豪华轿车脑电图:脑电图仪的数据的分层线性建模工具箱gydF4y2Ba

文摘gydF4y2Ba

磁,electric-evoked大脑反应一直是通过比较分析从选定的山峰或平均振幅信号通道和平均试验。最近,工具已经开发调查单一试验响应变化(例如,EEGLAB)和测试之间的差异平均诱发反应在整个头皮和时间维度(如SPM,实地考察)。豪华轿车EEG是一个Matlab工具箱(EEGLAB兼容)分析诱发反应在所有时间和空间维度,而占单一试验变化使用一个简单的分层线性模型的数据。此外,豪华轿车脑电图提供了健壮的参数测试,因此提供了一个新的和补充工具在分析神经诱发的反应。gydF4y2Ba

1。介绍gydF4y2Ba

豪华轿车脑电图(gydF4y2Bahttps://gforge.dcn.ed.ac.uk/gf/project/limo_eeg/gydF4y2Ba)是一个工具箱的生理数据的统计分析。工具箱的主要目的是分析和正式测试实验的影响在所有时间点电极/传感器和磁和电脑照相术(MEEG)录音。这与传统方法选择高峰或意味着平均振幅的诱发反应。Matlab工具箱实现(gydF4y2Bahttp://www.mathworks.com/gydF4y2Ba),需要Matlab统计工具箱(自由选择豪华轿车脑电图服务器上可以找到这些函数和对应于改编版的八度函数(gydF4y2Bahttp://www.gnu.org/software/octave/gydF4y2Ba)。数据结构和可视化利用EEGLAB Matlab工具箱(gydF4y2Ba1gydF4y2Ba)(gydF4y2Bahttp://sccn.ucsd.edu/eeglab/gydF4y2Ba);因此豪华轿车脑电图是EEGLAB更好的作为一个插件,虽然可以独立执行统计分析。同样,工具箱主要是专为脑电图数据虽然EEGLAB和豪华轿车梅格脑电图可以处理数据。gydF4y2Ba

工具箱提供了一个全方位的统计测试(表gydF4y2Ba1gydF4y2Ba),包括许多流行的设计(方差分析,线性回归,ANCOVAs)。的一些统计方法,大量的单变量一般线性分析(gydF4y2Ba2gydF4y2Ba,gydF4y2Ba3gydF4y2Ba)和时空聚类为多个比较校正(gydF4y2Ba4gydF4y2Ba- - - - - -gydF4y2Ba6gydF4y2Ba)已经存在了好几年而另一些像引导介绍了最近才gydF4y2Ba7gydF4y2Ba- - - - - -gydF4y2Ba9gydF4y2Ba]。gydF4y2Ba

与其它工具箱用于分析的事件相关电位(erp),豪华轿车脑电图均处理试方差(即。、单试验分析)和主客体之间方差(像在例如,SPM (gydF4y2Ba2gydF4y2Ba,gydF4y2Ba3gydF4y2Ba])。使用豪华轿车脑电图,数据分析使用分层的漠视一般线性模型的参数估计为每个主题在每个时间点和每个独立电极(1级分析)。然后从第一级估计参数分析跨科目(2级analysis-Figure集成gydF4y2Ba1gydF4y2Ba)。这个层次建模的数据类似于一个用于分析PET / fMRI数据(SPM,目前,BrainVoyager,等等)。我们一般线性方法分析MEEG数据从而补充其他人也依赖于线性建模但关注平均事件相关的数据(gydF4y2Ba2gydF4y2Ba),而不是单一的试验,或因式分解时间gydF4y2Ba3gydF4y2Ba,gydF4y2Ba8gydF4y2Ba),或者两者都是,而不是使用时间作为自然维度。gydF4y2Ba

2。方法gydF4y2Ba

2.1。MEEG层次一般线性模型数据:1级gydF4y2Ba

MEEG数据三维矩阵形式。EEGLAB公约后,第一维是空间(电极或传感器),第二个维度是时间和第三和最后一个维度是试验。执行分析电极/电极,这样的数据gydF4y2Ba形成一个二维gydF4y2Ba矩阵gydF4y2Ba试验和gydF4y2Ba时间框架(或者时间点)。为每个审判我们定义一个二维的实验条件gydF4y2Ba设计矩阵gydF4y2Ba与gydF4y2Ba行(试验)和gydF4y2Ba列;每一列编码一个条件或协变量。在当前实现中,我们考虑每个审判是独特的,因此模型类似于单向方差分析或ANCOVA运行。因此该模型(gydF4y2Ba1gydF4y2Ba),gydF4y2Ba(估计回归参数gydF4y2Ba矩阵),gydF4y2Ba误差项(一个gydF4y2Ba矩阵)。正规方程的解决方案是由反相gydF4y2Ba。在实践中我们估计的参数后(gydF4y2Ba2gydF4y2Ba),同时拟合所有的帧,一次一个电极,获得单变量的参数模型的对角线gydF4y2Ba矩阵。结合的列gydF4y2Ba(对比权重)允许测试各种影响在个体层面(gydF4y2Ba测试,gydF4y2Ba测试的细节,例如,(gydF4y2Ba10gydF4y2Ba])gydF4y2Ba 在豪华轿车脑电图,给出的解决方案是(gydF4y2Ba2gydF4y2Ba)使用广义Moore-Penrose伪逆(pinv默认在Matlab函数(gydF4y2Ba11gydF4y2Ba,gydF4y2Ba12gydF4y2Ba])。因此,虽然设计矩阵由豪华轿车脑电图几乎总是等级不足(每个条件是编码的一列gydF4y2Ba),gydF4y2Ba或gydF4y2Ba测试准确,也就是说,他们提供相同的结果,通过应用标准逆一个满秩矩阵。gydF4y2Ba

2.2。分层MEEG一般线性模型数据:2级gydF4y2Ba

在第二个层次的分析,β系数的不同条件下(或它们的线性组合)获得每个主题在科目测试统计显著性进行了分析。已经实现了一些健壮的方法在轿车脑电图在这个阶段。下面描述的大部分技术可以发现在威尔科克斯(gydF4y2Ba13gydF4y2Ba)和对应的测试下进行H1和买主计算置信区间下H0控制多个比较。与标准方法相比,健壮的方法提供更好的覆盖概率的置信区间和严格控制错误。计算了在这一节中使用轿车脑电图提供健壮的置信区间和未修正的gydF4y2Ba值或一个二进制的决定意义。计算多个比较修正在下一节介绍。gydF4y2Ba

2.2.1。一个示例gydF4y2Ba以及gydF4y2Ba

而大多数ERP研究旨在比较不同实验条件下,漠视,也允许测试实验共变的ERP与刺激和认知因素(见例如Rousselet et al。gydF4y2Ba7gydF4y2Ba)测试图像相位相干性的影响在试验期间受到歧视的任务)。引导,gydF4y2Ba方法中,受试者被随机的替代实现轿车脑电图。对于每一个引导,一个示例gydF4y2Ba以及引导样本和执行gydF4y2Ba值是存储。这些gydF4y2Ba值提供了一个近似的gydF4y2Ba分布在H0和用于估计α/ 2和1α/ 2分位数。的gydF4y2Ba值是那么简单的平均次数gydF4y2Ba原始数据中获取的值高于或低于引导分位数。最后,置信区间平均后可以计算(gydF4y2Ba3gydF4y2Ba):gydF4y2Ba 置信区间的置信区间,gydF4y2Ba和gydF4y2Ba都是关键gydF4y2Ba从分类引导获得值gydF4y2Ba值,gydF4y2Ba四舍五入为最接近的整数,gydF4y2Ba,gydF4y2Ba样本标准差,gydF4y2Ba的平方根是观测的数量。gydF4y2Ba

2.2.2。两个样品gydF4y2Ba以及gydF4y2Ba

比较两个独立团体的erp的主题,我们用百分位引导从每组受试者与替代独立采样。对于每个引导,我们获得2新的独立样本均值计算两组之间的差异。因此该方法测试差异在H1,也就是说,它的测试的均值gp1中不同于gp2的意思。在整理这些gydF4y2Ba差异在升序,置信区间值,gydF4y2Ba和gydF4y2Ba与gydF4y2Ba和gydF4y2Ba如上定义的。如果包含在CI 0,样本之间的区别并不重要。最后,gydF4y2Ba值是最小的值的平均次数的观察到的区别是零个或以上,1 -这个平均水平。gydF4y2Ba

2.2.3。配对gydF4y2Ba以及gydF4y2Ba

比较两组从同一组受试者估计参数遵循两个示例的过程描述gydF4y2Ba以及。然而,因为数据现在配对,我们样品与更换主题,保持对erp在一起,因此保留intrasubject方差。gydF4y2Ba

2.2.4。回归分析gydF4y2Ba

回归分析ERP数据允许评估inter-subject变异性。这种变化是有用的测试假设认知发展,老化,各种障碍,个体差异(见例如,Rousselet et al。gydF4y2Ba8gydF4y2Ba,gydF4y2Ba9gydF4y2Ba例如在正常老化)。在于放回抽样的方法gydF4y2Ba矩阵的erp(电极×时间框架),gydF4y2Ba对象的数量。主题和预测之间的联系,为简单起见我们样品试验指标。估计的回归参数gydF4y2Bas是计算每个引导和按升序排序。对于一个简单的回归,599年成功执行和95%置信区间gydF4y2Ba,gydF4y2Ba和gydF4y2Ba取特殊值根据观测的数量。对于这个简单的例子中,599接连被证明是足够的控制类型我错误率(gydF4y2Ba13gydF4y2Ba]。为多个回归,用百分位引导会同Bonferroni不平等,和每个回归量的置信区间的定义gydF4y2Ba,gydF4y2Ba 没有gydF4y2Ba价值可以用这种技术计算但获得统计学意义上的二元决策:一个回归系数是重要的如果置信区间不包含0。与其他技术相比,修改后的引导下可以表现良好异方差性,而且如果数据(对象)采样的非正态的分布(gydF4y2Ba13gydF4y2Ba]。gydF4y2Ba

2.2.5。方差分析gydF4y2Ba

与其他设计,仅用于计算接连H0下gydF4y2Ba值。分析依赖于标准的普通最小二乘法(OLS),对重复测量方差分析,球形由多元方法(霍特林占gydF4y2Ba重复试验因素和霍特林广义gydF4y2Ba为内部之间的相互作用;都变成了gydF4y2Ba值)。首先分析我们得到观察gydF4y2Ba值。然后我们建立一个数据驱动的gydF4y2BaH0下表。首先我们的数据中心,独立为每个组(gydF4y2Ba方法(重复测量方差分析)方差分析)或条件,所以,每个细胞的方差分析的意思是零。其次,我们使用集中的数据来估计gydF4y2Ba在H0分布。我们用替代样本对象,独立对每个单元格gydF4y2Ba方式方差分析,或使观测之间的关系在重复测量方差分析。gydF4y2Ba值是通过分类引导gydF4y2Ba价值观和计数观察到多少次gydF4y2Ba值高于gydF4y2Ba价值。使用相同的重采样如上但使用原始数据(即。,underH1) we also compute the average difference between conditions allowing to construct robust confidence intervals using the techniques described for测试。gydF4y2Ba

2.2.6款。ANCOVAgydF4y2Ba

协方差分析遵循相同的战略回归分析:受试者的指数与替换数据,采样组成员和预测。这重采样使我们能够构建健壮的置信区间预测。意义的测试组差异和协变量影响了H0之下。在这种情况下,ERP数据采样和更换适合最初的设计矩阵,从而破坏数据和预测之间的关系。我们使用这种技术来估计的分布gydF4y2Ba协变量值的群体差异和H0之下。的gydF4y2Ba获得的值然后方差分析。gydF4y2Ba

3所示。多个比较校正gydF4y2Ba

因为许多电极和时间框架,测试执行多个测试会产生大量的误报(我error-see类型,例如,图gydF4y2Ba2gydF4y2Ba)。这种多重比较的问题是独立于我错误率获得独立在一个电极和一个时间框架使用前面描述的技术。计算上述主要表现在H1和用于健壮的置信区间和未修正的gydF4y2Ba值。这些技术在这里补充下计算执行H0,零假设没有影响,对多个测试。gydF4y2Ba

这多个测试问题控制在豪华轿车脑电图使用三种方法,都依赖于相同的引导过程。在前一节中描述为每个技术(gydF4y2Ba测试、回归、方差分析,ANCOVA),我们更换下一个真正的患者样本gydF4y2Ba测试,估计方差分析)或(回归,ANCOVA H0)。这个过程重复B乘以每个引导我们记录(gydF4y2Ba1gydF4y2Ba)的最大gydF4y2Ba值(=gydF4y2Ba为gydF4y2Ba在电极和所有的时间框架和测试)(gydF4y2Ba2gydF4y2Ba)最大的和重要的时间或时空gydF4y2Ba集群。这些分布的最大gydF4y2Ba(方法gydF4y2Ba1gydF4y2Ba)和最大gydF4y2Ba集群(方法gydF4y2Ba2gydF4y2Ba和gydF4y2Ba3gydF4y2Ba)H0可以用来控制I型错误率在整个数据空间(gydF4y2Ba14gydF4y2Ba]。gydF4y2Ba

方法1(最大统计)。gydF4y2Ba使用的分布最大的引导gydF4y2Ba(或gydF4y2Ba)的值。的关键gydF4y2Ba观察到的样本的值是纠正多个测试用最强的一个概率分布gydF4y2Ba值下得到H0所有测试(所有电极和所有时间框架)。这种技术的优点是有一个具体类型我错误率(gydF4y2Ba14gydF4y2Ba]。然而,这个高度阈值技术是保守的,类似于Bonferoni和其他familywise错误修正,因为它是基于所有的测试执行。过于保守的一个缺点是,例如,集群的规模巨大的连续时间框架将较小的校正后(假设集群的极值correction-see图之前重要值最低gydF4y2Ba2gydF4y2Ba)因此可能失去有趣的实验效果的发作和偏移量的信息。另一种可能性,就是修正集群分裂成更小的碎片,因为它没有考虑数据的时空结构。第二和第三种方法使用基于集群数据修正,因此克服了这个问题。gydF4y2Ba

方法2(时空clustering-2D)。gydF4y2Ba同时使用引导集群定义的分布在时间和空间(图gydF4y2Ba2gydF4y2Ba)。这种集群技术遵循的哲学(gydF4y2Ba6gydF4y2Ba),并使用函数实现实地考察(gydF4y2Bahttp://fieldtrip.fcdonders.nl/gydF4y2Ba)。一个观察到时空的集群gydF4y2Ba价值观是具有统计学意义的总和gydF4y2Ba集群中包含的值大于阈值下引导集群和获得H0(见例如,[gydF4y2Ba15gydF4y2Ba,gydF4y2Ba16gydF4y2Ba]类似的方法与宠物和fMRI数据)。H0之下,偶然可以观察到集群之一重要的电极和时间框架。通过记录的最大的集群gydF4y2Ba值对于每个引导,我们可以构造时空分布的集群值下H0因此测试集群观测值的意义。因为H0分布不是特定于特定位置在空间和时间,这种技术自动控制多个测试。注意,在方差最大的统计数据,修正只适用于集群已经宣布重大,降低集群校正保守。最后,因为在MEEG重大影响,例如,大小(例如,P300事件)可以掩盖一个较小的(例如,N170),在集群上执行的控制不是大小本身,而是之和gydF4y2Ba(或gydF4y2Ba)值在每个集群(gydF4y2Ba6gydF4y2Ba]。集群和统计考虑空间范围和高度信息。因此,空间狭窄的集群效应,例如,可以在测试的N170的密度更大gydF4y2Ba值。gydF4y2Ba

方法3(颞clustering-1D)。gydF4y2Ba结合集群和最大统计方法。每个引导集群在H0我们先获得最大的时间价值(的总和gydF4y2Ba或gydF4y2Ba值)为每个电极,然后只保留最大的一个(图gydF4y2Ba2gydF4y2Ba)。这样做对于每一个引导,我们创建一个经验分布的集群值修正的空间。再次,将重要的如果它观察到集群和显著大于引导阈值和H0下观察。这种方法在时空聚类的优点是增加可能性透露更多空间局部影响因为时间影响不需要出现在电极组。也是一个方便的方法来测试小组电极不一定空间连续的。gydF4y2Ba

3.1。引导下计算H0为多个比较修正gydF4y2Ba

这里描述的引导程序使用过相同的重采样,但往往集中数据(H0因此是真的),结果被用来产生一个纠正分布(方法gydF4y2Ba1gydF4y2Ba(方法)或集群分布gydF4y2Ba2gydF4y2Ba和gydF4y2Ba3gydF4y2Ba)。gydF4y2Ba

3.1.1。一个示例gydF4y2Ba以及gydF4y2Ba

引导程序用于调整个别错误和为每个电极构建健壮的置信区间和H1下执行每一帧。H0版本的这个引导由定心数据,然后执行一个示例gydF4y2Ba测试集中的数据采样与更换。因为集中的数据有一个零均值,重采样允许我们来衡量变化0左右,零假设。gydF4y2Ba

3.1.2。两个样品和配对gydF4y2Ba测试gydF4y2Ba

至于一个示例gydF4y2Ba以及,控制个人的I型错误率和CIs H1下计算计算差异引导组或两样品。因此互补H0以下测试也是每个引导。对于每一个组或一对,数据集中和未来重新取样gydF4y2Ba测试计算。因为数据集中,没有差异预计(因此测试下H0)。gydF4y2Ba

3.1.3。回归分析和ANCOVAgydF4y2Ba

受试者被随机抽样与替代和数据安装在同一设计矩阵。这个过程因此减免之间的联系数据(对象)和模型(设计矩阵),因此允许估计斜率(s)的各种解释变量H0之下。的gydF4y2Ba值的不同的解释或集团效应ANCOVAs记录每个引导和用于计算经验分布用于纠正多个比较。gydF4y2Ba

3.1.4。方差分析gydF4y2Ba

这里只由定心H0计算每个“细胞”(每组或每个condition-see上图)。再一次,记录gydF4y2Ba值为每个在每个引导效应允许纠正为多个比较使用上面描述的方法之一。gydF4y2Ba

4所示。验证gydF4y2Ba

4.1。低级功能gydF4y2Ba

为了测试代码的有效性,所有统计功能(引导和多重比较程序除外)检测对Statistica和使用每个函数本身的相关信息可以在一个可下载的文档(validation_of_the_stats.pdf)豪华轿车脑电图服务器。对于每一个统计检验,一些低维数据集生成和分析使用豪华轿车脑电图和Statistica确保轿车脑电图返回正确的gydF4y2Ba,gydF4y2Ba,gydF4y2Ba值。因为MEEG高维度的数据,这样的分析不能轻易进行的标准包和多重比较的需要调整变化的统计显著性影响。然而,这个简单的测试让我们和未来用户方便地测试底层工具箱和一定的统计功能的实现。的重要性,一些测试返回不同的结果。可以观察到的主要区别为2样本gydF4y2Ba以及。大多数软件(例如,Statistica & SPSS)假设方差同质性在默认情况下,这是不合理的,因为独立团体可能会有不同的差异。豪华轿车脑电图总是假设方差不均匀性从而返回略低gydF4y2Ba值。选择方差分析(limo_old_rep_anova.m),也不可以通过接口返回值略有不同。默认情况下,豪华轿车使用霍特林脑电图计算重复测量方差分析gydF4y2Ba测试占球形。然而,一个标准的gydF4y2Ba测试也可以计算调用random_robust时通过改变一个参数。m函数。在这种情况下,球形由Hyund-Feld占修正。调整值不同于Statistica或SPSS,使用初始配方(gydF4y2Ba17gydF4y2Ba),而我们的实现之前,修改,修正公式(gydF4y2Ba18gydF4y2Ba]。gydF4y2Ba

4.2。多个比较校正gydF4y2Ba

排列结合马克斯集群统计控制理论上为多个比较,维护提交至少一个第一类误差概率在整个搜索空间的名义α水平(gydF4y2Ba6gydF4y2Ba]。然而,排列在MEEG研究中尚未验证系统。因此,尽管有迹象表明,排列在一定条件下表现良好涉及两组的比较gydF4y2Ba6gydF4y2Ba),它的性能还有待测试更普遍的是,及其应用扩展到其他的实验设计。引导技术比排列更多功能和开发来解决许多问题在心理学(gydF4y2Ba13gydF4y2Ba]。例如,目前尚不清楚如何实现一个排列测试ANCOVA设计;而引导测试很容易实现。因此,引导技术为MEEG研究者提供更多的可能性。然而,引导技术和能力来控制类型我错误率,尚未MEEG研究的验证,这是一个限制我们的工具箱。然而,我们报告令人鼓舞的初步结果表明引导技术执行同样的排列在某些条件。我们比较了familywise错误排列和两个引导技术与马克斯集群数据有关gydF4y2Ba测试独立样本。gydF4y2Ba

我们的模拟使用数据集的18个受试者提供豪华轿车和每个主题被用作“人口”约1000次试验。这个数据集是理想的验证测试H0下的差异,因为它包含ERP振幅横跨整个连续面对应对噪声响应。因此,对于每一个主题,我们采样的替代试验这个话题100试验的总数的两倍,形成假条件1和假条件2(1级)。然后,我们应用3测试这两个假的条件。每个测试涉及1000个随机样本。在前两个测试,200年的试验紧密地结合在一起,两套100试验通过随机创建分区(排列测试),或放回抽样(引导测试)。这两个测试估计H0随机重采样。在第三次测试中,每组100试验意味着集中和引导样品替代吸引独立于每个人(技术实现在豪华轿车和验证(gydF4y2Ba13gydF4y2Ba])。为每个测试,对于每一个随机样本,gydF4y2Ba以及进行比较试验的组织,紧随其后的是时空聚类gydF4y2Ba值(平方gydF4y2Ba值)。我们的集群gydF4y2Ba因为一个值gydF4y2Ba以及线性对比的是一个特例,它是使用一个评估gydF4y2Ba统计数据。此外,一个gydF4y2Ba统计数据用于其他全球语言监测机构的设计。然后我们保存的最大gydF4y2Ba集群和,并获得了马克斯集群分布H0下资金,用来评估原文的意义gydF4y2Ba测试。到目前为止,我们已经进行了200次在每一级H0分析主题。正面测试的平均数量是我错误率,多个比较使用集群统计修正后。200年在18个受试者,并使用模拟,第一类误差对置换率是0.0506,最低0.025,最高0.085跨科目。错误的引导测试为0.0489,最小值= 0.025,max = 0.08。错误的引导测试与数据中心为0.0453,最小值= 0.025,max = 0.08。这些结果非常接近名义α0.05的结果。模拟和更多情况下需要测试这些技术比较精确的行为。gydF4y2Ba

5。图形用户界面gydF4y2Ba

豪华轿车脑电图可以直接调用Matlab命令窗口或通过EEGLAB菜单。它是一个功能全面的图形用户界面(GUI)。每一个主要步骤有自己的GUI:通用GUI(图gydF4y2Ba3gydF4y2Ba(一)),进口的时代数据和分析(图1级gydF4y2Ba3gydF4y2Ba(b))、(图2级分析gydF4y2Ba3gydF4y2Ba(c))和可视化(图gydF4y2Ba3gydF4y2Ba(d))。用户不需要调用函数或在命令窗口中输入任何东西,一切都可以通过接口获取。每次一个帮助按钮也可用于每个选项的描述在每个GUI。此外,我们提供一个数据集的豪华轿车脑电图服务器提供的教程解释如何使用有分析数据接口。一个简短的结果在下一节中给出的例子。gydF4y2Ba

6。应用脑电图数据和可视化工具gydF4y2Ba

在本节中,我们提出一些受试者18日执行结果的分析来说明集团的各种格式数据可以探索和提出。这个数据集作为豪华轿车的教程下载脑电图和结果代表的简化分析提出了(gydF4y2Ba8gydF4y2Ba]。简而言之,学科之间不同年龄歧视的两副面孔的照片,脸和脸B;参数化图像中的噪声水平不一(实际上的操作阶段的图像)。使用这种设计可以因此测试差异ERP使用成对的两副面孔gydF4y2Ba以及,测试使用一次采样噪声水平的影响gydF4y2Ba以及,或测试的年龄影响ERP使用回归分析噪声敏感性。gydF4y2Ba

6.1。1级分析gydF4y2Ba

对于每个主题我们创建一个设计矩阵包括脸,脸B和图像噪声的水平(见图gydF4y2Ba1gydF4y2Ba上)。数据从而模仿的加权和三个预测(脸,脸B和相位相干效应)加上一个常数和一个误差项。gydF4y2Ba

6.2。2级分析gydF4y2Ba

从每个主题使用估计的参数可以测试一个效果。首先,我们寻找使用配对面孔A和B之间的差异gydF4y2Ba以及(无显著影响,gydF4y2Ba纠正与时空聚类)进入分析估计β参数的脸和脸B从所有科目。如图gydF4y2Ba4gydF4y2Ba(面板),面对刺激诱发典型的ERP (A1、工具绘制提供了健壮的ERP在主题,这里的平均20%的削减意味着ERP和95%可信区间获得使用引导标准错误),可以观察到(A2)无显著差异。第二,我们研究了可能的影响刺激视觉诱发响应相位相干性。这是使用一个示例执行gydF4y2Ba以及(gydF4y2Ba纠正与时空聚类)通过输入估计β参数对应于这个预测。如(图所示gydF4y2Ba4gydF4y2Ba面板B),图像相位相干性影响诱发大脑反应女士从80年起(完整的空间/时间map-B1)主要在后部横向和中央电极(地形的情节gydF4y2Bavalues-B2)最强的效果观察电极C1 110 ms poststimulus发病与290 ms (B3)。最后,我们还调查了年龄对ERP的影响随着年龄阶段敏感性通过执行一个简单的回归作为协变量(图gydF4y2Ba4gydF4y2Ba面板C,gydF4y2Ba纠正与时空聚类)。这种分析可以执行在整个头皮电极通过同一个物理学科之间(数据图gydF4y2Ba2gydF4y2Ba)。执行的分析也可以使用一个优化电极(gydF4y2Ba19gydF4y2Ba]。这种策略在于选择适合的电极显示最强的模型,所以我们比较功能类似的电极在主题。在这种情况下,分析年龄影响ERP对噪声的敏感性进行电极最佳建模数据在每一个主题,所定义的最强的gydF4y2Ba(C1)。这个功能的豪华轿车脑电图允许更多的灵活性在一组结合数据分析的方式。在这里,结果表明ERP敏感性显著图像相位相干性调制邮寄年龄从200毫秒到330毫秒刺激(C2)。gydF4y2Ba

7所示。讨论gydF4y2Ba

7.1。优点和缺点在MEEG大规模的单变量方法gydF4y2Ba

豪华轿车脑电图依赖大规模的单变量方法,如宠物或fMRI,所有可能的测量(压或电极/时间帧)进行了分析。这提供了许多优点但也引发一些问题。从积极的一面来看,大规模的单变量方法是相对容易理解,因为它使用标准统计,它是全自动的,可以适应任何设计,提供了一种电磁事件的全貌,而不用手拿电极或时间帧。在消极方面,严格控制统计测试需要实现的,因为执行多个测试。另外,因为分析是进行独立的电极和时间框架,可以更微妙的小姐可能发展在时间和空间的影响,并将被多变量(gydF4y2Ba20.gydF4y2Ba)或多维(gydF4y2Ba21gydF4y2Ba)方法。然而,这后一种方法下的一面是他们更难以解释。gydF4y2Ba

7.2。健壮和参数gydF4y2Ba

在豪华轿车脑电图在任何参数统计包中,我们假设数据来自一种概率分布,并使推断这些分布的参数。在豪华轿车脑电图,我们假设数据来自一个正常或接近正态分布,并作出推论平均值。豪华轿车脑电图的另一个重要特性是使用健壮的统计数据。在这里使用“强劲”的豪华轿车脑电图显示整体实现的技术更多的权力比传统测试时的假设(如正常)违反当实验效果存在(H1)提供更好的覆盖概率,特别是当估计的置信区间。使用这些技术,我们也确保严格控制的I型错误率(H0)。我们初步(18倍200蒙特卡罗)的仿真结果表明,使用1000,意思是错误的我们的2个样品gydF4y2Ba以及为0.0453,表明集群技术,多重比较校正提供了一个很好的控制假阳性。还需要进一步的模拟来充分测试的类型我错误率在各种情况下(设计/人口)但这证明,原则上,我们的方法的有效性。gydF4y2Ba

在豪华轿车脑电图我们有限的大多数分析样本的范围意味着通过引导。事实上,健壮的统计允许使用各种分析数据分布估计的意思。的意思是不一定的估计数据的集中趋势,和削减意味着,中位数,M-estimators可以提供更满意的结果(gydF4y2Ba22gydF4y2Ba,gydF4y2Ba23gydF4y2Ba)(有削减意味着选择豪华轿车脑电图和一些独立的功能,例如,gydF4y2Ba在削减意味着测试)。然而,这些估计已经验证了MEEG数据,因此限制样本的意思。gydF4y2Ba

当前我们的参数方法的限制是一个水平分析,和漠视,设计第二层次,目前依靠一个OLS的解决方案。理想情况下,一个可以回归使用加权最小二乘(WLS)更健壮。然而,WLS问题是协方差矩阵的计算。如果想正确地估算出试验条件(1级)或主题/条件(2级)共变,必须研究新的方法以占空间和时间之间的共变数据点之间的联系,而不仅仅是条件/对象分别在每个时间点。直到这样一个方法可用,一个OLS解决方案似乎是最安全的选择。gydF4y2Ba

7.3。当前限制和未来的发展gydF4y2Ba

没有真正限制当前实现的豪华轿车脑电图分析,因为它允许几乎所有类型的设计。限制只有相关的各种统计方面值得考虑。一个限流问题分析:1级的条件独立处理,有效地对应于一个ANCOVA 1方差分析方法或方式。然而,实验条件也可以分组,以创建一个阶乘设计,因此池一些差异在一起来考虑交互作用。虽然我们的方法是有效的,因为每个条件的估计参数可以通过对比来反映结合主要影响和交互因子设计,它可能会限制一些分析。因此,工具箱的未来版本将包含因子方差池。第二个限制是OLS的使用。正如上面提到的(gydF4y2Ba健壮和参数部分)gydF4y2Ba一个理想情况下会使用WLS解决方案允许非独立和条件之间的异方差性。然而当前的数学解决方案不存在正确估计协方差矩阵,然后直到1级估计不会“健壮”。gydF4y2Ba

8。结论gydF4y2Ba

整体豪华轿车脑电图提供了一组统计工具允许许多通过GUI设计的分析。它提供了健壮的结果无偏的山峰或组件的选择。它还提供了一种新方法来分析数据与强调效果(健壮的置信区间),我们希望将有助于移动领域向更加诱发神经反应的定量分析gydF4y2Ba7gydF4y2Ba]。gydF4y2Ba

确认gydF4y2Ba

这部分工作由ESRC: ESRC格兰特res - 000 - 22 - 3209支持g . a . Rousselet ESRC格兰特res - 062 - 23 - 1900支持c . r . Pernet a和g Rousselet。西里尔·r·Pernet也是由SINAPSE——合作gydF4y2Bahttp://www.sinapse.ac.ukgydF4y2Ba,由苏格兰资金池计划委员会和苏格兰行政院的首席科学家办公室。gydF4y2Ba

引用gydF4y2Ba

1. a . Delorme和美国Makeig EEGLAB:开源工具箱等实验分析EEG动态独立分量分析,“gydF4y2Ba神经科学杂志》上的方法gydF4y2Ba,卷134,不。1、9、2004页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
2. s . j . Kiebel和k . j . Friston”统计参数映射与事件相关电位:即一般考虑,”gydF4y2Ba科学杂志gydF4y2Ba,22卷,不。2、492 - 502年,2004页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
3. s . j . Kiebel和k . j . Friston”统计参数映射与事件相关电位(II):分层时序模型,”gydF4y2Ba科学杂志gydF4y2Ba,22卷,不。2、503 - 520年,2004页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
4. j . m .窑、s . j . Kiebel和k . j . Friston“随机场理论的应用电生理学,”gydF4y2Ba神经学字母gydF4y2Ba,卷374,不。3、174 - 178年,2005页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. j .窑和k . j . Friston脑电图和梅格拓扑推理,”gydF4y2Ba应用统计年鉴gydF4y2Ba4卷,第1290 - 1272页,2010年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. e·马里斯和r . Oostenveld脑电图MEG-data,非参数统计测试”gydF4y2Ba神经科学杂志》上的方法gydF4y2Ba,卷164,不。1,第190 - 177页,2007。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. g . a . Rousselet c . r . Pernet p•j•班尼特和a . b .《“参数研究脑电图对相位噪声的敏感性在面对处理,”gydF4y2BaBMC神经科学gydF4y2Ba第98条,卷。9日,2008年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. g . a . Rousselet j·s·皮,c . r . Pernet c·m·加斯帕·j·班尼特和a . b .《“与年龄相关的延迟信息权责发生制对面孔:证据从参数,实验脑电图的方法,”gydF4y2BaBMC神经科学gydF4y2Ba第1471条,卷。10日,p。114年,2009年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. g . a . Rousselet c·m·加斯帕·c·r·Pernet j·s·皮·j·班尼特和a . b .《“健康老龄化延迟头皮脑电图对噪声的敏感性在面对歧视的任务,”gydF4y2Ba认知科学前沿gydF4y2Ba,19卷,不。1,2010。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
10. k . j . Friston j . ashburn s . j . Kiebel t·e·尼科尔斯和w·d·彭妮gydF4y2Ba统计参数映射:脑功能图像的分析gydF4y2Ba、学术出版社,纽约,纽约,美国,2007年。gydF4y2Ba
11. e·h·摩尔:“互惠的一般代数矩阵,”gydF4y2Ba《美国数学学会gydF4y2Ba26卷,第395 - 394页,1920年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. r·彭罗斯“矩阵的广义逆,”gydF4y2Ba《剑桥哲学学会学报gydF4y2Ba,51卷,第413 - 406页,1955年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. r·r·威尔科克斯gydF4y2Ba介绍了稳健估计和假设检验gydF4y2Ba、学术出版社,纽约,纽约,美国,第二版,2005年版。gydF4y2Ba
14. t·尼科尔斯和s . Hayasaka”控制familywise错误率在功能神经成像:比较评论,”gydF4y2Ba医学研究统计方法gydF4y2Ba,12卷,不。5,419 - 446年,2003页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. j·b·Poline和b . m . Mazoyer”,分析个体的正电子发射断层扫描检测激活地图的高信号噪声比像素集群,”gydF4y2Ba脑血流量和新陈代谢杂志》上gydF4y2Ba,13卷,不。3、425 - 437年,1993页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. ,j·b·Poline k·j·沃斯利a·c·埃文斯和k . j . Friston”相结合的空间范围和峰值强度测试的激活功能成像,”gydF4y2Ba科学杂志gydF4y2Ba,5卷,不。2、83 - 96年,1997页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. h .黄齐,“一些近似测试重复测量设计,“gydF4y2Ba心理测量学gydF4y2Ba,43卷,不。2、161 - 175年,1978页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
18. r·s·陈和w·p·邓洛普“蒙特卡罗研究性能的修正公式gydF4y2Ba$\stackrel{˜gydF4y2Ba}{\mathrm{\epsilon gydF4y2Ba}}$建议由Lecoutre。”gydF4y2Ba《教育和行为的统计数据gydF4y2Ba,19卷,不。2、119 - 126年,1994页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. j。j福克斯著g·辛普森诉,“人类流向额叶皮层的激活从V1:一个框架,用于定义“早期”视觉处理。”gydF4y2Ba大脑研究实验gydF4y2Ba,卷142,不。1,第150 - 139页,2002。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
20. k . j . Friston k·m·斯蒂芬j·d·希瑟et al。”诱发反应的多变量分析EEG和梅格数据,”gydF4y2Ba科学杂志gydF4y2Ba,3卷,不。3、167 - 174年,1996页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. j . Onton s Makeig,“为什么使用ICA分解脑电图/梅格数据?“在gydF4y2Ba与事件相关的动态脑振荡gydF4y2Bac . Neuper和w . Klimesch Eds。,Progress in Brain Research, 159, Elsevier, 2006.视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. r·r·威尔科克斯和h . j . Keselman”现代强大的数据分析方法:集中趋势测量,”gydF4y2Ba心理的方法gydF4y2Ba,8卷,不。3、254 - 274年,2003页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. g . a . Rousselet j·s·皮,p•j•班尼特和a . b .《“ERP对象的时间进程和健壮性,面对差异,”gydF4y2Ba杂志的视觉gydF4y2Ba,8卷,不。12日,2008年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba

版权gydF4y2Ba

版权©2011西里尔r . Pernet等。这是一个开放的分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。gydF4y2Ba