Çocuklarda Yüksek Yoğunlukta EEG Recordings kortikal Kaynak Analizi
Summary
Son yıllarda, bilişsel nörobilim deneyler için elektriksel aktivitesinin kafa derisi ölçülen kortikal kaynaklarını tahmin artan bir ilgi olmuştur. Bu makalede, Londra Bebek Lab 2 yaşından yüksek yoğunluklu EEG elde edilir ve nasıl kayıtları çocuklarda kortikal kaynak tahmini için nasıl işlendiğini açıklar.
Abstract
EEG geleneksel olarak yüksek zamansal ve uzaysal çözünürlüğü ile bir beyin tekniği olarak tarif edilir. Biyofizik modelleme ve sinyal işleme son gelişmeler mümkün bu kısıtlamayı 1 aşmak için yüksek uzaysal çözünürlüğü sağlamak yapısal MR gibi diğer görüntüleme yöntemlerinin bilgi istismar yapmak. Bu temporal yüksek çözünürlük hem de uzamsal gerekli araştırmalar için özellikle yararlıdır. Buna ek olarak, nedeniyle kolay uygulama ve EEG kayıtları düşük maliyet, EEG gibi fonksiyonel MRI tahammül yok küçük çocuklar gibi nüfus, çalışan iyi tarar sık sık tercih edilen yöntemdir. Ancak, nöral substratlar yapısal MR dan, anatomik bilgi yer aldığı araştırmak için hala gereklidir. En EEG analiz paketleri yetişkin anatomi dayalı standart kafa modelleri ile çalışır. Çocuklar için kullanılan bu modellerin doğruluğu, 2 sınırlı olduğu için eşkompozisyon, ve baş mekansal yapılandırma gelişimi üzerinde 3 dramatik değişiklikler dokular.
Bu yazıda, yüksek yoğunluklu EEG kortikal jeneratörleri yeniden bireysel yapısal MRI taramaları ya da yaşa özel kafa modellere dayalı kafa modelini kullanan son bizim işin bir bakış sağlar. Bu makalede, EEG kayıtları işlenmiş ve laboratuar kurulumu, görev tasarımı, EEG ön işleme, MRI işleme ve EEG kanal seviyesi ve kaynak analizi de dahil olmak üzere Londra Bebek Lab pediatrik nüfus, analiz, nasıl elde edildiğini açıklar.
Introduction
Başkan Barack Obama, sağlık ve ekonomi 3 (http://www.whitehouse.gov/share/brain-initiative) için yüksek öneme sahip bilimsel keşif sonraki sınır olarak insan beynini nitelendirdi. Ancak, doğal bilimlerde herhangi bir diğer alan gibi, nörolojik ilerleme için metodolojiler ve analiz tekniklerindeki gelişmeler bağlıdır. İnsanlarda beyin fonksiyonu hakkında çalışmalarda yaygın olarak kullanılan iki non invaziv araçlar, manyetik rezonans görüntüleme (MRG) ve elektroensefalografi (EEG) vardır. Bu aracı farklı fiziksel özellikleri istismar ve benzersiz avantaj ve dezavantajları ile beyin fonksiyon farklı bakış açıları sağlamak. MRG yaşayan dokuların görüntüleri elde etmek için manyetik alanlar içindeki su molekülleri manyetik özelliklerini kullanır. Söz konusu yüksek alan gücüne sahip bir mıknatısın yerleştirilmiş olması gerekir. Katılımcının hareketi bu işlemler sırasında sınırlı ve katılımcı manyetik hızlı değişikliklerin neden olduğu gürültü tahammül vardıralan. Yapısal görüntülere ek olarak, MRI ayrıca beyin fonksiyonu (fMRI) araştırmak için kan oksijenlenme değişiklikleri ölçmek için imkanı sağlar. Özetle, MRG modern yüksek alanlar tarayıcılar ve parametrelerinin optimize 4 ile 0.5 mm 3 nispeten yüksek uzaysal çözünürlük sunuyor. Bunun aksine, fonksiyonel MR zamansal çözünürlüğü sadece dolaylı olarak nöral faaliyet 5,6 yüksek zamansal dinamikleri yansıtan BOLD yanıt yavaş kinetik ile sınırlıdır.
Öte yandan, EEG kafa derisi üzerine yerleştirilen elektrotlar yoluyla nöron aktivitesinin sebep olduğu elektriksel aktivitesinde değişiklikleri ölçer. EEG teknolojisindeki son gelişmeler, kısa vadeli veya uzun vadeli ve kırtasiye gibi ayaktan kayıtları için sensörler hızlı ve kolay uygulama sağlar. EEG az kısıtlayıcı olduğundan, o da iyi gibi MRG çevreyi tahammül yok bazı katılımcı nüfus için tercih edilen yöntemdir pediatrik ve bazıGeriatrik ve psikiyatrik nüfus. EEG özellikleri MRG bu ters bir desen göstermektedir: zamansal çözünürlük milisaniyelik hassasiyetle çok yüksek, ancak uzaysal çözünürlüğü sınırlıdır. Elektrik akımı kafa derisi yüzeyinde kendi jeneratör ve EEG elektrotlar arasında farklı dokular içinden geçmektedir. Bu, karıştırma ve ses iletim etkisi olarak bilinen bir kaynak aktivitenin uzaysal bulaşması yol açar. Bu nedenle, kafa derisi yüzeyine elektrotlar ile ölçülen etkinlik baş 1,7 ilgili elektrotun konuma uzak olabilir, birden çok kaynaktan gelen aktivitesini yansıtır.
Son yıllarda çok iş kendi güçlerinden yararlanmak için MRI ve EEG birleştirilmesi ithaf edilmiştir. Işin bir satır işlevsel çalışmalarda EEG ve MR eş zamanlı olarak satın adamıştır. Başka bir yaklaşım hacmi c hesaba çekmek için yapısal MRG tarafından sağlanan uzamsal bilgiyi kullanmaktıronduction biyofizik modelleme yoluyla etkisi. EEG kayıtlarının kaynağı yeniden yapısal bilginin kullanımı bir pediatrik içeren çalışmalar için özellikle yararlıdır. Beyin fonksiyonlarının gelişiminin incelenmesi karmaşık bilişsel beceriler basit öncüleri 8 üstüne inşa nasıl anlamak için merkezi.
Bu soruşturmalar davranış performansında değişiklikler ile ilişkili nöral substratlar ve yanıt özellikleri değişiklikleri vurgulamak için yardımcı olur. Ancak, gelişimi sırasında beyin fonksiyonu ve biliş soruşturma da belirli zorlukları teşkil etmektedir. Özellikle, fonksiyonel MRI çalışmaları için fırsat küçük çocuklar ve bebeklerde uykuda veya hareket eserler ve katılımcı sağlığı üzerinde olumsuz etkisi olmadan MRI verilerini elde etmek sakinleşmiş olması ya olarak sınırlıdır. Ayrıca, EEG araştırmaya katılanların işe kolaylaştırır veliler, daha az riskli ve invaziv olarak algılanmaktadır. Therefore, EEG küçük çocuklarda beyin fonksiyonunun bir çok araştırmalar için tercih edilen bir yöntemdir. EEG sistemlerde metodolojik gelişmeler dakika içinde 128 veya daha fazla kanal ile yüksek yoğunluklu elektrot diziler uygulama sağlar. Uygulama ve taşıma konforu kolaylığı hatta genç bebeklerde EEG kaydına izin vermek yeterlidir. Ancak, çoğu araştırmacı yalnızca belirli uyaranlara tepkiler zamansal dinamikleri ilgilenen, aynı zamanda tepkilerin nöral substratları karşılaştırmak istiyorum.
Farklı yaş grupları karşılaştırarak kanal seviye ERP analizinde bir hakim varsayım aynı nöral substratlar tepki olduğunu, ancak zamanlama veya yanıt genliği yaşları 9 arasında değişir. Benzer kafa derisi topografya genellikle benzer altta yatan nöral aktivitenin bir göstergesi olarak kullanılır. Ancak, birçok farklı kaynak konfigürasyonları benzer saç derisi 10 topografyalarının yol açabilir. Kaynak tahmin uygulayarak, bu Uncertainty azalır ve sayısal olabilir. Gözlemlerin bağımsızlığı beyin fonksiyon ağ hesapları için önemlidir: kaynaklar karışık ise, korelasyon yüksek yerel bağlantı karşı önyargılı olacaktır. Kaynak rekonstrüksiyon bu önyargı 11 azaltmak için uygulanabilir. Alternatif olarak, zamanlama ve faz farkları bağlantı analizi için de kullanılabilir, ancak bu matematiksel modeller olmayan taklit veriler 12 değerlendirmek zor olan varsayımlar gerektirir. Özetle, kaynak tahmini anatomi ve doku biyofiziksel özellikleri hakkında bilgiye dayalı kanal seviyesi EEG ve ERP analizine ek bilgi sağlar.
Farklı algoritmalar ters soruna çözüm bulmak için icat edilmiştir. Parametrik ve parametrik olmayan 13: Bu algoritmalar iki kategoriye ayrılır geniş düşmek. Parametrik modeller birini veya konumu, yönlendirme ve gücü değişebilir birden dipolleri varsayalım. Bunun aksine, parametrik olmayan model konteynerina büyük sabit bir yerde ve yönelimi ile dipollerin sayısı. Bu modellerde, kafa derisi elektriksel aktivite sabit dipollerin bilir 10,13,14 içinde aktivasyon bir kombinasyonu olarak açıklanmıştır. Parametrik olmayan, dağıtılan kaynak modelleri, farklı ortamlarda anatomi ve iletkenliği ile ilgili bilgiye dayalı olabilir. Sınır eleman modelleri beyin, beyin omurilik sıvısı ve kafatası için farklı kabuklar ile başın ana dokular için iletkenlik değerleri içermektedir. Bu iletkenlik her bir bölme içinde çok sabit olmakla birlikte, bu belirgin değişiklikler farklı bölmelerin sınır meydana varsayımına dayanmaktadır. Iletkenlik değerleri her vokselden 15 atanabilir, böylece sonlu eleman modelleri gri ve beyaz madde içine MR taramaları daha fazla segmentasyon dayanmaktadır.
Pratik açıdan, parametrik olmayan model, karmaşık bilişsel görev aldığı kaynak yeniden yapılanma için özellikle yararlı olan ilgili alanların sayısı olabilir hangi10 bilinemez. Daha doğru Sonlu Elemanlar Modeli nispeten yüksek hesaplama taleplerini poz muhtemelen çünkü sınır eleman modelleri en yaygın, mevcut literatürde kullanılmaktadır. Fems bireysel MRI taramaları dayanması gerektiğini, böylece daha fazla, beyaz ve gri cevherde önemli arası bireysel farklılıklar bulunmaktadır.
Parametrik olmayan modeller öne modelin tahminlere derisi ölçülen aktivitesini eşleşen için ikinci bir adım gerektirir. Yine, farklı avantajları ve dezavantajları ile farklı yaklaşımlar (genel bir bakış için Michel ve ark. 2004 bakınız) literatürde tartışılmıştır. En yaygın olarak kullanılan algoritmalar, en düşük toplam yoğunluk 16 ile ileri modelinde bir akım dağılımı için kafa derisi ölçülen etkinlik ile eşleşen en az norm tahmini (MEB) dayanmaktadır. MEB zayıf ve yüzeysel kaynaklardan doğru itilir. Derinlik ağırlıklı MEB algoritmaları ağırlık getirerek yüzey önyargı azaltmak için çalışacağızmatematiksel varsayımlara dayalı 10 matrisleri. Yaygın olarak kullanılan LORETA yaklaşım da ağırlıklı MEB dayalı, ama ayrıca yumuşak çözümler 17,18 yol açan kaynakların laplası, minimize edilir. LORETA simülasyon çalışmalarında 19,20 tek kaynağa için en iyi performansı bulunmuştur. Ancak, LORETA çözümleri yumuşatma üzerinde yol açabilir. Kaynakları bilinmeyen veya birden kaynaklar 13, 16 mevcut olması muhtemeldir zaman derinlik ağırlıklı MEB tercih edilir. Farklı model varsayımlarının etkisini değerlendirmek için farklı algoritmalar sonuçlarını karşılaştırarak tavsiye edilir.
Özet olarak, modellenmesi yöntemlerle kaynak yeniden yakın zamana kadar çocuklar için sınırlı kalmıştır. En EEG analiz yazılımı esas çocuklarda 2,8 kaynak çözümleri doğruluğunu sınırlar yetişkin anatomisine dayanan kafa modellerine dayanır çünkü bu. Hesaplama gücü ve sunumunun ucuz erişimkaynak yeniden inşası için kullanıcı dostu bir yazılım mümkün bu sınırlamaları aşmak için yapmak. EEG kaynak tahmin uygulanması yalnız kanal seviye gözlemlerine dayalı analizler üzerinde iki önemli avantajlar sağlamaktadır: uzaysal çözünürlüğü ve gözlemlerin bağımsızlığını geliştirilmiş.
Kaynak kestirimi, bazı durumlarda bilgi olabilir: başının iyi bir kapsama kaynaklarını ayırmak için gereklidir. 128 veya daha fazla elektrodun sahip yüksek yoğunluklu sistemleri 10,15 tavsiye edilir; Bir sparser kapsama alanı daha geniş yayılır kaynak aktivasyonu veya yanlış negatif sonuçların 10 önde gelen bir uzamsal filtre gibi hareket edecektir. Ayrıca, bu makalede tarif edilen yönteme göre yeniden kaynağı sadece kortikal jeneratörler için rapor edilmiştir. Bu nedenle, subkortikal yüzeylerde veya kortikal subkortikal etkileşimleri hakkındaki hipotezleri için daha az uygundur. Son olarak, kaynak analizi, kortikal alt-tabakalar ile ilgili ayrıntılı önce hipotez dayanmalıdırdikkate diğer görüntüleme yöntemlerinden mevcut literatürü alarak. Mekansal filtreleme teknikleri, aynı zamanda kafa derisi düzeyde mekansal karıştırma azaltarak EEG sinyalin uzaysal çözünürlüğü geliştirmek için kullanılabilir. Kafa modelleme yapmadan hacim iletim etkileri etkisini azaltmak için alternatif yöntemler, kullanılan örneğin, Laplasyen filtreleme 21 veya Akım Kaynağı Yoğunluk analizi 22. Ses iletim etkileri değil, sadece yakın mekansal yakınlığı 1 sensörleri sınırlı Ancak, bu yöntemler nöral jeneratörler hakkında daha fazla bilgi vermemektedir.
Aşağıdaki bölümlerde, makale beyin ve 2 yaşından itibaren çocuklarda bilişsel işlev soruşturma için deneyler Londra Bebek Lab tasarlanmıştır anlatıyor. Sonraki, çocuklu, yüksek yoğunluklu, düşük empedanslı sistemlerin EEG veri toplama tartışılmıştır. Ardından, kanal düzeyde EEG ön işleme ve analiz sunulmaktadır. Lastly, makale kortikal kaynak rekonstrüksiyonu ve kaynak düzey sinyallerin analizi için yapısal MRG verilerinin işlenmesi üzerinde duruluyor.
Protocol
Representative Results
Discussion
Bu makale yaş çocuklar için uygun standart bir ERP paradigma uygun ortalama MRG şablonlar ve derinlik ağırlıklı asgari norm tahmin dayalı sınır eleman modelleri kullanılarak kortikal jeneratörler yeniden inşası için yüksek yoğunluklu EEG kayıt ve analizini açıklar. Bu paradigmada, yüzleri ve şifreli yüzler resimleri sunulmaktadır. Farklı yazarlar gelişme üzerinde 35 yüz işleme mekanizmalarının geliştirilmesini araştırmak için bu paradigma kullandı. Kanal düzeyde, geçici …
Declarações
The authors have nothing to disclose.
Acknowledgements
Biz bize Gelişim MRG veritabanı ve yararlı tartışmalar erişim verilmesi için Prof John Richards, Güney Carolina Üniversitesi, teşekkür etmek istiyorum. Biz de bizim maliyeciler Great Ormond Street Çocuk Charity, UCL Etki & Grand Zorluklar teşekkür etmek istiyorum.
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 | ||
| Referências | |||
| 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. | |||
Referências
- Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
- Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
- Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
- 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).
- Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
- Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
- Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
- Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
- 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).
- 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).
- 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).
- 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).
- Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
- Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
- Richards, J. E. Localizing cortical sources of event-related potentials in infants’ covert orienting. Developmental Science. 8 (3), 255-278 (2005).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
- Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What’s new in Psychtoolbox-3. Perception. , (2007).
- Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
- 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).
- Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
- 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).
- Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
- DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
- 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).
- 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).
- 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).
- Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
- 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).
- 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).
- Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
- Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
- 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).
