Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Behavior

高密度的脑电图记录在儿童的皮质来源分析

doi: 10.3791/51705 Published: June 30, 2014

Summary

近年来,出现了在估计头皮测量电活动的认知神经科学实验的皮质来源的兴趣日渐浓厚。本文介绍了如何高密度脑电图是从2岁在伦敦婴儿实验室采集和录音如何处理孩子的皮质来源的估计。

Abstract

脑电图是传统描述为具有高时间和低空间分辨率的影像学技术。在生物物理建模和信号处理的最新进展使人们有可能利用从类似结构的MRI能够提供高空间分辨率来克服这个限制1其他成像方式的信息。这对于那些需要高解析度的时间和空间域的研究特别有用。此外,由于应用方便和脑电图记录的成本低,脑电图往往是首选的方法,与人群,如幼儿,不容忍功能性磁共振成像扫描工作顺利。然而,为了调查哪些神经基础是从结构的MRI介入,解剖信息还是需要的。大多数脑电图分析软件包与基于成人解剖学标准头型号。这些模型用于儿童时的精确度是有限的2,因为合作mposition和头部的空间构型组织中的变化较显着的发展。3。

在本文中,我们提供基于单个结构MRI扫描或特定年龄头部模型重建高密度的脑电图皮质发电机在利用头部模型我们近期工作的概述。本文介绍如何脑电图记录被收购,加工,并与儿童人群在伦敦婴儿实验室,包括实验室的设置,任务设计,脑电图预处理,MRI检查处理,和EEG通道的水平和来源分析分析。

Introduction

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

美国总统奥巴马所描述的人类大脑的科学发现与高度重视对健康和经济3(http://www.whitehouse.gov/share/brain-initiative)的下一个前沿领域。然而,像在自然科学的其他领域,神经科学依赖于方法和分析技术的进步进步。在大约在人类脑功能研究两种常用的非侵入性工具是磁共振成像(MRI)和脑电图(EEG)。这些工具利用不同的物理属性,并提供不同的见解与独特的优点和缺点大脑功能。 MRI使用的磁场内的水分子的磁特性,得到生物体组织的图像。受试者需要被放置在具有高磁场强度的磁体。在这个过程中参与者的运动受到限制,参与者必须容忍造成的磁快速变化的噪声场。除了结构图像,核磁共振也提供了衡量改变血液氧合研究脑功能成像(fMRI)的可能性。综上所述,MRI可提供高达0.5 立方毫米与现代高科技领域的扫描仪和优化参数4相对较高的空间分辨率。与此相反,功能磁共振成像的时间分辨率是有限的BOLD响应,其中仅间接反映神经活动5,6的高时间动态的慢动力学。

另一方面,脑电图测量通过放置在头皮上的电极所造成的神经元活性的改变的电活动。在脑电图技术的最新进展允许快速和方便的应用传感器的短期或长期的,固定的,以及动态的录音。因为脑电图的限制较少,它也是首选的某些参与者群体不容忍MRI环境中以及类似的方法儿科和某些老人科及精神科的人群。脑电图的特性显示出逆图案的那些核磁共振:时间分辨率是非常高的精确到毫秒,但其空间分辨率是有限的。电电流通过不同组织中的发电机和EEG电极之间的头皮的表面上。这导致混合并称为容积传导效应源活动的空间拖尾现象。因此,通过在电极上的头皮的表面上测得的活性反映了来自这可能是遥远的电极上的头1,7的位置多个源活性。

近年来大量的工作一直致力于MRI和脑电图的合并,以发挥各自的长处。工作的一号线是专门为同时采集脑电图和MRI的功能研究。另一种方法是使用由结构的MRI提供的空间信息来采取的卷C的账户onduction效果通过生物物理建模。对于脑电图记录的源重建利用结构信息是涉及儿童人群的研究特别有用。脑功能的发展的调查是了解如何复杂的认知技能是建立在简单的前体8顶。

这些调查有助于突出变化的神经基质和反应特性与变化,行为表现相关。但是,在开发过程中脑功能和认知的调查也带来了特殊的挑战。尤其是,这个机会对于功能性磁共振成像研究有限,因为让小孩和婴儿要么是睡着了还是镇静获得的MRI数据,而无需移动文物和参与者身心健康的负面影响。此外,脑电图是由父母,这让研究参与者的招聘更容易被认为是风险小,微创。 Ŧherefore,脑电图是首选幼儿大脑功能的许多调查的方法。在脑电图系统方法论的进步使高密度电极阵列具有128个或更多的渠道分钟内的应用。易于应用及穿着的舒适性是足够的,甚至允许脑电记录中最年轻的婴儿。然而,很多研究人员也不能只关心响应特定刺激的时空动态,也想比较介导的反应的神经基础。

在比较不同年龄组通道电平的ERP分析的普遍假设是相同的神经反应底物,但该时间或响应幅度的跨时代9有所不同。类似头皮地形经常被用来作为类似相关的神经活动的指标。然而,许多不同的源的配置可能会导致类似的头皮地形10。通过应用源估计,这uncertainty可以减小和量化。观测值的独立性是对脑功能的网络帐户的关键:如果源混合时,相关性会偏向更高的本地连接。源重建可应用于减少这种偏差11。可替换地,可以用于连接分析在定时和相位的差异,但这些数学模型要求是很难在非模拟的数据12,以评估假设。综上所述,源估计提供了额外的信息,以建立在有关解剖学和组织的生物物理特性通道水平脑电图和ERP分析。

不同的算法已经制订找到解决逆问题。这些算法大致可分为两类:参数和非参数13。参数模型假定一个或多个偶极子,可能在位置,方向和强度有所不同。与此相反,非参数模型含有多种呐大量偶极子与固定的位置和方向。在这些模型中,头皮电活动被解释为激活的在固定偶极子10,13,14的组合。非参数,分布源模型可以建立在有关解剖学和电导率在不同介质中。边界元模型结合电导率值的头部与不同的炮弹对大脑,脑脊髓液,和颅骨的主要组织。这是基于这样的假设电导率为每个隔间内大多不变,但显着的变化发生在不同的隔室的边界。有限元模型基础上,进一步细分MR扫描成灰质和白质,使电导率值可以分配给每个像素15。

在实际应用中,非参数化模型是用于重建源特别有用的复杂认知任务,其中所涉及的区域的数量可不知道10。边界元模型是最广泛使用于目前的文献,可能是因为更准确的有限元模型构成比较高的计算需求。此外,还有在灰质和白质相当大的个体间变异,使前端模块,应根据个人的MRI扫描。

非参数化模型需要匹配的头皮测定活性的正向模型的预测的第二步骤。再次,不同的方法具有不同的优点和缺点已经在文献中讨论的(参见Michel 等人,2004年为一个概观)。最广泛使用的算法是基于最小范数估计(MNE),其中头皮测量活动相匹配,以最低的总强度16的正向模型中的电流分布。跨国公司偏向疲弱和肤浅的来源。深度加权跨国公司算法试图通过引入权重降低表面偏置基于数学假设10矩阵。被广泛使用的LORETA方法也是基于加权跨国公司,但另外减少源的拉普拉斯算子,从而导致更顺畅的解决方案17,18。 LORETA已被发现表现最佳的单一来源的模拟研究19,20。然而,LORETA可能会导致过度的解决方案的平滑。深度加权MNE优选当来源是未知的或多个源可能是存在13,16。比较不同算法的结果来评估不同的模型假设的影响,建议。

综上所述,通过建模方法来源重建一直局限于儿童,直到最近。这是因为大多数脑电信号分析软件基于成人解剖,大大限制了孩子2,8源码解决方案的准确性依赖于头部模型。廉价获得的计算能力和提供源重建用户友好的软件使其能够克服这些限制。应用源估计到脑电提供基于单独通道水平的观察分析以上两个重要的优点:提高了空间分辨率和观测独立性。

源估计可能不翔实在某些情况下:头的良好覆盖,需要区分来源。具有128或更多个电极的高密度系统被推荐10,15;一个稀疏的覆盖面将作为一个空间滤波器导致更广泛的传播源的激活或假阴性结果10。此外,根据本文所述的方法源重建已被发现的皮质发电机。因此,不太适合约皮层下基底或皮质皮质下的相互作用假设检验。最后,源代码分析,应根据有关皮质基底详细的事先假设,同时现有的文献从其他成像方式考虑。空间滤波技术也可用于通过降低头皮上的电平的空间混合,以改善脑电图信号的空间分辨率。替代方法来减少无头造型容积传导效应的影响被使用, 例如 ,拉普拉斯滤波21或电流源密度分析22。但是,这些方法不提供有关神经发生源的详细信息,如体积传导效应不仅局限于传感器紧密的空间接近1。

在下面的章节中,本文介绍了如何为实验和脑在2岁以下的儿童认知功能的调查是在伦敦婴儿实验室设计的。接着,脑电图数据采集与孩子高密度低阻抗系统进行了讨论。然后,脑电图预处理和分析上的声道电平提出。 LastlY,本文侧重于结构MRI数据皮质来源的重建和源电平信号的分析处理。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

儿童1。设计脑电图与事件相关电位实验

注:一个简单的实验是专为这篇文章可用于研究人脸处理幼儿的目的。下面的章节将描述实验,并解释如何利用MATLAB R2012b和Psychtoolbox V3.0.11 23,24来实现它。被用于这个例子从NimStim组情绪面部表情25拍摄的照片。根据要求这种刺激是一套可用于研究目的( http://www.macbrain.org/resources.htm )。

  1. 传输将RGB图像灰度,以减少刺激之间的差异。 见表1注:这些命令需要的图像处理工具箱( http://www.mathworks.co.uk/products/image/ )。替代品可能会发现吨hrough的文件交换( https://www.mathworks.co.uk/matlabcentral/fileexchange )。
  2. 用实验控制软件来实现的实验使用的一系列命令( 见表1中的示例)刺激呈现触发器精确定时。

2,数据采集

  1. 确保儿童是舒服的测试环境。让年幼的孩子坐在他们的照顾者的膝盖上或在一个舒适的儿童座椅。让孩子看得见,摸得着的传感器网络应用到孩子的头之前。如果有多余的网,有​​家长也试一上,或放置一对玩偶或毛绒玩具。
  2. 测量最大头围来选择对孩子正确的净尺寸。用尺量,并将其抱到鼻根。然后头部周围的测量周围的最大周长(〜1厘米INION以上)。注意:保持测量头围和记录用于日后分析26传感器网。它帮助,如果父母头上还测得让孩子更舒适的局面。
  3. 识别头部的顶点在鼻根和INION和左和右耳部点之间的中点的距离的交叉点。标志着这点与中国的笔,以确保顶点通道应用时净值正确定位。
  4. 适用于传感器网络,并确保关键通道与解剖标志(鼻根,INION,顶点和左/右乳突)对齐。注:为了获得最准确的结果,在头部通道的位置可以被数字使用特殊的数位化设备获得的。希望获得传感器的位置研究者应参阅相应的硬件和软件手册。另外,该承担的电极安置标准解剖沿兰电极地图dmarks都可以使用。这些地图可以被扭曲为在分析部分所述的年龄适当的头部模型。
  5. 确保渠道有通过分别定位传感器与头皮接触良好;轻轻扭动每个传感器从一侧到另一侧移动的头发出的方式。
  6. 测量信道增益和通道阻抗。点击“开始”,开始记录在NetStation的脑电记录软件,并开始增益和阻抗测量。如果测量不自动启动,使用“校准放大器”和“测量阻抗净”按钮。
  7. 检查录音软件渠道阻抗大于50KΩ将出现红色的高。用移液管,以降低通道阻抗应用额外的电解质溶液。检查脑电图显示屏,显示频率高的活性,尽管比周边通道(扁线通道)低阻抗或明显少活动的渠道。这些信道可以甲肝e为头皮和需要调整接触不良。
  8. 为了脑电图制备过程中让孩子舒适,让孩子听音乐,看年龄适当的卡通或使用其它实验者转移他们的注意力, 例如 ,吹肥皂泡的幼儿。

3。分析

  1. 预处理
    1. 数字滤波器,一个高通滤波器的数据用切断在0.1赫兹,除去信道漂移27(表1)。
    2. 对ERP的分析,应用低通滤波器,截止于30赫兹27( 表1)。
    3. 根据录制过程中设置的触发代码划时代的连续数据。对于大多数实验中,使用前200毫秒的基线刺激呈现和600毫秒后刺激间隔,以支付利息( 表1)的时间间隔。
    4. 删除包含移动或闪烁文物时代:标记C具有峰值hannels峰值幅度大于150毫伏 - 调整这个阈值取决于参与者组和数据质量。为了保持一致性,使用相同的阈值在一项研究中所有参与者。如果一个信道是高于此阈值的时期的30%以上,取出通道(通道活性可以从周围的通道内插,如果这些含有可接受的数据)。如果通道的20%以上都被标记为坏的时代,取出时代。如果信道的20%以上是由算法或拒绝历元的低于50%被保留,考虑从进一步的分析( 表1)取出数据集。
      注:百分比阈值时代和信道抑制是大概的数字是消除我们的经验噪音足量。神器在记录的金额有可能使用其他参与者组,实验范式或脑电图系统是不同的。实验者可能要调整的百分比阈值,并检查它们是否满意的神器拒绝。另外,实验者可以拒绝包含神器通过目视检查试验。
    5. 再参照平均参考减去平均活动横跨从每个通道( 表1)信道。注意:该顶点电极通常用作在NetStation的记录参考。
  2. 神器修正的独立成分分析
    1. 将数据导入到更快的工具箱28和运行上的数据自动神器抑制算法( 表1)。
    2. 使用图形用户界面(GUI),用于速度更快;打开GUI,类型FA​​STER_GUI进入命令行模式。
    3. 取消选择的过滤菜单中的过滤选项作为数据已经在悬置前过滤。
    4. 指定的信道数:126脑电图频道与2 electrooculagram(EOG)频道。
    5. 输入用于悬置的数据作为一个单元阵列的串标记。对于所提出的情况下,输入:{'面子','涉农供应链'}为面和炒脸上的条件。
    6. 选择频道的独立成分分析(ICA)。通常情况下选择所有记录通道,包括。外部非脑电图渠道。
    7. 指定在GUI的右窗格中的输入和输出文件夹。
    8. 选择录音相应的频道文件。注:通道的文件的大部分EEG系统可以是从制造商处下载,或者可以从EEGLAB网站下载。
    9. 点击RUN启动更快的处理速度。取决于记录和文件的数目的长度,这样的处理可能需要几个小时。
    10. 目视检查记录,独立成分地图和ERP的处理后。
  3. 事件相关电位数据的通道电平分析
    1. 结合几个渠道,形成一个虚拟的CHANNEL具有更好的信噪比( 表1)。注:渠道的选择应根据文献或先验假设以前的报告。这表明在给定的时间窗口中的最高振幅选择信道是不建议29。
    2. 获得类似的峰值幅度的措施,是指振幅和峰潜伏期表征的波形和进行统计检验( 表1)。
  4. 建立边界元模型(BEM)
    1. 段解剖MRI扫描与FreeSurfer。注:为了获得最准确的结果,基部边界元模型对单个MRI扫描每个参与者。如果这是不可行的,参与者的年龄匹配尽可能平均MRI模板应该被使用。请注意,BEMS不能被用于24个月以下的儿童。边界元模型假定每个壳(脑,头骨,皮肤)由一个封闭的外壳。然而,沿y翁荣南孩子的囟门在头骨不是封闭的,这违反了封闭外壳假设。
      1. 为了安装FreeSurfer软件,首先从FreeSurfer网站(下载http://freesurfer.net/fswiki/DownloadAndInstall )。接下来,设置shell环境包括FreeSurfer;对于bashrc中,包括在bashrc文件下面的命令:
        1. 导出FREESURFER_HOME = /应用/ freesurfer /
        2. 来源$ FREESURFER_HOME / FreeSurferEnv.sh
          注意:这些命令假定FreeSurfer文件夹是在Unix系统上的应用程序文件夹。有关于如何设置FreeSurfer更多的细节与替代shell环境, CSH / tcsh中,或FreeSurfer网站上的操作系统( http://freesurfer.net/fswiki/DownloadAndInstall )。
      2. 接下来,定义主题方向托里,即输出将被写入使用以下命令的文件夹:
        1. 出口SUBJECTS_DIR = / ... / BEMS /
          注意:结果可能会被写入到系统上的任何文件夹。
      3. 接下来,工作目录更改为包含使用以下命令为边界元模型的MRI检查文件的文件夹:
        1. CD /用户/ joebathelt / Neurodevelopmental_MRI_database /儿童/脑/
          注:在系统上的任何文件夹可以使用cd命令的语法来指定。这是主要的研究人员的文件结构的一个例子。
      4. 最后,使用以下命令启动重建:
        1. 重建全我<mri_file>-subjid <subject_id>
        2. 重建全全subjid <subject_id>
          注意:需要更换与所需的MRI扫描的在当前目录中的文件名<mri_file>。 <subject_id>可以代表股价与任何名称。 FreeSurfer将在主题目录下创建一个文件夹,此名称。根据所使用的系统上,最后一个命令可能需要一些时间来执行。
    2. 检查FreeSurfer分割不正确的分割, 例如 。重叠的领域,解剖学上不可能车厢 。通过导入段到头脑风暴,并使用显示工具在GUI中:
      1. 在头脑风暴中,选择解剖窗格。通过右键单击对象并选择“导入解剖文件夹”导入分割MRI检查。确保该文件夹与FreeSurfer输出被选中。通过右击并选择“显示”检查分割视觉。注意:可替换地,可以使用FreeSurfer命令。详细说明可在FreeSurfer网站上找到: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction。如果感兴趣分析的基础上解剖土地分割区域是理想,FreeSurfer功能mris_ca_labelmri_annotation2labelmri_mergelabels都可以使用。请参阅FreeSurfer出版物和在线帮助页以获取更多详细信息。
  5. 估计在头脑风暴的源活动
    1. 通过在命令窗口中键入“头脑风暴”开始头脑风暴。
    2. 通过从文件菜单中选择新建协议创建一个新的协议。
    3. 添加一个新的主旨ECT的协议通过从文件菜单中选择新建主题。
    4. 进口脑电图数据,关于这一问题的参与者通过右键单击并选择“导入MEG / EEG”。
    5. 通过右键单击并选择“导入通道文件”导入声道文件。注:通道文件需要对齐MRI对源重建。头脑风暴使用的用户需要在MRI,以纪念4解剖参考点的系统。请参阅教程脑力激荡更多信息( http://neuroimage.usc.edu/brainstorm/CoordinateSystems )。作为一个特定的脑电图系统或理想情况下,可以使用进行了数字化的EEG记录之前,该头的位置所定义的信道文件的标准位置。
    6. 检查边界元法和渠道调整预期:右键单击通道文件为主体,并导航到“MRI注册”和“;检查“。注意:如果模型中的领域重叠,或者如果通道边界元法中,源重建会产生不正确的结果。通过使用“编辑”选项中的“MRI分割”菜单中调整对齐。
    7. 选择“噪声协方差矩阵”和“从拍摄计算”通过右键单击参与者来自各个时代的基线计算噪声协方差矩阵和。注:头脑风暴工具箱的作者建议使用短录音对角线噪声协方差矩阵(〜比渠道较少的时间点)和一个完整的一个用于较长的录音。请参阅头脑风暴源估计教程的详细资料: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation
    8. 通过右击计算源模型上的主题,然后选择“COMPUT辰源模式“。
    9. 使用深度加权最小模估计通过右击对象并选择“计算源”和“最小模估计”计算的反解。注:其他选项(DSPM,sLORETA)可供选择。每个选项都有不同的优点和缺点。该算法应该基于先验的考虑和以前的报告在文献中进行选择。此外,一些算法是在某些领域解决焦活化较好,而另一些更适合于广泛的活化。跨国公司用于此研究的基础上文献16以前的报告。为了保持一致性,应采用在一项研究中所有参与者的相同算法进行逆溶液。研究人员还可能需要比较​​强劲的结果如何是不同的逆解算法的应用。
    10. 重复第3节研究中的所有参与者。注意:无论是使用梯度PHICAL混油界面或脚本重复处理步骤的参与者。看到头脑风暴文档说明( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript )。
    11. 每多参加试验的平均源活动通过拖动录音过程菜单并选择“一般”和“按条件(须平均)”。
    12. 通过选择“过程2”和拖动每个条件在一个窗口中对比的条件。然后,选择“测试”和“学生t-检验”或“学生t检验(配对)”根据设计。要在生成的统计图中的“统计”菜单中的显示进行多重比较,设置幅度和面积阈值。注:另外,在激活图可以导出到SPM( http://www.fil。ion.ucl.ac.uk / SPM /)进行更深入的统计分析( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK“http://neuroimage.usc.edu/brainstorm/ExportSpm12”) 。
    13. 计算的感兴趣的区域中的与事件相关的响应。对于基于土地分割的ROI,加载FreeSurfer土地分割右击皮质表面解剖菜单,选择“导入标签”。浏览相应的文件并加载它。现在,选择在功能数据菜单中的“侦察兵”窗格中的投资回报率。
    14. 获得通过拖动文件到程序1窗口中的投资回报率事件相关的活动,然后从源菜单中的“童军提取时间序列”。注:有几个投资回报可同时选择和投资回报率的时间序列可以导出为进一步绘制和分析右击侦察员​​时间系列数据并选择“导出到Matlab的”。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

设计的ERP实验婴儿和儿童往往是具有挑战性的,因为他们的能力有限忍受长期反复的实验30。当实验者计划申请源的重建,因为准确的来源重建将需要高信噪比1, 图1显示一个实验性协议,可以用非常年幼的儿童使用面处理机制,调查这个问题进一步恶化。该模式适用于a)在刺激呈现减少眨眼和眼球运动,因为孩子会少一些能够控制眼球运动比成年志愿者b)作出的刺激间间隔后加注意采集卡的实验更吸引人。眨眼和眼球运动是由以提请注意屏幕中央呈现一个注视点刺激前不久控制。此外,刺激持续时间被设置为500毫秒,这使得激励的意识知觉,同时最小化时,用于扫描与眼球运动的图像。注意采集包括提出了一个同步的声音一个孩子友好的形象。随机选择不同的关注焦点的刺激,可用于保持任务有趣的孩子。接下来的试验可以由实验者被启动,当很明显从该儿童是看着屏幕的中心再次监测系统。此外,故事可以用来帮助年龄较大的儿童参加到屏幕上。它往往是有益的练习任务,带着孩子前的脑电记录,以确保孩子明白任务。在练习赛中获得的筛选问题或成绩可以作为后面分析的协变量。

当计算所需的实验的重复次数,这要考虑到重要的是,许多试验可能会由于疏忽ø丢失ř运动伪影与儿童工作的时候。作为一个经验法则,重复的必要的数量应比成人的研究一倍或招募参与者数量较多。相比于成年人的注意力和合作是有限的儿童。因此,在设计任务的时候让孩子们的心目中的特定需求。一项艰巨的任务可以分解成与休息之间较短的任务数块。典型地,该条件可以被包括在实验中的数量是非常年幼的孩子更小,因为它们将不能够为需要取得足够的试验对许多刺激条件下的长时间进行合作。

提出的数字是根据在记录一个6岁的男孩(6岁3个月)。头部模型是基于6岁儿童31平均核磁共振模板。 图5显示了在通道级别的事件相关电位反应(ERP)面对和炒脸上的刺激。佤族在ERP的veform后多渠道显示了积极的偏转后负偏转和随后的广泛积极偏转的预期模式。根据地形,时间进程和模式的性质,这些偏差都可能代表的P100,N1和晚正电位的组成部分。进一步,早期的负偏转是显著较大的人脸的刺激相比,加扰的面孔。因此,它很可能反映了脸特定N170组件。 图5中的地形图中示出250和300毫秒之间的电压分布。负电压,最大超过在faces条件右枕颞渠道是显而易见的。

图6显示了基于标准的成人头部模型和年龄相称的头部模型预测源活动的统计比较。来源重建是基于边界元模型(BEM)与深度加权最小范数估计(wMNE)和全噪声协方差矩阵的头脑风暴诉3.1 32。默认MNI Colin27 BEM用作成人模式。源酶活性均随着时间的推移250和300毫秒之间与通道电平脸特定的反应一致。

该图显示的面孔和炒面条件修正之间的学生t检验比较,使用虚假的发现率(FDR)多重比较的结果。结果表明显著强源激活过的相比,炒面条件脸上的颞叶。使用年龄合适的模型的定位更聚焦与上颞叶皮层的腹面巨大分歧。基于成人头部模型定位更分散,并显示在右侧内侧和颞上回,那几乎是没有根据年龄适当的头部模型在地图上的源活动的差异。

图1

图1例人脸知觉的实验适合在很宽的年龄范围的实验由脸的图像或炒面的视觉呈现。刺激是物理上相同,但空间排列是随机的扰频状态。每次试验用固定十字中心介绍开始在刺激呈现减少眼球运动。固定交叉介绍的持续时间是随机的,以避免夹带的影响,在多个重复。刺激呈现超过500毫秒的持续时间。时间短也尽量减少眼球运动的演示文稿窗口中的机会。 1秒,2秒之间的随机时间跨试用期后的瞩目刺激呈现。在该张力采集是非常年轻的参加者表示不太可能出席在序列非接合材料的许多试验中特别有用。通过实验可以开始下一个试验中,当参与者正在屏幕上响应于所述关注焦点。

图2
图2流程图的门槛排斥算法 。该算法每脑电图信道的最大在每个历元到一组阈值进行比较。如果一个信道包含高于阈值的最大活性,该通道被标记为坏的。如果通道的20%以上都是坏的一个时代,时代将被拒绝。划时代拒绝后,在每个通道中的最大活性是相对于阈值一次。如果一个信道包含在以上所有历元的30%以上的阈值的活性,该通道将被拒绝。如果渠道超过20%是由这个程序或拒绝每个时代条件低于50%的划时代被拒绝后离开,该数据集应该被排除在进一步的分析。 请点击此处查看该图的放大版本。

图3
图3:使用更快的工具箱28自动伪影校正 。该图显示了需要改变使用更快的工具箱,设置和处理管道这篇文章中描述的选项:1。过滤应该被禁用,因为数据集已经被过滤2需要通道数量进行调整。在这篇文章中所使用的脑电图系统具有126通道,2 EOG通道。3。事件标记为锁定时间需要被指定为字符串的一个单元阵列。4。需要的时间窗口的事件相关的响应来提供。这必须是相同的,在早期悬置工序中使用的窗口。5。用户必须定义​​渠道,独立分量分析(ICA)。在大多数情况下,这将包括所有的EEG通道和相关外部渠道,如眼通道(EOG)。6。眼通道的索引也需要进行调整,以用于脑电图系统。对于脑电图系统的描述,这些将是渠道125和128。 请点击此处查看该图的放大版本。

图4
网络连接GURE 4。在头脑风暴32。1资料来源分析进口脑电图数据集和FreeSurfer表面后,边界元模型(BEM)可以通过在“源”菜单。2选择“计算头部模型”计算出噪声协方差矩阵可以从记录通过选择“计算噪声协方差”来计算。如果该记录是足够长的时间,比传感器多个时间点,全协方差矩阵可以被计算,否则,建议的对角矩阵。3。计算头部模型和噪声协方差矩阵后,能够获得逆溶液。不同的算法可被使用。加权最小模估计(wMNE)算法的深度被用于这篇文章。4。在感兴趣区域(ROI)区域源活动的时间过程可以被提取,通过选择“提取斥候时间序列的”f ROM中的“源”菜单。从FreeSurfer自动皮质土地分割的ROI被用于这个例子。 请点击此处查看该图的放大版本。

图5
图5。事件相关电位响应(ERP)面对和炒的脸刺激过右侧枕颞频道。的ERP系统显示右侧刺激发病的面孔相比,炒后的面130和220毫秒之间的负偏差。这些特性均符合有关的N170成分33 ​​的前几份报告。 请点击这里查看这个数字的放大版本。

ove_content“FO:保持together.within页=”总是“> 图6
图6。默认的成人头部模型和适当的头部模型之间的源定位的比较。图中最上面一行显示的基础上平均的FreeSurfer土地分割左,年龄适当的头部模型MNI的边界成人头部模型colin27 MRI检查模板6岁儿童的权利。的配准电极的位置的位置也被提出。该记录是从一个6岁的男孩(6岁3个月)获得的。在与基于t检验进行多重比较使用假发现率(FDR)纠正了炒面条件的面孔跨国公司源重建的激活图之间的统计比较,第二排和第三排的显示效果。彩色地图显示效果大小红色表示较高的活性在faces条件和蓝色表示在加扰的面条件更高的活性。请注意,没有幅度或尺寸阈值被应用。本地化的使用年龄适当的头部模型相比,成人BEM颞极的腹面出现更多的焦点。 请点击此处查看该图的放大版本。

图7
图7。源ERP系统响应面右侧梭状回和炒脸的基础上使用适当的年龄与BEM跨国公司从一个6岁的男孩(6岁3个月)获得的记录源重建的开源ERP表现出更围在脸上的条件刺激后发病250毫秒相比,消极偏转crambled面临的状况。这个活动很可能会反映正确的梭状回的在脸上条件N170分量的贡献。

<TD>
输入步骤1.1 描述
input_image = imread('/用户/ some_user /影像/ example.jpeg'); %读取图像
gray_image = rgb2gray(input_image); %从RGB传输灰度
另存为(gray_image,'grey_image.tiff') %保存新形象
输入1.2步描述
代码示例:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%家政服务
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
中图分类号从工作区%结算变数
清除所有
关闭所有 %设置音频驱动程序,以低延时模式
InitializePsychSound([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%变量
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder ='C: Documents和Settings ERP实验室用户我的文档 MATLAB Faces_Houses '; %定义工作目录
NetStation的= 1;
%这与切换NetStation的脑电记录软件的通信
%定义试验次数
no_of_trials = 80; %统一,便于携带的键盘名称本月与EEN的Unix和PC版本
KbName('UnifyKeyNames') %定义为一个逃生按键的变量
退出键= KbName('ESCAPE');
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%装入刺激
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = strcat的('C: Documents和Settings ERP实验室用户我的文档 MATLAB Faces_Houses 面'); %与刺激图片供应文件夹
文件= DIR(face_directory); %产生的所有图片刺激列表
面临= {files.name};
面(1:2)= [];
采集卡= DIR('/用户/ joebathelt /升降梭箱/ preterm_oddball /采集卡/'); </ TD>
抓斗= {grabbers.name};
抓取器(1:2)= [];
grabber_sounds = DIR('/用户/ joebathelt /升降梭箱/ preterm_oddball /声音/');
grabber_sounds = {grabber_sounds.name};
grabber_sounds(1:2)= [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%在实验开始
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
如果NetStation的== 1; NetStation的('连接','194 .82.245.131','55513') 与录音软件同步%
NetStation的('同步',10) 在10毫秒的精度%同步
NetStation的('的StartRecording') %开始记录
结束
%设置屏幕
screenNum = 0; 演示屏幕%的识别号码
%定义为刺激呈现的窗口
[display.w,display.rect] =屏幕('的openWindow',screenNum,0);
[WPTR,RECT] =屏幕('的openWindow',screenNum); %隐藏鼠标光标
HideCursor;
黑色= BlackIndex(WPTR); %的背景设置为黑色
屏幕('FillRect',WPTR,黑色); %定义字体和字体大小的文本显示
屏幕('TEXTFONT',display.w,'宋体');
屏幕('文字大小“,display.w,32);
屏幕('TEXTSTYLE',display.w,0);
对于i = 1:no_of_trials
FlushEvents
无规=兰迪(2);
%随机选择一个关注焦点图片
attention_grabber = imread(strcat的(input_folder,'掠夺者/',cell2mat(抓取器(兰迪(长度(抓取器))))));
[声音,FS,NBITS] =的wavread(strcat的(input_folder,'声音/',cell2mat(grabber_sounds(兰迪(长度(抓取器))))));
audio_handle = PsychPortAudio('开放',[],[],0,FS,长度(声音(1,:)));
听起来=声音“; %随机选择一个关注焦点的声音
PsychPortAudio('FillBuffer',audio_handle,声音);
%设置声音介绍
刺激= strcat的(face_directory,面(兰迪(长度(面))));
刺激= imread(cell2mat(刺激)); %这个面孔随机化的呈现和炒面孔
如果随机数发生器== 2; %装入被随机刺激的列表中选择的刺激
刺激=刺激(randperm(长度(刺激(:,1))),randperm(长度(刺激(1,:))));
结束 %争先恐后的刺激矩阵,如果审判是一炒试用
刺激=屏幕('MakeTexture',WPTR,双(刺激)); %刺激
%编制刺激呈现
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%试用
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%本节仅适用于一审
如果我== 1;
[NX,NY,箱] = DrawFormattedText(WPTR,“按任意键开始','中心','中心',[255 255 255]);
屏幕('FrameRect',WPTR,0,盒);
[VBLTimestamp StimulusOnsetTim] =屏幕('翻转',WPTR); %对于一审判决后,文“按任意键开始”,提出到一个键被按下
KbWait([],2);
[NX,NY,箱] = DrawFormattedText(display.w,'','中心','中心',255); %黑屏
屏幕('FrameRect',display.w,0,盒); [VBLTimestamp StimulusOnsetTim] =屏幕('翻转',WPTR);
结束
%固定十字
[NX,NY,BBOX] = DrawFormattedText(WPTR,“+”,“中心”,“中心”,255);
屏幕('FrameRect',display.w,0,BBOX);
[VBLTimestamp StimulusOnsetTim] =屏幕('翻转',WPTR); %准备一个白色加号在屏幕的中心为固定跨
如果NetStation的== 1; %呈现十字注视点
NetStation的('事件','固定+“,StimulusOnsetTim)结束
%发送触发与固定交叉呈现的时间戳和代码“修复+”的脑电记录软件
%限制固定交叉的演示时间为0.15〜0.2秒之间的随机时间
%刺激 %呈现在脸上或炒的脸刺激
屏幕('DrawTexture',WPTR,STIM);
[VBLTimestamp StimulusOnsetTim] =屏幕(WPTR,'翻转');
如果NetStation的== 1; %触发发送带有时间标记和代码“面子”或“涉农供应链的面孔,以脑电图记录软件
如果随机数发生器== 1;
NetStation的('事件','面子',StimulusOnsetTim)
ELSEIF随机发生器== 2;
NetStation的('事件','SCRA',StimulusOnsetTim)
结束
结束
WaitSecs(0.5) %限额刺激持续时间为500毫秒
%,呈现出空白屏幕
[NX,NY,箱] = DrawFormattedText(WPTR,'','中心','中心',255); %黑屏
屏幕('FrameRect',WPTR,0,盒);
[VBLTimestamp StimulusOnsetTim] =屏幕('翻转',WPTR);
WaitSecs(1 +兰特(1)) 用1和2秒之间的随机时间%间试间隔
%注意采集卡 %目前的关注焦点有声
屏幕('DrawTexture',WPTR,采集卡);
听起来= PsychPortAudio(“开始”,audio_handle,15,0,1);
[VBLTimestamp StimulusOnsetTim] =屏幕('翻转';,WPTR);
如果NetStation的== 1;
NetStation的('事件','grbr',StimulusOnsetTim) %发送时间戳和代码为关注焦点的脑电记录软件
结束
%目前的关注焦点和声音,直到键盘上的某个键被按下
KbWait([],2);
PsychPortAudio(“停止”,audio_handle);
屏幕('FrameRect',display.w,0,盒); %中止实验,如果转义键被按下
[VBLTimestamp StimulusOnsetTim] =屏幕('翻转',WPTR);
[keyIsDown,timeSecs,的keyCode] = KbCheck;如果keyIsDown
如果键码(退出键)
SCA
NetStation的('StopRecording')
回归
结束
结束 %关闭实验和停止脑电图记录在实验结束时
结束
屏幕('CLOSEALL');
如果NetStation的== 1;
NetStation的('StopRecording')
结束
输入步骤3.1.1 描述
OUTEEG = pop_eegfilt(INEEG,0.1,[]); %OUTEEG =脑电图过滤, 之后的数据。功能输出
%INEEG =脑电数据过滤之前, 输入功能
0.1%:高通截止频率
%[]:低通截止,不确定,因为一个高通滤波器是理想
输入步骤3.1.2 描述
OUTEEG = pop_eegfilt(INEEG,[],30); %[]:高通切断,不确定,因为低通滤波器是理想
%30:低通截止频率
输入步骤3.1.3 描述
OUTEEG = pop_epoch(INEEG,'事件',{'面子','涉农供应链'},[-0.2 0.6]); %悬置
%'事件',{'面子','涉农供应链'}:该功能被告知要使用触发事件'面子'和'涉农供应链“为时间锁定标记。这些触发器是在实验脚本中定义,以纪念发病的脸和炒的脸STI积云呈现发病。
%[-0.2 0.6] =时间窗口为从0.2秒的时间锁定事件到0.6秒之前的ERP
OUTEEG = pop_rmbase(脑电图,[-0.2 0]); %去除基线
%[-0.2 0]:基线的时间窗口, 0.2的时间锁定事件的时间锁定事件之前秒
输入步骤3.1.4 描述
功能[EEG] = threshold_rejection(脑电图,阈值) %函数定义,函数需要一个脑电图数据集结构和μV阈值
对于j = 1:2
对于i = 1:长度(EEG.data(1,1,:)) %这个循环经过在一个给定的脑电数据集中的所有时代
数据= EEG.data(:,:,i)条;
数据=数据 - 平均值(数据,2); %中减去日Ë意味着活动,避免幅度变化的影响
最大值= MAX(ABS(数据'))'; %确定所有通道中的最大绝对活动
bad_channels =最大值>的阈值;
channel_rejection(:,I)= bad_channels;
如果总和(bad_channels)> 0.2 * 128 %如果信道的20%以上,均高于阈值时,历元被标记为拒绝
epoch_rejection(ⅰ)= 1;
其他
epoch_rejection(ⅰ)= 0;
结束
结束
如果j == 1; %仅选择未标记为坏的时代
脑电图= pop_select(脑电图,'审判',找到(epoch_rejection == 0))
其他 %大关渠道是坏的时代中超过20%划时代的拒绝信道抑制后
bad_channels =平均值(channel_rejection,2)> 0.2;
脑电图= pop_interp(脑电图,发现(bad_channels == 1),'球'); %适用球形插值坏渠道
结束
结束
输入步骤3.1.5 描述
脑电图= pop_reref(脑电图,[]); %计算平均参考
输入步骤3.2.1 描述
频道= {'E84','E89','E90','E91','E94','E95','E96'}; %右N170 对于使用通道标签为%128通道短程海兰N170反应的右半球%%枕颞渠道drocel传感器网络
脑电图= pop_select(脑电图,“渠道”,渠道); %选择渠道
Virtual_channel =平均值(EEG.data,1); %结合的各信道到一个虚拟信道
输入步骤3.3.2 描述
N170_peak = MAX(ABS((averaged_ERPs(0.13 * SRATE +0.2 * SRATE:0.2 * SRATE +0.2 * SRATE),[],2)); 在一个潜伏期窗口中μV每个参与者%最大振幅
N170_peaklatency = 1000 *(发现(averaged_ERP(0.13 * SRATE +0.2 * SRATE:0.2 * SRATE +0.2 * SRATE)== N170_peak)+ 0.2 * EEG.srate + 0.13 EEG.srate)/ EEG.srate 在毫秒%峰值延迟
N170_mean =平均值(averaged_ERPs:0.13 * SRATE 0.2 * SRATE:0.2 * SRATE 0.2 * SRATE),[],2); %平均幅度以μV

表1 MATLAB命令来实施日Ë示例实验和分析高密度脑电图记录的通道和源代码级的表总结了实施脸上的代码比炒面孔示例实验。此外,预加工的原始脑电图代码呈现。此外,示出了用于提取对与事件相关的响应的信道电平分析波形特征的方法。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

本文章介绍了高密度的脑电图为根据年龄适当的平均MRI模板和深度加权最小模估计在一个标准的ERP模式适合儿童使用的重建边界元模型皮质发电机的记录和分析。在这个范例中,面孔和炒面孔的照片呈现。不同的作者用这种模式来探讨人脸处理机制在开发35的发展。在渠道层面,在右侧枕颞渠道更负偏差的描述为面条件的炒脸上的条件。地形,延迟和响应特性都与N170组件34一致。上一页源和脑电同步功能磁共振成像研究报告,梭状回是N170响应的可能发生。当前分析的结果表明,源反演的深度加权边界元模型(BEM)可以用来定位源活动中的梭状回在个别参与者的水平,面对混乱的脸范式。根据个别参与者的解剖结构或使用年龄适当的使用头部模型的平均解剖扫描发育研究,其中个体解剖不可用,将让最精确的源定位2。此外,地区的利益可以根据解剖知识或自动的土地分割算法研究特定的皮层区域的事件相关反应来识别。

有几个局限性源的重建,特别是在发育的样品,此刻。首先,根据不同年龄组平均模板源重建假定个体显示了典型的大脑发育为他们的实际年龄,这可能不一定是这样,尤其是在患者群体。为例如,不同的研究描述了大脑发育异常轨迹早产36或孤独症儿童37名儿童。这是很难估计这些解剖上的差异会如何影响反解和非典型和典型的对照组之间的比较,偏差结果的准确性。

第二,正演模型,如边界元模型(BEM)不纳入电导率不均匀车厢内, 灰质和白质之间的差异。因此,准确度为皮质来源是有限的。开源解决方案仅限于皮质来源的原因。有限元模型可以应用于发电机皮层下更准确地解决问题。随着限于皮质的解决方案,它记住,激活皮层区域可能反映潜在的皮层下致病的机制, 例如 ,通过丘脑环路反馈的沟通是很重要的。因此,对皮层区域的参与因果推论是有限的,除非更复杂的模型所使用的是目前只适用于典型的成年解剖, 例如 ,动态因果模型38,39。

此外,边界元模型假定闭壳为每个隔间。然而,婴幼儿有软点在他们的头骨,其中颅骨之间的缝合线并没有完全合并15。这违反了边界元法的假设严重限制了源重建BEMS的婴儿年龄小于2岁的适用性。有限元模型,在这个年龄段可以用于源重建。

第三,尽管年龄适当的头部模型,用于源重建的基础上,成年的样品电导率值被用于每个车厢内传导。然而,组织传导很可能会在发展变化, 例如 ,通过增加骨密度15。对于在BEMS用于人类婴儿和儿童的组织类型电导率值目前无法提供给我们的知识。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

本文的出版费用由电气测地线,公司赞助了

Acknowledgments

我们要感谢教授约翰·理查兹,南卡罗来纳大学,授予我们访问发育的MRI数据库和有益的讨论。我们还要感谢我们的资助者大奥蒙德街儿童慈善,伦敦大学学院的影响及大挑战。

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).

DOWNLOAD MATERIALS LIST

References

  1. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61, (2), 371-385 (2012).
  2. Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62, (3), 2129-2139 (2012).
  3. Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37, (5), 379-399 (2012).
  4. 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).
  5. Logothetis, N. K. Bold claims for optogenetics. Nature. 468, (7323), (2010).
  6. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453, (7197), 869-878 (2008).
  7. Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29, (2), 167-176 (2008).
  8. Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5, (1), 25 (2008).
  14. Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
  15. Richards, J. E. Localizing cortical sources of event-related potentials in infants' covert orienting. Developmental Science. 8, (3), 255-278 (2005).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. Brainard, D. H. The psychophysics toolbox. Spatial vision. (1997).
  24. Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What's new in Psychtoolbox-3. Perception. (2007).
  25. Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168, (3), 242-249 (2009).
  26. 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).
  27. Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
  28. 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).
  29. Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. (2013).
  30. DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. (2005).
  31. 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).
  32. 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).
  33. 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).
  34. Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13, (1), 7-26 (2013).
  35. 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).
  36. 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).
  37. Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108, (5), 848-865 (1994).
  38. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
  39. 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).
高密度的脑电图记录在儿童的皮质来源分析
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Bathelt, J., O'Reilly, H., de Haan, M. Cortical Source Analysis of High-Density EEG Recordings in Children. J. Vis. Exp. (88), e51705, doi:10.3791/51705 (2014).More

Bathelt, J., O'Reilly, H., de Haan, M. Cortical Source Analysis of High-Density EEG Recordings in Children. J. Vis. Exp. (88), e51705, doi:10.3791/51705 (2014).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter