정 크로스 프레젠테이션 타임 스탬프와 EEG 기록 소프트웨어 코드 "+ 고침"로 트리거를 보내는 | |||
| 0.15 %와 0.2 초 사이의 임의의 시간에 고정 십자가의 프리젠 테이션 시간을 제한 | |||
| % 자극 | %면 또는 스크램블 얼굴의 자극을 제시 | ||
| 화면 ( 'DrawTexture', WPTR, STIM); | |||
| [VBLTimestamp StimulusOnsetTim] = 화면 (WPTR, '플립'); | |||
| 만약 netstation == 1; | % 타임 스탬프 코드 '얼굴'또는 EEG 기록 소프트웨어 'scra'얼굴 트리거를 전송 | ||
| 만약 랜덤 == 1; | |||
| NetStation ( '이벤트', '얼굴', StimulusOnsetTim) | |||
| ELSEIF 랜덤의 == 2; | |||
| NetStation ( '이벤트', 'scra', StimulusOnsetTim) | |||
| 끝 | |||
| 끝 | |||
| WaitSecs (0.5) | 500 밀리 초 %로 제한 자극의 지속 시간 | ||
| % 빈 화면을 제시 | |||
| [NX, NY, 상자] = DrawFormattedText (WPTR ',', '가운데', '중심', 255); % 빈 화면 | |||
| 화면 ( 'FrameRect', WPTR, 0, 박스); | |||
| [VBLTimestamp StimulusOnsetTim] = 화면 ( '플립', WPTR); | |||
| WaitSecs (1 + 랜드 (1)) | 1, 2 초 사이의 임의의 지속 시간 % 간 시험 간격 | ||
| %주의 그래버 | % 소리와 함께주의 그래버를 제시 | ||
| 화면 ( 'DrawTexture', WPTR, 그래버); | |||
| 소리 = PsychPortAudio ( '시작', audio_handle, 15, 0, 1); | |||
| [VBLTimestamp StimulusOnsetTim] = 화면 ( '뒤집기';, WPTR); | |||
| 만약 netstation == 1; | |||
| NetStation ( '이벤트', 'grbr', StimulusOnsetTim) | % EEG 레코딩 소프트웨어에 관심 그래버에 대한 타임 스탬프와 코드를 보내 | ||
| 끝 | |||
| 키보드의 키를 누를 때까지 %주의 그래버를 제시하고 소리 | |||
| KbWait ([], 2); | |||
| PsychPortAudio ( '정지', audio_handle); | |||
| 화면 ( 'FrameRect', display.w, 0, 박스); | 이스케이프 키를 누를 경우 %, 실험을 중단 | ||
| [VBLTimestamp StimulusOnsetTim] = 화면 ( '플립', WPTR); | |||
| [keyIsDown, timeSecs, keyCode가] = KbCheck; 경우 keyIsDown | |||
| 경우 keyCode가 (escapeKey) | |||
| SCA | |||
| NetStation ( 'StopRecording') | |||
| 반환 | |||
| 끝 | |||
| 끝 | % 실험 끝에 실험을 닫고 EEG 기록을 중지 | ||
| 끝 | |||
| 스크린 ( 'CloseAll'); | |||
| 만약 netstation == 1; | |||
| NetStation ( 'StopRecording') | |||
| 끝 | |||
| 단계 3.1.1 입력 | 기술 | ||
| OUTEEG = pop_eegfilt (INEEG, 0.1, []); | % OUTEEG = EEG 즉, 필터링 한 후 데이터를 저장합니다. 기능 출력 | ||
| % INEEG = EEG 데이터 필터링하기 전에, 즉, 기능 입력 | |||
| 0.1 % : 하이 패스 차단 주파수 | |||
| % [] : 로우 패스 컷오프, 미정의 하이 패스 필터가 요망되고 있으므로 | |||
| 단계 3.1.2 입력 | 기술 | ||
| OUTEEG = pop_eegfilt (INEEG, [], 30); | % [] : 저역 통과 필터가 요구되기 때문에 하이 패스는 정의, 차단 | ||
| 30 % : 저역 통과 차단 주파수 | |||
| 단계 3.1.3의 입력 | 기술 | ||
| OUTEEG = pop_epoch (INEEG, '이벤트', { '얼굴', 'scra'}, [-0.2 0.6]); | % Epoching | ||
| % '이벤트', { '얼굴', 'scra'} : 함수가 시간이 마커를 잠금으로 트리거 이벤트 '얼굴'과 'scra'를 사용하라고되어 있습니다. 이러한 트리거는 얼굴의 발병과 스크램블 얼굴 STI를 표시하기 위해 실험 스크립트에 정의 된mulus 프리젠 테이션 개시. | |||
| % [-0.2 0.6] = 0.6 초까지의 시간 잠금 이벤트 전에 0.2 초에서 ERP에 대한 시간 창 | |||
| OUTEEG = pop_rmbase (EEG, [-0.2 0]); | % 기준선을 제거 | ||
| % [-0.2 0] : 이벤트를 잠금 시간에 시간 잠금 이벤트 이전 기준 시간 창, 즉 0.2 초 | |||
| 단계 3.1.4의 입력 | 기술 | ||
| 기능 [EEG] = threshold_rejection (EEG, 임계 값) | % 함수 정의, 함수는 EEG 데이터 집합의 구조와 μV의 임계 값을 요구한다 | ||
| J = 1:2 | |||
| 에 대한 전 = 1 : 길이 (EEG.data (1,1, :)) | %이 루프는 주어진 EEG 데이터 세트의 모든 신 (新) 시대를 통해 간다 | ||
| 데이터 = EEG.data (:, :, I); | |||
| 데이터 = 데이터 - 평균 (데이터, 2); | % 감산 회E 진폭 변화의 영향을 피하기 위해 활성을 의미 | ||
| 최대 값 = 최대 (ABS (데이터 ')); | % 모든 채널에서 최대 절대 활동을 식별 | ||
| bad_channels = 최대 값> 임계 값; | |||
| channel_rejection (:, I) = bad_channels; | |||
| 경우 합계 (bad_channels)> 0.2 * 128 | 채널의 20 % 이상은 임계 값 이상이다 % 경우, 에포크는 거절을 위해 표시된다 | ||
| epoch_rejection은 (i) = 1; | |||
| 그렇지 않으면 | |||
| epoch_rejection은 (i) = 0; | |||
| 끝 | |||
| 끝 | |||
| 만약 J == 1; | % 나쁜 표시하지 않는 경우에만 신 (新) 시대를 선택 | ||
| EEG = pop_select (EEG, '시험'(epoch_rejection == 0 검색)) | |||
| 그렇지 않으면 | 채널 거부 획기적인 제거 후 신 (新) 시대의 20 % 이상에 나쁜 % 대 채널 | ||
| bad_channels = 평균 (channel_rejection, 2)> 0.2; | |||
| EEG = pop_interp (EEG는 찾아 (bad_channels == 1), '구형'); | % 나쁜 채널 구형 보간을 적용 | ||
| 끝 | |||
| 끝 | |||
| 단계 3.1.5의 입력 | 기술 | ||
| EEG = pop_reref (EEG, []); | %는 보통 기준을 계산 | ||
| 단계 3.2.1의 입력 | 기술 | ||
| 채널 = { 'E84', 'E89', 'E90', 'E91', 'E94', 'E95', 'E96';} % 바로 N170 | % 128 채널 측지 숨바꼭질의 채널 라벨을 이용하여 N170의 응답을 오른쪽 반구 %의 % Occipito 시간적 채널drocel 센서 순 | ||
| EEG = pop_select (EEG, '채널'채널); | % 채널 선택 | ||
| Virtual_channel = 평균 (EEG.data, 1); | % 가상 채널에 개별 채널을 결합 | ||
| 단계 3.3.2의 입력 | 기술 | ||
| N170_peak = 최대 (ABS ((averaged_ERPs (0.13 * SRATE +0.2 *의 SRATE : 0.2 * SRATE +0.2 * SRATE), [], 2)); | μV의 각 참가자에 대한 대기 창에서 % 최대 진폭 | ||
| N170_peaklatency는 = 1000 * (찾아 (averaged_ERP (0.13 * SRATE +0.2 *의 SRATE : 0.2 * SRATE +0.2 * SRATE) == N170_peak) + 0.2 * EEG.srate + 0.13 EEG.srate). / EEG.srate | 밀리 초에서 % 피크 지연 | ||
| N170_mean = 평균 (averaged_ERPs : 0.13 * SRATE +0.2 *의 SRATE : 0.2 * SRATE +0.2 * SRATE), [], 2); | % 평균 진폭 μV |
표 1. MATLAB는 일을 구현하는 명령실험 예 E 및 채널과 소스 레벨에서 고밀도 EEG 레코딩을 분석한다. 테이블면을 구현하는 코드를 요약 VS 얼굴 예 실험 스크램블. 또한, 사전에 원료 EEG를 처리하기위한 코드가 제공된다. 또, 이벤트 관련 응답 채널 레벨 분석 된 파형 특징을 추출하기위한 방법이 도시된다.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
본 기사는 세 아이들을 위해 적당한 표준 ERP 패러다임에 적합한 평균 MRI 템플릿과 깊이가 가중 최소 규범 추정에 따라 경계 요소 모델을 사용하여 대뇌 피질의 발전기의 재건을위한 고밀도 뇌파의 기록 및 분석에 대해 설명합니다. 이 패러다임에서는 얼굴과 스크램블 얼굴의 사진이 표시됩니다. 다른 저자들은 개발 35 얼굴 처리 메커니즘의 개발을 조사이 패러다임을 사용했다. 채널 레벨에서 시간 채널 occipito 권리에 부정적인 편향은 스크램블 얼굴 상태로 얼굴의 조건에 대해 설명합니다. 지형, 대기 시간 및 응답 특성은 N170 성분 (34)과 일치한다. 이전 소스와 동시에 EEG의 fMRI 조사는 방추형 이랑은 N170의 반응의 가능성이 발전기는 것을보고합니다. 현재 분석의 결과는 보여 그 깊이 가중 경계와 소스 반전요소 모델 (BEM)는 개별 참가자의 수준에 얼굴 스크램블 얼굴 패러다임의 방 추상 이랑 소스 활동을 지역화하는 데 사용할 수 있습니다. 개별 참가자의 해부학이나 연령에 적절한 사용에 따라 머리 모델의 사용은 각각의 해부학을 사용할 수있는 개발 연구를위한 해부 검사를, 평균 가장 정확한 소스 현지화 2를 수 있습니다. 또한, 관심 영역은 특정한 피질골 영역의 이벤트에 관련된 응답을 조사하기 위해 해부 지식 또는 자동 parcellation 알고리즘을 기반으로 식별 될 수있다.
소스 재건에 몇 가지 제한 사항이 순간에, 특히 개발 샘플에 있습니다. 첫째, 서로 다른 연령 그룹에 대한 평균 템플릿을 기반으로 소스 재건은 개인이 반드시 특히 환자 그룹에서, 그렇지 않을 수도 있습니다 그들의 연대기 나이에 대한 일반적인 두뇌 발달을 표시한다고 가정합니다. 에예를 들어, 다양한 연구는 자폐증 (37) 조기 (36) 또는 자녀 출생 아동의 뇌 성장에 불규칙한 궤적을 설명했다. 이들의 해부학 적 차이 역 용액 및 비정형 및 일반적인 대조군 사이의 비교의 편의 결과의 정확성에 영향을 미치는 방법을 추정하기 어렵다.
둘째, 경계 요소 모델 (BEM) 등 앞으로 모델은 회색과 흰색 물질의 차이, 예를 들면, 구획 내에서 전도성 비균질성을 포함하지 않습니다. 피질 소스에 대한 정확성은 따라서 제한됩니다. 소스 솔루션은 그 이유에 대해 대뇌 피질의 소스에 제한되었다. 유한 요소 모델은 피질 발생기의보다 정확한 해결책을 위해 적용될 수있다. 피질에 제한 솔루션으로, 그것은 대뇌 피질의 영역에서 활성화가 기본 피질 원인 메커니즘, 예를 들어, 시상 루프를 통해 피드백 통신을 반영 할 수 있음을 염두에 두어야하는 것이 중요합니다.더 복잡한 모델이 현재 일반적인 성인 해부학, 예를 들어, 동적 인과 모델링 (38, 39)에서만 사용할 수 있습니다 그 사용하지 않는 따라서 대뇌 피질 영역의 참여에 대한 인과 관계 추론이 제한됩니다.
또한, 경계 요소 모델은 각 구획에 대한 폐쇄 껍질을 가정합니다. 그러나 젊은 유아는 두개골 뼈 사이의 봉합이 완벽하게 15을 병합되지 않습니다 자신의 두개골에있는 약한 마음을 가지고. BEM의 가정이 위반이 심각한 2 세 미만의 유아에 BEM을 가진 소스 재건의 적용을 제한한다. 유한 요소 모델은 이러한 연령 범위에서 소스 재건을 위해 사용될 수있다.
셋째, 연령 적절한 헤드 모델은 소스 재구성을 위해 사용했다하더라도, 성인 샘플에 근거 전도도 값이 각 구획 내에 도전성을 모델링하는 데 사용 하였다. 그러나 조직의 전도도는 예를 들면, 개발 변경 될 수 있습니다.를 통해뼈의 밀도가 15 증가한다. 인간의 유아와 어린이를위한 BEM을 사용 조직 유형에 대한 전도도 값은 현재 우리의 지식을 사용할 수 없습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
이 기사에 대한 출판 비용은 전기 측지선, 주식 회사가 후원했다
Acknowledgments
우리는 우리에게 발달 MRI 데이터베이스와 도움이 토론에 대한 액세스 권한을 부여하기위한 교수 존 리차드, 사우스 캐롤라이나 대학교, 감사드립니다. 우리는 또한 우리의 출자자 그레이트 오르 몬드 스트리트 어린이 자선, UCL 영향 및 그랜드 도전에게 감사의 말씀을 전합니다.
Materials
| Name | Company | Catalog Number | Comments |
| High-density EEG sensor net (128 or 256 channels) | HydroCel Geodesic Sensor Net 128 | Electrical Geodesic Inc., Oregon, US | |
| EEG high impendance amplifier | NetAmps 200 | Electrical Geodesic Inc., Oregon, US | |
| Data Acquisition Computer | PowerMac G4 | Apple Inc, California, US | |
| Stimulus Presentation Computer | Optiplex 745 | Dell Computers Inc., Texas, US | |
| Stimulus Presentation Software | MATLAB R2012b with PsychToolBox | Brainard et al. 1997 | |
| EEG recording software | NetStation 4.5.1 | Electrical Geodesic Inc., Oregon, US | |
| EEG analysis software | MATLAB R2012b | The Mathworks Inc. | |
| EEGLAB | Delorme et al. 2004 | ||
| BrainStorm | Sylvain et al. 2001 | ||
| MRI processing software | FreeSurfer | Fischl et al. 2004 | |
| OpenMEEG | Gramfort et. al. 2010 | ||
| Delorme, A., & Makeig, S. EEGLAB: an open source toolbox for analysis of single trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21, (2004). | |||
| Sylvain, B., John, C., Dimitrios, P., & Richard, M. Brainstorm: A User Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 1–13, (2011). | |||
| Fischl, B. et al. Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22, (2004). | |||
| Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45, (2010). | |||
| Brainard, D. H. The psychophysics toolbox. Spatial vision, (1997). | |||
References
- Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
- Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
- Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
- Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. 7 Tesla MR Imaging: Opportunities and Challenges. RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).
- Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
- Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
- Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
- Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
- Nelson, C. A., McCleery, J. P. Use of Event-Related Potentials in the Study of Typical and Atypical Development. Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).
- Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. EEG source imaging. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).
- Bathelt, J., O'Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings. NeuroImage. 82, 595-604 (2013).
- David, O., Cosmelli, D., Friston, K. J. Evaluation of different measures of functional connectivity using a neural mass model. NeuroImage. 21 (2), 659-673 (2004).
- Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
- Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
- Richards, J. E. Localizing cortical sources of event-related potentials in infants' covert orienting. Developmental Science. 8 (3), 255-278 (2005).
- Hauk, O. Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data. NeuroImage. 21 (4), 1612-1621 (2004).
- Pascual-Marqui, R. D., et al. Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia. Psychiatry Research. 90 (3), 169-179 (1999).
- Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology. 24 Suppl D. , 5-12 (2002).
- Phillips, C., Rugg, M. D., Friston, K. J. Systematic regularization of linear inverse solutions of the EEG source localization problem. NeuroImage. 17 (1), 287-301 (2002).
- Yao, J., Dewald, J. P. A. Evaluation of different cortical source localization methods using simulated and experimental EEG data. NeuroImage. 25 (2), 369-382 (2005).
- Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods. Clinical Neurophysiology. 116 (1), 18-24 (2005).
- Tenke, C. E., Kayser, J. Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).
- Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
- Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What's new in Psychtoolbox-3. Perception. , (2007).
- Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
- Chaste, P., et al. Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait. Biological Psychiatry. 74 (8), 576-584 (2013).
- Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
- Nolan, H., Whelan, R., Reilly, R. B. FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. 192 (1), 152-162 (2010).
- Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
- DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
- Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Developmental Psychobiology. 54 (1), 77-91 (2011).
- Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A user-friendly application for MEG/EEG analysis. Computational Intelligence and Neuroscience. 2011, 879716 (2011).
- Haan, M., Johnson, M. H., Halit, H. Development of face-sensitive event-related potentials during infancy: a review. International Journal of Psychophysiology. 51, 45-58 (2003).
- Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
- Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. ERP evidence of developmental changes in processing of faces. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).
- Ment, L. R., et al. Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence. PEDIATRICS. 123 (2), 503-511 (2009).
- Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
- Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
- Daunizeau, J., David, O., Stephan, K. E. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. NeuroImage. 58 (2), 312-322 (2011).
