PDF<我mg alt="" class="sc-EHOje jOLhQl sc-dREXXX cqhPZs" title="" role="presentation" src="data:image/svg+xml;base64,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" height="24">学术软件应用电磁大脑映射使用梅格和脑电图
把这个特殊的问题研究文章|开放获取
克利斯朵夫弗拉基米尔•Litvak Jeremie Mattout Stefan Kiebel菲利普斯,理查德•汉森詹姆斯窑,Gareth巴恩斯罗伯特•Oostenveld Jean Daunizeau Guillaume Flandin——Karl Friston将一分钱,, ”<年代pan class="adjust-article-svg-size">脑电图和梅格SPM8数据分析”,计算智能和神经科学, 卷。2011年, 文章的ID852961年, 32 页面, 2011年。 https://doi.org/10.1155/2011/852961
脑电图和梅格SPM8数据分析
文摘
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。
1。介绍
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1,2]。软件包含了一些重要的理论进展,如使用一般线性模型(GLM)来描述,在一个通用的方式,各种各样的实验设计(3]和随机场理论(RFT)来解决这个问题带来的多重比较大规模的应用与多个单变量测试图像体素(4]。功能性磁共振成像(fMRI)得到普及,十年后SPM的进一步发展,以支持这个新的成像模式,引入血流动力学响应函数卷积和相关的概念模型为连续时间序列相关。这配方成为建立标准的领域和大多数其他免费和商业软件包功能磁共振成像分析实现它的变体。并行,越来越复杂的工具登记、空间标准化和开发功能和结构图像分割(5]。除了隐藏功能磁共振成像和宠物分析,这些方法能应用SPM结构核磁共振成像(6),成为该领域的分布形态测量学(VBM)。
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7])和关注功能集成学习的方法,而不是专业化。动态因果模型(DCM (8)被引入作为一个通用的方法为研究神经系统的功能集成。这种方法使用贝叶斯方法拟合动态模型(制定系统微分方程)功能成像数据,推断模型参数和执行模型的比较。贝叶斯模型比较使用近似模型的证据(数据给定模型的概率)。模型量化证据一个好的模型的属性;是,它尽可能准确地解释数据,与此同时,有最小的复杂性9- - - - - -11]。DCM和相关方法的进一步发展和细化可能仍是今后研究的重点。
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(12- - - - - -14)和时频图像(15]。其次,介绍了一种新的电磁源重建方法基于贝叶斯分层高斯过程模型的反演16- - - - - -18]。贝叶斯观点也适用于问题的等效电流偶极子模型(19]。第三,DCM延伸至M /脑电图数据和几个不同的方法验证,专注于诱发反应(20.),诱导反应(21],稳态响应[22[],相耦合23]。为了使我们的同事将这些方法很容易应用到他们的数据,基础设施转换和预处理的M /从广泛的脑电图数据记录系统纳入SPM软件开发人员的实地考察与杰出的贡献软件(http://www.ru.nl/donders/fieldtrip,看到Oostenveld等人在这个问题上)。SPM为构造M /脑电图支持高级功能由我们组,而不是作为一个通用的存储库的有用的方法。这SPM有别于其它工具箱(例如,实地考察)。
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.
2。SPM8接口和概述
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(http://en.wikibooks.org/wiki/SPM)。MATLAB的SPM之前需要一个安装,一个商业高端数字MathWorks开发的软件平台,Inc .(美国纳蒂克)。更具体地说,SPM R14SP3需要版本(2005年发布)或任何最近的版本(最新R2010b)。它由MATLAB平台上运行,也就是说,Microsoft Windows, Macintosh操作系统,和Linux, 32位和64位。SPM8的一个独立的版本,使用MATLAB编译器编译,可以在请求它允许使用大部分的SPM功能不需要MATLAB执照的可用性。
SPM M /脑电图可以调用的类型spm脑电图在MATLAB命令行和紧迫的输入。经过短暂的初始化,SPM GUI将出现。它由三个窗口(见图1)。菜单窗口左上角(图1(一))包含按钮和其他GUI元素用于访问不同的SPM的功能。这个窗口的内容只改变如果用户切换模式(fMRI / PET / MEEG)。交互式窗口(左下图1(b))使用SPM函数用于创建动态GUI元素,必要时(例如,为用户显示一个选择或要求输入)。右边的图形窗口(图1(c))是SPM礼物中间和最终结果的分析。这也是SPM M /脑电图检查所使用的工具。额外的图形窗口是在必要时创建的。
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1(d))。Matlabbatch (http://sourceforge.net/projects/matlabbatch/)是一个独立的批处理系统MATLAB Glauche下开发的基于作业管理器,最初为SPM5开发。Matlabbatch基本上允许“编程没有编程”。处理管道可以使用专门的批处理GUI构建和配置,然后应用于多个数据集在非交互的模式。批处理系统是专为重复分析的数据,一旦用户知道应该做什么,和顺序。Matlabbatch可以通过按“批处理”按钮访问SPM菜单窗口。这将打开批量工具窗口。SPM功能可以通过访问这个窗口中的“SPM”菜单。最后,用户熟悉MATLAB编程可以直接从他们的脚本调用SPM函数不使用GUI。我们会将这种方式利用SPM称为“脚本”而不是“批处理”;也就是说,使用批处理工具。 The use of GUI, batching, and scripting are not always clearly separated, as for some functions the batch tool is the only available GUI. Also, batch pipelines can be created, modified, and run via scripts. In fact, creating a template batch and then invoking it from a script with specific inputs is the most convenient way to prescribe some of the more complicated analyses in SPM. Thus, SPM scripts can combine the user’s own code with invoking SPM functions directly or via batch pipelines. The facilities used by SPM programmers to create dynamic GUIs and batch tools are also available to users for their own custom tools.
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。
3所示。Sensor-Level分析和拓扑推理
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(24]。独立观察,弗兰克-威廉姆斯尺度的观察。一个简单的方法来控制弗兰克-威廉姆斯是Bonferroni调整。然而,这个过程是在神经影像学很少采用,因为它假定邻近的观察是独立的。当邻近样本之间存在高度相关性(例如,当数据特性平滑),这个修正是过于保守。
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>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(25]。在诱发的位置或诱导反应的情况下还不知道<我>先天的或不能独立本地化,可以使用拓扑推理来搜索一些重要的反应空间;这是SPM中实现的方法。它是基于随机场理论(RFT [4])。RFT的调整提供了一种方法<年代vg height="10.325" id="M1" style="vertical-align:-0.0pt;width:11.75px;" version="1.1" viewbox="0 0 11.75 10.325" width="11.75" xmlns="http://www.w3.org/2000/svg">
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,http://nifti.nimh.nih.gov/nifti-1/)。一旦这个图像格式的数据,统计分析了M /脑电图过程相同的宠物或VBM主客体分析数据(例如,二级分析在功能磁共振成像(26])。这些分析假设一个汇总统计图像/主题/条件(或一个实验因素水平)。这里,总结统计数据的图像仅仅是一个技术术语特征总结治疗效果,人愿意作出推论。更正式,当这汇总统计本身就是一个极大似然估计基于试数据,分析被称为总结性数据程序随机效应模型。在现在的环境下,我们将看到,汇总统计数据可以包含许多不同的数据特性。
3.1。创建汇总统计:转换为图像
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。
3.1.1。随着时间的推移图片
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2)。头皮地图生成使用2 d传感器布局(见附录中指定的数据集B.3)和传感器之间的线性插值。用户被要求指定的输出尺寸插入头皮地图。通常情况下,我们建议在每个空间方向64像素。也有一个选项来插入或删除坏通道的图像。插值是首选选项当有足够数量的好渠道每个坏通道。如果删除不好的渠道,将会有“洞”在结果图像和这些漏洞将传播在整个统计分析。创建一个目录名称相同的数据集作为输入。在这个目录中会有一个为每个审判类型子目录。这些目录将包含3 d图像文件,在维空间(<年代vg height="9.875" id="M2" style="vertical-align:-2.29482pt;width:28.200001px;" version="1.1" viewbox="0 0 28.200001 9.875" width="28.200001" xmlns="http://www.w3.org/2000/svg">
3.1.2。随着时间的推移平均
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。
3.1.3。时频数据
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3)。
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(21])。一旦生成数据集,它是自动导出图片以同样的方式作为数据在时域(见上图)。
3.1.4。平滑
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2示意图说明建设(空间××时间)总结性数据图像和随后的SPM测试产生影响的脸和炒的脸刺激科目。这个例子强调了拓扑推理的作用(基于随机场理论)来识别显著sensor-time区域包含一个显著condition-specific响应。图3演示了一个典型的分析时间×频率空间使用单一通道。这些分析可以直接或用于手腕后续报道描述适当的peristimulus时间窗和频率乐队在源空间。
4所示。源分析
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27]。分布式线性模型已经存在了十多年,现在(28),建议管道SPM成像解决方案非常类似于该领域的常用方法(29日,30.]。然而,至少有三个方面,应该强调原创性。<年代pan class="list">(我)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(29日],LORETA [30.),和其他著名的反问题的解决方案)。不同约束的数据驱动的相关性(先验)是通过贝叶斯模型反演,建立和不同的约束可以评估使用贝叶斯模型的比较16- - - - - -18,31日,32]。(2)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(33]。(3)SPM使用高斯过程模型(34,35)基于样本通道×通道的源重建数据的协方差。至关重要的是,这意味着它不会重建一次一次本但使用方差随着时间来提供一个完整的时空为每个时间序列反演。这种巧妙地迎合了卡尔德龙之前任何指定基线的问题,因为只有方差(从prestimulus基线变化)导致样本协方差,因此,解决方案。简而言之,SPM重建源活动(不活动的变化<我>每se)。这变得很重要当指定窗口的时间反演(见下文)。
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。<年代pan class="list">(我)源空间造型。(2)coregistration数据。(3)提出计算。(iv)逆重建。(v)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。
4.1。开始
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1(f))。在每个步骤中,按钮没有相关的这一步将被禁用。在一开始,只有启用了两个按钮:“负载”,用于加载一个预处理SPM M /脑电图数据集“反转”按钮,将在下面描述。可以加载一个数据集,是时代与单一试验对不同条件下,平均每个条件一个ERP /小块土地,或平均。加载数据集的一个重要前提是,它应该包含传感器和基准点(参见”部分4所示。3”)。这将是装船时检查文件和加载会失败如果有问题。用户应该确保为每个通道的数据集的通道类型(脑电图或梅格),有一个传感器描述。例如,梅格加载数据和一些脑电图渠道并不用于重建,这些渠道的类型应该改为“联赛”(本地字段可能)或“其他”之前试图加载数据集。与“其他”频道,“联赛”通道过滤和可供人工制品检测。梅格SPM从他们的原始格式转换的数据通常会包含有效传感器和基准描述。在脑电图的情况下,对于一些支持频道设置(如延长10 - 20或Biosemi), SPM将提供默认通道位置和时间标记,可用于重建。传感器和基准描述可以使用“准备”界面修改(见附录B.3)。
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。
4.2。源空间造型
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(5]。生成的单个网格应用的逆空间变形场,这个体结构图像映射到MNI模板,规范网格源自这个模板(33),图4 (b)。这种方法比派生的网格结构更健壮的形象直接,甚至可以当个体结构图像的质量很低。
(一)
(b)
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4(一))。在脑电图中,网格用作,梅格的转换头模型。三个皮质网格大小可用:“粗”、“正常”,“好”(5124、8196和20484个顶点,职责)。我们建议使用“正常”网。“粗”是用于更强大的计算机和“很好”只会工作在64位系统中有足够的内存。inner-skull outer-skull,和头皮规范表面分别占2562顶点,无论皮质网格的大小。
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。36)发现后者优越的SPM的默认源重建方法。
4.3。数据Coregistration
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。<年代pan class="list">(我)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。(2)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(37)是一个迭代的对齐算法,在三个阶段工作。<年代pan class="list">(我)双功能之间建立通信的两种结构一致,基于距离。(2)估计刚性变换的最佳地图的第一个成员到第二。(3)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。<年代pan class="list">(我)“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。(2)“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。(3)“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5)。重要的是在继续之前仔细检查结果。前面板显示了头皮,内心的头骨,和皮层网状,传感器和基准点。脑电图应该确保传感器在头皮表面。梅格应该检查头部位置,相对于传感器,是有意义的和没有,例如,突出在传感器阵列。在底部面板中,传感器标签所示地形数组。应该检查顶部标签对应前传感器,底部后,左左,右和也预期从地形上的标签(例如,没有当匹配职位转移到渠道)。
(一)
(b)
4.4。提出了计算
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<年代vg height="10.725" id="M11" style="vertical-align:-0.3135pt;width:59.3125px;" version="1.1" viewbox="0 0 59.3125 10.725" width="59.3125" xmlns="http://www.w3.org/2000/svg">
“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(38”梅格和脑电图本”(边界元素模式39- - - - - -43脑电图])。他们也可以尝试其他的选择和比较一个使用他们的模型的证据([36),见下文)。第一次脑电图本选项是使用新结构图像(也是第一次使用“模板”选项)长时间的计算将准备本模型基于网格。本将被保存在一个大型MAT-file结束”_EEG_BEM。垫”相同的目录结构图像的“规范”子目录(这是SPM的模板)。当头部模型准备好了,它将显示在图形窗口中,与皮层网状和传感器位置,验证(图6)。实际的铅初场矩阵计算下一步并保存。这是一个耗时的步骤,尤其是高分辨率网格。领导现场文件将用于所有后续倒置,如果coregistration和远期模型不改变。
(一)
(b)
4.5。逆重建
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(17),然后应用到整个时间序列。
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(29日),COH-smoothness之前类似如LORETA方法(30.),或多个稀疏先验(MSP) [17]。后者给了最合理的结果和已被证明有更大的模型的证据与其他先知先觉36]。
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[44]。在这里,一个可以提供一个阈值统计图像和SPM将生成先验根据其超阈值的集群。定制的先验不是一个“硬”方法限制的解决方案。他们只会导致较高的解决方案模型时使用的证据。逆的“硬”限制的解决方案是提供的下一个选择。
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)<年代vg height="11.075" id="M14" style="vertical-align:-0.3135pt;width:48.462502px;" version="1.1" viewbox="0 0 48.462502 11.075" width="48.462502" xmlns="http://www.w3.org/2000/svg">
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45]。
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7)。底部面板显示的最大强度投影(MIP)时的最大激活。log-evidence,如上所述,可以用于模型比较也显示。请注意,并不是所有的输出显示反演。时间课程的完整输出包含所有的资源和条件,整个时间窗口。可以查看更多这样的结果使用控制在3 d GUI的右下角。这些允许一个专注于一个特定的时间,大脑区域和条件。还可以显示一个电影之一源活动的进化。
(一)
(b)
4.6。总结重构响应作为一个形象
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8)和由此产生的MIP(前面板)将显示操作完成时。“试验”选项可以导出一个图像/试验,这是有用的执行参数试分析(例如,寻找相关的反应时间)。
(一)
(b)
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9)。SPM的统计机械进行了优化处理这些特性,确保合理的结果。
(一)
(b)
接下来,我们考虑一些与源相关辅助功能重建。
4.6.1。渲染接口
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。
4.6.2。集团反演
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(46),有效地保证了激活来源是相同的在所有科目(只允许激活不同的时间进程对象)。我们表明,这种修改可以获得意义水平接近nonfocal方法如最低标准,同时保持准确的空间定位。组反演可以产生更好的结果比个人倒置,因为它引入了一个额外的约束的病态逆问题,即在所有科目的响应应该解释为相同的一组资源。选择的反演方法,在分析与随后的拓扑推断整个研究的对比图片。
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。
4.6.3。批处理源重建
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。
5。本地化的等效电流偶极子
本节描述基于变分贝叶斯等效电流偶极子源重建(VB-ECDs) [19]。3 d成像(或分布式)重建方法同时考虑所有可能的源位置,允许大型分布式集群的活动。这是与“等效电流偶极子”(ECD)的方法,这依赖于两个假设。<年代pan class="list">(我)只有少数(说不到~ 5)来源是活跃的同时,(2)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>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>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。<年代pan class="list">(我)限制的偶极困难包括框架。(2)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。(3)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。(iv)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。
5.1。VB-ECD重建
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。<年代pan class="list">(我)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。(2)进入试验类型(s)重建。每个试验类型分别将重建。(3)添加单个(即。,我ndividual) dipole or a pair of symmetric dipoles to the model.(iv)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>先天的源的位置(一双对称偶极子,只需要一套偶极子坐标)。(v)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。(vi)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10(a))。这可以用于比较不同先验或解决方案与本研究的数量。反演的结果保存到数据结构和显示在图形窗口中。
5.1.1。结果显示
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10(b))。位置周围的虚线椭圆置信区间是由偶极子位置(图10(c))。左下表显示当前偶极子位置、方向(笛卡尔或极坐标),振幅在不同的格式。右下表允许选择试验类型和偶极子。显示多个试验类型和多偶极子也是可能的。显示将中心平均偶极天线的位置。
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。
6。动态因果模型M /脑电图
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(8]。简单,测量数据解释几个来源,组成的一个网络模型的动态耦合(参看时空的偶极子模型引入Scherg和他的同事们(47,48])。这个网络模型是反向使用相同的变分贝叶斯方案用于重建。模型反演模型提供证据(用于搜索模型空间或假设)和后验密度模型参数(用于推断来源或condition-specific调制)之间的联系,根据模型选择。大卫et al。20.造型erp)延长了DCM主意。其核心DCM ERP (DCM-ERP)是一个源重建技术,和我们使用的空间域完全相同的前锋在前面模型的方法。然而,DCM与众不同的是,它结合了空间模型与感受向前通知时间模型,描述来源之间的连通性。这个关键的成分不仅使源重建更健壮,通过隐式约束空间参数,但也允许推理连接架构。
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) [22,49,50)使用相同的神经模型作为DCM-ERP生成预测下的功率谱和cross-spectra测量稳态假设。也有(现象学)DCMs模型特定的数据特性,没有一个明确的神经模型。DCM诱导反应(DCM-IR) [21)模型与事件相关的权力动力学(时频特性)。DCM相耦合(DCM-PHA) [23)模型与事件相关的大脑在阶段之间的关系变化来源:DCM-PHA可以应用于一个频带。目前,所有M /脑电图DCMs共享相同的界面,尽可能多的变量,需要指定所有四个方法是相同的。因此,我们将重点放在DCM诱发反应,然后指出其他文化大臣的差异所在。
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51]。两个关键的技术贡献DCM-ERP可以在[20.,52]。测试有趣的假设神经元动力学描述(53,54]。其他的示例应用程序演示的假设与DCM测试可以发现在55,56]。最近另一个很好的背景信息来源是SPM书(576和7),部分覆盖不仅对M / DCM脑电图但放到DCM我们组的相关研究。DCM-IR覆盖在21,58),DCM-SSR (22,49,50],和DCM-PHA [23]。
6.1。概述
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(20.]。诱发反应的隐式模型假设测试的直接连接。例如,一个可以问是否可以解释为两个诱发反应的区别自上而下调制早期的领域(55]。重要的是,因为模型反演使用贝叶斯方法,实现一个可以比较贝叶斯模型证据。这些可以用来比较另类,同样的,模型和选择最好的9- - - - - -11]。
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) [52]。第二个模型每个源偶极子的“补丁”灰质表(59]。这个空间模型是由一系列的每个源的时序动态模型。重要的是,这些动力学不仅描述的内在源动力发展随着时间的推移,还如何应对外部输入来源,从皮质下区域(刺激)或其他皮质来源。
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。
6.2。开始
按钮调用DCM GUI在SPM的菜单窗口。当按下按钮时,弹出的GUI(图11)。GUI是划分为五个部分,从上到下。第一部分处理加载和保存现有的文化大臣,并选择模型的类型。第二部分是关于选择数据,第三是规范的空间模型,第四是用于指定神经元连接。最后一行的按钮调用DCM反演和结果显示。
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。
6.3。加载、保存和选择模型类型
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(55]。第二个是9月使用这个模型的一个变种;然而,先知先觉的神经动力学使他们更快模型早期诱发反应(60]。第三个是NMM非线性(conductance-based)神经质量模型61年]。第四个是一个意思是领域模型MFM也是非线性和基于二阶近似种群动态(62年]。最后,数据可以加载使用“新数据”按钮。数据可以是平均或时代脑电图或梅格。DCM-ERP,时代数据将平均产生诱发电位或字段。
6.3.1。数据和设计
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D.7)。如果两个诱发反应,出于某种原因,在不同的文件,这些文件需要合并DCM之前。以下条件选择框,框的规范作用。这是用来定义不同造型的选择(即实验的影响。条件之间的差异)。例如,如果试验1是标准和试验2变态反应在一个古怪的范例,可以使用标准的基线和模型的差异调节所需的连接异常。这样做效果应该指定为[0 1]。另外,如果效果被指定为[−1 1],然后基线的平均的两个条件,相同的因素将减去基线连接模型的标准和添加到连接模型偏差。后者选择也许并不适合一个古怪的范式但可能适合其他范式,没有明确的“基本条件”。当造型三个或更多诱发反应,一个可以调节模型的连接强度在多个条件作为两个相对于第一个影响诱发反应。然而,也可以选择几个连接强度的条件下,对如何实施关系连接的变化。 For example a single linear effect, over three trials or conditions, can be specified as [−1 0 1]. This can be useful when one wants to add constraints on how connections (or other DCM parameters) change. A compelling example of this can be found in [63年]。为每个指定的实验效果,后来选择模型中的连接,它影响(见下文)。
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54]。一个可以选择的模式:默认是8。也可以选择一个窗口的数据,与汉宁窗peristimulus时间,(单选按钮)。这将减少的影响,时间序列的开始和结束,可能吵不被理想化用来预测观测数据的反应。
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。
再。电磁模型
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(64年,65年]。这意味着每一个偶极子呆在其指定区域,保留其意义的解剖的名称。之前的位置可以找到每个偶极子通过使用可用的解剖学知识或依赖源重建(见前面的小节)。还要注意,之前的位置不需要过于精确,因为M /脑电图的空间分辨率,根据位置,可以在几厘米65年,66年]。也可以从文件加载之前的位置(“负载”)。位置可以可视化按“偶极子”。
“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。
6.3.3。神经元模型
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,54]),这应该是由指定的所有来源“电磁模式”,然后离开来源不参与一个特定的神经元模型无关的。
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(<年代vg height="10.55" id="M15" style="vertical-align:-0.0pt;width:11.325px;" version="1.1" viewbox="0 0 11.325 10.55" width="11.325" xmlns="http://www.w3.org/2000/svg">
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(<年代vg height="10.6125" id="M16" style="vertical-align:-0.15048pt;width:11.8625px;" version="1.1" viewbox="0 0 11.8625 10.6125" width="11.8625" xmlns="http://www.w3.org/2000/svg">
“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。<年代pan class="list">(我)“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)。(2)“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。(3)“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。
6.3.4。估计
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。
6.3.5。结果
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12(一个))。当选择“erp(来源)”(后的预期)在每个源动态绘制(见图12 (b))。锥体细胞的活动(重建源活动)在实线绘制,和另外两个种群的活动(抑制和兴奋性中间神经元)和虚线绘制。“耦合(A)”选项将显示摘要的后验分布在连接在一个矩阵。行(图上12 (c)),后意味着所有内在联系。如上所述,元素(i, j)从区域j对应于一个连接我,在较低的行(图12 (d)),为每个连接,它可以找到的概率后意味着不同于之前的意思是,考虑到后方差。选择“耦合(B)”一个可以访问的后对增益调节连接。“耦合(C)”可以看到的总结后验分布的强度输入input-receiving源(年代)。左边,DCM阴谋后意味着每个区域。在右边,提供相应的概率。参见图12这些总结的例子基于后验密度(条件)模型的隐状态和参数。还有其他几个数量,可以检查(见SPM手册详情)。
(一)
(b)
(c)
(d)
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(9- - - - - -11),通常的前奏检查所选模型的参数估计或贝叶斯模型平均水平。
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。
6.4。DCM的稳态响应
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。
6.4.1。交叉谱密度
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 (67年])。用于模型反演(即数据功能。,those features generated or predicted by the model) include the auto-spectra and cross-spectra between channels (or modes). These data features are evaluated using a multivariate autoregressive model, which can accurately measure periodicities in the time-domain data. The resulting spectra are then presented as an upper-triangular, channel × channel matrix (or mode × mode), with autospectra on the main diagonal and cross-spectra in the off-diagonal terms.
6.4.2。输出和结果
“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。
6.5。扩张型心肌病引起的反应
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)。
6.5.1。数据的特点
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。
6.5.2。电磁模型
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。
6.5.3。神经元模型
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。
6.5.4。小波变换
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C.7)。对于后者,我们建议值大于5获得稳定的估计。
6.5.5。结果
“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(13日)了一个例子。将显示“耦合(A-Hz)”表示耦合强度的耦合矩阵从源到目标频率。这些矩阵相乘得到的估计between-mode耦合模式的频率配置文件(21]。“耦合(B-Hz)”是类似于上面的和报告修改的耦合实验效果(见图13 (b))。“耦合(A-modes)”将显示模式之间的耦合矩阵的后验概率系数不同于零。这表示对于诊断非常有用当反演失败但生理的解释是不简单。看到一个更完整的描述的SPM手册和其他选项从DCM-IR审查条件估计。
(一)
(b)
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。
6.6。DCM相耦合
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14这种动态的例子。一个振荡器的相位的影响的变化率相阶段的另一个特点是在互动的功能(论坛)中描述23]。SPM支持进行通信使用任意指定顺序傅里叶级数。然而,为了简化界面,一个仅限于简单的正弦使用GUI时进行通信。
6.6.1。数据的特点
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)。
6.6.2。电磁和神经元模型
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<年代vg height="16.75" id="M25" style="vertical-align:-4.77652pt;width:98.137497px;" version="1.1" viewbox="0 0 98.137497 16.75" width="98.137497" xmlns="http://www.w3.org/2000/svg">
6.6.3。希尔伯特变换和结果
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<年代vg height="9.9250002" id="M32" style="vertical-align:-0.13794pt;width:4.9875002px;" version="1.1" viewbox="0 0 4.9875002 9.9250002" width="4.9875002" xmlns="http://www.w3.org/2000/svg">
7所示。结论
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<年代vg height="10.325" id="M33" style="vertical-align:-0.0pt;width:11.75px;" version="1.1" viewbox="0 0 11.75 10.325" width="11.75" xmlns="http://www.w3.org/2000/svg">
附录
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B和C数据格式和预处理,分析流的重要部分和共享许多协议与其他软件平台(代码)。
a . SPM8和实地考察
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。
数据格式和处理
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。
责任。SPM M /脑电图数据格式
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).
B.2。转换的数据
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http://fieldtrip.fcdonders.nl/development/fileio),这是SPM8之间共享,实地考察和EEGLAB工具箱,共同开发的这些工具箱的用户。目前,最常见的脑电图和梅格数据格式支持。对于一些格式,它可能需要安装额外的MATLAB工具箱(有一个错误消息如果这些工具箱失踪)。如果数据格式没有被“fileio”,它将尝试读取文件使用Biosig工具箱(http://biosig.sourceforge.net/),如果可用。这可以为一些脑电图系统工作,特别是临床的。使用Biosig的后果之一是一个后备的选择是错误消息从Biosig或提及Biosig会出现如果不支持的数据格式。如果有必要“fileio”工具箱可以扩展容易支持更多的格式。
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。<年代pan class="list">(我).fsample-sampling率(Hz)。(2).trial-cell数组包含矩阵具有相同尺寸的试验(渠道×时间)。(3).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。(iv).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。
B.3。数据审核和增加
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,http://www.montefiore.ulg.ac.be/ ~菲利普斯/ FASST.html)可以作为一个替代SPM8审查工具加快审查的连续多道数据集(见勒克莱尔et al。这个问题)。
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.
c .数据处理
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)。
C.1。时代
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<年代vg height="11.075" id="M34" style="vertical-align:-0.3135pt;width:38.1875px;" version="1.1" viewbox="0 0 38.1875 11.075" width="38.1875" xmlns="http://www.w3.org/2000/svg">
C.2。过滤
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。
C.3。将采样
这些数据可以downsampled任何采样率。
C.4。基线校正
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]。
C.5。人工制品检测和拒绝
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。
C.6。蒙太奇的应用程序
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。
C.7。时频分析
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。
C.8。平均
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(68年]。每个通道的想法是和时间本(或时频像素),值的分布试验用于downweight离群值,当计算平均值。这抑制了文物局限于狭窄的时间和频率范围,没有拒绝整个试验。此外,一个干净的平均计算,没有干净的试验;考虑到文物始终不重叠,只有腐败(不同)的部分试验。
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.
d .额外的效用函数
D.1。大的意思
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)。
D.2。合并
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。
D.3。多通道融合
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.
D.4。时频尺度改变和基线校正
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。
D.5。对比试验
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。
D.6。复制
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。
D.7。排序条件
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。
D.8。去除不好的试验
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。
D.9。作物
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。
e .脚本生成
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。
f .示例数据集
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http://www.fil.ion.ucl.ac.uk/spm/data/。详细说明,分析这些数据可以显示在SPM手册(http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf)。
g .工具箱和导致SPM
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http://www.fil.ion.ucl.ac.uk/spm/ext/。
目前,有两个工具箱为M / SPM脑电图SPM中分布。
G.1。MEEGtools工具箱
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(69年脑电图()和经颅磁刺激文物70年]。
G.2。波束形成的工具箱
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(71年)和频率(72年使用beamformer)域和提取源活动空间过滤器。他们利用SPM-generated模型(见“源重建”)和(相关)生成图像,可以进入SPM的数据管道。这些功能都是基于实地考察正在开发的代码和其他作者之一(g . Barnes)。在未来,这段代码可能重组的功能转移到SPM 3 d重建源接口和集成到实地考察。
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。
确认
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。
引用
- k . j . Friston c·d·弗里斯·f·Liddle和r . s . j . Frackowiak”比较功能(PET)图片:评估的显著变化,”<我>脑血流量和新陈代谢杂志》上,11卷,不。4、690 - 699年,1991页。<年代pan class="reflinks">视图:谷歌学术搜索
- k . j . Friston c·d·弗里斯·f·Liddle r . j .多兰a . a . Lammertsma和r . s . j . Frackowiak“全球和本地PET扫描的变化之间的关系,“<我>脑血流量和新陈代谢杂志》上,10卷,不。4、458 - 466年,1990页。<年代pan class="reflinks">视图:谷歌学术搜索
- k . j . Friston a . p .福尔摩斯,k·j·沃斯利j . p . Poline c·d·弗里斯和r . s . j . Frackowiak”统计参数映射功能成像:一般线性方法,”<我>人类大脑图谱,卷2,不。4、189 - 210年,1994页。<年代pan class="reflinks">视图:谷歌学术搜索
- k和k·j·j·沃斯利Friston”,功能磁共振成像分析时序revisited-again”<我>科学杂志,卷2,不。3、173 - 181年,1995页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j . ashburn和k . j . Friston”统一分割。”<我>科学杂志,26卷,不。3、839 - 851年,2005页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j . ashburn和k . j . Friston”分布morphometry-the方法,”<我>科学杂志,11卷,不。6我,805 - 821年,2000页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- k . j . Friston和w .一分钱”,后验概率地图和spm。”<我>科学杂志,19卷,不。3、1240 - 1249年,2003页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- k . j . Friston l·哈里森,w .一分钱,“动态因果模型,”<我>科学杂志,19卷,不。4、1273 - 1302年,2003页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- w·d·彭妮k·e·斯蒂芬a . Mechelli和k . j . Friston动态因果模型相比,“<我>科学杂志,22卷,不。3、1157 - 1172年,2004页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- w·d·彭妮k·e·斯蒂芬j . Daunizeau et al .,“比较动态因果模型的家庭。”<我>PLoS计算生物学》第六卷,没有。第三条ID e1000709, 2010。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- k·e·斯蒂芬·w·d·彭妮j . Daunizeau r·j·莫兰和k . j . Friston“集团研究贝叶斯模型选择”<我>科学杂志,46卷,不。4、1004 - 1017年,2009页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 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,”<我>科学杂志,22卷,不。2、503 - 520年,2004页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 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,”<我>科学杂志,22卷,不。2、492 - 502年,2004页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j .窑和k . Friston脑电图和梅格拓扑推理,”<我>应用统计年鉴,4卷,不。3、1272 - 1290年,2010页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j . m .窑、s . j . Kiebel和k . j . Friston“随机场理论的应用电生理学,”<我>神经学字母,卷374,不。3、174 - 178年,2005页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- c·菲利普j . Mattout m·d·拉格·Maquet和k . j . Friston“实证源在脑电图重建问题,贝叶斯解”<我>科学杂志,24卷,不。4、997 - 1011年,2005页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j . k . Friston l·哈里森Daunizeau et al .,“多个稀疏先验的M / EEG逆问题,“<我>科学杂志,39卷,不。3、1104 - 1120年,2008页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j . Mattout c·菲利普斯w·d·彭妮·m·d·拉格和k . j . Friston,”梅格源定位在多个约束:一个扩展贝叶斯框架,“<我>科学杂志,30卷,不。3、753 - 767年,2006页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- s . j . Kiebel j . Daunizeau c·菲利普斯和k . j . Friston“变分等效电流偶极子模型的贝叶斯反演脑电图/梅格,”<我>科学杂志,39卷,不。2、728 - 741年,2008页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- o . David s . j . Kiebel l·m·哈里森j . Mattout j . m .窑和k . j . Friston”诱发反应的动态因果建模在脑电图和梅格,”<我>科学杂志,30卷,不。4、1255 - 1272年,2006页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- c . c, s . j . Kiebel和k . j . Friston“动态因果模型诱导的反应,”<我>科学杂志第41卷。。4、1293 - 1312年,2008页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- r·j·莫兰k·e·斯蒂芬t . Seidenbecher h·c·佩普,r . j .多兰和k . j . Friston“动态因果模型的稳态响应,”<我>科学杂志,44卷,不。3、796 - 811年,2009页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- w·d·彭妮诉Litvak l . Fuentemilla e . Duzel和k . Friston“动态因果模型相耦合,”<我>神经科学杂志》上的方法,卷183,不。1,19-30,2009页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- m·布雷特·w·彭妮,s . Kiebel“参数程序,”<我>统计参数映射k . Friston, j . ashburn Kiebel, t·尼科尔斯和w·彭妮,Eds。爱思唯尔,页223 - 231年,阿姆斯特丹,荷兰,2007年。<年代pan class="reflinks">视图:谷歌学术搜索
- n . Kriegeskorte w·k·西蒙斯,p . s . Bellgowan和c。贝克,“循环分析系统神经科学:双倾斜的危险,”<我>自然神经科学,12卷,不。5,535 - 540年,2009页。<年代pan class="reflinks">视图:谷歌学术搜索
- w·彭妮和r·亨森“分层模型”<我>统计参数映射k . Friston, j . ashburn Kiebel, t·尼科尔斯和w·彭妮,Eds。爱思唯尔,页149 - 155年,阿姆斯特丹,荷兰,2007年。<年代pan class="reflinks">视图:谷歌学术搜索
- s . Baillet j . j . Rira g .主要j . f .裕度j .《和l . Ganero”评价EEG逆方法和头部模型的源定位使用的人类头骨幽灵,”<我>物理学在医学和生物学,46卷,不。1,第96 - 77页,2001。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- a . m .戴尔和塞利诺,“改善皮质活动的本地化结合脑电图和梅格MRI大脑皮层表面重建:线性的方法,”<我>认知神经科学杂志》,5卷,不。2、162 - 176年,1993页。<年代pan class="reflinks">视图:谷歌学术搜索
- m . s . Hamalainen和r . j . Ilmoniemi”解释大脑的磁场:最低标准的估计,”<我>医学和生物工程和计算,32卷,不。1,35-42,1994页。<年代pan class="reflinks">视图:谷歌学术搜索
- r·d·Pascual-Marqui c·m·米歇尔·d·莱曼,“低分辨率电磁层析:本地化大脑电活动的新方法,”<我>国际心理生理学杂志,18卷,不。1,49 - 65年,1994页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- k . Friston r·亨森、c·菲利普斯和j . Mattout”诱发的贝叶斯估计,诱导反应。”<我>人类大脑图谱,27卷,不。9日,第735 - 722页,2006年。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- k . j . Friston w·彭妮,c .菲利普斯s Kiebel g .辛顿和j . ashburn”在神经影像:古典和贝叶斯推理理论”,<我>科学杂志,16卷,不。2、465 - 483年,2002页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j . Mattout r·n·亨森和k . j . Friston“规范重建为梅格来源,”<我>计算智能和神经科学文章ID 67613卷,2007年,10页,2007。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- h·c·金姆和z Ghahramani,”贝叶斯与EM-EP高斯过程分类算法”,<我>IEEE模式分析与机器智能,28卷,不。12日,第1959 - 1948页,2006年。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- b·里普利“灵活的非线性分类方法,”<我>从统计神经网络诉Cherkassy j·弗里德曼,和h .韦氏,Eds。施普林格,页105 - 126年,纽约,纽约,美国,1994年。<年代pan class="reflinks">视图:谷歌学术搜索
- r·n·亨森j . Mattout c·菲利普斯和k . j . Friston,”梅格source-reconstruction向前选择模型使用模式,证实”<我>科学杂志,46卷,不。1,第176 - 168页,2009。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- p . j . Besl n·d·麦凯,“登记3 d形状的方法,”<我>IEEE模式分析与机器智能,14卷,不。2、239 - 256年,1992页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- g·诺尔特”,导致磁场定理在准静态近似及其用于magnetoenchephalography向前计算在现实的容积导体,”<我>物理学在医学和生物学,48卷,不。22日,第3652 - 3637页,2003年。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- c·菲利普斯,j . Mattout和k . j . Friston“模型脑电图,”<我>统计参数映射爱思唯尔,页352 - 366年,阿姆斯特丹,荷兰,2007年。<年代pan class="reflinks">视图:谷歌学术搜索
- d . Geselowitz”生物潜力的非齐次容积导体,”<我>生物物理期刊7卷,1 - 11,1967页。<年代pan class="reflinks">视图:谷歌学术搜索
- m . s . Hamalainen和j . Sarvas”现实的电导率的几何模型人头neuromagnetic数据的解释,“<我>IEEE生物医学工程,36卷,不。2、165 - 171年,1989页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j . c . de Munck“容积导体边界积分方程的线性离散化使用集成分析元素,”<我>IEEE生物医学工程,39卷,不。9日,第990 - 986页,1992年。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j·c·莫舍、r·m·莱希和p . s .刘易斯“脑电图和梅格:逆的方法提出解决方案,“<我>IEEE生物医学工程,46卷,不。3、245 - 259年,1999页。<年代pan class="reflinks">视图:谷歌学术搜索
- r·n·亨森g . Flandin k . j . Friston和j . Mattout”参数经验贝叶斯框架fMRI-constrained梅格/脑电图源重建,”<我>人类大脑图谱没有,卷。31日。10日,1512 - 1531年,2010页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- r·n·亨森、大肠Mouchlianitis和k . j . Friston”梅格和脑电图数据融合:同时本地化face-evoked回应,“<我>科学杂志卷,47号2、581 - 589年,2009页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 诉Litvak和k . Friston“电磁源重建组研究”<我>科学杂志,42卷,不。4、1490 - 1498年,2008页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- m . Scherg和d·冯·Cramon”诱发偶极子源人类听觉皮层的潜力,”<我>脑电图与临床神经生理学,卷65,不。5,344 - 360年,1986页。<年代pan class="reflinks">视图:谷歌学术搜索
- m . Scherg和p . Berg,”新概念的大脑成像和本地化,源”<我>脑电图与临床神经生理学。补充,46卷,第137 - 127页,1996年。<年代pan class="reflinks">视图:谷歌学术搜索
- s . j . r . j . Moran Kiebel, k·e·斯蒂芬·r·b·赖利j . Daunizeau和k . j . Friston”在电生理学神经质量模型的光谱响应,“<我>科学杂志,37卷,不。3、706 - 720年,2007页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- r·j·莫兰k·e·斯蒂芬s . j . Kiebel et al .,”贝叶斯估计光谱响应的神经突触生理学的质量,”<我>科学杂志,42卷,不。1,第284 - 272页,2008。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- s . j . Kiebel加里多,r·莫兰c . c . Chen和k . j . Friston“动态因果建模为脑电图和梅格,”<我>人类大脑图谱,30卷,不。6,1866 - 1876年,2009页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 大卫s . j . Kiebel o . k . j . Friston”诱发反应的动态因果模型在脑电图/梅格铅字段参数化,“<我>科学杂志,30卷,不。4、1273 - 1284年,2006页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- s . j . Kiebel麻省理工学院加里多,k . j . Friston”诱发反应的动态因果模型:内在联系的角色,”<我>科学杂志,36卷,不。2、332 - 345年,2007页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- M . Fastenrath k . j . Friston, s . j . Kiebel”动态因果模型M /脑电图:时空对称性限制,”<我>科学杂志,44卷,不。1,第163 - 154页,2009。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 加里多,j . m .窑s . j . Kiebel和k . j . Friston”诱发大脑反应产生的反馈循环,”<我>美国国家科学院院刊》上的美利坚合众国,卷104,不。52岁,20961 - 20966年,2007页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 加里多,j . m .窑s . j . Kiebel k·e·斯蒂芬和k . j . Friston”诱发电位的动态因果模型:再现性研究中,“<我>科学杂志,36卷,不。3、571 - 580年,2007页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- w·d·彭妮k . j . Friston j . t . ashburn s . j . Kiebel t·e·尼科尔斯,Eds。<我>统计参数映射:脑功能图像的分析爱思唯尔,阿姆斯特丹,荷兰,2007年。<年代pan class="reflinks">
- c . c . Chen r·n·亨森k·e·斯蒂芬j . m .窑和k . j . Friston”前后连接的大脑:扩张型心肌病的研究功能不对称,“<我>科学杂志,45卷,不。2、453 - 462年,2009页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j . Daunizeau s . j . Kiebel, k . j . Friston“动态因果模型的分布式电磁响应,”<我>科学杂志卷,47号2、590 - 601年,2009页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- a·c·Marreiros j . Daunizeau s . j . Kiebel和k . j . Friston”种群动态:方差和乙状结肠激活函数,“<我>科学杂志,42卷,不。1,第157 - 147页,2008。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- A·c·Marreiros s . j . Kiebel, k . j . Friston”动态因果模型神经种群动态的研究,“<我>科学杂志,51卷,不。1,第101 - 91页,2010。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- a·c·Marreiros s . j . Kiebel j . Daunizeau l·m·哈里森和k . j . Friston“拉普拉斯假设下的种群动态。”<我>科学杂志,44卷,不。3、701 - 714年,2009页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 加里多,k . j . Friston s . j . Kiebel k·e·斯蒂芬t . Baldeweg和j·m·窑”的功能解剖学MMN: DCM粗纱的研究范式,“<我>科学杂志,42卷,不。2、936 - 944年,2008页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- m . Scherg t·w·皮克顿,“分离和鉴定与事件相关的潜在的组件通过脑电源分析,“<我>脑电图与临床神经生理学。补充,42卷,24-37,1991页。<年代pan class="reflinks">视图:谷歌学术搜索
- b . Lutkenhoner“脑磁图描记术及其阿基里斯的脚跟。”<我>生理学杂志》的巴黎,卷97,不。4 - 6,641 - 658年,2003页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- m . Scherg:金额、h . Bornfleth和p . Berg“高级的数字脑电图检查工具:虚拟源蒙太奇,满头映射,相关性,和阶段分析,“<我>临床神经生理学杂志,19卷,不。2、91 - 112年,2002页。<年代pan class="reflinks">视图:谷歌学术搜索
- w·d·彭妮和s . j .罗伯特”与结构化的先验贝叶斯多变量自回归模型”,<我>IEE诉讼:视觉、图像和信号处理,卷149,不。1,33-41,2002页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- t . d .赌m . c·凯勒,美国c·莱西和j .密切相关,“神经影像学分析灵敏度增加使用健壮的回归,”<我>科学杂志,26卷,不。1,第113 - 99页,2005。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- p·伯格和b . m . Scherg”,多个源眼睛工件的校正方法,”<我>脑电图与临床神经生理学,卷90,不。3、229 - 241年,1994页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- 诉Litvak s Komssi m . Scherg et al .,“工件校正和来源分析脑电图仪的早期反应诱发的经颅磁刺激在初级运动皮层,“<我>科学杂志,37卷,不。1,56 - 70,2007页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- b·d·范·Veen w·范Drongelen m . Yuchtman和a .铃木”定位的脑电活动通过空间滤波、线性约束最小方差”<我>IEEE生物医学工程,44卷,不。9日,第880 - 867页,1997年。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
- j·格罗斯,j . Kujala m . Hamalainen l . Timmermann a·施尼茨勒和r . Salmelin“连贯的动态成像来源:研究人类大脑中的神经交互,”<我>美国国家科学院院刊》上的美利坚合众国,卷98,不。2、694 - 699年,2001页。<年代pan class="reflinks">视图:出版商的网站|谷歌学术搜索
版权
版权©2011年弗拉基米尔Litvak等。这是一个开放的分布式下文章知识共享归属许可,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。
