JoVE Logo
Yazarlar
Bize Ulaşın

Oturum Aç

Bu içeriği görüntülemek için JoVE aboneliği gereklidir. Oturum açın veya ücretsiz deneme sürümünü başlatın.

Bu Makalede

  • Özet
  • Özet
  • Giriş
  • Protokol
  • Sonuçlar
  • Tartışmalar
  • Açıklamalar
  • Teşekkürler
  • Malzemeler
  • Referanslar
  • Yeniden Basımlar ve İzinler

Özet

Biz istatistik parametrik eşleme (SPM) yazılımını kullanarak kafa içi elektroansefalografi verileri çözümlemek için kullanılan iki analitik protokol mevcut: zaman-frekans istatistiksel parametrik eşleme analizi için sinirsel aktivite ve dinamik nedensel içi ve arası regional bağlantısı için indüklenen tepkilerin modelleme.

Özet

Sinirsel aktivite ve yüksek zamansal ve mekansal çözünürlükte bilişsel fonksiyonları ile ilişkili bağlantı ölçme önemli bir hedefi kognitif Nörobilim var. Kafa içi elektroansefalografi (EEG) doğrudan elektrik sinirsel aktivite kaydedebilirsiniz ve bu amacı gerçekleştirmek için benzersiz bir potansiyele sahiptir. Geleneksel olarak, intrakranial EEG verileri çözümlemek için analiz ortalama uygulanmış; Ancak, bazı yeni teknikler sinirsel aktivite ve içi ve arası regional bağlantıyı gösteren için kullanılabilir. Burada, biz son zamanlarda uygulanan istatistiksel parametrik eşleme (SPM) yazılımını kullanarak intrakranial EEG verileri çözümlemek için iki analitik protokol tanıtmak: zaman-frekans SPM analizi için sinirsel aktivite ve dinamik nedensel modellenmesi indüklenen yanıt için içi ve arası regional bağlantı. Biz bizim analiz intrakranial EEG veri yüzler gözlem sırasında temsilcisi rapor-den sonuçlanmak. Sonuçları ortaya koydu aşağı oksipital gyrus (kütük) çok erken aşamalarında (110 msn) yanıt-e doğru yüz ve seyir defteri hem salınım türleri kullanarak hızlı içi ve arası regional bağlantı gösterdi amigdala GAMA-Grup faaliyet gösterdi. Bu analitik protokoller yüksek kayma ve zamansal profilleri ile bilişsel işlevler altında yatan sinirsel mekanizmalar belirlemek potansiyeline sahip.

Giriş

Sinirsel aktivite ve yüksek zamansal ve mekansal çözünürlükte bilişsel fonksiyonları ile ilişkili bağlantı ölçme kognitif Nörobilim birincil amaçlarından biridir. Ancak, bu hedefi gerçekleştirmek kolay değildir. Sinirsel aktivite kaydetmek için kullanılan bir popüler fonksiyonel manyetik rezonans görüntüleme (MRG) yöntemidir. Fonksiyonel MRI temiz bir dezavantajı düşük zamansal çözünürlüğü olsa da fonksiyonel MRI milimetre düzeyinde ve non-invaziv kayıt, yüksek uzaysal çözünürlük gibi birçok avantaj sunar. Buna ek olarak, fonksiyonel MRI sadece dolaylı olarak elektrik sinir etkinliği yansıtan kan oksijen düzeyi bağlı sinyalleri ölçer. Elektroansefalografi (EEG) ve magnetoencephalography (MEG), dahil olmak üzere popüler elektrofizyolojik yöntemleri yüksek zamansal milisaniyelik düzeyinde sahiptir. Ancak, sahip oldukları nispeten düşük uzamsal çözünürlük, çünkü onlar kafa derisi, Elektrik/manyetik sinyaller kaydetmek ve beyin aktivitesi tasvir zor ters problemler çözmek gerekir.

EEG intrakraniyal doğrudan yüksek zamansal (milisaniye) ve kayma (santimetre) çözünürlük1elektrik sinir etkinliğini kaydedebilirsiniz. Bu açık sınırlamalar olmasına rağmen bu ölçü sinirsel aktivite ve bağlantı, anlamak için değerli fırsatlar sağlayabilir (Örneğin, ölçülebilir bölgeler için klinik kriterleri sınırlı). Birkaç İntrakraniyal EEG Araştırmalar sinirsel aktivite tasvir için geleneksel ortalama çözümlemesi başvurdum. Her ne kadar analiz ortalama hassas zaman kilitli ve düşük frekans bandı harekete geçirmek algılayabilir, faz kilitli olmayan algılayamaz ve/veya yüksek frekanslı (Örneğin, GAMA Grup) etkinleştirme. Buna ek olarak, işlevsel sinir kancası edebiyat intrakranial EEG kayıtları üzerinde derinlemesine değerlendirilmemiş. Birkaç yeni teknikler son zamanlarda sinirsel aktivite ve içi ve arası regional bağlantısı intrakranial EEG verileri çözümlemek için uygulanan fonksiyonel MRI ve EEG/MEG kayıtları'nda tasvir için geliştirilmiştir.

Burada, biz son zamanlarda istatistiksel parametrik eşleme (SPM) yazılımını kullanarak intrakranial EEG verileri çözümlemek için uyguladığınız analitik iletişim kuralları tanıtmak. İlk ne zaman ve hangi sıklıkta ortaya çıkarmak için beynin aktif, biz zaman-frekans SPM analiz2gerçekleştirilen. Bu analiz zaman ve frekans etki aynı anda sürekli dalgacık dönüşüm kullanarak çözer ve uygun şekilde rasgele alan teorisi kullanarak zaman-frekans haritalar family-wise hata (FWE) ücretine düzeltir. İkinci olarak, nasıl beyin bölgeleri iletişim ortaya çıkarmak için biz dinamik nedensel modelleme (DCM) indüklenen yanıtları4uygulanır. DCM sağlar etkili bağlantı incelenmesi (Yani, beyin bölgeleri5arasında nedensel ve yönlü etkiler). DCM aslında fonksiyonel MRI veri5analiz etmek için bir araç olarak önerilmiş rağmen DCM indüklenen tepkilerin elektrofizyolojik sinyalleri4zaman değişen güç spectra analiz etmek için uzatıldı. Bu analiz her iki içi ve arası regional sinirsel bağlantı tasviri sağlar. Birkaç nörofizyolojik çalışmalar yerel içi bölgesel hesaplamaları ve uzun mesafe Bölgelerarası iletişim ağırlıklı olarak Gama ve Teta bandı titreşimler, sırasıyla kullanın ve ilişkileri (Örneğin, entrainments) olabilir tavsiye ettiler Teta-gama çapraz-frekans kaplin3,6,7,8tarafından yansıtılması. Bu rapor veri analitik protokolü üzerinde odaklanmaktadır; Genel arka plan bilgileri9,10 ve kayıt protokolleri11 EEG intrakraniyal için lütfen edebiyat için bakın.

Protokol

Bizim çalışma yerel Kurumsal Etik Komitesi tarafından kabul edildi.

1. temel bilgiler

Not: Belirli katılımcılar, elektrotlar, başvuru yöntemleri veya elektrot konumlar olarak herhangi bir kısıtlama olmadan veri türleri için analitik iletişim kuralları uygulanır. Bizim örneğimizde, biz altı hastalarda farmakolojik zorlu odak epilepsi test. İlgi bölgelerde yok epileptik foci olan hastalar test ettik.

  1. Kayıt intrakranial EEG veri hedef elektrotlar bilişsel denemeyi sırasında.
    1. 12stereotaksik yöntemi kullanarak derinlik elektrotlar implant.
    2. Subdural platin elektrotlar kullanın (çapı: 2.3 mm) ve derinlik platin elektrotlar (çapı: 0.8 mm) aynı anda kortikal ve subcortical etkinlik, sırasıyla ölçmek için.
    3. Orta hat dorsal frontal bölge kafatası kafatası uzak başvuru harekete geçirmek12önlemek için karşı karşıya elektrot kişiler ile yüzeyi referans elektrotlar yer.
    4. Veri yükseltmek, online filtre (bant geçiren: 0,5 – 300 Hz) ve 1000 Hz'de örnek.
    5. Kaydetmek ve göz hareketleri ile ilişkilendirilmiş yapıların istatistiksel olarak kaldırmak için Ayrıca electrooculograms kaydedin. Teorik çıkarlara dayanan hedef elektrotlar seçin. Buna ek olarak, bireysel MRI ve bilgisayarlı tomografi veri elektrot konumları denetlemek için kullanın.
  2. Örnek ve önişlem deneme intrakranial EEG veri (Şekil 1).
    Not: Analitik protokolleri belirli veri uzunluğu veya önişleme yöntemleri için herhangi bir kısıtlama olmaksızın veri türleri için uygulanabilir.
    1. Burada, örnek veri sırasında 3000 ms (ön uyaran: 1000 ms; sonrası uyarıcı: 2000 ms) her deneme için.
    2. Katılımcılar burada normal olmayan bir şekilde ortaya bazı çalışmalarda yüksek genlik etkinlik muhtemelen ilgili epilepsi için önceden tanımlanmış eşikleri kullanarak bu aykırı denemeler hariç çünkü (> 800 μV ve > 5 SD). Görsel muayene ve bağımsız bileşen analizi, dahil olmak üzere diğer önişleme adımlar deneysel hedefleri ve koşullara bağlı olarak gerekli olabilir.
  3. EEG sistemi yerel biçim (cf. SPM12 manuel 12,1 ve 12,2) MATLAB tabanlı SPM biçimine dönüştürün.
    Not: Çoğu EEG veri biçimlerini doğrudan SPM yazılımına SPM toplu editörü arabiriminde dönüştürme seçerek ve tüm gerekli giriş parametreleri belirterek aktarılabilir. Başka bir olası yolu SPM programı dizin adam/example_scripts alt dizininde örnek bir komut dizisi "spm_eeg_convert_arbitrary_data.m" kullanmaktır. Bu komut dosyası bir ASCII dosyası veya SPM biçimi ile birçok EEG sistemi tarafından verilen MAT dosya dönüştürmek için kullanışlı bir yol sağlar.

2. zaman-frekans SPM Analizi

  1. SPM12 ayarla (http://www.fil.ion.ucl.ac.uk/spm/) ve M/EEG analitik menü13 (Şekil 2) kullanın.
  2. Zaman-frekans SPM analiz2 "zaman-frekans analizi" seçerek SPM menü Önişlenmiş intrakranial EEG verileri önceden tanımlanmış parametre ( dayalı Morlet dalgacık ile sürekli dalgacık ayrışma kullanarak her deneme için gerçekleştirmek Şekil 3).
    Not: Dalgacık dönüşümleri dalgacık birden çok Frekanslar14intrakranial EEG verilerle convolving tarafından spektral bileşenlerin zamansal evrimi ortaya koyuyor.
    1. Burada, Dalgacık ayrışma yedi-döngüsü Morlet dalgacık tüm dönem için kullanarak yürütmek (-1,000-2000 ms) ve 4 – 300 Hz frekans aralığı.
    2. Anne dalgacık ve bir önceki çalışma15tarihinde göre devir sayısını belirler. Not dalgacık döngülerle sayısı zaman-frekans kararları denetler ve tahmini istikrar13emin olmak için 5'ten büyük olması önerilir.
    3. Araştırma faizi göre zaman ve frekans aralıkları belirlemek.
  3. Sonuç zaman-frekans haritalar otomatik olarak kenar efektleri kaldırmak için SPM menüde "Kes" seçerek kırpma. Burada, zaman-frekans haritalar kırpmak -200-500 ms.
  4. Veri dönüştürme (isteğe bağlı) ve temel düzeltme olay-ilişkili güç değişiklikleri daha iyi görselleştirmek ve verileri normallik geliştirmek zaman-frekans haritalar için SPM menüde "zaman-frekans rescale" seçerek gerçekleştirin.
    Not: Burada, zaman-frekans haritalar günlük dönüştürdü ve satır taban çizgisi (-200 – 0 ms)-düzeltilir.
  5. Zaman-frekans haritalar SPM menüde "Convert2Images" seçerek iki boyutlu (2D) görüntüleri dönüştürün.
    1. Pürüzsüz bir Gauss çekirdek bir önceden tanımlanmış tam genişlikli yarı-maksimum (FWHM) değer ile arası konu değişkenliği için telafi etmek ve istatistiksel çıkarsama2',13 kullanılan rasgele alan teorisi varsayımlar uygun kullanma .
      Not: Burada, Gauss çekirdek FWHM 96 MS zaman etki alanındaki ve bir önceki çalışmada2dayalı frekans etki alanındaki 12 Hz ile zaman-frekans haritalar düzeltti.
  6. 2D görüntüleri SPM menüde "belirt 1 düzeyinde" seçerek genel Doğrusal model girin.
  7. Genel doğrusal model SPM menüde "Modeli tahmin" seçerek tahmin ediyoruz.
  8. SPM menüde "Sonuçlar" seçerek rasgele alan teorisi2 dayalı zaman-frekans SPM {T} veri üzerinde istatistiksel çıkarımlar gerçekleştirin. Önceden tanımlanmış eşikleri (büyük olasılıkla birden fazla karşılaştırmalar için düzeltilmiş) ile önemli ölçüde harekete geçirmek zaman-frekans kümeleri algılar.
    Not: Burada, p ölçüde eşik < p bir yükseklik eşiği ile birden fazla karşılaştırmalar için FWE düzeltilmiş 0,05 < 0,001 (düzeltilmeyen) kullanıldı.

3. indüklenen yanıtları DCM

  1. SPM12 ayarla (http://www.fil.ion.ucl.ac.uk/spm/) ve M/EEG analitik menü13 (Şekil 4) kullanın.
    1. DCM analiz SPM menüsünde "DCM" düğmesini tıklayarak başlayın. DCM indüklenen yanıt için liste kutusunda "IND" seçerek aktif hale getirin. Önişlenmiş intrakranial EEG DCM M/EEG menü için "yeni veri" tıklayarak veri.
  2. Zaman penceresi faiz, ilgi, tezat şartları (Bu ağ belirtimi içinde daha sonra kullanılan modülasyon girdileri tanımlamak) Seçilen koşulları, frekans pencere ilgi ve M/EEG menü (DCM dalgacık döngülerle sayısını belirtin Şekil 5).
    1. Beş-döngüsü Morlet dalgacık (1-Hz adımlarla 4-100 Hz) kullanın ve zaman penceresi 1-500 ms için ayarlayın.
    2. Varsayılan ayarı dalgacık belirlemek. Yazılım tavsiye değer tahmini istikrar13emin olmak için 5'ten büyük olduğunu unutmayın. Zaman-frekans aralıkları bizim araştırma faizi göre belirlenmiştir. Not bir ek ± 512 ms ile bir zaman penceresi otomatik olarak kenar efektleri kaldırmak için hesaplaması sırasında kullanıldı.
  3. DCM framework4,5temel alarak, (1) belirlemenize sinirsel Birleşik; duyusal girişleri temsil girişleri sürüş (2) sinirsel Birleşik ve kendi kendine bağlantılar arasında temel bağlantı somutlaştırmak iç bağlantıları; ve iç bağlantıları üzerinden deneysel manipülasyonlar için null ve onaylanmadığına karar modelleri (3) düzenleyici etkileri. Ayrıca Modülasyon türünü doğrusal (içinde-frekans) veya doğrusal olmayan (arasında-frekans) olarak tanımlar.
    1. İçsel (doğrusal ve doğrusal olmayan) bağlantıları, sürüş girişleri ve modülasyon girişleri DCM M/EEG menü için belirtin.
    2. (Örneğin, önceki uyarıcı başlangıç zamanı ve süre) ilgili bazı parametre varsayılan ayarlarını değiştirin. Modelleri "DCM ters çevir'i" M/EEG menü için DCM seçerek tahmin ediyoruz. Bundan sonra frekans frekanslı düzenleyici kaydetmek için seçim sonuçları img olarak kaydet parametre görüntüleri kaplin.
  4. Bir rasgele efektler Bayesian modeli seçimi (BMS) analiz17 "BMS" DCM M/EEG menü için en iyi ağ modeli tanımlamak için tıklatarak kuralları. Modeli beklenen değerler ve/veya exceedance olasılıklar değerlendirme ölçü olarak kullanın.
  5. SPM menüsünü kullanarak kazanan modeli Parametreler kullanarak düzenleyici bağlantı çapraz-frekans kalıpları ile ilgili çıkarımlar yapmak (bkz: adım 2).
    1. Düzenleyici bağlantı parametresi görüntüleri SPM menüde "Convert2Images" seçerek düz.
    2. Genel doğrusal model çözümlemesi SPM menüde "Belirt 2 düzeyi" seçerek.
    3. SPM menüde "Sonuçlar" seçerek 2D SPM {T} değerlerini hesaplamak.
      Not: Burada, FWHM 8 Hz değerinde bir önceki çalışmada4göre ayarlandı. Önemli değerleri exploratorily p bir yükseklik eşiği kullanarak tespit edildi < 0,05 (düzeltilmeyen).

Sonuçlar

Burada sunulan iletişim kuralını kullanarak, intrakranial EEG veri yüzler18,19yanıt olarak analiz ettik. Biz altı hasta verilerden yüzler, mozaik ve dik evlerde pasif görüntüleme sırasında kayıt ve yönelimleri tersine. Dik yüzleri karşı dik mozaik ve dik yüzleri karşı dik evleri tezat yüz etkisi (Yani, diğer nesnelere göre yüz özgü beyin aktivitesi) saptandı. Ters karşı

Tartışmalar

Burada tanıtılan SPM yazılım kullanarak intrakranial EEG verileri analitik protokollerde fonksiyonel MRI ile karşılaştırıldığında birçok avantajı var. İlk olarak, iletişim kurallarını yüksek zamansal çözünürlükte sinir harekete geçirmek tasvir. Bu nedenle, sonuçlar sinir harekete geçirmek bilişsel ilişkilendirir erken veya geç işleme aşamalarında uygulanan olup olmadığını gösterir. Örneğimizde, yüz etkisi görsel işleme (Yani, 110 msn) çok erken evrelerinde tespit edilm...

Açıklamalar

Yazarlar ifşa gerek yok.

Teşekkürler

Bu çalışmada Benesse Corporation, Japonya toplum bilim promosyon (JSP'ler) finansman programı için sonraki nesil dünyanın önde gelen araştırmacılar (LZ008), organizasyon teşvik araştırma nörogelişimsel bozukluklar için fon tarafından desteklenmiştir, ve JSP'ler KAKENHI (15K 04185; 18K 03174).

Malzemeler

NameCompanyCatalog NumberComments
none

Referanslar

  1. Lachaux, J. P., Rudrauf, D., Kahane, P. Intracranial EEG and human brain mapping. Journal of Physiology - Paris. 97 (4-6), 613-628 (2003).
  2. Kilner, J. M., Kiebel, S. J., Friston, K. J. Applications of random field theory to electrophysiology. Neuroscience Letters. 374 (3), 174-178 (2005).
  3. Canolty, R. T., Knight, R. T. The functional role of cross-frequency coupling. Trends in Cognitive Sciences. 14 (11), 506-515 (2010).
  4. Chen, C. C., et al. A dynamic causal model for evoked and induced responses. Neuroimage. 59 (1), 340-348 (2012).
  5. Friston, K. J., Harrison, L., Penny, W. Dynamic causal modelling. Neuroimage. 19 (4), 1273-1302 (2003).
  6. Canolty, R. T., et al. High gamma power is phase-locked to theta oscillations in human neocortex. Science. 313, 1626-1628 (2006).
  7. Tort, A. B., et al. Dynamic cross-frequency couplings of local field potential oscillations in rat striatum and hippocampus during performance of a T-maze task. Proceedings of the National Academy of Sciences of the United States of America. 105 (51), 20517-20522 (2008).
  8. Voytek, B., et al. Shifts in gamma phase-amplitude coupling frequency from theta to alpha over posterior cortex during visual tasks. Frontiers in Human Neuroscience. 4, 191 (2010).
  9. Mukamel, R., Fried, I. Human intracranial recordings and cognitive neuroscience. Annual Review of Psychology. 63, 511-537 (2012).
  10. Parvizi, J., Kastner, S. Promises and limitations of human intracranial electroencephalography. Nature Neuroscience. 21, 474-483 (2018).
  11. Hill, N. J., et al. Recording human electrocorticographic (ECoG) signals for neuroscientific research and real-time functional cortical mapping. Journal of Visualized Experiments. (64), 3993 (2012).
  12. Herrmann, C. S., Rach, S., Vosskuhl, J., Strüber, D. Time-frequency analysis of event-related potentials: A brief tutorial. Brain Topography. 27 (4), 438-450 (2014).
  13. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. 2011, 852961 (2011).
  14. Mihara, T., Baba, K. Combined use of subdural and depth electrodes. Epilepsy Surgery. , 613-621 (2001).
  15. Kilner, J., Bott, L., Posada, A. Modulations in the degree of synchronization during ongoing oscillatory activity in the human brain. European Journal of Neuroscience. 21, 2547-2554 (2005).
  16. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  17. Stephan, K. E., Penny, W. D., Daunizeau, J., Moran, R. J., Friston, K. J. Bayesian model selection for group studies. Neuroimage. 46 (4), 1004-1017 (2009).
  18. Sato, W., et al. Rapid, high-frequency, and theta-coupled gamma oscillations in the inferior occipital gyrus during face processing. Cortex. 60, 52-68 (2014).
  19. Sato, W., et al. Bidirectional electric communication between the inferior occipital gyrus and the amygdala during face processing. Human Brain Mapping. 38 (2), 4511-4524 (2017).
  20. Bartlett, J. C., Searcy, J., Abdi, H. What are the routes to face recognition?. Perception of faces, objects, and scenes: Analytic and holistic processing. , 21-52 (2003).
  21. Bouvier, S. E., Engel, S. A. Behavioral deficits and cortical damage loci in cerebral achromatopsia. Cerebral Cortex. 16 (2), 183-191 (2006).
  22. Pitcher, D., Walsh, V., Duchaine, B. The role of the occipital face area in the cortical face perception network. Experimental Brain Research. 209 (4), 481-493 (2011).
  23. Latini, F. New insights in the limbic modulation of visual inputs: The role of the inferior longitudinal fasciculus and the Li-Am bundle. Neurosurgical Review. 38 (1), 179-189 (2015).
  24. Davies-Thompson, J., Andrews, T. J. Intra- and interhemispheric connectivity between face-selective regions in the human brain. Journal of Neurophysiology. 108 (11), 3087-3095 (2012).
  25. Jerbi, K., et al. Saccade related gamma-band activity in intracerebral EEG: dissociating neural from ocular muscle activity. Brain Topography. 22, 18-23 (2009).
  26. Buzsáki, G., Silva, F. L. High frequency oscillations in the intact brain. Progress in Neurobiology. 98, 241-249 (2012).
  27. Benayoun, M., Kohrman, M., Cowan, J., van Drongelen, W. EEG, temporal correlations, and avalanches. Journal of Clinical Neurophysiology. 27 (6), 458-464 (2010).
  28. Herrmann, C. S., Grigutsch, M., Busch, N. A. EEG oscillations and wavelet analysis. Event-related potentials: A methods handbook. , 229-259 (2005).
  29. Pigorini, A., et al. Time-frequency spectral analysis of TMS-evoked EEG oscillations by means of Hilbert-Huang transform. Journal of Neuroscience Methods. 198 (2), 236-245 (2011).
  30. Holdgraf, C. R., et al. Rapid tuning shifts in human auditory cortex enhance speech intelligibility. Nature communications. 7, 13654 (2016).
  31. Aru, J., et al. Untangling cross-frequency coupling in neuroscience. Current Opinion in Neurobiology. 31, 51-61 (2015).
  32. Gerber, E. M., Sadeh, B., Ward, A., Knight, R. T., Deouell, L. Y. Non-sinusoidal activity can produce cross-frequency coupling in cortical signals in the absence of functional interaction between neural sources. PLoS One. 11 (12), e0167351 (2016).
  33. Cole, S. R., Voytek, B. Brain oscillations and the importance of waveform shape. Trends in Cognitive Sciences. 21 (2), 137-149 (2017).
  34. Mikulan, E., et al. Intracranial high-γ connectivity distinguishes wakefulness from sleep. Neuroimage. 169, 265-277 (2018).
  35. Zheng, J., et al. Amygdala-hippocampal dynamics during salient information processing. Nature communications. 8, 14413 (2017).
  36. Maris, E., Oostenveld, R. Nonparametric statistical testing of EEG- and MEG-data. Journal of Neuroscience Methods. 164 (1), 177-190 (2007).
  37. Stolk, A., et al. Integrated analysis of anatomical and electrophysiological human intracranial data. Nature Protocols. 13, 1699-1723 (2018).
  38. Friston, K. J., et al. Dynamic causal modelling revisited. NeuroImage. , (2017).

Yeniden Basımlar ve İzinler

Bu JoVE makalesinin metnini veya resimlerini yeniden kullanma izni talebi

Izin talebi

Daha Fazla Makale Keşfet

Neurosciencesay 140apraz frekans kaplindinamik nedensel DCM modellemey zgama sal n ma a oksipital gyruskafa i i elektroansefalografi EEGzaman frekans analizi

This article has been published

Video Coming Soon

JoVE Logo

Gizlilik

Kullanım Şartları

İlkeler

Bize Ulaşın

KÜTÜPHANEYE TAVSİYE ET

JoVE HABER BÜLTENLERİ

Araştırma

Eğitim

Yazarlar

Kütüphaneciler

JoVE Hakkında

Telif Hakkı © 2020 MyJove Corporation. Tüm hakları saklıdır