Оценщики мозговой связи [1] представляют образцы связей в мозге . Связность можно рассматривать на разных уровнях организации мозга: от нейронов до нейронных сборок и структур 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 эффективная связь (относящаяся к причинным взаимодействиям ). [2]
Нейроанатомические связи по своей природе 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. Для предоставления такой информации можно использовать DTI . 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. [3] Некоторые средства оценки связности мозга оценивают связность на основе временных рядов активности мозга, таких как электроэнцефалография (ЭЭГ), потенциал локального поля (LFP) или импульсные поезда , с влиянием на направленную связность. Эти оценщики могут применяться к данным фМРТ , если требуемые последовательности изображений доступны. Среди оценок связности есть линейные и нелинейные, двумерные и многомерные меры. Некоторые оценщики также указывают на направленность. Различные методы оценки связности различаются по своей эффективности. [4] [5] [6] В этой статье представлен обзор этих мер с акцентом на наиболее эффективные методы.
Двухвариантные оценки
Классические методы
Классические оценки связности - это корреляция и согласованность . Вышеупомянутые меры предоставляют информацию о направленности взаимодействий с точки зрения задержки (корреляции) или согласованности ( фазы ), однако эта информация не подразумевает причинного взаимодействия. Более того, это может быть неоднозначным, поскольку фаза определяется по модулю 2π. Также невозможно идентифицировать посредством корреляции или когерентности взаимные связи .
Нелинейные методы
Наиболее часто используемые нелинейные оценки связности - это взаимная информация , энтропия передачи , обобщенная синхронизация, [7] мера непрерывности, [8] вероятность синхронизации [9] и фазовая синхронизация . [7] Взаимная информация и энтропия переноса полагаются на построение гистограмм для оценок вероятности. Мера непрерывности, обобщенная синхронизация и вероятность синхронизации - очень похожие методы, основанные на реконструкции фазового пространства . 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. [7] [8] [10] Сравнение нелинейных методов с линейной корреляцией в присутствии шума показывает худшую производительность нелинейных оценщиков. [8] В [7] авторы приходят к выводу, что должны быть веские основания полагать, что существует нелинейность в данных для применения нелинейных методов. На самом деле это было продемонстрировано с помощью суррогатного теста данных , [11] [12] прогнозирование и временных рядов [13] , что нелинейность в ЭЭГЕ и LFP это скорее исключение , чем норма. С другой стороны, линейные методы довольно хорошо работают с нелинейными сигналами. [14] 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 [15] [16], где было продемонстрировано, что в случае взаимосвязанной системы каналов, больше двух, двумерные методы предоставляют вводящую в заблуждение информацию, даже изменение истинного распространения может быть найденным. Рассмотрим очень распространенную ситуацию, когда активность от данного источника измеряется на электродах, расположенных на разных расстояниях, отсюда и разные задержки между записанными сигналами.
Когда применяется двумерная мера, распространение всегда достигается при наличии задержки между каналами., [16] что приводит к множеству паразитных 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 в случае применения двумерных мер. Фактически, эффективные паттерны связности, полученные с помощью измерений ЭЭГ или LFP, далеки от случайности, когда применяются надлежащие многомерные меры, как мы продемонстрируем ниже.
Многомерные методы, основанные на причинности Грейнджера
Проверяемое определение причинности было введено Грейнджером . [17] Принцип причинности Грейнджера утверждает, что если некоторый ряд Y ( t ) содержит информацию в прошлых терминах, которая помогает в предсказании ряда X ( t ), то считается, что Y ( t ) вызывает X ( t ). Принцип причинности Грейнджера может быть выражен в терминах двухканальной многомерной авторегрессионной модели (MVAR). Грейнджер в своей более поздней работе [18] указал, что определение причинности невозможно, когда система рассматриваемых каналов не завершена. Меры, основанные на принципе причинности Грейнджера: индекс причинности Грейнджера (GCI), направленная передаточная функция (DTF) и частичная направленная когерентность (PDC). Эти меры определены в рамках многомерной авторегрессионной модели. [19] [20]
Многовариантная модель авторегрессии
Модель AR предполагает, что X ( t ) - выборка данных в момент времени t - может быть выражена как сумма p предыдущих значений выборок из набора k -сигналов, взвешенных коэффициентами модели A плюс случайное значение E ( т ):
( 1 )
Р называется порядком модели. Для k- канального процесса X ( t ) и E ( t ) являются векторами размера k, а коэффициенты A являются матрицами размера k × k . Порядок модели может быть определен с помощью критериев, разработанных в рамках теории информации, а коэффициенты модели находятся путем минимизации остаточного шума. В процедуре вычисляется корреляционная матрица между сигналами. Путем преобразования в частотную область получаем:
( 2 )
H ( f ) - это передаточная матрица системы, она содержит информацию о взаимосвязях между сигналами и их спектральными характеристиками. H ( f ) несимметричен, поэтому он позволяет находить причинные зависимости. Порядок модели может быть найден с помощью критериев, разработанных в рамках теории информации [19], например критерия AIC .
Индекс причинности Грейнджера
Индекс причинности Грейнджера, показывающий движение канала x каналом y , определяется как логарифм отношения остаточной дисперсии для одного канала к остаточной дисперсии двухканальной модели: [21] GCI y → x = ln ( e / e 1 ) Это определение можно распространить на многоканальную систему, рассмотрев, как включение данного канала изменяет отношения остаточной дисперсии. Чтобы количественно оценить направленное влияние канала x j на x i для n- канального процесса авторегрессии во временной области, мы рассматриваем n- и n −1-мерные модели MVAR. Во-первых, модель адаптируется ко всей n- канальной системе, что приводит к остаточной дисперсии V i , n (t) = var ( E i , n ( t )) для сигнала x i . Затем n -1-мерная модель MVAR подбирается для n -1 каналов, исключая канал j , что приводит к остаточной дисперсии V i , n -1 (t) = var ( E i , n -1 ( t )). Тогда причинность Грейнджера определяется как:
GCI меньше или равен 1, так как дисперсия n- мерной системы ниже, чем остаточная дисперсия меньшей, n −1-мерной системы. GCI ( t ) оценивает причинно-следственные связи во временной области. Для сигналов мозга интерес представляют спектральные характеристики сигналов, потому что для данной задачи увеличение распространения в одной полосе частот может сопровождаться уменьшением в другой полосе частот. [22] DTF или PDC - это средства оценки, определенные в частотной области.
Направленная передаточная функция
Направленная передаточная функция (DTF) была введена Камински и Блиновской [23] в форме:
( 3 )
Где H ij ( f ) - элемент передаточной матрицы модели MVAR. DTF описывает причинное влияние канала j на канал i на частоте f . Вышеприведенное уравнение ( 3 ) определяет нормализованную версию DTF, которая принимает значения от 0 до 1, создавая соотношение между притоком из канала j в канал i ко всем притокам в канал i . Ненормализованный DTF, который напрямую связан с прочностью связи [24] , 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 функция прямого направленного преобразования (dDTF). [25] dDTF определяется как умножение модифицированного DTF на частичную когерентность. Модификация DTF касалась нормализации функции таким образом, чтобы знаменатель не зависел от частоты. DDTF j → i, показывающий прямое распространение от канала j к i , определяется как:
( 5 )
Где C ij ( f ) - частичная когерентность. DDTF j → i имеет ненулевое значение, когда обе функции F ij ( f ) и C ij ( f ) отличны от нуля, в этом случае существует прямая причинная связь между каналами j → i . Отличить прямую передачу от непрямой важно в случае сигналов от имплантированных электродов, а для сигналов ЭЭГ, регистрируемых электродами кожи головы, это не так важно. [15]
DTF может использоваться для оценки распространения в случае точечных процессов, например, цепочек пиков, или для оценки причинно-следственных связей между цепями пиков и потенциалами локального поля. [26]
Частичная направленная когерентность
Частичная направленная когерентность (PDC) была определена Баккалой и Самешимой [27] в следующей форме:
( 6 )
В приведенном выше уравнении A ij ( f ) является элементом A ( f ) - преобразованием Фурье коэффициентов модели MVAR A ( t ), где a j ( f ) является j -м столбцом A ( f ), а звездочка обозначает операции транспонирования и комплексного сопряжения. Хотя это функция, работающая в частотной области, зависимость A ( f ) от частоты 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 отношение между исходящим потоком из канала j в канал i ко всем исходящим потокам из исходного канала j , поэтому он делает упор скорее на стоках, а не на источниках. Нормализация PDC влияет на обнаруженную интенсивность потока, как было указано в [28]. 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, может быть применен к оценщикам связности. Оба метода требуют многократного повторения эксперимента для получения статистически удовлетворительных результатов, и они дают аналогичные результаты. [29] Адаптивные методы, например фильтрация Калмана, более требовательны к вычислениям, поэтому можно рекомендовать методы, основанные на скользящем окне.
В случае параметрической модели количество точек данных kN T ( k - количество каналов, N T - количество точек в окне данных) должно быть больше (желательно на порядок), чем количество параметров, которые в случай MVAR равен k 2 p ( p - модельный порядок). 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 R Ij из K сигналов X я от многофакторного набора, [19] 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 можно оценить с помощью метода начальной загрузки . [30] Эта процедура соответствует моделированию других реализаций эксперимента. Дисперсия значения функции получается путем повторного расчета результатов для случайно выбранной (с повторениями) пула исходных испытаний данных.
Приложения
DTF нашел множество применений, первые из которых включали: локализацию эпилептических очагов , [31] оценку распространения ЭЭГ на разных стадиях сна и бодрствования, [32] определение передачи между структурами мозга животного во время поведенческого теста. [33]
Можно наблюдать смещение источников вперед при переходе от бодрствования к более глубоким стадиям сна. В глубоком сне источник находится над мозолистым телом , предположительно он связан с питанием коры из подкорковых структур.
Одним из первых приложений SDTF было определение динамического распространения во время выполнения движения пальца и его воображения. [34] [35] 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 двигательной активности. кора головного мозга, бета-отскок после движения и так называемый эффект объемного звучания. [36] 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 было обнаружено перекрестное взаимодействие между различными участками, лежащими над двигательной областью и дополнительной двигательной областью (SMA). (Динамику распространения можно наблюдать в анимации [37] ).
Еще одно применение SDTF касалось оценки передачи во время когнитивных экспериментов. Результаты теста на постоянное внимание (CAT) [38] подтвердили участие префронтальных и лобных структур в задаче и подтвердили гипотезу об активном торможении со стороны пре-СМА и правой нижней лобной коры . Доступны анимации распространения во время CAT-теста. [39]
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. [40] Доступна анимация, иллюстрирующая динамику взаимодействия. [41]
Обратите внимание, что следует проявлять осторожность, чтобы избежать ложных оценок связности при использовании данных канала ЭЭГ. Недавние статьи [42] [43] подчеркивают, что предыдущие утверждения [44] о том, 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, [45] соответствующая предварительная обработка данных канала (например, идентификация источника) должна быть выполнена перед оценкой DTF или PDC.
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 в некоторых работах сообщается, что случайная или едва отличимая от случайной структуры связности, может рассматриваться как удивительное явление. Такие результаты можно объяснить методологическими ошибками: 1) ненадежными методами оценки связности и, что более важно, 2) применением двумерных методов. Когда для анализа ЭЭГ применяются многомерные надежные меры связности, появляется четкая картина функциональной связности. [22] [23] [31] [32] [33] [34] [35] [38] [40] [46] [47] [48]]
Рекомендации
- ^ Sporns, Олаф (2007). «Связь мозга» . Scholarpedia . 2 (10): 4695. Bibcode : 2007SchpJ ... 2.4695S . DOI : 10,4249 / scholarpedia.4695 .
- ^ Саккалис, В. (2011). «Обзор передовых методов оценки связности мозга, измеренной с помощью ЭЭГ / МЭГ». Comput Biol Med . 41 (12): 1110–1117. DOI : 10.1016 / j.compbiomed.2011.06.020 . PMID 21794851 .
- ^ Ошибка цитирования: указанная ссылка
https://link.springer.com/article/10.1007/s11023-017-9447-0
была вызвана, но не была определена (см. Страницу справки ). - ^ Блиновска, KJ (2011). «Обзор методов определения направленной связности по многоканальным данным» . Медицинская и биологическая инженерия и вычисления . 49 (5): 521–529. DOI : 10.1007 / s11517-011-0739-х . PMC 3097342 . PMID 21298355 .
- ^ Matlab_book [Blinowska, 2011]
- ^ Камински, М .; Лян, Х. (2005). «Причинное влияние: достижения в анализе нейросигналов». Критические обзоры в биомедицинской инженерии . 33 (4): 347–430. DOI : 10.1615 / CritRevBiomedEng.v33.i4.20 . PMID 15982186 . S2CID 27601014 .
- ^ а б в г Переда, Э .; Кирога, RQ; Бхаттачарья, Дж. (2005). «Причинное влияние: нелинейный многомерный анализ нейрофизических сигналов». Prog Neurobiol . 77 (1–2): 1–37. arXiv : nlin / 0510077 . DOI : 10.1016 / j.pneurobio.2005.10.003 . PMID 16289760 .
- ^ а б в Netoff, I .; Кэролл, TL; Pecora, LM; Шифф, SJ (2006). «Обнаружение связи при наличии шума и нелинейности». В Schelter, J .; Winterhalder, W .; Тиммер (ред.). Справочник по анализу временных рядов . Wiley-BW
- ^ Stam, CJ; 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 . DOI : 10.1016 / S0167-2789 (01) 00386-4 .
- ^ Блиновска, KJ; Жигеревич, Дж. (2012). Практический биомедицинский анализ сигналов с использованием Matlab . CRC Press, Бока-Ратон.
- ^ Achermann, P .; Hartmann, R .; Gunzinger, A .; Guggenbühl, W .; Borbély, AA (1994). «Весь ночной сон и управляющие сигналы искусственного стохастика имеют одинаковую корреляционную размерность». Электроэнцефалогр. Clin. Neurophysiol . 90 (5): 384–387. DOI : 10.1016 / 0013-4694 (94) 90054-X . PMID 7514985 .
- ^ Stam, CJ; Suffczynski, P .; Лопеш да Силва, FH; Лопес да Силва, FH (1999). «Динамика альфа-ритма человека: доказательства нелинейности?». Clin. Neurophysiol . 110 (10): 1801–1813. DOI : 10.1016 / S1388-2457 (99) 00099-1 . PMID 10574295 .
- ^ Блиновска, KJ; Малиновский, М. (1991). «Нелинейное и линейное прогнозирование временных рядов ЭЭГ». Biol Cybern . 66 (2): 159–165. DOI : 10.1007 / BF00243291 . PMID 1768720 .
- ^ 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 . DOI : 10.1016 / j.sigpro.2005.07.011 .
- ^ а б Kuś, R .; Камински, М .; Блиновска, KJ (2004). «Определение распространения активности ЭЭГ: парная или многоканальная оценка». IEEE Trans Biomed Eng . 51 (9): 1501–1510. DOI : 10.1109 / TBME.2004.827929 . PMID 15376498 .
- ^ а б Блиновска, KJ; Kuś, R .; Камински, М. (2004). «Причинность Грейнджера и информационный поток в многомерных процессах». Phys. Rev. E . 70 (5): 050902 (также в Virt J Biol Phys Res 8 (11) ). Bibcode : 2004PhRvE..70e0902B . DOI : 10.1103 / PhysRevE.70.050902 . PMID 15600583 .
- ^ Грейнджер, CWJ (1969). «Исследование причинно-следственных связей с помощью эконометрических моделей и кросс-спектральных методов». Econometrica . 37 (3): 424–438. DOI : 10.2307 / 1912791 . JSTOR 1912791 .
- ^ Грейнджер, CWJ (1980). «Тестирование причинно-следственной связи: личная точка зрения». J Econ Dyn Control . 2 : 329–352. DOI : 10.1016 / 0165-1889 (80) 90069-X .
- ^ а б в Блиновска, KJ; 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.
- ^ Crimi, A .; др. и др. (2021 г.). «Структурно ограниченная связь мозга». Нейроизображение . 289 (1). DOI : 10.1016 / j.neuroimage.2021.118288 .
- ^ Гевеке, Дж. (1982). «Измерение линейной зависимости и обратной связи между несколькими временными рядами». Журнал Американской статистической ассоциации . 77 (378): 304–324. DOI : 10.1080 / 01621459.1982.10477803 .
- ^ а б Ginter Jr., J .; Блиновска, KJ; Камински, М .; Дурка, П.Дж.; 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. DOI : 10,1055 / с-0038-1633932 . PMID 15778801 .
- ^ а б Камински, М .; Блиновска, KJ (1991). «Новый метод описания информационного потока в структурах мозга». Biol Cybern . 65 (3): 203–210. DOI : 10.1007 / BF00198091 . PMID 1912013 .
- ^ 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». Biol Cybern . 85 (2): 145–157. DOI : 10.1007 / s004220000235 . PMID 11508777 .
- ^ Корзеневская, А .; Mańczak, M .; Камински, М .; Блиновска, KJ; Касицки, С. (2003). «Определение направления информационного потока между структурами мозга модифицированным методом направленной передаточной функции (dDTF)». J Neurosci Methods . 125 (1–2): 195–207. DOI : 10.1016 / S0165-0270 (03) 00052-9 . PMID 12763246 .
- ^ Kocsis, B .; Камински, М. (2006). «Динамические изменения в направлении тета-ритмического движения между супрамамиллярным ядром и системой септогиппокампа». Гиппокамп . 16 (6): 531–540. DOI : 10.1002 / hipo.20180 . PMID 16598710 .
- ^ Баккала, Луизиана; Самешима, К. (2001). «Частичная направленная когерентность: новая концепция определения нервной структуры». Biol Cybern . 84 (6): 463–474. DOI : 10.1007 / PL00007990 . PMID 11417058 .
- ^ 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. DOI : 10.1016 / j.jneumeth.2009.01.006 . PMID 19428518 .
- ^ 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 ( ссылка )
- ^ Ефрон, Б. (1979). «Методы начальной загрузки: еще один взгляд на складной нож» . Аня. Стат . 7 : 1–6. DOI : 10.1214 / aos / 1176344552 .
- ^ а б Franaszczuk, PJ; Bergey, GJ; Камински, М. (1994). «Анализ возникновения и распространения мезиального временного приступа с использованием метода направленной передаточной функции». Электроэнцефалогр. Clin. Neurophysiol . 91 (6): 413–427. DOI : 10.1016 / 0013-4694 (94) 90163-5 . PMID 7529681 .
- ^ а б Камински, М .; Блиновска, KJ; Селенбергер, В. (1997). «Топографический анализ когерентности и распространения активности ЭЭГ во время сна и бодрствования». Электроэнцефалогр. Clin. Neurophysiol . 102 (3): 216–227. DOI : 10.1016 / S0013-4694 (96) 95721-5 . PMID 9129577 .
- ^ а б Корзеневская, А .; Kasicki, S .; Камински, М .; Блиновска, KJ (1997). «Информационный поток между гиппокампом и связанными с ним структурами при различных типах поведения крыс». J Neurosci Methods . 73 (1): 49–60. DOI : 10.1016 / S0165-0270 (96) 02212-1 . PMID 9130678 .
- ^ а б Ginter Jr, J .; Блиновска, KJ; Камински, М .; Дурка, П.Дж. (2001). «Фазовый и амплитудный анализ в частотно-временном пространственном приложении к произвольным движениям пальцев». J Neurosci Methods . 110 (1–2): 113–124. DOI : 10.1016 / S0165-0270 (01) 00424-1 . PMID 11564531 .
- ^ а б Kus, R .; Ginter Jr, J .; Блиновска, KJ (2006). «Распространение активности ЭЭГ при движении пальца и его воображении». Acta Neurobiol Exp . 66 (3): 195–206.
- ^ Пфурчеллер, Г. (1999). «Количественная оценка ERD и ERS во временной области». Десинхронизация, связанная с событием . Эльзевир.
- ^ «Архивная копия» . Архивировано из оригинала на 2007-11-18 . Проверено 6 августа 2012 .CS1 maint: заархивированная копия как заголовок ( ссылка )
- ^ а б Блиновска, KJ; Kus, R .; Камински, М .; Янишевская, J. (2010). «Передача информации при тесте на постоянное внимание». Топография мозга . 23 (2): 205–213. DOI : 10.1007 / s10548-010-0137-у . PMID 20191316 .
- ^ «Архивная копия» . Архивировано из оригинала на 2013-10-03 . Проверено 6 августа 2012 .CS1 maint: заархивированная копия как заголовок ( ссылка )
- ^ а б Brzezicka, A .; Камински, М .; Камински, Дж .; Блиновска, KJ (2011). «Передача информации при переходной задаче рассуждений» . Топография мозга . 24 (1): 1–8. DOI : 10.1007 / s10548-010-0158-6 . PMC 3036833 . PMID 20686832 .
- ^ «Архивная копия» . Архивировано из оригинала на 2016-03-04 . Проверено 27 июля 2012 .CS1 maint: заархивированная копия как заголовок ( ссылка )
- ^ Brunner, C .; Биллингер, М .; Seeber, M .; Mullen, TR; Макейг, С. (2016). «Объемная проводимость влияет на оценку связности кожи головы» . Front Comput Neurosci . 10 : 121. DOI : 10,3389 / fncom.2016.00121 . PMC 5119053 . PMID 27920674 .
- ^ Ван Де Стин, Ф .; Faes, L .; Karahan, E .; Songsiri, J .; Вальдес-Соса, Пенсильвания; Маринаццо, Д. (2016). «Критические комментарии по анализу динамической связи пространства датчика ЭЭГ». Мозг Топогр . 32 (4): 643–654. arXiv : 1607.03687 . Bibcode : 2016arXiv160703687V . DOI : 10.1007 / s10548-016-0538-7 . PMID 27905073 .
- ^ Камински, М .; Блиновска, KJ (2014). «На направленную передаточную функцию не влияет объемная проводимость - следует избегать нецелесообразной предварительной обработки» . Front Comput Neurosci . 8 : 61. DOI : 10,3389 / fncom.2014.00061 . PMC 4050361 . PMID 24959136 .
- ^ Камински, М .; Блиновска, К. (2017). «Влияние объемной проводимости на оценку DTF и проблема его смягчения» . Front Comput Neurosci . 11 : 36. DOI : 10,3389 / fncom.2017.00036 . PMC 5427064 . PMID 28553220 .
- ^ Блиновска, KJ; Камински, М .; Камински, Дж .; Бжезицкая, А. (2010). «Обработка информации в мозгу и динамические модели передачи». Proc. конференции IEEE EMBS . Буэнос-Айрес, Аргентина. С. 1722–1726.
- ^ Корзеневская, А .; Crainiceanu, C .; Kus, R .; Franaszczuk, PJ; Крон, NE (2008). «Динамика событийной причинности (ERC) в электрической активности мозга» . Гм. Brain Mapp . 29 (10): 1170–1192. DOI : 10.1002 / hbm.20458 . PMC 6870676 . PMID 17712784 .
- ^ Niso, G .; Bruña, R .; Переда Э. (2013). «HERMES: к интегрированному набору инструментов для характеристики функциональной и эффективной связи мозга». Нейроинформатика . 11 (4): 405–434. arXiv : 1305,2550 . Bibcode : 2013arXiv1305.2550N . DOI : 10.1007 / s12021-013-9186-1 . PMID 23812847 .
Внешние ссылки
- SCoT - набор инструментов Python для оценки связности источников
- SIFT - набор инструментов на основе MATLAB для оценки связности источников на основе EEGLAB
- Коннектом
- HERMES - набор инструментов MATLAB для функциональной и эффективной оценки связности мозга для M / EEG
Смотрите также
- Синапс