Dynamics מיפוי קליפתיים באמצעות MEG סימולטאני / אומדני EEG ומוגבלים מבחינה אנטומית, מינימום-נורמה: דוגמא קשב שמיעתי

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

אנו משתמשים במגנטים וelectroencephalography (מג / EEG), בשילוב עם מידע האנטומי שנתפס על ידי הדמיית תהודה מגנטית (MRI), כדי למפות את הדינמיקה של רשת קליפת המוח הקשורה לתשומת לב שמיעתי.

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

מגנטים וelectroencephalography (מג / EEG) הם טכניקות הדמייה המספקות רזולוציה גבוהה זמנית מתאימה במיוחד לחקור את רשתות קליפת המוח המעורבת במשימות תפיסה קוגניטיבית ודינמיות, כגון השתתפות לקולות שונים במסיבת קוקטייל. מחקרים בעבר רבים מועסקים נתונים שנרשמו ברמת החיישן בלבד, כלומר., השדות המגנטיים או חשמלי הפוטנציאלים נרשמו מחוץ ועל הקרקפת, ולרוב התמקדו בפעילות שהזמן נעול למצגת הגירוי. סוג זה של שדה הקשור לאירוע / ניתוח פוטנציאל שימושי במיוחד כאשר יש רק מספר קטן של דפוסי dipolar ברורים שיכול להיות מבודדת וזוהה במרחב ובזמן. לחלופין, על ידי ניצול מידע האנטומי, דפוסי שדה שונים אלה יכולים להיות מקומיים כמקורות שוטפים שעל הקליפה. עם זאת, לתגובה ממושכת יותר, כי לא יכול להיות זמן נעול לגירוי מסוים (למשל.,כהכנה להאזנה לאחד את שתי ספרות המדוברות שהוצגו בו זמנית המבוססות על התכונה השמיעתית הרמז) או עשוי להיות מופץ במיקומים מרחביים מרובים ידועים מראש, גיוס רשת קורטיקלי בוזר לא יכול להיות שנתפס כראוי באמצעות מספר מצומצם של מקורות מוקד.

כאן, אנו מתארים הליך שמעסיק נתונים אנטומיים MRI בודדים כדי ליצור מערכת יחסים בין הפרטים וחיישן הפעלת דיפול בקליפת המוח באמצעות השימוש באומדני מינימום נורמה (mne). גישה הפוכה הדמיה זה מספק לנו כלי לניתוח קוד מבוזר. לשם המחשה, תתארו את כל ההליכים באמצעות FreeSurfer ותוכנת mne, שניהם זמינה באופן חופשי. אנחנו נסכם את רצפי ה-MRI וצעדי ניתוח הנדרשים כדי לייצר מודל קדימה שמאפשר לנו להתייחס לדפוס התחום הצפוי הנגרם על ידי הדיפולים מופצים על גבי קליפת חיישני M / EEG. Nexלא, אנו פוסעים בין תהליכים הדרושים שייאפשרו לנו בdenoising את נתוני חיישן ממזהמים סביבתיים ופיסיולוגיים. לאחר מכן נתאר את ההליך לשילוב ומיפוי מג / נתוני חיישנים EEG על השטח של קליפת המוח, ובכך לייצר משפחה של זמן סדרה של הפעלת דיפול קליפת מוח על פני המוח (או "סרטי מוח") הקשור לכל תנאי ניסוי. לבסוף, אנו נדגיש כמה שיטות סטטיסטיות המאפשרות לנו להפוך את ההיסק מדעי על פני אוכלוסיית נושא (כלומר., לבצע ניתוח ברמת קבוצה) המבוססת על מרחב קואורדינטות קליפת מוח משותף.

Protocol

1. רכישת נתונים אנטומיים ועיבוד

  1. לרכוש שיפוע סריקת 1 המגנטיזציה שהוכנה מהירה הד (MPRAGE) MRI של הנושא. פעולה זו עשויה להימשך דקות 5-10 תלויות באיזה פרוטוקול סריקה ספציפי משמש.
  2. לרכוש שתי זריקה נוספת מהירות נמוכה זווית (פלאש) סריקות MRI (זוויות להעיף = 5 ° ו 30 °) אם נתוני ה-EEG משמשים לניתוח הדמיה הפוך, כרצפי FLASH מספקים ניגוד רקמות שונים מרצפי MPRAGE הסטנדרטיים 1.
  3. השתמש FreeSurfer תוכנה (ראה טבלה) 2, 3 לשחזר את פני השטח של קליפת המוח ולהקים M פרט / מרחב המקור דיפול EEG.
    1. שטח מקור זה מוגבל לגבולות החומר אפורים / לבן המפולחים מסריקת MPRAGE. כל המיספרה מכילה כ 100.000 קודקודים פוטנציאליים, יכול להסתפק ב~ 1 מ"מ. להערכה משרעת דיפול (ראה להלן), השתמש ריווח רשת של 7 מ"מ, אשר מניב ~ 3000 הדיפולים לאונה.
  4. לשחזרהעור, גולגולת חיצונית ומשטחים פנימיים בגולגולת ומתמונות MPRAGE פלאש באמצעות mne (ראה טבלה) וFreeSurfer. השתמש במשטחים האלה כדי לייצר מודל אלמנט גבול תלת שכבתי (Bem).

2. רכישת M / EEG נתונים

  1. הכן את הנושא להקלטת ז / EEG.
    1. עיין ביו ואח' 4 לפרטי electrooculogram והכנת אלקטרודה השוואתית כמו גם דיגיטציה של ציוני דרך fiducial של הנושא, סלילי ראש עמדת חיווי (HPI) ואלקטרודות EEG.
  2. ברגע שנושא יושב במג, למדוד את העמדה בראש באמצעות סלילי HPI.
  3. להתחיל בהקלטה. בגין הצגה שמיעתית וגירויים חזותיים.
    1. חומרה הרבה פתרוני תוכנה זמינה לביצוע מצגת גירוי (למשל., מצגת, דואר ראש). אנו משתמשים טאקר-דייוויס RZ6 טכנולוגיות להצגה והדק גירוי שמיעתי הטבעה, עם Psychtoolbox 5 עבור חזותי שלמצגת timulus, שניהם נשלטים על ידי MATLAB. בודק את השמיעתי והחזותי latencies באמצעות מיקרופון וphotodiode המצורפים למסך, ולאחר מכן לוודא שאין ריצוד לצפייה (שעשוי לחייב הגדרת מצגת המקרן לרזולוציה המקורית שלה) לפני הניסוי מסייע להבטיח שלמות עיתוי.
  4. נושא מגיב לגירויים חזותיים ושמיעתיים דרך תיבת כפתור אופטית בעת ביצוע משימה התנהגותית.
  5. שמור את כל הגירויים, פרמטרים ניסיוניים וקבצי נתונים לניתוח מצב לא מקוון.

3. ז / Co-EEG רישום באמצעות MRI סריקה ועיבוד נתונים

  1. שימוש בתוכנת mne, טען מודל ראש MRI המשוחזר של נושא נתוני digitizer ו. פיק ציוני דרך fiducial ליזום תהליך שיתוף רישום ולהמשיך להשתמש בהליך יישור אוטומטי להשלמת שינוי קואורדינטות (איור 2).
  2. להתייחס המיקום של כל דיפול בsp המקוראס עם מיקומו של כל חיישן, לשלב נתוני HPI נרשמו (ראה 2.2) כדי לחשב פתרון קדימה עם שלוש שכבת bem (ראה 1.4)
  3. בדוק את כל הנתונים שנרשם M / EEG ולזהות ערוצים שיש להם שונות גבוהות במיוחד או שטוחים לחלוטין. הגדרת ערוצים אלה כערוצים רעים.
  4. השתמש הקרנת אות החלל 6 או טכניקות הפחתת רעש אחרות (כגון הפרדת חלל אות 7) לפרויקט או להפריד את דפוסי שדה מרחביים מקורם מזיהום סביבתי סביבת שדה או אותות פיסיולוגיים לא רצויים אחרים, כגון אלה הקשורים במצמוצי עיניים וממצאים לבביים (איור 3).
    1. החל פינוי תחום בזמן חפץ (למשל., הסרת תקופות המכילות אותות משרעת גבוהים באופן חריג בשל spiking של ערוץ) והסרת תדר תחום חפץ (למשל., להקה מעולה סינון בגיל 50 או 60 הרץ קו בתדירות) כדי להגביר עוד יותר אות לרעש יחס.
  5. זהה את התקופה בסיסית שבה הנושא לא היה מבצע כל משימה (למשל., 200 אלפיות תקופה שקדמה לתחילתו של כל ניסוי). צור ממוצע של התקופות הבסיסיות הללו על מנת לקבל אומדן רעש (הידוע גם כמטריצת שונות המשותפות).
  6. זהה את מעברו של עניין (לדוגמה, רק איסוף עידנים עם תגובות התנהגותיות נכונות.) ומגדיר את תנאים לניגודים ניסיוניים (למשל, קשורים לנושא עידנים לאחר שכיבה את תשומת לבם לשמיעת hemifield ההפוך כמקור cued -. מצב "חלף" - לעומת הנושא שמירה על תשומת לב בhemifield המקורי - "תחזיק" תנאי). צור תגובה ממוצעת לכל אחד מהתנאים שהוגדרו.
    1. ממוצעים אלה יכולים להיות נקודת התחלה, תוקן או לא תלויים בפרמטרי ניסוי (ראה 8); נתונים המוצגים כאן הם נקודת התחלה תקנה.
  7. שלב את מטריצת שונות המשותפות (3.5) ופתרון הממוחשב קדימה (3.2) כדי לקבלמופץ מפעיל מינימום נורמה הפוכה מוגבל cortically שמתייחס למדידות החיישן לאומדנים שוטפים דיפול במרחב המקור.
    1. או שאתה יכול להגביל או כ לתקן את כיוון דיפול לכיוון הנורמלי של קליפת המוח 9.
  8. צור "סרט מוח" של אומדן דיפול בוזר (כלומר., ההערכה הנוכחית בכל מיקום דיפול במרחב המקור בזמן) לכל תנאי ניסוי (איור 4).
    1. בהתאם למאפיינים הזמניים של עיצוב ניסיוני שלך, אתה יכול בן הנתונים שלך בזמן על ידי ממוצע אומדנים שוטפים באמצעות חלונות זמניים שאינם חופפים.

4. הסקה סטטיסטית מבוססת על מערכת קואורדינטות המבוססת על משטח ישרה

  1. Morph את "המוח" סרטים לכל נושא על מרחב משותף (ממוצע) של קליפת מוח המבוסס על מערכת קואורדינטות המבוססת על פני שטח בצורה אופטימלית שמיישרת-gy sulcal פרטדפוסי RAL 3. זה מאפשר לנו להשוות או ממוצע פעילות קליפת מוח בכל הנושאים. (איור 5).
  2. יש הרבה גישות הסקה סטטיסטיות שונות. אנו נדגיש שלוש גישות אפשריות כאן. גישות שאינם מיושמות בחבילת תוכנה ניתן לכתוב באמצעות תוכנה מותאמת אישית בדוגמות שלנו אנו משתמשים MATLAB לבצע את האשכולות הלא פרמטרית זמני spatio מבחן תמורה. למרות הממד הגבוה (Space X זמן x נושאים) של הנתונים האלה, כל הגישות האלה ניתן לבצע באמצעות חומרת מחשב שולחני סטנדרטית מודרנית בשניות (ROI; 4.3 גישה) לשעות (התקבצות הלא פרמטרית; 4.5).
  3. אזור של אינטרס-גישה (ROI)
    1. באפשרותך להגדיר את ההחזר על ההשקעה אנטומית (למשל., שהוגדר על ידי אלגוריתם אוטומטי פרצלציה 1) ו / או תפקודי (לדוגמה., על ידי הקלטת משימת לוקליזציה פונקציונלית, כמו Go / לא עבור משימת saccade לזהות oculomotoאזורי R).
    2. כמו כן, אתה יכול להגביל את הניתוח שלך לזמן של עניין ספציפי שמתאים לפרדיגמה הניסויית שלך (לדוגמה., תקופת זמן מייד לפני ואחרי ההופעה של הגירויים הקוליים). ניתן גם להשתמש בהסקה סטטיסטית אחרת הקשורה עם ניתוח זמן סדרה.
  4. המוח כולו או Bonferroni-Discovery-דרג שקר (רוזוולט) תיקון
    1. מעסיק תיקון Bonferroni או רוזוולט אם אתה דורש ניתוח המוח כולו, של כל זמנים.
    2. ליצור מפה סטטיסטית בכל מיקום דיפול וכל נקודת זמן שימוש בסטטיסטיקת בדיקה מתאימה, כגון מבחן t או ANOVA בתוך-נושאים לנתונים מבוזרים כ-כרגיל. לדוגמה, Z-עשרות ממיפוי פרמטר סטטיסטי הדינמי של אומדני mne למקורות קבועים דיפול 10 ניתן להשתמש כאשר יחד עם תיקון למתאמים באומדנים (כגון תיקון השמרני החממה Geisser).
    3. לBonferroniתיקון, להשיג נקודות משמעותיות חלל וזמן על ידי קביעת ערכי סף ברמה מובהקת של 0.05, מחולקים במספר ההשוואות (מספר הדיפולים המוכפלים במספר נקודתי זמן). לגישה פחות שמרנית, השתמש תיקון רוזוולט p-value 11.
  5. התקבצות חלל ובזמן הלא פרמטרית
    1. השתמש בשיטה זו (המבוסס על הרחבה פשוטה של 12) כדי למצוא אזורים של הפעלה גדולה, עקבית מרחב ובזמן בעת היותו פחות שמרני מאשר תיקון Bonferroni, ופחות נוטה לסוג I טעויות סטטיסטיות מאשר רוזוולט על ידי שליטה לשיעור שגיאות משפחה החכמה .
      1. בגלל גישה זו טכניקות מונטה קרלו resampling משתמשת תמורה או, שאינו מסתמך על נחות של נורמליות של הנתונים, ורק מניח כי תוויות המצב הן החלפה תחת השערת האפס. למרות שזה יותר אינטנסיבי מחשוב משתי הגישות הקודמות, הוא עדיין יכול להתבצע בשעות עלמכונה אחת באמצעות חומרת מחשב שולחני מודרנית.
    2. ליצור מפה סטטיסטית בכל מיקום דיפול וכל נקודת זמן שימוש בסטטיסטיקת הבדיקה המתאימה, כגון מבחן t.
    3. סף מפה זו בסף משמעות ראשוני, למשל p <0.05.
    4. אשכול הנקודות הללו המשוערים המשמעותיים על בסיס קרבה זמנית spatio, למשל. נקודות משמעותיות בתוך 5 אלפיות ומרחק הגיאודזית 5 מ"מ של אחד אחר הן לשים באותו האשכול. לקלוע כל אשכול כתוצאה באמצעות hypervolume או משמעות כוללת (למשל. הסכום של T-עשרות נקודות באשכול).
    5. בצע resampling סטנדרטי תמורה (או מונטה קרלו resampling למערכי נתונים גדולים יותר, למשל. מספר הנבדקים N> 10, כדי לחסוך בחישוב) מבחן עם נתון מקסימאלי (ראה דוגמאות 12 לבדיקת חלוף). בקצרה, לקבוצת משנה אקראית של נבדקים (בחירת מקום מ 0 עד N נבדקים), relabel התנאים ביןגרמתי לעומת לפני קבלת המפה הסטטיסטית, לבצע התקבצות על המפה הסטטיסטית החדשה, ולקבל את הציון המרבי לאשכול שrelabeling. לבצע הליך זה בrelabelings האקראי החדש עד 2 N תמורות להשיג הפצה של הנתון המקסימאלי; ביצוע כל 2 N relabelings האפשרי מניב מבחן התמורה וניצול משנה אקראי של פחות מ 2 N relabelings מניב מונטה קרלו (או אקראי ) מבחן תמורה.
    6. השג את המשמעות של אשכול קבל מקורי (מהתווית המקורית) על ידי קביעת שיעור זמן גדלי מצרר מקסימאליים היו גדולים יותר מזה של האשכול המקורי, למשל. אשכולות שהיו גדולים יותר מ 95% מהצבירים הסטטיסטיים המרביים ניתן להכריז משמעותי.
      1. לדיון מעמיק בהסקה סטטיסטית בתחום הדמית מקור בוזר מג, ראה 13.
  6. את קבצי נתוני כתוצאה מכך יכולים להיות vi sualized בדרכים רבות, כוללים שימוש בתבניות מנוצלות מקורי על ידי תוכנת mne לאחסון הערכות זמניות spatio קליפת מוח, כלומר קבצי STC. אלה, לצד התוויות מתאימות לאזורים המשמעותיים שניתן להפיק, ניתן להפיק באמצעות ארגזי כלים הניתנים לmne MATLAB ופייתון.

5. נציג תוצאות

איור 6 מציג סדרה של תוצאות מייצגות באמצעות הפרדיגמה ההתנהגות מתוארת באיור 4. באמצעות הליך התקבצות החלל ובזמן הלא פרמטרית (4.5), FEF ימין נמצא להיות משמעותי כאשר נושא הוא ביצוע משימת ארגון מחדש בהשוואה למשימה סטנדרטית (6 שמאל איור). שימוש בגישת ROI (4.3), כמובן זמן FEF ימין מוצג, יחד עם פרק הזמן ששני התנאים הללו הם שונים באופן משמעותי.

p_upload/4262/4262fig1.jpg "/>
איור 1. זרימה להפקה "סרט מוח" באמצעות-מוגבל cortically מינימום נורמת ערכות דיפול (השווה, איור 1 ביו et al., 2010).

איור 2
איור 2. תוכנת mne השתמשה כדי להקל על ערוצי ה-EEG ומיקומי HPI שיתוף רישום על גבי שטח MRI של הנושא אחד לתאם.

איור 3
איור 3. נתוני מג לפני ואחרי השימוש בSSP להסיר לב (מסומן בכתום) ועיניים מהבהבות (מודגש בכחול ירוק) צורכי lowpass סינון כדי להסיר קו בתדירות. לחצו כאן לצפייה בדמות גדולה.


איור 4 "סרט מוח" על השטח של קליפת המוח ובנושא יליד העיתוי של מצגת האור הקולי (עם גירויים שמיעתיים שהוצגו ב 600 מילישניות וגירוי חזותי שהוצג באלפיות -600) בפרדיגמה ניסויית אחד (הערה:. זה יהיה הוצג כסרט בקליפ הסרט הסופי)

איור 5
איור 5. השוואה בין החזר השקעה היפותטית הממופים במרחב קליפת מוח הילידים של נושא ולאחר morphed על שטח קליפת מוח משותף.

איור 6
איור 6. אשכול נציג זמני spatio וזמן כמובן קשור עם 2 קונדי הניסיוניתtions נבדק.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

כדי לאמוד את הפעלת דיפול בקליפה ממג נרכש / נתוני EEG, אנחנו צריכים לפתור את בעיה הפוכה, שאין לה פתרון יציב ייחודי אלא אם מבחינה אנטומית ופיסיולוגיים אילוצי קול מתאימים מוחלים. באמצעות האילוץ האנטומי נרכש לנושאים בודדים באמצעות MRI ואימוץ נורמת המינימום כקריטריון להערכתנו, אנו יכולים להגיע להערכה הפוכה קורטיקלי נוכחי מקור שמסכימה עם מדידות החיישן. גישה זו הוכיחה את יעילותה במחקרים של לא רק עיבוד שמיעתי 14 אלא גם תחומים אחרים כגון 15 חזותיים ועיבוד שפה 16.

יש הרבה גישות הפוכות אחרות. עם זאת, כל השיטות הללו ניתן לסכם בשתי קטגוריות: לוקליזציה (למשל, דוגמנות דיפול נוכחי שווה ערך.) או הדמיה (למשל, mne, טכניקות עיצוב אלומה.). יתר על כן, כל גישה הפוכה יש tradeoff (ראה 17 לדיון מעמיק). לדוגמה, ההערכה הנוכחית בגישה שהוצגה כאן חייבת בהכרח להיות מופצת בחלל בשל אילוצה מינימום הנורמה. גישת אומדן מינימום נורמה זו גם מתאימה למשימות שמגייסות רשת קליפת מוח מבוזר. מיפוי התגובות ראשונות לגירויים שמעוררים פעילות מוקד מקור, כמו אלה באודישן שהם האמינו להיות מקומיים באזור קליפת המוח השמיעתי דו צדדית (למשל., N1m ומודעות הקשורות השליליות 18), גם ניתן לשפר באמצעות fMRI עמיתים לאילוצים 14.

ניתוח ספקטרלי תחום, למשל., חוקר את התפקיד של מקצבים שונים בקליפת מוח המעורב בתשומת לב, על פני קליפת המוח יכול גם להתבצע לאחר שימוש באחת מהשיטות הנ"ל ההפוכות. יתר על כן, ניתוח מסוג זה יכול בקלות להיות מורחב לשאלות הקשורים לקישוריות תפקודית בין האזורים שונים בbrעין.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

אין ניגודי האינטרסים הכריזו.

Acknowledgements

המחברים מבקשים להודות למתי ס Hämäläinen, Lilla Zöllei ושלושה בודקי אנונימיים על ההערות המועילות. מקורות מימון: R00DC010196 (AKCL); T32DC000018 (אדי); 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