JoVE Logo
Autoren
Kontakt

Anmelden

Zum Anzeigen dieser Inhalte ist ein JoVE-Abonnement erforderlich. Melden Sie sich an oder starten Sie Ihre kostenlose Testversion.

In diesem Artikel

  • Zusammenfassung
  • Zusammenfassung
  • Einleitung
  • Protokoll
  • Ergebnisse
  • Diskussion
  • Offenlegungen
  • Danksagungen
  • Materialien
  • Referenzen
  • Nachdrucke und Genehmigungen

Zusammenfassung

Wir präsentieren zwei analytische Protokolle, die verwendet werden können, intrakranielle Elektroenzephalographie Datenanalyse mit Hilfe der statistischen Parametric Mapping (SPM) Software: statistische parametrische Zuordnung Zeit-Frequenz-Analyse für neuronale Aktivität und dynamische kausale Modellierung der induzierten Reaktionen für Intra - und inter - regionale Verbindungen.

Zusammenfassung

Neuronale Aktivität und Konnektivität Zusammenhang mit kognitiven Funktionen bei hoher räumlicher und zeitlicher Auflösung zu messen, ist ein wichtiges Ziel der kognitiven Neurowissenschaften. Intrakranielle Elektroenzephalographie (EEG) kann direkt elektrische neuralen Aktivität aufnehmen und hat das einzigartige Potential, dieses Ziel zu erreichen. Traditionell wurde durchschnittlich Analyse angewendet, um intrakranielle EEG-Daten zu analysieren; Allerdings gibt es mehrere neue Techniken für die Darstellung der neuronalen Aktivität und Intra - und inter - regionale Konnektivität. Hier stellen wir zwei analytische Protokolle, die wir vor kurzem angewendet, um intrakranielle EEG-Daten mit Hilfe der statistischen Parametric Mapping (SPM) Software zu analysieren: Zeit-Frequenzanalyse SPM für neuronale Aktivität und dynamische kausale Modellierung von induzierten Reaktionen für Intra - und inter - regionale Konnektivität. Wir berichten unsere Analyse der intrakraniellen EEG-Daten bei der Beobachtung von Gesichtern als repräsentative Ergebnisse. Die Ergebnisse zeigten, dass die minderwertigen occipital Gyrus (IOG) Gamma-Band-Aktivität bei sehr frühen Stadien (110 ms) als Reaktion auf Gesichter, und der IOG und Amygdala zeigten schnelle Intra - und inter - regionale Vernetzung mit verschiedenen Arten von Schwingungen zeigte. Diese analytische Protokolle haben das Potenzial, die neuronalen Mechanismen, die kognitive Funktionen mit hoher räumlicher und zeitlicher Profile zu identifizieren.

Einleitung

Neuronale Aktivität und Konnektivität Zusammenhang mit kognitiven Funktionen bei hoher räumlicher und zeitlicher Auflösung zu messen, ist eines der primären Ziele der kognitiven Neurowissenschaften. Allerdings ist es nicht einfach, dieses Ziel zu erreichen. Eine populäre Methode verwendet, um neuronale Aktivität aufzuzeichnen ist funktionelle Magnetresonanz-Bildgebung (MRI). Funktionelle MRT bietet mehrere Vorteile, wie eine hohe räumliche Auflösung auf Millimeter-Ebene und nicht-invasive Aufnahme zwar ein klarer Nachteil der funktionellen MRT seiner geringen zeitlichen Auflösung. Darüber hinaus misst funktionelle MRI Blut-Sauerstoff-Niveau-abhängigen Signale, die nur indirekt elektrische neuralen Aktivität widerspiegeln. Beliebte elektrophysiologische Methoden, einschließlich der Elektroenzephalographie (EEG) und Magnetoenzephalographie (MEG), haben hohe zeitliche Auflösungen auf die Millisekunde Ebene. Sie haben jedoch relativ geringe räumliche Auflösungen, weil sie elektrische/magnetische Signale an der Kopfhaut aufnehmen und schwierig inverse Probleme lösen müssen, um die Aktivität des Gehirns darstellen.

Intrakranielle EEG kann direkt elektrischen neuronalen Aktivität bei hohen zeitlichen (Millisekunden) und räumliche (Zentimeter) Auflösungen1aufnehmen. Diese Maßnahme bieten wertvolle Chancen, neuronale Aktivität und Konnektivität, zu verstehen, obwohl es klare Einschränkungen (z. B.messbare Regionen beschränken sich auf klinische Kriterien). Verschiedene intrakranielle EEG-Studien haben traditionelle durchschnittlich Analyse um neuronale Aktivität zeigen angewandt. Obwohl im Durchschnitt Analyse sensibel mal gesperrt und Niederfrequenz Band Aktivierung erkennen kann, es kann nicht erkennen, nicht-Phase-locked bzw. Aktivierung der Hochfrequenz (z. B. Gamma-Band). Darüber hinaus ist funktionelle neuronale Kopplung nicht ausführlich in der Literatur zu intrakraniellen EEG-Ableitungen analysiert worden. Vor kurzem wurden mehrere neue Techniken entwickelt, um neuronale Aktivität und Intra - und inter - regionale Vernetzung in funktionelle MRT und EEG/MEG Aufnahmen zeigen die angewendet werden können, um intrakranielle EEG-Daten zu analysieren.

Hier stellen wir analytische Protokolle, die wir vor kurzem angewendet haben, um intrakranielle EEG-Daten mit Hilfe der statistischen Parametric Mapping (SPM) Software zu analysieren. Erstens, die zeigen, wann und bei welcher Frequenz die Hirnregionen aktiviert werden konnte, führten wir Zeit-Frequenz SPM Analyse2. Diese Analyse zersetzt sich die Zeit- und Frequenzbereich Domains gleichzeitig über eine kontinuierliche Wavelet-Transformation und die simultane Fehlerquote (FWE) in der Zeit-Frequenz-Maps mit der zufälligen Feldtheorie entsprechend korrigiert. Zweitens haben wir um anzuzeigen wie Gehirnregionen kommunizieren, dynamische kausale Modellierung (DCM) induzierten Reaktionen4angewandt. DCM ermöglicht die Untersuchung von wirksamen Verbindungen (d. h. die kausalen und gerichtete Einflüsse unter Gehirn Regionen5). Obwohl DCM ursprünglich als Werkzeug zur Analyse der funktionellen MRT Daten5vorgeschlagen wurde, wurde DCM induzierten Reaktionen um zu analysieren, die zeitlich veränderliche Leistungsspektren der elektrophysiologischen Signalen4erweitert. Diese Analyse ermöglicht die Darstellung der beiden Intra - und inter - regionale neuronale Konnektivität. Einige neurophysiologische Studien haben vorgeschlagen, dass lokale intraregionale Berechnungen und weiträumige interregionale Kommunikation vor allem Gamma - und Theta-Band Schwingungen, bzw. verwenden, und ihre Interaktionen (z.B. Verladungen) können von Theta-Gamma Kreuz-Frequenz Kupplung3,6,7,8reflektiert werden. Dieser Bericht konzentriert sich auf das analytische Datenprotokoll; einen Überblick über Hintergrund Informationen9,10 und Aufnahme Protokolle11 von intrakraniellen EEG entnehmen Sie bitte der Literatur.

Protokoll

Unsere Studie wurde von der lokalen institutionellen Ethikkommission genehmigt.

1. grundsätzliche Informationen

Hinweis: Die analytische Protokolle können auf verschiedene Arten von Daten ohne Einschränkungen bezüglich bestimmten Teilnehmern, Elektroden, Referenzmethoden oder Elektrode Standorten angewendet werden. In unserem Beispiel haben wir sechs Patienten, die pharmakologisch hartnäckigen fokale Epilepsie leiden getestet. Wir haben Patienten, die keine epileptische Herde in den Regionen von Interesse.

  1. Intrakranielle EEG Daten während des kognitiven Tests an den Ziel-Elektroden.
    1. Implantat Tiefe Elektroden verwenden die stereotaktische Methode12.
    2. Verwenden subdurale Platin-Elektroden (Durchmesser: 2,3 mm) und Tiefe Platin-Elektroden (Durchmesser: 0,8 mm), kortikale und subkortikale Aktivität, bzw. gleichzeitig zu messen.
    3. Die Oberfläche des Schädels von der Mittellinie dorsalen frontalen Region, mit den Kontakten der Elektroden den Schädel zu referentielle Aktivierung12abgewandten setzen Sie Referenzelektroden auf.
    4. Daten zu verstärken, Online-filter (Bandpass: 0,5 – 300 Hz), und bei 1000 Hz.
    5. Um aufzuzeichnen und statistisch verbunden mit Augenbewegungen Artefakte zu entfernen, zusätzlich nehmen Sie Electrooculograms auf. Wählen Sie die Ziel-Elektroden basierend auf theoretischen Interessen. Darüber hinaus verwenden Sie einzelne MRT- und CT-Daten, um die Elektrode Positionen zu überprüfen.
  2. Probieren Sie und vorverarbeiten Sie intrakranielle EEG Studiendaten (Abbildung 1).
    Hinweis: Die analytische Protokolle können auf verschiedene Arten von Daten ohne Einschränkung auf bestimmte Daten oder Vorverarbeitung Methoden angewendet werden.
    1. Hier, während 3.000 ms Beispieldaten (Pre-Impulse: 1.000 ms; Post-Impuls: 2.000 ms) für jeden Versuch.
    2. Da Teilnehmer zeigten hier ungewöhnlich hoher Amplitude Aktivität in einigen Studien, möglicherweise im Zusammenhang mit Epilepsie, diese Ausreißer-Studien mit vordefinierten Schwellen auszuschließen (> 800 μV und > 5 SD). Weitere Vorverarbeitung Schritte, einschließlich Sichtprüfung und unabhängige Bauteilanalyse, sein abhängig von den experimentellen Ziele erforderlich.
  3. Umwandeln Sie das native Format des EEG in ein MATLAB-basierten SPM-Format, (vgl. SPM12 Handbuch 12.1 und 12.2).
    Hinweis: Die meisten EEG-Datenformate können direkt in SPM-Software importiert werden durch Umwandlung in die Benutzeroberfläche von SPM-Batch-Editor auswählen und unter Angabe aller erforderlichen Eingangsparameter. Eine weitere Möglichkeit ist ein Beispielskript "spm_eeg_convert_arbitrary_data.m" im Unterverzeichnis "Mann/Example_scripts" von SPM-Programm-Verzeichnis verwenden. Dieses Skript bietet eine bequeme Möglichkeit zum konvertieren eine ASCII-Datei oder MAT-Datei, die durch viele EEG-System mit SPM-Format exportiert werden können.

(2) SPM Zeit-Frequenz-Analyse

  1. Einrichten von SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) und verwenden Sie die M/EEG analytische Menü13 (Abbildung 2).
  2. Durchführen der Zeit-Frequenz SPM Analyse2 durch Auswahl von "Zeit-Frequenz-Analyse" im Menü SPM für die vorverarbeiteten intrakraniellen EEG-Daten jeder Studie über kontinuierliche Wavelet Zersetzung mit Morlet Wavelet basierend auf vordefinierten Parametern ( Abbildung 3).
    Hinweis: Wavelet-Transformationen zeigen die zeitliche Entwicklung des spektralen Anteile von convolving intrakranielle EEG-Daten mit Wavelets mehrere Frequenzen14.
    1. Hier führen Wavelet Zersetzung mit sieben-Zyklus Morlet Wavelet für die gesamte Epoche (-1,000 – 2.000 ms) und Frequenzbereich von 4 bis 300 Hz.
    2. Bestimmen Sie die Mutter Wavelet und Anzahl der Zyklen, die basierend auf einer früheren Studie15. Beachten Sie, dass die Anzahl der Zyklen in der Wavelet die Zeit-Frequenz-Auflösungen steuert und empfohlen wird, mehr als 5 Schätzung Stabilität13sicherzustellen.
    3. Zeit- und Frequenzbereich reicht auf der Grundlage der Forschungsinteresses zu bestimmen.
  3. Schneiden Sie die daraus resultierende Zeit-Frequenz-Karten automatisch durch die Auswahl "Crop" im Menü SPM, Randeffekte zu entfernen. Hier schneiden die Zeit-Frequenz-Karten in-200 – 500 ms.
  4. Führen Sie die Transformation der Daten (optional) und Basislinienkorrektur durch Auswahl von "Zeit-Frequenz Rescale" im Menü "SPM" für die Zeit-Frequenz-Karten zu visualisieren die veranstaltungsbezogenen Leistungsänderungen besser und verbessern die Normalität der Daten.
    Hinweis: Hier die Zeit-Frequenz-Karten waren Log umgewandelt und die Basislinie (-200 – 0 ms)-korrigiert.
  5. Umwandeln Sie die Zeit-Frequenz-Karten in zweidimensionalen (2D) Bilder durch Auswahl von "Convert2Images" im Menü "SPM".
    1. Glatt mit "glockenförmig" Kernel mit einem vordefinierten voller Breite Hälfte-Maximum (FWHM) Wert zu Inter unterliegt Schwankungen kompensieren und entsprechen den Annahmen der zufälligen Feldtheorie verwendet in der statistischen Inferenz2,13 .
      Hinweis: Hier wurden die Zeit-Frequenz-Karten mit einem "glockenförmig" Kernel FWHM von 96 ms im Zeitbereich und 12 Hz im Frequenzbereich basierend auf einer früheren Studie2geglättet.
  6. Geben Sie die 2D-Bilder in das allgemeine lineare Modell durch die Auswahl "geben Sie 1st-Level" im Menü "SPM".
  7. Schätzen Sie das allgemeine lineare Modell durch die Auswahl "Modellschätzung" im Menü "SPM".
  8. Führen Sie statistische Schlüsse auf die Zeit-Frequenz SPM {T} Daten basierend auf der zufälligen Feldtheorie2 durch die Auswahl "Ergebnisse" im Menü "SPM". Erkennen Sie deutlich aktivierten Zeit-Frequenz-Cluster mit vordefinierten Schwellen (möglicherweise für Mehrfachvergleiche korrigiert).
    Hinweis: Hier der Umfang Schwelle p < 0,05, die FWE korrigiert für multiple Vergleiche mit einer Höhe Schwelle von p < 0,001 (unkorrigiert) diente.

3. DCM induzierten Reaktionen

  1. Einrichten von SPM12 (http://www.fil.ion.ucl.ac.uk/spm/) und M/EEG analytische Menü13 (Abbildung 4) zu verwenden.
    1. Starten Sie DCM-Analyse "DCM" Schaltfläche im Menü SPM. Aktivieren Sie DCM für induzierte Reaktionen durch die Auswahl "IND" in dem Listenfeld ". Importieren Sie die vorverarbeiteten intrakraniellen EEG-Daten durch Klicken auf "neue Daten" im ASM für M/EEG-Menü.
  2. Geben Sie Zeitfenster von Zinsen, Bedingungen von Interesse, Kontraste für die ausgewählten Bedingungen (dies definieren die Modulation Eingaben später verwendet in Netzwerk-Spezifikation), Frequenzfenster von Interesse und die Anzahl der Wavelet-Zyklen im ASM für M/EEG-Menü an ( ( Abbildung 5).
    1. Verwenden Sie fünf-Zyklus Morlet Wavelet (4 – 100 Hz in 1 Hz-Schritten) und das Zeitfenster auf 1 – 500 ms.
    2. Bestimmen Sie die Wavelet-Zyklus entsprechend der Standardeinstellung. Beachten Sie, dass die Software Empfehlung ist der Wert größer als 5 Schätzung Stabilität13sicherzustellen. Die Zeit – Frequenzbereiche wurden basierend auf unser Forschungsinteresse bestimmt. Beachten Sie, dass ein Zeitfenster mit einem zusätzlichen ± 512 ms automatisch während der Berechnung verwendet wurde, um Randeffekte zu entfernen.
  3. Basierend auf der DCM Rahmen4,5, definieren (1) fahren Eingänge, die repräsentieren die Sinneseindrücke auf neuronale Zustände; (2) innere Verbindungen, die welche die Grundlinie Konnektivität unter neuronale Zustände und selbst Verbindungen zu verkörpern; und (3) modulierende Effekte auf inneren Verbindungen über experimentelle Manipulationen bei null und hypothetischen Modellen. Auch die Art der Modulation als linear (innerhalb-Frequenz) oder nichtlineare (zwischen-Frequenz) definieren.
    1. Intrinsische (linear und nichtlinear) Verbindungen, treibende Eingänge und Modulation Eingänge in die DCM für M/EEG-Menü angeben.
    2. Ändern Sie die Standardeinstellungen für einige Parameter (z.B. vorherige Reiz Beginn Uhrzeit und Dauer), bei Bedarf. Schätzen Sie die Modelle durch die Auswahl "invert DCM" im ASM für M/EEG-Menü. Danach wählen Sie Speichern Ergebnisse als Img Frequenz-Häufigkeit modulierende Kupplung Parameter Bilder.
  4. Führen Sie einen zufälligen Effekten Bayesianischen Modell Auswahl (BMS) Analyse17 durch Klicken auf "BMS" im ASM für M/EEG-Menü, das optimale Netzwerkmodell zu identifizieren. Verwenden Sie das Modell erwartet Wahrscheinlichkeiten und/oder Überschreitung Wahrscheinlichkeiten als Evaluationsmaßnahmen.
  5. Rückschlüsse ziehen über das Kreuz-Frequenzmuster der modulierende Verbindungen mit der preisgekrönten Modellparameter mit dem SPM-Menü (siehe Schritt2).
    1. Glätten Sie die modulierende Kupplung Parameter Bilder durch Auswahl von "Convert2Images" im Menü "SPM".
    2. Analysen Sie allgemeines lineares Modell durch die Auswahl "Geben Sie 2nd-Level" im Menü "SPM".
    3. Berechnen Sie die 2D SPM {T}-Werte durch die Auswahl "Ergebnisse" im Menü "SPM".
      Hinweis: Hier wurde die FWHM bei 8 Hz, basierend auf einer früheren Studie4festgelegt. Signifikante Werte wurden exploratorily mit einer Höhe Schwelle p < 0,05 (unkorrigiert).

Ergebnisse

Mit dem Protokoll enthaltenen, analysierten wir intrakranielle EEG-Daten in Reaktion auf Gesichter18,19. Wir aufgezeichnete Daten von sechs Patienten während der passive Betrachtung von Gesichtern, Mosaiken und Häuser in aufrechten und invertiert Orientierungen. Die Kontraste der aufrechten Gesichtern gegenüber aufrecht Mosaiken und gerader Schriftschnitt gegen aufrechte Häuser zeigten die Gesicht-Effekt (

Diskussion

Die analytische Protokolle für intrakranielle EEG-Daten mit der SPM-Software eingeführt hierin haben mehrere Vorteile gegenüber funktionelle MRI. Erstens können die Protokolle neuronalen Aktivierung mit einer hohen zeitlichen Auflösung darstellen. Daher zeigen die Ergebnisse, ob die kognitive Korrelate der neuronalen Aktivierung auf frühen oder späten Stadien der Verarbeitung umgesetzt werden. In unserem Beispiel wurde die Gesicht-Effekt der visuellen Verarbeitung in den sehr frühen Stadien (d. h. 110 ms...

Offenlegungen

Die Autoren haben nichts preisgeben.

Danksagungen

Diese Studie wurde unterstützt durch Mittel aus dem Benesse Corporation, Japan Society for Promotion of Science (JSPS) Finanzierung Programm für die nächste Generation weltweit führende Forscher (LZ008), der Organisation für die Förderung der Forschung auf Entwicklungsstörungen des, und die JSPS KAKENHI (15K 04185; 18K 03174).

Materialien

NameCompanyCatalog NumberComments
none

Referenzen

  1. Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).
  2. Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
  3. Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
  4. Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
  5. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
  6. Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
  7. Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
  8. Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191 (2010).
  9. Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
  10. Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
  11. Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993 (2012).
  12. Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
  13. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
  14. Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
  15. Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
  16. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  17. Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
  18. Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
  19. Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
  20. Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition?. Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
  21. Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
  22. Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
  23. Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
  24. Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
  25. Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
  26. Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
  27. Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
  28. Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
  29. Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
  30. Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
  31. Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
  32. Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351 (2016).
  33. Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
  34. Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
  35. Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
  36. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  37. Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
  38. Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Weitere Artikel entdecken

NeurowissenschaftenAusgabe 140Kreuz Frequenz Kupplungdynamische kausale Modellierung DCMGesichtGamma Schwingungminderwertige occipital Gyrusintrakranielle Elektroenzephalographie EEGZeit Frequenz Analyse

This article has been published

Video Coming Soon

JoVE Logo

Datenschutz

Nutzungsbedingungen

Richtlinien

Kontakt

BIBLIOTHEKS-EMPFEHLUNG

JoVE-Newsletter

Forschung

Lehre

Autoren

Bibliothekare

ÜBER JoVE

Copyright © 2025 MyJoVE Corporation. Alle Rechte vorbehalten