文摘

肉豆蔻是一个源分析工具箱针对认知神经科学的研究人员使用梅格和脑电图,包括颅内录音。诱发和不寻常的数据可以导入源分析工具箱在时间或时频域。肉豆蔻提供了几种变异的适应性beamformers,概率重建算法,以及minimum-norm技术生成功能时空神经源活动的地图。铅领域可以计算出从单一的和重叠的球头模型或从其他软件进口。组平均值和统计也可以计算。除了数据分析工具,肉豆蔻提供了一个独特的和直观的图形界面的可视化结果。源分析可以叠加到一个结构磁共振成像或headshape视觉通信提供了一种方便的解剖学。这些结果还可以交互式地导航,空间地图和源时间序列或光谱图相应的链接。动画可以查看生成的进化神经活动。肉豆蔻还可以显示大脑效果图和执行空间功能正常化地图利用SPM的引擎。 As a MATLAB package, the end user may easily link with other toolboxes or add customized functions.

1。介绍

这个特殊的问题就是一个开源分析工具箱,许多软件解决方案以满足各种实验目标和最终用户编程经验,包括混合和匹配的选项工具箱为不同阶段的处理。然而,十年前,一些选项存在分析脑磁图描记术(MEG)数据与非商业开源软件,特别是对于更复杂的逆算法或图形界面导航的结果。

脑电图(EEG)分析和相应的软件包由传感器水平处理,如地形、诱发反应,ICA。源定位更加可行和梅格数据;然而,许多商业包只提供基本逆方法之一(偶极装置、波束形成和minimum-norm)。在开源的选择目前,头脑风暴(http://neuroimage.usc.edu/brainstorm)和MNESuite (http://www.nmr.mgh.harvard.edu/martinos/userInfo/data/sofMNE.php)提供类似的源定位选项;实地考察(http://fieldtrip.fcdonders.nl/)另外提供波束形成和SPM8 (http://www.fil.ion.ucl.ac.uk/spm/)提供了一个先进的贝叶斯估计方法。然而,到目前为止,其他包不提供一整套的重建算法,从简单到复杂强大的那些最近出版。

2003年,肉豆蔻的种子(神经动力的效用Magnetoencephalo工具箱——和Electroencephalo-Graphy)种植在加州大学旧金山分校,满足几个研究目标的动机,包括实验源定位算法的实现和一般独立于商业软件提供,以及自定义的用户可扩展性分析(1]。肉豆蔻的特定优势包括:(1)选择的几个逆算法,包括流行的波束形成,变异minimum-norm,和贝叶斯推理技术,(2)直观的查看和导航的结果,(3)GUI和命令行批处理使用,和(4)源空间功能连通性分析的几种方法。

肉豆蔻可以从下载http://nutmeg.berkeley.edu/。文档和用户的wiki也位于这个网站,和用户可以订阅邮件列表的目的是作为一般的论坛相关软件本身的问题或分析程序。

肉豆蔻主要是用MATLAB编写(美国马MathWorks,纳蒂克)。MATLAB信号处理工具箱需要数字滤波器操作,和(可选)所需的图像处理工具箱图形volume-of-interest (VOI)的选择。链接SPM8允许激活被覆盖到标准正交的磁共振成像(MRI)片或呈现3 d脑容量;目前,SPM8不使用的数据分析引擎。通过SPM8激活也可能是大脑空间归一化并显示在一个MNI模板(2,3]。在Python中可视化工具(http://www.python.org/)正在开发,并将在未来的版本中可用。

肉豆蔻与其他软件也可互操作的,例如,滚动和工件拒绝传感器数据(实地考察和头脑风暴),向前本模型(OpenMEEG,http://openmeeg.gforge.inria.fr/),实地考察,SPM8、赫尔辛基本工具箱),预处理(周大福梅格软件,梅格国际服务,高桂林,加拿大),和ELAN(见[4])。

2。哲学

2.1。需要开源

释放分析软件作为开放源码提供了一个公平、有效手段分配方法通过公共研究发展基金,以及促进学术科学合作的精神。此外,开源模式允许相同的分析方法很容易使用几乎任何类型的输入数据,无论设备制造商。源代码,开放给最终用户和学术界,也变得透明工具,去除任何神秘的数据是如何被操纵和允许自定义修改;可以更有效地发现和纠正任何错误。此外,理论和实际的分析方法实现梅格/脑电图数据已经在过去的二十年里发展迅速。是否一个是方法研究比较算法或认知科学家渴望使用最新的方法,既不应该等待几年,它有时可以把一个方法作为专有软件的一部分发布包。

2.2。类型的数据/实验/范例

其他功能性神经成像模式如fMRI受益于一个相对建立的标准处理步骤,促进学习和初学者的批处理更有经验的用户。然而,梅格和脑电图,有时似乎可以有尽可能多的分析数据的方法有数据,适当的分析可能会有很大差别根据范式和类型的反应。一个有用的软件包需要灵活地引入各种分析流开发和简单的用于常规分析。

实验与肉豆蔻成功处理的类型包括(1)诱发模式,例如,听觉刺激在健康受试者5相比),言语刺激之间的健康受试者和精神分裂症患者6),扰动的私人演讲知觉(7在人类和猴子[],躯体感觉刺激8),(2)时频分析,例如,手指运动(9],视觉刺激[10),决策(11)、歧视的语气速度调制(12),和视觉引导行为(13),(3)静息状态和task-induced连接(14,15]。数据类型支持肉豆蔻包括梅格、脑电图(16),而颅内脑电图(17]。

2.3。与其它工具箱的集成

是逻辑的某些基本的软件组件,比如数据导入/导出、共享之间不同的工具箱。然而,一个特定的软件包可能对某些excel处理或分析程序;它将有利于其他软件包能够透明地调用此类组件的代码在自己的包。对肉豆蔻处理步骤的描述中,我们将描述在肉豆蔻和程序具体实现哪些利用其他软件的链接。

3所示。肉豆蔻处理步骤

肉豆蔻的第一步工作流程(见图1)包括加载在梅格/脑电图数据,如果可用,MRI和coregistration信息。肉豆蔻内铅计算字段,或从外部进口软件。这些信息都存储在一个MATLAB结构,高级用户可能访问从命令行或用户创建的脚本,促进与其他软件的链接。译者之间的肉豆蔻结构和实地考察和ELAN格式包含在标准的肉豆蔻分布。同样,结果存储在一个单独的结构,因此派生的“虚拟电极”等输出时间序列可以进一步分析了MATLAB与用户的首选工具。结果从外部程序也可以重新格式化允许查看与肉豆蔻结果导航器。


图1
肉豆蔻工作流。预处理后,传感器数据结合头coregistration信息来创建一个向前引导领域模型,然后使用它来计算一个源估计为时间序列或时频域。源空间数据可以进一步处理单一的或综合性的统计数据,或功能连通性。

主要的GUI(图2通过处理步骤)指导新用户,老龄化的盒子还不能给出目前提供的信息完成。一个高级用户可以绕过GUI和命令行操作所有步骤。


图2
肉豆蔻会话主要接口,用于指导用户完成处理步骤调用其他gui加载数据和coregistration向前计算字段和源本地化。
3.1。加载不同的数据类型

肉豆蔻可以导入梅格、脑电图和颅内脑电图数据来自不同制造商的系统。目前,这包括周大福、4 d /发言KIT /横河,和Elekta Neuromag梅格系统,以及从BrainProducts和Micromed脑电图数据。其他几个格式还支持通过一个链接的fileio模块的实地考察。平均数据可能包括不寻常的多次试验,在试验中,或连续数据。

3.2。传感器预处理

加载数据到肉豆蔻后,用户可以点击“视图/选择梅格渠道”从主GUI(图2(图),打开一个新窗口3)。选择感兴趣的时间窗后,传感器的均方根显示在2 d传感器地图。传感器可以选择(de)进行进一步处理。除基线和过滤的影响地图上传感器也可以检查。


图3
传感器预处理GUI。左边的次要情节显示了平均时间序列为每个传感器覆盖。正确的次要情节展示了RMS在选定的时间窗口。过滤的效果和时间窗口选择传感器时间序列和RMS空间情节可以在这里查看。渠道可能(de)选择进行进一步的处理,或作为单独的嘈杂的渠道或渠道组的空间区域。

预处理组件从其他软件包可以被使用并导入到肉豆蔻。SPM8已经特别有用的工具自动工件被拒绝。对于更高级的传感器或试验选择,可以使用图形界面的实地考察。

3.3。提出的方法

肉豆蔻内置单球(18梅格[]和multisphere模型19]。个人主体的结构磁共振成像或数字化headshape可以通过Coregistration工具加载GUI(图4)。这里,额外的信息,比如空间归一化核磁共振或呈现大脑表面(创建通过SPM8)可以加载,可以导入或手动设置和基准位置。此外,一头表面网格可以生成在肉豆蔻,可以用基准coregistration援助如果数字化headshape测量,例如,Polhemus FASTRAK设备(美国佛蒙特科尔切斯特)。如果没有个人主题MRI或headshape可用,大脑MNI模板可以使用。皮质分割也不是用来限制源位置或方向计算在肉豆蔻,轻微的错误在coregistration估计可能导致更大的错误来源。铅领域为头皮和颅内脑电图可以计算在肉豆蔻,目前实现为一个简单的半无限均匀容积导体。


图4
Coregistration GUI工具箱允许包含主题的MRI,基准点手动加载或设置,空间归一化核磁共振或呈现表面(通过SPM8创建),表面网格,数字化headshape点。

此外,边界元(BEM)模型和有限元模型(FEM)模型可以生成外部和进口主管使用肉豆蔻梅格或脑电图。目前支持外部模型包括OpenMEEG (BEM),外资企业(BEM),实地考察(BEM),和SMAC20.(球面模型与解剖约束)。链接从SimBio生成和导入有限元/ NeuroFEM (https://www.mrt.uni-jena.de/simbio)计划。指定导入的字段是与自由方向向量形式或orientation-constrained标量形式。

后加载数据和coregistration信息和铅领域,肉豆蔻主要GUI(图2)将提供源估计的按钮。

梅格传感器的coregistration MNI坐标也可以使用独立的肉豆蔻源定位工具为了获得MNI偶极适合的坐标计算在其他地方,见朱et al。21]。

3.4。逆方法

肉豆蔻可用于本地化诱发(平均)数据或诱导(nonphase-locked)数据。某些方法是更好的调整每种类型的分析。当用户单击按钮时从主GUI(图2)称为“来源分析:时间序列”,新窗口(图5)。包含在这个窗口的下拉菜单选择逆方法和正规化。用户选择是否使用协方差的平均或实验数据,对于那些使用数据协方差的逆算法。平均的主要GUI勾选框选择,对于是否要创建一个与控制时间窗口,对于是否要向“qsub”发送计算分布式作业管理器。


图5
时间序列来源估计GUI。左边的次要情节显示了平均为每个传感器传感器时间序列。根据用户选择正确的次要情节的变化。特征值可以策划协助特征空间beamformer(如图所示);另外,清洗传感器数据和因素可以绘制如果SEFA去噪被选中。显示传感器数据协方差的条件数来防止无意义的结果计算数字过于高的条件。其他选项包括过滤、时间窗口选择平均数据协方差计算之前/之后,源反演方法,其他的去噪方法,传感器协方差正规化,选择提交计算网格集群的设置。
3.4.1。Beamformers

最常用的和发展在肉豆蔻是beamformer类逆的方法。这是一个最小方差自适应方法在给定的源位置而抑制噪声从其他地方22]。需要作为输入传感器数据协方差和向前场,所代表的基本公式 = − 1 − 1 , ( 1 ) 在哪里 包括传感器的权重计算推导出大脑活动的位置 , 包含每个传感器的增益(向前模型)为源的位置 , 选择的样本协方差数据段。

很多口味的波束形成是由通过许多方法来计算数据协方差估计和铅。这些选择可以由实验范式或权衡计算intensiveness和准确性(领先的字段)。数据协方差估计的影响需要经过调优的利益(例如,时间窗长度和滤波器参数),同时保持可逆性。示例数据协方差可以计算的平均诱发反应或平均每个样本协方差的审判,所选择的用户的浏览器GUI(图波束成型工具5);也看到部分正规化Beamformer诱发数据。

3.4.2。特征空间Beamformer诱发数据

Sekihara et al。23)提出了特征空间beamformer改善重建使用平均诱发反应的稳定。基于奇异值分解)协方差矩阵的平均数据,用户定义了信号的空间最大的几个特征值,拒绝从剩下的特征值噪声的空间。一个信号空间数据然后计算协方差和倒置,替换的数据协方差重量公式(1)分子分母同时保持原诱发响应协方差。这种方法的优点是改善重量计算的平均数据,结果关注感兴趣的特征向量,可以有效去除大幅度锁相工件。帮助选择期望信号空间特征值,右边的情节在GUI(图源分析:时间序列5)显示特征值的相对大小和时间的选择特征向量。

3.4.3。时频Beamformer

Dalal et al。9)开发了一种优化的方法时频波束形成(TFBF)。肉豆蔻实现这个算法很容易计算网格的时频窗口,装配的结果直观的交互导航(数据6和7 (b))。TFBF基于淋巴细胞脉络丛脑膜炎病毒beamformer [22)和对比每个活动时频窗口与一个共同控制窗口。鼓励用户选择尽可能短时间窗关注瞬态和frequency-specific功率变化,在信噪比和振荡周期给定的频段。数据协方差估计TFBF平均每个试验的样本协方差。


图6
时频Beamformer GUI。预先确定肉豆蔻会话包括数据集和向前引导加载字段。多个活跃的窗口和一个控制时间窗口,以及滤波参数选择的GUI或从指定加载参数文件。指定的源反演方法的细节,和整个设置可以保存和设置运行批处理,可能发送每个时频窗口到一个单独的计算机节点。最后,所有的窗户都被重组成一个文件来查看5 d的输出。
(一)
(一)
(b)
(b)
图7
肉豆蔻结果查看器,在时频模式。修改SPM8查看器显示了功能性映射对应于所选择的时频窗口,由谱图中红色框标记。相反,时频光谱图对应的体素表示改MRI导航器。核磁共振成像显示和时频光谱图是交互式地互相联系;改变一个选择在一个自动更新。电影也可以创建动画的功能图像在时间。

图8
肉豆蔻时频统计工具,计算各种选项显示统计学意义在源时频图的主题。

TFBF GUI(图6)从主界面点击打开“源分析:Time-Freq”和指导用户通过选择选项。这些参数可以保存并再次调用或作为批处理运行在一台计算机或一个高性能计算网格。

3.4.4。正规化Beamformer诱发数据

SAMerf和erSAM24)使用重量来自数据协方差不寻常的数据和应用于诱发平均数据;然而,这些可能不经过调优的锁相活动,特别是如果nonphase-locked活动更强。克服的困难反相的坏脾气的协方差矩阵获得的平均数据,布鲁克斯et al。25)提出了规范的最小特征值协方差不寻常的数据。这个选项是“regularization-type”下拉菜单中包含源分析:时间序列GUI(图5),可以使用标量淋巴细胞脉络丛脑膜炎病毒Beamformer应用平均数据。这个选项特别适合刺激驱动锁相效果,如闪烁的棋盘。

3.4.5。相干源抑制

偶尔与beamformer技术故障点发生在两个来源是高度暂时相关,可能发生,例如,在一些学科与双边听觉诱发反应。我们实现了一个相干源抑制肉豆蔻技术可以克服这种失败相关的来源(5]。必须定义区域包含预期的干扰来源,这与MRI观众可以交互式地完成。改进标准显示的算法一直是独立beamformer性能是否使用“部分传感器覆盖”策略26)或使用整个头部覆盖像往常一样(27]。方法也被成功地应用于抑制人工耳蜗工件在脑电图数据(16]。

3.4.6。诱发源稳定指数数据

另一种方法绕过beamformers的问题暂时相关诱发源提出了Prendergast et al。28),被称为源稳定指数。首先,获得一个源定位数据协方差的估计不寻常的试验,那么相应的平均权重应用于两个独立的部分试验。每个源估计之间的体素的相关性来源于独立的部分将在真正的诱发源的位置高;这一步是不同部门的重复试验,获得和平均相关地图定位。这种方法已经实现在肉豆蔻工作流程和工作已经成功地应用于从音调刺激听觉诱发数据(29日]。

3.5。贝叶斯推理反演

下面的去噪和源定位方法是设计用于与平均数据。如果不寻常的加载试验,他们将平均前先输入这些方法。

3.5.1。去噪/传感器数据的因子分析

从诱发数据删除背景噪音prestimulus基线,纳et al。30.)提出刺激诱发因素分析(SEFA)。SEFA算法使用贝叶斯推理来确定哪些时间“因素”(像一个组件在ICA) stimulus-evoked和后台活动。使用概率模型,hyperparameters在每个因素帮助决定哪些保留或抑制。SEFA可以选择从下拉菜单中“去噪”,并直接影响清洁传感器数据可以在一个subfigure的来源分析:时间序列GUI。

3.5.2。SAKETINI逆方法

为了估计源活动使用的知识事件时间和独立于噪声和干扰(SAKETINI),概率模型(31日)提出,对于每个源体素,把贡献的传感器(1)诱发活动,鉴于体素,(2)诱发活动在其他所有体素,(3)神经活动背景中prestimulus时期,和(4)传感器噪声。使用一个类似的概率模型SEFA但额外的术语(1),SAKETINI也使用hyperparameters来确定有多少因素属于每个类别。这个方法可以从下拉菜单中调用的来源分析:时间序列GUI(图5)或从批处理脚本,可以并行计算集群上运行速度计算时间。

3.5.3。NSEFALoc逆方法

使用的因素从SEFA作为一组时间基函数(TBFs),神经SEFA本地化(NSEFALoc)方法(32决定,对于每个源体素,最优线性组合与一个添加剂噪声项TBFs模型的体素没有诱发活动发生。NSEFALoc已被证明是优于特征空间beamformer和minimum-norm方法诱发活动。像SAKETINI一样,它可以从GUI或命令行调用,也可以选择在一个并行计算集群上运行。

3.5.4。香槟逆方法

肉豆蔻还实现了香槟(33),层析贝叶斯推理算法,它结合了SEFA建模的背景噪音稀疏贝叶斯推理源活动的所有体素同时使用快速、健壮的更新规则与许多现实条件下保证收敛。香槟SAKETINI有一些相似处。而SAKETINI认为每个立体像素顺序统计建模的贡献从其他压传感器,香槟同时考虑所有体素。香槟已被证明成功的本地化许多同步和暂时的相关资源。

3.6。Minimum-Norm方法

算法性能评估以及与文献的结果进行比较,两种常见minimum-norm方法也包含在肉豆蔻。两个sLORETA [34]和dSPM [35]规范化标准mininum-norm逆 − 1 ( 2 ) 估计的噪声预测传感器获得的噪声来源 − 1 − 1 。 ( 3 )

通过使用正规化克矩阵的一种形式 在的地方 在(1),(视)beamformer可以翻译(data-independent)加权minimum-norm法。格拉姆矩阵不是满秩,然而需要倒,性能高度依赖于选择正则化。肉豆蔻包含两个选项来调整前的格拉姆矩阵反演:(1)添加传感器协方差矩阵(基于个人主题的数据或房间噪音)乘以一个常数或(2)Tikhonov正则化,也就是说,加上一个常数克的对角矩阵,基于逆矩阵的对角元素的力量。

dSPM传统集 房间噪声协方差。如果这协方差是单位矩阵(乘以一个常数),这导致了正规化格拉姆矩阵在分子上的 和正规化的平方克在分母矩阵。相比之下,sLORETA集 传感器的噪声协方差从假设(贝叶斯的方式)的身份获得权力和身份传感器噪声(乘以一个常数),相当于一种正规化格拉姆矩阵。

注意,尽管minimum-norm空间过滤器是节相对于传感器数据,他们执行,所有测量活动起源于VOI定义。皮质约束VOI通常使用两种方法。

最后,肉豆蔻实现Kumihashi和Sekihara最近开发的方法36)称为阵列增益约束Minimum-Norm,递归地格拉姆矩阵更新(AGMN-RUG)方法,该方法估计传感器由递归更新协方差矩阵加权克使用源先前估计的协方差矩阵。最小方差自适应beamformers像,源估计空间焦点,同时,像minimum-norm方法,不受暂时相关来源或一些可用的时间点。

4所示。可视化

肉豆蔻既支持正交视图可视化以及皮层表面的3 d渲染可视化。肉豆蔻利用SPM8导航器显示功能地图结构核磁共振成像(图7(一))。这是交互与肉豆蔻时间序列或时频显示(图7 (b))。也就是说,当用户单击到另一个位置在大脑中,时间序列/频率显示更新显示时间改变在这个位置。同样地,用户可以点击不同的时间点或频带和MRI显示自动更新的3 d功能性映射对应新的时间/频率点。存在额外的按钮操纵视图,例如,显示不同的对比类型(简单的活动和控制的区别, % 变化等)、放大时间尺度改变colormap,调用SPM8函数提供的功能覆盖投影到表面。

除了这些主要的工具,数据可以导出分析格式图像,然后可以进一步操纵CarTool (http://sites.google.com/site/cartoolcommunity/),mri3dX (http://www.cubric.cf.ac.uk/Documentation/mri3dX/),DataViewer3D (https://www.ynic.york.ac.uk/software/dv3d)和MRICro (http://www.cabiatl.com/mricro/),所有这些可以用于生成可发布表面渲染地图叠加功能。

5。统计数据

5.1。受试的统计数据

非参数统计阈值时间序列重构源可以计算基于基线活动的分布在试验在一个主题(37]。时频源重建,Wilcoxon 成绩评估对比基线时频windows和“活跃”(17]。

5.2。组统计信息

组统计学科之间也可以进行评估统计学意义。学科之间权力的均值和方差可以计算首先重建空间规范每个主题的来源,然后重新采样每个主体的结果到一个共同的体素空间。

统计测试可以应用这些转换的数据集。正态分布的情况下的功率变化可以预期,或变换一个正态分布后,一种选择是学生的申请 以及或跨多个条件方差分析。

另外,统计非参数映射(SnPM)可以应用于数据不一定遵循正态分布(38]。SnPM /参数方法的优点之一是,它可以应用于人口只有5科目,尽管有更多的科目将允许检测较弱的影响。由于方差估计可以吵了相对较少的科目,方差地图与3 d高斯平滑的内核。由此,一个准 统计数据可以获得在每个体元,时间窗和频率乐队。这时,一个伪——的分布 创建数据从 2 排列的原始 数据集(主题)。每个排列包括两个步骤:(1)反相的极性功率变化值(对于某些课程 2 否定的可能的组合)和(2)找到当前最大的伪- 在所有体素值为每个频带和时间窗口。而不是估计每个nonpermuted伪——的重要性 值从一个假定的正态分布,然后从这些最大的位置在分布计算排列伪- 值。对最大值比较有效地纠正family-wise错误的测试多个像素点和时间窗口。

6。连接

大脑是一个复杂的网络,丰富的本地和远程脑区功能之间的交互(39]。的同步振荡在不同的大脑区域,即所谓的功能连通性,被认为是一个索引功能相互作用[40,41]。技术基于功能连通性开放的访问窗口的无创性评估健康受试者的大脑功能(42,43)以及脑损伤患者(14,44]。

肉豆蔻计算脑区之间的功能连接的本地化梅格和脑电图记录结合源定位算法功能连通性的措施。在每个大脑神经网络的振动体元估计通过计算传感器数据矩阵的线性组合与逆空间权重矩阵获得的解决方案。

6.1。FCM工具箱为虚构的连贯性

虚构的一致性,应用于时间序列来源,是一种测量功能连通性的健壮的传感器相声和体积传导(14,45]。为了减少计算时间为大型数据集或探索众多脑压之间的联系,肉豆蔻的计算可以在Linux集群并行执行。工具箱还提供了复杂的功能交互数据的可视化工具进行检查以及一组统计测试。图9显示了一个示例corticomuscular一致性的一个主题,也就是局部的双边运动皮层。Cortico-cortical互动还可以分析。


图9
Corticomuscular一致性,显示发动机和躯体感觉皮层和左手手指肌电图之间的关系。注意,铅和滞后的地区EMG活动可以明显区分。
6.2。完整的一致性

作为一个独立的命令行选项或从一个GUI(图10),大小和虚cross-coherence可以计算一个输入像素点的功率谱(时间序列FFT和窗口后)为每个审判。输出可以放入适当的肉豆蔻覆盖在MRI上的数据结构来查看结果。


图10
连通性GUI允许用户指定指标的类型,感兴趣的频段,整个时间窗的兴趣可能跨条件类型,大部分的时间在每一个时间窗口,以及是否计算在整个大脑或种子。GUI假设逆权重已经计算出来了,但是源代码级时间序列或权力不需要被保存。
6.3。希尔伯特包络相关

梅格/脑电图功能连接的另一个指标涉及计算的相关性希尔伯特包络(振幅)的带通滤波时间序列从源位置(46]。这种方法也被称为从GUI(图10)或命令行。

7所示。扩展包括头皮和颅内脑电图

7.1。头皮脑电图

肉豆蔻已经扩展到支持与脑电图数据通过NUTEEG波束形成模块。这个模块允许从脑电图导入的数据记录系统,随着电极坐标。NUTEEG自动执行平均引用脑电图数据和领导潜力的预处理过程。对核磁共振的情况下不可用,NUTEEG翘曲的选择提供了一个模板MRI数字化电极位置和相应的边界元模型,基于达瓦斯等描述的算法。47)(见图11)。


图11
扭曲的覆盖模板MRI(红/黄)与实际MRI(灰色)显示一个合理健康的头皮表面和神经。扭曲的网格覆盖模板大脑(蓝色)和实际(灰色)也显示。

提出领导潜力可以计算使用球头模型,或通过本与前面提到的工具箱。如果使用边界元模型,数字化电极位置可以将头皮表面。边界元模型可以从分段MRI图像创建使用德劳内三角测量方法ISO2MESH工具箱提供的(http://iso2mesh.sourceforge.net/)(图12从BrainSuite达夫表面文件),或者通过一个球面三角包装过程。


图12
三层边界元网格创建德劳内三角。预计电极位置显示为蓝色的点在头皮表面。

NUTEEG允许用户从BrainSuite进口皮质表面达夫文件创建一个文件包含正交偶极子取向为体素皮质表面附近。这些偶极子取向可以用于实现皮质的约束,在一个假设源皮层和皮层表面的切线。导入的皮质表面文件也可以用来在3 d(图显示查询结果13)。


图13
脑电图beamformer重建的诱发反应从听觉皮层投射到大脑皮层表面。

数据导入后的主要字段计算/导入脑电图,源估计和可视化的后续步骤是乾脆,梅格。

7.2。颅内脑电图

侵入性电极植入有时表现在人类患者援助手术规划,例如,难治性癫痫或脑瘤。虽然颅内脑电图通常被认为是大脑电活动的“黄金标准”,也可能容易受到不良生理噪声源(48,49]。此外,颅内电极不受远场势强大脑来源。

引用也可以选择复杂的解释结果。简单焦源电极之间的极性反转出现在单极计划但双极蒙太奇当地的一个高峰。此外,对于复杂的电压地形,实际的源产地可能模棱两可,难以推断任何蒙太奇。最后,传统的地形是有限的空间采样的电压电极位置。

源定位技术从头皮脑电图/梅格可能提供解决这些问题。特别是,自适应波束形成等空间过滤方法尤其适合[50]。与之前的尝试使用minimum-norm-based技术(51- - - - - -54),beamformers不执行,所有源活动来自定义的体积感兴趣的。因此,噪声源如心脏和肌肉会被空间滤波器投射到大脑,而不是相反,大脑区域,贡献微不足道的信号不会扭曲定位结果。最后,源定位允许间隙电极“填充”有效地获得更高的空间分辨率,为密集的电极覆盖提供类似的好处。

因此,颅内脑电图定位和分析技术的发展被认为是研究肉豆蔻的优先事项。图14初步结果显示从beamformer应用深度电极由摄影刺激所引起的反应。字段可以在肉豆蔻中计算,目前实现为一个简单的半无限均匀容积导体;另外,BEM-based领先领域可以计算和进口OpenMEEG包。

(一)
(一)
(b)
(b)
图14
颅内脑电图beamformer重建视觉诱发响应。深度电极轨迹在矢状面MRI的观点很明显。

8。在Python中肉豆蔻

Python是一种开源的,通用的,面向对象的编程语言流行作为科学计算工具。作为解释语言与健壮的对象模型支持,Python允许各种各样的编程风格,从逐行脚本到抽象,可重用的库代码。其优势包括强调易读性和易用性,系统可移植性,直接访问系统库。此外,有一个非常稳定的基本计算工具堆栈积极开发的科学Python社区。首先在许多常用的工具有:NumPy多维数组,SciPy计算财富的代码,它是一个Python层的建立,如LAPACK和FFTPACK验证库,和Matplotlib提供互动和编写脚本的2 d绘图工具,模拟MATLAB绘图。所有这些特性提供了一种方便的计算环境的发展现代科学数据处理系统,其范围可能扩大随着时间的推移,和通常的核心功能需求设计覆盖范围从优化算法复杂物理现象的数据模型。

NUTMEG-Py是一个互补的项目,需要一个小规模的再形成肉豆蔻组件到Python。到目前为止,实现可视化和统计后处理一直强调,重建算法在MATLAB和来源。

8.1。从MATLAB数据到Python对象

NUTMEG-based的工作流分析包含Python工具提出了一个设计难题和技术资料的翻译问题。后者是一个解决问题,由于代码从SciPy启用I / O之间NumPy数组和MATLAB MAT文件中包含的数据。前者允许使用Python的对象模型。

NUTMEG-Py的核心包括非常简单的数据模型,抽象地、不可变的数据和元数据,方法询问或以某种方式转换数据,最后能够读写磁盘上本身没有精度损失。TFBeam这类对象的一个例子,是MATLAB的Python模拟“结构”包含一个时频重建(肉豆蔻梁结构)。

工具箱的一面NUTMEG-Py目前包括非参数统计测试方案,基于尼科尔斯和福尔摩斯55),包括集群级别分析从Hayasaka和尼科尔斯(56]。这两种方法已经适应了梅格的五维空间时频成像。结果封装在一个面向对象的方式,随着TimeFreqSnPMResults,存储生成的空分布,并创建阈值方法和地图基于水平的意义。

8.2。可视化

虽然基于MATLAB / SPM的可视化结果肉豆蔻允许简单的导航在空间,时间,频率,交互式查看仅限于正交切片投影,使广泛的全球大脑激活难以想象。项目肉豆蔻过渡到面向工具包也催生了一个小但功能强大的可视化努力叫Xipy(交叉模式成像在Python中),位于伞下的开创性NiPy(神经影像学在Python)项目(http://nipy.sourceforge.net/)。Xipy的主要目标是提供一个灵活的和可扩展的系统显示和导航的大脑图像从不同的数据源(例如,解剖核磁共振成像、功能地图,和扩散跟踪)在相同的(参见图3 d场景15)。Xipy被设计成独立于NUTMEG-Py,肉豆蔻和可视化的结果和NUTMEG-Py Xipy是启用的插件中包含的功能丰富NUTMEG-Py包。


图15
肉豆蔻和DTI Xipy查看器。

9。肉豆蔻的未来方向

肉豆蔻的未来影响的研究重点开发人员以及来自用户的请求。

目前,我们打算与SPM8创造更多的正式联系,实地考察和头脑风暴。具体方法的开发人员,我们想进口,视图和直接比较多个稀疏先验(57从与其他源评估方法包括在SPM8肉豆蔻;进一步,我们想使直接比较的肉豆蔻内动态因果模型(DCM) M /脑电图(58与其他指标功能连通性。先进的时频分析和查看传感器水平数据的工具在实地考察可以有用的肉豆蔻用户在源空间规划的进一步分析。肉豆蔻应该能够显示声源级结果计算在实地考察。基于集群和排列测试传感器和源空间统计结果中实现实地考察也会更正式的好处与肉豆蔻格式。传感器选择通过目视检查在头脑风暴是一个高度发达的工具,可以导入到肉豆蔻的输出。头脑风暴也为数据集包含有用的gui,试航状态选择,和批处理设置,可以与肉豆蔻通过MATLAB数据结构的转换。

作为连通性分析的几种方法最近可用在肉豆蔻和额外的方法列入计划,来直观地浏览结果需要超越简单的扩展当前的源码领域查看器。eConnectome包(http://econnectome.umn.edu/)已经实现了计算和复杂的可视化的连接,我们可以联系。

融合多个传感器类型(梅格磁力计和平面梯度仪头皮脑电图,和颅内脑电图)同时记录源重建是一个引人注目的需要,但没有被认为是直接简单或完善;肉豆蔻和其他开源软件包将大大受益于进一步发展这个主题。

10。结论

肉豆蔻提供了一套完整的基于matlab的开源函数来计算神经源估计和额外的操作,以及图形界面过程和视图的结果。(不同程度)有关其他开源包更好执行处理步骤的工具箱。肉豆蔻是灵活的新方法在任何阶段,欢迎新用户和开发人员。

作者的贡献

Sarang中间人和约翰娜·m·Zumer同样助长了手稿。

确认

美国美国中间人被欧洲委员会支持FP7格兰特之下piif - ga - 2008 - 221097。j . m . Zumer被彼得爵士支持诺丁汉曼斯菲尔德大学的奖学金和惠特克国际学者计划。a·g·Guggisberg支持由瑞士国家科学基金会拨款320030 _129679。这项工作由以下部分资助美国纳:国家卫生研究院的基金R01 DC4855, DC6435, DC10145, NS67962, NIH / NCRR UCSF-CTSI格兰特UL1 RR024131,和加州大学旧金山分校/计划。美国美国Dalal感谢胡安·r·维达尔博士设计的颅内脑电图实验。j . m . Zumer感谢马修·j·布鲁克斯博士帮助讨论和彼得·g·莫里斯教授的支持。最后要感谢作者的其他贡献者肉豆蔻代码库,软件中列出在“肉豆蔻”。