Aplicações de dados de EEG Neuroimagem: potenciais relacionados a eventos, espectral de potência, e Multiscale Entropia

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

Summary

Neuroimagem pesquisadores geralmente consideram a resposta do cérebro como a atividade média entre os ensaios experimentais repetidas e desconsiderar a variabilidade do sinal ao longo do tempo como "ruído". No entanto, torna-se claro que não há sinal de que o ruído. Este artigo descreve o novo método de multiescalar entropia para quantificar a variabilidade do sinal do cérebro no domínio do tempo.

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

Ao considerar os dados de neuroimagem humanos, uma valorização da variabilidade do sinal representa uma inovação fundamental na forma como pensamos sobre o sinal do cérebro. Normalmente, os investigadores representam a resposta do cérebro como a média entre os ensaios experimentais repetidas e desconsiderar flutuações de sinal ao longo do tempo como "ruído". No entanto, torna-se claro que a variabilidade do sinal do cérebro transmite informações funcional significativo sobre a dinâmica de redes neurais. Este artigo descreve o novo método de entropia multiescala (MSE) para quantificar a variabilidade do sinal do cérebro. MSE pode ser particularmente informativo da dinâmica de rede neural, porque mostra dependência prazo e sensibilidade à dinâmica linear e não linear dos dados.

Introduction

Os recentes avanços na neuroimagem têm aumentado dramaticamente nossa compreensão da função cerebral. No entanto, muitas das aplicações de dados neuroimagem tendem a reforçar o ponto de vista do cérebro em estados estáticos, em detrimento operações cognitivas como elas se desenvolvem em tempo real. Por conseguinte, pouco se sabe sobre a estrutura do espaço-tempo de redes cerebrais e como a sequência de alterações nos padrões espaço-temporais em várias escalas de tempo contribui para um funcionamento cognitivo específico. O presente artigo descreve a entropia multiescala (MSE) 5, uma nova ferramenta analítica para neuroimagem de dados que analisa a complexidade do padrão espaço-temporal subjacente operações cognitivas específicas, fornecendo informações sobre a forma como diferentes geradores neurais em uma rede funcional do cérebro se comunicam através de múltiplas escalas de tempo.

Derivado da teoria da informação, um ramo da matemática aplicada 7,16, MSE foi originally concebido para analisar a complexidade de electrocardiogramas 4. Em teoria, o MSE poderia ser utilizado para analisar a complexidade de qualquer série de tempo, o requisito primário é que as séries de tempo do sinal contém pelo menos 50 pontos de tempo contínuo de dados. No entanto, a escala de tempo de dependência e sensibilidade à dinâmica lineares e não lineares dos dados pode fazer MSE particularmente informativa da dinâmica de rede neural.

Aqui, vamos nos concentrar sobre a aplicação da MSE de eletroencefalograma (EEG) de dados de neuroimagem 9,12. EEG é uma técnica de neuroimagem não invasivo pelo qual eletrodos que são colocados no couro cabeludo capturar as respostas pós-sinápticas das populações de neurônios no neocórtex 1. Com alta resolução temporal, EEG facilmente se encontra com o comprimento de séries temporais requisito de MSE sem alterar o protocolo de aquisição típico. Para sublinhar a utilidade da aplicação do MSE para dados de EEG, que compara este método inovador com abordagens mais tradicionais including poder potencial e espectral relacionados ao evento. Quando utilizados em conjunto, esses métodos de análise complementares fornecer uma descrição mais completa dos dados que podem levar a uma maior visão das operações de rede neural que dão origem a cognição.

Protocol

1. Aquisição de EEG

  1. Explicar os procedimentos experimentais para o participante e obter o consentimento informado.
  2. Aplicar drop-down eletrodos. Limpe a área do rosto onde eletrodos drop-down será localizado usando um algodão embebido em álcool.
  3. Coloque a tampa do eletrodo sobre a cabeça do participante. Meça a circunferência da cabeça do participante e escolha o tamanho da tampa adequada. Seguindo o sistema internacionalmente reconhecido 10-20 para colocação dos eletrodos, medir a distância entre nasion para inion ao longo da linha média e dividir por 10%. Usando esse número, mede-se a partir de nasion e marca. Alinhe o eletrodo cap posição Fp com esta marca e puxar a tampa. Certifique-se de que o centro da tampa está alinhado com o nariz. Meça nasion para Cz, e confirmar que esta distância é a metade da distância do nasion para inion. Aperte o barbicha.
  4. Coloque o gel-cheia seringa sem corte de ponto nos suportes de eletrodos. Para criar uma coluna de gel condutor, comece em contato como couro cabeludo, em seguida, aperte e puxe para trás. Note-se que a aplicação de um excesso de gel pode colmatar os sinais dos eléctrodos vizinhos.
  5. Fix eletrodos ativos nos suportes de eletrodos.
  6. Posicione o motivo na frente do monitor a uma distância apropriada para o experimento. Pergunte ao participante a permanecer imóvel, enfatizando a importância de minimizar os movimentos dos olhos e pisca para uma gravação limpa.
  7. Examine as conexões de eletrodos e qualidade do sinal EEG no computador de aquisição. Verifique se todos os deslocamentos de eletrodos são baixos (<40 mV) e estável. Se houver um problema com um eletrodo particular, tirar essa eletrodo e reaplique gel para ajustar impedâncias naquele site.
  8. Salve o arquivo e iniciar o experimento.

2. Análise de EEG

  1. Após a experimentação, mas antes de extrair a estatística de interesse particular, pré-processar os dados de EEG contínuo para remover artefatos que utilizam os procedimentos padrão de filtragem de umrejeição artefato nd. Cortar o EEG contínuo em épocas correspondentes a cada evento discreto, tal como a apresentação de fotografia. Em cada época, incluem uma janela de pré-estimulação de 100 mseg, como uma linha de base.
  2. Análise de potenciais eventos relacionados (ERP) capta a actividade cerebral de fase síncrona que é bloqueado para o início do acontecimento. Média entre os ensaios para separar as respostas evocadas do "barulhento" (ou seja, não-fase bloqueado) atividade de fundo. A variabilidade entre os ensaios e entre-sujeitos apresenta um grande desafio para o método de análise de ERP. Para conseguir uma boa relação sinal-ruído do protocolo experimental deve incluir muitos eventos discretos com latências definíveis. Tempo de bloqueio a resposta do cérebro ao aparecimento de um evento marcante e, em seguida, uma média ao longo de muitos eventos como ajuda a reduzir um pouco dessa ruído, no entanto, a sincronia temporal, criado por este procedimento normalmente se dissolve dentro de 1 seg. Identificar os componentes de ERP amplitudes de pico e as latências para cada subjeto (para orientações mais detalhadas sobre a análise ERP, consulte Picton et al., 2000).
  3. Utilizando a análise de Fourier transforma o sinal de EEG do domínio do tempo para o domínio da frequência e se decompor o sinal em suas ondas sinusoidais compósitos de diferentes frequências de 6.
  4. Multiescala entropia (EPM) é uma métrica teórico informação que estima a variabilidade dos sinais neuroelectical ao longo do tempo e em várias escalas de tempo. Para fornecer uma representação conceitual de análise MSE, considerar duas formas de onda simuladas, uma onda regular e um mais estocástica. Valores de entropia da amostra são perto de zero para a forma de onda regular e ~ 2,5 para a forma de onda mais variável. Um aumento da entropia amostra corresponde a um aumento na complexidade do sinal, o qual, de acordo com a teoria da informação, pode ser interpretado como um aumento no valor de capacidade de processamento de informação do sistema subjacente 7,16. Recordar que a capacidade de um cérebro não é fixo, mas muda depending no contexto neural 2, ou seja, as regiões do cérebro que venham a ser funcionalmente conectados em um determinado ponto no tempo.
  5. Para calcular o MSE, usar o algoritmo disponível no www.physionet.org/physiotools/mse/ , que calcula o MSE em duas etapas.
  6. Primeiro, o algoritmo progressivamente-amostras para baixo da série histórica EEG por tentativa e por condição. Down-amostra da série temporal original para gerar múltiplas séries de tempo de diferentes prazos. Séries temporais 1 é a série de tempo original. Para criar a série temporal dos prazos seguintes, dividir a série temporal original em não sobrepostos janelas do comprimento médio prazo e os pontos de dados dentro de cada janela. Sub-amostragem é semelhante à filtragem passa-baixo, dividindo a frequência de amostragem da escala de tempo irá aproximar a frequência com a qual o sinal é filtrado em passa-baixo para que a escala de tempo específico. A aplicação de um par de MSEgama de frequência cular (por exemplo, alfa: 9 Hz e 12 Hz) pode ser interpretada como representando a composição de ritmos dentro desse intervalo, bem como a interacção entre estas frequências.
  7. Em segundo lugar, o algoritmo calcula a entropia de amostra para cada série de tempo de granulação grossa 14. Amostra entropia calcula a complexidade de uma série temporal. Numa análise não linear de EEG, supõe-se que uma série de tempos individuais representa a manifestação de um modelo de dinâmica não linear multidimensional subjacente (ver Stam, 2005, para uma revisão). Neste exemplo, m (comprimento padrão) é definida como dois, o que significa que a variação do padrão de amplitude de cada uma das séries de tempo será representada no espaço bidimensional contra tridimensional, considerando o padrão de sequência de dois contra três consecutivos Os pontos de dados, respectivamente. Parâmetro r (o critério de similaridade), reflecte a variação de amplitude (representada pela altura das bandas coloridas) dentro do qual os dados aponta umre considerado "match". Para uma série temporal EEG típico com mais de 100 pontos de dados, defina o parâmetro m igual a 2 eo parâmetro r igual a um valor entre 0,5 e 1 (ver Richman e Moorman, 2000; por um procedimento detalhado sobre a seleção de parâmetros se referem ao Lago et ai., 2002).
    Para o cálculo da amostra entropia para esta série tempo simulado, comece com o primeiro padrão seqüência de dois componentes, vermelho-alaranjado. Em primeiro lugar, contar o número de vezes que o padrão de seqüência de vermelho-alaranjado ocorre na série histórica, há 10 partidas para esta seqüência de dois componentes. Em segundo lugar, a contagem do número de vezes primeiro padrão de sequência de três componentes, vermelho-laranja-amarelo, ocorre na série de tempo, existem cinco partidas para esta sequência de três componentes. Continue com as mesmas operações para a próxima seqüência de dois componentes (amarelo-laranja) e na próxima seqüência de três componentes (laranja-amarelo-verde) da série temporal. O número de jogos de dois componentes (5) e os jogos de três componentes (3) para estes sequencialmenteces são adicionados aos valores anteriores (total de jogos de dois componentes = 15; totais jogos de três componentes = 8). Repita o procedimento para todos os outros jogos de seqüência na série temporal (até N - m) para determinar a proporção total de partidas de dois componentes para jogos de três componentes. Amostra entropia é o logaritmo natural da relação. Para cada assunto, calcular a estimativa MSE específico canal como a média através de medidas simples de entropia de ensaios para cada escala de tempo.

Representative Results

As figuras 1A e 2A representam o sinal de EEG em resposta à apresentação de uma imagem de face de. Média transversalmente como ensaios produz uma onda de ERP, que consiste de uma série de desvios positivos e negativos chamados de componentes de ERP. Figura 1B ilustra uma forma de onda média em um único assunto e Figura 6A ilustra uma forma de onda média de mil por um grupo de indivíduos. Há uma rica literatura que relaciona cada componente ERP a um determinado perceptual, motor, ou funcionamento cognitivo. Por exemplo, o N170 é um desvio negativo que picos em aproximadamente 170 ms início de pós-estímulo e está envolvida no processamento de rosto 8,15.

A Figura 2B ilustra a decomposição desse mesmo sinal de EEG em bandas de frequências dos componentes. Os resultados da análise espectral de potência revelar o conteúdo de frequência do sinal (Figura 2C), em queum aumento na potência com uma frequência reflecte um aumento na presença de que o ritmo dentro do sinal de EEG.

Como poder espectral, MSE é sensível à complexidade dos componentes que contribuem para a oscilatórios sinal. No entanto, ao contrário de potência espectral, MSE também é sensível às interações entre os componentes de freqüência (ou seja, a dinâmica não-linear 18). A complexidade de um sinal de EEG é representada como uma função da entropia da amostra (Figura 5), ao longo de várias escalas de tempo (Figura 4). Tal como ilustrado na Figura 3, a amostra é entropia baixa para sinais normais e aumenta com o grau de aleatoriedade de sinal. Ao contrário de medidas de entropia tradicionais que aumentam com grau de aleatoriedade, multiscale entropia é capaz de diferenciar sinais complexos de ruído branco por considerar entropia em várias escalas de tempo. Por exemplo, Costa et al., 2005, em comparação multiscale valores entropia fou não correlacionado (branco) contra o ruído correlacionado (rosa) de ruído. Enquanto amostra entropia foi maior para o ruído branco do que o ruído rosa na fina escala de tempo, o oposto foi observado em mais grosseiras prazos 5-20. Em outras palavras, quando a entropia foi considerada em várias escalas de tempo, a verdadeira complexidade dos sinais foi representada com mais precisão do que seria se apenas uma única escala de tempo foi considerado. Dependendo das dinâmicas temporais de um contraste específica, os efeitos de condição pode ser expressa: 1) da mesma forma em todas as escalas de tempo, 2) em algumas escalas de tempo, mas não a outra, ou 3), os efeitos do cruzamento em que o contraste é diferente em finos contra grosseira prazos.

A Figura 6 mostra as diferenças de condição em ERP (Figura 6A), potência espectral (Figura 6B), MPE (Figura 6C) contrastando as apresentações iniciais contra repetição da cara fotografias 9. Neste exemplo, todas as medidas convergiram para revelarNo mesmo sentido, no entanto, a diminuição observada na amostra de entropia que acompanha cara repetição é importante, uma vez que restringe a interpretação dos resultados. Uma diminuição na complexidade sugere que a rede funcional subjacente é mais simples e menos capaz de processar a informação.

A Figura 7 mostra os resultados estatísticos de análise multivariada de mínimos quadrados parciais de 11 aplicados ao ERP, potência espectral e MSE. O experimento manipulou a familiaridade associados a diferentes faces (Heisz et al., 2012). O contraste (gráfico de barras) mostra que o ERP amplitude distinguido novos rostos a partir de rostos familiares, mas não entre as caras conhecidas que variaram em quantidade de exposição prévia. Espectral de potência distinguido enfrenta acordo com familiaridade adquirida, mas não distinguir com precisão entre as faces de familiaridade média e baixa. MSE foi mais sensível às diferenças de condições no que a amostra de entropia valores cada vezed com o aumento da familiaridade face. As parcelas imagem captura a distribuição espaço-temporal do efeito condição em todos os eletrodos e tempo / freqüência / calendário. Este exemplo demonstra uma situação em que a análise de EEG por MSE produziu informação única que não foi obtido utilizando os métodos tradicionais de ERP ou de potência espectral. Esta divergência de MSE sugere que as condições são diferentes no que diz respeito aos aspectos não-lineares de suas dinâmicas de rede, possivelmente envolvendo as interações entre os vários componentes de freqüência.

Figura 1
Figura 1. D) As respostas de EEG de um único objecto, como uma função da amplitude da deflexão a partir da linha de base para cada ensaio, em função do tempo a partir do início do ensaio. Cada teste consistiu na apresentação de uma fotografia de uma imagem da face de. Deflexões amplitude positiva são descritos emvermelho; desvios de amplitude negativos são representados em azul. Todos os ensaios mostram um desvio positivo em torno de 100 ms e 250 ms, indicando relacionados ao evento de bloqueio de fase atividade. B) Calculando a média em todos os ensaios descritos na Figura 1A produz uma onda de ERP médio com desvios positivos e negativos distintas chamadas componentes relacionados ao evento e nomeado de acordo com uma nomenclatura padrão. Por exemplo, P1 é o primeiro componente positivo indo, e N170 é um componente negativa que picos a cerca de 170 mseg início pós-estímulo.

Figura 2
Figura 2. A) A resposta EEG de um único assunto para um único julgamento plotagem amplitude de tempo (em pontos de dados, taxa de amostragem de 512 Hz). B) A resposta EEG da Figura 2A banda filtrada para isolar faixas de freqüência delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) e gama (> 30 Hz). C), a densidade de potência espectral do EEG de resposta representada na Figura 2A que representa a composição do sinal em função do poder de frequência de frequência. Um aumento na potência espectral em uma freqüência particular reflete um aumento no número de neurônios de forma síncrona ativos arrastadas dentro dessa faixa de freqüência particular. Clique aqui para ver a figura maior .

Figura 3
Figura 3 A) Duas formas de onda simuladas:.. Uma onda regular ou previsível representado em roxo, e uma forma de onda mais estocástico representado em preto B) valores de entropia amostra de duas formas de onda simuladas para os três primeiros prazos. Amostra entropy é baixa para sinais altamente previsíveis do que os sinais mais estocásticos. Clique aqui para ver a figura maior .

Figura 4
Figura 4. Down-amostragem da série e hora original gera várias séries de tempo de diferentes prazos. Timescale 1 é a série de tempo original. A série temporal de escala de tempo 2 é criado através da divisão do tempo original em série não sobrepostos janelas de comprimento e 2 pontos médios de dados dentro de cada janela. Para gerar a série temporal de prazos seguintes, dividir a série temporal original em não sobrepostos janelas do comprimento médio prazo e os pontos de dados dentro de cada janela.

Figura 5
Figura 5. Uma forma de onda simulada onde cada retângulo representa um único ponto de dados da série histórica. Amostra entropia estima a variabilidade de uma série temporal. Neste exemplo, m (comprimento padrão) é definida como dois, o que significa que a variação do padrão de amplitude de cada uma das séries de tempo será representada no espaço bidimensional contra tridimensional, considerando o padrão de sequência de dois contra três consecutivos Os pontos de dados, respectivamente, R (o critério de similaridade), reflecte a variação de amplitude (representada pela altura das bandas coloridas) dentro da qual os pontos de dados são considerados "corresponder". Para o cálculo da amostra entropia para esta série tempo simulado, comece com o primeiro padrão seqüência de dois componentes, vermelho-alaranjado. Em primeiro lugar, contar o número de vezes que o padrão de seqüência de vermelho-alaranjado ocorre na série histórica, há 10 partidas para esta seqüência de dois componentes. Em segundo lugar, contar o número de vezes que primeiro padrão seqüência de três componentes, vermelho-laranja-gritoow, ocorre na série histórica, há 5 jogos para esta seqüência de três componentes. Continuar dessa maneira para a próxima seqüência de dois componentes (amarelo-laranja) e três componentes de seqüência (laranja-amarelo-verde). O número de jogos de dois componentes (5) e os jogos de três componentes (3) para estas sequências são adicionados aos valores anteriores (total de dois componentes jogos = 15, total de jogos de três componentes = 8). Repita o procedimento para todos os outros jogos de seqüência na série temporal (até N - m) para determinar a proporção total de partidas de dois componentes para jogos de três componentes. Amostra entropia é o logaritmo natural da relação. Para cada assunto, calcular a estimativa MSE específico canal como a média através de medidas simples de entropia de ensaios para cada escala de tempo.

Figura 6
Figura 6. Diferenças condição em ERP (A), potência espectral (B),MSE (C) contrastando as apresentações iniciais contra repetida de fotografias faciais. Clique aqui para ver a figura maior .

Figura 7
Figura 7. Contrastando a resposta ao EEG rostos aprendidas através de medidas de ERP, espectral de potência, e multiscale entropia. Os gráficos de barras retratam o contraste entre as condições, conforme determinado pela análise de mínimos quadrados parciais 11. O enredo imagem destaca a distribuição espaço-temporal em que esse contraste era mais estável, conforme determinado pelo bootstrapping. Os valores representam ~ z pontuações e valores negativos indicam significância para o efeito condição inversa. Clique aqui para ver a figura maior .

Discussion

O objetivo do presente artigo foi apresentar uma descrição conceitual e metodológica de entropia multiescala (MSE), que se aplica aos dados de neuroimagem EEG. EEG é uma técnica não-invasiva neuroimagem poderoso que mede a actividade da rede neural com a alta resolução temporal. O sinal de EEG reflecte a actividade pós-sináptica de populações de células piramidais no córtex, cujas respostas colectivas são modificados por diversas ligações reentrantes de excitação e de inibição. Assim, existem várias maneiras de analisar os dados de EEG e cada método extrai um aspecto único dos dados.

Discutimos dois métodos comuns de análise: potencial (ERP) de análise relacionados ao evento e análise espectral de potência. Análise ERP capta a actividade neuronal síncrono no sinal EEG, que é de bloqueio de fase para o aparecimento de um evento discreto. ERPs refletir específico perceptual, motor ou operações cognitivas, fazendo com que esta estatística ideal para a análise de especificaçõesestágios de processamento ific. Análise espectral de potência quantifica a contribuição relativa de uma determinada freqüência para o sinal de EEG. Vários loops de feedback excitatórios e inibitórios interagir para arrastar a atividade de populações neuronais em uma determinada freqüência de 1,3. Essa sincronia entre as regiões cerebrais diferentes é pensado para promover a ligação da informação através de redes neurais generalizadas. Há uma rica literatura de apoio à ligação entre o poder dentro de uma faixa de freqüência específica e um estado emocional ou cognitivo específico da função 3.

Ao analisar EEG também é importante ter em mente que as redes neurais são sistemas complexos com dinâmica não-linear. Tal complexidade se reflete no sinal de EEG como oscilações irregulares que não são consequência de ruído de fundo sem sentido. Como atividade oscilatório síncrona, as interações entre os vários ciclos de reentrada excitatórios e inibitórios causar gripe passageiractuations no sinal do cérebro ao longo do tempo 6. Tais transientes são acreditados para reflectir transições ou bifurcações entre micro-rede que podem ser usados ​​para estimar o grau de liberdade ou a complexidade da rede subjacente, uma maior variabilidade no padrão de amplitude do sinal ao longo do tempo é um indicativo de um sistema mais complexo 5. Criticamente, ERP ou análise espectral de potência não são sensíveis a essa atividade irregular, enquanto MSE é. Além disso, um índice de complexidade da rede não pode ser obtida, contando simplesmente o número de regiões cerebrais activos como tal método é cega às interacções recorrentes transientes e dinâmica entre as regiões do cérebro.

Métodos complementares de neuroimagem análise se combinam para criar um quadro completo da atividade neural subjacente. A interpretação dos resultados das aplicações mais tradicionais de dados de neuroimagem, tais como ERP e espectral de potência, são aumentadas por medidas de complexidade como o MSE; MSE fornece uma maneira de capturar a seqüência de mudanças nos padrões espaço-temporais de atividade cerebral em várias escalas de tempo que contribui para um funcionamento cognitivo específico. Aplicando MSE para conjuntos de dados novos e existentes podem fornecer mais informações sobre a forma como a cognição emerge da dinâmica de redes neurais.

Disclosures

Não há conflitos de interesse declarados.

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