Anvendelser av EEG neuroimaging Data: hendelse-relaterte potensialer, Spectral Power, og Multiskala Entropy

1Rotman Research Institute, Baycrest
Published 6/27/2013
0 Comments
  CITE THIS  SHARE 
Neuroscience
 

Summary

Bildediagnostiske forskere vanligvis vurdere hjernens respons som den gjennomsnittlige aktiviteten over gjentatte eksperimentelle studier og ignorering signal variasjon over tid som "støy". Imidlertid er det blitt klart at det er signal på at støy. Denne artikkelen beskriver romanen metode for multiscale entropi for å kvantifisere hjernen signal variasjon i tiden domenet.

Cite this Article

Copy Citation

Heisz, J. J., McIntosh, A. R. Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy. J. Vis. Exp. (76), e50131, doi:10.3791/50131 (2013).

Please note that all translations are automatically generated through Google Translate.

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

Abstract

Når du vurderer menneskelige bildediagnostiske data, representerer en styrking av signal variabilitet en fundamental innovasjon i måten vi tenker om hjernens signal. Vanligvis forskerne representerer hjernens respons som gjennomsnittet over gjentatte eksperimentelle studier og ignorering signal svingninger over tid som "støy". Men, blir det klart at hjernen signal variasjon formidler meningsfull funksjonell informasjon om nevrale nettverk dynamikk. Denne artikkelen beskriver romanen metode for multiscale entropi (MSE) for å kvantifisere hjernen signal variabilitet. MSE kan være spesielt informativt av nevrale nettverk dynamikk fordi det viser tidsskala avhengighet og følsomhet for lineære og ikke-lineære dynamikk i dataene.

Introduction

Nylige fremskritt innen neuroimaging har dramatisk utvidet vår forståelse av hjernens funksjon. Men mange av de programmene av bildediagnostiske data tendens til å forsterke den oppfatning av hjernen i statiske tilstander heller enn å vektlegge kognitive operasjoner som de utvikler seg i sanntid. Følgelig er lite kjent om rom-tid strukturen i hjernen nettverk og hvordan sekvensen av endringer i tid og rom mønstre på tvers av flere tidsskalaer bidrar til en spesifikk kognitiv operasjon. Denne artikkelen beskriver multiscale entropi (MSE) 5, et nytt analytisk verktøy for neuroimaging data som undersøker kompleksiteten i tid og rom mønster underliggende spesifikke kognisjon operasjoner ved å gi informasjon om hvordan ulike nevrale generatorer i en funksjonell hjerne nettverket kommuniserer på tvers av flere tidsrammer.

Avledet fra informasjonsteori, en anvendt gren av matematikken 7,16, var MSE opprinneligely utformet for å undersøke kompleksiteten i elektrokardiogram fire. I teorien kunne MSE brukes til å analysere den kompleksitet som helst serie, den primære nødvendige er at signalet tidsserie inneholder minst 50 datapunktene for kontinuerlig gang. Imidlertid kan tidsskalaen avhengighet og følsomhet for lineære og ikke-lineære dynamikk i dataene gjør MSE spesielt lærerikt av nevrale nettverk dynamikk.

Her fokuserer vi på anvendelse av MSE til electroencephalogram (EEG) neuroimaging data 9,12. EEG er en ikke-invasiv neuroimaging teknikk der elektroder som er plassert på hodebunnen fange postsynaptiske svar av populasjoner av nerveceller i neocortex en. Med høy tidsoppløsning, møter EEG lett tidsserien nødvendige lengde av MSE uten å endre den typiske anskaffelse protokollen. For å understreke nytten av anvendelsen av MSE til EEG-data, sammenligner vi denne romanen metoden med mer tradisjonelle tilnærminger inkl.uding event-related potensial og spektral makt. Når den brukes sammen, disse komplementære analysemetoder gi en mer utfyllende beskrivelse av de data som kan føre til ytterligere innsikt i nevrale nettverk operasjoner som gir opphav til kognisjon.

Protocol

En. EEG Acquisition

  1. Forklare eksperimentelle prosedyrer til deltakeren og innhente informert samtykke.
  2. Påfør drop-down elektroder. Rengjør området i ansiktet der drop-down elektroder vil bli plassert ved hjelp av en alkohol bomullspinne.
  3. Plasser elektroden cap på deltakerens hode. Måle deltakernes hodeomkrets og velg riktig cap størrelse. Etter den internasjonalt anerkjente 10-20 system der elektrodene skal plasseres, måler du avstanden fra Pannetøtten til inion langs midtlinjen og dividere med 10%. Ved hjelp av dette nummeret, måle opp fra Pannetøtten og mark. Juster elektrode cap posisjon Fp med dette merket og trekke hetten tilbake. Sørg for at sentrum av hetten er i tråd med nesen. Mål Pannetøtten til Cz, og bekrefter at denne avstanden er halve distansen fra Pannetøtten til inion. Stram hakestropp.
  4. Place gel-fylt sløv-point sprøyte i elektroden holdere. Å skape et ledende kolonne med gel, start i kontakt medhodebunnen, deretter presse og trekke tilbake. Legg merke til at anvendelsen av for mye gel fare for at signaler av tilgrensende elektroder.
  5. Fix aktive elektroder inn i elektroden holdere.
  6. Plasser motivet foran skjermen i riktig avstand for forsøket. Be deltakeren til å forbli stille, understreker viktigheten av å minimere øyebevegelser og blinker for et rent opptak.
  7. Undersøke elektrode tilkoblinger og EEG signal kvalitet på kjøpet datamaskinen. Kontroller at alle elektrode forskyvninger er lave (<40 mV) og stabil. Hvis det er et problem med en bestemt elektrode, ta ut at elektroden og på nytt gel å justere impedanser på det området.
  8. Lagre filen og starte forsøket.

2. EEG analyse

  1. Etter eksperimentering, men før utpakking den spesielle statistikken av interesse, preprocess kontinuerlig EEG-data til å fjerne gjenstander ved hjelp av standard prosedyrer for filtrering av etnd gjenstand avvisning. Skjær kontinuerlig EEG inn epoker tilsvarer hver diskrete hendelse, for eksempel presentasjonen av fotografiet. I hver epoke, inkluderer en 100 msek pre-stimulus vinduet som en baseline.
  2. Event-relaterte potensialer (ERP) analyse fanger synkron hjernens aktivitet som er faselåste til utbruddet av hendelsen. Gjennomsnitt over studier for å skille de fremkalt respons fra "støy" (dvs. ikke-fase låst) bakgrunn aktivitet. Variasjonen på tvers av studier og mellom-fagene presenterer en stor utfordring for ERP analysemetode. For å oppnå et godt signal-til-støy-forhold forsøksprotokollen bør inneholde mange diskrete hendelser med definerbare sykdomsangrep. Tid låse hjernens respons på utbruddet av en fremtredende hendelse og deretter gjennomsnitt over mange liker hendelser bidrar til å redusere noe av denne støyen, men den timelige synchrony opprettet av denne prosedyren vanligvis oppløses innen 1 sek. Identifiser ERP komponent peak amplituder og ventetider for hver subprosjekt (for nærmere retningslinjer for ERP analyse, se Picton et al., 2000).
  3. Ved hjelp av Fourier-analyse, transformere EEG-signalet fra tid domene til frekvensplanet og dekomponere signal i sine sammensatte sinusbølger av varierende frekvenser seks.
  4. Multiscale entropi (MSE) er en informasjons teoretisk beregning som estimerer variasjon av neuroelectical signaler over tid og på tvers av flere tidsrammer. Å gi en konseptuell skildring av MSE analyse, bør du vurdere to simulerte kurver, en vanlig bølgeform og en mer stokastisk en. Eksempel på entropi verdier er nær null for den vanlige bølgeform og ~ 2,5 for de mer variable bølgeform. En økning i entropi prøven tilsvarer en økning i signal kompleksitet, som, i henhold til informasjon teori, kan tolkes som en økning i mengden av informasjon prosesseringskapasitet for det underliggende system 7,16. Husk at kapasiteten på en hjerne ikke er fast, men endringer DEPEnding på nevrale kontekst 2, dvs. de områder av hjernen som måtte være funksjonelt koblet på et bestemt tidspunkt.
  5. For å beregne MSE, bruker algoritmen tilgjengelig på www.physionet.org/physiotools/mse/ , som beregner MSE i to trinn.
  6. Først algoritmen gradvis ned-samples EEG tidsserier per prøving og per tilstand. Down-sample den opprinnelige tidsserier for å generere flere tidsserier av varierende tidsskalaer. Tidsserier 1 er det opprinnelige tidsserier. For å opprette tidsserier av etterfølgende tidsfrister, dele den opprinnelige tidsserie i ikke-overlappende vinduer av tidsskalaen lengde og gjennomsnittlig datapunktene innenfor hvert vindu. Down-sampling er lik low-pass filter, dele samplingsfrekvens av tidsskalaen vil være tilnærmet frekvensen der signalet er lavpassfiltrert for den aktuelle tidsskala. Anvendelsen av MSE til et nivåticular frekvensområde (f. eks, alfa: 9 Hz til 12 Hz) kan tolkes som representerer sammensetningen av rytmene innenfor dette området, så vel som interaksjonen mellom disse frekvenser.
  7. Sekund, beregner algoritmen prøven entropi for hver grovkornet tidsserier 14. Sample entropi anslår kompleksiteten i en tidsserie. I en ikke-lineær analyse av EEG, forutsetter man at hver enkelte serie representerer manifestasjon av en underliggende multi-dimensjonale ikke-lineær dynamisk modell (se Stam, 2005 for en oversikt). I dette eksempel er m (mønsteret lengde) satt til to, noe som betyr at variasjonen av amplituden av hvert mønster tidsserien vil være representert i todimensjonal mot tre-dimensjonale rommet ved å betrakte sekvensen mønster av to mot tre påfølgende datapunkter, henholdsvis. Parameteren r (likheten-kriterium), reflekterer amplitudeområde (angitt av høyden på de fargede bånd) innenfor hvilken et datapunktre ansett for å "matche". For en typisk EEG tidsserier med mer enn 100 datapunkter, sette parameteren m lik 2 og parameter r til en verdi mellom 0,5 og 1 (se Richman og Moorman, 2000, for en detaljert fremgangsmåte på å velge parametere refererer til Lake et al., 2002).
    For å beregne prøven entropi for dette simulerte tidsserier, begynner med de første to-komponent sekvens mønster, rød-oransje. Først telle antall ganger den rød-oransje sekvens mønster forekommer i tidsserien, for det er 10 kamper for denne to-komponent sekvens. For det andre telle det antall ganger først trekomponents sekvens mønster, rød-oransje-gul, forekommer i tidsserien, for det er fem kamper for denne tre-komponent-sekvens. Fortsett med de samme operasjonene for de neste to-komponent sekvens (oransje-gul) og de neste tre-komponent sekvens (oransje-gul-grønn) av tidsseriene. Antallet to-komponent kamper (5) og tre-komponent kamper (tre) for disse SequentialCES er lagt til de forrige verdiene (totalt to-komponent kamper = 15, totalt tre-komponent kamper = 8). Gjenta for alle andre sekvens kamper i tidsserien (opp til N - m) for å bestemme den totale forholdet mellom to-komponent kamper til tre-komponent kamper. Sample entropi er den naturlige logaritmen av dette forholdet. For hvert fag, beregne kanalen bestemt MSE estimat som gjennomsnittet i enkelt-rettssaken entropi tiltak for hver tidsskala.

Representative Results

Figurene 1A og 2A representere EEG-signalet som reaksjon på presentasjonen av et ansikt bilde. Midling tvers lignende forsøk produserer en ERP bølgeform som består av en serie av positive og negative utslag kalt ERP komponenter. Figur 1B illustrerer et middelverdisignal bølgeform for et enkelt emne og Figur 6A illustrerer en stor gjennomsnittlig bølgeform for en gruppe av individer. Det er en rik litteratur som angår hver ERP komponent til en spesifikk perseptuelle, motor, eller kognitiv operasjon. For eksempel er det N170 et negativt utslag som topper ved omtrent 170 msek post-stimulus utbruddet og er innblandet i ansiktet prosessering 8,15.

Figur 2B illustrerer spaltning av det samme EEG-signalet inn i komponenten frekvensbånd. Resultatene fra Spektrummaske analyse avslører frekvensinnholdet av signalet (figur 2C), hvorveden økning i kraft på en bestemt frekvens som en følge av tilstedeværelsen av den rytme innenfor EEG-signalet.

Som spektral makt, er MSE følsomme for kompleksiteten i oscillasjon komponenter som bidrar til signalet. Men i motsetning til spektral effekt, er MSE også følsom for interaksjonene mellom frekvens-komponentene (dvs. ikke-lineær dynamikk 18). Kompleksiteten av en EEG-signalet er representert som en funksjon av prøve entropi (figur 5) over flere tidsrammer (figur 4). Som illustrert i figur 3, er sample entropi lav for vanlige signaler og øker med graden av signal tilfeldighet. I motsetning til tradisjonelle entropi tiltak som øker med graden av tilfeldighet, er multiscale entropi stand til å skille komplekse signaler fra hvit støy ved å vurdere entropi tvers av flere tidsrammer. For eksempel Costa et al., 2005 sammenlignet multiscale entropi verdier feller uncorrelated (hvit) støy versus korrelert (rosa) støy. Mens prøven entropi var større for hvit støy enn rosa støy på fin tidsskala, ble det motsatte observert ved grovere tidsrammer 5-20. Med andre ord, når entropien ble behandlet over flere tidsrammer, ble den sanne kompleksiteten av signalene mer nøyaktig representert enn det som ville være hvis bare én tidsskala ble vurdert. Avhengig av de temporale dynamikken i et bestemt kontrast, kan kondisjonere effekter uttrykkes: 1) på samme måte i alle timescales, 2) på noen tidsskalaer men ikke andre, eller 3) som krysning effekter hvorved kontrasten er forskjellig ved fin versus grovere tidsrammer.

Figur 6 viser tilstanden forskjeller i ERP (figur 6A), spektral effekt (figur 6B), MSE (figur 6C) kontrasterende de innledende versus gjenta presentasjoner av ansikt fotografier ni. I dette eksemplet er alle tiltak som konvergerte å avsløreden samme virkning, men er den observerte nedgang i prøven entropi som følger ansikt repetisjon viktig fordi den begrenser tolkningen av resultatene. En reduksjon i kompleksitet tyder på at den underliggende brukbart nettverk er enklere og mindre i stand til å prosessere informasjon.

Figur 7 viser statistiske resultater fra den multivariate analysen av delvis minste kvadraters 11 brukes på ERP, spektral makt og MSE. Eksperimentet manipulert kjennskap forbundet med forskjellige flater (Heisz et al., 2012). Kontrasten (søylediagram) viser at ERP amplitude skilles nye ansikter fra kjente fjes, men ikke blant de kjente ansiktene som varierte i mengden av tidligere eksponering. Spectral makten skilles ansikter etter ervervet kjennskap men ikke nøyaktig skille mellom ansiktene til middels og lav kjennskap. MSE var mest følsomme for tilstanden forskjeller i den prøven entropi-verdier økered med økende ansikt fortrolighet. Bildet tomter fange tid og rom fordeling av tilstanden effekt på tvers av alle elektroder og tid / frekvens / tidsskala. Dette eksempel viser en situasjon hvor analyse av EEG av MSE produsert unik informasjon som ikke kunne oppnås ved hjelp av tradisjonelle metoder for ERP eller spektral effekt. Denne divergens av MSE tyder på at forholdene varierer med hensyn til ikke-lineære aspekter av deres nettverk dynamikk, muligens involverer samspillet mellom ulike frekvenskomponenter.

Figur 1
Figur 1. A) EEG svar av et enkelt emne som en funksjon av amplitude utslag fra baseline for hvert forsøk plottet mot tiden fra starten av rettssaken. Hver prøve besto av presentasjon av et bilde av et ansikt bilde. Positive amplitude nedbøyninger er avbildet irød, mens negative amplitude nedbøyninger er avbildet i blått. Alle studier viser en positiv utslag rundt 100 ms og 250 ms, noe som indikerer event-related faselåste aktivitet. B) gjennomsnitt på tvers av alle studier som er avbildet i figur 1A produserer en gjennomsnittlig ERP bølgeform med forskjellige positive og negative utslag kalt event-relaterte komponenter og navngitt i henhold til en standard nomenklatur. For eksempel er P1 den første positivt gående komponent, og N170 er en negativ komponent som topper ved omtrent 170 msek etter stimulus utbruddet.

Figur 2
Figur 2. A) EEG svar fra en enkelt emne for en enkelt rettssak plotte amplitude av tiden (i datapunkter, samplingsfrekvens 512 Hz). B) Det EEG respons figur 2A båndpassfiltrert å isolere frekvensbåndene delta(0-4 Hz), theta (5-8 Hz), alfa-(9-12 Hz), beta (13-30 Hz) og gamma (> 30 Hz). C) spektrale effekttetthet av EEG responsen vist i figur 2A representerer frekvens sammensetning av signalet som en funksjon av strømmen etter frekvens. En økning i spektral effekt ved en bestemt frekvens reflekterer økningen i antall synkront aktive neuroner er innfanget innen det bestemte frekvensbånd. Trykk her for å vise større figur .

Figur 3
Figur 3 A) To simulert kurver:.. En vanlig eller forutsigbar kurve avbildet i lilla, og en mer stokastisk bølgeform avbildet i sort B) Eksempel entropi verdier av de to simulerte kurvene for de tre første tidsrammer. Sample entropier er lav for svært forutsigbare signaler enn flere stokastiske signaler. Klikk her for å se større figur .

Figur 4
Figur 4. Down-prøvetaking den opprinnelige tidsserier genererer flere tidsserier av varierende tidsskalaer. Tidsskala 1 er det opprinnelige tidsserier. Tidsserien av tidsskala to er skapt ved å dele den opprinnelige tidsserie i ikke-overlappende vinduer av lengde 2 og gjennomsnittlig datapunktene innenfor hvert vindu. For å generere tidsserier av etterfølgende tidsfrister, dele den opprinnelige tidsserie i ikke-overlappende vinduer av tidsskalaen lengde og gjennomsnittlig datapunktene innenfor hvert vindu.

Figur 5
Figur 5. En simulert bølgeform hvor hvert rektangel representerer ett enkelt datapunkt i tidsserien. Sample entropi anslår variasjonen i en tidsserie. I dette eksempel er m (mønsteret lengde) satt til to, noe som betyr at variansen til den amplitudemønster av hver tidsserie vil være representert i todimensjonal mot tre-dimensjonale rommet ved å betrakte sekvensen mønster av to mot tre påfølgende datapunkter, henholdsvis r (likheten-kriterium), reflekterer amplitudeområde (angitt av høyden på de fargede bånd) innenfor hvilke datapunkter anses å "passe". For å beregne prøven entropi for dette simulerte tidsserier, begynner med de første to-komponent sekvens mønster, rød-oransje. Først telle antall ganger den rød-oransje sekvens mønster forekommer i tidsserien, for det er 10 kamper for denne to-komponent sekvens. For det andre telle det antall ganger først trekomponents sekvens mønster, rød-oransje-hylow, oppstår i tidsserien, for det er fem kamper for denne tre-komponent sekvens. Fortsett på denne måte til neste tokomponent sekvens (orange-gul) og tre-komponent-sekvens (orange-gul-grønn). Antallet to-komponent kamper (5) og tre-komponent kamper (tre) for disse sekvensene er lagt til tidligere verdier (totalt to-komponent kamper = 15, totalt tre-komponent kamper = 8). Gjenta for alle andre sekvens kamper i tidsserien (opp til N - m) for å bestemme den totale forholdet mellom to-komponent kamper til tre-komponent kamper. Sample entropi er den naturlige logaritmen av dette forholdet. For hvert fag, beregne kanalen bestemt MSE estimat som gjennomsnittet i enkelt-rettssaken entropi tiltak for hver tidsskala.

Figur 6
Figur 6. Tilstand forskjeller i ERP (A), spektral strøm (B),MSE (C) kontrasterende de innledende versus gjentatte presentasjoner av ansikts fotografier. Klikk her for å se større figur .

Figur 7
Figur 7. Kontrastfarge EEG svar lært ansikter på tvers av tiltak av ERP, spektral makt, og multiscale entropi. Den søylediagrammer skildre kontrasten mellom forhold som bestemmes av partiell minste kvadraters analyse 11. Bildet tomten understreker romlig-temporal fordeling som denne kontrasten var mest stabile som bestemmes av bootstrapping. Verdiene representerer ~ z-skår og negative verdier betegne betydning for den inverse tilstand effekt. Klikk her for å se større figur .

Discussion

Målet med denne artikkelen var å gi et konseptuelt og metodisk beskrivelse av multiscale entropi (MSE) som det gjelder for EEG bildediagnostiske data. EEG er et kraftig ikke-invasiv neuroimaging teknikk som måler nevrale nettverk aktivitet med høy tidsoppløsning. EEG-signalet reflekterer post-synaptiske aktiviteten av bestander av pyramideformet cellene i hjernebarken, som kollektive reaksjoner er endret av ulike eksitatoriske og hemmende innadgående tilkoblinger. Følgelig, det er flere måter å analysere EEG data og hver metode ekstraherer en unik del av dataene.

Vi diskuterte to vanlige metoder for analyse: event-related potensial (ERP) analyse og spektral maktanalyse. ERP analyse fanger synkron neuronal aktivitet i EEG-signalet som er faselåste til utbruddet av en diskret hendelse. Erps reflektere spesifikke perseptuelle, motor, eller kognitive operasjoner, noe som gjør denne statistikken ideelt for å undersøke specIFIC prosesstrinnene. Spektral-analyse kraft kvantifiserer det relative bidraget av en bestemt frekvens til EEG-signalet. Forskjellige stimulerende og hemmende feedbacksløyfer samhandler for å rive med aktiviteten av nevronale populasjoner på en bestemt frekvens 1,3. Slik synkronisering mellom ulike områder av hjernen er tenkt å fremme binding av informasjon på tvers utbredt nevrale nettverk. Det er en rik litteratur som støtter koblingen mellom makt innenfor et bestemt frekvensområde og en bestemt emosjonell eller kognitiv tilstand av funksjon tre.

Ved å analysere EEG er det også viktig å huske på at nevrale nettverk er komplekse systemer med ikke-lineær dynamikk. Slik kompleksitet er reflektert i EEG-signalet som uregelmessige svingninger som ikke er en konsekvens av meningsløse bakgrunnsstøy. Som synkron oscillasjon aktivitet, samspillet mellom ulike eksitatoriske og hemmende innadgående løkker forårsake forbigående influensactuations i hjernen signal over tid 6.. Slike transienter antas å reflektere overganger eller bifurcations mellom nettverk mikrotilstander som kan brukes for å anslå graden av frihet eller kompleksitet av det underliggende nettverk; større variabilitet i amplituden mønster av signalet over tid er en indikasjon på et mer komplekst system 5. Kritisk, ERP eller spektrale strøm analyser ikke er følsomme for slike uregelmessig aktivitet, mens MSE er. Videre kan en indeks av nettverk, ikke fås ved ganske enkelt å telle antall aktive områder av hjernen som en slik fremgangsmåte er blinde for transient og dynamisk tilbakevendende interaksjoner mellom hjerneregioner.

Komplementære metoder for neuroimaging analyse kombineres for å skape et komplett bilde av den underliggende nevrale aktiviteten. Tolkningen av resultatene fra mer tradisjonelle anvendelser av bildediagnostiske data, for eksempel ERP og spektral makt, er utvidet med tiltak av kompleksitet som MSE; MSE tilbyr en måte å fange sekvensen av endringer i tid og rom mønstre av hjernens aktivitet på tvers av flere tidsskalaer som bidrar til en spesifikk kognitiv operasjon. Påføring MSE til nye og eksisterende datasett kan gi ytterligere innsikt i hvordan kognisjon kommer fra nevrale nettverk dynamikk.

Disclosures

Ingen interessekonflikter erklært.

Materials

Name Company Catalog Number Comments
EEG BioSemi

DOWNLOAD MATERIALS LIST

References

  1. Bressler, S. L. Event-related potentials. The Handbook of Brain Theory and Neural Networks. Arbib, M. A. MIT Press. Cambridge, MA. 412-415 (2002).
  2. Bressler, S. L., McIntosh, A. R. The role of neural context in large-scale neurocognitive network operations. Springer Handbook on Brain Connectivity. Jirsa, V. K., McIntosh, A. R. Springer. New York. 403-419 (2007).
  3. Buzsaki, G. Rhythms of the brain. Oxford University Press. (2006).
  4. Costa, M., Goldberger, A., Peng, C. Multiscale entropy analysis of biological signals. Phys. Rev. E. 712, 1-18 (2005).
  5. Deco, G., Jirsa, V., McIntosh, A. R. Emerging concepts for the dynamical organization of resting-state activity in the brain. Nat. Rev. Neurosci. 12, 43-56 (2011).
  6. Friston, K. J. The labile brain. I. Neuronal transients and nonlinear coupling. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 355, 215-236 (2001).
  7. Gatlin, L. Information Theory and the Living System. Columbia University Press. New York. (1972).
  8. Heisz, J. J., Shedden, J. M. Semantic learning modifies perceptual face processing. Journal of Cognitive Neuroscience. 21, 1127-1134 (2009).
  9. Heisz, J. J., Shedden, J. M., McIntosh, A. R. Relating brain signal variability to knowledge representation. NeuroImage. 63, 1384-13 (2012).
  10. Lake, D. E., Richman, J. S., Griffin, P., Moorman, J. R. Sample entropy analysis of neonatal heart rate variability. Am. J. Physiol. Regul. Integr. Comp. Physiol. 283, R789-R797 (2002).
  11. Lobaugh, N. J., West, R., McIntosh, A. R. Spatiotemporal analysis of experimental differences in event-related potential data with partial least squares. Psychophysio. 38, 517-530 (2001).
  12. McIntosh, A. R., Kovacevic, N., Itier, R. J. Increased brain signal variability accompanies behavioral variability in development. PLoS Computational Biology. 4, 7 (2008).
  13. Picton, T. W., Bentin, S., Berg, P., Donchin, E., Hillyard, S. A., Johnson, R., et al. Guidelines for using human event-related potentials to study cognition: Recording standards and publication criteria. Psychophysiology. 37, 127-152 (2000).
  14. Richman, J. S., Moorman, J. R. Physiological time series analysis using approximate entropy and sample entropy. Am. J. Physiol. Heart Circ Physiol. 278, H2039-H2049 (2000).
  15. Rossion, B., Jacques, C. Does physical interstimulus variance account for early electrophysiological face sensitivity responses in the human brain? Ten lessons on the N170. NeuroImage. 39, 1959-1979 (2008).
  16. Shannon, C. E. A Mathematical Theory of Communication. The Bell System Technical Journal. 27, 379-423 (1948).
  17. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: review of an emerging field. Clinical Neurophysiology. 116, 2266-2301 (2005).
  18. Vakorin, V. A., McIntosh, A. R. Mapping the multi-scale information content of complex brain signals. Principles of Brain Dynamics: Global State Interactions. Rabinovich, M. I., Friston, K. J., Varona, P. The MIT Press. (2012).

Comments

0 Comments


    Post a Question / Comment / Request

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

    Video Stats