1. Aquisição de EEG <ol><li> Explicar os procedimentos experimentais para o participante e obter o consentimento informado. </li><li> Aplicar drop-down eletrodos. Limpe a área do rosto onde eletrodos drop-down será localizado usando um algodão embebido em álcool. </li><li> Coloque a tampa do eletrodo sobre a cabeça do participante. Meça a circunferência da cabeça do participante e escolha o tamanho da tampa adequada. Seguindo o sistema internacionalmente reconhecido 10-20 para colocação dos eletrodos, medir a distância entre nasion para inion ao longo da linha média e dividir por 10%. Usando esse número, mede-se a partir de nasion e marca. Alinhe o eletrodo cap posição Fp com esta marca e puxar a tampa. Certifique-se de que o centro da tampa está alinhado com o nariz. Meça nasion para Cz, e confirmar que esta distância é a metade da distância do nasion para inion. Aperte o barbicha. </li><li> Coloque o gel-cheia seringa sem corte de ponto nos suportes de eletrodos. Para criar uma coluna de gel condutor, comece em contato como couro cabeludo, em seguida, aperte e puxe para trás. Note-se que a aplicação de um excesso de gel pode colmatar os sinais dos eléctrodos vizinhos. </li><li> Fix eletrodos ativos nos suportes de eletrodos. </li><li> Posicione o motivo na frente do monitor a uma distância apropriada para o experimento. Pergunte ao participante a permanecer imóvel, enfatizando a importância de minimizar os movimentos dos olhos e pisca para uma gravação limpa. </li><li> Examine as conexões de eletrodos e qualidade do sinal EEG no computador de aquisição. Verifique se todos os deslocamentos de eletrodos são baixos (&lt;40 mV) e estável. Se houver um problema com um eletrodo particular, tirar essa eletrodo e reaplique gel para ajustar impedâncias naquele site. </li><li> Salve o arquivo e iniciar o experimento. </li></ol> 2. Análise de EEG <ol><li> Após a experimentação, mas antes de extrair a estatística de interesse particular, pré-processar os dados de EEG contínuo para remover artefatos que utilizam os procedimentos padrão de filtragem de umrejeição artefato nd. Cortar o EEG contínuo em épocas correspondentes a cada evento discreto, tal como a apresentação de fotografia. Em cada época, incluem uma janela de pré-estimulação de 100 mseg, como uma linha de base. </li><li> Análise de potenciais eventos relacionados (ERP) capta a actividade cerebral de fase síncrona que é bloqueado para o início do acontecimento. Média entre os ensaios para separar as respostas evocadas do &quot;barulhento&quot; (ou seja, não-fase bloqueado) atividade de fundo. A variabilidade entre os ensaios e entre-sujeitos apresenta um grande desafio para o método de análise de ERP. Para conseguir uma boa relação sinal-ruído do protocolo experimental deve incluir muitos eventos discretos com latências definíveis. Tempo de bloqueio a resposta do cérebro ao aparecimento de um evento marcante e, em seguida, uma média ao longo de muitos eventos como ajuda a reduzir um pouco dessa ruído, no entanto, a sincronia temporal, criado por este procedimento normalmente se dissolve dentro de 1 seg. Identificar os componentes de ERP amplitudes de pico e as latências para cada subjeto (para orientações mais detalhadas sobre a análise ERP, consulte Picton et al., 2000). </li><li> Utilizando a análise de Fourier transforma o sinal de EEG do domínio do tempo para o domínio da frequência e se decompor o sinal em suas ondas sinusoidais compósitos de diferentes frequências de 6. </li><li> Multiescala entropia (EPM) é uma métrica teórico informação que estima a variabilidade dos sinais neuroelectical ao longo do tempo e em várias escalas de tempo. Para fornecer uma representação conceitual de análise MSE, considerar duas formas de onda simuladas, uma onda regular e um mais estocástica. Valores de entropia da amostra são perto de zero para a forma de onda regular e ~ 2,5 para a forma de onda mais variável. Um aumento da entropia amostra corresponde a um aumento na complexidade do sinal, o qual, de acordo com a teoria da informação, pode ser interpretado como um aumento no valor de capacidade de processamento de informação do sistema subjacente 7,16. Recordar que a capacidade de um cérebro não é fixo, mas muda depending no contexto neural 2, ou seja, as regiões do cérebro que venham a ser funcionalmente conectados em um determinado ponto no tempo. </li><li> Para calcular o MSE, usar o algoritmo disponível no <a href="http://www.physionet.org/physiotools/mse/">www.physionet.org/physiotools/mse/</a> , que calcula o MSE em duas etapas. </li><li> Primeiro, o algoritmo progressivamente-amostras para baixo da série histórica EEG por tentativa e por condição. Down-amostra da série temporal original para gerar múltiplas séries de tempo de diferentes prazos. Séries temporais 1 é a série de tempo original. Para criar a série temporal dos prazos seguintes, dividir a série temporal original em não sobrepostos janelas do comprimento médio prazo e os pontos de dados dentro de cada janela. Sub-amostragem é semelhante à filtragem passa-baixo, dividindo a frequência de amostragem da escala de tempo irá aproximar a frequência com a qual o sinal é filtrado em passa-baixo para que a escala de tempo específico. A aplicação de um par de MSEgama de frequência cular (por exemplo, alfa: 9 Hz e 12 Hz) pode ser interpretada como representando a composição de ritmos dentro desse intervalo, bem como a interacção entre estas frequências. </li><li> Em segundo lugar, o algoritmo calcula a entropia de amostra para cada série de tempo de granulação grossa 14. Amostra entropia calcula a complexidade de uma série temporal. Numa análise não linear de EEG, supõe-se que uma série de tempos individuais representa a manifestação de um modelo de dinâmica não linear multidimensional subjacente (ver Stam, 2005, para uma revisão). Neste exemplo, m (comprimento padrão) é definida como dois, o que significa que a variação do padrão de amplitude de cada uma das séries de tempo será representada no espaço bidimensional contra tridimensional, considerando o padrão de sequência de dois contra três consecutivos Os pontos de dados, respectivamente. Parâmetro r (o critério de similaridade), reflecte a variação de amplitude (representada pela altura das bandas coloridas) dentro do qual os dados aponta umre considerado &quot;match&quot;. Para uma série temporal EEG típico com mais de 100 pontos de dados, defina o parâmetro m igual a 2 eo parâmetro r igual a um valor entre 0,5 e 1 (ver Richman e Moorman, 2000; por um procedimento detalhado sobre a seleção de parâmetros se referem ao Lago et ai., 2002). Para o cálculo da amostra entropia para esta série tempo simulado, comece com o primeiro padrão seqüência de dois componentes, vermelho-alaranjado. Em primeiro lugar, contar o número de vezes que o padrão de seqüência de vermelho-alaranjado ocorre na série histórica, há 10 partidas para esta seqüência de dois componentes. Em segundo lugar, a contagem do número de vezes primeiro padrão de sequência de três componentes, vermelho-laranja-amarelo, ocorre na série de tempo, existem cinco partidas para esta sequência de três componentes. Continue com as mesmas operações para a próxima seqüência de dois componentes (amarelo-laranja) e na próxima seqüência de três componentes (laranja-amarelo-verde) da série temporal. O número de jogos de dois componentes (5) e os jogos de três componentes (3) para estes sequencialmenteces são adicionados aos valores anteriores (total de jogos de dois componentes = 15; totais jogos de três componentes = 8). Repita o procedimento para todos os outros jogos de seqüência na série temporal (até N - m) para determinar a proporção total de partidas de dois componentes para jogos de três componentes. Amostra entropia é o logaritmo natural da relação. Para cada assunto, calcular a estimativa MSE específico canal como a média através de medidas simples de entropia de ensaios para cada escala de tempo. </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>

Não há conflitos de interesse declarados.

O objetivo do presente artigo foi apresentar uma descrição conceitual e metodológica de entropia multiescala (MSE), que se aplica aos dados de neuroimagem EEG. EEG é uma técnica não-invasiva neuroimagem poderoso que mede a actividade da rede neural com a alta resolução temporal. O sinal de EEG reflecte a actividade pós-sináptica de populações de células piramidais no córtex, cujas respostas colectivas são modificados por diversas ligações reentrantes de excitação e de inibição. Assim, existem várias maneiras de analisar os dados de EEG e cada método extrai um aspecto único dos dados. Discutimos dois métodos comuns de análise: potencial (ERP) de análise relacionados ao evento e análise espectral de potência. Análise ERP capta a actividade neuronal síncrono no sinal EEG, que é de bloqueio de fase para o aparecimento de um evento discreto. ERPs refletir específico perceptual, motor ou operações cognitivas, fazendo com que esta estatística ideal para a análise de especificaçõesestágios de processamento ific. Análise espectral de potência quantifica a contribuição relativa de uma determinada freqüência para o sinal de EEG. Vários loops de feedback excitatórios e inibitórios interagir para arrastar a atividade de populações neuronais em uma determinada freqüência de 1,3. Essa sincronia entre as regiões cerebrais diferentes é pensado para promover a ligação da informação através de redes neurais generalizadas. Há uma rica literatura de apoio à ligação entre o poder dentro de uma faixa de freqüência específica e um estado emocional ou cognitivo específico da função 3. Ao analisar EEG também é importante ter em mente que as redes neurais são sistemas complexos com dinâmica não-linear. Tal complexidade se reflete no sinal de EEG como oscilações irregulares que não são consequência de ruído de fundo sem sentido. Como atividade oscilatório síncrona, as interações entre os vários ciclos de reentrada excitatórios e inibitórios causar gripe passageiractuations no sinal do cérebro ao longo do tempo 6. Tais transientes são acreditados para reflectir transições ou bifurcações entre micro-rede que podem ser usados ​​para estimar o grau de liberdade ou a complexidade da rede subjacente, uma maior variabilidade no padrão de amplitude do sinal ao longo do tempo é um indicativo de um sistema mais complexo 5. Criticamente, ERP ou análise espectral de potência não são sensíveis a essa atividade irregular, enquanto MSE é. Além disso, um índice de complexidade da rede não pode ser obtida, contando simplesmente o número de regiões cerebrais activos como tal método é cega às interacções recorrentes transientes e dinâmica entre as regiões do cérebro. Métodos complementares de neuroimagem análise se combinam para criar um quadro completo da atividade neural subjacente. A interpretação dos resultados das aplicações mais tradicionais de dados de neuroimagem, tais como ERP e espectral de potência, são aumentadas por medidas de complexidade como o MSE; MSE fornece uma maneira de capturar a seqüência de mudanças nos padrões espaço-temporais de atividade cerebral em várias escalas de tempo que contribui para um funcionamento cognitivo específico. Aplicando MSE para conjuntos de dados novos e existentes podem fornecer mais informações sobre a forma como a cognição emerge da dinâmica de redes neurais.

Os recentes avanços na neuroimagem têm aumentado dramaticamente nossa compreensão da função cerebral. No entanto, muitas das aplicações de dados neuroimagem tendem a reforçar o ponto de vista do cérebro em estados estáticos, em detrimento operações cognitivas como elas se desenvolvem em tempo real. Por conseguinte, pouco se sabe sobre a estrutura do espaço-tempo de redes cerebrais e como a sequência de alterações nos padrões espaço-temporais em várias escalas de tempo contribui para um funcionamento cognitivo específico. O presente artigo descreve a entropia multiescala (MSE) 5, uma nova ferramenta analítica para neuroimagem de dados que analisa a complexidade do padrão espaço-temporal subjacente operações cognitivas específicas, fornecendo informações sobre a forma como diferentes geradores neurais em uma rede funcional do cérebro se comunicam através de múltiplas escalas de tempo. Derivado da teoria da informação, um ramo da matemática aplicada 7,16, MSE foi originally concebido para analisar a complexidade de electrocardiogramas 4. Em teoria, o MSE poderia ser utilizado para analisar a complexidade de qualquer série de tempo, o requisito primário é que as séries de tempo do sinal contém pelo menos 50 pontos de tempo contínuo de dados. No entanto, a escala de tempo de dependência e sensibilidade à dinâmica lineares e não lineares dos dados pode fazer MSE particularmente informativa da dinâmica de rede neural. Aqui, vamos nos concentrar sobre a aplicação da MSE de eletroencefalograma (EEG) de dados de neuroimagem 9,12. EEG é uma técnica de neuroimagem não invasivo pelo qual eletrodos que são colocados no couro cabeludo capturar as respostas pós-sinápticas das populações de neurônios no neocórtex 1. Com alta resolução temporal, EEG facilmente se encontra com o comprimento de séries temporais requisito de MSE sem alterar o protocolo de aquisição típico. Para sublinhar a utilidade da aplicação do MSE para dados de EEG, que compara este método inovador com abordagens mais tradicionais including poder potencial e espectral relacionados ao evento. Quando utilizados em conjunto, esses métodos de análise complementares fornecer uma descrição mais completa dos dados que podem levar a uma maior visão das operações de rede neural que dão origem a cognição.

<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

Ao considerar os dados de neuroimagem humanos, uma valorização da variabilidade do sinal representa uma inovação fundamental na forma como pensamos sobre o sinal do cérebro. Normalmente, os investigadores representam a resposta do cérebro como a média entre os ensaios experimentais repetidas e desconsiderar flutuações de sinal ao longo do tempo como &quot;ruído&quot;. No entanto, torna-se claro que a variabilidade do sinal do cérebro transmite informações funcional significativo sobre a dinâmica de redes neurais. Este artigo descreve o novo método de entropia multiescala (MSE) para quantificar a variabilidade do sinal do cérebro. MSE pode ser particularmente informativo da dinâmica de rede neural, porque mostra dependência prazo e sensibilidade à dinâmica linear e não linear dos dados.

As figuras 1A e 2A representam o sinal de EEG em resposta à apresentação de uma imagem de face de. Média transversalmente como ensaios produz uma onda de ERP, que consiste de uma série de desvios positivos e negativos chamados de componentes de ERP. Figura 1B ilustra uma forma de onda média em um único assunto e Figura 6A ilustra uma forma de onda média de mil por um grupo de indivíduos. Há uma rica literatura que relaciona cada componente ERP a um determinado perceptual, motor, ou funcionamento cognitivo. Por exemplo, o N170 é um desvio negativo que picos em aproximadamente 170 ms início de pós-estímulo e está envolvida no processamento de rosto 8,15. A Figura 2B ilustra a decomposição desse mesmo sinal de EEG em bandas de frequências dos componentes. Os resultados da análise espectral de potência revelar o conteúdo de frequência do sinal (Figura 2C), em queum aumento na potência com uma frequência reflecte um aumento na presença de que o ritmo dentro do sinal de EEG. Como poder espectral, MSE é sensível à complexidade dos componentes que contribuem para a oscilatórios sinal. No entanto, ao contrário de potência espectral, MSE também é sensível às interações entre os componentes de freqüência (ou seja, a dinâmica não-linear 18). A complexidade de um sinal de EEG é representada como uma função da entropia da amostra (Figura 5), ao longo de várias escalas de tempo (Figura 4). Tal como ilustrado na Figura 3, a amostra é entropia baixa para sinais normais e aumenta com o grau de aleatoriedade de sinal. Ao contrário de medidas de entropia tradicionais que aumentam com grau de aleatoriedade, multiscale entropia é capaz de diferenciar sinais complexos de ruído branco por considerar entropia em várias escalas de tempo. Por exemplo, Costa et al., 2005, em comparação multiscale valores entropia fou não correlacionado (branco) contra o ruído correlacionado (rosa) de ruído. Enquanto amostra entropia foi maior para o ruído branco do que o ruído rosa na fina escala de tempo, o oposto foi observado em mais grosseiras prazos 5-20. Em outras palavras, quando a entropia foi considerada em várias escalas de tempo, a verdadeira complexidade dos sinais foi representada com mais precisão do que seria se apenas uma única escala de tempo foi considerado. Dependendo das dinâmicas temporais de um contraste específica, os efeitos de condição pode ser expressa: 1) da mesma forma em todas as escalas de tempo, 2) em algumas escalas de tempo, mas não a outra, ou 3), os efeitos do cruzamento em que o contraste é diferente em finos contra grosseira prazos. A Figura 6 mostra as diferenças de condição em ERP (Figura 6A), potência espectral (Figura 6B), MPE (Figura 6C) contrastando as apresentações iniciais contra repetição da cara fotografias 9. Neste exemplo, todas as medidas convergiram para revelarNo mesmo sentido, no entanto, a diminuição observada na amostra de entropia que acompanha cara repetição é importante, uma vez que restringe a interpretação dos resultados. Uma diminuição na complexidade sugere que a rede funcional subjacente é mais simples e menos capaz de processar a informação. A Figura 7 mostra os resultados estatísticos de análise multivariada de mínimos quadrados parciais de 11 aplicados ao ERP, potência espectral e MSE. O experimento manipulou a familiaridade associados a diferentes faces (Heisz et al., 2012). O contraste (gráfico de barras) mostra que o ERP amplitude distinguido novos rostos a partir de rostos familiares, mas não entre as caras conhecidas que variaram em quantidade de exposição prévia. Espectral de potência distinguido enfrenta acordo com familiaridade adquirida, mas não distinguir com precisão entre as faces de familiaridade média e baixa. MSE foi mais sensível às diferenças de condições no que a amostra de entropia valores cada vezed com o aumento da familiaridade face. As parcelas imagem captura a distribuição espaço-temporal do efeito condição em todos os eletrodos e tempo / freqüência / calendário. Este exemplo demonstra uma situação em que a análise de EEG por MSE produziu informação única que não foi obtido utilizando os métodos tradicionais de ERP ou de potência espectral. Esta divergência de MSE sugere que as condições são diferentes no que diz respeito aos aspectos não-lineares de suas dinâmicas de rede, possivelmente envolvendo as interações entre os vários componentes de freqüência. <img alt="Figura 1" src="/files/ftp_upload/50131/50131fig1.jpg" /> Figura 1. D) As respostas de EEG de um único objecto, como uma função da amplitude da deflexão a partir da linha de base para cada ensaio, em função do tempo a partir do início do ensaio. Cada teste consistiu na apresentação de uma fotografia de uma imagem da face de. Deflexões amplitude positiva são descritos emvermelho; desvios de amplitude negativos são representados em azul. Todos os ensaios mostram um desvio positivo em torno de 100 ms e 250 ms, indicando relacionados ao evento de bloqueio de fase atividade. B) Calculando a média em todos os ensaios descritos na Figura 1A produz uma onda de ERP médio com desvios positivos e negativos distintas chamadas componentes relacionados ao evento e nomeado de acordo com uma nomenclatura padrão. Por exemplo, P1 é o primeiro componente positivo indo, e N170 é um componente negativa que picos a cerca de 170 mseg início pós-estímulo. <img alt="Figura 2" src="/files/ftp_upload/50131/50131fig2.jpg" /> Figura 2. A) A resposta EEG de um único assunto para um único julgamento plotagem amplitude de tempo (em pontos de dados, taxa de amostragem de 512 Hz). B) A resposta EEG da Figura 2A banda filtrada para isolar faixas de freqüência delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) e gama (&gt; 30 Hz). C), a densidade de potência espectral do EEG de resposta representada na Figura 2A que representa a composição do sinal em função do poder de frequência de frequência. Um aumento na potência espectral em uma freqüência particular reflete um aumento no número de neurônios de forma síncrona ativos arrastadas dentro dessa faixa de freqüência particular. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig2large.jpg" target="_blank">Clique aqui para ver a figura maior</a> . <img alt="Figura 3" src="/files/ftp_upload/50131/50131fig3.jpg" /> Figura 3 A) Duas formas de onda simuladas:.. Uma onda regular ou previsível representado em roxo, e uma forma de onda mais estocástico representado em preto B) valores de entropia amostra de duas formas de onda simuladas para os três primeiros prazos. Amostra entropy é baixa para sinais altamente previsíveis do que os sinais mais estocásticos. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig3large.jpg" target="_blank">Clique aqui para ver a figura maior</a> . <img alt="Figura 4" src="/files/ftp_upload/50131/50131fig4.jpg" /> Figura 4. Down-amostragem da série e hora original gera várias séries de tempo de diferentes prazos. Timescale 1 é a série de tempo original. A série temporal de escala de tempo 2 é criado através da divisão do tempo original em série não sobrepostos janelas de comprimento e 2 pontos médios de dados dentro de cada janela. Para gerar a série temporal de prazos seguintes, dividir a série temporal original em não sobrepostos janelas do comprimento médio prazo e os pontos de dados dentro de cada janela. <img alt="Figura 5" src="/files/ftp_upload/50131/50131fig5.jpg" /> Figura 5. Uma forma de onda simulada onde cada retângulo representa um único ponto de dados da série histórica. Amostra entropia estima a variabilidade de uma série temporal. Neste exemplo, m (comprimento padrão) é definida como dois, o que significa que a variação do padrão de amplitude de cada uma das séries de tempo será representada no espaço bidimensional contra tridimensional, considerando o padrão de sequência de dois contra três consecutivos Os pontos de dados, respectivamente, R (o critério de similaridade), reflecte a variação de amplitude (representada pela altura das bandas coloridas) dentro da qual os pontos de dados são considerados &quot;corresponder&quot;. Para o cálculo da amostra entropia para esta série tempo simulado, comece com o primeiro padrão seqüência de dois componentes, vermelho-alaranjado. Em primeiro lugar, contar o número de vezes que o padrão de seqüência de vermelho-alaranjado ocorre na série histórica, há 10 partidas para esta seqüência de dois componentes. Em segundo lugar, contar o número de vezes que primeiro padrão seqüência de três componentes, vermelho-laranja-gritoow, ocorre na série histórica, há 5 jogos para esta seqüência de três componentes. Continuar dessa maneira para a próxima seqüência de dois componentes (amarelo-laranja) e três componentes de seqüência (laranja-amarelo-verde). O número de jogos de dois componentes (5) e os jogos de três componentes (3) para estas sequências são adicionados aos valores anteriores (total de dois componentes jogos = 15, total de jogos de três componentes = 8). Repita o procedimento para todos os outros jogos de seqüência na série temporal (até N - m) para determinar a proporção total de partidas de dois componentes para jogos de três componentes. Amostra entropia é o logaritmo natural da relação. Para cada assunto, calcular a estimativa MSE específico canal como a média através de medidas simples de entropia de ensaios para cada escala de tempo. <img alt="Figura 6" src="/files/ftp_upload/50131/50131fig6.jpg" /> Figura 6. Diferenças condição em ERP (A), potência espectral (B),MSE (C) contrastando as apresentações iniciais contra repetida de fotografias faciais. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig6large.jpg" target="_blank">Clique aqui para ver a figura maior</a> . <img alt="Figura 7" src="/files/ftp_upload/50131/50131fig7.jpg" /> Figura 7. Contrastando a resposta ao EEG rostos aprendidas através de medidas de ERP, espectral de potência, e multiscale entropia. Os gráficos de barras retratam o contraste entre as condições, conforme determinado pela análise de mínimos quadrados parciais 11. O enredo imagem destaca a distribuição espaço-temporal em que esse contraste era mais estável, conforme determinado pelo bootstrapping. Os valores representam ~ z pontuações e valores negativos indicam significância para o efeito condição inversa. <a href="https://www.jove.com/files/ftp_upload/50131/50131fig7large.jpg" target="_blank">Clique aqui para ver a figura maior</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

Neuroimagem pesquisadores geralmente consideram a resposta do cérebro como a atividade média entre os ensaios experimentais repetidas e desconsiderar a variabilidade do sinal ao longo do tempo como &quot;ruído&quot;. No entanto, torna-se claro que não há sinal de que o ruído. Este artigo descreve o novo método de multiescalar entropia para quantificar a variabilidade do sinal do cérebro no domínio do tempo.

Aplicações de dados de EEG Neuroimagem: potenciais relacionados a eventos, espectral de potência, e Multiscale Entropia

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 visualizações.  Baycrest. Neuroimagem pesquisadores geralmente consideram a resposta do cérebro como a atividade média entre os ensaios experimentais repetidas e desconsiderar a variabilidade do sinal ao longo do tempo como "ruído". No entanto, torna-se claro que não há sinal de que o ruído. Este artigo descreve o novo método de multiescalar entropia para quantificar a variabilidade do sinal do cérebro no domínio do tempo.

Vídeo: 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.

Evento relacionados com alta densidade de Aquisição de Dados Potencial em Neurociência Cognitiva

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

Neurociência

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.

Fundamentos da Análise Multivariada em Dados de neuroimagem

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.

Extraindo potenciais evocados visuais de dados EEG gravado durante fMRI-guiada Estimulação Magnética Transcraniana

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.

Potenciais relacionados a eventos somatossensorial de pele Orofacial estiramento Estimulação

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.

Gravação simultânea de Eletrorretinografia e potenciais evocados visuais em ratos anestesiados

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.

Quantificando a dinâmica infra-lenta do poder espectral e da freqüência cardíaca em ratos dormindo

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).

Como encontrar os efeitos de estímulo processamento sobre eventos relacionados cérebro potenciais de perto os outros quando Hyperscanning parceiros

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.

Métodos de neuro-imagem campo usando funcional perto de neuroimagem de espectroscopia de infravermelho (NIR) para estudar o Desenvolvimento Global da criança: Rural África subsahariana

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.

Analisando a atividade Neural e conectividade usando dados de EEG intracraniano com 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).