Tillämpningar av EEG neuroimaging Data: Händelse-relaterade potentialer, Spectral makt och Multiscale Entropy

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

Summary

Neuroimaging forskare anser typiskt hjärnans svar som den genomsnittliga aktiviteten över upprepade experimentella försök och bortse signal variation över tiden som "brus". Det är dock tydligt att det finns signal på att buller. I den här artikeln beskrivs den nya metoden för Multiscale entropi för att kvantifiera variabiliteten hjärnan signal i tidsdomänen.

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

När man överväger mänskliga neuroradiologiska uppgifter, betyder appreciering av signal variabilitet en grundläggande innovation i sättet vi tänker på hjärnans signaler. Typiskt, forskare representerar hjärnans svar som medelvärde över upprepade experimentella försök och bortse signalvariationer över tiden som "brus". Det är dock tydligt att hjärnans signaler variabilitet förmedlar meningsfull funktionell information om neurala nätverk dynamik. I den här artikeln beskrivs den nya metoden för Multiscale entropi (MSE) för att kvantifiera variabiliteten hjärnan signal. MSE kan vara särskilt upplysande om neurala nätverk dynamik eftersom det visar tidsskala beroende och känslighet för linjära och olinjära dynamiken i data.

Introduction

Senaste framstegen inom neuroimaging har dramatiskt utökat vår förståelse av hjärnans funktion. Men många av de tillämpningar av neuroradiologiska uppgifter tenderar att förstärka uppfattningen av hjärnan i statiska tillstånd snarare än att betona kognitiva funktioner som de spelas i realtid. Följaktligen, är lite känt om rumtiden struktur hjärnans nätverk och hur sekvensen av förändringar i Spatiotemporal mönster över flera tidsskalor bidrar till en specifik kognitiv funktion. Den nuvarande artikeln beskrivs Multiscale entropi (MSE) 5, ett nytt analysverktyg för neuroimaging uppgifter som undersöker komplexiteten i spatiotemporal mönstret underliggande specifika kognition verksamhet genom att ge information om hur olika neurala generatorer i en fungerande hjärna nätverk kommunicerar över flera tidsskalor.

Härstammar från informationsteori, en tillämpad gren av matematiken 7,16, var MSE originally utformad för att undersöka komplexiteten i elektrokardiogram 4. I teorin skulle MSE användas för att analysera komplexiteten i varje tidsserie, det primära kravet är att signalen tidsserien innehåller minst 50 datapunkter i kontinuerlig tid. Dock kan tidsskalan beroende och känslighet för linjära och olinjära dynamiken i data gör MSE särskilt informativt för neurala nätverk dynamik.

Här fokuserar vi på tillämpningen av MSE till elektroencefalogram (EEG) neuroimaging uppgifter 9,12. EEG är en icke-invasiv neuroimaging teknik där elektroder som placeras på hårbotten fånga postsynaptiska svaren från populationer av nervceller i neocortex 1. Med hög tidsupplösning, möter EEG enkelt längden tidsserierna förutsättning för MSE utan att förändra den typiska förvärvet protokollet. För att betona nyttan av tillämpningen av MSE till EEG-data, jämför vi denna nya metod med mer traditionella metoder inkluding händelserelaterade potential och spektrala makt. När de används tillsammans, dessa kompletterande analysmetoder ge en mer fullständig beskrivning av de uppgifter som kan leda till ytterligare insikt i neurala nätverk verksamhet som ger upphov till kognition.

Protocol

Ett. EEG Acquisition

  1. Förklara de experimentella förfaranden till deltagaren och erhålla informerat samtycke.
  2. Applicera rullgardinsmenyn elektroder. Rengör området i ansiktet där drop-down elektroder kommer att ligga med en tuss.
  3. Placera elektroden locket på deltagarens huvud. Mät deltagarens huvudomfång och välj lämplig mössa storlek. Efter den internationellt erkända 10-20 för elektrod placering, mäta avståndet från nasion till Inion längs mittlinjen och dividera med 10%. Med hjälp av det numret, mät upp från nasion och varumärke. Rikta elektroden Fp cap position med den här markeringen och dra tillbaka locket. Se till att mitten av locket är i linje med näsan. Mät nasion till Cz, och bekräfta att detta avstånd är halva avståndet från nasion till Inion. Dra åt hakrem.
  4. Placera gel-fyllda trubbig punkt spruta i elektrodhållare. För att skapa en ledande kolonn av gel, börja i kontakt medhårbotten, sedan pressa och dra tillbaka. Notera att tillämpningen av för stor mängd gel kan överbrygga signaler från intilliggande elektroder.
  5. Fix aktiva elektroder in i elektrodhållare.
  6. Placera motivet framför bildskärmen på lämpligt avstånd för experimentet. Be deltagaren att vara stilla, betonar vikten av att minimera ögonrörelser och blinkar för en ren inspelning.
  7. Undersök elektrodanslutningarna och EEG-signal kvalitet på förvärvet datorn. Kontrollera att alla elektrod förskjutningar är låg (<40 mV) och stabil. Om det finns ett problem med en särskild elektrod, ta reda på att elektroden och återanvända gel att justera impedansen på den platsen.
  8. Spara filen och starta försöket.

2. EEG-analys

  1. Efter experiment, men innan du extraherar särskilt statistik av intresse, förbehandla de kontinuerliga EEG-data för att ta bort artefakter som använder standardmetoder för filtrering av ennd artefakt avstötning. Skär den kontinuerliga EEG i epoker som motsvarar varje diskret händelse, till exempel presentationen av fotografiet. I varje epok, inkluderar en 100 msek före stimulus fönstret som en baslinje.
  2. Händelse-relaterade potentialer (ERP) analys fångar synkron hjärnaktivitet som är fas-låst till uppkomsten av händelsen. Genomsnitt över försök att separera de evoked från "bullriga" (dvs. icke-fas låst) bakgrund aktivitet. Den variation i studierna och mellan-patienter utgör en stor utmaning för ERP analysmetod. För att uppnå en bra signal-till-brus-förhållande det experimentella protokollet bör innehålla många separata händelser med definierbara inträden. Tid låsa hjärnans svar till uppkomsten av ett framträdande händelsen och sedan genomsnitt över många liknande händelser bidrar till att minska en del av detta buller, men den temporala synchrony skapas genom detta förfarande vanligtvis löses inom 1 sek. Identifiera ERP amplituder komponent topp och latenser för varje subjekt (för mer detaljerade riktlinjer för ERP-analys, se Picton et al., 2000).
  3. Använda Fourieranalys, transformera EEG-signalen från tidsdomänen till frekvensdomänen och bryts upp signalen i dess sammansatta sinusvågor av varierande frekvenserna 6.
  4. Multiscale entropi (MSE) är ett informations teoretiska mått som uppskattar variationen av neuroelectical signaler över tid och över flera tidsramar. För att ge en konceptuell skildring av MSE analys, anser två simulerade vågformer, en regelbunden vågform och en mer stokastisk en. Sample entropi värden nära noll för regelbunden vågform och ~ 2.5 för mer varierande vågform. En ökning av prov entropi motsvarar en ökning av signal komplexitet, som enligt uppgifter teori, kan tolkas som en ökning av mängden information produktionskapacitet på det underliggande systemet 7,16. Kom ihåg att kapaciteten hos en hjärna inte är fast utan förändringar DEPEENDE på neural sammanhang 2, det vill säga de hjärnregioner som råkar vara funktionellt ansluten vid en viss tidpunkt.
  5. För att beräkna MSE, använder algoritmen finns på www.physionet.org/physiotools/mse/ , som beräknar MSE i två steg.
  6. Först algoritmen successivt ned-prover EEG-tidsserier per prov och per tillstånd. Down-prov den ursprungliga tidsserien att generera flera tidsserier av varierande tidsskalor. Tidsserier 1 är den ursprungliga tidsserien. För att skapa tidsserier för efterföljande tidsramar, dela den ursprungliga tidsserien i icke-överlappande fönster i tidsskalan längd och genomsnittliga datapunkterna i varje fönster. Nedsampling liknar lågpassfiltrering, dividera samplingsfrekvensen av tidsskalan kommer att närma den frekvens vid vilken signalen är lågpassfiltrerade för just den tidsskala. Tillämpningen av MSE till ett parskilt frekvensområde (t.ex. alfa: 9 Hz till 12 Hz) kan tolkas som sammansättningen av rytmer inom detta område samt samspelet mellan dessa frekvenser.
  7. Det andra, beräknar algoritmen provet entropin för varje grovkornig tidsserier 14. Prov entropi uppskattar komplexiteten i en tidsserie. I en icke-linjär analys av EEG, antar en att en individuell tidsserie representerar manifestation av en underliggande flerdimensionella ickelinjär dynamisk modell (se Stam, 2005 för en översikt). I detta exempel är m (mönstret längd) satt till två, vilket innebär att variationer i amplituden mönstret för varje tidsserie kommer att vara representerade i tvådimensionell kontra tredimensionell rymd genom att betrakta sekvensen mönstret av två kontra tre på varandra följande datapunkter, respektive. Parameter r (likheten kriteriet), återspeglar den amplitudområdet (betecknad av höjden på de färgade banden) inom vilken datapunkter enre anses "matcha". För en typisk EEG tidsserie med mer än 100 datapunkter, ställ in parametern m lika med 2 och parametern r lika med ett värde mellan 0,5 och 1 (se Richman och Moorman, 2000, för en detaljerad procedur för val av parametrar hänvisas till sjön et al., 2002).
    För att beräkna prov entropin för denna simulerade tidsserier, börja med den första två-komponent sekvens mönster, röd-orange. Först, räkna antalet gånger den röd-orange sekvensmönster inträffar i tidsserien, det finns 10 matcher som ingår i två-komponent sekvens. Det andra, räkna antalet gånger första tre-komponent sekvens mönster, röd-orange-gul, inträffar i tidsserien, det finns 5 matcher som ingår i tre-komponents-sekvens. Fortsätta med samma verksamhet för de kommande två-komponent-sekvensen (orange-gul) och nästa tre-komponent sekvens (orange-gul-grön) i tidsserien. Antalet två-komponent matcher (5) och tre-komponent matcher (3) för dessa sekventielltces läggs till de tidigare värdena (totalt tvåkomponents matchningar = 15, totalt tre-komponents matchningar = 8). Upprepa för alla andra sekvensen stämmer i tidsserien (upp till N - m) för att bestämma den totala kvoten av två-komponent matcher till tre-komponent matcher. Prov entropi är den naturliga logaritmen av detta förhållande. För varje ämne, beräkna kanalens specifika MSE uppskattning som medelvärde över enskilda åtgärder rättegång entropi för varje tidsperiod.

Representative Results

Figurerna 1A och 2A utgör EEG-signalen som svar på en presentation av en ansiktsbild. Snittar över som försöken ger en ERP vågform som består av en serie av positiva och negativa avböjningar kallas ERP-komponenter. Figur 1b visar en genomsnittlig vågform för ett enda ämne och Figur 6A visar en stor genomsnittlig vågform för en grupp av ämnen. Det finns en rik litteratur som relaterar varje ERP-komponent till en viss perceptuell, motorisk eller kognitiv funktion. Till exempel är N170 en negativ böjning som toppar vid ca 170 ms efter stimulans debut och är inblandad i ansiktet bearbetning 8,15.

Figur 2B visar nedbrytningen av samma EEG-signalen i band komponent frekvens. Resultaten från spektrala effekttätheten analys avslöjar frekvensinnehållet av signalen (fig 2C), varigenomen ökning av effekten vid en särskild frekvens avspeglar en ökning i närvaro av den rytmen inom EEG-signalen.

Liksom spektralstyrka är MSE känslig för komplexiteten i de oscillerande komponenterna bidrar till signalen. Men till skillnad spektraleffekten är MSE också känslig för samspelet mellan frekvenskomponenter (dvs. ickelinjär dynamik 18). Komplexiteten i en EEG-signalen representeras som en funktion av prov entropi (Figur 5) över flera tidsskalor (Figur 4). Såsom illustreras i figur 3, är prov entropi låg för vanliga signaler och ökar med graden av signalen slumpmässighet. Till skillnad från traditionella entropi åtgärder som ökar med graden av slumpmässighet, är Multiscale entropi kan skilja komplexa signaler från vitt brus genom att betrakta entropi över flera tidsskalor. Till exempel, Costa et al., 2005 jämfört Multiscale entropi värden feller okorrelerade (vit) brus kontra korrelerad (rosa) brus. Medan provet entropi var större för vitt brus än rosa brus på fina tidsskala, var det motsatta observerades vid grövre tidsskalor 5-20. Med andra ord, när entropi ansågs över flera tidsramar, var den verkliga komplexiteten av signalerna mer rättvisande sätt än vad som skulle vara om endast en enda tidsskala ansågs. Beroende av de temporala dynamiken i en viss kontrast, får tillstånd effekterna uttryckas: 1) på samma sätt i alla tidsramar, 2) vid vissa tidsramar, men inte andra, eller 3) som crossover effekter, varvid kontrasten är olika på fina kontra grövre tidsskalor.

Figur 6 visar tillstånd skillnader i ERP (figur 6A), spektral effekt (figur 6B), MSE (figur 6C) kontrasterar de initiala kontra upprepade presentationer av ansikte fotografier 9. I detta exempel alla de åtgärder som konvergerade att avslöjasamma effekt, men är den observerade minskningen i prov entropi som medföljer ansikte upprepning viktigt eftersom det begränsar tolkningen av resultaten. En minskning av komplexitet tyder på att det underliggande fungerande nätverk är enklare och kan bearbeta mindre information.

Figur 7 visar statistiska resultaten från multivariat analys av partiella minstakvadratmetoden 11 tillämpas på ERP, spektraleffekten och MSE. Experimentet manipulerat förtrogenhet förknippas med olika ansikten (Heisz et al., 2012). Kontrasten (stapeldiagram) visar att ERP amplitud skiljer nya ansikten från bekanta ansikten men inte bland de bekanta ansikten som varierade i mängd av tidigare exponering. Spektralstyrka särskiljas ansikten enligt förvärvad kunskap men inte exakt skilja mellan ansikten medelhög och låg kännedom. MSE var mest känsliga för villkoret skillnader i det provet entropi värden ökared med ökande ansikte förtrogenhet. Bilden tomter fånga spatiotemporal fördelningen av tillståndet effekt i alla elektroder och tid / frekvens / tid. Detta exempel visar en situation där en analys av EEG vid MSE producerade unik information som inte har erhållits med hjälp av traditionella metoder för ERP eller spektral effekttäthet. Denna divergens av MSE föreslår att villkoren skiljer sig åt med avseende på ickelinjära aspekter av deras nätverk dynamik, eventuellt med samspelet mellan olika frekvenskomponenter.

Figur 1
Figur 1. A) EEG-svar ett enda ämne som en funktion av amplituden avböjning från baslinjen för varje försök avsatt mot tiden från starten av rättegången. Varje försök bestod av presentationen av ett fotografi av en ansiktsbild. Positiva amplitud nedböjningar avbildas iröd, negativa amplitud omläggning skildras i blått. Alla studier visar en positiv böjning runt 100 ms och 250 ms, vilket indikerar händelserelaterad faslåst aktivitet. B) medelvärde över alla försök skildras i Figur 1A producerar en genomsnittlig ERP vågform med tydliga positiva och negativa deflektioner kallade händelse-relaterade komponenter och heter enligt en standard kontoplan. Till exempel är P1 den första positivt gående komponent och N170 är en negativ komponent som toppar vid cirka 170 msek efter stimulans debut.

Figur 2
Figur 2. A) Anläggning svar på ett enda ämne för en enda rättegång plotta amplitud med tiden (i datapunkter, samplingshastighet 512 Hz). B) Anläggning svar figur 2A bandpassfiltreras att isolera frekvensband delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) och gamma (> 30 Hz). C) spektral effekttäthet av EEG-reaktion visas i figur 2A representerar frekvens sammansättning av signalen som funktion av strömmen genom frekvens. En ökning av spektral effekt vid en viss frekvens speglar en ökning av antalet synkront aktiva nervceller infångas i just frekvensbandet. Klicka här för att visa en större bild .

Figur 3
Figur 3 A) Två simulerade vågformer:.. En regelbunden eller förutsägbar vågform som visas i lila, och en mer stokastisk vågform som visas i svart B) Exempel entropi värdena för de två simulerade vågformer för de första tre tidsskalor. Prov Näringslivopiera är lite för mycket förutsägbara signaler än mer stokastiska signaler. Klicka här för att visa en större bild .

Figur 4
Figur 4. Down-provtagning den ursprungliga tidsserien genererar flera tidsserier av varierande tidsskalor. Tidsåtgång 1 är den ursprungliga tidsserien. Tidsserierna i tidsskalan 2 skapas genom att dividera den ursprungliga tidsserien i icke-överlappande fönster med längden 2 och genomsnittliga datapunkterna i varje fönster. För att generera tidsserier av efterföljande tidsramar, dela den ursprungliga tidsserien i icke-överlappande fönster i tidsskalan längd och genomsnittliga datapunkterna i varje fönster.

Figur 5
Figur 5. En simulerad vågform där varje rektangel representerar en enda datapunkt i tidsserien. Sample entropi uppskattar variationen i en tidsserie. I detta exempel är m (mönstret längd) satt till två, vilket innebär att variansen av amplituden mönstret för varje tidsserie kommer att vara representerade i tvådimensionell kontra tredimensionell rymd genom att betrakta sekvensen mönstret av två kontra tre på varandra följande datapunkter, respektive; r (likheten kriteriet), återspeglar den amplitudområdet (betecknad av höjden på de färgade banden) inom vilka datapunkter anses "matcha". För att beräkna prov entropin för denna simulerade tidsserier, börja med den första två-komponent sekvens mönster, röd-orange. Först, räkna antalet gånger den röd-orange sekvensmönster inträffar i tidsserien, det finns 10 matcher som ingår i två-komponent sekvens. Det andra, räkna antalet gånger första tre-komponent sekvens mönster, röd-orange-skränow, förekommer i tidsserier, det finns fem matcher för denna tre-komponent sekvens. Fortsätt på detta sätt för de kommande två-komponent-sekvensen (orange-gul) och tre-komponent sekvens (orange-gul-grön). Antalet två-komponent matcher (5) och tre-komponent matcher (3) för dessa sekvenser läggs till de tidigare värdena (totalt två-komponent matcher = 15, totalt tre-komponent matcher = 8). Upprepa för alla andra sekvensen stämmer i tidsserien (upp till N - m) för att bestämma den totala kvoten av två-komponent matcher till tre-komponent matcher. Prov entropi är den naturliga logaritmen av detta förhållande. För varje ämne, beräkna kanalens specifika MSE uppskattning som medelvärde över enskilda åtgärder rättegång entropi för varje tidsperiod.

Figur 6
Figur 6. Skick skillnader i ERP (A), spektralstyrka (B),MSE (C) kontrasterar de initiala kontra upprepade presentationer av ansikts fotografier. Klicka här för att visa en större bild .

Figur 7
Figur 7. Kontrasterande EEG-svar lärt ansikten över åtgärder för ERP, spektraleffekten och Multiscale entropi. Stapeldiagrammen skildrar kontrasten mellan villkor som bestäms av PLS analys 11. Bilden tomten belyser den rumsliga och tidsmässiga fördelningen vid vilken denna skillnad var mest stabil som bestäms genom bootstrapping. Värdena representerar ~ z poäng och negativa värden anger signifikans för den omvända villkoret effekt. Klicka här för att visa en större bild .

Discussion

Målet med denna artikel var att ge en begreppsmässig och metodisk beskrivning av Multiscale entropi (MSE) eftersom det gäller EEG neuroradiologiska uppgifter. EEG är en kraftfull icke-invasiv neuroimaging teknik som mäter neurala nätverk aktivitet med hög tidsupplösning. EEG-signalen speglar postsynaptiska aktiviteten hos populationer av pyramidala celler i hjärnbarken, vars sammanlagda svar modifieras av olika retande och hämmande inåtgående anslutningar. Följaktligen det finns flera sätt att analysera EEG-data och varje metod extraherar en unik aspekt av data.

Vi diskuterade två vanligaste metoderna för analys: händelserelaterad potential (ERP) analys och spektrala maktanalys. ERP analys fångar synkrona neuronal aktivitet i EEG-signalen som är fas-låst till uppkomsten av en diskret händelse. ERP återspeglar specifika perceptuella, motoriska eller kognitiva funktioner, vilket gör denna statistik idealisk för prövningen specIFIC behandlingssteg. Spectral maktanalys kvantifierar den relativa betydelsen av en viss frekvens till EEG-signalen. Olika retande och hämmande återkopplingar samverkar för att medbringa aktiviteten av neuronala populationer vid en viss frekvens 1,3. Sådan synkronisering mellan olikartade områden i hjärnan tros främja bindningen av information över omfattande neurala nätverk. Det finns en rik litteratur som stöder sambandet mellan makt inom ett visst frekvensområde och ett visst emotionellt eller kognitivt tillstånd av funktion 3.

Vid analys av EEG är det också viktigt att hålla i minnet att neurala nätverk är komplexa system med icke-linjär dynamik. Sådan komplexitet återspeglas i EEG-signalen så oregelbundna svängningar som inte är en följd av meningslösa bakgrundsljud. Liksom synkron oscillerande aktivitet, samspelet mellan olika retande och hämmande inåtgående slingor orsaka övergående influensactuations i hjärnan signalen över tiden 6. Sådana transienter tros spegla övergångar eller bifurkationer mellan nätverk mikrostater som kan användas för att uppskatta de frihetsgrader eller komplexiteten i det underliggande nätverket, större variationer i amplitud mönstret av signalen över tiden indikerar ett mer komplext system 5. Kritiskt, ERP eller spektralanalyser makt inte är känsliga för sådan oregelbunden aktivitet, medan MSE är. Dessutom kan ett index av nätverk komplexitet inte kan erhållas genom att helt enkelt räkna antalet aktiva områden i hjärnan som en sådan metod är blind för de transienta och dynamiska återkommande växelverkan mellan hjärnan.

Kompletterande metoder för neuroradiologiska analys kombineras för att skapa en fullständig bild av den underliggande neurala aktiviteten. Tolkningen av resultaten från mer traditionella tillämpningar av neuroradiologiska uppgifter, såsom ERP och spektrala makt, som kompletteras med åtgärder av komplexitet som MSE, MSE är ett sätt att fånga den sekvens av förändringar i Spatiotemporal mönster av hjärnaktivitet i flera tidsskalor som bidrar till en specifik kognitiv funktion. Tillämpa MSE till nya och befintliga dataset kan ge ytterligare insikt i hur kognition framgår av neurala nätverk dynamik.

Disclosures

Inga intressekonflikter deklareras.

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