동시 멕 / EEG와 해부학적인 몸의 구조 제약 최소 - 표준 견적을 사용하여 매핑 두피 역학 : 청각주의 예

Neuroscience

Your institution must subscribe to JoVE's Neuroscience section to access this content.

Fill out the form below to receive a free trial or learn more about access:

Welcome!

Enter your email below to get your free 10 minute trial to JoVE!





We use/store this info to ensure you have proper access and that your account is secure. We may use this info to send you notifications about your account, your institutional access, and/or other related products. To learn more about our GDPR policies click here.

If you want more info regarding data storage, please contact gdpr@jove.com.

 

Summary

우리는 자기 공명 영상 (MRI)에 의해 캡처 해부학 적 정보와 결합 마그네토와 electroencephalography (멕 / EEG)은, 청각주의와 관련된 대뇌 피질의 네트워크의 역학을 매핑 사용합니다.

Cite this Article

Copy Citation | Download Citations

Lee, A. K., Larson, E., Maddox, R. K. Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example. J. Vis. Exp. (68), e4262, doi:10.3791/4262 (2012).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

매그니토와 electroencephalography (멕 / EEG)는 같은 칵테일 파티에서 다른 소리에 참석 등의 역동적 지각과인지 작업에 참여 대뇌 피질의 네트워크를 조사 할 특히 적합 높은 시간적 해상도를 제공하는 기술을 neuroimaging 있습니다. 많은 과거의 연구는, 보통 자극 프리젠 테이션 시간 고정 활동에 즉., 자기장 또는 외부와 두피에 기록 된 전기 전위, 그리고 집중 한 센서 수준에서 기록 된 데이터를 고용했습니다. 고립 된 공간과 시간에서 확인하실 수 있습니다 뚜렷한 이극 성 패턴 만 소수가있을 때 이벤트 관련 분야 / 잠재적 인 분석이 유형의 특히 유용합니다. 또는 해부학 적 정보를 이용하여이 서로 다른 필드 패턴은 컴퓨터에 접속 전류 소스로 지역화 할 수 있습니다. 그러나,보다 지속적인 응답을 그 (예., 특정 자극에 시간이 잠겨되지 않을 수 있습니다보이기 청각 기능에 따라 두 가지를 동시에 제시 말한 자리) 중 하나를 듣고 또는 선험적 알 수없는 여러 공간 위치에 걸쳐 분산 될 수 있습니다 준비에 분산 대뇌 피질의 네트워크의 모집은 적절히 제한된 수의를 사용하여 캡처 할 수 없습니다 초점 소스.

여기, 우리는 센서 정보와 최소 - 표준 견적 (MNE)의 사용을 통해 컴퓨터에 접속 쌍극자 활성화 사이의 관계를 확립하기 위해 개인 해부학 MRI 데이터를 고용 절차를 설명합니다. 이 역 이미징 접근 방식은 우리에게 분산 소스 분석을위한 도구를 제공합니다. 설명의 목적을 위해, 우리는 FreeSurfer 및 MNE 소프트웨어를 모두 자유롭게 사용할 수를 사용하는 모든 절차를 설명합니다. 우리는 우리가 EEG / M 센서로 컴퓨터에 접속 배포 dipoles으로 인한 예상 필드 패턴을 연관 할 수있는 앞으로 모델을 생산하는 데 필요한 MRI 시퀀스 및 분석 단계를 요약합니다. Next, 우리는 환경 및 생리 학적 오염 물질의 센서 데이터를 denoising에서 우리를 용이하게 필요한 프로세스를 통해 단계 것이다. 우리는이를 통해 각 실험 조건에 관련된 뇌의 표면 (또는 "뇌 영화")에서 대뇌 피질의 쌍극자 활성화 시간이 일련의 가족을 생산, 대뇌 피질의 공간에 멕 / EEG 센서 데이터를 통합 및 매핑에 대한 절차를 설명합니다. 마지막으로, 우리는 우리가 일반적으로 대뇌 피질의 좌표 공간에 따라 대상 인구 (예., 그룹 수준의 분석을 수행)에서 과학 추론을 할 수 있도록 몇 가지 통계 기법을 강조 표시됩니다.

Protocol

1. 해부학 적 데이터 수집 및 처리

  1. 주제 중 하나를 자화 준비된 빠른 기울기 에코 (MPRAGE) MRI 검사를 취득. 이 특정 검사 프로토콜이 사용되는에 따라 5-10 분 걸릴 수 있습니다.
  2. FLASH 시퀀스를 표준 MPRAGE 시퀀스 1에서 다른 조직 대조을 제공하는 EEG 데이터가 역 이미징 분석에 사용하는 경우 두 개의 빠른 낮은 각도 샷 (FLASH) MRI 스캔을 (플립 각도 = 5 °, 30 °) 취득.
  3. 대뇌 피질의 표면을 재구성하고, 각 M / EEG 다이폴 소스 공간을 설정하는 FreeSurfer 소프트웨어 (표 참조) 2, 3을 사용합니다.
    1. 이 소스 공간이 MPRAGE 검사에서 분할 회색 / 흰색 물질 경계에 구속되어 있습니다. 각 반구는 ~ 1mm의 간격을두고 약 100,000 가능성이 정점을 포함하고 있습니다. 쌍극 진폭 견적 (아래 참조), 반구 당 ~ 3,000 dipoles를 얻을 7mm의 격자 간격을 사용합니다.
  4. 재건하다피부 바깥 쪽 두개골 및 MNE (표 참조) FreeSurfer를 사용하여 MPRAGE와 FLASH 이미지에서 내부 두개골 표면. 3 층 경계 요소 모델 (뱀)을 생성하려면 다음 표면을 사용합니다.

2. M / EEG 데이터 수집

  1. M / EEG 기록에 대한 주제를 준비합니다.
    1. electrooculogram 및 참조 전극 준비뿐만 아니라 피사체의 fiducial 랜드 마크, 헤드 위치 표시기 코일 (HPI)와 EEG 전극의 디지털화에 대한 자세한 내용은 류 4 참조하십시오.
  2. 일단 주제는 HPI 코일을 사용하여 머리의 위치를​​ 측정, 멕에 장착되어 있습니다.
  3. 녹화를 시작합니다. 청각 및 시각 자극의 프리젠 테이션을 시작합니다.
    1. 많은 하드웨어 및 소프트웨어 솔루션은 자극 프리젠 테이션 (예를 들면., 프리젠 테이션, E-프라임)을 수행 할 수 있습니다. 우리는 시각적 s에 대한 Psychtoolbox 5, 스탬핑 청각 자극 프리젠 테이션 및 트리거에 대한 터커 - 데이비스 기술 RZ6를 사용하여timulus 프리젠 테이션, MATLAB에 의해 제어 모두. 화면에 부착 된 마이크와 포토 다이오드를 사용하여 청각과 시각적 대기 시간을 테스트하고, 이후이 보장하는 실험 타이밍 무결성을 보장하는 데 도움이하기 전에 더 관찰 지터 (는 기본 해상도로 프리젠 테이션 프로젝터를 설정 필요로 할 수있는)이다.
  4. 행동 작업을 수행하는 동안이 주제는 광학 버튼 상자를 통해 청각 및 시각 자극에 응답합니다.
  5. 오프라인 분석을 위해 모든 자극, 실험 매개 변수 및 데이터 파일을 저장합니다.

3. MRI 스캔 및 데이터 처리와 M / EEG 공동 등록

  1. MNE 소프트웨어를 사용하여 디지타이저 데이터와 피사체의 복원 MRI 머리 모델을로드합니다. 공동 등록 절차를 시작하고 좌표 변환 (그림 2)를 완료하기 위해 자동 정렬 절차를 사용하여 수행 할 수 fiducial 랜드 마크를 선택합니다.
  2. 소스 SP 각 쌍극자의 위치를​​ 연관각 센서의 위치와 에이스는 (1.4 참조) 세 층 벰과 함께 앞으로 솔루션을 계산하는 (2.2 참조) 기록 HPI 데이터를 결합
  3. 모든 기록 M / EEG 데이터를 검사하고 매우 높은 변동이 있거나 완전히 평평 채널을 확인합니다. 나쁜 채널 이러한 채널을 설정합니다.
  4. 프로젝트 또는 공간 필드 패턴 등 눈 깜박와 심장 유물과 관련된 것과 같은 주변 환경 분야 오염 또는 기타 바람직하지 않은 생리 신호에서 유래 아웃 분리 신호 공간 투영 6 기타 노이즈 감소 기술을 (예 : 신호 공간을 분리 7 등)를 사용하여 (그림 3).
    1. 더 증가 할 시간 도메인 유물 제거 (예., 채널의 난리로 인해 비정상적으로 높은 진폭 신호를 포함 epochs를 제거) 및 주파수 도메인 유물 제거 (예., 50 또는 60 Hz 라인 주파수에서 필터링 대역 수준)을 적용 신호 대 잡음 비율입니다.
  5. 있는 대상 (예., 이전에 각 시험의 시작 200 밀리 기간) 어떤 작업을 수행하지 않은 기준 기간을 확인합니다. 잡음 견적을 (또한 공분산 행렬로 알려진)을 획득하기 위해이 기준 epochs의 평균을 생성합니다.
  6. 관심 epochs를 (. 예를 들어, 만 올바른 행동 반응과 epochs를 수집) 확인하고 실험 대조 (예를 들어, 원래 보이기 시작으로 피사체가 반대 hemifield 자신의 청각 관심을 전환 것에과 관련된 epochs에 대한 조건을 정의 -. "스위치"조건 - 대 제목 원래 hemifield에 관심을 유지하는 것은 -) 상태를 "대기". 정의 된 조건 각각에 대해 평균 응답을 생성 할 수 있습니다.
    1. 이 평균은 기본 - 수정 또는 (8 참조) 실험 매개 변수에 따라 수는 없습니다, 여기에 표시된 데이터는 기본 - 수정합니다.
  7. 를 얻기 위해 공분산 행렬 (3.5)와 계산 된 전달 솔루션 (3.2)를 결합소스 공간에서 쌍극자 현재 추정 센서 측정을 관련 cortically 제약 최소 - 표준의 역 연산자를 배포했습니다.
    1. 당신도 약 제한 또는 대뇌 피질의 정상적인 방향으로 9 쌍극자 방향을 수정할 수 있습니다.
  8. 각 실험 조건 (그림 4)에 대한 분산 쌍극자 추정 (예., 시간에서 소스 공간의 각 쌍극자 위치에서 현재 추정)의 "뇌 동영상을"생성합니다.
    1. 당신은 겹치지 시간적 창을 사용하여 현재 추정치를 평균하여 시간에 데이터 빈, 실험 설계의 시간적 특성에 따라 수 있습니다.

4. 통계 추론은 일반적인 표면 기반의 좌표계에 근거

  1. Morph 공통의 (평균) 대뇌 피질의 공간로 각 과목에 대한 "뇌 영화는"최적의 개인 sulcal-GY을 일치 표면 기반의 좌표계를 기준으로역 학 패턴 3. 이것은 우리가 모든 과목에서 대뇌 피질의 활동을 비교하거나 평균 할 수 있습니다. (그림 5).
  2. 여러 가지 통계 추론의 방법이 있습니다. 우리는 여기서 세 가지 접근 방식을 강조합니다. 소프트웨어 패키지에서 구현되지 않은 방법 우리가 MATLAB는 비 파라 spatio - 시간적 클러스터링 할 순열 테스트를 수행하는 데 사용하는 우리의 예에서 소프트웨어 사용자 정의를 사용하여 쓸 수 있습니다. (비 파라 메트릭 클러스터링, 4.5) 시간, 이러한 데이터의 높은 차원 (공간 X 시간 X 과목)에도 불구하고, 이러한 방식 모두 (4.3 접근 방식 ROI) 초 표준 현대적인 데스크탑 컴퓨터 하드웨어를 사용하여 수행 할 수 있습니다.
  3. 지역 수준의 관심 (ROI) 접근 방식
    1. 당신은 또는 해부학 적 투자 수익 (ROI)을 정의 (예., 자동 parcellation 알고리즘 (1)에 의해 정의) 및 / 기능 (예., 이러한 / 아니이 oculomoto을 식별 할 수 saccade 작업을 이동 이동 등의 기능 현지화 작업을 기록하여R 지역).
    2. 당신은 또한 실험 패러다임 (예., 소리 자극의 발병 전후 즉시 기간)에 맞는 특정 시간의이자로 분석을 제한 할 수 있습니다. 당신은 또한 시간 시리즈 분석과 관련된 기타 통계 추론을 사용할 수 있습니다.
  4. 전체 - 뇌 Bonferroni 또는 거짓 - 디스커버리 - 속도 (루즈 벨트) 보정
    1. 당신은 전체 - 뇌, 모든 시간 분석을 필요로하는 경우 Bonferroni이나 루즈 벨트 정정을 채용하고 있습니다.
    2. 이러한 약 일반적으로 - 분산 데이터에 대한 t-테스트 또는 내 - 주제의 ANOVA 적절한 테스트 통계를 사용하여 각 쌍극자 위치에서 통계지도와마다 지점을 생성합니다. 견적에 상관 관계에 대한 수정 (예 : 보수적 인 온실-Geisser 보정 등)와 결합하여 예를 들어, 고정 다이폴 소스 10 MNE 예상 동적 통계 매개 변수 매핑에서 Z-점수는 사용할 수 있습니다.
    3. Bonferroni에 대한수정은 비교의 수 (시간 포인트의 수를 곱한 dipoles 수)로 나눈 0.05의 유의 수준에서 임계 값에 의해 상당한 시공간 포인트를 얻습니다. 덜 보수적 인 접근 방법의 경우, 루즈 벨트 P-값을 보정 11을 사용합니다.
  5. 비 파라 메트릭 spatiotemporal 클러스터링
    1. Bonferroni 보정보다 덜 보수적하면서 대규모 일관 공간과 측두엽 활성화 영역을 찾기 위해이 방법을 (12의 단순 확장에 따라)를 사용하고, 가족 현명한 오류 속도에 대한 제어가 루즈 벨트보다 통계적 오류를 입력 할 적은 경향이 .
      1. 이 방법이 순열 사용하거나 몬테 카를로 resampling 기법 때문에 데이터의 정상 상태의 가정에 의존하며, 조건 라벨이 null이 가설에 따라 교환 있다고 가정하지 않습니다. 그 이전 두 접근법보다 더 많은 계산 집약적이지만, 그것은 여전히​​에 시간을 수행 할 수 있습니다현대적인 데스크탑 컴퓨터 하드웨어를 사용하여 단일 시스템.
    2. 각 쌍극 위치 및 t-test로 해당 테스트 통계를 사용하여 각 시점에서 통계지도를 생성 할 수 있습니다.
    3. 예비 중요성 임계 값의 임계 값이지도, 예를 들어 P <0.05.
    4. 클러스터 spatio - 시간적 근접을 기준으로 해당 putative 중요한 점을, 예를 들어. 5 MS 서로의 5mm 측지 거리에 중요한 점은 같은 클러스터에 넣어 수 있습니다. hypervolume 또는 총 중요성 (예를 들면. 클러스터에서 점 t-점수의 합)를 사용하여 각각의 결과 클러스터를 점수.
    5. 표준 순열 resampling 수행 (큰 데이터 집합, resampling 또는 몬테 카를로합니다. 과목 N> 10 수, 계산에 저장) 최대 통계 (순열 테스트 예제 12 참조) 테스트합니다. 간단히, 과목의 임의의 부분 집합 (0에서 N 주제 곳 선택)에 대한, relabel 대책을 마련 조건g의 통계지도를 취득하기 전에 비교, 새로운 통계지도에서 클러스터링을 수행하고 그 relabeling의 최대 클러스터 점수를 얻습니다. 최대 통계의 분포를 얻기 위해이 N 순열까지의 새로운 임의의 relabelings에서이 절차를 수행, 모든 2 N 수 relabelings을 수행는 순열 테스트를 산출하고 몬테 카를로 (또는 임의의 산출 미만이 N relabelings 임의의 하위 집합을 사용 ) 순열 테스트합니다.
    6. 최대 클러스터 크기가 원래 클러스터보다 더 있었다 시간의 비율을 결정하여 주어진 원본 클러스터 (원래 라벨에서)의 중요성을 확보, 예. 최대 통계 클러스터의 95 %보다 큰있었습니다 클러스터는 중요한 선언 할 수 있습니다.
      1. 멕 분산 소스 영상의 통계 추론에 깊이있는 토론의 경우, 13를 참조하십시오.
  6. 결과 데이터 파일은 바이올라 할 수 있습니다 기본적으로 즉 spatio - 시간적 대뇌 피질의 추정, STC 파일을 저장하기 위해 MNE 소프트웨어로 활용 형식을 포함하여 여러 가지에 sualized. 이은 중요한 지역에 해당 생산할 수 라벨과 함께, MATLAB과 파이썬을 위해 제공 MNE toolboxes를 사용하여 생성 할 수 있습니다.

5. 대표 결과

그림 6은 그림 4에 나와있는 행동 패러다임을 사용하여 대표적인 결과 집합을 표시합니다. 비 파라 spatiotemporal 클러스터링 절차 (4.5)를 사용, 오른쪽 FEF는 피사체가 표준 작업 (그림 6 왼쪽)에 비해 reorientation 작업을 수행 할 때 중요한 것으로되어 있습니다. 투자 수익 (ROI) 접근 (4.3)를 사용, 오른쪽 FEF의 시간 코스는이 두 조건이 크게 다른 것을 기간과 함께 표시됩니다.

p_upload/4262/4262fig1.jpg "/>
그림 1. 최소 - 표준 다이폴 예상 (참조하라,외의 그림 1., 2010) cortically 제약을 사용하여 "뇌 동영상을"생성 워크 플로우.

그림 2
그림 2. MNE 소프트웨어를 하나의 주제의 MRI 공동 종좌표 공간에 EEG 채널과 HPI 위치 공동 등록을 촉진하는 데 사용됩니다.

그림 3
그림 3. 이전과 심장 (주황색으로 강조 표시) 및 눈 깜박 (파란색 - 녹색으로 강조 표시) 라인 주파수를 제거 할 필터링 유물과 로우 패스를 제거하려면 SSP를 사용 후. 멕 데이터는 큰 그림을 보려면 여기를 클릭하십시오 .


그림 4 한 실험 패러다임 (참고로 대상의 기본 대뇌 피질의 공간과 시청각 프리젠 테이션 (600 밀리 -600 MS에서 발표 시각적 자극에서 발표 청각 자극 포함)의 타이밍에 대한 A "뇌 영화":.이 될 것입니다 ) 최종 무비 클립에서 동영상으로 제공

그림 5
그림 5. 대상의 기본 대뇌 피질의 공간과 공동 대뇌 피질의 공간에 변형 후 매핑 된 가상 투자 수익 (ROI) 사이의 비교.

그림 6
그림 6. 두 실험 condi과 관련된 대표 spatio - 시간적 클러스터 및 시간 코스tions은 테스트.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

획득 멕 / EEG 데이터의 컴퓨터에 접속 쌍극자 활성화를 추정하기 위해, 우리는 적절한 해부학 및 생리 학적 소리 제약이 적용되지 않는 고유 한 안정적인 솔루션이없는 역 문제를 해결해야합니다. MRI를 사용하고 추정 기준으로 최소 - 표준을 채택 개별 과목에 대한 취득 해부학 제약 조건을 사용하여, 우리는 센서 측정에 동의하는 역 대뇌 피질의 전류 소스 추정치에 도착하실 수 있습니다. 이 방법은뿐만 아니라 청각 처리 14뿐 아니라 시각적 15 언어 처리 16와 같은 다른 도메인의 연구에 도움이 입증되었습니다.

많은 다른 역 가지가 있습니다. 현지화 (예를 들어, 상응하는 현재 다이폴 모델링.) 또는 이미지 (예를 들어, MNE, 기술을 beamforming.) : 그러나이 모든 방법은 두 가지 범주로 요약 할 수 있습니다. 또한, 각 역의 접근 방식은 tra이deoff (에 대한 심도있는 토론을 위해 17 참조). 예를 들어, 여기에 제시된 방법을 사용하여 현재 추정치는 반드시 인해 최소 - 정 제약에 공간에 배포해야합니다. 이 최소 - 표준 추정 방식은 잘 분산 대뇌 피질의 네트워크를 모집 작업에 적합합니다. 이러한 양국 청각 피질 (예., N1m과 부정적 18 관련 인식)과 주변 지역화 할 것으로됩니다 오디션에서와 같이 초점 소스 활동을 연상 자극에 초기 반응을 매핑들도 공동 제약 fMRI를 사용하여 향상시킬 수 있습니다 14.

스펙트럼 도메인 분석, 예., 피질에 걸쳐 관심에 관련된 다른 대뇌 피질의 리듬의 역할을 조사도 앞서 언급 한 역 기술 중 하나를 사용 후 수행 할 수 있습니다. 또한, 분석의이 유형은 쉽게 BR에 뚜렷한 지역 간의 기능적 연결에 관련된 주소 질문에 확장 될 수 있습니다아니야.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

관심 없음 충돌이 선언 없습니다.

Acknowledgements

저자는 자신의 도움이 의견을 Matti S. Hämäläinen, Lilla Zöllei 세 익명 리뷰어 감사드립니다. 자금 출처 : R00DC010196 (AKCL), T32DC000018 (편집 판단리스트), 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

DOWNLOAD MATERIALS LIST

References

  1. Fischl, B. Automatically parcellating the human cerebral cortex. Cerebral Cortex. 14, 11-22 (2004).
  2. 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).
  3. 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).
  4. Liu, H. Functional Mapping with Simultaneous MEG and EEG. Journal of Visualized Experiments. (40), e1668 (2010).
  5. Brainard, D. H. The Psychophysics Toolbox. Spatial Vision. 10, 433-436 (1997).
  6. 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).
  7. Taulu, S., Simola, J., Kajola, M. Applications of the signal space separation method. IEEE Transactions on Signal Processing. 53, 3359-3372 (2005).
  8. 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).
  9. 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).
  10. Dale, A. Dynamic statistical parametric mapping: combining fMRI and MEG for high-resolution imaging of cortical activity. Neuron. 26, 55-67 (2000).
  11. Nichols, T., Hayasaka, S. Controlling the familywise error rate in functional neuroimaging: a comparative review. Statistical Methods in Medical Research. 12, 419-446 (2003).
  12. Nichols, T. E., Holmes, A. P. Nonparametric permutation tests for functional neuroimaging: a primer with examples. Human Brain Mapping. 15, 1-25 (2001).
  13. 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).
  14. 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).
  15. Sharon, D. The advantage of combining MEG and EEG: comparison to fMRI in focally stimulated visual cortex. Neuroimage. 36, 1225-1235 (2007).
  16. 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).
  17. 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).
  18. Gutschalk, A., Micheyl, C., Oxenham, A. J. Neural correlates of auditory perceptual awareness under informational masking. PLoS Biology. 6, e138 (2008).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics