1. Acquisition EEG <ol><li> Expliquer les procédures expérimentales pour le participant et obtenir un consentement éclairé. </li><li> Appliquer déroulantes électrodes. Nettoyer la zone du visage où électrodes déroulant ci seront situés en un tampon imbibé d&#39;alcool. </li><li> Placer capuchon d&#39;électrode sur la tête du participant. Mesurez la circonférence de la tête du participant et choisissez la taille de chapeau approprié. Après le système 10-20 internationalement reconnu pour le placement des électrodes, mesurer la distance entre nasion inion le long de la ligne médiane et diviser par 10%. En utilisant ce nombre, à la hauteur de nasion et marque. Aligner l&#39;électrode bouchon poste Fp avec cette marque et tirer le capuchon. Assurez-vous que le centre de la calotte est en ligne avec le nez. Mesurer nasion Cz, et de confirmer que cette distance est la moitié de la distance nasion inion. Serrez la jugulaire. </li><li> Placer le gel-rempli seringue émoussée point dans les porte-électrodes. Pour créer une colonne de gel conducteur, commencer en contact avecle cuir chevelu, puis presser et tirer en arrière. Notez que l&#39;application de trop de gel peut combler les signaux des électrodes voisines. </li><li> Fixer électrodes actives dans les supports d&#39;électrodes. </li><li> Placer l&#39;objet en face de l&#39;écran à la distance appropriée pour l&#39;expérience. Demandez au participant de rester immobile, en insistant sur l&#39;importance de minimiser les mouvements oculaires et clignote pendant un enregistrement propre. </li><li> Examiner les connexions d&#39;électrodes et de la qualité du signal EEG sur l&#39;ordinateur d&#39;acquisition. Assurez-vous que tous les décalages d&#39;électrodes sont faibles (&lt;40 mV) et stable. S&#39;il ya un problème avec une électrode particulière, sortez cette électrode et réappliquer gel pour ajuster les impédances sur ce site. </li><li> Enregistrez le fichier et commencer l&#39;expérience. </li></ol> 2. Analyse EEG <ol><li> Après l&#39;expérimentation, mais avant d&#39;en extraire la statistique d&#39;intérêt particulier, prétraiter les données de l&#39;EEG continu pour éliminer les artefacts en utilisant des procédures standard de filtrage d&#39;unnd rejet d&#39;artefact. Couper l&#39;EEG continu en époques correspondant à chaque événement discret, comme la présentation de la photographie. Dans chaque époque, comporter une fenêtre de pré-stimulus de 100 ms comme référence. </li><li> Potentiels (ERP) analyse liées à l&#39;événement capte l&#39;activité cérébrale synchrone qui est verrouillé en phase sur le début de l&#39;événement. Moyenne entre les essais de séparer les réponses évoquées du «bruit» (c&#39;est à dire non à verrouillage de phase) l&#39;activité de fond. La variabilité entre les essais et inter-sujets constitue un défi majeur pour la méthode ERP d&#39;analyse. Pour obtenir un bon rapport signal-sur-bruit le protocole expérimental devrait inclure de nombreux événements discrets avec onsets définissables. Temps de blocage de la réponse du cerveau à l&#39;apparition d&#39;un événement marquant, puis en moyenne plus nombreux événements comme aide à réduire une partie de ce bruit, mais la synchronisation temporelle créée par cette procédure se dissout typiquement moins de 1 sec. Identifier les ERP amplitudes et latences des pics composants pour chaque sousprojet (pour des directives plus détaillées sur l&#39;analyse ERP, voir Picton et al., 2000). </li><li> Utilisation de l&#39;analyse de Fourier, de transformer le signal EEG à partir du domaine temporel vers le domaine fréquentiel, et décomposer le signal en ses ondes sinusoïdales composites de différentes fréquences 6. </li><li> Multiscale entropie (MSE) est une métrique de théorie de l&#39;information qui permet d&#39;estimer la variabilité des signaux neuroelectical dans le temps et sur plusieurs échelles de temps. Pour fournir une représentation conceptuelle de l&#39;analyse MSE, envisager deux formes d&#39;onde simulée, une forme d&#39;onde régulière et une plus stochastique. valeurs de l&#39;entropie de l&#39;échantillon sont proches de zéro pour la forme d&#39;onde régulière et ~ 2,5 pour la forme d&#39;onde plus variable. Une augmentation de l&#39;entropie échantillon correspond à une augmentation de la complexité du signal, qui, selon la théorie de l&#39;information, peut être interprété comme une augmentation de la quantité de capacité de traitement de l&#39;information du système sous-jacent 7,16. Rappelez-vous que la capacité d&#39;un cerveau n&#39;est pas fixe mais les changements DePending sur le cadre 2 de neurones, à savoir les régions du cerveau qui se trouvent être connecté fonctionnellement à un point donné dans le temps. </li><li> Pour calculer MSE, utiliser l&#39;algorithme disponible à <a href="http://www.physionet.org/physiotools/mse/">www.physionet.org/physiotools/mse/</a> , qui calcule MSE en deux étapes. </li><li> Tout d&#39;abord, l&#39;algorithme diminuait progressivement échantillons de la série chronologique EEG par essai et par état. Bas-échantillon de la série chronologique originale de générer des séries chronologiques multiples pour différentes échelles de temps. une série de temps est la série temporelle d&#39;origine. Pour créer la série temporelle des échelles de temps ultérieurs, diviser la série temporelle d&#39;origine dans les fenêtres ne se chevauchent pas de l&#39;échelle de temps et la longueur moyenne des points de données dans chaque fenêtre. De sous-échantillonnage est similaire à un filtrage passe-bas; diviser la fréquence d&#39;échantillonnage par l&#39;échelle de temps se rapprochera de la fréquence à laquelle le signal est filtré passe-bas pour que échelle de temps particulier. L&#39;application de MSE à un pied d&#39;égalitégamme de fréquence particulière (par exemple, l&#39;alpha: 9 Hz à 12 Hz) peut être interprété comme représentant la composition des rythmes intérieur de cette fourchette, ainsi que de l&#39;interaction entre ces fréquences. </li><li> Deuxièmement, l&#39;algorithme calcule l&#39;entropie de l&#39;échantillon pour chaque série temporelle grossière 14. entropie de l&#39;échantillon estime que la complexité d&#39;une série chronologique. Dans une analyse non linéaire de l&#39;EEG, on suppose qu&#39;une série montre individuel représente la manifestation d&#39;un modèle dynamique non-linéaire multi-dimensionnelle sous-jacent (voir Stam, 2005 pour une revue). Dans cet exemple, le m (la longueur du motif) est fixé à deux, ce qui signifie que la variation du motif d&#39;amplitude de chaque série chronologique est représenté dans un espace bidimensionnel par rapport à trois dimensions en prenant en compte le modèle de séquence de deux par rapport à trois consécutive points de données, respectivement. Le paramètre r (le critère de similarité), illustre le spectre d&#39;amplitude (indiquée par la hauteur des bandes colorées) dans laquelle des données indique unere considéré comme &quot;match&quot;. Pour une série chronologique EEG typique avec plus de 100 points de données, définissez le paramètre m égal à 2 et le paramètre r égale à une valeur comprise entre 0,5 et 1 (voir Richman et Moorman, 2000; une procédure détaillée sur la sélection des paramètres référer au lac et al., 2002). Pour calculer l&#39;entropie échantillon de cette série de temps simulé, commencer par le premier motif de séquence à deux composants, rouge-orange. Tout d&#39;abord, compter le nombre de fois que le motif de séquence rouge-orange se produit dans la série temporelle, il ya 10 correspondant à cette séquence à deux composants. D&#39;autre part, comptent le nombre de fois où premier motif de séquence à trois composants, rouge-jaune-orange, se produit dans la série temporelle, il ya 5 correspondant à cette séquence à trois composants. Continuer avec les mêmes opérations pour la séquence à deux composants suivant (jaune-orange) et la séquence de trois composant suivant (orange-jaune-vert) de la série chronologique. Le nombre de matchs à deux composants (5) et des allumettes à trois composants (3) pour ces séquentielleCES sont ajoutés aux valeurs précédentes (total correspond à deux composants = 15; Nombre total de matches à trois composantes = 8). Répétez l&#39;opération pour tous les autres matches de séquence dans la série chronologique (jusqu&#39;à N - m) afin de déterminer le ratio total de matchs à deux composants pour les matchs à trois composants. entropie de l&#39;échantillon est le logarithme naturel de ce ratio. Pour chaque sujet, calculer l&#39;estimation du MSE spécifique des canaux comme le moyen pour des mesures d&#39;entropie simples d&#39;essai pour chaque échelle de temps. </li></ol>

<ol>
	<li>Bressler, S. L., Arbib, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Event-related+potentials.">Event-related potentials.</a> The Handbook of Brain Theory and Neural Networks. , 412-415 (2002).</li><li>Bressler, S. L., McIntosh, A. R., Jirsa, V. K., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+role+of+neural+context+in+large-scale+neurocognitive+network+operations.">The role of neural context in large-scale neurocognitive network operations.</a> Springer Handbook on Brain Connectivity. , 403-419 (2007).</li><li>Buzsaki, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Rhythms of the brain. , (2006).</li><li>Costa, M., Goldberger, A., Peng, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multiscale+entropy+analysis+of+biological+signals.">Multiscale entropy analysis of biological signals.</a> Phys. Rev. E. 712, 1-18 (2005).</li><li>Deco, G., Jirsa, V., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Emerging+concepts+for+the+dynamical+organization+of+resting-state+activity+in+the+brain.">Emerging concepts for the dynamical organization of resting-state activity in the brain.</a> Nat. Rev. Neurosci. 12, 43-56 (2011).</li><li>Friston, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+labile+brain.+I.+Neuronal+transients+and+nonlinear+coupling.">The labile brain. I. Neuronal transients and nonlinear coupling.</a> Philos. Trans. R. Soc. Lond. B. Biol. Sci. 355, 215-236 (2001).</li><li>Gatlin, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Information Theory and the Living System. , (1972).</li><li>Heisz, J. J., Shedden, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Semantic+learning+modifies+perceptual+face+processing.">Semantic learning modifies perceptual face processing.</a> Journal of Cognitive Neuroscience. 21, 1127-1134 (2009).</li><li>Heisz, J. J., Shedden, J. M., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Relating+brain+signal+variability+to+knowledge+representation.">Relating brain signal variability to knowledge representation.</a> NeuroImage. 63, 1384-13 (2012).</li><li>Lake, D. E., Richman, J. S., Griffin, P., Moorman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sample+entropy+analysis+of+neonatal+heart+rate+variability.">Sample entropy analysis of neonatal heart rate variability.</a> Am. J. Physiol. Regul. Integr. Comp. Physiol. 283, R789-R797 (2002).</li><li>Lobaugh, N. J., West, R., McIntosh, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatiotemporal+analysis+of+experimental+differences+in+event-related+potential+data+with+partial+least+squares.">Spatiotemporal analysis of experimental differences in event-related potential data with partial least squares.</a> Psychophysio. 38, 517-530 (2001).</li><li>McIntosh, A. R., Kovacevic, N., Itier, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Increased+brain+signal+variability+accompanies+behavioral+variability+in+development.">Increased brain signal variability accompanies behavioral variability in development.</a> PLoS Computational Biology. 4, 7 (2008).</li><li>Picton, T. W., Bentin, S., Berg, P., Donchin, E., Hillyard, S. A., Johnson, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Guidelines+for+using+human+event-related+potentials+to+study+cognition:+Recording+standards+and+publication+criteria.">Guidelines for using human event-related potentials to study cognition: Recording standards and publication criteria.</a> Psychophysiology. 37, 127-152 (2000).</li><li>Richman, J. S., Moorman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Physiological+time+series+analysis+using+approximate+entropy+and+sample+entropy.">Physiological time series analysis using approximate entropy and sample entropy.</a> Am. J. Physiol. Heart Circ Physiol. 278, H2039-H2049 (2000).</li><li>Rossion, B., Jacques, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Does+physical+interstimulus+variance+account+for+early+electrophysiological+face+sensitivity+responses+in+the+human+brain?+Ten+lessons+on+the+N170.">Does physical interstimulus variance account for early electrophysiological face sensitivity responses in the human brain? Ten lessons on the N170.</a> NeuroImage. 39, 1959-1979 (2008).</li><li>Shannon, C. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Mathematical+Theory+of+Communication.">A Mathematical Theory of Communication.</a> The Bell System Technical Journal. 27, 379-423 (1948).</li><li>Stam, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nonlinear+dynamical+analysis+of+EEG+and+MEG:+review+of+an+emerging+field.">Nonlinear dynamical analysis of EEG and MEG: review of an emerging field.</a> Clinical Neurophysiology. 116, 2266-2301 (2005).</li><li>Vakorin, V. A., McIntosh, A. R., Rabinovich, M. I., Friston, K. J., Varona, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mapping+the+multi-scale+information+content+of+complex+brain+signals.">Mapping the multi-scale information content of complex brain signals.</a> Principles of Brain Dynamics: Global State Interactions. , (2012).</li></ol>

Aucun conflit d&#39;intérêt déclaré.

L&#39;objectif du présent article est de fournir une description conceptuelle et méthodologique de multi entropie (MSE), tel qu&#39;il s&#39;applique à des données de neuro-imagerie EEG. EEG est une technique de neuro-imagerie non-invasive puissant qui mesure l&#39;activité de réseau neuronal avec la haute résolution temporelle. Le signal EEG reflète l&#39;activité post-synaptique des populations de cellules pyramidales dans le cortex, dont les réponses collectives sont modifiées par diverses connexions rentrantes excitateurs et inhibiteurs. En conséquence, il existe plusieurs façons d&#39;analyser les données de l&#39;EEG et chaque méthode extrait un aspect unique des données. Nous avons discuté de deux méthodes courantes d&#39;analyse: potentiel (ERP) analyse liées à l&#39;événement et l&#39;analyse spectrale de puissance. Analyse ERP capte l&#39;activité neuronale synchrone dans le signal EEG qui est verrouillé en phase à l&#39;apparition d&#39;un événement discret. ERP reflètent spécifique perceptif, moteur, ou des opérations cognitives, ce qui rend cette statistique idéal pour examiner specétapes de traitement IFIC. L&#39;analyse de puissance spectrale quantifie la contribution relative d&#39;une fréquence particulière pour le signal EEG. Plusieurs boucles de rétroaction excitatrices et inhibitrices interagissent pour entraîner l&#39;activité de populations neuronales à une fréquence particulière 1,3. Une telle synchronie entre les régions du cerveau disparates est pensé pour favoriser la liaison de l&#39;information à travers les réseaux de neurones répandues. Il ya une riche littérature soutenant le lien entre la puissance dans une plage de fréquence particulière et un état ​​émotionnel ou cognitif spécifique de la fonction 3. Lors de l&#39;analyse EEG, il est également important de garder à l&#39;esprit que les réseaux neuronaux sont des systèmes complexes avec des dynamiques non-linéaires. Cette complexité se reflète dans le signal EEG comme oscillations irrégulières qui ne sont pas la conséquence d&#39;une signification bruit de fond. Comme activité oscillatoire synchrone, les interactions entre les différentes boucles rentrants excitateurs et inhibiteurs causent la grippe transitoirectuations dans le signal cérébral au cours du temps 6. Ces transitoires sont censés refléter les transitions ou des bifurcations entre les micro-réseaux qui peuvent être utilisés pour estimer les degrés de liberté ou la complexité du réseau sous-jacent, une plus grande variabilité dans le modèle amplitude du signal au cours du temps est révélatrice d&#39;un système plus complexe 5. Critique, des analyses spectrales de puissance ERP ou ne sont pas sensibles à une telle activité irrégulière, alors que MSE est. En outre, un indice de la complexité du réseau ne peut être obtenu en comptant simplement le nombre de régions actives du cerveau comme une telle méthode est aveugle aux interactions récurrentes transitoires et dynamiques entre les régions du cerveau. Méthodes complémentaires pour la neuroimagerie analyse se combinent pour créer une image complète de l&#39;activité neuronale sous-jacente. L&#39;interprétation des résultats des applications plus traditionnelles de données de neuro-imagerie, telles que ERP et spectrale de puissance, sont complétées par des mesures de complexité comme MSE; MSE fournit un moyen de capturer la séquence des changements dans les tendances spatio-temporelles de l&#39;activité cérébrale dans de multiples délais qui contribue à un fonctionnement cognitif spécifique. Application MSE aux ensembles de données nouvelles et existantes peuvent fournir plus de renseignements sur la façon dont la connaissance émerge de la dynamique des réseaux neuronaux.

Les progrès récents de neuro-imagerie ont considérablement augmenté notre compréhension du fonctionnement du cerveau. Cependant, la plupart des applications des données de neuro-imagerie ont tendance à renforcer le point de vue du cerveau dans des états statiques plutôt que d&#39;insister sur des opérations cognitives telles qu&#39;elles se déroulent en temps réel. Par conséquent, on en sait peu sur la structure spatio-temporelle des réseaux cérébraux et comment la séquence des changements dans les modes spatio-temporelles sur plusieurs échelles de temps contribue à un fonctionnement cognitif spécifique. Le présent article décrit multi entropie (MSE) 5, un nouvel outil analytique pour la neuro-imagerie données qui examine la complexité de la structure spatio-temporelle qui sous-tend les opérations de la cognition spécifiques en fournissant des informations sur la façon dont différents générateurs de neurones dans un réseau communiquent cérébrale fonctionnelle sur plusieurs échelles de temps. Dérivé de la théorie de l&#39;information, une branche des mathématiques appliquées 7,16, MSE était originalment conçue pour examiner la complexité des électrocardiogrammes 4. En théorie, MSE pourrait être utilisé pour analyser la complexité d&#39;une série de temps; la première condition requise est que la série temporelle du signal contient au moins 50 points de temps continu de données. Toutefois, la dépendance calendrier et la sensibilité à la dynamique linéaire et non linéaire dans les données peuvent faire MSE particulièrement instructif de la dynamique des réseaux neuronaux. Ici, nous nous concentrons sur l&#39;application de MSE à l&#39;électroencéphalogramme (EEG) neuroimagerie données 9,12. EEG est une technique de neuro-imagerie non invasive par lequel électrodes qui sont placées sur le cuir chevelu capturer les réponses post-synaptiques de populations de neurones dans le néocortex 1. Avec une haute résolution temporelle, EEG répond facilement la longueur des séries temporelles requis de MSE sans modifier le protocole d&#39;acquisition typique. Pour souligner l&#39;utilité de l&#39;application des MSE aux données EEG, nous comparons cette nouvelle méthode plus traditionnelle approches including alimentation de potentiel et spectrale événement lié. Lorsqu&#39;ils sont utilisés ensemble, ces méthodes d&#39;analyse complémentaires fournissent une description plus complète des données qui peuvent conduire à d&#39;autres renseignements sur les opérations de réseau de neurones qui donnent lieu à la cognition.

<table border="1">
<tbody>
 <tr>
 <td>Name of Reagent/Material</td>
 <td>Company</td>
 <td>Catalogue Number</td>
 <td>Comments</td>
 </tr>
 <tr>
 <td>EEG </td>
 <td>BioSemi</td>
 <td></td>
 <td></td>
 </tr>
 </tbody>
</table>

applications of eeg neuroimaging data: event-related potentials, spectral power, and multiscale entropy

Lors de l&#39;examen des données de neuro-imagerie de l&#39;homme, une appréciation de la variabilité du signal représente une innovation fondamentale dans la façon dont nous pensons à signal cérébral. Généralement, les chercheurs représentent la réponse du cerveau comme le moyen pour des essais expérimentaux répétés et ne tiennent pas compte des fluctuations de signal dans le temps comme un «bruit». Cependant, il devient clair que la variabilité du signal du cerveau transmet l&#39;information fonctionnelle significative sur la dynamique des réseaux neuronaux. Cet article décrit le nouveau procédé de multi entropie (MSE) pour quantifier la variabilité du signal cérébral. MSE peut être particulièrement instructif de la dynamique des réseaux neuronaux, car il montre la dépendance calendrier et la sensibilité à la dynamique linéaire et non linéaire dans les données.

Les figures 1A et 2A représentent le signal EEG en réponse à la présentation d&#39;une image de visage. Moyenne à travers des essais comme produit une forme d&#39;onde ERP qui se compose d&#39;une série de déviations positives et négatives appelés composants ERP. Figure 1B illustre une forme d&#39;onde moyenne pour un seul sujet et la figure 6A illustre une forme d&#39;onde moyenne grandiose pour un groupe de sujets. Il existe une littérature riche qui concerne chaque composante ERP à une perception, de motricité spécifique, ou le fonctionnement cognitif. Par exemple, le N170 est une déviation négative qui culmine à environ 170 apparition post-stimulus msec et est impliqué dans le traitement des visages 8,15. La figure 2B illustre la décomposition de ce même signal EEG dans les bandes de fréquences de composant. Les résultats de l&#39;analyse spectrale de puissance indiquent la teneur en fréquence du signal (figure 2C), grâce à quoiune augmentation de la puissance à une fréquence particulière correspond à une augmentation de la présence de ce rythme dans le signal EEG. Comme la puissance spectrale, MSE est sensible à la complexité des composantes oscillatoires qui contribuent au signal. Cependant, contrairement à l&#39;énergie spectrale, MSE est également sensible aux interactions entre les composants de fréquence (ie dynamique non linéaire 18). La complexité d&#39;un signal EEG est représenté comme une fonction de l&#39;entropie d&#39;échantillon (figure 5) sur plusieurs échelles de temps (figure 4). Comme le montre la figure 3, échantillon entropie est faible pour les signaux périodiques et augmente avec le degré d&#39;aléa de signal. Contrairement aux mesures d&#39;entropie traditionnelles qui augmentent avec le degré de hasard, multi entropie est capable de différencier les signaux complexes de bruit blanc en tenant compte de l&#39;entropie sur plusieurs échelles de temps. Par exemple, Costa et al., 2005, comparativement multi valeurs entropie fou non corrélées (blanc) contre le bruit corrélé (rose) bruit. Bien que l&#39;échantillon entropie était plus importante pour le bruit blanc de bruit rose à fines délai, le contraire a été observée à des échelles de temps plus grossières 5-20. En d&#39;autres termes, lorsque l&#39;entropie a été considérée sur plusieurs échelles de temps, la véritable complexité des signaux a été représentée avec plus de précision que ne le serait si un seul calendrier a été envisagée. Selon de la dynamique temporelle de contraste spécifique, les effets de l&#39;état peuvent être exprimés: 1) de la même façon dans toutes les échelles de temps, 2) dans certains délais, mais pas d&#39;autres, ou 3) que les effets du croisement où le contraste est différent à bien par rapport grossière délais. La figure 6 illustre les différences de condition dans ERP (figure 6A), la puissance spectrale (figure 6B), MSE (Figure 6C) opposant les présentations initiales par rapport à répétition de photographies du visage 9. Dans cet exemple, toutes les mesures ont convergé pour révélerle même effet, mais la diminution observée dans l&#39;échantillon d&#39;entropie qui accompagne la répétition du visage est importante car elle limite l&#39;interprétation des résultats. Une diminution de la complexité suggère que le réseau fonctionnelle sous-jacente est simple et capable de traiter moins d&#39;informations. La figure 7 illustre les résultats statistiques de l&#39;analyse multivariée des moindres carrés partielle-11 appliqués aux ERP, la puissance spectrale et MSE. L&#39;expérience a manipulé la connaissance associée avec différents visages (Heisz et al., 2012). Le contraste (graphique à barres) montre que ERP amplitude distingue nouveaux visages de visages familiers, mais pas parmi les visages familiers qui varient en quantité d&#39;une exposition antérieure. Spectrale de puissance distingué face selon la familiarité acquise mais ne fait pas de distinction précise entre les faces de connaissance moyen et faible. MSE est plus sensible aux différences de conditions de cet échantillon entropie des valeurs de plused avec familiarité croissante du visage. Les parcelles de capture d&#39;image de la répartition spatio-temporelle de l&#39;effet de conditions à travers toutes les électrodes et le temps / fréquence / calendrier. Cet exemple illustre une situation dans laquelle l&#39;analyse de l&#39;EEG par MSE produite information unique qui n&#39;a pas été obtenu en utilisant des méthodes traditionnelles d&#39;ERP ou de la puissance spectrale. Cette divergence de MSE suggère que les conditions diffèrent en ce qui concerne les aspects non linéaires de la dynamique du réseau, impliquant éventuellement des interactions entre les différentes composantes de fréquence. <img alt="Figure 1" src="/files/ftp_upload/50131/50131fig1.jpg" /> Figure 1. A) Les réactions EEG d&#39;un seul sujet en fonction de la déviation d&#39;amplitude de référence pour chaque essai en fonction du temps à partir du début de l&#39;essai. Chaque essai consistait en la présentation d&#39;une photographie d&#39;une image de visage. Déviations d&#39;amplitude positifs sont représentés dansrouge; déviations d&#39;amplitude négatives sont représentées en bleu. Tous les essais montrent une déviation positive autour de 100 ms et 250 ms, ce qui indique événement lié à verrouillage de phase activité. B) calcul de la moyenne dans tous les essais décrits dans la figure 1A produit une forme d&#39;onde ERP moyenne avec déviations positives et négatives distinctes appelées composantes liées aux événements et nommé selon une nomenclature standard. Par exemple, P1 est la première composante de sens positif, et N170 est un composant négatif qui culmine à environ 170 début de post-stimulus msec. <img alt="Figure 2" src="/files/ftp_upload/50131/50131fig2.jpg" /> Figure 2. A) La réaction EEG d&#39;un sujet unique pour un essai simple tracé d&#39;amplitude en temps (dans les points de données, le taux d&#39;échantillonnage de 512 Hz). B) La réaction EEG de la figure 2A filtré passe-bande afin d&#39;isoler les bandes de fréquences de delta(0-4 Hz), thêta (5-8 Hz), alpha (9-12 Hz), bêta (13-30 Hz) et gamma (&gt; 30 Hz). C) la densité de puissance spectrale de la réaction EEG représenté sur la figure 2A représente la composition de la fréquence du signal en fonction de la puissance de la fréquence. Une augmentation de la puissance spectrale à une fréquence particulière reflète une augmentation du nombre de neurones de façon synchrone actifs entraînées dans cette bande de fréquence particulière. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig2large.jpg" target="_blank">Cliquez ici pour agrandir la figure</a> . <img alt="Figure 3" src="/files/ftp_upload/50131/50131fig3.jpg" /> Figure 3 A) Deux formes d&#39;onde simulée:.. Une forme d&#39;onde régulière ou prévisible représenté en violet, et une forme d&#39;onde plus stochastique représenté en noir B) des valeurs de l&#39;entropie des échantillons des deux ondes simulées pour les trois premières échéances. entr Sampleopy est faible pour les signaux hautement prévisibles que plus de signaux stochastiques. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig3large.jpg" target="_blank">Cliquez ici pour agrandir la figure</a> . <img alt="Figure 4" src="/files/ftp_upload/50131/50131fig4.jpg" /> Figure 4. Sous-échantillonnage de la série chronologique originale génère plusieurs séries chronologiques différentes échelles de temps. Échelle de temps 1 est la série temporelle originale. La série temporelle de la résolution temporelle 2 est créé en divisant la série temporelle originale en non-chevauchement des fenêtres de longueur 2 et les points de données de la moyenne de chaque fenêtre. Pour générer de la série chronologique des échelles de temps ultérieurs, diviser la série temporelle d&#39;origine dans les fenêtres ne se chevauchent pas de l&#39;échelle de temps et la longueur moyenne des points de données dans chaque fenêtre. <img alt="Figure 5" src="/files/ftp_upload/50131/50131fig5.jpg" /> Figure 5. Une forme d&#39;onde simulée où chaque rectangle représente un seul point de données dans la série chronologique de l&#39;entropie. Exemple estime la variabilité d&#39;une série temporelle. Dans cet exemple, le m (la longueur du motif) est fixé à deux, ce qui signifie que la variation du motif d&#39;amplitude de chaque série chronologique est représenté dans un espace bidimensionnel par rapport à trois dimensions en prenant en compte le modèle de séquence de deux par rapport à trois consécutive points de données, respectivement, R (le critère de similarité), illustre le spectre d&#39;amplitude (indiquée par la hauteur des bandes colorées) dans lequel les points de données sont considérés comme des &quot;match&quot;. Pour calculer l&#39;entropie échantillon de cette série de temps simulé, commencer par le premier motif de séquence à deux composants, rouge-orange. Tout d&#39;abord, compter le nombre de fois que le motif de séquence rouge-orange se produit dans la série temporelle, il ya 10 correspondant à cette séquence à deux composants. Deuxièmement, compter le nombre de fois où premier motif de séquence à trois composants, le rouge-orange-hurlementoe, se produit dans la série temporelle, il ya 5 correspondant à cette séquence à trois composants. Continuez de cette façon pour la séquence à deux composants suivant (jaune-orange) et la séquence à trois composants (orange-jaune-vert). Le nombre de matchs à deux composants (5) et des allumettes à trois composants (3) pour ces séquences sont ajoutés aux valeurs précédentes (total deux composants matchs = 15; Nombre total de matches à trois composantes = 8). Répétez l&#39;opération pour tous les autres matches de séquence dans la série chronologique (jusqu&#39;à N - m) afin de déterminer le ratio total de matchs à deux composants pour les matchs à trois composants. entropie de l&#39;échantillon est le logarithme naturel de ce ratio. Pour chaque sujet, calculer l&#39;estimation du MSE spécifique des canaux comme le moyen pour des mesures d&#39;entropie simples d&#39;essai pour chaque échelle de temps. <img alt="Figure 6" src="/files/ftp_upload/50131/50131fig6.jpg" /> Figure 6. Différences de condition dans les ERP (A), la puissance spectrale (B),MSE (C) opposant les présentations initiales par rapport répétées des photographies du visage. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig6large.jpg" target="_blank">Cliquez ici pour agrandir la figure</a> . <img alt="Figure 7" src="/files/ftp_upload/50131/50131fig7.jpg" /> Figure 7. Contrastant la réponse EEG aux visages tirés à travers des mesures d&#39;ERP, la puissance spectrale et multi entropie. Les graphiques à barres dépeignent le contraste entre les conditions déterminées par analyse des moindres carrés partiels 11. L&#39;intrigue image met en évidence la répartition spatio-temporelle à laquelle ce contraste était plus stable tel que déterminé par bootstrap. Les valeurs représentent ~ z scores et les valeurs négatives indiquent une signification pour l&#39;effet d&#39;état inverse. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig7large.jpg" target="_blank">Cliquez ici pour agrandir la figure</a> .

Watch this Scientific Journal Video about Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy at JoVE.com

Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

Chercheurs considèrent généralement neuroimagerie la réponse du cerveau comme l&#39;activité moyen pour les essais expérimentaux répétés et ne tiennent pas compte la variabilité du signal au fil du temps comme un «bruit». Cependant, il devient clair que le signal dans le bruit qui y est. Cet article décrit le nouveau procédé de multi entropie pour quantifier la variabilité du signal cérébral dans le domaine temporel.

Applications de l&#39;EEG données de neuro-imagerie: les potentiels évoqués, puissance spectrale et multi-échelle Entropy

When considering human neuroimaging data, an appreciation of signal variability represents a fundamental innovation in the way we think about brain ...

applications-eeg-neuroimaging-data-event-related-potentials-spectral

Research

Education

JoVE Core

JoVE Journal

Electrical Engineering

Neuroscience

Unit 1

Fourier Series

SCIENTISTS IN ACTION

33.5K vues.  Baycrest. Chercheurs considèrent généralement neuroimagerie la réponse du cerveau comme l'activité moyen pour les essais expérimentaux répétés et ne tiennent pas compte la variabilité du signal au fil du temps comme un «bruit». Cependant, il devient clair que le signal dans le bruit qui y est. Cet article décrit le nouveau procédé de multi entropie pour quantifier la variabilité du signal cérébral dans le domaine temporel.

Vidéo: Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy

High Density Event-related Potential  Data Acquisition in Cognitive Neuroscience

Functional magnetic resonance imaging (fMRI) is currently the standard method of evaluating brain function in the field of Cognitive Neuroscience, in part because fMRI data acquisition and analysis techniques are readily available. Because fMRI has excellent spatial resolution but poor temporal resolution, this method can only be used to identify the spatial location of brain activity associated with a given cognitive process (and reveals virtually nothing about the time course of brain activity). By contrast, event-related potential (ERP) recording, a method that is used much less frequently than fMRI, has excellent temporal resolution and thus can track rapid temporal modulations in neural activity. Unfortunately, ERPs are under utilized in Cognitive Neuroscience because data acquisition techniques are not readily available and low density ERP recording has poor spatial resolution. In an effort to foster the increased use of ERPs in Cognitive Neuroscience, the present article details key techniques involved in high density ERP data acquisition. Critically, high density ERPs offer the promise of excellent temporal resolution and good spatial resolution (or excellent spatial resolution if coupled with fMRI), which is necessary to capture the spatial-temporal dynamics of human brain function.

Event-related potential (ERP) recording is under utilized in Cognitive Neuroscience because data acquisition techniques are not readily available and this method often has poor spatial resolution. To foster the increased use of ERPs in Cognitive Neuroscience, the present article details key techniques involved in high density ERP data acquisition.

Événement lié à haute densité acquisition potentielle de données en neurosciences cognitives

Functional magnetic resonance imaging (fMRI) is currently the standard method of evaluating brain function in the field of Cognitive Neuroscience, in part ...

Recherche

Neurosciences

Basics of Multivariate Analysis in Neuroimaging Data

Multivariate analysis techniques for neuroimaging data have recently received increasing attention as they have many attractive features that cannot be easily realized by the more commonly used univariate, voxel-wise, techniques1,5,6,7,8,9. Multivariate approaches evaluate correlation/covariance of activation across brain regions, rather than proceeding on a voxel-by-voxel basis. Thus, their results can be more easily interpreted as a signature of neural networks. Univariate approaches, on the other hand, cannot directly address interregional correlation in the brain. Multivariate approaches can also result in greater statistical power when compared with univariate techniques, which are forced to employ very stringent corrections for voxel-wise multiple comparisons. Further, multivariate techniques also lend themselves much better to prospective application of results from the analysis of one dataset to entirely new datasets. Multivariate techniques are thus well placed to provide information about mean differences and correlations with behavior, similarly to univariate approaches, with potentially greater statistical power and better reproducibility checks. In contrast to these advantages is the high barrier of entry to the use of multivariate approaches, preventing more widespread application in the community. To the neuroscientist becoming familiar with multivariate analysis techniques, an initial survey of the field might present a bewildering variety of approaches that, although algorithmically similar, are presented with different emphases, typically by people with mathematics backgrounds. We believe that multivariate analysis techniques have sufficient potential to warrant better dissemination. Researchers should be able to employ them in an informed and accessible manner. The current article is an attempt at a didactic introduction of multivariate techniques for the novice. A conceptual introduction is followed with a very simple application to a diagnostic data set from the Alzheimer s Disease Neuroimaging Initiative (ADNI), clearly demonstrating the superior performance of the multivariate approach.

The current article describes the basics of multivariate analysis and contrasts it to the more commonly used voxel-wise univariate analysis. Both types of analysis are applied to a clinical-neuroscience data set. Supplementary split-half simulations show better replication of the multivariate results in independent data sets.

Bases de la neuroimagerie analyse multivariée des données

Multivariate analysis techniques for neuroimaging data have recently received increasing attention as they have many attractive features that cannot be ...

Extracting Visual Evoked Potentials from EEG Data Recorded During fMRI-guided Transcranial Magnetic Stimulation

Transcranial Magnetic Stimulation (TMS) is an effective method for establishing a causal link between a cortical area and cognitive/neurophysiological effects. Specifically, by creating a transient interference with the normal activity of a target region and measuring changes in an electrophysiological signal, we can establish a causal link between the stimulated brain area or network and the electrophysiological signal that we record. If target brain areas are functionally defined with prior fMRI scan, TMS could be used to link the fMRI activations with evoked potentials recorded. However, conducting such experiments presents significant technical challenges given the high amplitude artifacts introduced into the EEG signal by the magnetic pulse, and the difficulty to successfully target areas that were functionally defined by fMRI. Here we describe a methodology for combining these three common tools: TMS, EEG, and fMRI. We explain how to guide the stimulator&#39;s coil to the desired target area using anatomical or functional MRI data, how to record EEG during concurrent TMS, how to design an ERP study suitable for EEG-TMS combination and how to extract reliable ERP from the recorded data. We will provide representative results from a previously published study, in which fMRI-guided TMS was used concurrently with EEG to show that the face-selective N1 and the body-selective N1 component of the ERP are associated with distinct neural networks in extrastriate cortex. This method allows us to combine the high spatial resolution of fMRI with the high temporal resolution of TMS and EEG and therefore obtain a comprehensive understanding of the neural basis of various cognitive processes.

This paper describes a method for collecting and analyzing electroencephalography (EEG) data during concurrent transcranial magnetic stimulation (TMS) guided by activations revealed with functional magnetic resonance imaging (fMRI). A method for TMS artifact removal and extraction of event related potentials is described as well as considerations in paradigm design and experimental setup.

Extraction Potentiels évoqués visuels de l&#39;EEG données enregistrées pendant l&#39;IRMf guidée stimulation magnétique transcrânienne

Transcranial Magnetic Stimulation (TMS) is an effective method for establishing a causal link between a cortical area and cognitive/neurophysiological ...

Somatosensory Event-related Potentials from Orofacial Skin Stretch Stimulation

Cortical processing associated with orofacial somatosensory function in speech has received limited experimental attention due to the difficulty of providing precise and controlled stimulation. This article introduces a technique for recording somatosensory event-related potentials (ERP) that uses a novel mechanical stimulation method involving skin deformation using a robotic device. Controlled deformation of the facial skin is used to modulate kinesthetic inputs through excitation of cutaneous mechanoreceptors. By combining somatosensory stimulation with electroencephalographic recording, somatosensory evoked responses can be successfully measured at the level of the cortex. Somatosensory stimulation can be combined with the stimulation of other sensory modalities to assess multisensory interactions. For speech, orofacial stimulation is combined with speech sound stimulation to assess the contribution of multi-sensory processing including the effects of timing differences. The ability to precisely control orofacial somatosensory stimulation during speech perception and speech production with ERP recording is an important tool that provides new insight into the neural organization and neural representations for speech.

This paper introduces a method for obtaining somatosensory event-related potentials following orofacial skin stretch stimulation. The current method can be used to evaluate the contribution of somatosensory afferents to both speech production and speech perception.

Potentiels liées aux événements somato-sensorielles de la peau Orofacial stretch Stimulation

Cortical processing associated with orofacial somatosensory function in speech has received limited experimental attention due to the difficulty of ...

Simultaneous Recording of Electroretinography and Visual Evoked Potentials in Anesthetized Rats

The electroretinogram (ERG) and visual evoked potential (VEP) are commonly used to assess the integrity of the visual pathway. The ERG measures the electrical responses of the retina to light stimulation, while the VEP measures the corresponding functional integrity of the visual pathways from the retina to the primary visual cortex following the same light event. The ERG waveform can be broken down into components that reflect responses from different retinal neuronal and glial cell classes. The early components of the VEP waveform represent the integrity of the optic nerve and higher cortical centers. These recordings can be conducted in isolation or together, depending on the application. The methodology described in this paper allows simultaneous assessment of retinal and cortical visual evoked electrophysiology from both eyes and both hemispheres. This is a useful way to more comprehensively assess retinal function and the upstream effects that changes in retinal function can have on visual evoked cortical function.

This protocol describes simultaneous measurement of electroretinogram and visual evoked potentials in anesthetized rats.

Enregistrement simultané de Électrorétinographie et potentiels évoqués visuels chez des rats anesthésiés

The electroretinogram (ERG) and visual evoked potential (VEP) are commonly used to assess the integrity of the visual pathway. The ERG measures the ...

Quantifying Infra-slow Dynamics of Spectral Power and Heart Rate in Sleeping Mice

Three vigilance states dominate mammalian life: wakefulness, non-rapid eye movement (non-REM) sleep, and REM sleep. As more neural correlates of behavior are identified in freely moving animals, this three-fold subdivision becomes too simplistic. During wakefulness, ensembles of global and local cortical activities, together with peripheral parameters such as pupillary diameter and sympathovagal balance, define various degrees of arousal. It remains unclear the extent to which sleep also forms a continuum of brain states-within which the degree of resilience to sensory stimuli and arousability, and perhaps other sleep functions, vary gradually-and how peripheral physiological states co-vary. Research advancing the methods to monitor multiple parameters during sleep, as well as attributing to constellations of these functional attributes, is central to refining our understanding of sleep as a multifunctional process during which many beneficial effects must be executed. Identifying novel parameters characterizing sleep states will open opportunities for novel diagnostic avenues in sleep disorders.
We present a procedure to describe dynamic variations of mouse non-REM sleep states via the combined monitoring and analysis of electroencephalogram (EEG)/electrocorticogram (ECoG), electromyogram (EMG), and electrocardiogram (ECG) signals using standard polysomnographic recording techniques. Using this approach, we found that mouse non-REM sleep is organized into cycles of coordinated neural and cardiac oscillations that generate successive 25-s intervals of high and low fragility to external stimuli. Therefore, central and autonomic nervous systems are coordinated to form behaviorally distinct sleep states during consolidated non-REM sleep. We present surgical manipulations for polysomnographic (i.e., EEG/EMG combined with ECG) monitoring to track these cycles in the freely sleeping mouse, the analysis to quantify their dynamics, and the acoustic stimulation protocols to assess their role in the likelihood of waking up. Our approach has already been extended to human sleep and promises to unravel common organizing principles of non-REM sleep states in mammals.

Here, we present experimental and analytical procedures to describe the temporal dynamics of the neural and cardiac variables of non-REM sleep in mice, which modulate sleep responsiveness to acoustic stimuli.

Quantification de la dynamique infra-lente de la puissance spectrale et de la fréquence cardiaque chez les souris dormantes

Three vigilance states dominate mammalian life: wakefulness, non-rapid eye movement (non-REM) sleep, and REM sleep. As more neural correlates of behavior ...

How to Find Effects of Stimulus Processing on Event Related Brain Potentials of Close Others when Hyperscanning Partners

The partners of each pair must be able to pass the McGill Friendship Questionnaire without communicating. Each partner is then seated in front of a screen in one of two adjacent rooms. These rooms are separated by a glass window through which participants communicate to maintain feelings of togetherness while being fitted with the EEG cap. After checking for adequate EEG signals, the glass is covered by a curtain to prevent visual communication. Then, partners must be silent but are instructed to try to feel in the presence of their partner during the entire experiment. Just before it starts, participants are told that each of them will be presented with one image at a time and that these images will occur at the same time for both of them on their own screen. They are also instructed that, for each trial, the simultaneous images will always be different. However, unbeknownst to them, trials are randomized: only half of them are consistent with this instruction and actually include two different images. These trials form the DSC, that is, the different-stimuli condition. The other half of the trials are inconsistent with the instruction. They include two identical images and form the ISC (identical-stimuli condition). After the experiment, participants are sorted into two groups: those who reported that they felt in the presence of their partner during the majority of the trials and those who reported they did not. The impact of the stimulus processing of the partner is found by subtracting the mean voltages of the ERPs of the ISC (inconsistent with the instructions) from the ERPs of the DSC (consistent with the instructions) in at least two time windows (TWs): firstly, in the 75 to 150 ms TW, where the absolute values of these subtractions are greater, especially at right frontal sites, in those who felt in the presence of their partner than in those who did not; secondly, in the LPP time window (i.e., from 650 to 950 ms post onset), where ERPs are significantly less positive in the DSC than in the ISC in those in whom the raw results of the early (75-150ms) subtractions are negative.

This protocol describes key steps involved in assessing the sensitivity of the brain of one person to the stimulus processing of a close other by selecting pairs of partners, recording their electroencephalogram (EEG) simultaneously and computing their event-related brain potentials (ERPs).

Comment effets trouver des Stimulus traitement sur l’événement connexe cerveau potentiels de fermer d’autres quand Hyperscanning partenaires

The partners of each pair must be able to pass the McGill Friendship Questionnaire without communicating. Each partner is then seated in front of a screen ...

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy (NIRS) Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in remote locations. This paper shows the development of field functional Near Infrared Spectroscopy (fNIRS) imaging to the study of child language, reading, and cognitive development in a rural village setting of C&#244;te d&#39;Ivoire. Innovation in methods and the development of culturally appropriate neuroimaging protocols allow&#160;a first-time look into the brain&#39;s development and children&#39;s learning outcomes in understudied environments. This paper demonstrates protocols for transporting and setting up a mobile laboratory, discusses considerations for field versus laboratory neuroimaging, and presents a guide for developing neuroimaging consent procedures and building meaningful long-term collaborations with local government and science partners. Portable neuroimaging methods can be used to study complex child development contexts, including the impact of significant poverty and adversity on brain development. The protocol presented here has been developed for use in C&#244;te d&#39;Ivoire, the world&#39;s primary source of cocoa, and where reports of child labor in the cocoa sector are common. Yet, little is known about the impact of child labor on brain development and learning. Field neuroimaging methods have the potential to yield new insights into such urgent issues, and the development of children globally.

Neuroimaging Field Methods Using Functional Near Infrared Spectroscopy NIRS Neuroimaging to Study Global Child Development: Rural Sub-Saharan Africa

Portable neuroimaging approaches (functional Near Infrared Spectroscopy) provide advances to the study of the brain in previously inaccessible regions; here, rural C&#244;te d&#39;Ivoire. Innovation in methods and development of culturally-appropriate neuroimaging protocols permits novel study of the brain&#39;s development and children&#39;s learning outcomes in environments with significant poverty and adversity.

Méthodes de champ de la neuro-imagerie utilisation fonctionnelle près Neuroimaging spectroscopie infrarouge (NIRS) pour étudier le développement Global de l’enfant : zones rurales d’Afrique subsaharienne

Portable neuroimaging approaches provide new advances to the study of brain function and brain development with previously inaccessible populations and in ...

Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software

Measuring neural activity and connectivity associated with cognitive functions at high spatial and temporal resolutions is an important goal in cognitive neuroscience. Intracranial electroencephalography (EEG) can directly record electrical neural activity and has the unique potential to accomplish this goal. Traditionally, averaging analysis has been applied to analyze intracranial EEG data; however, several new techniques are available for depicting neural activity and intra- and inter-regional connectivity. Here, we introduce two analytical protocols we recently applied to analyze intracranial EEG data using the Statistical Parametric Mapping (SPM) software: time-frequency SPM analysis for neural activity and dynamic causal modeling of induced responses for intra- and inter-regional connectivity. We report our analysis of intracranial EEG data during the observation of faces as representative results. The results revealed that the inferior occipital gyrus (IOG) showed gamma-band activity at very early stages (110 ms) in response to faces, and both the IOG and amygdala showed rapid intra- and inter-regional connectivity using various types of oscillations. These analytical protocols have the potential to identify the neural mechanisms underlying cognitive functions with high spatial and temporal profiles.

We present two analytical protocols that can be used to analyze intracranial electroencephalography data using the Statistical Parametric Mapping (SPM) software: time-frequency statistical parametric mapping analysis for neural activity, and dynamic causal modeling of induced responses for intra- and inter-regional connectivity.

Analyser l’activité neurale et la connectivité à l’aide des données EEG intracrânienne avec logiciel SPM

Measuring neural activity and connectivity associated with cognitive functions at high spatial and temporal resolutions is an important goal in cognitive ...

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI)

Most methods for conducting meta-analysis of voxel-based neuroimaging studies do not assess whether effects are not null, but whether there is a convergence of peaks of statistical significance, and reduce the assessment of the evidence to a binary classification exclusively based on p-values (i.e., voxels can only be &ldquo;statistically significant&rdquo; or &ldquo;non-statistically significant&rdquo;). Here, we detail how to conduct a meta-analysis using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI), a novel method that uses a standard permutation test to assess whether effects are not null. We also show how to grade the strength of the evidence according to a set of criteria that considers a range of statistical significance levels (from more liberal to more conservative), the amount of data or the detection of potential biases (e.g., small-study effect and excess of significance). To exemplify the procedure, we detail the conduction of a meta-analysis of voxel-based morphometry studies in obsessive-compulsive disorder, and we provide all the data already extracted from the manuscripts to allow the reader to replicate the meta-analysis easily. SDM-PSI can also be used for meta-analyses of functional magnetic resonance imaging, diffusion tensor imaging, position emission tomography and surface-based morphometry studies.

Meta-analysis of Voxel-Based Neuroimaging Studies using Seed-based d Mapping with Permutation of Subject Images SDM-PSI

We detail how to conduct a meta-analysis of voxel-based neuroimaging studies using Seed-based d Mapping with Permutation of Subject Images (SDM-PSI).

Méta-analyse des études de neuroimagerie à base de Voxel à l'aide de la cartographie d à base de semences avec permutation des images de sujet (SDM-PSI)