WikiDer > Оценщики мозговой связи

Brain connectivity estimators

Оценщики мозговой связи[1] представляют собой шаблоны ссылок в мозг. Связность можно рассматривать на разных уровнях организации мозга: от нейроны, к нейронные сборки и структуры мозга. Связность мозга включает в себя различные концепции, такие как нейроанатомическая или структурная связь (образец анатомических связей), функциональная связь (обычно понимаемая как статистические зависимости) и эффективное подключение (имеется в виду причинные взаимодействия).[2]

Нейроанатомические связи по своей сути трудно определить, учитывая тот факт, что в микроскопическом масштабе нейронов новые синаптические связи или устранение существующих формируются динамически и в значительной степени зависят от выполняемой функции, но могут рассматриваться как пути, проходящие по областям мозга. , которые соответствуют общим анатомическим знаниям. DTI может использоваться для предоставления такой информации. Различие между функциональной и эффективной связью не всегда резко; иногда причинная или направленная связь называется функциональной связью. Функциональная связность может быть определена как временная корреляция (с точки зрения статистически значимой зависимости между удаленными областями мозга) между активностью различных нейронных сборок, тогда как эффективная связность может быть определена как прямое или косвенное влияние, которое одна нейронная система оказывает на другую. Некоторые оценщики связности мозга оценивают связь по временным рядам активности мозга, например Электроэнцефалография (ЭЭГ), Потенциал местного поля (LFP) или шипованные поезда, что влияет на направленное подключение. Эти оценки могут быть применены к фМРТ данных, если требуемые последовательности изображений доступны. Среди средств оценки связности есть линейный и нелинейные, двумерные и многомерные меры. Некоторые оценки также указывают на направленность. Различные методы оценки связности различаются по своей эффективности.[3][4][5] В этой статье представлен обзор этих мер с акцентом на наиболее эффективные методы.

Двухвариантные оценки

Классические методы

Классические оценки связности корреляция и согласованность. Вышеупомянутые меры предоставляют информацию о направленности взаимодействий с точки зрения задержки (корреляции) или когерентности (фаза), однако информация не подразумевает причинно-следственного взаимодействия. Более того, это может быть неоднозначным, поскольку фаза определяется по модулю 2π. Также невозможно идентифицировать посредством корреляции или согласованности. взаимные связи.

Нелинейные методы

Наиболее часто используемые нелинейные оценки связности: взаимная информация, перенос энтропии, обобщенная синхронизация,[6] мера непрерывности,[7] вероятность синхронизации,[8] и фазовая синхронизация.[6] Взаимная информация и энтропия передачи полагаются на построение гистограммы для вероятностных оценок. Мера непрерывности, обобщенная синхронизация и вероятность синхронизации - очень похожие методы, основанные на фазовое пространство реконструкция. Среди этих мер только энтропия переноса позволяет определить направленность. Нелинейные измерения требуют длинных стационарных сегментов сигналов, подвержены систематическим ошибкам и, прежде всего, очень чувствительны к шуму.[6][7][9] Сравнение нелинейных методов с линейная корреляция при наличии шума показывает худшую производительность нелинейных оценщиков.[7] В [6] Авторы приходят к выводу, что для применения нелинейных методов должны быть веские основания полагать, что в данных присутствует нелинейность. Фактически это было продемонстрировано с помощью проверка суррогатных данных,[10][11] и прогнозирование временных рядов [12] что нелинейность ЭЭГ и ЛФП скорее исключение, чем норма. С другой стороны, линейные методы довольно хорошо работают с нелинейными сигналами.[13] Наконец, нелинейные методы являются двумерными (рассчитываются попарно), что серьезно влияет на их производительность.

Сравнение двумерных и многомерных оценок

Сравнение производительности двумерных и многомерных оценок связности можно найти в[14][15] где было продемонстрировано, что в случае взаимосвязанной системы каналов, больше чем два, двумерные методы предоставляют вводящую в заблуждение информацию, может быть обнаружено даже обратное истинное распространение. Рассмотрим очень распространенную ситуацию, когда активность от данного источника измеряется на электродах, расположенных на разные расстояния, следовательно, разные задержки между записанными сигналами.

Когда применяется двумерная мера, распространение всегда достигается, когда есть задержка между каналами.,[15] что приводит к множеству ложных потоков. Когда у нас есть два или три источника, действующих одновременно, что является обычной ситуацией, мы получим плотную и неорганизованную структуру связей, подобную случайной структуре (в лучшем случае можно выделить некую структуру «маленького мира»). Такая картина обычно получается при применении двумерных мер. Фактически, эффективные паттерны связности, полученные с помощью измерений ЭЭГ или LFP, далеки от случайности при применении надлежащих многомерных мер, как мы продемонстрируем ниже.

Многомерные методы, основанные на причинности Грейнджера

Проверяемое определение причинности было введено Грейнджер.[16] Причинность Грейнджера принцип гласит, что если какая-то серия Y(т) содержит информацию в прошлых выражениях, которая помогает в прогнозировании ряда Икс(т), тогда Y(т) считается причиной Икс(т). Принцип причинности Грейнджера может быть выражен в терминах двухканального многомерный авторегрессионная модель (МВАР). Грейнджер в его более поздних работах [17] указал, что определение причинности невозможно, когда система рассматриваемых каналов не является полной. Мерами, основанными на принципе причинности Грейнджера, являются: индекс причинности Грейнджера (GCI), направленная передаточная функция (DTF) и частичная направленная когерентность (PDC). Эти меры определены в рамках многомерной авторегрессионной модели.[18]

Многомерная модель авторегрессии

Модель AR предполагает, что Икс(т) - выборка данных за раз т- можно выразить как сумму п предыдущие значения выборок из набора k-сигналы, взвешенные по коэффициентам модели А плюс случайное значение E(т):

 

 

 

 

(1)

В п называется модельным заказом. Для k-канальный процесс Икс(т) и E(т) являются векторами размера k а коэффициенты А находятся k×k-размерные матрицы. Порядок модели может быть определен с помощью критериев, разработанных в рамках теории информации, а коэффициенты модели находятся путем минимизации остаточного шума. В этой процедуре вычисляется корреляционная матрица между сигналами. При преобразовании в частотную область получаем:

 

 

 

 

(2)

ЧАС(ж) - матрица передачи системы, она содержит информацию о взаимосвязях между сигналами и их спектральными характеристиками. ЧАС(ж) является несимметричным, поэтому он позволяет находить причинные зависимости. Порядок модели может быть найден с помощью критериев, разработанных в рамках теории информации,[18] например AIC критерий.

Индекс причинности Грейнджера

Причинность Грейнджера индекс, показывающий движение канала Икс по каналу у определяется как логарифм отношения остаточная дисперсия для одного канала к остаточной дисперсии двухканальной модели:[19]GCIу→Икс = ln (е/е1) Это определение можно расширить до многоканальной системы, рассмотрев, как включение данного канала меняет отношения остаточной дисперсии. Для количественной оценки направленного влияния канала Иксj к Икся за п канальный авторегрессионный процесс во временной области мы рассматриваем п и п−1-мерные модели MVAR. Во-первых, модель подогнана ко всему п-канальная система, приводящая к остаточной дисперсии Vя,п(t) = var (Eя,п(т)) для сигнала Икся. Далее п−1-мерная модель MVAR подходит для п−1 канал, исключая канал j, что приводит к остаточной дисперсии Vя,п−1(t) = var (Eя,п−1(т)). Тогда причинность Грейнджера определяется как:

GCI меньше или равен 1, так как дисперсия п-мерная система ниже, чем остаточная дисперсия меньшей, п−1-мерная система. GCI (т) оценивает причинно-следственные связи во временной области. Для сигналов мозга интерес представляют спектральные характеристики сигналов, поскольку для данной задачи увеличение распространения в одной полосе частот может сопровождаться уменьшением в другой полосе частот.[20] DTF или PDC - это средства оценки, определенные в частотной области.

Направленная передаточная функция

Направленная передаточная функция (DTF) была представлена ​​Камински и Блиновской. [21] в виде:

 

 

 

 

(3)

Где ЧАСij(ж) является элементом передаточной матрицы модели MVAR. ДТФ описывает причинное влияние канала j на канале я с частотой ж. Приведенное выше уравнение (3) определяет нормализованную версию DTF, которая принимает значения от 0 до 1, создавая соотношение между притоком из канала j направить я ко всем притокам направить я. Ненормализованный DTF, который напрямую связан с прочностью связи [22] определяется как:

 

 

 

 

(4)

DTF показывает не только прямые, но и каскадные потоки, а именно в случае распространения 1 → 2 → 3 показывает также распространение 1 → 3. Чтобы отличать прямые потоки от непрямых, была введена прямая направленная передаточная функция (dDTF).[23] DDTF определяется как умножение модифицированного DTF на частичную когерентность. Модификация DTF касалась нормализации функции таким образом, чтобы знаменатель не зависел от частоты. DDTFj→я показывает прямое распространение из канала j к я определяется как:

 

 

 

 

(5)

Где Cij(ж) является частичной когерентностью. DDTFj→я имеет ненулевое значение, когда обе функции Fij(ж) и Cij(ж) не равны нулю, в этом случае существует прямая причинно-следственная связь между каналами j→я. В случае сигналов от имплантированных электродов важно отличать прямую передачу от непрямой, а для сигналов ЭЭГ, регистрируемых электродами кожи головы, это не так важно.[14]

DTF может использоваться для оценки распространения в случае точечных процессов, например последовательности пиковых сигналов или для оценки причинно-следственных связей между последовательностями пиковых сигналов и локальными полевыми потенциалами.[24]

Частичная направленная когерентность

Частичная направленная когерентность (PDC) была определена Баккалой и Самешимой. [25] в следующем виде:

 

 

 

 

(6)

В приведенном выше уравнении Аij(ж) является элементом А(ж) - преобразование Фурье коэффициентов модели MVAR А(т), куда аj(ж) является j-й столбец А(ж), а звездочка обозначает операцию транспонирования и комплексного сопряжения. Хотя это функция, работающая в частотной области, зависимость А(ж) по частоте не имеет прямого соответствия спектру мощности. Из условия нормировки следует, что PDC принимает значения из интервала [0,1]. PDC показывает только прямые потоки между каналами. В отличие от DTF, PDC нормализован, чтобы показать соотношение между потоком из канала j направить я на все оттоки из исходного канала j, поэтому он делает упор скорее на раковины, а не на источники. Нормализация PDC влияет на обнаруженную интенсивность потока, как было указано в.[26] А именно, добавление дополнительных переменных, на которые влияет исходная переменная, уменьшает PDC, хотя взаимосвязь между исходным и целевым процессами остается неизменной. Другими словами: поток, излучаемый в одном направлении, будет усилен по сравнению с потоками той же интенсивности, излучаемыми из данного источника в нескольких направлениях.

Изменяющиеся во времени оценки эффективной связи

Чтобы учесть динамические изменения распространения, метод адаптивной фильтрации или метод, основанный на скользящем окне, могут применяться к оценкам связности. Оба метода требуют многократного повторения эксперимента для получения статистически удовлетворительных результатов, и они дают аналогичные результаты.[27] Адаптивные методы, например Фильтрация Калмана более требовательна к вычислениям, поэтому можно рекомендовать методы, основанные на скользящем окне.

В случае параметрической модели количество точек данных кНТ (k- количество каналов, NТ- количество точек в окне данных) должно быть больше (желательно на порядок), чем количество параметров, которое в случае MVAR равно k2п (п- заказ модели). Чтобы оценить динамику процесса, необходимо применить короткое окно данных, что требует увеличения количества точек данных, что может быть достигнуто путем повторения эксперимента. Нестационарная запись может быть разделена на более короткие временные окна, достаточно короткие, чтобы обрабатывать данные внутри окна как квазистационарные. Оценка коэффициентов MVAR основана на вычислении корреляционной матрицы между каналами. рij из k сигналы Икся из многомерного набора,[18] отдельно для каждого испытания. Результирующие коэффициенты модели основаны на корреляционной матрице, усредненной по испытаниям. Корреляционная матрица имеет вид:

 

 

 

 

(7)

Усреднение касается корреляционных матриц (модель настраивается независимо для каждого короткого окна данных); данные не усредняются в процессе. Выбор размера окна всегда является компромиссом между качеством подгонки и временным разрешением.

Ошибки SDTF могут быть оценены с помощью бутстрап метод.[28] Эта процедура соответствует моделированию других реализаций эксперимента. Дисперсия значения функции получается повторным вычислением результатов для случайно выбранной (с повторениями) пула исходных испытаний данных.

Приложения

DTF нашла несколько приложений, самые ранние из них: локализация эпилептические очаги,[29] оценка распространения ЭЭГ в различных стадии сна и бодрствование,[30] определение передачи между структурами мозга животного во время поведенческого теста.[31]

Можно наблюдать смещение источников вперед при переходе от бодрствования к более глубоким стадиям сна. В глубоком сне источник закончился мозолистое тело, предположительно, это связано с питанием коры из подкорковых структур.

Одним из первых приложений SDTF было определение динамического распространения во время выполнения движения пальца и его воображения.[32][33] Результаты очень хорошо соответствовали известным явлениям синхронизации и десинхронизации событий, таким как снижение активности в альфа- и бета-диапазоне и кратковременное повышение активности в гамма-диапазоне во время движения в областях, соответствующих первичной моторной коре головного мозга, бета-отскок после движения. и так называемый эффект объемного звучания.[34] Особенно интересно было сравнение реального движения пальца и его воображения. В случае реального движения наблюдалась короткая вспышка распространения гамма-излучения от электрода, расположенного над первичной моторной корой пальца. В случае воображения движения это распространение началось позже и перекрестная связь между различными участками, лежащими над моторной областью и дополнительная моторная зона (SMA) обнаружен. (Динамику распространения можно наблюдать в анимации[35]).

Еще одно применение SDTF касалось оценки передачи во время когнитивных экспериментов. Результаты теста на постоянное внимание (CAT) [36] подтвердил участие префронтальный и лобных структур в задаче и подтвердили гипотезу активного торможения пре-СМА и правого нижнего лобная кора. Доступны анимации распространения во время CAT-теста.[37]

Результаты, полученные с помощью SDTF в экспериментах с рабочей памятью, были совместимы с исследованиями фМРТ локализации активных сайтов и предоставили информацию о временном взаимодействии между ними.[38] Доступна анимация, иллюстрирующая динамику взаимодействия.[39]

Обратите внимание, что следует проявлять осторожность, чтобы избежать ложных оценок связности при использовании данных канала ЭЭГ. Последние статьи[40][41] подчеркните, что предыдущие утверждения[42] что DTF и PDC нечувствительны к объемной проводимости, были неточными. Действительно, результаты DTF, полученные для сигналов, записанных с кожи головы, в целом зависят от объемной проводимости. Несмотря на то, что эффекты объемной проводимости могут быть минимальными в определенных ситуациях записи,[43] перед оценкой DTF или PDC должна выполняться соответствующая предварительная обработка данных канала (например, идентификация источника).

Выводы

Существование четко определенных источников мозговой активности, связанных с конкретными экспериментальными условиями, хорошо установлено в экспериментах фМРТ с помощью методов обратного решения и внутрикортикальных измерений. Такая детерминированная структура мозговой активности должна влиять на функциональную связность, поэтому описываемые в некоторых работах случайные или едва отличимые от случайных структур связи могут рассматриваться как удивительное явление. Подобные результаты можно объяснить методологическими ошибками: 1) ненадежными методами оценки связности и, что более важно, 2) применением двумерных методов. Когда многомерные надежные меры связи применяются для Анализ ЭЭГ Появляется четкая картина функциональной связи.[20][21][29][30][31][32][33][36][38][44][45][46]

Рекомендации

  1. ^ Sporns, Олаф (2007). «Связь мозга». Scholarpedia. 2 (10): 4695. Bibcode:2007SchpJ ... 2.4695S. Дои:10.4249 / scholarpedia.4695.
  2. ^ Саккалис, В. (2011). «Обзор передовых методов оценки связности мозга, измеренной с помощью ЭЭГ / МЭГ». Компьютер Биол Мед. 41 (12): 1110–1117. Дои:10.1016 / j.compbiomed.2011.06.020. PMID 21794851.
  3. ^ Блиновска, К. Дж. (2011). «Обзор методов определения направленной связности по многоканальным данным». Медицинская и биологическая инженерия и вычисления. 49 (5): 521–529. Дои:10.1007 / s11517-011-0739-х. ЧВК 3097342. PMID 21298355.
  4. ^ Matlab_book [Blinowska, 2011]
  5. ^ Камински, М .; Лян, Х. (2005). «Причинное влияние: достижения в анализе нейросигналов». Критические обзоры в биомедицинской инженерии. 33 (4): 347–430. Дои:10.1615 / CritRevBiomedEng.v33.i4.20. PMID 15982186. S2CID 27601014.
  6. ^ а б c d Переда, Э .; Quiroga, R.Q .; Бхаттачарья, Дж. (2005). «Причинное влияние: нелинейный многомерный анализ нейрофизических сигналов». Прог Нейробиол. 77 (1–2): 1–37. arXiv:nlin / 0510077. Дои:10.1016 / j.pneurobio.2005.10.003. PMID 16289760.
  7. ^ а б c Netoff, I .; Caroll, T. L .; Pecora, L.M .; Шифф, С. Дж. (2006). «Обнаружение связи при наличии шума и нелинейности». В Schelter, J .; Winterhalder, W .; Тиммер (ред.). Справочник по анализу временных рядов. Wiley-B.W.
  8. ^ Stam, C.J .; Ван Дейк, Б. В. (2002). «Вероятность синхронизации: объективная мера обобщенной синхронизации в многомерных наборах данных». Physica D. 163 (3–4): 236–251. Bibcode:2002PhyD..163..236S. Дои:10.1016 / S0167-2789 (01) 00386-4.
  9. ^ Blinowska, K. J .; Жигеревич, Дж. (2012). Практический биомедицинский анализ сигналов с использованием Matlab. CRC Press, Бока-Ратон.
  10. ^ Achermann, P .; Hartmann, R .; Gunzinger, A .; Guggenbühl, W .; Борбели А.А. (1994). «Весь ночной сон и управляющие сигналы искусственного стохастика имеют схожую корреляционную размерность». Электроэнцефалогр. Clin. Нейрофизиол. 90 (5): 384–387. Дои:10.1016 / 0013-4694 (94) 90054-Х. PMID 7514985.
  11. ^ Stam, C.J .; Suffczynski, P .; Lopes da Silva, F.H .; Лопес да Силва, FH (1999). «Динамика альфа-ритма человека: свидетельства нелинейности?». Clin. Нейрофизиол. 110 (10): 1801–1813. Дои:10.1016 / S1388-2457 (99) 00099-1. PMID 10574295.
  12. ^ Blinowska, K. J .; Малиновский, М. (1991). «Нелинейное и линейное прогнозирование временных рядов ЭЭГ». Биол Киберн. 66 (2): 159–165. Дои:10.1007 / BF00243291. PMID 1768720.
  13. ^ Winterhalder, M .; Schelter, B .; Hesse, W .; Schwab, K .; Leistritz, L .; Клан, Д .; Bauer, R .; Timmer, J .; Витте, Х. (2005). «Сравнение методов обработки линейных сигналов для вывода направленных взаимодействий в многомерных нейронных системах». Сигнальный процесс. 85 (11): 2137–2160. CiteSeerX 10.1.1.123.2234. Дои:10.1016 / j.sigpro.2005.07.011.
  14. ^ а б Kuś, R .; Камински, М .; Блиновска, К. Дж. (2004). «Определение распространения активности ЭЭГ: попарная оценка в сравнении с многоканальной». IEEE Trans Biomed Eng. 51 (9): 1501–1510. Дои:10.1109 / TBME.2004.827929. PMID 15376498.
  15. ^ а б Blinowska, K. J .; Kuś, R .; Камински, М. (2004). «Причинность Грейнджера и информационный поток в многомерных процессах». Phys. Ред. E. 70 (5): 050902 (также в Вирт Дж Биол Физ Рес 8(11)). Bibcode:2004PhRvE..70e0902B. Дои:10.1103 / PhysRevE.70.050902. PMID 15600583.
  16. ^ Грейнджер, К. У. Дж. (1969). «Исследование причинно-следственных связей с помощью эконометрических моделей и кросс-спектральных методов». Econometrica. 37 (3): 424–438. Дои:10.2307/1912791. JSTOR 1912791.
  17. ^ Грейнджер, К. В. Дж. (1980). «Проверка причинности: личная точка зрения». J Econ Dyn Control. 2: 329–352. Дои:10.1016 / 0165-1889 (80) 90069-X.
  18. ^ а б c Blinowska, K. J .; Камински, М. (2006). «Многомерный анализ сигналов с помощью параметрических моделей». В Schelter, B .; Winterhalder, W .; Тиммер, Дж. (Ред.). Справочник по анализу временных рядов. Wiley-VCH Verlag.
  19. ^ Гевеке, Дж. (1982). «Измерение линейной зависимости и обратной связи между несколькими временными рядами». Журнал Американской статистической ассоциации. 77 (378): 304–324. Дои:10.1080/01621459.1982.10477803.
  20. ^ а б Ginter Jr., J .; Blinowska, K. J .; Камински, М .; Durka, P.J .; Pfurtscheller, G .; Нойпер, К. (2005). «Распространение активности ЭЭГ в бета- и гамма-диапазоне во время изображения движения у человека». Методы Инф. Med. 44 (1): 106–113. Дои:10.1055 / с-0038-1633932. PMID 15778801.
  21. ^ а б Камински, М .; Блиновска, К. Дж. (1991). «Новый метод описания информационного потока в структурах мозга». Биол Киберн. 65 (3): 203–210. Дои:10.1007 / BF00198091. PMID 1912013.
  22. ^ Камински, М .; Дин, М .; Truccolo, W .; Бресслер, С. (2001). «Оценка причинно-следственных связей в нейронных системах: причинность Грейнджера, направленная передаточная функция и статистическая оценка значимости». Биол Киберн. 85 (2): 145–157. Дои:10.1007 / s004220000235. PMID 11508777.
  23. ^ Корзеневская, А .; Mańczak, M .; Камински, М .; Blinowska, K. J .; Касицки, С. (2003). «Определение направления информационного потока между структурами мозга модифицированным методом направленной передаточной функции (dDTF)». J Neurosci методы. 125 (1–2): 195–207. Дои:10.1016 / S0165-0270 (03) 00052-9. PMID 12763246.
  24. ^ Kocsis, B .; Камински, М. (2006). «Динамические изменения в направлении тета-ритмического движения между супрамамиллярным ядром и системой септогиппокампа». Гиппокамп. 16 (6): 531–540. Дои:10.1002 / hipo.20180. PMID 16598710.
  25. ^ Baccala, L.A .; Самешима, К. (2001). «Частичная направленная когерентность: новая концепция определения нейронной структуры». Биол Киберн. 84 (6): 463–474. Дои:10.1007 / PL00007990. PMID 11417058.
  26. ^ Schelter, B .; Timmer, J .; Эйхлер, М. (2009). «Оценка силы направленных влияний среди нейронных сигналов с использованием перенормированной частичной направленной когерентности». J. Neurosci. Методы. 179 (1): 121–130. Дои:10.1016 / j.jneumeth.2009.01.006. PMID 19428518.
  27. ^ Камински, М .; Szerling, P .; Блиновска, К. (2010). «Сравнение методов оценки нестационарной передачи в многоканальных данных». Proc. 10-я Международная конференция IEEE по информационным технологиям и приложениям в биомедицине. 2-5 ноября 2010 г., Корфу, Греция.CS1 maint: location (связь)
  28. ^ Ефрон, Б. (1979). «Методы начальной загрузки: еще один взгляд на складной нож». Анна. Стат. 7: 1–6. Дои:10.1214 / aos / 1176344552.
  29. ^ а б Franaszczuk, P.J .; Bergey, G.J .; Камински, М. (1994). «Анализ возникновения и распространения мезиального временного приступа с использованием метода направленной передаточной функции». Электроэнцефалогр. Clin. Нейрофизиол. 91 (6): 413–427. Дои:10.1016/0013-4694(94)90163-5. PMID 7529681.
  30. ^ а б Камински, М .; Blinowska, K. J .; Селенбергер, В. (1997). «Топографический анализ когерентности и распространения активности ЭЭГ во время сна и бодрствования». Электроэнцефалогр. Clin. Нейрофизиол. 102 (3): 216–227. Дои:10.1016 / S0013-4694 (96) 95721-5. PMID 9129577.
  31. ^ а б Корзеневская, А .; Kasicki, S .; Камински, М .; Блиновска, К. Дж. (1997). «Информационный поток между гиппокампом и связанными с ним структурами во время различных типов поведения крыс». J Neurosci методы. 73 (1): 49–60. Дои:10.1016 / S0165-0270 (96) 02212-1. PMID 9130678.
  32. ^ а б Ginter Jr, J .; Blinowska, K. J .; Камински, М .; Дурка, П. Дж. (2001). «Фазовый и амплитудный анализ в частотно-временном пространственном приложении к произвольным движениям пальцев». J Neurosci методы. 110 (1–2): 113–124. Дои:10.1016 / S0165-0270 (01) 00424-1. PMID 11564531.
  33. ^ а б Kus, R .; Ginter Jr, J .; Блиновска, К. Дж. (2006). «Распространение активности ЭЭГ при движении пальца и его воображении». Acta Neurobiol Exp. 66 (3): 195–206.
  34. ^ Пфурчеллер, Г. (1999). «Количественная оценка ERD и ERS во временной области». Десинхронизация, связанная с событием. Эльзевир.
  35. ^ «Архивная копия». Архивировано из оригинал на 2007-11-18. Получено 2012-08-06.CS1 maint: заархивированная копия как заголовок (связь)
  36. ^ а б Blinowska, K. J .; Kus, R .; Камински, М .; Янишевская, J. (2010). «Передача информации во время теста постоянного внимания». Топография мозга. 23 (2): 205–213. Дои:10.1007 / s10548-010-0137-y. PMID 20191316.
  37. ^ «Архивная копия». Архивировано из оригинал на 2013-10-03. Получено 2012-08-06.CS1 maint: заархивированная копия как заголовок (связь)
  38. ^ а б Brzezicka, A .; Камински, М .; Kaminski, J .; Блиновска, К. Дж. (2011). «Передача информации при переходной задаче рассуждений». Топография мозга. 24 (1): 1–8. Дои:10.1007 / s10548-010-0158-6. ЧВК 3036833. PMID 20686832.
  39. ^ «Архивная копия». Архивировано из оригинал на 2016-03-04. Получено 2012-07-27.CS1 maint: заархивированная копия как заголовок (связь)
  40. ^ Brunner, C .; Биллингер, М .; Seeber, M .; Mullen, T. R .; Макейг, С. (2016). «Объемная проводимость влияет на оценку связности кожи головы». Front Comput Neurosci. 10: 121. Дои:10.3389 / fncom.2016.00121. ЧВК 5119053. PMID 27920674.
  41. ^ Ван Де Стин, Ф .; Faes, L .; Karahan, E .; Songsiri, J .; Вальдес-Соса, П. А .; Маринаццо, Д. (2016). «Критические комментарии по анализу динамической связи пространства датчика ЭЭГ». Мозг Топогр. 32 (4): 643–654. arXiv:1607.03687. Bibcode:2016arXiv160703687V. Дои:10.1007 / s10548-016-0538-7. PMID 27905073.
  42. ^ Камински, М .; Блиновска, К. Дж. (2014). «На направленную передаточную функцию не влияет объемная проводимость - следует избегать нецелесообразной предварительной обработки». Front Comput Neurosci. 8: 61. Дои:10.3389 / fncom.2014.00061. ЧВК 4050361. PMID 24959136.
  43. ^ Камински, М .; Блиновска, К. (2017). «Влияние объемной проводимости на оценку DTF и проблема его смягчения». Front Comput Neurosci. 11: 36. Дои:10.3389 / fncom.2017.00036. ЧВК 5427064. PMID 28553220.
  44. ^ Blinowska, K. J .; Камински, М .; Kaminski, J .; Бжезицкая, А. (2010). «Обработка информации в мозгу и динамические модели передачи». Proc. конференции IEEE EMBS. Буэнос-Айрес, Аргентина. С. 1722–1726.
  45. ^ Корзеневская, А .; Crainiceanu, C .; Kus, R .; Franaszczuk, P.J .; Крон, Н. Э. (2008). «Динамика событийной причинности (ERC) в электрической активности мозга». Гм. Brain Mapp. 29 (10): 1170–1192. Дои:10.1002 / hbm.20458. ЧВК 6870676. PMID 17712784.
  46. ^ Niso, G .; Bruña, R .; Переда Э. (2013). «HERMES: на пути к интегрированному набору инструментов для характеристики функциональной и эффективной связи мозга». Нейроинформатика. 11 (4): 405–434. arXiv:1305.2550. Bibcode:2013arXiv1305.2550N. Дои:10.1007 / s12021-013-9186-1. PMID 23812847.

внешняя ссылка

  • SCoT - Набор инструментов Python для оценки возможности подключения к источнику
  • ПРОСЕЯТЬ - Набор инструментов на основе MATLAB для оценки связности источников на основе EEGLAB
  • Коннектом
  • ГЕРМЕС - Набор инструментов MATLAB для функциональной и эффективной оценки связности мозга для M / EEG

Смотрите также