Этот метод может помочь ответить на ключевые вопросы в области когнитивной нейронауки. Основным преимуществом этого метода является то, что он может анализировать нейронную активность и связь на высоко пространственных временных эволюциях. Чтобы начать анализ внутричерепных данных ЭЭГ, наберите SPM12 и выберите аналитическое меню MEG EEG.
Во-первых, выполнить времени частотный анализ для предварительно обработанных внутричерепных ЭЭГ данных каждого испытания с использованием непрерывного разложения волн с волны Морлет на основе предопределенных параметров. Чтобы выявить временную эволюцию спектральных компонентов, проведите разложение волн с помощью семи-велосипедных волн Морлета за всю эпоху от 1 000 до 2000 миллисекунд с использованием частотного диапазона от четырех до 300 герц. Далее определите материнскую волновую волны и количество циклов и обратите внимание, что количество циклов контролирует разрешение частоты времени и должно быть больше пяти для обеспечения стабильности оценки.
Определите время и частотные диапазоны. Затем обрезать в результате частоты времени карты автоматически, чтобы удалить эффекты края. Здесь карты обрезаются на 200-500 миллисекундах.
При желании выполните преобразование данных и базовую коррекцию, выбрав шкалу частоты времени для карт частот времени, чтобы лучше визуализировать связанные с событиями изменения мощности и улучшить нормальность. Затем преобразуем карты частоты времени в двумерные изображения. Также плавное использование гауссийского ядра с предопределенным полумехабельным значением полной ширины, чтобы компенсировать междометную изменчивость и соответствовать предположениям случайной теории поля.
Теперь выберите указать второй уровень в меню SPM и введите 2D изображения, которые будут проанализированы. Затем запустите общую линейную модель, выбрав оценку модели. Наконец, выберите результаты для выполнения статистических выводов о данных частоты времени, основанных на случайной теории поля.
Обнаружить значительно активированные кластеры частоты времени с предопределенными пороговыми значениями, такими как те, которые видны здесь. Начните динамический анализ причинного моделирования, выбрав DCM в меню SPM. Затем выберите опцию IND и выберите новые данные для импорта предварительно обработанные внутричерепные данные ЭЭГ.
Далее используйте меню MEG EEG, чтобы указать интересное время, частотное окно интереса, количество волновых циклов, которые будут использоваться, условия интереса и контрасты условий. Установите время до 1 до 500 миллисекунд. Используйте пятикилоговые волны Morlet от четырех до 100 герц в одной герц шаги.
Используйте параметр по умолчанию для цикла волн. Определите диапазоны частот времени на основе интереса к исследованиям. Обратите внимание, что время окна с дополнительными 512 миллисекунд может быть автоматически использован во время вычислений для удаления эффектов края.
Основываясь на структуре DCM, определите движущих входные данные, представляющие сенсорные входы на нейронные состояния, и внутренние связи, которые воплощают базовую связь между нейронными состояниями. Кроме того, определить модуляторное воздействие на внутренние связи с помощью экспериментальных манипуляций для нулевых и гипотетизированных моделей. Определите тип модуляции как линейный или нелинейный.
Теперь укажите внутренние линейные и нелинейные соединения, вводимые ресурсы и модуляцию. Изменение параметров по умолчанию связанных параметров, если это необходимо, таких как время и продолжительность начала стимула. Затем выберите инвертировать DCM для оценки моделей.
После этого выберите сохранить результаты в качестве изображения, чтобы сохранить частотно-частотные модуляции параметр изображения. Далее, провести случайные эффекты Bayesian Модель Выбор анализа путем выбора BMS для определения оптимальной модели сети. В качестве показателей оценки используйте модель ожидаемых вероятностей и вероятностей присоединений.
Затем сделайте выводы относительно кросс-частотных моделей модуляторных соединений, используя выигрышные параметры модели. Теперь сгладить модуляции соединения параметр изображения, выбрав конвертировать в изображения. Затем используйте указать второй уровень для выполнения общего линейного анализа модели.
Наконец, выберите результаты для расчета значений 2D SPMT. Здесь, полная ширина полу-максимум был установлен на восемь герц и значительные значения были exploratorily определены с помощью неисправленного порога высоты P менее 0,05. Были проведены анализы частоты времени для изучения временных и частотных профилей активности нижних затылочных gyrus или IOG во время обработки фаз.
Здесь мы видим карты частоты времени правильной активности IOG для вертикальной фазы и вертикальных условий мозаики. Также показаны данные SPMT для вертикальной фазы по сравнению с вертикальной мозаикой. Функциональные сетевые модели показаны здесь.
Исследовано восемь возможных комбинаций модулятного ввода вертикальной фазы по сравнению с вертикальной мозаикой на связи между IOG и миндалиной и самосвещение с каждым регионом. Частотно-частотные параметры соединения и значения SPMT для вертикальной фазы по сравнению с вертикальной мозаикой для IOG против миндалины и миндалины по сравнению с модуляцией IOG показаны здесь. Красно-желтые области указывают на значительную возбуждаемую связь, в то время как сине-голубые области указывают на ингибирующую связь.
После просмотра этого видео, вы должны иметь хорошее понимание того, как анализировать внутричерепные данные ЭЭГ для обнаружения нейронной активности и подключения с помощью программного обеспечения SPM.
