子供高密度脳波記録の皮質ソース解析

要約

近年、認知神経科学実験のために頭皮測定された電気的活動の皮質源を推定する関心が高まっている。この記事では、高密度脳波を取得した方法と、録音はロンドン赤ちゃんラボで2歳以上の小児の皮質源推定のために処理される方法について説明します。

要約

EEGは、伝統的に高い時間および低空間分解能を有する神経画像技術として記載されている。生物物理学的モデル化と、信号処理における最近の進歩は、この制約^を克服する¹高空間分解能を提供する構造的MRIのような他の撮像モダリティからの情報を活用することを可能にする。これは一時的な高解像度だけでなく、空間領域を必要とする調査に特に便利です。よく機能的MRIスキャンを許容しないような若い子として集団を操作するときだけでなく、原因EEG記録の簡単なアプリケーションで低コストのために、脳波は、多くの場合、最適な方法である。しかし、基質が関与する神経調べるために、構造的MRIからの解剖学的情報が依然として必要である。ほとんどの脳波解析パッケージは、大人の解剖学に基づいており、標準的な頭部モデルを扱う。子どもたちのために使用されるこれらのモデルの精度は^、2を制限されているので、COmpositionと頭の空間的な構成は、開発³で劇的に変化した組織。

本論文では、高密度脳波の皮質の発電機を再構築するために、個々の構造的なMRIスキャンや年齢、特定の頭部モデルに基づく頭部モデルを用いた我々の最近の研究の概要を説明します。この記事では、EEG記録が処理され、実験室の設定、タスクの設計、脳波前に、MRI処理、脳波チャンネルレベルおよびソース解析など、ロンドンの赤ん坊の研究所の小児集団で分析、取得する方法を説明します。

概要

オバマ大統領は、健康と経済^{3（http://www.whitehouse.gov/share/brain-initiative）}のための重要度の高い科学的発見の次のフロンティアとして、人間の脳を記述した。しかし、自然科学の他の分野と同様に、神経科学の進歩のための方法論や分析技術の進歩に依存します。ヒトにおける脳機能に関する研究において一般的に使用される2つの非侵襲的なツールは、磁気共鳴イメージング（MRI）及び脳波（EEG）である。これらのツールは、異なる物理特性を利用し、独自の長所と短所を持つ脳機能にさまざまな洞察を提供しています。 MRIは、生体組織の画像を得るために磁場中での水分子の磁気特性を使用する。被験体は、高い磁場強度を有する磁石内に配置される必要がある。参加者の動きは、この手順の間に制限され、参加者は、磁気の急激な変化に起因するノイズを許容するために有しているフィールド。構造上の画像に加えて、MRIは、脳機能法（fMRI）を調べるために血液酸素化の変化を測定する可能性を提供する。要約すると、MRIは、現代の高磁場スキャナや最適化されたパラメータ⁴で最大0.5ミリメートル³の比較的高い空間分解能を提供しています。これとは対照的に、fMRIのの時間分解能は間接的にしか神経活動^5,6の高い時間ダイナミクスを反映しBOLD応答の遅い反応速度に制限されています。

他方、EEGは頭皮上に配置された電極を介してニューロンの活性によって引き起こされる電気的活動の変化を測定する。脳波技術の最近の進歩は、短期または長期固定のためのセンサーの迅速かつ容易なアプリケーションだけでなく、外来の録音を可能にします。 EEGは制限が少ないので、それはまた、井戸のようなMRI環境を許容しない特定の参加者集団のために選択される方法である小児および特定の高齢者や精神科集団。 EEGの特性は、MRIのものと逆のパターンを示す：時間分解能精度はミリ秒と非常に高いが、空間分解能が制限される。電気電流が頭皮の表面にその発電機およびEEG電極との間で種々の組織を通過する。これは、混合および体積伝導効果として知らソースアクティビティの空間的スミアリングをもたらす。そのため、頭皮の表面に電極によって測定された活性は、ヘッド^1,7の電極の位置に遠いかもしれない複数のソースからの活動を反映している。

近年の多くの研究は、それぞれの長所を活用するために、MRIとEEGの併合に専念してきました。仕事の一行は、機能研究における脳波やMRIの同時取得に取り組んでいます。別のアプローチは、ボリュームcのを考慮するために、構造MRIによって提供される空間情報を使用することであるonduction生物物理学的モデリングによって効果。 EEG記録のソース再構成のための構造情報を使用することは小児集団を含む研究のために特に有用である。脳機能の発達の調査は複雑な認知能力は、単純な前駆体⁸の上に構築する方法を理解する上で中心的な役割を果たします。

これらの調査は、行動性能の変化と相関神経基盤と応答特性の変化を強調するのに役立ちます。しかし、開発中に脳機能と認知の調査は、特定の課題を提起する。特に、機能的MRI研究のための機会が幼い子供や乳幼児眠っや運動の成果物と参加者福祉に悪影響を及ぼすことなく、MRIデータを取得するために鎮静する必要がいずれかとして制限されています。さらに、脳波、研究参加者の募集が容易になり、両親によってリスクが少ないと、侵襲性として知覚される。 Therefore、脳波は幼児の脳機能の多くの研究のために選択される方法である。 EEGシステムにおける方法論的進歩は、数分以内に128以上のチャンネルを有する高密度電極アレイの適用を可能にする。アプリケーションと快適さを身に着けやすさにも最年少の乳児に脳波記録を可能にするのに十分である。しかし、多くの場合、研究者だけでなく、特定の刺激に対する応答の時間的なダイナミクスに興味を持っているだけでなく、応答を仲介する神経基盤を比較したいと思います。

異なる年齢群を比較するチャンネルレベルのERP分析において一般仮定は、同じ神経基盤が応答していることですが、タイミングや応答振幅は年齢⁹渡って変化する。同様の頭皮トポグラフィは、しばしば類似の基礎となる神経活動の指標として使用される。しかし、多くの異なるソースの構成は同様の頭皮トポグラフィ¹⁰につながる可能性がある。光源推定を適用することにより、このuncertaintyを低減し、定量することができる。観測値の独立性は、脳機能のネットワークアカウントのために重要である：ソースが混在している場合、相関が高いローカル接続の方にバイアスされる。ソース再構築は、このバイアス^11を減少させるために適用することができる。代わりに、タイミングと位相の違いは、接続分析に使用することができますが、これらの数学的モデルは、非シミュレートされたデータ¹²で評価することが困難な仮定を必要とする。要約すると、元の推定は解剖学や組織の生物物理学的特性に関する知識に基づいて、チャネルレベルの脳波とERP分析に追加情報を提供します。

異なるアルゴリズムは、逆問題に対する解決策を見つけるために考案されている。パラメトリックとノンパラメトリック^13：これらのアルゴリズムは、2つのカテゴリに大別分類されます。パラメトリックモデルは、位置、向きや強さが変化してもよい1または複数の双極子を想定しています。対照的に、非パラメトリックモデルcontai固定された位置と向きを持つダイポール多数のNA。これらのモデルでは、頭皮の電気的活動は、固定ダイポール^10,13,14における活性化の組み合わせとして説明する。ノンパラメトリック、分散型のソースモデルは、様々なメディアでの解剖学と導電率に関する知識に基づいて行うことができる。境界要素モデルは、脳、脳脊髄液、頭蓋骨に別のシェルとヘッドの主な組織のための導電率値を組み込む。これは、導電率は、各区画内にほとんど一定であるが、顕著な変化は、異なる区画の境界で発生することを想定している。導電率の値は、各ボクセル¹⁵に割り当てることができるように、有限要素モデルは、灰白質および白質にMRスキャンのさらなるセグメンテーションに基づいている。

実際には、ノンパラメトリックモデルは、領域の数が05に関与する複雑な認知課題にソース再構築のために特に有用である¹⁰知られていない。より正確な有限要素モデルは、比較的高い計算要求をもたらすためか境界要素モデルが最も広く、現在の文献で使用される。のFEMは、個々のMRIスキャンに基づくべきであるように、さらに、灰色と白質にはかなりの間個体差があります。

ノンパラメトリックモデルは、順モデルの予測に頭皮測定された活性を一致させるための第二のステップが必要です。再度、異なる利点および欠点を有する異なるアプローチが（概要についてはミシェルら 、2004を参照のこと）文献で ​​議論されている。最も広く使用されているアルゴリズムは、最小の全体的な強度¹⁶との上位モデル内の電流分布に頭皮測定された活性と一致する最小ノルム推定（MNE）に基づいています。多国籍企業は弱く、表面的な情報源に偏っている。深さ重み付けされた多国籍企業のアルゴリズムは、重みを導入することにより、表面の偏りを軽減しよう数学的な仮定に基づいて¹⁰の行列。広く使用されているLORETAのアプローチは、加重MNEに基づいていますが、さらにスムーズな解決策^17,18につながる要因のラプラシアンは、最小限に抑えられている。 LORETAは、シミュレーション研究^19,20に単一ソースの最良を行うことが見出されている。しかし、LORETAソリューションの平滑化の上につながる可能性があります。源が未知であるか、または複数のソース¹³は^、16本である可能性が高いときに深さ重み付けMNEが好ましい。異なるモデルの仮定の影響を評価するために、異なるアルゴリズムの結果を比較することはお勧めします。

要約すると、モデリング手法を介して、ソースの再構築が最近まで子供たちのために制限されてきた。ほとんどのEEG分析ソフトウェアは、実質的に子供^2,8のソース解の精度を制限する成人の解剖学的構造に基づいて、頭部モデルに依存しているからである。計算能力との規定に格安アクセスソース再構築のためのユーザフレンドリーなソフトウェアにより、これらの制限を克服することを可能にする。脳波にソース推定を適用すると、単独のチャンネルレベルの観察に基づいた分析を介して2つの重要な利点を提供する：空間分解能と観測値の独立性を改善しました。

ソース推定は、場合によっては有益ではない可能性があります。頭の良いカバレッジはソースを区別するために必要とされている。 128以上の電極を有する高密度システムは^、10,15とをお勧めします。まばら報道は、より広い拡散源の活性化や偽陰性の結果が¹⁰につながる空間フィルタとして機能します。さらに、この記事で説明した方法に基づいて、ソースの再構築は、皮質の発電機のために報告されています。したがって、皮質下の基板または皮質、皮質下の相互作用についての仮説を試験するにはあまり適していない。最後に、ソース解析は、皮質基質についての詳細な従来の仮説に基づくべきである考慮に他の画像診断法から既存の文献を取る。空間フィルタリング技術は、頭皮レベルでの空間的な混合を低減することによってEEG信号の空間分解能を改善するために使用されてもよい。ヘッドモデリングすることなく、体積伝導効果の影響を低減するための代替方法は、 例えば 、ラプラシアンフィルタ²¹又は電流源密度解析^22が使用される。体積伝導効果だけ空間的に近接し¹内のセンサに限定されないがしかし、これらの方法は、神経発生に関する詳細な情報を提供しない。

以下のセクションでは、物品は、脳と2歳の子供の認知機能を調べるための実験を​​ロンドン赤ちゃんラボで設計されている方法を説明します。次に、子どもとの高密度低インピーダンスシステムとEEGデータ取得は議論されている。そして、チャネルレベルでの脳波前処理と分析が提示されている。 Lastlyは、物品は、皮質ソース再構築及びソースレベル信号の分析のための構造的MRIデータの処理に焦点を当てている。

プロトコル

子供のための1。設計脳波およびイベント関連電位の実験

注：簡単な実験は、幼児の顔処理を調査するために用いることができる、この記事の目的のために設計されました。次のセクションでは、実験を説明し、MATLAB R2012bとPsychtoolbox V3.0.11 ^23,24を使用してそれを実装する方法を説明します。感情的な表情²⁵のNimStimセットから撮影された写真は、この実施例に使用した。この刺激セットは、要求に応じて、研究目的のために提供されています（ http://www.macbrain.org/resources.htm ）。

1. 刺激の違いを減らすために、グレースケールに、RGBの画像を転送。 表1を参照してください注：これらのコマンドは、Processing Toolboxの（イメージが必要http://www.mathworks.co.uk/products/image/ ）。無料の代替案は、T見つけることができるファイル交換（hrough https://www.mathworks.co.uk/matlabcentral/fileexchange ）。
2. 刺激提示のために正確なタイミングでの実験を実施するために、実験制御ソフトウェアを使用して、（例えば、表1を参照）一連のコマンドを使用してトリガします。

2。データ収集

1. 子供がテスト環境で快適であることを確認してください。年少の子供たちは、彼らの介護者の膝の上や、快適な子供の席に座ることができます。子供が子供の頭に適用する前に、センサネットを見て、感じてみましょう。余分のネットがある場合は、親も上のいずれかを試したり、人形やぬいぐるみテディベアに1を配置している。
2. 子供のための正しい正味のサイズを選択し、最大頭囲を測定します。測定テープを使用し、[後にそれを保持する。そして、最大円周の周りに頭の周りを測定（〜1イニオン上記のCM）。注：測定頭囲、後で分析²⁶に使用したセンサネットの記録を保持。両親ヘッドはまた、状況を持つ子どもをより快適にするために測定される場合に役立ちます。
3. [後]とイニオンと左右periauricularポイント間の中間距離の交差点で頭部の頂点を識別します。ネットを適用する際に頂点チャンネルが正しく配置されていることを確実にするために、中国ペンで、この点をマーク。
4. センサネットを適用し、キーのチャネルが解剖学的特徴（[後、イニオン、頂点、右/左mastoids）と整合していることを確認してください。注：最も正確な結果を得るためには、ヘッド上のチャンネルの位置は、デジタル特殊デジタル化装置を用いて取得することができる。センサ位置の取得を希望する研究者は、適切なハードウェアとソフトウェアのマニュアルを参照する必要があります。代わりに、解剖学的LANに沿って、電極の標準配置を想定し、電極マップdmarksを使用することができる。これらのマップは、分析部で説明したように、適切な頭部モデルを熟成するためにワープすることができます。
5. チャネルは個別にセンサーを配置することによって、頭皮との良好な接触を持っていることを確認してください。静かに邪魔に髪を移動するには左右に各センサをねじる。
6. チャネル利得およびチャネルのインピーダンスを測定します。 NetStation脳波記録ソフトウェアで録音を開始し、ゲインとインピーダンス測定を開始する "スタート"をクリックします。測定は自動的に起動しない場合は、「キャリブレーションアンプ」と「ネットのインピーダンスを測定します」ボタンを使用します。
7. 赤く表示されます50kΩのより高いインピーダンスを有するチャネル用録画ソフトをチェックしてください。チャネルインピーダンスを下げるために、ピペットを用いて、追加の電解質溶液を適用する。低インピーダンスまたはチャネル（フラットラインチャンネル）を囲むより著しく低い活性にもかかわらず、高周波活性を示すチャネルのためのEEGの表示を確認してください。これらのチャネルは、HAVがあり頭皮にE接触不良や調整が必要。
8. 脳波の準備中に快適な子供たちを保つために、子供が幼児のためのシャボン玉を吹いて、 例えば 、音楽を聴く年齢に適した漫画を見たり、別の実験者を使用してそれらをそらすことができます。

3。分析

1. 前処理
   1. デジタルで^27（表1）を漂うチャンネルを削除する0.1 Hzのカットオフを有する高域通過フィルタでデータをフィルタリングする。
   2. ERP分析のために、30ヘルツ^27（ 表1）でカットオフを有するローパスフィルタを適用する。
   3. 記録時に設定されたトリガコードに基づき、継続的なデータをEPOCH。ほとんどの実験については、関心対象（ 表1）の時間間隔をカバーするために発症および600ミリ秒のポスト刺激間隔を刺激する前に200ミリ秒のベースラインを使用する。
   4. 動きや瞬きアーチファクトが含まれているエポックを削除します。マークC150 mVのより高いピーク振幅をピークhannels - 参加者グループとデータ品質に応じて、このしきい値を調整します。一貫性を保つため、ある研究では、すべての参加者に同じしきい値を使用しています。チャネルはエポックの30％以上は、この閾値を上回る場合、（これらは許容されるデータが含まれている場合、チャネル活性は、周囲のチャンネルから補間され得る）チャネルを削除する。チャンネルの20％以上が時代に不良とマークされている場合は、画期的を削除します。チャネルの20％以上は、アルゴリズムによって拒否されるか、またはエポックの50％未満が保持される場合、さらなる分析（ 表1）からのデータセットを削除することを検討してください。
      注意：エポックとチャネル除去のためのパーセントのしきい値は我々の経験では、ノイズの十分な量を削除おおよその数値です。記録時のアーチファクトの量は、他の参加基、実験的パラダイム又はEEGシステムを用いて異なる可能性が高い。実験者の割合を調整することもできますしきい値と、彼らはアーティファクト除去に満足しているかどうかを確認します。別の方法として、実験者は、目視検査によりアーティファクトが含まれている試験を拒否することができます。
   5. 各チャンネル（ 表1）からのチャネルにわたって平均活動を減算することにより平均基準を参照する再。注：頂点電極は、典型的にNetStation記録基準として使用される。
2. 独立成分分析を用いた成果物の修正
   1. FASTERツールボックス²⁸にデータをインポートし、データで自動アーティファクト除去アルゴリズム（ 表1）を実行します。
   2. より速くするためのグラフィカルユーザインタフェース（GUI）を使用します。コマンドラインに、GUI、タイプFASTER_GUIを開きます。
   3. データがすでにepoching前に濾過されているように、フィルタリングメニューのフィルタリングオプションの選択を解除します。
   4. 2 electrooculagram（EOG）チャンネル126のEEGチャンネル：チャンネル数を指定します。
   5. 入力するセル配列内の文字列としてデータをepochingために使用されるマーカー。提示された場合のように入力します。{'顔'、 'SCRA'}顔とスクランブル顔条件。
   6. 独立成分分析（ICA）のためのチャネルを選択します。通常、すべての録音チャンネルのinclを選択します。外部の非脳波チャンネル。
   7. GUIの右ペインに、入力と出力フォルダを指定します。
   8. 記録のための適切なチャネルファイルを選択します。注：ほとんどの脳波システムのためのチャネルのファイルがどちらかのメーカーからダウンロードすることができますかEEGLABのウェブサイトからダウンロードすることができます。
   9. より高速な処理を開始するには[実行]をクリックします。記録の長さとファイルの数によっては、この処理は数時間かかることがあります。
   10. 視覚的に処理した後に録音、独立成分マップおよびERPを検査します。
3. 事象関連電位データのチャネルレベルの解析
   1. 仮想Cを形成するために複数のチャネルを組み合わせて対雑音比が良好な信号とhannel（ 表1）。注意：チャンネルの選択は、文献に以前の報告や演繹的な仮説に基づいている必要があります。与えられた時間枠内で最大振幅を示して選択するチャンネルは^29をお勧めできません。
   2. ピーク振幅のような施策を取得、波形を特徴づけると統計的検定（ 表1）を実行するために、振幅とピーク潜時を意味する。
4. 境界要素モデルの作成（BEM）
   1. セグメントFreeSurferと解剖学的MRIスキャン。注：最も正確な結果を得るには、各参加者の個々のMRIスキャンの境界要素モデルを基礎としている。これが不可能な場合は、可能な限り厳密に、参加者の年齢を一致させる平均のMRIテンプレートを使用する必要があります。 BEMSは、24ヶ月未満の子供には使用できませんのでご注意ください。境界要素モデルは、各シェル（脳、頭蓋骨、皮膚が）閉殻で構成されていることを前提としています。しかし、yの頭蓋骨内oung子供泉門は閉殻の仮定に違反した、閉じられていない。
      1. FreeSurferソフトウェアをインストールするために、第FreeSurferホームページ（からダウンロードhttp://freesurfer.net/fswiki/DownloadAndInstall ）。次に、シェル環境をFreeSurferを含めるセットアップ; 。。bashrcにのために、bashrcファイルに次のコマンドが含まれています。
         1. 輸出FREESURFER_HOME = /アプリケーション/ freesurfer /
         2. ソース$ FREESURFER_HOME / FreeSurferEnv.sh
            注：これらのコマンドは、FreeSurferフォルダは、UNIXシステム上のアプリケーションフォルダにあることを前提としています。代替シェル環境、 例えば CSH / tcshの、またはFreeSurferウェブサイト上のオペレーティングシステム（とどのようにセットアップFreeSurferへの詳細がありますhttp://freesurfer.net/fswiki/DownloadAndInstall ）。
      2. 次に、件名方向を定義する保守党は、出力は次のコマンドを使用してに書き込まれるフォルダ、すなわち：
         1. 輸出SUBJECTS_DIR = / ... / BEMS /
            注：結果は、システム上の任意のフォルダに書き込むことができる。
      3. 次に、次のコマンドを使用して、境界要素モデルのため、MRIファイルを含むフォルダに作業ディレクトリを変更します。
         1. CD /ユーザ/ joebathelt / Neurodevelopmental_MRI_database /子供/脳/
            注：システム上の任意のフォルダには、cdコマンドの構文を使用して指定することができます。これにより、主研究者はファイルの構造の一例である。
      4. 最後に、次のコマンドを使用して再構築を開始します。
         1. 偵察·オールI -subjid
         2. 偵察·オールオールsubjid
            注意：現在のディレクトリ内の目的のMRIスキャンのファイル名に置き換える必要があり。 はREPすることができます任意の名前が混入。 FreeSurferは、対象ディレクトリにこの名前のフォルダが作成されます。使用されるシステムに応じて、最後のコマンドを実行するまでに時間を必要とし得る。
   2. 例えば 、誤ったセグメンテーションのためFreeSurferセグメンテーションを確認してください。重なり合う球、解剖学的にはほとんどの区画など 。ブレインストームにセグメントをインポートすることによって、およびGUIで表示ツールを使用します。
      1. ブレインストームでは、解剖学·ペインを選択します。対象を右クリックしてセグメント化され、MRIをインポートし、「インポート解剖フォルダ」を選択する。 FreeSurfer出力とフォルダを確認してくださいが選択されています。右クリックして、視覚的にセグメント化を検査し、「表示」を選択する。注：または、FreeSurferコマンドを使用することができる。詳細な説明は、FreeSurferのウェブサイトでご覧になれます。 http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction。解剖parcellationに基づいて、関心の分析の領域が所望される場合、FreeSurfer関数mris_ca_label 、 mri_annotation2labelとmri_mergelabelsを使用することができる。 FreeSurferの出版物や、より詳細な情報については、オンラインヘルプページを参照してください。
5. ブレインストームにソースアクティビティを推定
   1. コマンドウィンドウで「ブレインストーム」を入力してブレインストームを開始します。
   2. [ファイル]メニューから[新しいプロトコルを選択して、新しいプロトコルを作成します。
   3. 新しい首題を追加電気ショック療法プロトコルに[ファイル]メニューから[新規の対象を選択することによって。
   4. 対象を右クリックして「インポートMEG / EEG」を選択することにより、参加者の輸入EEGデータ。
   5. 右クリックして「インポート·チャネル·ファイル」を選択することで、チャンネルファイルをインポートします。注：チャネルファイルは、ソース再構築のためにMRIに位置合わせする必要がある。ブレインストームは、ユーザーが、MRIでマークする必要がある4解剖学的基準点のシステムを使用しています。詳細は、（のためのブレーンストーミングのチュートリアルを参照してくださいhttp://neuroimage.usc.edu/brainstorm/CoordinateSystems ）。特定のEEGシステム、または、理想的には、前のEEG記録にデジタル化した頭部位置を使用することができるチャネルファイルによって定義された基準位置。
   6. 右主題のためのチャネルファイルをクリックし、「MRI登録」に移動し、 "期待どおりBEMとチャンネルが合っていることを確認してください; "を確認してください。注：モデル内の球体が重なっているかのチャネルがBEM内にある場合は、ソースの再構築が誤った結果が生成されます。 「MRIセグメンテーション」メニューの「編集」オプションを使用して配置を調整します。
   7. 参加者を右クリックして、各エポックのベースラインからのノイズ共分散行列を計算し、「ノイズ共分散行列」を選択し、「記録から計算」。注意：ブレーンストーミングツールボックスの作者が短時間録音のための斜めのノイズ共分散行列（〜チャネルより少ない時点）となった録音のための完全な1を使用することをお勧めします。 ：詳細については、ブレインストーム源推定のチュートリアルを参照してくださいhttp://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation 。
   8. 件名と選択」をコンピュ右クリックして、ソース·モデルを計算するE源モデル」。
   9. 対象を右クリックして、深さ加重最小ノルム推定を使用し、「計算元」と「最小ノルム推定」を選択逆ソリューションを計算します。注：その他のオプション（DSPM、sLORETA）をご利用いただけます。各オプションは、異なる利点と欠点があります。このアルゴリズムは、 先験的な考慮事項であり、文献に以前の報告に基づいて選択する必要があります。他のものは広く普及活性化に適しているのに対し、また、いくつかのアルゴリズムは、特定の領域に焦点活性化を解決するのに優れている。 MNEは、文献¹⁶の前の報告に基づいて、この研究のために使用した。一貫性を保つため、逆ソリューションの同じアルゴリズムがある研究では、すべての参加者のために使用されるべきである。研究者はまた、別の逆解法アルゴリズムの適用にどれだけ堅牢な調査結果を比較することができます。
   10. 研究ではすべての参加者については、第3繰り返します。注意：GRAのいずれかを使用参加者のための処理ステップを繰り返すphicalバッチ処理インターフェースやスクリプト。手順については、ブレーンストーミングの資料（参照http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScriptを ）。
   11. 処理メニューへの録音をドラッグし、「条件（被写体平均）で「「平均」とを選択することにより、参加者ごとの試験での平均ソースアクティビティ。
   12. 「プロセス2」を選択し、1ウィンドウに各条件をドラッグして、条件を比較してください。その後、設計に応じて、「テスト」と「スチューデントのt検定」や「スチューデントのt検定（ペア）」を選択します。多重比較を実行するには、「統計」メニューの結果の統計的な地図の表示に振幅と面積のしきい値を設定します。注：別の方法として、活性化マップは、SPM（にエクスポートすることができますhttp://www.fil。ion.ucl.ac.uk / SPM /）より詳細な統計分析のための（ http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12」） 。
   13. 関心のある領域のためのイベント関連の応答を計算します。 parcellationベースのROIのために、解剖学メニューで皮質表面上で右クリックしてFreeSurferのparcellationをロードして、「インポート·ラベル」を選択します。対応するファイルをナビゲートし、それをロードします。今、機能的なデータメ​​ニューの「スカウト」ペインでROIを選択します。
   14. プロセス1ウィンドウにファイルをドラッグすることで、ROIイベント関連のアクティビティを取得し、ソースメニューから「スカウト時系列を抽出します」を選択します。注意：いくつかのROIを同時に選択することができ、投資収益率の時系列は、スカウトの時間を右クリックして、さらにプロットや分析のためにエクスポートすることができます系列データと選択」をMATLABにエクスポート」。

結果

幼児や子供のためのERP実験を設計することが長いため、繰り返し実験を^30に耐える彼らの限られた容量が、しばしば困難である。正確なソースの再構築が^1。1のディスプレイに非常に幼い子供と一緒に使用することができ、顔処理機構の調査のための実験プロトコールを図高い信号対雑音比を必要とするので、実験者が、ソース再構成を適用すること?...

ディスカッション

本稿では、年齢の子供に適し標準のERPパラダイムの適切な平均のMRIテンプレートと深さは、重み付け最小ノルム推定に基づく境界要素モデルを用いて皮質発電機の再構築のための高密度脳波の記録と分析について説明します。このパラダイムでは、顔とスクランブル顔の画像が提示されています。別々の著者は、開発³⁵以上の顔処理メカニズムの開発を調査するために、このパラダイ...

資料

Name	Company	Catalog Number	Comments
High-density EEG sensor net (128 or 256 channels)	HydroCel Geodesic Sensor Net 128	Electrical Geodesic Inc., Oregon, US
EEG high impendance amplifier	NetAmps 200	Electrical Geodesic Inc., Oregon, US
Data Acquisition Computer	PowerMac G4	Apple Inc, California, US
Stimulus Presentation Computer	Optiplex 745	Dell Computers Inc., Texas, US
Stimulus Presentation Software	Matlab R2012b with PsychToolBox	Brainard et al. 1997
EEG recording software	NetStation 4.5.1	Electrical Geodesic Inc., Oregon, US
EEG analysis software	Matlab R2012b	The Mathworks Inc.,
	EEGLAB	Delorme et al. 2004
	BrainStorm	Sylvain et al. 2001
MRI processing software	FreeSurfer	Fischl et al. 2004
	OpenMEEG	Gramfort et al. 2010
References
Delorme, A., & Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21.
Sylvain, B., John, C., Dimitrios, P., & Richard, M. (2011). Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 2011, 1–13.
Fischl, B., Van Der Kouwe, A., Destrieux, C., Halgren, E., Ségonne, F., Salat, D. H., et al. (2004). Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22.
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. (2010). OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45. doi:10.1186/1475-925X-9-45
Brainard, D. H. (1997). The psychophysics toolbox. Spatial vision.