1. Acquisizione EEG <ol><li> Spiegare le procedure sperimentali per il partecipante e ottenere il consenso informato. </li><li> Applicare discesa elettrodi. Zona pulita sulla faccia dove saranno collocati gli elettrodi a discesa con un tampone imbevuto di alcol. </li><li> Mettere tappo elettrodo sulla testa del partecipante. Misurare la circonferenza della testa del partecipante e scegliere il formato della protezione appropriata. In seguito il sistema 10-20 riconosciuto a livello internazionale per il posizionamento degli elettrodi, misurare la distanza dal nasion al inion lungo la linea mediana e dividere per 10%. Usando quel numero, misurare fino a nasion e contrassegno. Allineare l&#39;elettrodo tappo posizione Fp con questo marchio e tirare il tappo. Assicurarsi che il centro del tappo è in linea con il naso. Misurare nasion a Cz, e confermare che questa distanza è la metà della distanza dal nasion al inion. Stringere il sottogola. </li><li> Luogo GEL siringa blunt-point nelle portaelettrodi. Per creare una colonna di gel conduttivo, iniziare a contatto conil cuoio capelluto, quindi stringere e tirare indietro. Si noti che l&#39;applicazione di troppo gel può colmare i segnali di elettrodi adiacenti. </li><li> Fissare elettrodi attivi nei supporti elettrodi. </li><li> Posizionare il soggetto davanti al monitor alla distanza appropriata per l&#39;esperimento. Chiedi ai partecipanti di rimanere fermi, sottolineando l&#39;importanza di ridurre al minimo i movimenti degli occhi e lampeggia per una registrazione pulita. </li><li> Esaminare le connessioni degli elettrodi e la qualità del segnale EEG sul computer di acquisizione. Verificare che tutti gli spostamenti degli elettrodi sono bassi (&lt;40 mV) e stabile. Se c&#39;è un problema con un particolare elettrodo, togliere quel elettrodo e riapplicare gel per regolare impedenze in quel sito. </li><li> Salvare il file e avviare l&#39;esperimento. </li></ol> 2. Analisi EEG <ol><li> Dopo la sperimentazione, ma prima di estrarre il particolare statistica di interesse, pre-elaborare i dati EEG continuo per rimuovere gli artefatti che utilizzano procedure standard di filtraggio di unND artefatti. Tagliare l&#39;EEG continuo in epoche corrispondenti ad ogni evento discreti, come la presentazione di fotografia. In ogni epoca, includere una finestra di 100 msec pre-stimolo, come una linea di base. </li><li> Potenziali (ERP) analisi evento-correlati blocca l&#39;attività cerebrale sincrono che è agganciato in fase al l&#39;inizio della manifestazione. Media di prove per separare le risposte evocate dalla attività di fondo &quot;rumoroso&quot; (cioè non-aggancio di fase). La variabilità in tutti gli studi e tra-soggetti rappresenta una sfida importante per il metodo ERP di analisi. Per ottenere un buon rapporto segnale-rumore del protocollo sperimentale dovrebbe includere molti eventi discreti con insorgenze definibili. Tempo di bloccaggio risposta del cervello per l&#39;insorgenza di un evento saliente e poi mediato su molti come eventi aiuta a ridurre alcuni di questo rumore, tuttavia, la sincronia temporale creata da questa procedura dissolve tipicamente entro 1 sec. Identificare ERP ampiezza dei massimi dei componenti e latenze per ogni subgetto (per le linee guida più dettagliate su analisi ERP, vedere Picton et al., 2000). </li><li> Utilizzando l&#39;analisi di Fourier, trasformare il segnale EEG dal dominio del tempo al dominio della frequenza e scomporre il segnale nelle sue composite onde sinusoidali di diversa frequenza 6. </li><li> Multiscala entropia (MSE) è una teoria dell&#39;informazione metrica che stima la variabilità dei segnali neuroelectical nel tempo e in più tempi. Per fornire una rappresentazione concettuale di analisi MSE, considerare due forme d&#39;onda simulato, una forma d&#39;onda regolare e una più stocastico. Valori di entropia di esempio sono quasi a zero per la forma d&#39;onda regolare e ~ 2.5 per la forma d&#39;onda più variabile. Un aumento di entropia campione corrisponde ad un aumento della complessità del segnale, che, secondo la teoria dell&#39;informazione, può essere interpretato come un aumento della quantità di informazioni della capacità di elaborazione del sistema sottostante 7,16. Ricordate che la capacità di un cervello non è fisso, ma cambia depending sul neurale contesto 2, vale a dire le regioni del cervello che capita di essere collegati funzionalmente in un particolare punto nel tempo. </li><li> Per calcolare MSE, utilizzare l&#39;algoritmo disponibile a <a href="http://www.physionet.org/physiotools/mse/">www.physionet.org/physiotools/mse/</a> , che calcola MSE in due fasi. </li><li> In primo luogo, l&#39;algoritmo progressivamente verso il basso-campioni della serie storica EEG per prova e per ogni condizione. Down-campione della serie storica originale di generare serie multiple nel tempo di diverse scale temporali. Serie storiche 1 è la serie storica originale. Per creare la serie storica dei tempi successivi, dividere la serie storica originale in finestre non sovrapposti della lunghezza e media scala temporale i punti di dati all&#39;interno di ogni finestra. Down-sampling è simile a filtraggio passa-basso, dividendo la frequenza di campionamento dalla scala temporale si avvicinerà la frequenza alla quale il segnale è filtrato passa-basso per quella particolare scala temporale. L&#39;applicazione di MSE ad un pargamma di frequenza particolare (ad esempio, alfa: 9 Hz a 12 Hz) può essere interpretata come la rappresentazione della composizione di ritmi in tale intervallo, nonché l&#39;interazione tra quelle frequenze. </li><li> Secondo, l&#39;algoritmo calcola l&#39;entropia campione per ogni serie grana grossa tempo 14. Entropia campione stima la complessità di una serie temporale. In una analisi non lineare di EEG, si assume che una serie storica individuo rappresenta la manifestazione di un modello dinamico non lineare multidimensionale sottostante (vedi Stam, 2005 per una rassegna). In questo esempio, m (la lunghezza del pattern) è impostato a due, il che significa che la variabilità del pattern ampiezza di ogni serie temporale sarà rappresentata in uno spazio bidimensionale rispetto tridimensionale considerando il pattern di sequenza di due contro tre consecutivi punti di dati, rispettivamente. Parametro r (il criterio di similitudine), riflette l&#39;intervallo di ampiezza (indicato con l&#39;altezza delle bande colorate) in cui i dati di una puntare considerato &quot;match&quot;. Per una tipica serie temporale EEG con più di 100 punti di dati, impostare il parametro m uguale a 2 e il parametro r pari ad un valore compreso tra 0,5 e 1 (vedi Richman e Moorman, 2000; una procedura dettagliata sulla selezione dei parametri consultare Lake et al., 2002). Per calcolare campione dell&#39;entropia per questa serie temporali simulate, iniziare con il primo pattern sequenza bicomponente, rosso-arancio. Prima, contare il numero di volte che l&#39;espressione sequenza rosso-arancio si verifica nella serie temporale, ci sono 10 partite per questa sequenza a due componenti. Secondo, contare il numero di volte prima configurazione di sequenza a tre componenti, rosso-arancione-giallo, verifica nella serie temporale, ci sono cinque partite per questa sequenza a tre componenti. Continuare con le stesse operazioni per la prossima sequenza di due componenti (giallo-arancione) e la successiva sequenza a tre componenti (rosso-giallo-verde, arancio) delle serie storiche. Il numero di partite a due componenti (5) e le partite a tre componenti (3) per queste sequenzialeces sono aggiunti ai valori precedenti (totale bicomponenti partite = 15; totali partite a tre componenti = 8). Ripetere l&#39;operazione per tutte le altre partite di sequenza nelle serie temporali (fino a N - m) per determinare il rapporto totale di partite a due componenti per le partite a tre componenti. Entropia campione è il logaritmo naturale di questo rapporto. Per ogni soggetto, calcolare la stima MSE specifico canale come il mezzo attraverso singole misure di entropia di prova per ogni scala temporale. </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>

Nessun conflitto di interessi dichiarati.

Lo scopo del presente articolo è quello di fornire una descrizione concettuale e metodologico di multiscala entropia (MSE) in quanto si applica ai dati di neuroimaging EEG. EEG è una potente tecnica di neuroimaging non invasiva che misura l&#39;attività di rete neurale con l&#39;alta risoluzione temporale. Il segnale EEG riflette l&#39;attività post-sinaptica delle popolazioni di cellule piramidali della corteccia, le cui risposte collettive vengono modificati da diverse connessioni rientranti eccitatori e inibitori. Di conseguenza, ci sono diversi modi per analizzare i dati EEG e ogni metodo estrae un aspetto unico di dati. Abbiamo discusso due metodi comuni di analisi: potenziale (ERP) di analisi evento-correlati e l&#39;analisi spettrale di potenza. Analisi ERP cattura l&#39;attività neuronale sincrona nel segnale EEG cioè aggancio di fase alla comparsa di un evento discreto. ERP riflettono specifico percettivi, motori o operazioni cognitive, rendendo questa statistica ideale per l&#39;esame specfasi di lavorazione IFIC. Analisi spettrale di potenza quantifica il contributo relativo di una particolare frequenza al segnale EEG. Vari cicli di feedback eccitatori e inibitori interagiscono per trascinare l&#39;attività di popolazioni neuronali ad una particolare frequenza 1,3. Tale sincronia tra regioni cerebrali disparate è pensato per promuovere il legame di informazioni attraverso reti neurali diffusi. Esiste una ricca letteratura che supporta il collegamento tra il potere all&#39;interno di un determinato intervallo di frequenza e di uno specifico stato emotivo o cognitivo di funzione 3. Nell&#39;analizzare EEG è anche importante tenere presente che le reti neurali sono sistemi complessi con dinamiche non lineari. Tale complessità si riflette nel segnale EEG come oscillazioni irregolari che non sono la conseguenza di rumore di fondo insignificante. Come attività oscillatoria sincrona, le interazioni tra i vari anelli rientranti eccitatori e inibitori causano influenza transitoriactuations nel segnale cervello nel tempo 6. Tali transienti sono creduti per riflettere transizioni o biforcazioni fra microstates rete che possono essere utilizzate per stimare i gradi di libertà o complessità della rete sottostante; maggiore variabilità nel pattern ampiezza del segnale nel tempo è indicativo di un sistema più complesso 5. Criticamente, ERP o le analisi spettrali non sono sensibili a tale attività irregolari, mentre MSE è. Inoltre, un indice di complessità rete non può essere ottenuto semplicemente contando il numero di regioni cerebrali attivi come un tale metodo è cieco alle interazioni ricorrenti transitori e dinamica tra regioni cerebrali. Metodi complementari per neuroimaging analisi si combinano per creare un quadro completo delle attività neurale sottostante. L&#39;interpretazione dei risultati delle applicazioni più tradizionali di dati di neuroimaging, come ERP e spettrale di potenza, sono potenziati da misure di complessità come MSE; MSE fornisce un modo per catturare la sequenza di cambiamenti nei modelli spazio-temporali di attività cerebrale in più tempi che contribuisce ad una specifica operazione cognitiva. Applicando MSE per insiemi di dati nuovi ed esistenti può fornire ulteriori informazioni sul modo in cui la cognizione emerge dalle dinamiche delle reti neurali.

I recenti progressi nella neuroimaging hanno aumentato notevolmente la nostra comprensione della funzione del cervello. Tuttavia, molte delle applicazioni di dati di neuroimaging tendono a rafforzare la visione del cervello in condizioni statiche, piuttosto che enfatizzare operazioni cognitive mentre si svolgono in tempo reale. Di conseguenza, poco si sa circa la struttura spazio-temporale di reti del cervello e di come la sequenza dei cambiamenti nei modelli spazio-temporali su più tempi contribuisce ad una specifica operazione cognitiva. Il presente articolo descrive multiscala entropia (MSE) 5, un nuovo strumento di analisi per dati di neuroimaging che prende in esame la complessità del modello spazio-temporale alla base di operazioni cognitive specifiche, fornendo informazioni su come i diversi generatori neurali in una rete comunicano funzionale del cervello in più tempi. Derivato dalla teoria dell&#39;informazione, una branca della matematica applicata 7,16, MSE era originalely progettato per esaminare la complessità di elettrocardiogrammi 4. In teoria, MSE potrebbe essere utilizzata per analizzare la complessità di ogni serie temporale, il requisito primario è che la serie temporale segnale contiene almeno 50 punti dati di tempo continuo. Tuttavia, la dipendenza temporale e la sensibilità alle dinamiche lineari e non lineari nei dati possono rendere MSE particolarmente informativo delle dinamiche delle reti neurali. Qui, ci concentriamo sull&#39;applicazione del MSE per elettroencefalogramma (EEG) dati di neuroimaging 9,12. EEG è una tecnica di neuroimaging non invasiva per cui gli elettrodi che sono posti sul cuoio capelluto catturare le reazioni post-sinaptici di popolazioni di neuroni in neocorteccia 1. Con alta risoluzione temporale, EEG incontra facilmente la lunghezza serie storica requisito di MSE senza alterare il protocollo tipico di acquisizione. Per sottolineare l&#39;utilità dell&#39;applicazione del MSE di dati EEG, confrontiamo questo nuovo metodo con il più tradizionale approccio inclusivouding evento-correlati potere potenziale e spettrale. Se utilizzati insieme, questi metodi complementari di analisi forniscono una descrizione più completa dei dati che possono portare a una visione più operazioni di rete neurale che danno origine a cognizione.

<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

Se si considerano i dati di neuroimaging umani, un apprezzamento della variabilità del segnale rappresenta un&#39;innovazione fondamentale nel modo in cui pensiamo segnale al cervello. In genere, i ricercatori rappresentano la risposta del cervello come la media attraverso prove sperimentali ripetute e ignorare le fluttuazioni dei segnali nel tempo come &quot;rumore&quot;. Tuttavia, è ormai chiaro che la variabilità del segnale cerebrale veicola informazioni funzionali significative sulle dinamiche delle reti neurali. Questo articolo viene descritto il nuovo metodo di multiscala entropia (MSE) per quantificare la variabilità del segnale cerebrale. MSE può essere particolarmente informativo delle dinamiche delle reti neurali perché mostra la dipendenza temporale e sensibilità alla dinamica lineare e non lineare dei dati.

Figure 1A e 2A rappresentano il segnale EEG in risposta alla presentazione di una immagine facciale. Media attraverso come prove produce una forma d&#39;onda ERP che consiste di una serie di deviazioni positive e negative chiamato componenti ERP. Figura 1B illustra una forma d&#39;onda mediato per un singolo oggetto e la Figura 6A illustra una forma d&#39;onda media grande per un gruppo di soggetti. Esiste una ricca letteratura che riguarda ogni componente ERP ad una specifica percettivi, motori o funzionamento cognitivo. Per esempio, l&#39;N170 è una deflessione negativa che picchi a circa 170 msec post-stimolo insorgenza ed è implicato nella faccia di elaborazione 8,15. La Figura 2B illustra la decomposizione dello stesso segnale EEG in bande di frequenza componenti. I risultati di analisi spettrale rivelano il contenuto in frequenza del segnale (Figura 2C), per cuiun aumento di potenza a una particolare frequenza riflette un aumento nella presenza di quel ritmo all&#39;interno del segnale EEG. Come potenza spettrale, MSE è sensibile alla complessità dei componenti oscillatorie contribuiscono al segnale. Tuttavia, a differenza di potenza spettrale, MSE è anche sensibile alle interazioni tra componenti di frequenza (cioè non lineare dinamica 18). La complessità di un segnale EEG è rappresentato come una funzione di entropia campione (Figura 5) su più scale temporali (Figura 4). Come illustrato in figura 3, campione entropia è bassa per segnali regolari ed aumenta con il grado di casualità segnale. A differenza dei tradizionali misure di entropia che aumentano con il grado di casualità, multiscala entropia è in grado di distinguere i segnali complessi da rumore bianco considerando l&#39;entropia in più tempi. Per esempio, Costa et al., 2005 rispetto multiscala valori entropia fo non correlati (bianco) contro il rumore correlato (rosa) di rumore. Mentre campione entropia è stata maggiore per il rumore bianco di rumore rosa al bene temporale, l&#39;opposto è stato osservato in tempi più grossolani 5-20. In altre parole, quando l&#39;entropia era considerato su più tempi, la vera complessità dei segnali è stata rappresentata più accuratamente di quanto sarebbe se solo una singola scala temporale è stato considerato. A seconda delle dinamiche temporali di un contrasto specifico, gli effetti delle condizioni possono essere espressi: 1) nello stesso modo in tutti i tempi, 2) in alcuni tempi, ma non altre, o 3) come effetti di crossover in cui il contrasto è diverso rispetto al bene più grossolana tempi. La Figura 6 illustra le differenze condizione in ERP (Figura 6A), potenza spettrale (Figura 6B), MSE (Figura 6C) contrastanti le presentazioni iniziali contro la ripetizione di fotografie del viso 9. In questo esempio tutte le misure convergevano a rivelarelo stesso effetto, tuttavia, la diminuzione osservata nel campione entropia che accompagna faccia ripetizione è importante in quanto vincola l&#39;interpretazione dei risultati. Una diminuzione della complessità suggerisce che la rete funzionale sottostante è più semplice e meno in grado di elaborare le informazioni. La figura 7 illustra i risultati statistici dell&#39;analisi multivariata di parziale minimi quadrati 11 applicate alla ERP, spettrale e MSE. L&#39;esperimento manipolato la familiarità associato con diverse facce (Heisz et al., 2012). Il contrasto (grafico a barre) mostra che ERP ampiezza distingue volti nuovi da volti familiari, ma non tra i volti noti che varia in quantità di una precedente esposizione. Spettrale di potenza distinti affronta secondo la familiarità acquisita ma non distingueva accuratamente tra i volti di media e bassa familiarità. MSE è stato più sensibile alle differenze di condizione in quel campione entropia valori crescentendr con crescente familiarità faccia. Le trame di immagini catturano la distribuzione spazio-temporale degli effetti condizione attraverso tutti gli elettrodi e il tempo / frequenza / tempi. Questo esempio mostra una situazione in cui l&#39;analisi EEG da MSE prodotta informazioni uniche che non è stato ottenuto con metodi tradizionali di ERP o potenza spettrale. Questa divergenza di MSE suggerisce che le condizioni sono diverse rispetto ad aspetti non lineare di dinamiche di rete, eventualmente coinvolgendo le interazioni tra i vari componenti di frequenza. <img alt="Figura 1" src="/files/ftp_upload/50131/50131fig1.jpg" /> Figura 1. A) Le risposte EEG di un singolo soggetto in funzione della deflessione ampiezza dal basale per ogni prova rilevata in tempo fin dall&#39;inizio del processo. Ogni prova consisteva nella presentazione di una fotografia di un volto. Deviazioni ampiezza positivi sono rappresentati inrosso; deviazioni ampiezza negativi sono rappresentati in blu. Tutti gli studi mostrano una deflessione positiva intorno a 100 msec e 250 msec, indicando evento-correlati aggancio di fase di attività. B) della media in tutti gli studi descritti in Figura 1A produce una forma d&#39;onda ERP mediato con deviazioni positive e negative distinte chiamate componenti evento-correlati e di nome secondo una nomenclatura standard. Per esempio, P1 è il primo componente andando positivo, ed N170 è un componente negativa che picchi a circa 170 msec post-stimolo insorgenza. <img alt="Figura 2" src="/files/ftp_upload/50131/50131fig2.jpg" /> Figura 2. A) La risposta EEG di un soggetto unico per un singolo trial tramando ampiezza di tempo (in punti dati, frequenza di campionamento 512 Hz). B) La risposta EEG di Figura 2A banda filtrato per isolare le bande di frequenza di delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) e gamma (&gt; 30 Hz). C) densità di potenza spettrale della risposta EEG illustrato nella figura 2A rappresenta composizione frequenza del segnale in funzione della potenza per frequenza. Un aumento di potenza spettrale ad una particolare frequenza riflette un aumento del numero di neuroni sincrono attivi trascinati all&#39;interno di quella particolare banda di frequenza. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig2large.jpg" target="_blank">clicca qui per ingrandire la figura</a> . <img alt="Figura 3" src="/files/ftp_upload/50131/50131fig3.jpg" /> Figura 3 A) Due forme d&#39;onda simulate:.. Una forma d&#39;onda regolare o prevedibile raffigurato in viola, e una forma d&#39;onda più stocastico raffigurato in nero B) valori di entropia del campione delle due forme d&#39;onda simulate per i primi tre tempi. Entr campioneopia è bassa per i segnali altamente prevedibili rispetto a segnali più stocastici. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig3large.jpg" target="_blank">Clicca qui per ingrandire la figura</a> . <img alt="Figura 4" src="/files/ftp_upload/50131/50131fig4.jpg" /> Figura 4. Down-campionamento della serie storica originale genera serie multiple nel tempo di diverse scale temporali. Tempistica 1 è la serie storica originale. La serie storica dei tempi 2 è creato dividendo la serie storica originale in non-finestre sovrapposte di lunghezza e 2 punti la media dei dati all&#39;interno di ogni finestra. Per generare la serie storica dei tempi successivi, dividere la serie storica originale in finestre non sovrapposti della lunghezza e media scala temporale i punti di dati all&#39;interno di ogni finestra. <img alt="Figura 5" src="/files/ftp_upload/50131/50131fig5.jpg" /> Figura 5. Una forma d&#39;onda simulato dove ogni rettangolo rappresenta un singolo punto di dati in serie temporale dell&#39;entropia. Campione stima la variabilità di una serie temporale. In questo esempio, m (la lunghezza del pattern) è impostato a due, il che significa che la varianza del modello ampiezza di ogni serie temporale sarà rappresentata in uno spazio bidimensionale rispetto tridimensionale considerando il pattern di sequenza di due contro tre consecutivi punti di dati, rispettivamente, R (il criterio di similitudine), riflette l&#39;intervallo di ampiezza (indicato con l&#39;altezza delle bande colorate) all&#39;interno del quale sono considerati punti dati di &quot;match&quot;. Per calcolare campione dell&#39;entropia per questa serie temporali simulate, iniziare con il primo pattern sequenza bicomponente, rosso-arancio. Prima, contare il numero di volte che l&#39;espressione sequenza rosso-arancio si verifica nella serie temporale, ci sono 10 partite per questa sequenza a due componenti. Secondo, contare il numero di volte prima tricomponente modello sequenza, rosso-arancio-yellow, si verifica nella serie storica, ci sono 5 partite per questa sequenza a tre componenti. Continuare in questo modo per la successiva sequenza a due componenti (giallo-arancio) e di tre componenti di sequenza (giallo-verde-arancio). Il numero di partite a due componenti (5) e le partite a tre componenti (3) per queste sequenze vengono aggiunti ai valori precedenti (totale bicomponente partite = 15; totali match a tre componenti = 8). Ripetere l&#39;operazione per tutte le altre partite di sequenza nelle serie temporali (fino a N - m) per determinare il rapporto totale di partite a due componenti per le partite a tre componenti. Entropia campione è il logaritmo naturale di questo rapporto. Per ogni soggetto, calcolare la stima MSE specifico canale come il mezzo attraverso singole misure di entropia di prova per ogni scala temporale. <img alt="Figura 6" src="/files/ftp_upload/50131/50131fig6.jpg" /> Figura 6. Differenze di condizione in ERP (A), potenza spettrale (B),MSE (C) contrasta le presentazioni iniziali o ripetuta di fotografie del viso. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig6large.jpg" target="_blank">Clicca qui per ingrandire la figura</a> . <img alt="Figura 7" src="/files/ftp_upload/50131/50131fig7.jpg" /> Figura 7. Contrastando la risposta EEG ai volti apprese attraverso misure di ERP, di potenza spettrale, e multiscala entropia. I grafici a barre rappresentare il contrasto tra le condizioni, come determinato dal parziale minimi quadrati analisi 11. La trama immagine mette in evidenza la distribuzione spazio-temporale in cui questo contrasto era più stabile, come determinato dal bootstrap. I valori rappresentano ~ punteggi z e valori negativi indicano un significato per l&#39;effetto condizione inversa. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig7large.jpg" target="_blank">Clicca qui per ingrandire la figura</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

Ricercatori neuroimaging solitamente considerano la risposta del cervello come l&#39;attività medio di tutti prove sperimentali ripetute e ignorano la variabilità del segnale nel tempo come &quot;rumore&quot;. Tuttavia, sta diventando chiaro che non vi è segnale in quel rumore. Questo articolo viene descritto il nuovo metodo di multiscala entropia per quantificare la variabilità del segnale cerebrale nel dominio del tempo.

Applicazioni di EEG dati Neuroimmagine: potenziali evento-correlati, spettrale di potenza, e multiscala 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 Views.  Baycrest. Ricercatori neuroimaging solitamente considerano la risposta del cervello come l'attività medio di tutti prove sperimentali ripetute e ignorano la variabilità del segnale nel tempo come "rumore". Tuttavia, sta diventando chiaro che non vi è segnale in quel rumore. Questo articolo viene descritto il nuovo metodo di multiscala entropia per quantificare la variabilità del segnale cerebrale nel dominio del tempo.

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.

Ad alta densità di eventi legati potenziale acquisizione dei dati in Neuroscienze Cognitive

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

Ricerca

Neuroscienze

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.

Cenni di analisi multivariata dei dati in neuroimaging

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.

Estrazione Potenziali visivi evocati da EEG dati registrati durante fMRI-guidata Stimolazione Magnetica Transcranica

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.

Potenziali evento-correlati somatosensoriali da Pelle Orofacial Stretch Stimolazione

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.

Registrazione simultanea di elettroretinografia e Potenziali evocati visivi nei ratti anestetizzati

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.

Quantificare la dinamica infrarosso del potere spettrale e della frequenza cardiaca nei topi addormentati

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).

Come trovare gli effetti di stimolo elaborazione evento correlati cervello potenziali del vicino agli altri quando Hyperscanning partner

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.

Metodi di neuroimaging campo usando vicino spettroscopia infrarossa (NIRS) Neuroimaging funzionale per studiare lo sviluppo globale del bambino: zone rurali dell'Africa sub-sahariano

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.

Analizzando l'attività neurale e connettività utilizzando dati EEG intracranico con SPM Software

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).