Summary

Corticale Bronanalyse van High-Density EEG-registraties bij kinderen

Published: June 30, 2014
doi:

Summary

De laatste jaren is er toenemende belangstelling voor het schatten van de corticale bronnen hoofdhuid gemeten elektrische activiteit tegen cognitieve neurologie experimenten geweest. Dit artikel beschrijft hoe een hoge dichtheid EEG wordt verworven en hoe opnames worden verwerkt voor corticale bron schatting bij kinderen vanaf de leeftijd van 2 jaar op de London baby Lab.

Abstract

EEG wordt traditioneel beschreven als een neuroimaging techniek met een hoge temporele en lage ruimtelijke resolutie. Recente ontwikkelingen in de biofysische modellering en signaalverwerking maken het mogelijk om informatie van andere beeldvormende technieken zoals structurele MRI die hoge ruimtelijke resolutie om deze beperking 1 ondervangen exploiteren. Dit is vooral handig voor onderzoek dat een hoge resolutie in de temporele en ruimtelijke domein nodig. Bovendien, vanwege de eenvoudige toepassing en lage EEG-registraties, EEG vaak de voorkeurswerkwijze wanneer u met populaties, zoals jonge kinderen die niet tolereren functionele MRI scans goed. Echter, om te onderzoeken welke neurale substraten betrokken anatomische informatie van structurele MRI is nog steeds nodig. De meeste EEG analyse pakketten werken met standaard kop modellen die gebaseerd zijn op anatomie. De nauwkeurigheid van deze modellen bij gebruik voor kinderen is beperkt 2, omdat de composition en ruimtelijke configuratie van het hoofd weefsels veranderingen dramatisch ontwikkeling 3.

In de huidige papieren, geven we een overzicht van onze recente werk in het benutten van hoofd-modellen op basis van individuele structurele MRI-scans of specifieke leeftijd hoofd modellen om de corticale generatoren van hoge dichtheid EEG reconstrueren. Dit artikel beschrijft hoe EEG-registraties worden verworven, verwerkt en geanalyseerd met pediatrische populaties aan de London baby Lab, waaronder laboratoriumopstelling, taak ontwerp, EEG voorbewerking, MRI verwerking, en EEG kanaal niveau en bronanalyse.

Introduction

President Barack Obama beschreef de menselijke hersenen als de volgende grens van wetenschappelijke ontdekking met een groot belang voor de gezondheid en de economie 3 (http://www.whitehouse.gov/share/brain-initiative). Maar zoals bij elk ander gebied in de natuurwetenschappen, de neurowetenschappen, hangt af van de vooruitgang in de methoden en analysetechnieken voor vooruitgang. Twee vaak gebruikte niet-invasieve instrumenten in studies over hersenfunctie bij mens magnetische resonantie beeldvorming (MRI) en elektro-encefalogram (EEG). Deze functie benut verschillende fysische eigenschappen en bieden verschillende inzichten in hersenfunctie met unieke voordelen en nadelen. MRI maakt gebruik van de magnetische eigenschappen van watermoleculen in magnetische velden om beelden van levende weefsels vinden. Het onderwerp heeft in een magneet met een hoge veldsterkte worden geplaatst. Beweging van de deelnemer is beperkt tijdens deze procedures en de deelnemer moet geluid veroorzaakt door de snelle veranderingen in het magnetische tolererenveld. Naast structurele afbeeldingen MRI geeft ook de mogelijkheid om veranderingen in het bloed oxygenatie meten hersenfunctie (fMRI) onderzocht. Samengevat, MRI biedt een relatief hoge ruimtelijke resolutie van maximaal 0,5 mm 3 met moderne high velden scanners en geoptimaliseerde parameters 4. In tegenstelling, de temporele resolutie van fMRI beperkt tot de langzame kinetiek van de BOLD respons, die slechts indirect weerspiegelt de hoge temporele dynamica van neurale activiteit 5,6.

Anderzijds, EEG meet veranderingen in elektrische activiteit veroorzaakt door de activiteit van neuronen via elektroden op de hoofdhuid. Recente ontwikkelingen in het EEG-technologie zorgen voor een snelle en gemakkelijke toepassing van de sensoren voor korte termijn of lange termijn en stationaire als ambulante opnames. Omdat EEG is minder beperkend, het is ook de methode van keuze voor bepaalde deelnemer bevolkingsgroepen die niet de MRI-omgeving en zoals tolereren pediatrische en bepaaldegeriatrische en psychiatrische populaties. De eigenschappen van EEG tonen een omgekeerd patroon aan die van MRI: de temporele resolutie is zeer hoog op de milliseconde nauwkeurig, maar de ruimtelijke resolutie is beperkt. Elektrische stromen doorheen verschillende weefsels tussen de generator en de EEG-elektroden op het oppervlak van de hoofdhuid. Dit leidt tot mengen en ruimtelijke versmering van bronactiviteit bekend als het volume geleiding effect. Daarom activiteit gemeten door de elektroden op het oppervlak van de hoofdhuid weerspiegelt activiteit uit meerdere bronnen die afstand de positie van de elektrode op het hoofd 1,7 kunnen zijn.

Veel werk in de afgelopen jaren is gewijd aan de samenvoeging van MRI en EEG in om te profiteren van hun respectieve sterke punten. Een lijn van het werk is gewijd aan de gelijktijdige aankoop van EEG en MRI in functionele studies. Een andere benadering is om de ruimtelijke informatie die door structurele MRI te gebruiken om rekening te houden met het volume conduction effect door biofysische modellering. Het gebruik van structurele informatie voor bron reconstructie van EEG-registraties is vooral nuttig voor studies met een pediatrische populatie. Het onderzoek van de ontwikkeling van de hersenfunctie centraal te begrijpen hoe complexe cognitieve vaardigheden worden gebouwd op eenvoudige precursoren 8.

Deze onderzoeken bijdragen tot veranderingen in de neurale substraten en responseigenschappen die correleren met veranderingen in gedrag prestatie te onderstrepen. Uit het onderzoek van de hersenfunctie en cognitie tijdens de ontwikkeling vormt ook specifieke uitdagingen. In het bijzonder wordt de mogelijkheid voor functionele MRI studies beperkt jonge kinderen en zuigelingen ofwel slapen of gesedeerd MRI gegevens te verkrijgen zonder bewegingsartefacten en negatieve gevolgen deelnemer welzijn te zijn. Verder EEG wordt gezien als minder risicovol en invasieve door de ouders, die de werving van deelnemers aan het onderzoek makkelijker maakt. Therefore, EEG is de methode van keuze voor vele onderzoeken van de hersenfunctie bij jonge kinderen. Methodologische ontwikkelingen in het EEG systemen maken het mogelijk de toepassing van hoge dichtheid elektrode arrays met 128 of meer kanalen binnen enkele minuten. Gemak van toepassing en draagcomfort zijn voldoende om zelfs EEG-registratie mogelijk te maken in de jongste kleuters. Echter, vaak onderzoekers zijn niet alleen geïnteresseerd in de temporele dynamiek van de reacties op bepaalde prikkels, maar wil ook de neurale substraten die de reacties bemiddelen vergelijken.

Een gangbare aanname in kanaal level ERP-analyse vergelijken van verschillende leeftijdsgroepen is dat dezelfde neurale substraten te reageren, maar dat de timing of de reactie amplitude varieert in leeftijd 9. Soortgelijke hoofdhuid topografie wordt vaak gebruikt als een indicator van onderliggend neurale activiteit. Echter, veel andere bron configuraties leiden tot soortgelijke hoofdhuid topografieën 10. Door het toepassen van bron schatting, dit Uncertainty kan worden verminderd en gekwantificeerd. De onafhankelijkheid van de waarnemingen is van cruciaal belang voor het netwerk accounts van hersenfuncties: als de bronnen worden gemengd, correlaties zal de nadruk echter op hogere lokale connectiviteit. Bron reconstructie kan op deze bias 11 verminderen. Als alternatief kunnen de verschillen in timing en fase worden gebruikt voor connectiviteit analyse, maar deze wiskundige modellen vereisen aannames die moeilijk te evalueren in niet gesimuleerde data 12 zijn. Samengevat, bron schatting geeft aanvullende informatie aan kanaal niveau EEG en ERP-analyse op basis van kennis over anatomie en biofysische eigenschappen van het weefsel.

Verschillende algoritmen ontwikkeld om oplossingen aan de inverse probleem. Deze algoritmen kunnen ruwweg in twee categorieën: parametrische en niet parametrische 13. Parametrische modellen veronderstellen een of meerdere dipolen die kunnen variëren in locatie, oriëntatie en kracht. In tegenstelling, niet parametrische modellen containersna groot aantal dipolen met vaste locatie en oriëntatie. In deze modellen wordt de hoofdhuid elektrische activiteit uitgelegd als een combinatie van activaties in de vaste dipolen 10,13,14. Niet parametrische kan gedistribueerd bron modellen zijn gebaseerd op kennis van de anatomie en de geleidbaarheid in verschillende media. Boundary Element Modellen zijn voorzien van geleidbaarheid waarden voor de belangrijkste weefsels van het hoofd met verschillende schelpen voor de hersenen, cerebro spinale vloeistof, en de schedel. Dit is gebaseerd op de veronderstelling dat geleidbaarheid zo constant in elk compartiment, maar duidelijke veranderingen optreden op de grens van verschillende compartimenten. Eindige elementen modellen zijn gebaseerd op verdere segmentering van MRI-scans in grijze en witte stof, zodat de geleidbaarheid waarden kunnen worden toegewezen aan elke voxel 15.

Concreet niet parametrische modellen zijn bijzonder nuttig voor bron wederopbouw in complexe cognitieve taken, waarbij het aantal gebieden geïmpliceerdniet bekend 10. Randelementenmethode modellen worden het meest gebruikt in de huidige literatuur, waarschijnlijk omdat het nauwkeuriger Eindige Elementen Modellen poseren vergelijkbaar hoog computationele eisen. Verder is er aanzienlijke interindividuele variabiliteit in grijze en witte stof, zodat fems moet gebaseerd zijn op individuele MRI-scans.

Niet-parametrische modellen vereisen een tweede stap voor het afstemmen van de hoofdhuid gemeten activiteit om de voorspellingen van de voorwaartse model. Nogmaals, hebben verschillende benaderingen met verschillende voor-en nadelen besproken in de literatuur (zie Michel et al.. 2004 voor een overzicht). De meest gebruikte algoritmes zijn gebaseerd op minimale norm schatting (MNE), waarbij de hoofdhuid gemeten activiteit overeenkomt met een stroomverdeling in de voorwaartse model met de laagste totale intensiteit 16. MNE is vooral gericht op zwakke en oppervlakkige bronnen. Diepte gewogen MNE algoritmen proberen om het oppervlak vertekening verminderen door de invoering van wegingmatrices gebaseerd op wiskundige aannames 10. De veel gebruikte LORETA benadering is ook gebaseerd op de gewogen MNE, maar bovendien minimaliseert de Laplace van bronnen, wat leidt tot soepeler oplossingen 17,18. LORETA is gevonden om het beste voor enkele bronnen uit te voeren in de simulatie studies 19,20. Echter, LORETA leiden tot meer dan afvlakking van oplossingen. Diepte gewogen MNE voorkeur wanneer de bron onbekend of meerdere bronnen waarschijnlijk aanwezig 13, 16 te zijn. Vergelijking van de resultaten van verschillende algoritmen om de invloed van verschillende modelveronderstellingen evalueren aanbevolen.

Samengevat, is de bron reconstructie door modelleringsmethoden beperkt voor kinderen tot voor kort. Dit komt omdat de meeste EEG analyse software is gebaseerd op het hoofd modellen gebaseerd op anatomie dat de nauwkeurigheid van source-oplossingen bij kinderen 2,8 aanzienlijk beperkt. De goedkope toegang tot de rekenkracht en de verstrekking vanuser software voor bron reconstructie maken het mogelijk om deze beperkingen te overwinnen. Het toepassen bron schatting aan de EEG biedt twee belangrijke voordelen ten opzichte van analyse op basis van kanaal niveau waarnemingen alleen: verbeterde ruimtelijke resolutie en de onafhankelijkheid van observaties.

Bron schatting niet informatief in sommige gevallen: goede dekking van het hoofd vereist om bronnen te onderscheiden. Hoge dichtheid systemen met 128 of meer elektroden worden aanbevolen 10,15; een sparser dekking zal fungeren als een ruimtelijk filter leidt tot meer wijd verspreid bron activering of vals negatieve resultaten 10. Bovendien bron reconstructie op basis van de in dit artikel beschreven methode is alleen gerapporteerd voor corticale generatoren. Daarom is het minder geschikt voor het testen van hypothesen subcorticale substraten of subcorticale corticale interacties. Ten slotte moet de bron analyse worden gebaseerd op gedetailleerde voorafgaande hypothesen over de corticale substraten,het nemen van de bestaande literatuur uit andere beeldvormende modaliteiten in aanmerking. Ruimtelijke filtering technieken kunnen ook worden gebruikt om de ruimtelijke resolutie van het EEG-signaal verbeteren door ruimtelijke menging op de hoofdhuid niveau. Alternatieve methoden om de invloed van het volume geleiding effecten zonder kop modelleren verminderen worden gebruikt, bijvoorbeeld, Laplace filtering 21 of stroombron Density analyse 22. Echter, deze methoden niet meer informatie over neurale generatoren als volume-geleiding effecten zijn niet alleen beperkt tot de sensoren in nauwe ruimtelijke nabijheid 1.

In de volgende paragrafen, het artikel wordt beschreven hoe experimenten voor het onderzoek van de hersenen en de cognitieve functie bij kinderen van 2 jaar of ouder zijn ontworpen aan de London baby Lab. Vervolgens wordt EEG data-acquisitie met een hoge dichtheid lage impedantie systemen met kinderen besproken. Vervolgens wordt EEG voorbewerking en analyse op het kanaal niveau gepresenteerd. Lastly, het artikel richt zich op de verwerking van de structurele MRI data voor corticale bron reconstructie en analyse van de bron niveau signalen.

Protocol

1. Ontwerpen EEG en evenementen gerelateerd potentieel experimenten voor kinderen Opmerking: Een eenvoudig experiment werd ontworpen voor de toepassing van dit artikel dat kan worden gebruikt om het gezicht verwerking in jonge kinderen te onderzoeken. De volgende sectie zal het experiment beschrijven en verklaren hoe de uitvoering ervan met behulp van MATLAB R2012b en Psychtoolbox V3.0.11 23,24. Foto's genomen van de NimStim set van emotionele gelaatsuitdrukkingen 25 …

Representative Results

Ontwerpen ERP experimenten voor zuigelingen en kinderen is vaak lastig, vanwege hun beperkte capaciteit om lange herhaalde experimenten 30 tolereren. Dit probleem wordt verder verergerd wanneer de experimentator voornemens bron reconstructie toegepast, omdat nauwkeurige bron reconstructie een hoog signaal vereist ruisverhouding 1. Figuur 1 toont een experimenteel protocol voor het onderzoeken van het gezicht verwerkingsprocessen die gebruikt kunnen worden met zeer jonge kinderen. H…

Discussion

Het huidige artikel beschrijft de registratie en analyse van hoge dichtheid EEG voor de wederopbouw van de corticale generatoren gebruiken randelementenmethode modellen op basis van leeftijd passende gemiddeld MRI templates en diepte gewogen minimum norm schatting in een standaard ERP-paradigma geschikt voor kinderen. In dit paradigma, worden de beelden van gezichten en roerei gezichten gepresenteerd. Verschillende auteurs gebruikten dit paradigma voor de ontwikkeling van het gezicht verwerkingsprocessen overdevelopment…

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

We willen prof. John Richards, Universiteit van South Carolina, bedankt voor het verlenen ons toegang tot de Ontwikkelings MRI-database en behulpzaam discussies. We willen ook graag onze financiers bedanken Great Ormond Street Children's Charity, UCL Impact & Grand Challenges.

Materials

High-density EEG sensor net (128 or 256 channels) HydroCel Geodesic Sensor Net 128 Electrical Geodesic Inc., Oregon, US
EEG high impendance amplifier NetAmps 200 Electrical Geodesic Inc., Oregon, US
Data Acquisition Computer  PowerMac G4 Apple Inc, California, US
Stimulus Presentation Computer Optiplex 745 Dell Computers Inc., Texas, US
Stimulus Presentation Software Matlab R2012b with PsychToolBox Brainard et al. 1997
EEG recording software NetStation 4.5.1 Electrical Geodesic Inc., Oregon, US
EEG analysis software Matlab R2012b The Mathworks Inc., 
EEGLAB Delorme et al. 2004
BrainStorm Sylvain et al. 2001
MRI processing software FreeSurfer Fischl et al. 2004
OpenMEEG Gramfort et al. 2010
Referenzen
Delorme, A., & Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21.
Sylvain, B., John, C., Dimitrios, P., & Richard, M. (2011). Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 2011, 1–13.
Fischl, B., Van Der Kouwe, A., Destrieux, C., Halgren, E., Ségonne, F., Salat, D. H., et al. (2004). Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22.
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. (2010). OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45. doi:10.1186/1475-925X-9-45
Brainard, D. H. (1997). The psychophysics toolbox. Spatial vision.

Referenzen

  1. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
  2. Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
  3. Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
  4. Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. 7 Tesla MR Imaging: Opportunities and Challenges. RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).
  5. Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
  6. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  7. Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
  8. Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
  9. Nelson, C. A., McCleery, J. P. Use of Event-Related Potentials in the Study of Typical and Atypical Development. Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).
  10. Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. EEG source imaging. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).
  11. Bathelt, J., O’Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings. NeuroImage. 82, 595-604 (2013).
  12. David, O., Cosmelli, D., Friston, K. J. Evaluation of different measures of functional connectivity using a neural mass model. NeuroImage. 21 (2), 659-673 (2004).
  13. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
  14. Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
  15. Richards, J. E. Localizing cortical sources of event-related potentials in infants’ covert orienting. Developmental Science. 8 (3), 255-278 (2005).
  16. Hauk, O. Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data. NeuroImage. 21 (4), 1612-1621 (2004).
  17. Pascual-Marqui, R. D., et al. Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia. Psychiatry Research. 90 (3), 169-179 (1999).
  18. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology. 24 Suppl D. , 5-12 (2002).
  19. Phillips, C., Rugg, M. D., Friston, K. J. Systematic regularization of linear inverse solutions of the EEG source localization problem. NeuroImage. 17 (1), 287-301 (2002).
  20. Yao, J., Dewald, J. P. A. Evaluation of different cortical source localization methods using simulated and experimental EEG data. NeuroImage. 25 (2), 369-382 (2005).
  21. Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods. Clinical Neurophysiology. 116 (1), 18-24 (2005).
  22. Tenke, C. E., Kayser, J. Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).
  23. Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
  24. Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What’s new in Psychtoolbox-3. Perception. , (2007).
  25. Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
  26. Chaste, P., et al. Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait. Biological Psychiatry. 74 (8), 576-584 (2013).
  27. Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
  28. Nolan, H., Whelan, R., Reilly, R. B. FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. 192 (1), 152-162 (2010).
  29. Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
  30. DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
  31. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Developmental Psychobiology. 54 (1), 77-91 (2011).
  32. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A user-friendly application for MEG/EEG analysis. Computational Intelligence and Neuroscience. 2011, 879716 (2011).
  33. Haan, M., Johnson, M. H., Halit, H. Development of face-sensitive event-related potentials during infancy: a review. International Journal of Psychophysiology. 51, 45-58 (2003).
  34. Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
  35. Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. ERP evidence of developmental changes in processing of faces. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).
  36. Ment, L. R., et al. Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence. PEDIATRICS. 123 (2), 503-511 (2009).
  37. Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
  38. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
  39. Daunizeau, J., David, O., Stephan, K. E. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. NeuroImage. 58 (2), 312-322 (2011).

Play Video

Diesen Artikel zitieren
Bathelt, J., O’Reilly, H., de Haan, M. Cortical Source Analysis of High-Density EEG Recordings in Children. J. Vis. Exp. (88), e51705, doi:10.3791/51705 (2014).

View Video