1. רכישת EEG <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> הסבירו את הליכי הניסוי למשתתף וקבלת הסכמה מדעת. </li><li style=";text-align:right;direction:rtl"> החל נפתחים אלקטרודות. אזור נקי על פניו שבו נפתח אלקטרודות תהיה ממוקמות באמצעות ספוגית אלכוהול. </li><li style=";text-align:right;direction:rtl"> הנח כובע אלקטרודה על ראשו של המשתתף. מדוד את היקף ראשו של המשתתף ולבחור את גודל הכובע המתאים. בעקבות המערכת להכרה בינלאומית 10-20 למיקום האלקטרודה, למדוד את המרחק מnasion לInion לאורך קו האמצע ויחלק ב -10%. באמצעות מספר זה, למדוד עד מnasion וסימן. יישר את האלקטרודה כובע עמדת Fp עם הסימן הזה ולמשוך את הכובע בחזרה. ודא כי המרכז של הכובע הוא בקנה אחד עם האף. מדוד nasion לCz, ולוודא כי המרחק הזה הוא מחצית המרחק מnasion לInion. להדק את רצועת הסנטר. </li><li style=";text-align:right;direction:rtl"> מקום ג&#39;ל מילא מזרק בוטה נקודות במחזיקי אלקטרודה. כדי ליצור עמודה של ג&#39;ל מוליך, להתחיל במגע עםהקרקפת, ולאחר מכן לסחוט ולמשוך בחזרה. שימו לב שהיישום של יותר מדי ג&#39;ל עשוי לגשר את האותות של אלקטרודות שכנות. </li><li style=";text-align:right;direction:rtl"> תקן את האלקטרודות פעילה לתוך מחזיקי אלקטרודה. </li><li style=";text-align:right;direction:rtl"> מקם את הנושא מול המסך במרחק המתאים לניסוי. שאל את המשתתף להישאר עדיין, תוך שימת דגש על החשיבות של צמצום תנועות עיניים ומהבהב להקלטה נקיות. </li><li style=";text-align:right;direction:rtl"> בדוק את חיבורי אלקטרודה ואיכות אות ה-EEG במחשב הרכישה. ודא כי כל קיזוזי אלקטרודה הם נמוכים (&lt;40 mV) ויציבים. אם יש בעיה עם אלקטרודה מסוימת, להוציא את האלקטרודה ושלהחיל מחדש ג&#39;ל להתאים עכבות באתר זה. </li><li style=";text-align:right;direction:rtl"> שמור את הקובץ ולהפעיל את הניסוי. </li></ol> 2. ניתוח EEG <ol style=";text-align:right;direction:rtl"><li style=";text-align:right;direction:rtl"> לאחר ניסויים, אבל לפני חילוץ נתון המסוים של ריבית, preprocess את נתוני ה-EEG הרציף כדי להסיר חפצים באמצעות נהלים סטנדרטיים של סינוןדחיית חפץ ND. חותכים את ה-EEG הרציף לתקופות מתאימות לכל אירוע בדיד, כגון הצגה של תמונה. בכל תקופה, כולל חלון מראש גירוי אלפית שני 100 כנקודת התחלה. </li><li style=";text-align:right;direction:rtl"> ניתוח פוטנציאל הקשור לאירוע (ERP) לוכד את פעילות מוח סינכרוני שהוא שלב נעול לתחילתו של האירוע. ממוצע על פני ניסויים להפריד את התגובות שעוררו מ&quot; רועש &quot;(כלומר, שאינו שלב נעול) פעילות רקע. ההשתנות פני ניסויים ובין נושאים-מציגה אתגר גדול לשיטת ה-ERP של ניתוח. כדי להשיג יחס אות לרעש טוב פרוטוקול הניסוי צריך לכלול אירועים בדידים רבים עם onsets להגדרה. זמן נעילת התגובה של המוח לתחילת אירוע בולט ולאחר מכן בממוצע על רבים כמו אירועים מסייע להפחית חלק מהרעש הזה, עם זאת, התיאום הזמני שנוצר על ידי הליך זה בדרך כלל מתמוסס בתוך שניות 1. זהה אמפליטודות שיא רכיב ה-ERP וlatencies לכל תתJECT (להנחיות מפורטות יותר על ניתוח ה-ERP, ראה פיקטון et al., 2000). </li><li style=";text-align:right;direction:rtl"> באמצעות אנליזה פורייה, להפוך את אות ה-EEG ממישור הזמן למישור התדר ולפרק את האות לגלי סינוס מרוכבים של משתנה תדרים 6. </li><li style=";text-align:right;direction:rtl"> Multiscale אנטרופיה (MSE) היא מדד תיאורטי מידע האומד את השונות של אותות neuroelectical לאורך זמן ועל פני לוחות זמנים מרובים. כדי לספק תיאור רעיוני של ניתוח MSE, לשקול שתי צורות גל מדומה, גל רגיל ואחד יותר אקראי. ערכי האנטרופיה דוגמה הם קרובים לאפס לגל הרגיל ו ~ 2.5 לצורת הגל משתנה יותר. גידול באנטרופיה המדגם מתאים לגידול במורכבות אות, אשר, על פי התיאוריה של המידע, יכול להתפרש כעלייה בסך של יכולת עיבוד מידע של המערכת הבסיסית 7,16. זכור כי היכולת של מוח אינה קבועה, אלא משתנה Depending על 2 הקשר העצבי, כלומר את האזורים במוח שקורים להיות מחוברים באופן פונקציונלי בנקודה מסוימת בזמן. </li><li style=";text-align:right;direction:rtl"> כדי לחשב MSE, השתמש באלגוריתם זמין <a href="http://www.physionet.org/physiotools/mse/">בwww.physionet.org/physiotools/mse/,</a> אשר מחשב MSE בשני שלבים. </li><li style=";text-align:right;direction:rtl"> ראשית, אלגוריתם הדרגה מורידה את דגימות זמן סדרת ה-EEG למשפט וכל מצב. למטה מדגם סדרת הזמן המקורי כדי ליצור סדרת זמן מרובה של לוחות זמנים שונים. סדרת 1 זמן היא סדרת הזמן המקורית. כדי ליצור סדרה של לוחות זמנים בזמן שלאחר מכן, יש לחלק את הזמן לסדרה המקורית שאינם חופפים חלונות של האורך הממוצע וזמני הנקודות הנתונים בתוך כל חלון. למטה דגימה היא דומה לסינון נמוך לעבור; חלוקת תדר הדגימה על ידי לוח הזמנים יהיו קרוב את התדר שבו האות היא נמוך לעבור סינון שלזמנים מסוימים. היישום של MSE לסעיףטווח תדרי ticular (למשל, אלפא: 9 הרץ עד 12 הרץ) יכול להתפרש כמייצג את ההרכב של מקצבים בטווח זה, כמו גם את האינטראקציה בין התדרים הללו. </li><li style=";text-align:right;direction:rtl"> שנית, האלגוריתם מחשב את האנטרופיה המדגם עבור כל סדרת זמן גס גרגר 14. האנטרופיה מדגם מעריכה את המורכבות של סדרת זמן. בניתוח קוי של EEG, מניח כי סדרת זמן פרט מייצגת את הביטוי של מודל דינמי בסיסי רב ממדי שאינו ליניארי (ראה סת&quot;ם, 2005 לביקורת). בדוגמה זו, מ &#39;(אורך התבנית) מוגדרת לשתיים, מה שאומר שהשונות של דפוס המשרעת של כל סדרת זמן יהיו מיוצגות במרחב דו ממדים לעומת תלת ממדי על ידי בהתחשב דפוס הרצף של שתיים לעומת שלוש ברציפות נקודות נתונים, בהתאמה. פרמטר r (קריטריון הדמיון), משקף את מגוון משרעת (כונה על ידי הגובה של הלהקות הצבעוניות) שבתוכו נתונים מצביעמחדש נחשב &quot;להתאים&quot;. לסדרת זמן EEG טיפוסית עם נקודות נתונים יותר מ -100, מוגדר מ &#39;הפרמטר שווה ל 2 ו R הפרמטר שווה לערך בין 0.5 ו 1 (ראה ריצ&#39;מן ומורמן, 2000; להליך מפורט על בחירת פרמטרים מתייחסים לאגם et al., 2002). כדי לחשב את האנטרופיה מדגם עבור סדרת הזמן מדומה הזה, תתחיל עם דפוס רצף שני המרכיבים הראשון, אדום והכתום. ראשית, לספור את מספר הפעמים דפוס רצף אדום הכתום מתרחש בסדרה בזמן, יש 10 משחקים לרצף של שני רכיב זה. שנית, לספור את מספר פעמים דפוס רצף של שלושה מרכיב הראשון, אדום כתום וצהוב, מתרחש בזמן הסדרה, יש 5 משחקים לרצף של שלושה רכיב זה. להמשיך עם אותו רצף הפעולות לשני המרכיבים הבאים (צהוב הכתום) והרצף של שלושה הרכיב הבא (כתום, צהוב, ירוק) של סדרת הזמן. מספר התאמות שני מרכיבים (5) והגפרורים שלושה רכיבים (3) לsequen אלהCES מתווספים לערכים הקודמים (סה&quot;כ תוצאות שני מרכיבים = 15; גפרורי שלושה רכיבים סה&quot;כ = 8). חזור על פעולה עבור כל המשחקים האחרים בסדרה ברצף הזמן (עד N - מ &#39;) כדי לקבוע את היחס הכולל של שני משחקי רכיב למשחקי שלושה רכיבים. האנטרופיה מדגם היא הלוגריתם הטבעי של יחס זה. עבור כל נושא, לחשב את אומדן MSE הספציפי הערוץ כממוצע על פני אמצעי האנטרופיה משפט אחד לכל זמנים. </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>

אין ניגודי האינטרסים הכריזו.

המטרה של המאמר הנוכחי הייתה לספק תיאור רעיוני והמתודולוגית של multiscale אנטרופיה (MSE) כפי שהוא חל על נתונים הדמייה EEG. EEG הוא טכניקת הדמייה לא פולשנית רב עוצמה המודדת את פעילות רשת עצבית עם הרזולוציה הגבוהה הזמנית. אות EEG משקפת את הפעילות הסינפטית פוסט של אוכלוסיות של תאים פירמידליים בקליפה, שהם קולקטיבי תגובות שונה על ידי קשרים הולך ושבו מעוררים ומעכבים שונים. בהתאם לכך, יש דרכים רבות כדי לנתח את נתוני ה-EEG וכל שיטה מחלצת היבט ייחודי של הנתונים. דנו שתי שיטות נפוצות של ניתוח: ניתוח פוטנציאל (ERP) הקשורה לאירוע וניתוח כוח של רוח רפאים. ה-ERP ניתוח לוכד את הפעילות העצבית סינכרוני באות ה-EEG היא שהשלב נעול לתחילת אירוע דיסקרטי. ERPs משקף ספציפית תפיסתי, מוטורי, או פעולות קוגניטיביות, מה שהופך את הנתון הזה אידיאלי לבחינת מפרטשלבי עיבוד IFIC. ניתוח כוח רפאים מכמת את תרומתו היחסית של תדר מסוים לאות ה-EEG. לולאות משוב מעוררות ומעכבות שונות לאינטראקציה לעלות לרכבת את הפעילות של אוכלוסיות עצביות בתדר מסוים 1,3. תיאום כזה בין אזורי מוח השונים הוא חשב כדי לקדם את הכריכה של מידע ברשתות עצביות נרחבות. יש ספרות עשירה התומכת בקשר שבין כוח בטווח תדר מסוים ומצבו רגשי או קוגניטיבי ספציפי של פונקציה 3. בעת ניתוח EEG חשוב גם לזכור שרשתות עצביות הן מערכות מורכבות עם דינמיקה שאינה ליניארי. מורכבות זו באה לידי ביטוי באות ה-EEG כתנודות חריגות שאינן התוצאה של רעש רקע חסר משמעות. כמו פעילות תנודתית סינכרוני, את יחסי הגומלין בין לולאות הולך ושבו מעוררות ומעכבות שונות לגרום לשפעת חולפתctuations באות המוח לאורך זמן 6. ארעיים כאלה הם האמינו כדי לשקף מעברים או הסתעפויות בין microstates הרשת כי ניתן להשתמש כדי להעריך את דרגות חופש או מורכבות של הרשת הבסיסית; שונות רבה יותר בדפוס המשרעת של האות לאורך הזמן מעידה על מערכת מורכבת יותר 5. באופן ביקורתי, ERP או ניתוחי כוח רפאים אינם רגיש לפעילות סדירה כאמורה, ואילו MSE הוא. יתר על כן, לא ניתן לקבל מדד של מורכבות רשת, פשוט על ידי ספירת מספר האזורים פעילים במוח כשיטה כזו היא עיוורת לאינטראקציות החוזרות ונשנות החולפים ודינמיות בין האזורים במוח. שיטות משלימות להדמייה ניתוח לשלב כדי ליצור תמונה של הפעילות העצבית הבסיסית מלאה. הפרשנות של תוצאות מיישומים מסורתיים יותר של נתונים הדמייה, כגון ה-ERP וכוח של רוח רפאים, היא בתוספת אמצעים של מורכבות כמו MSE; MSE מספק דרך כדי ללכוד את הרצף של שינויים בדפוסי פעילות המוח של spatiotemporal פני לוחות זמנים מרובים שתורמים לפעילות קוגניטיבית מסוימת. החלת MSE לערכות נתונים חדשות וקיימות עשויה לספק תובנה נוספת לתוך איך קוגניציה עולה מדינמיקת רשת עצבית.

ההתקדמות בהדמייה יש מוגברת באופן דרמטי את ההבנה של תפקוד המוח שלנו. עם זאת, רבים מהיישומים של נתונים הדמייה נוטים לחזק את הנוף של המוח במצבים סטטיים ולא הדגשת פעולות קוגניטיביות כפי שהם נפרשים בזמן אמת. כתוצאה מכך, מעט מאוד ידוע על מבנה מרחב הזמן של רשתות מוח וכיצד הרצף של שינויים בדפוסי spatiotemporal פני לוחות זמנים מרובים תורם לפעולה קוגניטיבית ספציפית. המאמר הנוכחי מתאר multiscale אנטרופיה (MSE) 5, כלי האנליטי חדש להדמייה נתונים הבוחנים את מורכבותו של דפוס spatiotemporal שבסיס פעולות קוגניציה ספציפית על ידי מתן מידע על אופן המחוללים עצביים שונים ברשת תקשורת תפקודית של מוח על פני לוחות זמנים מרובים. נגזר מתאורית המידע, ענף של מתמטיקה מיושם 7,16, MSE היה מקוריly נועד לבחון את המורכבות של אק&quot;ג 4. בתאוריה, MSE יכול לשמש כדי לנתח את המורכבות של כל סדרת זמן; הנדרש עיקרי הוא שסדרת זמן האות מכילה לפחות 50 נקודות נתונים של זמן מתמשך. עם זאת, תלות ורגישות לדינמיקה לינארית לינארית בנתוני לוח הזמנים עלולות לגרום MSE אינפורמטיבי במיוחד של דינמיקת רשת עצבית. כאן, אנו מתמקדים ביישום של MSE לאלקטרואנצפלוגרם (EEG) הדמייה נתונים 9,12. EEG הוא טכניקת הדמייה לא פולשנית לפי אלקטרודות המונחות על הקרקפת ללכוד את תגובות postsynaptic של אוכלוסיות של תאי עצב בקליפת המוח 1. עם רזולוציה גבוהה זמנית, EEG פוגש את אורך הזמן הנדרש הסדרה של MSE קלות מבלי לשנות את פרוטוקול הרכישה הטיפוסי. כדי להדגיש את התועלת של היישום של MSE לנתוני ה-EEG, נשווה את זה עם שיטה חדשה כוללים גישות מסורתיות יותרuding כוח פוטנציאלי ורפאים הקשורים לאירוע. כאשר משתמשים בו יחד, שיטות משלימות אלה של ניתוח לספק תיאור של הנתונים שעשויים להוביל לתובנה נוספת לתוך פעילות רשת עצבית המקנים להכרה מלאה יותר.

<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

כאשר בוחנים נתונים הדמייה אדם, הערכה של השתנות אות מייצגת חדשנות מהותית בדרך בה אנו חושבים על אות המוח. בדרך כלל, חוקרים לייצג תגובה של המוח כממוצע על פני ניסויי ניסוי חוזרים ונשנים והתעלמות תנודות אותות לאורך זמן כמו &quot;רעש&quot;. עם זאת, מתברר כי השתנות אות המוח מעבירה מידע תפקודי משמעותי על דינמיקת רשת עצבית. מאמר זה מתאר את השיטה החדשה של multiscale אנטרופיה (MSE) לכימות השתנות אות מוח. MSE יכול להיות אינפורמטיבי במיוחד של דינמיקת רשת עצבית כי זה מראה תלות ורגישות לדינמיקה לינארית לינארית בנתוני לוח זמנים.

דמויות 1A ו 2A מייצגים את אות ה-EEG, בתגובה למצגת של תמונת הפנים. ממוצע על פני כמו ניסויים מייצר צורת גל ה-ERP, שמורכב מסדרה של סטיות חיוביות ושליליות נקראת רכיבי ה-ERP. איור 1 מדגים גל בממוצע עבור נושא אחד ואיור 6 א ממחיש צורת גל ממוצעת גדולה לקבוצה של נבדקים. יש ספרות עשירה המתייחסת כל אחד מרכיבי ה-ERP לתפיסתי, מנוע ספציפי, או פעולה קוגניטיבית. לדוגמה, N170 היא סטייה שלילית שפסגות בכ 170 לאחר תחילת גירוי אלפיות השנייה והוא מעורבים בעיבוד פנים 8,15. איור 2 ממחישים את הפירוק של אותה אות ה-EEG לתדרי רכיב. התוצאות מניתוח כוח רפאים לחשוף את התוכן בתדירות של האות (איור 2 ג), לפיועלייה בכח בתדר מסוים משקפת גידול בנוכחות של קצב שבתוך אות ה-EEG. כמו כוח ספקטרלי, MSE הוא רגיש למורכבות של מרכיבי oscillatory תורמים לאות. עם זאת, בניגוד לכוח ספקטרלי, MSE הוא גם רגיש לאינטראקציות בין רכיבי תדר (כלומר לא קוי דינמיקה 18). המורכבות של אות EEG מיוצגת כפונקציה של אנטרופיה מדגם (איור 5) על פני לוחות זמנים מרובים (איור 4). כפי שמודגם באיור 3, האנטרופיה מדגם היא נמוכה לאותות רגילים ועולה עם מידה מסוימת של אקראיות אות. שלא כמו אמצעים מסורתיים האנטרופיה שיגדלו עם מידה של אקראי, multiscale אנטרופיה היא מסוגלת להבחין אותות מורכבים מרעש לבן על ידי בהתחשב האנטרופיה על פני לוחות זמנים מרובים. לדוגמה, קוסטה ואח&#39;. 2005 לעומת F ערכי האנטרופיה multiscaleאו רעש (לבן) לעומת מתואם מתואם (ורוד) רעש. בעוד האנטרופיה מדגם הייתה גדולה יותר עבור רעש לבן מרעש ורוד בזמנים בסדר, ההפך נצפה בלוחות זמנים גסי 5-20. במילים אחרות, כאשר האנטרופיה נחשבת על פני לוחות זמנים מרובים, המורכבות האמיתית של האותות הייתה מיוצגת בצורה מדויקת יותר מאשר תהיה אם רק לוח זמנים יחיד שנחשבו. בהתאם לדינמיקה זמנית של ניגוד מסוים, השפעות המצב יכולה לבוא לידי ביטוי: 1) באותו אופן בכל לוחות הזמנים, 2) בכמה לוחות זמנים, אך לא אחרת, או 3) כתופעות מוצלבים לפיה לעומת זאת היא שונה בקנס לעומת גס לוחות זמנים. איור 6 מתאר מצב שהבדלי ה-ERP (איור 6 א), כוח של רוח רפאים (איור 6), MSE (איור 6 ג&#39;) מנוגדים למצגות הראשוניות לעומת חוזרות של צילומי פנים 9. בדוגמה זו בכל האמצעים התכנסו כדי לחשוףאת אותו האפקט, עם זאת, הירידה שנצפתה באנטרופיה המדגם שמלווה את חזרות פנים חשובה כפי שהוא מגביל את הפרשנות של התוצאות. ירידה במורכבות עולה כי הרשת הפונקציונלית הבסיסית היא פשוט יותר ומסוגלת לעבד פחות מידע. איור 7 מתאר תוצאות סטטיסטיות מניתוח רב משתני של חלקי לפחות 11 ריבועים להחיל ERP, כוח וMSE רפאים. ניסוי מניפולציות ההיכרות קשורה עם פרצופים שונים (Heisz et al., 2012). לעומת (גרף עמודות) מראה כי ה-ERP משרעת להבחין פרצופים חדשים מפרצופים מוכרים, אבל לא בין הפרצופים המוכרים שהיו שונים במידת חשיפה מוקדמת. כוח הרפאים להבחין פרצופים על פי היכרות שנרכשה אך לא להבחין במדויק בין הפרצופים של היכרות בינונית ונמוכה. MSE היה רגיש ביותר למצב את ההבדלים שבמדגם increas ערכי האנטרופיהאד עם היכרות פנים הולך וגדל. חלקות התמונה ללכוד הפצת spatiotemporal של השפעת המצב על פני כל האלקטרודות והזמן / תדירות / זמנים. דוגמה זו ממחישה מצב שבו הניתוח של ה-EEG על ידי MSE הפיק מידע ייחודי שלא הושג תוך שימוש בשיטות מסורתיות של ERP או כוח רפאים. סטייה זו של MSE מצביעה על כך שהתנאים שונים ביחס להיבטים של הדינמיקה לא לינארית הרשת שלהם, ואולי לערב את יחסי גומלין בין רכיבי תדר שונים. <img alt="איור 1" src="/files/ftp_upload/50131/50131fig1.jpg" /> איור 1.) תגובות EEG של נושא אחד, כפונקציה של סטייה משרעת מנקודת התחלה לכל ניסוי זממו נגד זמן ממועד תחילת המשפט. כל ניסוי היה מורכב מהמצגת של תצלום של תמונת הפנים. deflections משרעת חיובי מתואר באדום; deflections משרעת שלילי מתואר בכחול. כל המחקרים מראים סטייה חיובית סביב 100 אלפיות שנייה ו250 אלפיות שניות, המציין שלב נעול פעילות. B הקשור לאירוע) מיצוע על פני כל הניסויים מתוארים באיור 1 א מייצר צורת גל ERP ממוצעים עם סטיות חיוביות ושליליות שונות הנקראות רכיבים הקשורים לאירוע ושם על פי מינוח סטנדרטי. לדוגמה, P1 הוא המרכיב החיובי הולך הראשון, וN170 הנו מרכיב שלילי שפסגות בכ 170 לאחר תחילת גירוי אלפיות שנייה. <img alt="איור 2" src="/files/ftp_upload/50131/50131fig2.jpg" /> איור 2.) תגובת EEG מנושא אחד למשפט אחד זומם משרעת על ידי זמן (בנקודות נתונים, דגימת הרץ שיעור 512). ב &#39;) התגובה של EEG bandpass איור 2 א המסוננת לבודד את התדרים של דלתא(0-4 הרץ), תטא (5-8 הרץ), אלפא (9-12 הרץ), בטא (13-30 הרץ) וגאמא (&gt; 30 הרץ). C) צפיפות ההספק הספקטרלית של EEG התגובה מתוארת באיור 2A מייצג הרכב תדר של האות כפונקציה של כוח על ידי תדר. גידול בכוחה של רוח רפאים בתדר מסוים משקף עלייה במספר הנוירונים סינכרוני פעילים entrained בתוך תחום תדרים מסוים. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig2large.jpg" target="_blank">לחץ כאן לצפייה בדמות גדולה.</a> <img alt="איור 3" src="/files/ftp_upload/50131/50131fig3.jpg" /> איור 3) שתי צורות גל מדומה:.. צורת גל רגילה או צפוי המתוארת בסגול, וצורת גל סטוכסטית יותר מתוארות בשחור B) ערכי האנטרופיה לדוגמה בשתי צורות הגל מדומה לתקופה של שלושת לוחות הזמנים הראשונים. entr המדגםעתק הוא נמוך ביותר עבור אותות לחיזוי מאשר אותות אקראיים יותר. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig3large.jpg" target="_blank">לחץ כאן לצפייה בדמות גדולה.</a> <img alt="איור 4" src="/files/ftp_upload/50131/50131fig4.jpg" /> איור 4. למטה דגימת סדרת הזמן המקורית יוצרת סדרת זמן מרובה של לוחות זמנים שונים. 1 ציר הזמן הוא סדרת הזמן המקורית. סדרת הזמן של לוח זמנים 2 נוצרה על ידי חילוק הסדרה המקורית בזמן שאינם חופף חלונות באורך 2 נקודות ונתונים ממוצעות בתוך כל חלון. על מנת ליצור את סדרת הזמן של לוחות זמנים שלאחר מכן, יש לחלק את הזמן לסדרה המקורית שאינם חופפים חלונות של האורך הממוצע וזמני הנקודות הנתונים בתוך כל חלון. <img alt="איור 5" src="/files/ftp_upload/50131/50131fig5.jpg" /> איור 5. צורת גל מדומה שבו כל מלבן מייצג נקודת נתונים יחידה בסדרת זמן אנטרופיה. דוגמה מעריכה השתנות של סדרת זמן. בדוגמה זו, מ &#39;(אורך התבנית) מוגדרת לשתיים, מה שאומר שהשונות של דפוס המשרעת של כל סדרת זמן יהיו מיוצגות במרחב דו ממדים לעומת תלת ממדי על ידי בהתחשב דפוס הרצף של שתיים לעומת שלוש ברציפות נקודות נתונים, בהתאמה; R (קריטריון הדמיון), משקפת את מגוון משרעת (כונה על ידי הגובה של הלהקות הצבעוניות) שבתוכו נקודות נתונים נחשבות &quot;להתאים&quot;. כדי לחשב את האנטרופיה מדגם עבור סדרת הזמן מדומה הזה, תתחיל עם דפוס רצף שני המרכיבים הראשון, אדום והכתום. ראשית, לספור את מספר הפעמים דפוס רצף אדום הכתום מתרחש בסדרה בזמן, יש 10 משחקים לרצף של שני רכיב זה. שנית, לספור את מספר פעמים שהתבנית של שלושה מרכיב הרצף הראשון,-לצעוק אדום כתוםבענווה, מתרחשת בזמן הסדרה, יש 5 משחקים לרצף של שלושה רכיב זה. תמשיך בצורה הזו הרצף דו הרכיבים הבאים (צהוב כתום) ושלוש מרכיב רצף (כתום, צהוב, ירוק). מספר ההתאמות שני מרכיבים (5) והגפרורים שלושה רכיבים (3) לרצפים אלה מתווספים לערכים הקודמים (סך הכל שני מרכיבי משחקים = ​​15; גפרורי שלושה רכיבים סה&quot;כ = 8). חזור על פעולה עבור כל המשחקים האחרים בסדרה ברצף הזמן (עד N - מ &#39;) כדי לקבוע את היחס הכולל של שני משחקי רכיב למשחקי שלושה רכיבים. האנטרופיה מדגם היא הלוגריתם הטבעי של יחס זה. עבור כל נושא, לחשב את אומדן MSE הספציפי הערוץ כממוצע על פני אמצעי האנטרופיה משפט אחד לכל זמנים. <img alt="איור 6" src="/files/ftp_upload/50131/50131fig6.jpg" /> הבדלי איור 6. מצב ה-ERP (), כוח של רוח רפאים (ב),MSE (C) מנוגד למצגות הראשוניות לעומת חוזרות ונשנות של צילומי פנים. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig6large.jpg" target="_blank">לחץ כאן לצפייה בדמות גדולה.</a> <img alt="איור 7" src="/files/ftp_upload/50131/50131fig7.jpg" /> איור 7. הניגודיות תגובת EEG לפרצופים למדו ברחבי מדדים של ה-ERP, כוח של רוח רפאים, וmultiscale אנטרופיה. הגרפים בר מתארים את הניגוד בין תנאים כפי שנקבע על ידי ניתוח ריבועים חלקי לפחות 11. עלילת התמונה מדגישה את חלוקת מרחב והזמן שבו הניגוד הזה היה יציב ביותר, כפי שנקבע על ידי bootstrapping. ערכים מייצגים ~ z ציונים וערכים שליליים נסמן משמעות להשפעת המצב ההפוכה. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig7large.jpg" target="_blank">לחצו כאן לצפייה בדמות גדולה.</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

חוקרי הדמייה בדרך כלל לשקול תגובה של המוח כפעילות ממוצעת על פני ניסויי ניסוי חוזרים ונשנים והתעלמות השתנות אות לאורך זמן כמו &quot;רעש&quot;. עם זאת, מתברר שיש אות שברעש. מאמר זה מתאר את השיטה החדשה של multiscale אנטרופיה לכימות השתנות אות מוח במישור הזמן.

יישומים של נתוני ה-EEG הדמייה: פוטנציאל הקשור לאירוע, כוח של רוח רפאים, וMultiscale אנטרופיה

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 Views.  Baycrest. חוקרי הדמייה בדרך כלל לשקול תגובה של המוח כפעילות ממוצעת על פני ניסויי ניסוי חוזרים ונשנים והתעלמות השתנות אות לאורך זמן כמו "רעש". עם זאת, מתברר שיש אות שברעש. מאמר זה מתאר את השיטה החדשה של multiscale אנטרופיה לכימות השתנות אות מוח במישור הזמן.

Video: 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.

צפיפות האירועים הקשורים גבוהה רכישת נתונים פוטנציאלים קוגניטיביים Neuroscience

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

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.

היסודות של ניתוח רב משתני של נתונים הדמייה

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.

חילוץ פוטנציאלים עוררים חזותיים מEEG נתונים שנרשמו במהלך גירוי מגנטי Transcranial מודרך-fMRI

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.

פוטנציאל הקשור לאירוע החושית מעור Orofacial למתוח גירוי

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.

הקלטה בו זמנית של Electroretinography ופוטנציאלים חזותיים מעוררים אצל חולדות הרדימו

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.

כימות אינפרה איטית דינמיקה של הספק ספקטרלי ואת קצב הלב בעכברים שינה

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).

כיצד למצוא את ההשפעות של גירוי עיבוד על אירועים הקשורים המוח פוטנציאל של קרובים אחרים כאשר Hyperscanning שותפים

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.

שיטות דימות מוחי שדה שימוש פונקציונלי ליד דימות מוחי ספקטרוסקופית אינפרא אדום (NIRS) לחקר התפתחות הילד גלובלית: כפריים אפריקה שמדרום לסהרה

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.

ניתוח פעילות עצבית וקישוריות באמצעות נתוני EEG תוך-גולגולתי בתוכנה 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).