SPM是一个免费和开源软件编写的MATLAB (MathWorks公司)。除了标准的M /脑电图预处理,我们目前提供三种主要的分析工具:(i) scalp-maps统计分析,时频图像,和体积源重建3 d图像基于一般线性模型,多个比较使用随机校正场理论;(2)贝叶斯M /脑电图源重建,包括支持集团的研究,同时脑电图和梅格,fMRI传道者;(3)动态因果模型(DCM),神经建模与数据分析相结合的方法有几种变体处理诱发响应,稳态响应(功率谱和cross-spectra),诱导反应,和相耦合。SPM8结合实地考察的工具箱,让用户有可能把各种标准分析方法与新计划中实现SPM和构建定制的分析工具使用强大的图形用户界面(GUI)和批处理工具。
统计参数映射(SPM)是一个免费和开源学术软件分布在GNU通用公共许可证。SPM的目的是交流和传播神经影像数据分析方法的科学界已经开发的SPM合著者相关的维康基金会神经造影中心,伦敦大学学院的神经。
的起源SPM软件回到1990年,当SPM首次制定的正电子发射断层扫描(PET)的统计分析数据
21世纪的第一个十年带来两个关键理论发展SPM:增加使用贝叶斯方法(例如,后验概率的映射
十年的下半年,SPM小组的研究重点转向梅格和脑电图的分析(M / EEG)。这导致了三个主要的发展。首先,“古典”SPM方法扩展到M /头皮脑电图的分析地图(
本文着重于这些工具的实现在最近的SPM版本,SPM8。我们不会排练的所有技术细节方法,读者被称为相关的论文。此外,我们还将避免专注于特定的接口细节,往往改变SPM集约发展。细节我们提到4010年SPM8版本是正确的,2010年7月21日发布。我们的目标是提供一个概览的SPM功能和数据分析软件目前支持的途径。这个概述非常长和包容的。这反映了一个事实,那就是软件涵盖了三个不同的领域,重建来源,统计参数映射(拓扑推理在各种空间)和动态因果模型。每个需要一组假设和程序,其中一些非常基本和最常见的分析电磁数据和一些我们认为这是唯一的应用程序。我们已经当选为覆盖所有完整性和与他们的基本问题在各个领域的具体问题。然而,读者熟悉基本部分可以很容易地跳过这些部分。 The paper is organized as follows. After presenting a brief overview of the SPM8 user interface, we focus on each of the three core parts of SPM for M/EEG presented above: (i) statistical analysis of images, (ii) Bayesian source reconstruction, and (iii) DCM for M/EEG. The Appendix describes the M/EEG pre-processing infrastructure in SPM8 and explains how to get from raw M/EEG data to the format suitable for analysis with one of the core SPM methods.
MATLAB M-files SPM软件包括一个图书馆和一个小数量的c文件,使用MATLAB墨西哥人网关最繁重的操作。其安装简单地由拆包一个ZIP归档在用户计算机和根SPM目录添加到MATLAB路径。安装的更多细节(特别是如果需要编译的墨西哥人文件)可以SPM wiki上找到维基教科书(
SPM M /脑电图可以调用的类型
SPM8 M /脑电图图形用户界面工具;参见图
有三种方法来访问SPM M /脑电图的功能。第一个是使用GUI。由于SPM8是一个基于gui的应用程序,所有标准的预处理和分析程序可以访问这个方法不需要编程。首先我们建议初学者使用GUI,因为这将促使SPM要求处理数据所需的所有相关信息。第二种方法是使用matlabbatch工具(图
SPM中的所有分析程序进行了优化以减少计算时间:通常一个数据集的分析(例如,源重建或DCM)可以在几分钟内完成(或在最坏的情况下,几十分钟)在一个标准的台式电脑。SPM不需要任何特殊的计算机基础设施或并行计算,虽然我们的一个发展方向是引入并行化技巧分析多个主题和多个替代模型对数据的拟合。
接下来,我们考虑的三个主要领域SPM功能使用。我们开始分析M /脑电图数据传感器空间然后继续源空间分析在随后的部分。通常,sensor-level分析是用来确定peristimulus时间或频率窗口,后续分析的重点在源空间。有效,这些传感器空间分析使用标准SPM程序(拓扑推理)应用于各种各样的电磁特性数据组织成图像。
脑电图和梅格通常产生一个时变调制信号幅度或frequency-specific权力在某些peristimulus时期,每个电极或传感器。通常,研究人员感兴趣的condition-specific是否影响(观察到特定的传感器和peristimulus次)都具有统计学意义。然而,这种推理必须正确执行统计测试的数量。这样做的方法之一是控制family-wise错误率(弗兰克-威廉姆斯),做假阳性的可能性在整个搜索空间(
虽然多重比较的问题一直存在了M /脑电图分析(由于数量的垃圾箱在peristimulus时间窗口),需要校正法与高密度的出现越来越严重的脑电图帽和梅格传感器阵列,整个头皮增加观测的数量。在许多分析,多重比较的问题可通过限制搜索空间推理之前,所以,只有一个测试每重复测量。这通常是通过时间和平均的数据判断传感器感兴趣的垃圾箱。这产生一个汇总统计每学科的条件。在许多情况下,这是一个强大和有效的方式来回避多个比较问题;然而,它需要指定感兴趣的空间<我t一个lic>
先天的。这个空间的原则规范可以使用正交或独立的数据特征。例如,如果一个感兴趣的注意力调制N170波(一个典型的与事件相关的记录170毫秒后的脸),可以第一个定义表达了N170的电极和时间垃圾箱(与基线相比),然后测试关注他们的平均的影响。注意,这种方法假定condition-specific效应发生在相同的传感器和时间,只在选择有效并不是偏见(
统计分析的M / SPM脑电图数据使用相同的机制和其他数据类型(宠物、功能磁共振成像和结构性MRI VBM)。这只需要SPM M /脑电图数据格式转换为图像文件(NIfTI格式,
此函数接受SPM M /脑电图传感器数据作为输入,并生成一个图像为每个试验(试验没有拒绝)。这种分析可以应用于脑电图和梅格(分别)。梅格的情况与平面梯度仪系统,可以生成图像从均方根值结合两个平面梯度仪在每个位置。在一个平均的数据集,这将产生一个图像/条件,使统计学科之间的比较。在一个时代的数据集,将会有一个图像每试验和多个图像的条件。因此,也可以进行试统计测试,然后采取进一步总结统计图像的参数估计(通常是对比受试模型)从每个二级学科之间的分析。
数据在时域转换成一个图像通过生成一个头皮映射为每个时间框架和叠加头皮地图peristimulus时间(见图
建设(空间××时间)汇总统计图像和随后的SPM推理。的数据是梅格反应表示和炒面孔的图像。(a)平均小块土地在左颞传感器记录单个主题面对演讲的回应。垂直线表示的最大正值这小块土地。(b) Sensor-space地图插入所有传感器在刺激后185毫秒,在(a)所示。(c)建设三维(空间××时间)从Sensor-space地图数据量,如(b)所示。(d)的方差齐性检验结果反应的脸,爬的脸之间的区别。总的来说,单一试验为每个条件(168)被转换为图片所示(c),一个两个示例<我nline-formula>
如果提前知道感兴趣的时间窗口(例如,在一个良好的ERP或与事件相关的字段(小块土地)峰值)可以平均在这个时间窗口来创建一个2 d图像与空间维度。
虽然,原则上,拓扑推理可以为任意数量的尺寸做的,目前实现SPM8仅限于三维或更少。因此,当出口汇总统计图像时频特性,有必要降低数据维数从4 d(空间×××频率)是一个3 d图像(空间空间××时间)或二维时频图像(时间×频率)。这是通过平均超过通道(×空间)或频率。平均超过通道(或常见的特殊情况,选择一个频道)为二维时频图像(图
SPM分析时间×频率图像。(a)时频图像计算为每个主题和平滑通过高斯卷积核。(b)<我nline-formula>
当平均频率,需要指定感兴趣的频率范围。然后平均功率在指定频段产生通道波形。这些波形保存在一个新的时域M /脑电图数据集。这个数据集可以回顾和进一步加工一样普通的时域数据集(源重建或DCM不会适当的力量或能量,因为数据特性(
生成的图像从M /脑电图数据二级(即前一般平滑。,group level) analysis by multidimensional convolution with a Gaussian kernel (standard image smoothing available in SPM). Smoothing is necessary to accommodate spatial/temporal variability over subjects and ensure the images conform to the assumptions of the topological inference approach. The dimensions of the smoothing kernel are specified in the units of the original data: [mm × mm × ms] for space-time, [Hz × ms] for time-frequency images. The guiding principle for deciding how much to smooth is based on the matched filter theorem, which says that the smoothing kernel should match the scale of data features one expects. Therefore, the spatial extent of the smoothing kernel should be more or less similar to the extent of the dipolar patterns expected in the data (probably of the order of a few cm). In practice, one can try smoothing the images with different kernels, according to the principle above; this is a form of scale space search or feature selection. Smoothing in time is not always necessary, as temporal filtering has the same effect. Once the images have been smoothed, one can proceed to the second level analysis.
图
本节的重点是成像(或分布式)脑电图/梅格源重建SPM的方法。这种方法导致了传感器数据的空间投影(3 d)大脑空间,认为大脑活动是由大量的偶极源分布在皮质表,固定的位置和方向。这使得观测模型线性的,未知的变量被源振幅。由于时代和预处理数据,诱发和(或)诱导活动对于每个偶极源可以估计,短时间内段或更广泛的peristimulus时间窗口。重建的活动是在3 d立体像素空间,可以使用大规模单变量分析SPM分析,随着时间的推移,使用适当的汇总统计图像和/或频率。
与PET /功能磁共振成像图像重建相比,M /脑电图源重建是一个重要的操作。经常评估相比,体型的影子,从头皮数据推断大脑活动是数学上不合适,需要信息,如解剖之前,功能,或数学约束隔离一个独特的和高度可能的解决方案
基于经验贝叶斯形式主义,反演是通用的,在这个意义上,它可以吸收和估计的相关性不同性质的多个约束(即。,它可以复制各种标准的约束与最低标准(
科目的解剖学是合并生成模型的数据,在一个时尚,避开个人皮质表面提取。获得个人皮质网格自动MNI规范网格的空间,提供一个简单而有效的方式报告结果在立体定向坐标(
SPM使用高斯过程模型(
米/脑电图成像管道分为四个连续的步骤,描述任何逆过程的一个附加的步骤总结结果。在本节中,我们经历的每一个步骤,构成一个完整的反分析。
源空间造型。
coregistration数据。
提出计算。
逆重建。
总结重构响应作为一个形象。
而前三个步骤指定向前或生成模型,逆重建步骤是关心贝叶斯反演模型和是唯一的一步,需要EEG /梅格数据。
下面描述的一切都可以从SPM用户界面按“3 d重建源”按钮。将出现一个新窗口,其中包含一个GUI,指导用户完成必要的步骤来获得一个成像重建他们的数据(见图
加载数据集时,用户被要求给重建一个名字。在SPM,可以执行相同的多个重建数据集有不同的参数。这些重建的结果将存储的数据集后,按下“保存”按钮。它们可以被加载并回顾了使用“3 d重建源”GUI和SPM M /脑电图检查工具。从命令行,可以访问源通过D重建结果。发票@meeg对象的字段。这个字段(如果存在)的单元阵列结构。每个单元格都包含不同的重建结果。这些细胞可以导航之一的GUI,在第二行中使用的按钮。一个也可以创建、删除和清晰的分析细胞。一开始提供的标签将被附加到用户确定的细胞。
进入标签后,“模板”和“核磁共振”按钮将被启用。“核磁共振”按钮创建个人交头接耳网格的边界描述不同的隔间基于主题的结构扫描。SPM会问为主题的结构图像。它可能需要一些时间来准备模型,当图像需要分割的一部分计算非线性变换从个体结构空间模板空间(
模板网格用于分布式源成像。(一)“正常”皮质模板网(8196点),左视图。三角网格的显示了表示皮质表面用SPM。(b)所有模板网格(皮质,内心的头骨,头骨外,和头皮)叠加在MRI的模板。默认的基准与模板相关的解剖学位置显示在浅蓝色。
在缺乏个体结构扫描,结合模板头模型和个人头的形状也会导致一个相当精确的模型。“模板”按钮使用SPM的模板模型基于MNI大脑。相应的结构图像可以在规范/ single_subj_T1找到。nii SPM的目录。当使用模板,完成不同的事情取决于数据是脑电图或梅格。脑电图,电极位置将转化为匹配模板。所以即使主题的头非常不同的模板,一个应该能够获得合理的结果。梅格,模板头将转化为匹配的基准点和头部形状梅格数据。在这种情况下,有一个头形状测量SPM可以帮助提供更多的数据规模的正确。
不管是否“核磁共振”或“模板”按钮,皮质网格描述的位置可能来源的脑电图和梅格信号从一个模板网(图
为了计算,来源的方向皮质网被认为是正常的。乍一看这似乎硬约束,尤其是对“模板”选项,网格不匹配的细节个人皮质解剖学。然而,在我们的经验中,当一个足够详细使用网格,顶点在任何地方皮质补丁的取向变化足够占任何可能来自对应的大脑区域的活动;提供足够致密网状。(3)提供的网格分辨率SPM提供足够的自由度在这种情况下。当比较与自由和固定网格取向,亨森等。
SPM提供有意义的解释源重建的结果,它应该映射传感器位置的坐标系统最初表示的坐标系统结构磁共振成像(MNI坐标)。
有两种可能的方式coregistering M /脑电图数据结构磁共振成像空间。
一个landmark-based coregistration(只使用基准点)。刚体变换矩阵(旋转和翻译)计算,这样他们比赛中的每个基准M /脑电图空间中相应的一个MRI空间。相同的转换则应用于传感器的位置。
一些头形状之间的表面匹配(M /头皮脑电图空间和一些MRI-derived镶嵌)。
脑电图,可以使用传感器的位置而不是头部形状。梅格,头部形状是第一coregistered MRI空间;然后应用到逆变头模型和网格。表面匹配执行使用迭代最近点(ICP)算法。ICP算法(
双功能之间建立通信的两种结构一致,基于距离。
估计刚性变换的最佳地图的第一个成员到第二。
应用转换所有功能的结构。这三个步骤然后重新应用,直到收敛。虽然简单,但有效地算法当给定一个好的初始估计。
在实践中,后按下“Coregister”按钮需要在MRI中指定的点对应于M /脑电图基准点。如果超过三个基准点是可用的(可能发生为脑电图,原则上,可以使用任何电极作为基准),用户要求在第一步选择要使用的基准。可以选择超过三个,而不是更少。然后为每个M /脑电图基准选择,用户要求在MRI中指定相应的位置在三种方式之一。
“选择”位置的点,如常用的鼻根和preauricular点也CTF-recommended梅格硬编码在SPM的基准点。如果一个M /脑电图基准对应于一个点,用户可以选择这个选项,然后从列表中选择正确的点。
“类型”,现实很可能进入MNI坐标为基准(1×3矢量)。如果基准不是在SPM硬编码列表中,我们建议仔细找到正确的点在模板映像或主题的图像注册模板。可以通过打开图像利用SPM图像显示功能。一个可以记录MNI坐标并使用它们在随后的coregistration,使用“类型”选项。
“点击”——用户提供结构图像,可以点击正确的点。这个选项有利于“快速和肮脏”coregistration或者尝试不同的选择。
指定基准点后,用户是否使用头部形状点如果他们是可用的。脑电图这个建议。梅格,头部模型是基于主题的MRI和精确的基准信息是可用的(例如,从一个MRI与基准点,维生素E胶囊);使用头部形状实际上可能弊大于利。
coregistration的结果给出了SPM的图形窗口中(见图
coregistration显示的例子(共同注册步骤已经完成口口相传后出现)。上面一行显示了3 d的结果共同注册,口口相传,最后一行显示了二维传感器的安排与相应的标签。(一)脑电图数据(128 Biosemi系统)的多通道面部知觉实验可以从SPM的网站。头皮脑电图传感器位置被调整以适应表面。梅格(b)的数据(275 -通道清洁技术基金系统)相同的实验。
这是指计算,为每一个偶极子皮质网,它会对传感器的影响。结果是一个<我nline-formula>
“向前”工具箱支持不同的模型。后按下“发展模式”按钮(这应该启用成功coregistration后),用户选择的几个头模型,根据数据的形态。在SPM8,我们建议使用“单壳”模式(
提出模型显示的例子(出现在远期造型步骤已经完成)。图包括皮层网状、传感器位置,另一层用于计算lead-field矩阵。(一)脑电图数据(128 Biosemi系统)的多通道面部知觉实验可以从SPM的网站。这个图显示了头模型用于计算本解决方案对这些数据。梅格(b)的数据(275 -通道清洁技术基金系统)相同的实验。此图显示了头模型用于计算实际的单壳这些数据的解决方案。
逆重构调用通过按“反转”按钮。第一个选择“成像”之间,“VB-ECD”,“DCM”。重建基于经验贝叶斯方法(本地化诱发反应,诱发的权力,或诱导力量)应按“成像”按钮。其他的选项下面更详细地解释。当有几个条件(试验类型)的数据集,然后下一个选择是是否反转一起的条件或选择一个子集。如果一个计划统计比较一组条件,一个人应该转化所有的在一起。选择条件后得到一个选择“标准”和“自定义”反演。“标准”反演,SPM和默认设置将开始计算。这些对应多个稀疏先验(MSP)算法(
优化的参数反演,可以选择“自定义”选项。将有可能选择几种类型的反演中,不同的hyperpriors(先验或先验约束):IID-equivalent古典最低标准(
可以选择一个时间窗口,将用于反演。基于我们的经验,我们建议的时间窗口是有限的时间表达的活动感兴趣。原因是如果不相关的高烈度活动包括,重建将把重点放在减少误差来源重建这个活动感兴趣的和可能抑制反应。还有一个选择应用汉宁锥度减轻体重可能基线噪声的时间序列的开始和结束试验。下一个选项是预滤器数据。这主要是集中在一定的时间尺度在重建(例如,α为erp或伽玛乐队快诱导反应或sensory-evoked反应)。下一个选项允许额外的源先验。这使人们有可能将先验知识从文学或fMRI / PET / DTI到反演[
在这里,可以限制解决方案特定的大脑区域通过加载一个MAT-file(或指定)<我nline-formula>
SPM8成像重建还支持多通道数据来源。这些数据集都有脑电图和梅格的数据同步录音。数据集从Elekta / Neuromag Vectorview梅格系统,它有两种梅格传感器,也视为多通道。如果多通道数据集,将出现一个对话框要求一个从列表中选择源重建的模式。当选择多个形态,多通道融合将被执行。这个选项使用启发式重新调节来自不同形式的数据,以便他们可以融合
一旦完成反演,源的时间进程与最大活动提出了图形窗口的顶部面板(见图
诱发反应显示估计的分布式解决方案。前面板显示源的时间进程拥有最大活动在底部面板显示的最大强度投影(MIP)最大时激活。(a)的脑电图数据多通道面部知觉实验可以从SPM的网站。(b)梅格从同样的实验数据。时间在红色是面对刺激而浅灰色是炒的面孔。浅红色和灰色线表示90%的置信区间。
SPM允许一个创建汇总统计图像的对比(参数估计或活动的混合物)在时间和频率。这些都是3 d的形式NIfTI图像,所以可以继续GLM-based统计分析以通常的方式(在主客体之间级别)。这需要总结审判和科目的反应与单个源空间和三维图像涉及指定每个对比的时频窗口形象。这是一个灵活和通用的方法来指定数据特性一个想作出推论(例如,伽马活动大约300毫秒或平均响应之间的80和120 ms)。按指定的对比是“窗口”按钮。用户将被问及感兴趣的时间窗口(在女士,peristimulus时间)。可以指定一个或多个时间片段(由分号分隔)。指定一个单一的时间点相同的值可以重复两次。下一个提示属于频带。平均源时间课程一个可以离开这个默认为零。 In this case, the window will be weighted by a Gaussian function. In the case of a single time point, this will be a Gaussian with 8 ms full width half maximum (FWHM). If one specifies a particular frequency or a frequency band, then a series of Morlet wavelet projectors will be generated, summarizing the energy in the time window and frequency band of interest.
是有区别的指定感兴趣的频段为零,而不是指定一个宽带覆盖整个频率范围的数据。在前者情况下,时间的每一个偶极子场均随着时间的推移,由高斯加权。因此,如果选择的时间窗内这次课程改变极性,活动可以平均甚至强烈反应能产生一个值为零。在后一种情况下,电源集成在整个频谱忽略阶段,这就相当于在时域计算振幅的平方的总和。
最后,如果数据文件是时代而不是平均,之间有一个选择“唤起”,“诱导”,“试验”。在上一步生成的投影机可以适用于每一个试验,结果平均(诱导)或应用于平均试验(唤起)。因此,它是可能的本地化诱导刺激的活动,没有锁相。还可以关注频率的内容ERP使用“唤起”选项。显然结果不会是相同的。(底部面板的图指定的投影仪
显示估计的分布式解决方案唤起权力在一个特定的频段。可以获得相同的感应能力和为每个审判。前面板显示的最大强度投影(MIP),而底部面板显示了应用时频对比。(a)的脑电图数据多通道面部知觉实验可以从SPM的网站。(b)梅格从同样的实验数据。诱发动力计算在150年到200年之间,女士1至20赫兹的频率。
导出图像归一化的值减少主客体之间的方差。因此,最好的结果应该出口图像的时间窗口和条件将包括在相同的统计分析。注意,出口从源图像重建是一个奇特的因为平滑的2 d皮质片放到3 d体积(图
轴向、矢状面和冠状的观点的对比图像如图
接下来,我们考虑一些与源相关辅助功能重建。
通过按“渲染”按钮可以打开一个新的GUI窗口,显示一个呈现在大脑表面的反演结果。一个可以旋转的大脑,关注不同的时间点,看场电影,比较预测和观察头皮地貌和时间序列。一个有用的选项是“虚拟电极”,它允许提取一次课程从任何点网格,形成MIP最大时激活。额外的工具来评估结果可在SPM M /脑电图检查工具。
MSP反演遇到的一个问题在于,有时产生的解决方案,在每个话题焦点,激活地区对象之间的空间重叠不足以产生显著的结果在主客体之间的水平。这可能是经平滑,但平滑妥协的空间分辨率,从而颠覆了使用一个反演方法的主要优势可以产生局部的解决方案。更合理的解决方案是告诉大脑相同的分布式系统的模型已经从事所有科目或会话(设计)。这是简单的使用分层扩展的MSP方法(
操作、组反演之前涉及到计算空间协方差来源空间都是共同的主题。这取决于重整sensor-level样本协方差除以科目数据池。原则上,这是简单的,因为每个主题的传感器的线性映射规范组皮质来源暗示有一种独特的线性映射从一个话题转的蒙太奇;换句话说,我们可以计算我们就会看到如果一个主题研究蒙太奇的另一个主题。然而,在实践中,必要的调整比较困难,因为“平均”蒙太奇必须从所有科目信息交流。想象两个主题与单个电极,研究了这两个电极的主要领域是正交的。这意味着重新调整传感器从一个话题与其他将失去所有的信息从股份。我们寻求的是平均传感器捕获的信号来自受试者在一个平衡的方式。这可以通过迭代求解一组线性方程的约束下平均(重新)之间的互信息最大化传感器数据和每个主题的数据。SPM8使用递归最小二乘(普遍)方案。
集团反演可以开始按“反转”按钮后打开源重建3 d GUI。用户要求指定一个M /脑电图数据集列表一起转化。然后一个是要求coregister每个文件和提前指定所有的反演参数。还可以指定提前形成鲜明对比。然后反转将继续通过计算逆解的所有文件,将写出输出图像。每个主题的结果保存在相应的输入文件的标题。可以将这个文件加载到3 d GUI,反转后,和探索结果如上所述。
一个也可以运行使用matlabbatch工具重建成像来源。可以访问它通过按“批处理”按钮在主SPM窗口,然后将“米/脑电图重建源”下“SPM”和“M /脑电图”。这里有三个独立的工具来构建模型,计算逆解和创建的对比图片。这使得它可以生成图像的几种不同的对比相同的反演。所有这三个工具支持多个数据集作为输入。组自动反演使用多个数据集。
这样就完成了我们的评论的分布式源重建。之前的最后部分,我们考虑暂时替代源空间模型,这是简单得多,但与在这一节中描述的皮层网状,导致parametrisation向前非线性模型。
本节描述基于变分贝叶斯等效电流偶极子源重建(VB-ECDs) [
只有少数(说不到~ 5)来源是活跃的同时,
这些来源是焦点。
这导致了儿童早期开发提出模型,观察头皮电位是由少数离散电流源;偶极子,位于大脑体积。成像重建相比,本研究在模型中考虑的数量,也就是说,活动地点的数量,必须定义<我t一个lic> 先天的。这是一个关键的一步,随着资源数量的考虑定义了儿童早期开发模型。这个选择应该基于经验知识的大脑活动观察或任何其他的信息来源(例如,通过观察头皮电位分布)。注意,本研究可以优化的数量<我t一个lic> 事后使用模型的比较(见下文)。一般来说,每一个偶极子是由六个参数描述:三个位置,两个方向,和一个振幅。保持超定的逆问题,因此本研究的数量不得超过通道的数量除以6,,最好应该远低于这个阈值。本研究的数量是固定的,一旦一个非线性变分贝叶斯方案用于优化偶极子参数(6倍的偶极子)观察到的潜力。
经典儿童早期开发方法使用一个简单的最佳拟合优化使用最小平方误差准则。这导致相对简单的算法,但提出了一些缺点。
限制的偶极困难包括框架。
噪声不能妥善考虑,作为它的方差应该估计与偶极子的参数。
很难定义置信区间估计的参数,这可能导致过度自信的结果。
模型与不同数量的本研究无法相比,除了通过他们的拟合优度,这可能会误导人。添加偶极子模型必然会提高整体拟合优度,一个错误会可以使用尽可能多的本,完全适合观察到的信号。
然而,使用贝叶斯技术,可以绕过所有上述传统方法的局限性。短暂,概率生成模型构建,提供了可能性模型的数据。这个假定一个独立同分布的正态分布误差,但其他发行版可以被指定。模型是由先验完成各种参数,导致贝叶斯模型,它允许将之前指定的约束。
迭代变分贝叶斯计划然后用来估计参数的后验分布(事实上同样的方案用于分布式解决方案)。估计参数的置信区间是可以通过直接的后方差参数。至关重要的是,在贝叶斯背景下,不同的模型可以比较使用他们的证据。这个模型比较优于经典拟合优度的措施,因为它考虑到模型的复杂性(如偶极子的数量),隐式模型参数的不确定性。VB-ECD因此可以提供客观、准确的回答这个问题:这个数据集将更好地模仿两到三本吗?我们现在描述的过程使用SPM8 VB-ECD的方法。
引擎计算投影(铅字段)偶极源的头皮电极来自实地考察和是相同的3 d成像或扩张型心肌病。头部模型应做好准备以同样的方式,如前一节所述。相同的数据集,差异VB-ECD成像重建,因此,只由于重建选择。
加载和准备的头模型后,一个人应该选择VB-ECD选项后按下“反转”按钮在“3 d重建源”窗口。然后邀请用户填写的信息ECD模型按照以下顺序和点击按钮。
表明本或窗口的时间重建。注意,数据将在选定的平均时间窗口。VB-ECD因此总是会计算出一个头皮地形。
进入试验类型(s)重建。每个试验类型分别将重建。
添加单个(即。,我ndividual) dipole or a pair of symmetric dipoles to the model.
选择“信息”或“Noninformative”先验位置。“欠”调用平先验脑容量。以“信息”,一个可以进入<我t一个lic> 先天的源的位置(一双对称偶极子,只需要一套偶极子坐标)。
在这一点上,可以回去,添加更多的偶极子模型(s),或停止添加偶极子。
指定的迭代次数。这些重复的拟合程序用不同的初始条件。因为有多个目标函数的最大值,多次迭代是必要的,以确保良好的结果,特别是当欠位置选择先验。
常规然后用VB收益优化方案来估计模型参数。有一个中间结果的图形化显示。当选择最好的解决方案,模型的证据将顶部的SPM图像窗口中(见图
VB-ECD解决方案说明在脑电图数据多通道面部知觉实验可以从SPM的网站。一对对称偶极子是安装的地形和炒面孔的区别平均在170年和180年之间。(一)上部通过透明皮质网格显示了偶极子的位置;中间部分显示头皮观察和预测数据之间的对应关系在两个方面(地貌和导图);底部显示了自由能,解释方差,估计偶极振幅(从左到右)获得每个十重复的过程有不同的初始位置。结果对应于最高的一个自由能(红点)。(b)正交视图的大脑与偶极子位置从解决方案获得最高的自由能。(c)大片段的轴向图像(b)所示白色广场。椭圆显示了偶极子的95%置信卷位置。
VB-ECD结果可以显示再次按“下降”按钮,在“转化”按钮后,将使计算VB-ECD解决方案。在上部,大脑的三个主要数据显示正交视图与偶极子的位置和方向叠加(见图
这就完成源重建我们的讨论。前面几节介绍分布式和儿童早期开发解决方案基于提出的模型从来源映射到传感器。这些模型不是约束产生生理上的神经元活动的估计和忽略了神经元不同偶极源之间的耦合产生观察传感器信号。在最后的部分中,我们向动态因果模型(DCM),有效地将一个神经元模型在上述电磁推进模型。通常,源重建(成像或ECD)用于回答问题的功能解剖学诱发或诱导反应,一直在来源。这些信息通常是用于指定位置先验DCM的来源。
动态因果模型(DCM)是基于一个想法最初开发的功能磁共振成像数据(
米/脑电图数据,DCM可以推断(神经元)的一个强大的技术参数不直接与M /脑电图可见。具体来说,一是不限于源强度问题,估计使用源重建方法,但可以测试假设源在网络之间的连接。米/脑电图数据是高度及时解决,功能磁共振成像相比,精确的推断的感受有意义的参数(例如,突触时间常数)是可能的。这些都直接导致潜在的神经动力学。近年来,一些变异的DCM M /脑电图已经开发出来。DCM的稳态响应(DCM-SSR) [
在本节中,我们只提供一个程序指南的实际使用DCM M /脑电图。科学背景,或如何使用的算法通常使用DCM在应用程序中,我们建议以下。概述M /脑电图还可以发现在
DCM的目的是解释测量数据(如诱发反应)的输出交互网络组成的几个领域,其中一些(即接收输入。,刺激)。诱发反应之间的差异,测量在不同条件下,模拟调制的DCM指定参数;例如,cortico-cortical连接(
DCM的诱发反应考虑了空间发展模式。这使得DCM-ERP时空模型的完整数据集(在渠道和peristimulus时间)。或者,一个可以描述DCM作为时空来源重建算法,它利用额外的时间约束的神经动力学质量和长期有效的连接。这是通过parameterising领先领域,也就是说,传感器的空间投影源活动。在当前版本中,可以使用两种不同的方法。第一个假定每个源的主要领域是由单个等效电流偶极子模型(ECD) [
GUI允许进入指定的所有必要信息时空DCM对于一个给定的数据集。适合多个模型,我们建议使用一个批处理脚本。这种脚本的一个示例中可以找到的男人/ example_scripts文件夹分布。
按钮调用DCM GUI在SPM的菜单窗口。当按下按钮时,弹出的GUI(图
DCM M /脑电图图形用户界面。不匹配的配置显示对应于例DCM消极实验可以从SPM网站;查看更多细节文本。
数据选择和模型规范必须以一个固定的顺序执行(数据选择> >空间模型连接模型)。这个顺序是必要的,因为有三个部分之间的依赖关系,否则很难解决。在任何时候,可以来回切换从一个部分。同时,在每个部分中,信息可以以任意顺序指定。
顶部的按钮的一部分GUI允许一个加载一个现有的DCM或保存当前。一般来说,储蓄是可能的在模型规范。有两个下拉框在这个DCM-GUI的一部分。左边是不同DCM变体之间切换。默认是ERP的DCM诱发这里描述的反应。目前,有三个附加选项:印第安纳州、SSR和PHA如上所述。右边的菜单选择神经元模型。目前,有四种模型类型。第一个是ERP应用程序的标准模型描述了在大多数报纸;例如(
这部分处理之间的选择和细化数据和模型试验效果。DCM GUI的右边,有三个文本框,指定between-trial效果。这些影响是通过改变连接介导的优势。机顶盒应包含条件的指标包括在模型中。例如,第二个和第三个模型诱发响应中包含的数据集,应该指定2和3。指数对应订单,可以由用户指定(参见附录
最左边的文本框可用于定义实验效果的名称(例如,“古怪”)。进一步左边有几个更多的控制,其目的是提炼造型前的数据。在“时间窗口(ms)”一个进入peristimulus倍模型,例如,1到200 ms。一个也可以选择是否模型均值或漂浮在传感器级别的数据。在“去趋势”可以选择一个数量的离散余弦变换条件对模型使用低频漂移(选择1意味着仅仅意味着将被删除)。“子样品”选项,可以选择一个downsample ERP之前计算的数据。这个二次抽样不适当的抽样但大量毁灭,所以不建议经常使用它。如果有必要,最好down-sample数据预处理中。在扩张型心肌病,我们使用数据子空间的投影(渠道的混合物)减少和抑制噪声的数据量。这描述的空间投影
一旦满意数据选择、投影和消除趋势项,用户可以点击“>”按钮(向前)进入下一个阶段,电磁模型。由此,红色的“<”按钮可以使用,如果有必要,回到数据和设计规范。
目前,有三个选项如何诱发反应空间模型。首先是使用单个等效电流偶极子为每个源(ECD),第二是使用补丁皮质表面(IMG),第三个联赛是不使用空间模型(假设每个通道与未知样品来源获得)。在所有三个案例中,有必要对输入源名称(一行一个名字)。儿童早期开发和IMG,之前的源位置(MNI坐标在毫米)必须被指定。注意,默认情况下DCM使用不提供信息的先验偶极子取向,但严格先验位置。这是因为米/脑电图数据包含有限的信息位置但支持面向精确的估计(
“发病”参数决定刺激时,在0 peristimulus女士,假定来激活它连接的皮层区域。在DCM,我们通常不会模型早期反应小,但开始造型第一大挠度。因为刺激脉冲的传播通过输入节点会导致延迟,我们发现60 ms发病时间的默认值是一个很好的价值对于许多诱发反应第一大挠度响应(人口)是100 ms。然而,这个值是一个前;即反演程序可以优化它。之前的意思是应该选择根据感兴趣的特定的反应。这是因为时间第一大挠度是依赖于范式或形态;例如,听觉或视觉,皮质或皮质下,等等。变化发生之前可能会影响数据是如何安装的。这是因为起始时间强烈非线性效应(延迟)预测反应,这可能引起局部最小值的解空间,对不同之前的值。 It is also possible to type several numbers in this box (identical or not). Each value invokes its own separate input, whose timing will be optimised separately. These inputs can be connected to the same or different sources of the model. This can be useful, for instance, for modelling a paradigm with combined auditory and visual stimulation.
继续下一个模型规范阶段,点击“>”按钮(向前),继续“神经元模型”。如果这是第一次估计和源重建以前没有完成相同的数据集,DCM将建立一个空间模型。这里的步骤是一样的“3 d重建来源”一节中描述。
这部分是最关键的模型规范。在扩张型心肌病,通常指定一系列的模型(模型空间)模型比较。比较有效的模型,模型只应该有不同的连接;也就是说,在这部分中指定的参数。DCM-ERP(以及DCM-SSR)可以比较模型与不同来源。然而,由于使用的数据投影(见上图,
在GUI的这一部分,有五个(或更多)矩阵,由单选按钮指定开关。前三个是连接强度(<我nline-formula>
指定的一个或多个输入(发作)之前可以去任何源或多个来源。接收来源可以通过选择索引指定的输入(<我nline-formula>
“审查先知先觉”按钮,也位于这个GUI的一部分,是为高级用户并打开另一个窗口可以直接指定和改进先验的神经元模型参数,看看它们是如何影响模型的动态响应。
几个额外的单选按钮下面连接矩阵是特定于DCM-ERP切换选项。
“偶极对称约束”选项是有用的为双边对称造型来源(例如,听觉皮层)。
“优化源位置”只能结合“儿童早期开发”选项并允许DCM更多的自由与移动偶极子作为优化过程的一部分。
“锁方案特殊效应”确保所有连接的变化是相同的。时这是很有用的一个特定的假设一些实验因素增加(或减少)所有连接的优点。
模型规范后,“估计”按钮可以按逆模型。DCM然后估计模型参数,可以花一些时间(通常从几分钟到一个小时,取决于模型的复杂性)。可以按照优化通过观察迭代模型适合在一个图形窗口。在MATLAB命令窗口中,代码将显示的预测和实际变化自由能(绑定所优化近似模型的log-evidence)每个迭代。在收敛,DCM在DCM文件保存结果,默认命名“DCM_ERP.mat”。这个名字可以更改按“保存”顶部的GUI和保存到一个不同的名称。
评估完成后,可以评估结果选择从下拉菜单底部(中间)。“erp(模式)”一个情节,可以为每个模式,诱发反应的数据和模型(见图
从结果显示DCM-ERP例子。EEG数据从消极不匹配实验可以从SPM网站(a)“erp(模式)”显示前两(8)模式。细线显示模型预测数据和粗线。应对经常提出语气所示蓝色和应对罕见的在红色。(b)“erp(来源)”显示的两位消息人士预测动态模型(左和右)听觉皮层。每个源由3神经元数量。应对经常提出语气所示蓝色和应对罕见的在红色。(c)“耦合(B)”显示显示后意味着增益调节的连接。(d)相同的后验概率图显示每个调制显示连接的概率的影响实验条件(频繁的和罕见的)连接不同于零。
有两个额外的按钮右边的“结果”菜单。“初始化”按钮可以指定参数值作为反演的初始起点。这些值被从另一个已经估计DCM,用户可以选择。“百时美施贵宝”按钮打开SPM批量模型选择的工具。这个工具允许一个执行贝叶斯模型比较和贝叶斯模型平均(
这个结论我们的描述规范和DCM-ERP的反演。现在我们将考虑其他DCMs和界面特性简要针对这些变体。
DCM-SSR访问通过选择“苏维埃社会主义共和国”左上的下拉菜单。第二个下拉菜单的右边上面板指定(与所有DCMs)分析是否应该使用一个线性模型在美国执行(ERP)或conductance-based模型(NMM)在美国是非线性的。between-trial效应的数据选择和规范erp的情况是一样的,上面所描述的。这同样适用于电磁模型。DCM-SSR与颅内常用数据,特别是来自动物模型,因此,LFP选项是对这种形式的DCM尤其相关。“神经元模型”从DCM-ERP的主要区别是在输入。DCM-SSR,输入不是离散事件时间但是内源性噪声源。因此,“发作”参数是不相关的。C矩阵可以指定模型如何是由噪声来源。通常,在这种背景下,C是一个单位矩阵,处方内生波动(噪音)来源。
与DCM-SSR除了变量上面所讨论的,它是必要的选择频率会模仿。这些可能是一个广泛的频率范围的一部分;例如,像默认4-48赫兹,或一个可以进入窄频带;例如,8到12赫兹,阿尔法带模型。这个规范是通过实现“频率窗口(Hz)”框接近DCM窗口的底部。按下“反转DCM”按钮后,自动交叉谱密度计算(使用“光谱”工具箱SPM (
“结果”菜单中提供了一些估计。通过分析“光谱数据”,可以看到上面描述观察到光谱矩阵格式。选择“交叉谱密度”提供了观察和预测反应。检查连接估计一个人应该选择“耦合(A)”选项,或调节参数,“耦合(B)”选项。也可以检查在每个源输入力量通过选择“耦合(C)”选项,如DCM-ERP。检查谱输入这些来源应该选择“输入”选项;这是一个混合的白色和粉红噪声。
DCM-IR模型耦合内部和之间的频率与线性和非线性相关机制,分别。DCM-IR访问通过选择“印第安纳州”左上的下拉菜单。由于这是一个现象学DCM,菜单不相关(即神经模型。,它使用一个简单的双线性近似)。
数据特性(时频响应)建模实验,形成时代数据。DCM-IR模型整个光谱,包括诱发(锁相刺激)和诱导(non-phase-locked)组件。“模式”变量有不同的意义比DCM-ERP DCM-IR。在这里,这些都不是空间模式但频率模式,从奇异值分解的时频连接跨数据源的数据。模式选择越多,时频响应将建模的更多细节。然而,当有太多的模式,DCM反演是缓慢的,和高阶模式通常捕获噪声而不是生理意义的动力学。通常第一个3 - 4模式捕捉最有趣的特性所以的默认值8在大多数情况下应该绰绰有余。
与上面的还,DCM-IR传感器不模型数据特征空间。这样做的原因是,DCM-IR只有权力和丢弃相位信息模型。这使它无法预测的传感器数据模拟源动力。因此DCM-IR第一反转电磁模型,利用领先领域的伪逆矩阵,然后计算源动力,随后模仿。IMG选项不是有关这两步的过程,因此,只有ECD和LFP选项可用。使用儿童早期开发选项时,位置参数没有优化的空间模型。这意味着DCM-IR将项目数据在源空间使用由用户指定的空间位置。我们正在考虑更多的空间中提取源波形的特定的方法(例如,波束形成)。这些方法将会在未来实现。
在DCM诱导反应,A-matrices编码之间的线性和非线性耦合的力量来源。最左边的矩阵第一行指定的线性关系。这些连接频率能量在一个源影响相同频率的动态在另一个来源。注意,所有连接应该至少线性模型中,如果存在一个连接,在这个矩阵应该在相应的按钮。同时,矩阵的主对角线上的按键总是因为在模型中每个节点都有一个线性与负号内在联系。这将确保诱导活动有消失的趋势。右边的线性连接矩阵有一个非线性连接矩阵。这里的想法是一样的。请注意,相应的线性连接应该启用。当非线性连接时,源节点的频率会影响所有的频率在目标节点。 Intrinsic connections can be made nonlinear as well so as to explain nonlinearities among putative subpopulations within each source.
使用输入矩阵和类似于DCM-ERP发病参数。B-matrices也使用如上所述。不管连接指定调制时,线性或非线性实验效果。因此,只有一个调制矩阵每个实验的效果。Self-connections可以修改的实验效果,因此切换B-matrices的对角条目。
下面这个按钮,位于连接矩阵允许将数据转移到使用Morlet小波变换时频域。还必须指定频率窗口定义所需的频段小波和周期的数量,它指定的时间频率分辨率(见附录
“频率模式”选项将显示频率模式,确定使用奇异值分解在源空间谱动力学(随着时间的推移和来源)。“时间模式”将显示频率的观测时间课程模式(虚线)和模型预测(实线)。在这里,还可以看到活动是否被轻微的模式噪声,这是有利于优化模式的数量。将显示“时频”观察到的时频功率为所有指定数据源的数据(上半部分)和安装数据(下图);参见图
从结果显示DCM-IR例子。梅格数据来自多通道面部知觉实验可以从SPM的网站。(一)“时频”的一部分显示显示观察和时频功率的模型预测来源(右梭状回面孔区,rFFA)。(b)的一部分“耦合(B-Hz)”显示显示cross-frequency耦合矩阵的一个例子,在这个例子中为rFFA和右枕源之间的联系。
一个“另存为img”选项允许保存cross-frequency耦合矩阵作为图像。当分析一组受试者一个可以使用这些图像作为汇总统计结果SPM寻找共同特征的耦合和耦合学科之间变化。图片名称将包括标识符如“A12”或“B31”与源连接矩阵;基本(A)或(B)实验的影响。
DCM-PHA基于弱耦合振子模型的神经元交互。这种方法是用来描述网络中动态相变振荡器;参见图
示例耦合振子之间的相互作用,可以与DCM-PHA模仿。左列显示了用于生成网络结构在每一行的数据。中间列显示相应的二元时间序列两个振荡器。右列显示了相应的相图与初始阶段在单位圆上标记为红十字会第一振荡器和一个蓝色的圆第二。后续阶段演进所示使用点。这个图是用许可(
数据特性(瞬时相位)从多个试验,计算时代数据。多个试验是必需的,这样的状态空间相位差异可以探索。这是因为每个审判可能包含不同的初始相对相位偏移。不同的试验类型的信息输入是DCM-ERP。DCM模型相耦合的目的是动态状态对同步的转换。随着这些转换短,建议模型短时间窗;更高的频率振荡是感兴趣,这次短窗口。DCM耦合阶段可能会遇到内存问题在使用长时间窗口或大量的试验。因此,而不是一个“模式”选项(DCM-PHA无关)有一个“subtrials”选项(即允许的二次抽样试验。利用每一秒,每一个第三,等等)。
与DCM-IR DCM-PHA项目数据在源空间,使用空间位置,由用户提供,不优化的空间模型。儿童早期开发或联赛选项是可用的。只有一个一个矩阵(称为“endog”意义内生)。如果使用GUI,交互功能的阶段<我nline-formula>
按下“希尔伯特变换”按钮做两件事。首先,带通源数据过滤到指定范围。第二,应用希尔伯特变换,得到了阶段变量的时间序列。“结果”下拉菜单允许检查隐状态和参数估计;“罪(数据)地区我”情节的正弦相位变量和相应的模型适合<我nline-formula>
总之,我们已经回顾了三个主要类型的数据分析支持的SPM软件(和采用科学研究)。这些占sensor-level数据的分析确定诱发或诱导反应显著治疗效果。这里的想法是使用标准的SPM(拓扑推理)找到重要的地区时间×频率或时间×频道搜索空间的<我nline-formula>
这些附件处理的计算机科学和实用方面SPM8处理数据。这里包括实质性的附录
SPM开发人员一个正式的合作与开发人员的实地考察工具箱(看到Oostenveld et al .,这个问题)在许多分析主题。例如,SPM和实地考察分享程序将数据转换为MATLAB和一些基本的预处理和转发模型M /脑电图源重建。SPM8分布包含一个版本的实地考察,实地考察和SPM功能可以轻松地组合在一起,自定义脚本。使用实地考察函数在SPM,没有必要安装完整的实地考察版本。SPM与实地考察是相辅相成的;SPM是面向特定的分析工具而实地考察是一个更通用的存储库的不同方法,可以聚集在灵活的方式来执行各种各样的分析。然而,这种灵活性的实地考察为代价的可访问性非专家用户。实地考察没有GUI和它的功能是通过自定义脚本。通过结合SPM8和实地考察,考察的灵活性可以辅以SPM的GUI工具和批处理系统。在这个框架中,高级用户可以很容易地和迅速与gui开发特定的分析工具,也可以是由不熟练的使用MATLAB的用户。
在本附录,我们的目标是提供一个全面的描述的软件可以用来预处理M /脑电图数据,到了这个地步,一个会使用源重建、扩张型心肌病或M /脑电图通道的统计分析数据,所述主文本。
预处理功能可以通过GUI,称为批处理系统或脚本。对于脚本和命令行规范,我们坚持的原则,为每个函数提供了只有一个输入参数。这个输入参数通常是一个MATLAB结构(结构),它包含所有输入参数作为字段。这种方法的优点是输入不需要遵循一个特定的输入参数的顺序。如果一个义务输入参数丢失,该函数将调用GUI和要求用户丢失的论点。使用GUI时,一个没有任何输入参数的函数;也就是说,SPM会询问必要的输入参数。
任何分析的第一步是数据从本地计算机有关格式的转换,基于matlab的常见SPM格式。这种格式的数据集包含两个文件:DAT-file二进制文件只包含数据和MAT-file包含结构的数据集相关的额外信息。
有两个重要的编程设备SPM使用在处理其M /脑电图数据集:使用面向对象编程访问头信息和使用内存映射访问数据。头数据存储在MAT-file作为struct但当加载的SPM函数在MATLAB的记忆中,它被转换为一个@meeg对象。头的内部结构从而对用户隐藏,只是通过特殊函数访问称为“方法”。这有几个优点。首先,使用一个对象执行内部一致性检查,当对象被创建或修改。由于任何原因,如果头数据不一致,SPM将报告这一用户试图加载这些数据。SPM也将报告检查标记不一致的地方。如果有足够的信息来解决这个矛盾,它是固定的。第二,使用方法简化了内部簿记,这使得它更容易M /脑电图对象上的操作程序功能。没有需要检查在更高层次的函数是否存在一个特定的头字段,并有效,对象负责。 Third, using objects lends more flexibility to SPM developers because some details of the format can be changed without the need to update higher level SPM functions. It is therefore recommended that users writing scripts familiarise themselves briefly with the object functionality and work with the object rather than with the header struct directly.
第二个重要的编程设备是使用内存映射访问数据存储在DAT-file。内存映射将数据存储在硬盘上,好像他们是在内存中,而不需要装载所有的数据在同一时间。由操作系统处理的技术细节,但重要的是,节约内存的方式SPM可以处理大文件。这意味着SPM可以处理大数据集没有遇到内存错误。价格可以稍微放缓一些应用程序的性能。需要访问数据的用户编写自定义代码块(即建议这样做。,write a loop loading the data trial-by-trial or channel-by-channel in a continuous file) to take full advantage of memory mapping. Due to the way memory mapping is presently implemented, SPM only supports fixed-length trials (unlike for instance FieldTrip).
有两种方法可以转换另一种格式的数据,创建一个SPM M /脑电图数据集。首先是针对脑电图和梅格数据存储在本地格式或其他格式的分析软件包(如EEGLAB)。这种转换工具是基于“fileio”模块(请参阅
大多数支持的格式“fileio”也自动识别。因此,特定于格式的细节隐藏在图书馆和SPM可以处理转换通用的方式。选择一个文件转换后,用户可以让SPM fileio它自动转换和读文件中的所有数据。还有一个设备配置参数转换。这是有用的,例如当只有一个大型数据文件的一部分需要阅读或感兴趣的只有一个子集的渠道。
在许多情况下,需要处理的数据不是存储在任何标准格式;例如,数据存储为一个MATLAB变量或一个ASCII文件。有两个选项导入这些数据,这取决于用户可以编写MATLAB脚本或想要使用GUI。的用户想依靠GUI,我们建议他们组装数据集EEGLAB (Delorme et al .,这个问题),然后将其保存和转换SPM与任何其他格式。EEGLAB的开发者都投入了大量的精力使它可以从头开始构建一个数据集,不使用在命令行或脚本。
对于那些喜欢使用MATLAB脚本,将自定义数据最直接的方法是创建一个简单的实地考察原始数据结构,然后使用SPM spm_eeg_ft2spm。m函数来将这个结构转换成SPM。缺失的信息可以补充使用@meeg方法和SPM的功能。
实地考察原始结构必须包含以下字段。
.fsample-sampling率(Hz)。
.trial-cell数组包含矩阵具有相同尺寸的试验(渠道×时间)。
.time-cell数组向量的时间(秒)——细胞/试验,包含一个时间向量长度一样的第二个维度数据。SPM,向量的时间必须是相同的。
.label-cell数组字符串;频道列表标签。长度相同的第一个维度数据。
转换和在预处理后,数据可以使用SPM8审查工具。这个工具允许用户可视化数据和源重构和审查或修改标题信息的数据集(例如,频道标签和类型)。当回顾连续数据,可以手动添加事件(例如,马克癫痫峰值)。也可以试验和通道标记为坏。
fMRI产物抑制和睡眠得分工具箱(FASST,
SPM试图尽力从各种数据中提取信息自动格式。在某些情况下,还可以补充转换后的数据集的信息没有直接出现在原始数据。例如,SPM可以识别常见的脑电图设置(延长10 - 20,Biosemi EGI)基于通道标签和分配“脑电波”通道类型和默认的这些情况下电极位置。然而,有数据类型,以这种方式不支持或不包含足够的信息对SPM自动选择。此外,频道标签并不总是正确描述实际的电极位置的一个实验。在这些情况下,用户需要提供进一步的信息。SPM“准备”工具,可以从评估工具,可以在几个重要方面增加和修改数据。首先,它是可能的审查和修改通道类型。通道类型在SPM十分重要,因为他们决定SPM解释的信息渠道和整个数据集。例如,如果EEG、MEG通道存在数据集,SPM希望传感器位置被定义在这个数据集加载3 d重建或DCM分析来源。 Second, using the “Prepare” interface one can load individual EEG electrode locations and individual head shapes used for MEG coregistration. Sensor positions and fiducials for MEG are extracted from the raw data automatically and are already present after conversion. However, sometimes head shape measurement outside the scanner is used to relate the locations of MEG head position indicator coils to anatomical fiducials that can be marked on an MRI. SPM handles this by allowing the user to load the head shape via “Prepare”. Third, an important function of the “Prepare” interface is to create 2D channel layouts used for creating topographical scalp plots and converting M/EEG data to images for statistical analysis. These layouts can be created automatically by projecting 3D sensor locations to 2D, but they can also be built manually by the user or loaded from a fixed template. When possible, SPM creates 2D layouts automatically at conversion. Without meaningful 2D coordinates, all SPM functions will work correctly but the channels will be laid out in a topographically meaningless rectangular pattern.
在本附录中,我们将描述用于预处理的高级SPM功能转换的M /脑电图数据(如时代、过滤、平均)。大多数的这些函数的功能类似于商业和其他开放源代码,实现M /脑电图分析包。在这里,我们的目标是使SPM独立,这样用户就不会通常需要其他软件准备SPM分析他们的数据。在可能的情况下,SPM股票低级代码与实地考察。普遍语法是相同的所有功能。如果从命令行调用,如果没有指定输入参数,该函数就会按照如果从GUI。然而,在命令行(或脚本)可以提供输入参数。当指定所有必需的输入参数,函数将运行,不需要用户交互。通过这种方式,你可以写一个非交互的脚本。输入参数提供了一个结构称为年代,字段包含的参数。 One of the fields (usually S.D) specifies the input dataset and can be either an @meeg object or file name. The majority of SPM pre-processing functions create a new output dataset, rather than modify the input dataset. This is somewhat wasteful in terms of disk space, but makes it possible to backtrack and try different options for every analysis step without the need to recompute. The filenames of the output MAT- and DAT-files are generated by prepending a single letter to the input file name. In the example of epoching, this would be an “e”. The idea is that after calling a sequence of functions on a file, the file name encodes the pre-processing steps that were called to produce this file. Note that another way of calling SPM functions and specifying all input parameters is to use the batch interface.
预处理步骤的顺序是不固定的,取决于不同的因素。举例来说,重要的是要正确设置通道类型过滤之前因为渠道未定义(“其他”)不过滤类型。这里的逻辑是保持信息渠道的过滤不相关(例如,触发通道)。
时代削减了小块的连续数据并保存“单一试验”。在M /脑电图的研究中,这是一个标准的数据选择程序删除长试验之间的差距。在一些指定的pre-stimulus时代开始的时间和结束一些poststimulus时间;例如,在peristimulus时间从100−400毫秒。默认情况下,这个时代数据也将基线修正;即pre-stimulus时间的均值减去从整个审判。
时代功能可以实现两种方式指定试验的时代。第一个是指定试验使用标签事件存储在文件中。用户应该定义prestimulus和poststimulus区间,并指定的事件(触发)时代将“削减”。SPM标识事件的“事件类型”和“事件价值”。这些都是字符串或数字,脑电图或梅格供应商生产时所使用的软件生成测量文件。这些有时会看起来很奇怪,但通常是相同的对于一个给定的系统,因此只有必要的用户发现一旦触发相关的实验。还需要定义一个“标签”为每个审判类型,它可以是任何字符串。这就是SPM将使用标签来表示处理后期的试验类型的试验。可以使用几种类型的触发器定义试验相同的标签。
对于大多数用户来说,上述时代最方便,但有些情况下,一个触发指定试验类型是不够的。发生这种情况,例如,当周围的时代是刺激但试验类型也考虑了反应之后。这种情况可以通过时代在刺激触发和定义单个试验类型,但重新试验在稍后的阶段。重新确认可以通过使用@meeg对象方法或审查工具。在更复杂的情况下,或当没有事件信息的原始数据,由用户编写一个自定义脚本定义和明确指定每个实验位于测量的时间序列。
这个脚本应该生成一个<我nline-formula>
可以过滤、连续或时代数据随着时间的推移,低通,高通滤波,bandstop或带通滤波器。
这些数据可以downsampled任何采样率。
这个函数从通道数据减去基线。在女士需要指定基线期;例如,[−100 0]。
一些试验中不仅包含(神经元)感兴趣的信号,但是也大信号从其他来源,如眼球运动或肌肉活动。这些信号组件被称为文物。有许多种类的文物和检测方法。SPM的人工制品检测功能,因此,可扩展的,可以自动检测和使用插件功能,实现特定的检测方案。目前简单的算法实现包括数据的阈值,阈值之间的差别相邻样本(检测跳),振幅阈值峰,检测平段。渠道包含文物大部分试验自动标记为坏。注意函数只表明该试验是出土文物或清洁和后续处理步骤(例如,平均)将考虑到这些信息。然而,没有数据实际上从DAT-file中删除。
SPM中的蒙太奇函数基本上繁殖的通道数据矩阵。这可以用来实现不同的处理步骤。一个常见的例子是脑电图点将零度:目前,来源分析和DCM,脑电图数据应该re-referenced通道平均水平,满足的假设模型。传感器水平分析,它有时是有用的使用参考强调利益的影响。其他常见使用推导双通道,当数据被记录与常见的引用(例如,肌电图,小城镇),和添加或删除频道。
蒙太奇的功能也可以用于去噪和减少人工制品。删除出土文物组件,使用预测来自独立分量分析(ICA),信号空间投影(SSP),或应用程序的合成梯度周大福梅格系统中的实现,都是特定情况下的蒙太奇。很重要的一点是,蒙太奇的应用函数经常变化数据的维度或传感器和渠道之间的关系。这应该考虑当向前计算模型分析来源。目前,这只是为梅格,蒙太奇功能自动更新传感器表示,确保数据一致性。类似脑电图机制将在未来实现,但就目前而言,消除太多空间组件的数据应该避免,特别是在少量的通道。
时频分析可以研究振荡出现的神经活动总是在特定的时间,相对于感兴趣的事件;即使这个活动不是锁相到事件,因此平均在常规分析诱发反应。这通常涉及转换数据的频域(可能是重叠的)时间短窗口。结合的光谱时间窗收益率2 d图像可以用SPM分析统计机械(拓扑推理)。所有的时频分析方法本质上是有限的不确定性原理;称该决议时间是逆相关频率分辨率。因此,为了评估特定的频率响应更确切地说,一个人应该检查更长的数据段和牺牲时间分辨率。反之当试图定位信号精确。不同的时频分析方法处理这项决议权衡略有不同,因此,适合某些类型的信号和次优。举个例子,在一个事件后的300 ms(这是或多或少的反应时间简单的任务)只有三个周期α频率(10 Hz)和β6周期频率(20 Hz)。 Thus, analysis of event-related activity at these frequencies requires a method that can reliably estimate power and phase of an oscillation, based on a small number of cycles. Wavelet analysis using Morlet wavelets compares the signal of interest with short segments of an oscillation multiplied by a Gaussian. This results in very high time resolution and makes wavelet analysis the method of choice for low frequencies. However, when we look at higher frequencies, especially in high gamma range (above 50 Hz), the number of cycles is no longer an issue. In 300 ms, there are 24 cycles of an 80 Hz oscillation. The main problem is now the fact that high gamma activity may be highly variable in timing and precise frequency. Therefore, the high time and frequency resolution of wavelets is rather a disadvantage in this case and results in patchy time-frequency plots with characteristic “fingers”. Multitaper spectral analysis is the optimal way to “smooth” the spectral estimates in both time and frequency, and thereby gain more power for detecting high gamma activity. This method is based on premultiplying the data with a series of tapers optimised for producing uncorrelated estimates of the spectrum in the given frequency band. This makes it possible to sacrifice some of the frequency resolution in a well-controlled manner to gain a higher signal-to-noise ratio, by effectively multiplying the number of trials by the number of tapers used.
上面的例子显示了为什么没有单一的方法估计对时间和频率是适合所有的应用程序,甚至在一个方法参数需要优化得到最好的谱估计为一个特定的数据集。SPM可以执行这样的优化通过提供一个灵活的和可伸长的界面基于matlabbatch GUI。不同的谱估计方法被实现为自动检测插件。目前算法实现包括Morlet连续小波变换、希尔伯特变换,和锥形快速傅里叶变换(FFT),包括多窗口谱估计。结果写入一个或两个结果文件,一个包含瞬时功率,另一个(可选的)包含相位估计(估计是不可能的对于一些算法阶段)。一个可以选择的渠道和频率功率和相位应该估计。在未来,添加更多的算法,我们计划与实地考察分享大部分的低级代码。
平均单试验数据是关键的一步获得诱发反应。单一的试验数据进行平均时,单一试验中平均试验类型。功率和相位数据的单一试验也可以平均利用SPM平均函数。
SPM中实现一个特殊特性是健壮的平均。这是一个相当简单的健壮的一般线性模型(
健壮的平均算法估计重量,躺在0和1之间,表明如何出土文物审判是一个特定的示例。后来,当平均生产诱发反应,每个样本加权这个数字。如果一个样本的重量接近于零,它几乎没有影响的平均水平。离群值的灵敏度的算法是控制的权重函数的“抵消”参数。这个值默认(3)定义了加权函数用于平均数据。这将保留约95%的数据点随机的高斯分布。另一个选择的用户应该是计算权重的条件(而不是所有的试验)。如果一个条件试验比其他人少,一般安全评估权重分别为每个条件;否则,诱发反应少见的条件将downweighted更加类似于更常见的条件(s)。权重可以保存为一个单独的数据集,这是用于发现数据的哪些部分down-weighted和调整参数,如果必要的。 Robust averaging can be applied to either time or time-frequency data. In the case of time data, if a low-pass filter was applied before averaging, one should apply it again (after averaging) because the differential weighting of adjacent points may introduce high frequencies.
大的意思是通常理解为平均诱发反应的受试者。SPM中的总平均函数通常用于计算这个,但也可以用于多个平均脑电图文件;例如,多个会话的一个主题。有一个选项体重试验的数量在每个文件(适用于跨会话平均在一个主题)还是未加权的平均(适合平均跨科目)。
合并数M /脑电图文件可以用于连接多个会话的一个主题。另一个使用合并文件,然后使用审查工具从不同的文件在同一图中显示数据。函数有一个标签,以便重新编码机制条件,例如,所有试验来自相同的原始文件将标识符添加到自己的状态标签在合并后的文件。
SPM同时支持数据集包含梅格和脑电图记录。源重建成像,可以使用两种方式通知源解决方案。通常,梅格/脑电图数据包含在相同的原始数据集,可以从一开始就一起预处理。如果不是这种情况,融合功能可以合并两个数据集不同的渠道为单个数据集;鉴于套频道不重叠和其他维度的数据集是相同的(即。,have the same sampling rate and time axis, the same number of trials, and the same condition labels in the same order). This function can be used to create a multimodal dataset from separately recorded MEG and EEG, for experiments with highly reproducible ERP/ERFs.
通常,生与事件相关的权力不是看最丰富的东西(尽管之间的原始力量对比条件可以的)。看到与事件相关的效果更好,可以改变或baseline-corrected分别为每个频率。有几种不同的方法可以做到这一点。“LogR”(log-ratio)方法首先计算权力的日志,然后baseline-corrects在dB和尺度结果值。“Diff”只是简单的基线减法。“Rel”表达了在比例的基本单位。最后,“日志”和“√”选项就没有基线校正计算各自的功能。如果有必要,需要指定基线期。基线也可以从一个不同的数据集。这允许一个基线条件而非基线期。
平均功能的扩展,SPM还可以用于计算单试验或诱发响应的线性组合。一个简单的例子是计算两个诱发反应的区别对比权向量[−1 1]。另一个例子是当几个试验池在条件类型是被视为一个。在这种情况下有一个选项重量的对比系数复制的数量在每个试验类型。原则上,任何漠视的对比,可以制定框架可以应用于数据。这可能是有用的对比的“本地化”的方法来重建来源。
这个函数可以使数据集的副本。注意,一个不能复制和重命名文件的名称以通常的方式,因为数据文件存储在头文件,这应该被更新。用户将被要求指定新的数据集名称。
SPM在许多情况下,文件的条件的顺序是很重要的(例如,在3 d重建源和DCM)。这个函数可以改变订单的规格(不改变数据文件)。随后,每次订单的条件,从而将使用指定的顺序。例如,如果一个类条件一个时代文件然后平均,平均条件文件将命令指定。如果试验最初定义为从列表中选择事件,然后选择的顺序将被保留下来。
这个函数标记为坏身体去除试验数据集。这可能是有用的,例如,在时频计算,处理不好的试验需要一个不必要的开销。同时,必要时将试验从数据集(例如,删除未使用的条件),这些试验可以标记为坏然后删除使用这个函数。
这个函数可以修剪时间轴和/或频率轴(如果可用)。这是有用的计算时频分解和额外的数据填充试验,防止边缘效应。填充可以使用作物功能删除。
数据预处理与MATLAB SPM可以自动化脚本。此外,这些脚本可以自动生成。要做到这一点,需要一个数据集分析首先,使用GUI或批处理系统。每当一个预处理函数被调用时,所有的输入参数,一旦他们组装的GUI,存储在数据集的“历史”。通过回顾这段历史可以访问工具不仅看到哪些函数操作的数据集,但也生成一个脚本,它再现了相同的操作。最大的区别是,这一次,不再GUI交互是必要的,因为脚本已经所有的输入参数,提供了在第一次运行。由于脚本自动生成的,它可能不是一样简洁而优雅的一个脚本由程序员编写的。例如,自动生成脚本有时包括大型蒙太奇的规范矩阵或长频道列表标签。但与MATLAB编程的一个基本的了解,这样可以缩短和简化脚本。
自动生成的脚本可以使用不仅重复分析,但是也可以被视为一个模板为其他分析。例如,文件名称出现在脚本可以改变预处理不同主题或与一些调整()自动生成的代码可以被放置在一个循环周期大量的科目。修改自动生成的脚本是一个简单的方法开始编程在SPM M /脑电图。
我们提供几个例子SPM方法可以测试数据集。数据集的完整列表的链接可以找到
我们试图保持SPM M /脑电图作为通用的,结构良好,充分记录代码。这是很重要的,以确保稳定和促进未来的发展。然而,这可以让用户贡献自己的更难SPM的工具。因此,SPM包括协议和工具箱用户添加自己的代码。这些工具箱会自动检测到,添加到“工具箱”菜单在主SPM窗口。工具箱的完整列表可以在找到
目前,有两个工具箱为M / SPM脑电图SPM中分布。
这个工具箱包括一些有用的功能由SPM开发人员和高级用户。许多这些功能结合SPM和实地考察的功能。其他功能主要解决系统问题无法由SPM代码。举个例子,有一组函数topography-based加工品校正已经发现适合眨眼(
在这个工具箱函数可以执行源使用波束形成方法重建的时间(
我们欢迎来自SPM用户代码。单可以导致MEEGtools通常功能。用户开发有用的功能可能会考虑维护和分发它们作为外部SPM工具箱。积极的外部开发人员,充分熟悉代码,可以授予写访问我们的版本控制系统,为发展和完善的代码。
这项工作是由威康信托基金会。作者要感谢所有的同事和SPM朋友造成了直接或间接的在本文描述的软件。