肉酱:免费工具分析头皮脑电图和梅格与事件相关的字段数据使用全局随机统计数据

文摘

我们提出一个程序(肉酱;随机化图形用户界面)的统计分析多通道与事件相关的脑电图和梅格实验。基于头皮场差异的措施包括所有传感器,并使用强大,assumption-free随机统计、项目收益强劲,生理上有意义的结论基于整个untransformed,无偏的测量。肉酱提供受试两个因素,一个主客体因素与多个水平。计算意义作为时间的函数,可以控制II型错误与整体分析。结果显示在一个直观的可视化界面,允许进一步的探索研究。样本分析ERP实验说明了肉酱所提供的不同的可能性。肉酱的目的是最大化的统计力量同时最小化需要先验模型和参数的选择(如逆模型或传感器感兴趣的)相互作用和偏差统计数据。

1。介绍

头皮实地测量代表活动的电活动扩展大脑的神经发电机和提供了一个独特的窗口是非侵入性人类信息处理测量和高时间分辨率。今天,人类头皮脑电图和梅格录音系统可以记录字段数据与高密度空间(> 100个传感器)和时间(> 1000 Hz),提高了结果的分辨率。然而,观察到的影响在头皮上的理解已经被所谓的反问题严重阻碍了脑电图和梅格测量,从而防止在一般情况下,观察到的影响在头皮上可以明确归因于一组特定的脑组织。因此,许多文献中发现的结果在某种程度上取决于一些隐式或显式模型,因为这些模型相差很大,明确的结论在研究和模型往往很难画。

当前论文的目的是提出方法和软件,允许用户分析与事件相关的头皮字段数据使用方法,结合头皮电磁数据,但模型的物理基础独立。软件应能使研究人员评估全球ERP的影响的重要性,而不需要先验假设正确的模型,(即。,关于“积极的”或“不活跃”的位置传感器,或正确的源模型的参数)。证据等影响基于无偏统计可以基于模型需要进一步分析其他工具中实现。在本文的其余部分,我们将开发过程的方法论背景,其次是软件实现的简要描述,说明该过程的样本分析,讨论影响。

2。方法论的背景

颅内brain-electromagnetic活动涉及的物理颅外传感器由所谓leadfield总结或提出解决方案的脑电图/梅格[1]。脑电图和梅格的leadfield定义权重因素线性转换一个给定源的活动头皮潜在差异;这些权重因素取决于传感器的位置,源的位置和方向,最终(EEG数据)几何和电磁特性(即。、电导率、同质性)之间的不同组织来源和传感器。leadfield平滑算子,模糊了测量空间中(1),介绍了传感器之间的相关性(在其他因素)依赖它们之间的距离。因此,有三个重要事实考虑在处理脑电图/梅格头皮字段数据:(1)的活动甚至点状源会产生一个字段扩展在整个头皮,这样大多数传感器将信号从源;(2)一个传感器可以接来自许多不同的信号,最终远程数据源;(3)脑电图的情况下,因为所有测量是潜在的分歧,在一个给定的电极记录的信号总是依赖,在某种程度上,任意选择的参考。

在我们看来,一个主要部分的出版物采用头皮潜力调查一些实验操作的影响没有考虑这些事实充分,这样获得的结果的可解释性严重限制。因此,ERP的影响研究很可能低于原始测量数据的潜力。

2.1。统计评估地形效应的一个时间点

一般来说,一个统计的目的比较头皮字段映射之间的两个或两个以上的条件在给定的时间点是测试是否有这些条件一直在活跃的来源不同。有趣的是,这些参数可以不估计这些资源的位置。这是因为头皮字段添加剂;如果两个来源是活跃在同一时刻,测量的数据是两个头皮字段的和产生的两个方面。这意味着我们还可以解释头皮字段在不同条件下观察到的差异。这种差异头皮字段与头皮相同字段之间的来源是不同的两个条件。(所有来源相同的两个条件取消当不同之处在于计算)。

为了测试是否有条件在活跃的来源不同,因此足以表明,头皮有这些条件之间的差异,而这些差异不太可能是偶然因素。避免任何偏见,这些证据可以基于量化的总体数量的不同活动,头皮场差异的整体实力。一旦这样的量词是可用的,它可以用来测试测量零假设。建议的量词和建议的统计测试依赖之前审查和发表论文2,4,5),下面简要解释。

全球和行之有效的量词头皮场强是全球领域的权力(GFP, [6,7])。见公式(1),GFP的计算类似于跨所有传感器的计算标准偏差 在哪里电压测量传感器吗,传感器的数量,是指测量所有传感器。GFP可以证明是引用独立。鉴于传感器阵列覆盖足够的一部分头皮,使用头皮的GFP领域差异量化实验操纵的影响因此,兼容三个重要事实头皮脑电图/梅格数据在介绍中提到的:(我)因为所有传感器都考虑进去,头皮领域由不同来源(s)考虑其最大可能的扩展(事实1没有问题);(2)因为所有传感器使用,假阴性基于头皮部分重叠的领域不太可能事实2(没有问题);(3)有独立的参考(与事实3没有问题)。

正如前面概述(3),使用不同的地图可以广义的GFP情况下超过两个条件和/或使用全球测量两个或两个以上的团体头皮领域的差异如下定义 在哪里条件和组的数量,是传感器的数量,学科之间的电压总平均的条件和/或组吗在传感器,大的意思是在对象和条件在传感器的电压吗。所有的数据必须与一般文献[3]。

如果不是一组/条件加入预测可以被认为是线性相关的活动一个未知来源,头皮字段由这组来源可以使用所谓的协方差估计的地图(4]。给定一组头皮领域的地图,在那里的指数是观察和是传感器,给出每个地图吗的预测协方差的地图和给出如下:

正如上面提到的,量化的整体实力来源,占预测协方差的GFP可以使用地图。在这种情况下,被定义为

认为在以往的论文(3),的价值取决于振幅均值差异条件和/或组,和一些随机方差在对象和条件。评估的意义的影响,我们的价值是否感兴趣仅仅是由于随机方差在条件和/或团体,还是至少部分引起的某些一致性的影响的测量结果在不同的组织和/或条件。这可以通过随机洗牌测试组和/或条件作业在每个主题和验算。由此产生的价值将只取决于随机方差在对象和条件,但最终一致性差异组和/或条件的对象(例如影响组织和/或条件)消除了随机化过程。任何价值随机洗牌后获得这样的一个实例在零假设下,说明一些差异是由于噪声。通过重复的随机洗牌和计算很多时候,一个人可以得到估计的分布在零假设下,比较的价值在现实数据对该分布。效应的意义,即零假设的概率,然后由随机获得值的百分比大于或等于的价值获得真实的数据。在文献中,过程比较组和/或条件被称为TANOVA(地形方差分析);如果使用一个线性预测,该术语TANCOVA(地形协方差分析)。

一般来说,非参数随机化统计上述这被有类似的统计力量称为经典参数测试如果假设由参数测试,否则和有更好的能力(8]。然而,一个重要的额外点时要考虑应用随机统计,可交换性。可交换性意味着效应大小的分布洗牌后保持不变。这可能成为一个问题在功能磁共振成像数据,生理的光谱数据在实验设计的光谱(或以下9];然而,脑电图和梅格,这是没有问题,因为要分析的事件通常很短,和瞬间可测量的传感器。此外,很明显,观察组的数量限制的数量可能的排列,设置一个自然下限可能水平的意义。

2.2。意义在时间间隔的统计评估

在ERP实验中,它通常不是一个先天清楚延迟窗口可以预期产生影响,需要探索和分析数据在许多时间帧。这可能明显增加假阳性结果的可能性由于多个测试,和一些测试的整体意义的影响是必要的。在以前的论文(2,3),我们提出了整体意义的获得这些指标估算可能是显著的总体计算时间点(在给定阈值的意义)可以被观察到的机会,或者有可能是观察一段时间显著影响会被观察到的机会。

如果随机统计计算,这样的整体统计数据可以直接来源于随机化的结果的进一步分析。Koenig Melie-Garcia 2010的描述之后,我们说明了程序的整体统计显著的时期。首先,选择一个阈值的意义,重要的时间点的数量的计数数据建立,这将作为整体效果的措施。和之前一样,这个效果需要相比,假阳性的数量分布的假定发生在零假设下。

在目前的情况下,我们可以估计的分布计算随机化的假阳性。我们评估,对每个随机化运行和时间点,一个“伪-值”定义为的情况下测量的百分比的比的措施获得剩下的随机化运行。对于一个给定的随机化运行因此,我们获得值在每个时刻,我们可以建立的计数值低于上述选择阈值的意义。这个数是这样的时间点的一个实例值低于临界阈值在零假设仍然在全球水平。如果这个数的假阳性是评估随机运行,估计其分布在零假设。大量的时间点的计算获得的原始数据对该分布进行比较,产生一个总体估计的意义不同。这个测试类似于集群大小统计描述了用于磁共振成像数据分析和其他地方(9]。

评估意义的持续时间的影响,类似的过程可以很容易地推断。

2.3。数据归一化

解释之间的显著差异的两个或两个以上的头皮字段,它有时是有用的区分两个具体案例。在一个案例中,活跃的颅内来源的分布是相同的在所有的情况下,和条件之间的差异可以解释为一个比例因子,通常这些活跃的来源。功能,因此解释这种差异的定量差异激活的存在显然类似的大脑功能。因为above-outlined颅内来源之间的线性关系和头皮实地测量,测量相同的论点可以如果头皮字段不同仅仅通过一个比例因子,是常见的传感器。如果(这是另一种情况)差异头皮字段不能仅仅解释为对所有传感器、比例因子共同活动颅内来源必须至少有部分不同的位置和/或取向,它可以被视为一种质变,表明至少部分不同的大脑功能了。为了区分这两种情况下,程序提供了可能性正常化前的头皮在传感器领域的方差统计测试计算。这就消除了潜在的比例差异的影响,这样重大的结果与规范化数据可以作为质变的证据,或者招聘的证据至少部分不同的大脑功能。因此,完成一个基于规范化数据的分析,因此建议在空间上运行单独的单变量统计方差的头皮实地测量,这是相同的分析全球领域力量(GFP) (6,7)的数据。GFP分析软件,但目前尚未实现将效仿。

2.4。头皮的可视化领域的差异

意味着头皮领域两个条件或组之间的差异可以很容易地使用不同的地图显示。如果以上两个条件必须同时相比,这个,然而,越来越复杂,因为之间的差异可能对所有可能有不同的空间分布。古典的方式来处理这类问题是多维标度(MDS)允许简化结果高维空间到低维的可视化,可以容易。基于矩阵相似在所有的观察,多维标度表示每个观察作为一个点在一个低维空间中,这样的亲密观察点最佳代表原来的相似之处。

在当前情况下,传感器的数量定义了空间维度的原始金额的结果;这已经被简化为一个二维空间,以显示在电脑屏幕上。之间的相似之处的意思是头皮的字段不同的条件和/或组织可以评估使用这些地图之间的协方差。在这种情况下,最佳代表整个矩阵的二维空间协方差是前两个特征向量之间跨越了从协方差矩阵(10,11]。对于可视化的目的,每个意味着头皮场投射到这两个特征向量,该收益率意味着不同的二维坐标头皮字段结果优化的二维空间。这些坐标的不同头皮字段显示为点在一个散点图。如果相对较近的两个点,这表明相应的头皮领域相对相似;如果两个点相对较远的地区,头皮领域相对不同。的方向不同两点之间的散点图和头皮分布第一和第二特征向量此外给出一个近似的头皮的分布场头皮区别这两个相应的场分布。

3所示。实现

这里给出的程序实现上面的描述统计程序与事件相关的统计比较脑电图和梅格多通道头皮字段数据在范围广泛的实验设计。它被称为肉酱(随机化图形用户界面),使这一指控的蔬菜炖肉。良好的蔬菜炖肉是通过慢慢烹饪许多不同的配料,直到他们难区别的;这种烹饪类似于程序的过程数据的熵增加随机化,直到其成分形成一个非结构化的混合物。

程序提供了可能性计算这些时间点或时间点的统计数据,或数据平均值一些指定的时间间隔。如果时间点按时间点统计,进一步提供了全面计算上述统计,防止多个测试时间的问题。一旦随机统计计算,程序显示所有的影响(主要影响和交互)线图显示了概率零假设作为时间的函数。如果时间阈值统计数据应用,时间的意义超过了临界时间另外标明。结果可以交互式地探索通过显示平均头皮领域属于这些因素之间及其内部构成影响。此外,这些意味着头皮字段显示使用多维标度。

除了上述程序,肉酱作为平台的实现进一步的统计工具,如微观状态统计数据。然而,由于这些方法仍然等待验证,一个独立的审查,和出版,他们没有进一步的讨论。

肉酱了Matlab下(http://www.mathwork.com/)和Windows 7。程序可用的形式下载独立编制Matlab图形用户界面为Windows使用Visual Studio 2005女士;因此没有必要Matlab许可证。源代码可以在请求,和Matlab背景应该确保跨平台可移植性。这个项目是免费的;我们尝试,但不保证,支持不明显的bug和问题从手册或论文。然而,我们请求用户发布基于程序的输出结果引用的一些概念上的论文(2- - - - - -4]或当前的纸。

程序使用标准,纯ASCII文本输入文件包含时间传感器矩阵头皮领域的潜力。这应该避免不兼容的数据格式的问题但无法控制提供可能的错误通道序列等等。检查导入的数据的正确性是用户的责任。

之前进口的程序允许保存和加载数据,设计的定义,并得到结果。Matlab程序总是保存全部信息标准文件:数据,分析参数,结果因此总是在相同的容器,排除不确定性结果取得了什么数据和参数。这些文件包含了结构使用的项目的所有信息。用户与Matlab的技能可以打开这些文件在Matlab (V7.10或以上)和提取或修改数据根据他们的需要,但必须注意不腐败的内部一致性可以获得信息或虚假的结果。此外,肉酱可以保存和加载Matlab数据文件(V6.0或更高);用户与Matlab技能可以使用这些图文件作为他们的数据基础。输出元文件和位图也可以,以及与电子表格应用程序使用的文本输出一样。

4所示。使用和样本分析

4.1。安装和更新

配上的安装包可以在下载http://www.thomaskoenig.ch/Ragu_pkg.exe。这个包包含了肉酱程序,安装程序所需的Matlab运行时库,更改程序的历史跨越时间。安装的运行时库是必要的,只有一次,以后安装新版本的肉酱,这是足以下载并运行该文件http://www.thomaskoenig.ch/Ragu_pkg_NoMCR.exe,这是小得多。要求第一作者,用户可以放在一个邮件列表,提醒你,每当一个新版本的程序被编译并上传。源代码也可用。

4.2。样本数据

作为一个例子,配上已经应用于一个数据集从斯坦et al。12]。对于这个实验,16名健康英语交换学生在瑞士生活了一年的时间被招募。受试者记录两次,一次在入职之初保持基本的德语技能时(第一天)和中间的留在改善德国语言技能(第二天)。在实验中,他们读德语句子语义正确(车轮是圆的)或false(花园害羞)的结局。众所周知从先前的研究产生的违反语义期望的第一部分句子(花园)产生一个ERP头皮字段名为N400在回答最后一句话(害羞),违反的程度成正比的单个语义预期寿命(13]。

这里的数据分析由四个条件:句子使用正确的结局在第一天,在第一天与错误的结局,在第二天与正确的和错误的句子结尾。这代表了一个2的阶乘设计组成的“天”的因素(每天1和2)和“期望”(正确或错误)。epr的记录从74年头皮的位置与一个250 Hz采样率,低通滤波在8赫兹,持续发作的最后一句词在刺激后1000毫秒。此外,所有受试者进行语言测试在第一天和第二天;因此,语言能力提高的总分从第一天到第二天。

4.3。数据导入

肉酱商店内部所有头皮字段数据分析在一个四维矩阵(对象的数量数量的条件传感器时间点)。导入数据,用户必须提供,为每个条件和主题,纯ASCII文件只有测量,对于每一个时间点,一行和一列传感器。文件的命名必须这样每个文件包含一个标签,为每个主题是独一无二的,和一个标签为每个条件是独一无二的;其余部分的所有文件的文件名必须是相同的。所有文件必须在相同的目录中(如果有几组对象),和丢失的数据是不允许的。

根据图1,在我们的示例中,我们与S * _C1搜索不同的文件。asc和定义4个条件:C1(正确的句子结束第一天),C2(正确的句子结束第二天),F1(错误的句子结束第一天),和F2(错误的句子结束第二天)。

一旦数据已经成功导入,一个可以进一步指定参数的采样率和延迟等事件发生,和蒙太奇(可能的格式是简单和在线帮助中指定),这有助于后来解释的结果。后数据及其附加参数定义,建议简要验证视图- >视图数据命令程序代表了数据是否如预期。

4.4。定义和理解受试的设计

在指定的实验设计是分开——和主客体因素。在对象,可以定义两个因素,每个因素可以有几个水平。如果定义了两个因素,两个因素必须是正交的水平。图2显示的对话框,用户可以输入实验的受试设计(设计- >在主题设计调用)。用户名可以每个因素和分配一个标签每个因素的水平,这将有助于为以后使用多维标度的解释结果。还可以排除一些条件因果分析的比较。

可见,如图2之前介绍过的,样本由包含两个层面的因素“期望”“正确”和“错误”和“天”的因素水平第一天和第二天。

一旦进口的所有数据,数据参数设置,和试设计被定义,程序可以计算相应的TANOVA。这些计算,许多选项可用(分析- >随机选项)。

最重要的是,正如上面所讨论的,它可以指定如果和之前如何规范化数据统计计算。如果选择原始数据的L2范数,每个人头皮的每个条件是统一方差比例。这是推荐的类型的正常化。为了向后兼容,也可以正常水平组/大意味着条件;这是调用通过选择不同(7为归一化)。

此外,可以选择随机化运行的数量。的推荐数量意义的准确的估计在5%的水平是1000,1%的水平,是5000分(8),但这么多的计算运行长,较低的数量也可以足够的信息用于探索性。

最后,它是可能的调整阈值意义的验收;这个会影响结果的显示和统计时间集群大小阈值。

第一个样本数据的分析,我们提出了基于以上纯粹的受试设计;所有科目预计将显示类似的效果,没有主客体因素定义。与这个设计运行TANOVA后,程序将显示一个图形与每个受试的重要性因素作为时间的函数(主要影响),(图和交互的因素3(左)的一部分。在样本数据集的情况下,我们因此获得一天的主要作用,预期寿命的主要影响,预期寿命和天的互动。用户可以点击这些图表;这将显示在选定的时间值。此外,所有组的平均头皮场分布和因素水平,形成影响的一部分(图所示3,对部分)。最后,对于头皮场分布是提交给一个多维标度和预计在前两个生成的特征向量。这些预测是一个散点图,如图所示3(右下部分)。这个散点图可以直观的解释的影响;进一步两个点分开,差异越大对应的意思是地图。图3说明了基于样本数据的显示。

4.5。定义和理解主客体之间的设计

除了能够调查受试两个因素,也可以定义一个主客体之间设计运行分析,占个人或群体的差异。当调用主客体之间设计对话框(设计- >主题设计之间),所有科目的程序列表的数据文件(任意)的条件,和用户可以分配到一个特定组的每个科目。另外,当检查“连续/排名数据”框,每个主题可以被指定一个值,量化一些个人间的因素。这个因素必须间隔或等级比例,将视为TANCOVA[协变量4]。如果有必要,个别科目也可以排除在分析之外。

在下面的样本数据的分析,我们将研究对象分成一组与德国水平高于中位数增加从第一天到第二天(“好学生”)和一组与德国水平低于中位数增加(图4(一))。计算TANOVA时,除了纯粹的受试的已知影响分析(图3),我们获得组成员之间的相互作用与天,组成员之间的相互作用与期望,和组成员的三重交互,一天,预期寿命(图5)。

这组的输出方差分析显示了一个晚天*集团的影响时间间隔800毫秒左右。

或者,而不是细分受试者入组根据他们的表现,可以调查是否有证据表明组件,学科之间是线性相关的性能。这种方法叫做TANCOVA,也可以在程序。通过检查“连续/排名数据”框在主客体之间设计对话框中,个人表现(本例中为学习速率)可以进入(图4 (b)),程序将计算TANCOVA。

在我们的示例中,我们调查了erp在第一天是否有预测价值的增加语言能力从第一天到第二天。图6显示计算的结果每时每刻TANCOVAs erp的语言能力的提高。

4.6。进一步统计

使用全局测量各渠道的差异消除多个测试传感器的问题,但由于之前的时间点进行了分析时间点,假阳性结果可能是由于多个测试时间。防止这些,可以计算统计的总体计算重要的时间点和重大影响的持续时间如上所述。图7显示和解释了这种整体阈值期间可以获得连续时间意义的点按时间点分析。简单的示例中,我们只使用正确的句子结尾的分析。在图8,获得持续时间阈值应用到TANOVA结果。

如果有一个先验假设约一个时间窗口,一些影响应该测试,一个也可以计算上述分析基于地形平均时间间隔。作为一个例子,我们组的结果的因素分析,期望,和组如上所述。基于集群的持续时间测试的结果(图8),我们想知道效果是否一致的时间点和稳定的如果我们平均信号女士780年和890年之间的时间点。我们又因此计算TANOVA平均时间。结果显示在图9。他们表明,效果确实是稳定在持续当平均时间点。

此外,和独立的比较组间和条件,程序包含一个模块计算地形一致性测试(TCT, (2]),评估,为每个组和条件,在此期间点证据有一个一致的模式积极来源科目(调用分析- >地形一致性检验);发现这种方法的详细说明(2]。这个测试可以开始计算的分析定义分析窗口。

如图10显示,有证据表明,共同激活学科之间在长期的时间。一致的地形的第一阶段持续到600到700毫秒中断之后,在年底前的数据。同样明显的是,测试的显著性水平的GFP ERP是成反比关系。

4.7。总结的结果

样本分析的结果显示交互效果的期望*天女士从600年到650年,主要是由于地形的差异正确单词结尾从第一天到第二天。此外,在该组织分析,相互影响一天*集团从780年到890年被女士。这种交互作用主要是由于地形的变化从第一天到第二天的不好的学习者。因为我们看到期望的交互*天是由于正确的字结局的差异,我们认为这可能也扮演了一定的角色相互影响天*组。因此,坏学生应该正确的词语改变处理从第一天到第二天。

我们测试我们的假设如上制定新的设计因素组和天与天只包含正确的句子结尾在第一天和第二天。这TANOVA导致一个更稳定的相互影响在同一时间框架表示的集群大小测试。计算这个新TANOVA再次平均在重要的时间导致了显著的交互组*天,表明效果是稳定的和一致的在各自的时间点。

最后,一致的地形测试支持我们的研究结果表明,正确的句子结尾的处理时间是在第二天比第一天短,而一致的地形的持续时间错误的句子结尾没有差异在第一天和第二天。

这个示例突出的优势,无需先验分析决策。先天的选择我们会分析有限搜索影响大约400女士由于先前的研究报导N400效应。我们会错过了结果发现800毫秒左右两侧地势差别主要是由于在回答正确的句子的结局。

5。讨论

在当前,我们提出软件设计计算统计分析头皮字段数据使用基于随机化的方法和算法技术,定制适合这些数据的特定属性和问题。方法,用户界面,并显示结果实现的程序应包含大部分的实验设计,维护一个可接受的程度的复杂性(与多个水平每个受试两个因素,一个主客体之间的因素,还与多个水平)。本文认为作为研究人员的介绍使用脑电图/梅格数据,想要理解的基本概念,利用软件的方法。更深入讨论的基础概念,我们参考其他出版物2- - - - - -4]。

而言的“流”分析与事件相关的头皮字段数据,本文提供的方法和工具提供了一个很好的起点,但通常不是一个详尽的分析的终点的数据集。开始的主要优势分析的方法提出的是,他们提供了健壮的、强大的、和生理意义的统计整个untransformed,无偏的测量。因此,不需要选择传感器,感兴趣的时间窗口,类型和参数的逆解,或其他先验选择,数据通知研究者是否和当有显著影响的一些实验操作。同时,意义表明,条件和组织参与激活效果至少部分不同来源,因此傲慢地不同的大脑功能。一旦建立了这样一个全球统计基础,数据可以进一步探索更多的本地传感器或操纵逆空间。换句话说,我们希望这里介绍的方法和工具可以帮助减少依赖先验统计证据的具体模型的选择。

进一步评论,这是在假设的一般差别在统计源水平相比在头皮上。一致的头皮字段显示源定位和源方向保持一致,而源方向通常不被认为是在voxel-wise统计逆解。以前认为[3),源定位的似乎是一个非常健壮的和敏感的特性ERP数据;所有结果平均诱发头皮电位意味着不仅来源的诱发电位的振幅是常数,而且他们的取向。的解释方向一致的变化意味着什么仍不清楚。另一方面,数据基于逆解显然取决于逆模型的假设的正确性。此外,至少对于分布式逆解,结果空间急剧膨胀没有增加自由度的数据,然后重跨压修正为多个测试需要应用因果纠正对于这个有些人为的问题。

程序的缺点(常见的所有程序都是基于随机化和重采样技术)是计算时间线性增长的随机化,从而使计算时间冗长的更大的数据集。在当前实现中,该项目作为一个单线程运行过程,这样它会创建在后台运行时有限的干扰性能。然而,并行计划在将来的版本中。

另一个限制是,学术软件和程序在不断发展。由于没有单独的α和β版本,它可能包含非法,更多的实验选择尚未用于公众(例如,在频域分析)。所以,除非你恰恰不知道会发生什么,请不要使用它们。最后,该项目与有限的资源开发和维护;注意表格的结果的合理性是强制性的;用户支持可能会变得有限,但建议,问题报告,批评总是受欢迎的。

引用

1. 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,“IEEE生物医学工程,46卷,不。3、245 - 259年,1999页。视图:谷歌学术搜索
2. t . Koenig和l . Melie-Garcia”方法来确定平均的存在与事件相关的字段使用随机测试,”大脑地形,3卷,第242 - 233页,2010年。视图:出版商的网站|谷歌学术搜索
3. t . Koenig和l . Melie-Garcia”多通道头皮字段数据,统计分析”电神经成像,t . Koenig c·m·米歇尔·d·布兰代斯·r·r·吉和j . Wackermann Eds。,页169 - 189年,剑桥大学出版社,2009年,英国剑桥。视图:谷歌学术搜索
4. t . Koenig l . Melie-Garcia m . Stein w·斯特里克,和c·莱曼,“建立相关性头皮领域的地图与其他实验变量使用协方差分析和重采样方法,”临床神经生理学,卷119,不。6,1262 - 1270年,2008页。视图:出版商的网站|谷歌学术搜索
5. w·k·斯特里克,a . j . Fallgatter·d·布兰代斯和r·d·Pascual-Marqui”的三维断层与事件相关电位在响应抑制:相位的额叶激活的证据,”脑电图与临床神经生理学,卷108,不。4、406 - 413年,1998页。视图:出版商的网站|谷歌学术搜索
6. d·莱曼和w . Skrandies Reference-free checkerboard-evoked多通道的识别组件潜在的领域,”脑电图与临床神经生理学,48卷,不。6,609 - 621年,1980页。视图:出版商的网站|谷歌学术搜索
7. d·莱曼和w . Skrandies空间分析产物的诱发电位检查。”神经生物学的进展,23卷,不。3、227 - 250年,1984页。视图:谷歌学术搜索
8. b·f·j .男子气概的随机化,引导和蒙特卡罗方法在生物学查普曼&大厅,佛罗里达州博卡拉顿,美国,2007年。
9. t·e·尼科尔斯和a . p .福尔摩斯”,非参数排列测试功能神经成像:底漆的例子,”人类大脑图谱,15卷,不。1、1 - 25,2002页。视图:出版商的网站|谷歌学术搜索
10. e·r·约翰·p·伊斯顿,l . s . Prichep和j·弗里德曼,“标准化的最大方差法描述符的事件相关电位:基本考虑,”大脑地形》第六卷,没有。2、143 - 162年,1993页。视图:谷歌学术搜索
11. j . Wackermann”对大脑的功能状态的定量描述:从全球线性非线性方法来描述,“国际心理生理学杂志,34卷,不。1,第80 - 65页,1999。视图:出版商的网站|谷歌学术搜索
12. m . Stein t·迪克斯·d·布兰代斯m . Wirth w•斯特里克和t . Koenig“可塑性在成年人的语言系统:一个纵向电生理研究第二语言学习,”科学杂志,33卷,不。2、774 - 783年,2006页。视图:出版商的网站|谷歌学术搜索
13. m .库塔和s . a . Hillyard“阅读毫无意义的句子:大脑潜力反映语义不一致,”科学,卷207,不。4427年,第205 - 203页,1980年。视图:谷歌学术搜索

版权

版权©2011年托马斯Koenig et al。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。