Applications de l'EEG données de neuro-imagerie: les potentiels évoqués, puissance spectrale et multi-échelle Entropy

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

Summary

Chercheurs considèrent généralement neuroimagerie la réponse du cerveau comme l'activité moyen pour les essais expérimentaux répétés et ne tiennent pas compte la variabilité du signal au fil du temps comme un «bruit». Cependant, il devient clair que le signal dans le bruit qui y est. Cet article décrit le nouveau procédé de multi entropie pour quantifier la variabilité du signal cérébral dans le domaine temporel.

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

Lors de l'examen des données de neuro-imagerie de l'homme, une appréciation de la variabilité du signal représente une innovation fondamentale dans la façon dont nous pensons à signal cérébral. Généralement, les chercheurs représentent la réponse du cerveau comme le moyen pour des essais expérimentaux répétés et ne tiennent pas compte des fluctuations de signal dans le temps comme un «bruit». Cependant, il devient clair que la variabilité du signal du cerveau transmet l'information fonctionnelle significative sur la dynamique des réseaux neuronaux. Cet article décrit le nouveau procédé de multi entropie (MSE) pour quantifier la variabilité du signal cérébral. MSE peut être particulièrement instructif de la dynamique des réseaux neuronaux, car il montre la dépendance calendrier et la sensibilité à la dynamique linéaire et non linéaire dans les données.

Introduction

Les progrès récents de neuro-imagerie ont considérablement augmenté notre compréhension du fonctionnement du cerveau. Cependant, la plupart des applications des données de neuro-imagerie ont tendance à renforcer le point de vue du cerveau dans des états statiques plutôt que d'insister sur des opérations cognitives telles qu'elles se déroulent en temps réel. Par conséquent, on en sait peu sur la structure spatio-temporelle des réseaux cérébraux et comment la séquence des changements dans les modes spatio-temporelles sur plusieurs échelles de temps contribue à un fonctionnement cognitif spécifique. Le présent article décrit multi entropie (MSE) 5, un nouvel outil analytique pour la neuro-imagerie données qui examine la complexité de la structure spatio-temporelle qui sous-tend les opérations de la cognition spécifiques en fournissant des informations sur la façon dont différents générateurs de neurones dans un réseau communiquent cérébrale fonctionnelle sur plusieurs échelles de temps.

Dérivé de la théorie de l'information, une branche des mathématiques appliquées 7,16, MSE était originalment conçue pour examiner la complexité des électrocardiogrammes 4. En théorie, MSE pourrait être utilisé pour analyser la complexité d'une série de temps; la première condition requise est que la série temporelle du signal contient au moins 50 points de temps continu de données. Toutefois, la dépendance calendrier et la sensibilité à la dynamique linéaire et non linéaire dans les données peuvent faire MSE particulièrement instructif de la dynamique des réseaux neuronaux.

Ici, nous nous concentrons sur l'application de MSE à l'électroencéphalogramme (EEG) neuroimagerie données 9,12. EEG est une technique de neuro-imagerie non invasive par lequel électrodes qui sont placées sur le cuir chevelu capturer les réponses post-synaptiques de populations de neurones dans le néocortex 1. Avec une haute résolution temporelle, EEG répond facilement la longueur des séries temporelles requis de MSE sans modifier le protocole d'acquisition typique. Pour souligner l'utilité de l'application des MSE aux données EEG, nous comparons cette nouvelle méthode plus traditionnelle approches including alimentation de potentiel et spectrale événement lié. Lorsqu'ils sont utilisés ensemble, ces méthodes d'analyse complémentaires fournissent une description plus complète des données qui peuvent conduire à d'autres renseignements sur les opérations de réseau de neurones qui donnent lieu à la cognition.

Protocol

1. Acquisition EEG

  1. Expliquer les procédures expérimentales pour le participant et obtenir un consentement éclairé.
  2. Appliquer déroulantes électrodes. Nettoyer la zone du visage où électrodes déroulant ci seront situés en un tampon imbibé d'alcool.
  3. Placer capuchon d'électrode sur la tête du participant. Mesurez la circonférence de la tête du participant et choisissez la taille de chapeau approprié. Après le système 10-20 internationalement reconnu pour le placement des électrodes, mesurer la distance entre nasion inion le long de la ligne médiane et diviser par 10%. En utilisant ce nombre, à la hauteur de nasion et marque. Aligner l'électrode bouchon poste Fp avec cette marque et tirer le capuchon. Assurez-vous que le centre de la calotte est en ligne avec le nez. Mesurer nasion Cz, et de confirmer que cette distance est la moitié de la distance nasion inion. Serrez la jugulaire.
  4. Placer le gel-rempli seringue émoussée point dans les porte-électrodes. Pour créer une colonne de gel conducteur, commencer en contact avecle cuir chevelu, puis presser et tirer en arrière. Notez que l'application de trop de gel peut combler les signaux des électrodes voisines.
  5. Fixer électrodes actives dans les supports d'électrodes.
  6. Placer l'objet en face de l'écran à la distance appropriée pour l'expérience. Demandez au participant de rester immobile, en insistant sur l'importance de minimiser les mouvements oculaires et clignote pendant un enregistrement propre.
  7. Examiner les connexions d'électrodes et de la qualité du signal EEG sur l'ordinateur d'acquisition. Assurez-vous que tous les décalages d'électrodes sont faibles (<40 mV) et stable. S'il ya un problème avec une électrode particulière, sortez cette électrode et réappliquer gel pour ajuster les impédances sur ce site.
  8. Enregistrez le fichier et commencer l'expérience.

2. Analyse EEG

  1. Après l'expérimentation, mais avant d'en extraire la statistique d'intérêt particulier, prétraiter les données de l'EEG continu pour éliminer les artefacts en utilisant des procédures standard de filtrage d'unnd rejet d'artefact. Couper l'EEG continu en époques correspondant à chaque événement discret, comme la présentation de la photographie. Dans chaque époque, comporter une fenêtre de pré-stimulus de 100 ms comme référence.
  2. Potentiels (ERP) analyse liées à l'événement capte l'activité cérébrale synchrone qui est verrouillé en phase sur le début de l'événement. Moyenne entre les essais de séparer les réponses évoquées du «bruit» (c'est à dire non à verrouillage de phase) l'activité de fond. La variabilité entre les essais et inter-sujets constitue un défi majeur pour la méthode ERP d'analyse. Pour obtenir un bon rapport signal-sur-bruit le protocole expérimental devrait inclure de nombreux événements discrets avec onsets définissables. Temps de blocage de la réponse du cerveau à l'apparition d'un événement marquant, puis en moyenne plus nombreux événements comme aide à réduire une partie de ce bruit, mais la synchronisation temporelle créée par cette procédure se dissout typiquement moins de 1 sec. Identifier les ERP amplitudes et latences des pics composants pour chaque sousprojet (pour des directives plus détaillées sur l'analyse ERP, voir Picton et al., 2000).
  3. Utilisation de l'analyse de Fourier, de transformer le signal EEG à partir du domaine temporel vers le domaine fréquentiel, et décomposer le signal en ses ondes sinusoïdales composites de différentes fréquences 6.
  4. Multiscale entropie (MSE) est une métrique de théorie de l'information qui permet d'estimer la variabilité des signaux neuroelectical dans le temps et sur plusieurs échelles de temps. Pour fournir une représentation conceptuelle de l'analyse MSE, envisager deux formes d'onde simulée, une forme d'onde régulière et une plus stochastique. valeurs de l'entropie de l'échantillon sont proches de zéro pour la forme d'onde régulière et ~ 2,5 pour la forme d'onde plus variable. Une augmentation de l'entropie échantillon correspond à une augmentation de la complexité du signal, qui, selon la théorie de l'information, peut être interprété comme une augmentation de la quantité de capacité de traitement de l'information du système sous-jacent 7,16. Rappelez-vous que la capacité d'un cerveau n'est pas fixe mais les changements DePending sur le cadre 2 de neurones, à savoir les régions du cerveau qui se trouvent être connecté fonctionnellement à un point donné dans le temps.
  5. Pour calculer MSE, utiliser l'algorithme disponible à www.physionet.org/physiotools/mse/ , qui calcule MSE en deux étapes.
  6. Tout d'abord, l'algorithme diminuait progressivement échantillons de la série chronologique EEG par essai et par état. Bas-échantillon de la série chronologique originale de générer des séries chronologiques multiples pour différentes échelles de temps. une série de temps est la série temporelle d'origine. Pour créer la série temporelle des échelles de temps ultérieurs, diviser la série temporelle d'origine dans les fenêtres ne se chevauchent pas de l'échelle de temps et la longueur moyenne des points de données dans chaque fenêtre. De sous-échantillonnage est similaire à un filtrage passe-bas; diviser la fréquence d'échantillonnage par l'échelle de temps se rapprochera de la fréquence à laquelle le signal est filtré passe-bas pour que échelle de temps particulier. L'application de MSE à un pied d'égalitégamme de fréquence particulière (par exemple, l'alpha: 9 Hz à 12 Hz) peut être interprété comme représentant la composition des rythmes intérieur de cette fourchette, ainsi que de l'interaction entre ces fréquences.
  7. Deuxièmement, l'algorithme calcule l'entropie de l'échantillon pour chaque série temporelle grossière 14. entropie de l'échantillon estime que la complexité d'une série chronologique. Dans une analyse non linéaire de l'EEG, on suppose qu'une série montre individuel représente la manifestation d'un modèle dynamique non-linéaire multi-dimensionnelle sous-jacent (voir Stam, 2005 pour une revue). Dans cet exemple, le m (la longueur du motif) est fixé à deux, ce qui signifie que la variation du motif d'amplitude de chaque série chronologique est représenté dans un espace bidimensionnel par rapport à trois dimensions en prenant en compte le modèle de séquence de deux par rapport à trois consécutive points de données, respectivement. Le paramètre r (le critère de similarité), illustre le spectre d'amplitude (indiquée par la hauteur des bandes colorées) dans laquelle des données indique unere considéré comme "match". Pour une série chronologique EEG typique avec plus de 100 points de données, définissez le paramètre m égal à 2 et le paramètre r égale à une valeur comprise entre 0,5 et 1 (voir Richman et Moorman, 2000; une procédure détaillée sur la sélection des paramètres référer au lac et al., 2002).
    Pour calculer l'entropie échantillon de cette série de temps simulé, commencer par le premier motif de séquence à deux composants, rouge-orange. Tout d'abord, compter le nombre de fois que le motif de séquence rouge-orange se produit dans la série temporelle, il ya 10 correspondant à cette séquence à deux composants. D'autre part, comptent le nombre de fois où premier motif de séquence à trois composants, rouge-jaune-orange, se produit dans la série temporelle, il ya 5 correspondant à cette séquence à trois composants. Continuer avec les mêmes opérations pour la séquence à deux composants suivant (jaune-orange) et la séquence de trois composant suivant (orange-jaune-vert) de la série chronologique. Le nombre de matchs à deux composants (5) et des allumettes à trois composants (3) pour ces séquentielleCES sont ajoutés aux valeurs précédentes (total correspond à deux composants = 15; Nombre total de matches à trois composantes = 8). Répétez l'opération pour tous les autres matches de séquence dans la série chronologique (jusqu'à N - m) afin de déterminer le ratio total de matchs à deux composants pour les matchs à trois composants. entropie de l'échantillon est le logarithme naturel de ce ratio. Pour chaque sujet, calculer l'estimation du MSE spécifique des canaux comme le moyen pour des mesures d'entropie simples d'essai pour chaque échelle de temps.

Representative Results

Les figures 1A et 2A représentent le signal EEG en réponse à la présentation d'une image de visage. Moyenne à travers des essais comme produit une forme d'onde ERP qui se compose d'une série de déviations positives et négatives appelés composants ERP. Figure 1B illustre une forme d'onde moyenne pour un seul sujet et la figure 6A illustre une forme d'onde moyenne grandiose pour un groupe de sujets. Il existe une littérature riche qui concerne chaque composante ERP à une perception, de motricité spécifique, ou le fonctionnement cognitif. Par exemple, le N170 est une déviation négative qui culmine à environ 170 apparition post-stimulus msec et est impliqué dans le traitement des visages 8,15.

La figure 2B illustre la décomposition de ce même signal EEG dans les bandes de fréquences de composant. Les résultats de l'analyse spectrale de puissance indiquent la teneur en fréquence du signal (figure 2C), grâce à quoiune augmentation de la puissance à une fréquence particulière correspond à une augmentation de la présence de ce rythme dans le signal EEG.

Comme la puissance spectrale, MSE est sensible à la complexité des composantes oscillatoires qui contribuent au signal. Cependant, contrairement à l'énergie spectrale, MSE est également sensible aux interactions entre les composants de fréquence (ie dynamique non linéaire 18). La complexité d'un signal EEG est représenté comme une fonction de l'entropie d'échantillon (figure 5) sur plusieurs échelles de temps (figure 4). Comme le montre la figure 3, échantillon entropie est faible pour les signaux périodiques et augmente avec le degré d'aléa de signal. Contrairement aux mesures d'entropie traditionnelles qui augmentent avec le degré de hasard, multi entropie est capable de différencier les signaux complexes de bruit blanc en tenant compte de l'entropie sur plusieurs échelles de temps. Par exemple, Costa et al., 2005, comparativement multi valeurs entropie fou non corrélées (blanc) contre le bruit corrélé (rose) bruit. Bien que l'échantillon entropie était plus importante pour le bruit blanc de bruit rose à fines délai, le contraire a été observée à des échelles de temps plus grossières 5-20. En d'autres termes, lorsque l'entropie a été considérée sur plusieurs échelles de temps, la véritable complexité des signaux a été représentée avec plus de précision que ne le serait si un seul calendrier a été envisagée. Selon de la dynamique temporelle de contraste spécifique, les effets de l'état peuvent être exprimés: 1) de la même façon dans toutes les échelles de temps, 2) dans certains délais, mais pas d'autres, ou 3) que les effets du croisement où le contraste est différent à bien par rapport grossière délais.

La figure 6 illustre les différences de condition dans ERP (figure 6A), la puissance spectrale (figure 6B), MSE (Figure 6C) opposant les présentations initiales par rapport à répétition de photographies du visage 9. Dans cet exemple, toutes les mesures ont convergé pour révélerle même effet, mais la diminution observée dans l'échantillon d'entropie qui accompagne la répétition du visage est importante car elle limite l'interprétation des résultats. Une diminution de la complexité suggère que le réseau fonctionnelle sous-jacente est simple et capable de traiter moins d'informations.

La figure 7 illustre les résultats statistiques de l'analyse multivariée des moindres carrés partielle-11 appliqués aux ERP, la puissance spectrale et MSE. L'expérience a manipulé la connaissance associée avec différents visages (Heisz et al., 2012). Le contraste (graphique à barres) montre que ERP amplitude distingue nouveaux visages de visages familiers, mais pas parmi les visages familiers qui varient en quantité d'une exposition antérieure. Spectrale de puissance distingué face selon la familiarité acquise mais ne fait pas de distinction précise entre les faces de connaissance moyen et faible. MSE est plus sensible aux différences de conditions de cet échantillon entropie des valeurs de plused avec familiarité croissante du visage. Les parcelles de capture d'image de la répartition spatio-temporelle de l'effet de conditions à travers toutes les électrodes et le temps / fréquence / calendrier. Cet exemple illustre une situation dans laquelle l'analyse de l'EEG par MSE produite information unique qui n'a pas été obtenu en utilisant des méthodes traditionnelles d'ERP ou de la puissance spectrale. Cette divergence de MSE suggère que les conditions diffèrent en ce qui concerne les aspects non linéaires de la dynamique du réseau, impliquant éventuellement des interactions entre les différentes composantes de fréquence.

Figure 1
Figure 1. A) Les réactions EEG d'un seul sujet en fonction de la déviation d'amplitude de référence pour chaque essai en fonction du temps à partir du début de l'essai. Chaque essai consistait en la présentation d'une photographie d'une image de visage. Déviations d'amplitude positifs sont représentés dansrouge; déviations d'amplitude négatives sont représentées en bleu. Tous les essais montrent une déviation positive autour de 100 ms et 250 ms, ce qui indique événement lié à verrouillage de phase activité. B) calcul de la moyenne dans tous les essais décrits dans la figure 1A produit une forme d'onde ERP moyenne avec déviations positives et négatives distinctes appelées composantes liées aux événements et nommé selon une nomenclature standard. Par exemple, P1 est la première composante de sens positif, et N170 est un composant négatif qui culmine à environ 170 début de post-stimulus msec.

Figure 2
Figure 2. A) La réaction EEG d'un sujet unique pour un essai simple tracé d'amplitude en temps (dans les points de données, le taux d'échantillonnage de 512 Hz). B) La réaction EEG de la figure 2A filtré passe-bande afin d'isoler les bandes de fréquences de delta(0-4 Hz), thêta (5-8 Hz), alpha (9-12 Hz), bêta (13-30 Hz) et gamma (> 30 Hz). C) la densité de puissance spectrale de la réaction EEG représenté sur la figure 2A représente la composition de la fréquence du signal en fonction de la puissance de la fréquence. Une augmentation de la puissance spectrale à une fréquence particulière reflète une augmentation du nombre de neurones de façon synchrone actifs entraînées dans cette bande de fréquence particulière. Cliquez ici pour agrandir la figure .

Figure 3
Figure 3 A) Deux formes d'onde simulée:.. Une forme d'onde régulière ou prévisible représenté en violet, et une forme d'onde plus stochastique représenté en noir B) des valeurs de l'entropie des échantillons des deux ondes simulées pour les trois premières échéances. entr Sampleopy est faible pour les signaux hautement prévisibles que plus de signaux stochastiques. Cliquez ici pour agrandir la figure .

Figure 4
Figure 4. Sous-échantillonnage de la série chronologique originale génère plusieurs séries chronologiques différentes échelles de temps. Échelle de temps 1 est la série temporelle originale. La série temporelle de la résolution temporelle 2 est créé en divisant la série temporelle originale en non-chevauchement des fenêtres de longueur 2 et les points de données de la moyenne de chaque fenêtre. Pour générer de la série chronologique des échelles de temps ultérieurs, diviser la série temporelle d'origine dans les fenêtres ne se chevauchent pas de l'échelle de temps et la longueur moyenne des points de données dans chaque fenêtre.

Figure 5
Figure 5. Une forme d'onde simulée où chaque rectangle représente un seul point de données dans la série chronologique de l'entropie. Exemple estime la variabilité d'une série temporelle. Dans cet exemple, le m (la longueur du motif) est fixé à deux, ce qui signifie que la variation du motif d'amplitude de chaque série chronologique est représenté dans un espace bidimensionnel par rapport à trois dimensions en prenant en compte le modèle de séquence de deux par rapport à trois consécutive points de données, respectivement, R (le critère de similarité), illustre le spectre d'amplitude (indiquée par la hauteur des bandes colorées) dans lequel les points de données sont considérés comme des "match". Pour calculer l'entropie échantillon de cette série de temps simulé, commencer par le premier motif de séquence à deux composants, rouge-orange. Tout d'abord, compter le nombre de fois que le motif de séquence rouge-orange se produit dans la série temporelle, il ya 10 correspondant à cette séquence à deux composants. Deuxièmement, compter le nombre de fois où premier motif de séquence à trois composants, le rouge-orange-hurlementoe, se produit dans la série temporelle, il ya 5 correspondant à cette séquence à trois composants. Continuez de cette façon pour la séquence à deux composants suivant (jaune-orange) et la séquence à trois composants (orange-jaune-vert). Le nombre de matchs à deux composants (5) et des allumettes à trois composants (3) pour ces séquences sont ajoutés aux valeurs précédentes (total deux composants matchs = 15; Nombre total de matches à trois composantes = 8). Répétez l'opération pour tous les autres matches de séquence dans la série chronologique (jusqu'à N - m) afin de déterminer le ratio total de matchs à deux composants pour les matchs à trois composants. entropie de l'échantillon est le logarithme naturel de ce ratio. Pour chaque sujet, calculer l'estimation du MSE spécifique des canaux comme le moyen pour des mesures d'entropie simples d'essai pour chaque échelle de temps.

Figure 6
Figure 6. Différences de condition dans les ERP (A), la puissance spectrale (B),MSE (C) opposant les présentations initiales par rapport répétées des photographies du visage. Cliquez ici pour agrandir la figure .

Figure 7
Figure 7. Contrastant la réponse EEG aux visages tirés à travers des mesures d'ERP, la puissance spectrale et multi entropie. Les graphiques à barres dépeignent le contraste entre les conditions déterminées par analyse des moindres carrés partiels 11. L'intrigue image met en évidence la répartition spatio-temporelle à laquelle ce contraste était plus stable tel que déterminé par bootstrap. Les valeurs représentent ~ z scores et les valeurs négatives indiquent une signification pour l'effet d'état inverse. Cliquez ici pour agrandir la figure .

Discussion

L'objectif du présent article est de fournir une description conceptuelle et méthodologique de multi entropie (MSE), tel qu'il s'applique à des données de neuro-imagerie EEG. EEG est une technique de neuro-imagerie non-invasive puissant qui mesure l'activité de réseau neuronal avec la haute résolution temporelle. Le signal EEG reflète l'activité post-synaptique des populations de cellules pyramidales dans le cortex, dont les réponses collectives sont modifiées par diverses connexions rentrantes excitateurs et inhibiteurs. En conséquence, il existe plusieurs façons d'analyser les données de l'EEG et chaque méthode extrait un aspect unique des données.

Nous avons discuté de deux méthodes courantes d'analyse: potentiel (ERP) analyse liées à l'événement et l'analyse spectrale de puissance. Analyse ERP capte l'activité neuronale synchrone dans le signal EEG qui est verrouillé en phase à l'apparition d'un événement discret. ERP reflètent spécifique perceptif, moteur, ou des opérations cognitives, ce qui rend cette statistique idéal pour examiner specétapes de traitement IFIC. L'analyse de puissance spectrale quantifie la contribution relative d'une fréquence particulière pour le signal EEG. Plusieurs boucles de rétroaction excitatrices et inhibitrices interagissent pour entraîner l'activité de populations neuronales à une fréquence particulière 1,3. Une telle synchronie entre les régions du cerveau disparates est pensé pour favoriser la liaison de l'information à travers les réseaux de neurones répandues. Il ya une riche littérature soutenant le lien entre la puissance dans une plage de fréquence particulière et un état ​​émotionnel ou cognitif spécifique de la fonction 3.

Lors de l'analyse EEG, il est également important de garder à l'esprit que les réseaux neuronaux sont des systèmes complexes avec des dynamiques non-linéaires. Cette complexité se reflète dans le signal EEG comme oscillations irrégulières qui ne sont pas la conséquence d'une signification bruit de fond. Comme activité oscillatoire synchrone, les interactions entre les différentes boucles rentrants excitateurs et inhibiteurs causent la grippe transitoirectuations dans le signal cérébral au cours du temps 6. Ces transitoires sont censés refléter les transitions ou des bifurcations entre les micro-réseaux qui peuvent être utilisés pour estimer les degrés de liberté ou la complexité du réseau sous-jacent, une plus grande variabilité dans le modèle amplitude du signal au cours du temps est révélatrice d'un système plus complexe 5. Critique, des analyses spectrales de puissance ERP ou ne sont pas sensibles à une telle activité irrégulière, alors que MSE est. En outre, un indice de la complexité du réseau ne peut être obtenu en comptant simplement le nombre de régions actives du cerveau comme une telle méthode est aveugle aux interactions récurrentes transitoires et dynamiques entre les régions du cerveau.

Méthodes complémentaires pour la neuroimagerie analyse se combinent pour créer une image complète de l'activité neuronale sous-jacente. L'interprétation des résultats des applications plus traditionnelles de données de neuro-imagerie, telles que ERP et spectrale de puissance, sont complétées par des mesures de complexité comme MSE; MSE fournit un moyen de capturer la séquence des changements dans les tendances spatio-temporelles de l'activité cérébrale dans de multiples délais qui contribue à un fonctionnement cognitif spécifique. Application MSE aux ensembles de données nouvelles et existantes peuvent fournir plus de renseignements sur la façon dont la connaissance émerge de la dynamique des réseaux neuronaux.

Disclosures

Aucun conflit d'intérêt déclaré.

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