利用磁脑学检测刺激前源级对物体感知的影响

Neuroscience
 

Summary

本文介绍如何设置一个实验,允许使用磁脑成像 (MEG) 检测刺激前源级对物体感知的影响。它涵盖了刺激材料、实验设计、MEG 记录和数据分析。

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

Rassi, E., Fuscà, M., Weisz, N., Demarchi, G. Detecting Pre-Stimulus Source-Level Effects on Object Perception with Magnetoencephalography. J. Vis. Exp. (149), e60120, doi:10.3791/60120 (2019).

Please note that all translations are automatically generated.

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

Abstract

刺激前振荡脑活动影响即将到来的感知。这种刺激前活动的特征可以预测是否感知到接近阈值的刺激,但它们能否预测两种具有不同感知内容的相互竞争的刺激中哪一种被感知?模棱两可的视觉刺激,一次可以用两种可能的方式之一看到,非常适合研究这个问题。磁脑学(MEG)是一种神经生理学测量技术,用于记录大脑活动发出的磁信号。MEG 的毫秒时间分辨率允许从记录数据 1 秒对振荡脑状态进行表征。因此,在模棱两可的刺激出现前1秒左右呈现一个空屏幕,为人们提供了一个时间窗口,在时间上,人们可以调查刺激前振荡活动是否偏差了即将出现感知的内容,正如参与者所指示的。报告。MEG的空间分辨率不是极好的,但足以在厘米尺度上对大脑活动的来源进行局部设置。然后,MEG 活动的源重建允许测试有关特定感兴趣区域的振荡活动的假设,以及感兴趣区域之间的时间和频率解析连接。所述协议有助于更好地了解自发的、持续的大脑活动对视觉感知的影响。

Introduction

大脑状态之前的刺激表达影响刺激的感知方式,以及与感知1,2,3,4相关的神经反应。例如,当刺激的强度接近感知阈值(接近阈值)时,刺激前神经振荡力、相位和连通性会影响即将发生的刺激是否会被感知到 5 ,6,7,8,9,10 。这些刺激前信号也可能影响感知的其他方面,如感知对象内容。

向人们展示一个模棱两可的图像,可以通过两种方式之一来解释,这是探索物体感知11的理想方法。这是因为感知的主观内容可以是两个对象之一,而实际刺激保持不变。因此,人们可以评估在试验中记录的大脑信号的差异,而人们报告在试验中感知一种与对刺激的另一种可能的解释。鉴于这些报告,人们还可以调查在刺激开始之前大脑状态是否有任何差异。

磁脑学(MEG)是一种功能性神经成像技术,用于记录大脑中电流产生的磁场。当血氧水平依赖 (BOLD) 响应在秒级解析时,MEG 提供毫秒分辨率,因此允许调查在非常快的时间尺度发生的大脑机制。MEG的一个相关优点是,它允许从短时间的记录数据中描述大脑状态,这意味着可以缩短实验试验,使许多试验适合实验。此外,MEG 允许进行频域分析,从而发现振荡活动。

除了高时间分辨率外,MEG 还提供了良好的空间分辨率。使用源重建技术12,可以将传感器级数据投影到源空间。这样就可以测试有关特定感兴趣区域活动的假设。最后,虽然传感器空间中的信号高度相关,因此无法准确评估传感器之间的连接,但源重建允许评估感兴趣区域之间的连通性,因为它减少了源信号13之间的相关性。这些连接估计值可以在时间和频率域中解决。

鉴于这些优势,MEG 非常适合研究特定感兴趣区域对对象感知的预刺激效应。在本报告中,我们将说明如何设计这样的实验和MEG采集设置,以及如何应用源重建和评估振荡活动和连接性。

Protocol

所述议定书遵循萨尔茨堡大学人类研究伦理委员会的指导方针,符合《赫尔辛基宣言》。

1. 准备刺激材料

  1. 下载鲁宾脸/花瓶幻象14的图像。这将向一半的参与者显示。
  2. 使用 Matlab 命令 + 反转原始黑白二进制鲁宾图像,以创建第二个鲁宾面/花瓶负图像,其黑白颜色相对于原始图像(白色背景而不是黑色背景)翻转。这将展示给另一半参与者。
  3. 通过随机加扰鲁宾图像的像素块创建蒙版。将图像分割成足够小的方块来隐藏明显的轮廓特征,例如原始图像大小的 2% 到 5%之间(图像 250 x 250 中的 5 x 5 像素),然后随机随机洗牌以创建蒙版。
  4. 在白色背景上创建黑色固定十字,使固定十字小于鲁宾图像(小于 5° 的视角)。

2. 设置MEG和刺激设备

  1. 将刺激演示计算机连接到投影仪。通过 USB 光电隔离扩展(用于数据)和数字可视接口 (DVI) 电缆(用于刺激)连接 DLP LED 投影仪控制器。
  2. 将 MEG 采集计算机连接到刺激演示计算机,使其发送和接收触发器。将集成刺激显示系统的数字输入/输出 (DIO) 系统(按钮和触发器、2x 标准 D24 连接器)插入光隔离 BNC 分线盒上的 MEG 连接器。
  3. 以 1 kHz 记录 1 分钟的空房间 MEG 数据。
  4. 通过在采集计算机上实时可视化所有信号,监控来自 102 个磁力计和 204 个正交放置平面辐射计的信号,在 102 个不同位置。

3. 为 MEG 实验的参与者做好准备

注:MEG数据采集的详细信息已于15日描述。

  1. 确保参与者理解赫尔辛基声明的知情同意,并让他们签署表格,其中还包括处理个人数据的同意声明。
  2. 向学员提供非磁性衣服,并确保他们体内或身上没有金属物体。要求参与者填写另一份匿名问卷,以确保这一点,并且参与者没有任何其他排除标准,如神经系统疾病,并记录其他个人数据,如手感和休息水平。
  3. 将学员放在非铁磁性(木)椅上。用粘接石膏将 5 个头部位置指示器 (HPI) 线圈连接到头部,两个以上是一只眼睛,一个高于另一只眼睛,一个位于每个耳朵后面。
  4. 将数字化系统的跟踪器传感器牢固地放在参与者的头上,并将其固定在眼镜上,以实现最大的稳定性。
    注:使用了3D数字化仪(材料表)。
  5. 数字化解剖地标、左右前视点和鼻咽,并确保左右前视点对称。这些基准线定义 3D 坐标框。
  6. 使用 3D 数字化仪手写笔对 5 个 HPI 线圈位置进行数字化。
  7. 沿头皮数字化多达 300 点,并最大化头部形状的覆盖。在磁共振 (MR) 图像上覆盖头皮的清晰区域,在背面的 inon 和前面的鼻腔上方,以及鼻桥上。
    注: 这些点将用于与解剖图像共同注册,以便更好地进行单个源重建。
  8. 使用跟踪器传感器拆下眼镜。
  9. 将右眼(超心拱)和下方(中垂至心上颌骨)的一次性电极连接到右眼,以监测垂直眼动。
  10. 将一次性电极连接到左眼左侧和右眼右侧(背到日上颌骨),以监测水平眼动。
  11. 将一次性电极连接到心脏下方和右锁骨下方,以监测心率。
    注:眼睛和心脏信号相对强健,因此无需检查一次性电极的阻抗。
  12. 将一次性电极作为颈部下方的接地连接。
  13. 护送学员进入 MEG 屏蔽室,并指示他们坐在 MEG 椅子上。
  14. 在 MEG 系统中插入 HPI 线束和一次性电极。
  15. 抬起椅子,使参与者的头碰到 MEG 头盔的顶部,并确保参与者在这个位置感到舒适。
  16. 关上屏蔽室的门,通过屏蔽室内外的对讲系统与参与者通信。
  17. 指示参与者在以 1 kHz 记录静止状态 MEG 数据时,被动地盯着空屏幕(中央固定十字除外)5 分钟。在整个实验中,将采样速率保持在 1 kHz。
  18. 指导任务要求的参与者,让他们执行 20 个练习试验。
    注:示例说明:"始终保持在屏幕中央的固定处。十字形将显示,十字架消失后,您将看到一个图像,后跟一个杂乱的图像。一旦乱码的图像消失,点击黄色按钮,如果你看到的脸和绿色按钮,如果你看到了一个花瓶。
  19. 在参与者之间交替响应按钮(例如,右侧表示面,左侧为花瓶,反之亦然)。
    注: 响应按钮的颜色无关紧要。

4. 使用心理工具箱16演示实验

  1. 向参与者显示说明,告诉他们在看到面孔时要按哪个按钮,看到花瓶时要按哪个按钮。
  2. 创建包含 4 个事件的单个试验,这些事件将按此顺序应用于所有试验:固定交叉、鲁宾图像、掩码和响应提示(图 1)。
  3. 在每个试验开始时,显示 1 s 到 1.8 s 之间的可变时间段的固定十字。
  4. 在该时间段结束时,删除固定十字并显示 150 毫秒的鲁宾图像。
  5. 在 150 ms 的末尾,删除鲁宾图像并显示 200 毫秒的蒙版。
  6. 在 200 ms 结束时,删除掩码并显示问题,以提示参与者以最长响应截止时间 2 s 做出响应。
  7. 对响应周期进行编程,以便参与者在 2 秒内做出响应,则下一次试验(从固定交叉开始)从他们开始。否则,在 2 s 之后开始下一次试用。
  8. 保存所有 4 个事件的时间以及响应选择及其计时。
  9. 重复相同的试验结构 100 次,然后显示指令,让参与者短暂休息。这构成了一个实验块。
  10. 重复块结构4次,共400次试验。

5. 在实验期间监控MEG信号和参与者

  1. 通过视频监控参与者。
  2. 在每个块的开始,在任务开始之前,开始测量 MEG 数据,并记录参与者相对于 MEG 的头部位置的初始位置。在使用的 MEG 系统中,单击GO开始。当对话框询问 HPI 数据是否要省略或添加到录制中时,检查 HPI 线圈信号,然后单击"接受"以记录该初始头部位置。之后,单击"原始录制"开始记录 MEG 数据。
  3. 如果在整个实验过程中的任何时候,参与者希望停止实验,终止实验,进入屏蔽室,拔下 MEG 系统的所有传感器,并将参与者从椅子上释放。
  4. 通过在采集计算机上实时可视化 MEG 信号来监控这些信号。
  5. 在两块之间,通过扬声器系统与参与者沟通,以确保他们良好,并准备好继续,并指示他们移动他们的四肢,如果他们愿意,但不是他们的头。
  6. 在块之间,保存该块的获取 MEG 信号。
  7. 实验结束后,进入屏蔽室,拔下MEG系统的所有传感器,然后将参与者从椅子上释放。
  8. 护送学员离开屏蔽室,并为他们提供选择,要么将所有传感器从面部和身体上分离出来,要么为他们分离传感器。
  9. 感谢参与者,并为他们提供金钱补偿。

6. 预处理和段 MEG 信号

  1. 使用 Maxfilter 程序中实现的信号空间分离算法(由 MEG 制造商提供)具有默认参数值,以从连续 MEG 信号中删除外部噪声。
  2. 使用现场旅行工具箱17功能 ft_预处理,对连续数据应用 0.1 Hz 高通滤波器。
    注:所有随后报告以"ft_"开头的函数都是现场游工具箱的一部分。
  3. 通过在每个试验的刺激演示前提取 1 秒来分割 MEG 数据。
  4. 根据参与者在每个试验中的行为反应,为这些时代指定一个"脸"或"花瓶"试验类型标签。
  5. 使用 ft_拒绝视觉功能,目视检查试验和通道,以识别和移除显示超过噪声或伪影的试验和通道,无论伪影的性质如何。
  6. 通过单击zscore并选择超过 3 值的试验和通道,通过删除单击var后显示的异常值,拒绝 z 得分高于 3 的试验和通道。在此过程之前或之后检查所有试验的 MEG 信号。

7. 来源重建

  1. 在 Fieldtrip 中实现的波束成形过程中,包括两种试验类型以执行源定位,以获得常见的线性约束最小方差12空间滤波器。
  2. 带通将划时代数据过滤到感兴趣的频率,在这种情况下,频率介于 1 和 40 Hz 之间。
  3. 选择感兴趣的时间来计算协方差矩阵,在这种情况下为 1 秒预刺激周期。
    注: 在需要输入数据的所有步骤中,使用生成的数据段(选择在 -1 到 0 s 和 1 到 40 Hz 之间)。
  4. 用英尺+体积段将大脑和头皮分割出单个结构MR图像。如果没有,请使用标准 T1(来自统计参数映射 [SPM] 工具箱)蒙特利尔神经病学研究所(MNI,蒙特利尔,魁北克,加拿大)的大脑扫描。
  5. 使用 ft_prepare_head_head 模型为每个参与者创建逼真的单壳头模型。
  6. 在单个 MR 图像上,通过单击基准地标在图像上的位置来启动具有 ft_volumerealign 的粗配号。
  7. 将头部形状点与头皮对齐,以获得更精细的共登记。
  8. 基于 MNI 模板大脑,以 1.5 厘米分辨率准备单个 3D 网格,通过 ft_prepare_source 模型,这些大脑变形为每个参与者的大脑体积。
  9. 使用 ft_prepare_leadfield 计算 MEG 通道和网格位置的正向模型。使用配置固定值仅计算一个最佳偶极子方向的引线字段。
  10. 计算每个试验的协方差矩阵,并在所有试验中平均它。
  11. 使用正向模型和平均协方差矩阵使用 ft_source 分析计算空间滤波器。
  12. 将传感器级信号乘以 LCMV 滤波器,获取网格中每个源位置和每次试验的时间序列。

8. 分析感兴趣区域的刺激前振荡能力

  1. 定义感兴趣的区域 (ROI),例如从以前的文献18(此处 fusiform 面区域 [FFA];MNI 坐标:[28 -64 -4] 毫米)。
  2. 使用 ft_selectdata 在空间上对应于 ROI 的虚拟传感器。
  3. 使用 ft_select 数据分割面和花瓶试验。
  4. 使用 ft_freq 分析,分别对两种试验类型的数据对 ROI 执行频率分析。
  5. 将方法选项设置为mtmfft以执行快速傅立叶转换。
  6. 将分机选项设置为"汉宁"以使用汉汉函数分型器。
  7. 定义从 1 Hz 到 40 Hz 的感兴趣频率。
  8. 将输出选项设置为pow,以便从复杂的傅立叶光谱中提取功率值。
  9. 在计算参与者之间的光谱并绘制生成的大平均功率值作为感兴趣频率的函数之前,为每个参与者重复此过程。

9. 分析感兴趣区域之间的刺激前连通性

  1. 定义一个(或多个)ROI,其中先前选定的 ROI 假设要连接,例如从以前的文献18(此处为 V1;MNI 坐标: [12 -88 0])。
  2. 重复步骤 8.2 和 8.3。
  3. 使用 ft_freq 分析对两个 ROI(表示为同一数据结构中的 2 个通道或"虚拟传感器"),分别对两种试验类型的数据执行时间频率分析。
  4. 将方法设置为mtmconvol,以实现基于频率域中的乘法的多塔时间频率转换。
  5. 将分序选项设置为dps,以使用离散的 prolate 球形序列功能分光。
  6. 定义从 8 Hz 到 13 Hz 的感兴趣频率。
  7. 将时间窗口的宽度设置为 200 ms,将平滑参数设置为 4 Hz。
  8. 保留试验选项设置为是,以返回单个试验的时间频率估计值。
  9. 将输出设置为四元组以返回复杂的傅立叶光谱。
  10. 使用 ft_连接分析对生成的时间频率数据执行连接分析。
  11. 将方法设置为coh复杂字段以表示一量,以返回一致性19的虚部。
  12. 在计算频率和参与者的相干光谱并绘制生成的大平均虚方一致性值作为时间的函数之前,为每个参与者重复此过程。

10. 统计比较面部和花瓶前刺激力或相干光谱

  1. 将每个受试者的预刺激功率或一致性数据(在 2 个条件中的每个条件下)合并到一个 Matlab 变量中,使用 ft_freqgrand 平均,选项将单个设置为"是"。
  2. 使用 ft_freqstatistics 执行基于群集的排列测试20,比较 2 个生成的变量。
  3. 将方法选项设置为motecarlo
  4. 将频率选项设置为 [8 13],并将avgoverfreq 设置为"是"。
  5. 聚类alpha设置为0.05,并将正尾设置为alpha
  6. 将统计选项设置为ft_statfun_depsampleT
  7. 创建第一行 20 个,后跟 20 个 20 个,第二行从 1 到 20 连续的数字重复两次。将此设计矩阵传递给设计选项。
    注: 设计矩阵分为 20 块,因为数据是从 20 个参与者中收集的。
  8. ivar选项设置为 1,将uvar选项设置为 2。

Representative Results

我们向参与者简单反复地展示了鲁宾面部/花瓶的错觉,并要求参与者在每次试验后报告他们的感知(面部或花瓶?)(图1)。每次试验之前,至少有1个空白屏幕(带有固定十字);这是利息的刺激前区间。

我们询问,在感兴趣的地区,或感兴趣的区域之间的刺激前连通性,是否影响了即将出台的模糊刺激的感性报告。因此,作为第一步,我们将数据投影到源空间,以便从相关的 ROIs 中提取信号。

根据以前的文献调查面部和对象感知与模棱两可的21明确的22刺激,我们确定FFA是我们的ROI。随后,我们分析了FFA源信号的低频(1-40赫兹)光谱分量,并将报告为"面"的试验的光谱估计值与报告为"花瓶"的试验的光谱估计值进行了对比。基于聚类的排列测试,在频率为 1-40 Hz 上聚类,对比了试验中的频谱功率,其中人们报告人脸与花瓶,揭示了两种试验类型之间的显著差异。然而,在描述性上,功率谱显示预期的振荡阿尔法带峰值在8-13赫兹范围内,并在较小程度上在13-25赫兹范围内的β波段活动(图2)。

在发现刺激前光谱功率没有差异后,我们接下来将调查试验类型之间在刺激前连接性方面的差异。除了 FFA 之外,我们确定 V1 是我们的第二个 ROI,因为 V1 无处不在地参与愿景。根据功率分析的结果,我们确定频率 8-13 Hz 是我们感兴趣的频率。我们计算了两个 ROIs 之间随时间和频率解析的一致性的想象部分,分别用于面部和花瓶试验,并跨感兴趣的频率对结果求平均值。该测量反映了大脑区域间振荡相的同步性,以及MEG重建源19中对体积传导效应的保守控制,因此是评估功能耦合的首选方法。基于聚类的排列测试,在时间点 -1 到 0 s 上聚类,对比 V1 和 FFA 在试验中虚构的一致性,其中人们报告面部与花瓶的试验,显示面部试验与花瓶试验相比具有更强的刺激前连通性,刺激开始前约700毫秒(图3)。

Figure 1
图 1:试验结构和原始数据示例。底部面板:从显示固定十字开始试用。1至1.8分后,Rubin刺激出现150 ms,然后是200 ms的面具。顶部面板:来自示例参与者的多通道原始数据,从时间锁定到刺激开始,并在试验中求平均值。这是一个示意图,用于突出显示刺激前分析窗口中的数据(-1 s 到 0 s;以粉红色突出显示),该窗口将是分析的目标间隔。请点击此处查看此图的较大版本。

Figure 2
图 2:FFA 中的光谱功率。从源本地化的 FFA 信号在面部和花瓶试验上的光谱功率估计。请点击此处查看此图的较大版本。

Figure 3
图 3:V1 和 FFA 之间的连接。在8-13赫兹的频率范围内,在8-13 Hz的频率范围内,源本地化V1和FFA信号之间的一致性的想象部分。请点击此处查看此图的较大版本。

Discussion

呈现一个独特的刺激,可以随着时间的推移被解释为多个对象,但在任何给定时间只作为一个对象,允许调查刺激前对对象感知的影响。通过这种方式,人们可以将刺激前的大脑状态与感知物体的主观报告联系起来。在实验室环境中,可以用两种方式之一(如鲁宾花瓶错觉)来解释的模棱两可的图像提供了一个最佳案例,允许在两种试验类型之间直接对比大脑活动:一种感知方式(例如,"面部"))和那些感知相反的方式(例如,"花瓶")。

简要地提出这些刺激(<200 ms)可确保人们看到并随后报告给定试验中刺激的两种可能解释之一。在参与者之间的黑色花瓶/白色脸和白色花瓶/黑色面的刺激版本之间的平衡(随机交替)减少了低水平刺激特征对后续分析的影响。刺激后立即提出掩膜可防止后图像形成和偏袒参与者的反应。由于分析刺激开始后的周期不感兴趣,因此不需要刺激和掩膜的低频特征进行匹配。最后,在参与者之间交替响应按钮(例如,左为花瓶,右侧为面部,反之亦然)可防止由于电机准备而将活动分解到对比度中。

给定 MEG 的毫秒分辨率,刺激前间隔短至 1 秒足以估计频谱功率和连通性等度量值。鉴于每次试验的持续时间较短,大量的试验可以适应实验环节,从而在试验中平均MEG信号时,确保高信噪比。

在物体感知24、25期间,特定对类别敏感的区域已被证明是活跃的。例如,FFA被广泛报道参与面部感知22。为了调查来自特定来源的测量活动的影响,可以源重建 MEG 数据。要调查源之间的连通性,需要重新进行源重建。为了便于源数据分析,单试验源级数据可以由"虚拟传感器"表示。以这种方式表示数据,可以完全以完全相同的方式在源空间和传感器空间(即使用相同的分析功能,例如使用现场访问工具箱)分析单试验源数据。这样,就可以以直截了当的方式测试有关特定感兴趣区域活动的假设。

虽然刺激前振荡能力已被证明会影响接近感知阈值的刺激检测(感知与未感知),但它是否影响所看到内容的内容则不太为人所知。在这里,我们对比了FFA中人们报告面对面与花瓶的试验之间的预刺激振荡能力,没有发现统计差异。随后,我们测试了 V1 和 FFA 之间的连接是否影响即将发布的感知报告,并发现在刺激发生之前,在 Alpha 频率范围内,V1 和 FFA 之间的连接增强,在刺激发生之前,人脸试验得到了增强。我们发现α功率没有影响,而是在阿尔法波段的连接性,这表明,虽然刺激前α功率可能会影响刺激检测7,8,它不一定影响对象分类。因此,我们的结果表明,要更全面地了解物体感知前的振荡动力学及其对物体感知的后续影响,仅仅分析感兴趣区域的振荡力是不够的。相反,必须考虑感兴趣区域之间的连通性,因为这些连接强度的持续波动会偏袒后续的感知18。最后,尽管MEG的空间分辨率不够理想,但我们的协议表明,人们能够清楚地识别感兴趣的区域并调查它们之间的关系。MEG 可以取代脑电图 (EEG),因为它具有卓越的空间分辨率,并且可以取代功能 MRI,因为它具有卓越的时间分辨率。因此,MEG 与源重建相结合非常适合研究快速和本地化的神经过程。

Disclosures

作者没有什么可透露的。

Acknowledgments

这项工作得到了FWF奥地利科学基金、思维成像:连接和更高的认知功能、W 1233-G17(到E.R.)和欧洲研究理事会格兰特WIN2CON、ERC StG 283404(到N.W.)的支持。作者要感谢纳迪亚·穆勒-沃格尔、尼古拉斯·佩特菲尔德和曼弗雷德·塞夫特对该协议的贡献的支持。

Materials

Name Company Catalog Number Comments
Data analysis sowftware Elekta Oy, Stockholm, SWEDEN NM23321N Elekta standard data analysis software including MaxFilter release 2.2 
Data analysis workstation Elekta Oy, Stockholm, SWEDEN NM20998N MEG recoding PC and software
Head position coil kit Elekta Oy, Stockholm, SWEDEN NM23880N 5 Head Position Indicator (HPI) coils 
Neuromag TRIUX Elekta Oy, Stockholm, SWEDEN NM23900N 306-channel magnetoencephalograph system
Polhemus Fastrak 3D Polhemus, VT, USA 3D head digitization system
PROPixx VPixx Technologies Inc., QC, CANADA VPX-PRO-5001C Projector and data acquisition system
RESPONSEPixx VPixx Technologies Inc., QC, CANADA VPX-ACC-4910 MEG-compatible response collection handheld control pad system
Screen VPixx Technologies Inc., QC, CANADA VPX-ACC-5180 MEG-compatible rear projection screen with frame and stand
VacuumSchmelze AK-3 VacuumSchmelze GmbH & Co. KG, Hanau, GERMANY NM23122N Two-layer magnetically-shielded room
Software Version
Fieldtrip Open Source FTP-181005 fieldtriptoolbox.org
Matlab MathWorks, MA, USA R2018b mathworks.com/products/matlab
Psychophysics Toolbox Open Source PTB-3.0.13 psychtoolbox.org

DOWNLOAD MATERIALS LIST

References

  1. Arieli, A., Sterkin, A., Grinvald, A., Aertsen, A. Dynamics of ongoing activity: explanation of the large variability in evoked cortical responses. Science. 273, (5283), 1868-1871 (1996).
  2. Boly, M., et al. Baseline brain activity fluctuations predict somatosensory perception in humans. Proceedings of the National Academy of Sciences of the United States of America. 104, (29), 12187-12192 (2007).
  3. Rahn, E., Başar, E. Prestimulus EEG-activity strongly influences the auditory evoked vertex response: a new method for selective averaging. The International Journal of Neuroscience. 69, (1-4), 207-220 (1993).
  4. Supèr, H., van der Togt, C., Spekreijse, H., Lamme, V. A. F. Internal state of monkey primary visual cortex (V1) predicts figure-ground perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 23, (8), 3407-3414 (2003).
  5. Frey, J. N., et al. The Tactile Window to Consciousness is Characterized by Frequency-Specific Integration and Segregation of the Primary Somatosensory Cortex. Scientific Reports. 6, 20805 (2016).
  6. Leonardelli, E., et al. Prestimulus oscillatory alpha power and connectivity patterns predispose perceptual integration of an audio and a tactile stimulus. Human Brain Mapping. 36, (9), 3486-3498 (2015).
  7. Leske, S., et al. Prestimulus Network Integration of Auditory Cortex Predisposes Near-Threshold Perception Independently of Local Excitability. Cerebral Cortex. 25, (12), New York, NY. 4898-4907 (2015).
  8. Weisz, N., et al. Prestimulus oscillatory power and connectivity patterns predispose conscious somatosensory perception. Proceedings of the National Academy of Sciences of the United States of America. 111, (4), 417-425 (2014).
  9. Busch, N. A., Dubois, J., VanRullen, R. The phase of ongoing EEG oscillations predicts visual perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 29, (24), 7869-7876 (2009).
  10. Mathewson, K. E., Gratton, G., Fabiani, M., Beck, D. M., Ro, T. To see or not to see: prestimulus alpha phase predicts visual awareness. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 29, (9), 2725-2732 (2009).
  11. Blake, R., Logothetis, N. K. Visual competition. Nature Reviews Neuroscience. 3, (1), 13-21 (2002).
  12. Van Veen, B. D., van Drongelen, W., Yuchtman, M., Suzuki, A. Localization of brain electrical activity via linearly constrained minimum variance spatial filtering. IEEE Transactions on Biomedical Engineering. 44, (9), 867-880 (1997).
  13. Bastos, A. M., Schoffelen, J. -M. A Tutorial Review of Functional Connectivity Analysis Methods and Their Interpretational Pitfalls. Frontiers in Systems Neuroscience. 9, 175 (2015).
  14. Rubin, E. Synsoplevede Figurer. Gyldendalske Boghandel. Copenhagen. (1915).
  15. Balderston, N. L., Schultz, D. H., Baillet, S., Helmstetter, F. J. How to detect amygdala activity with magnetoencephalography using source imaging. Journal of Visualized Experiments. (76), e50212 (2013).
  16. Kleiner, M., et al. What's new in psychtoolbox-3. Perception. 36, (14), 1-16 (2007).
  17. Oostenveld, R., Fries, P., Maris, E., Schoffelen, J. -M. FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data. Computational Intelligence and Neuroscience. 2011, 156869 (2011).
  18. Rassi, E., Wutz, A., Mueller-Voggel, N., Weisz, N. Pre-stimulus feedback connectivity biases the content of visual experiences. BioRxiv. (2019).
  19. Nolte, G., et al. Identifying true brain interaction from EEG data using the imaginary part of coherency. Clinical Neurophysiology: Official Journal of the International Federation of Clinical Neurophysiology. 115, (10), 2292-2307 (2004).
  20. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164, (1), 177-190 (2007).
  21. Hesselmann, G., Kell, C. A., Eger, E., Kleinschmidt, A. Spontaneous local variations in ongoing neural activity bias perceptual decisions. Proceedings of the National Academy of Sciences of the United States of America. 105, (31), 10984-10989 (2008).
  22. Kanwisher, N., McDermott, J., Chun, M. M. The fusiform face area: a module in human extrastriate cortex specialized for face perception. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 17, (11), 4302-4311 (1997).
  23. Morey, R. D. Confidence Intervals from Normalized Data: A correction to Cousineau. Tutorials in Quantitative Methods for Psychology. 4, (2), 61-64 (2008).
  24. Miller, E. K., Nieder, A., Freedman, D. J., Wallis, J. D. Neural correlates of categories and concepts. Current Opinion in Neurobiology. 13, (2), 198-203 (2003).
  25. Kreiman, G., Koch, C., Fried, I. Category-specific visual responses of single neurons in the human medial temporal lobe. Nature Neuroscience. 3, (9), 946-953 (2000).

Comments

0 Comments


    Post a Question / Comment / Request

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

    Usage Statistics