Summary

קליפת המוח ניתוח מקור בצפיפות גבוהה הקלטות EEG בילדים

Published: June 30, 2014
doi:

Summary

בשנים האחרונות, חלה התעניינות גוברת בהערכת המקורות בקליפת המוח של קרקפת נמדדו פעילות חשמלית לניסויי מדעי המוח הקוגניטיביים. מאמר זה מתאר כיצד EEG צפיפות גבוהה הוא רכש וכמה הקלטות מעובדות להערכת מקור בקליפת המוח בילדים מגיל 2 שנים במעבדת בייבי לונדון.

Abstract

EEG מתואר באופן מסורתי כטכניקת הדמייה עם רזולוציה מרחבית של זמן ונמוך גבוהה. ההתקדמות שחל באחרונה בדוגמנות biophysical ועיבוד אותות מאפשרות לנצל מידע משיטות הדמיה אחרות כמו MRI המבני המספקים רזולוציה מרחבית גבוהה כדי להתגבר על מגבלה זו 1. התכונה זו שימושית במיוחד עבור חקירות הדורשות רזולוציה גבוהה בזמן, כמו גם תחום המרחבי. בנוסף, בשל היישום קל והעלות הנמוכה של הקלטות EEG, EEG הוא לעתים קרובות את שיטת הבחירה בעבודה עם אוכלוסיות, כמו ילדים קטנים, שלא לסבול MRI הפונקציונלי סורקת היטב. עם זאת, על מנת לחקור בי מצעים עצביים מעורבים מידע, אנטומי מMRI המבני עדיין יש צורך. רוב חבילות ניתוח EEG לעבוד עם דגמי ראש סטנדרטיים המבוססים על האנטומיה של מבוגרים. הדיוק של מודלים אלה בעת שימוש לילדים מוגבל 2, כי שיתוףmposition ותצורה המרחבית של ראש רקמות שינויים דרמטי במהלך פיתוח 3.

במאמר הנוכחי, אנו מספקים סקירה של העבודה האחרונה שלנו בניצול מודלים ראש המבוססת על סריקות בודדות מבניות MRI או דגמים ספציפיים בראש גיל לשחזר גנרטורים בקליפת המוח של צפיפות גבוהה EEG. מאמר זה מתאר כיצד קלטות EEG נרכשות, מעובד, וניתחו עם אוכלוסיות ילדים במעבדה בייבי לונדון, כולל התקנת מעבדה, עיצוב משימה, עיבוד מקדים EEG, עיבוד ה-MRI, ורמת ערוץ EEG וניתוח מקור.

Introduction

הנשיא ברק אובמה תיארה את המוח האנושי כגבול הבא של עם חשיבות גבוהה גילוי מדעי לבריאות וכלכלה 3 (http://www.whitehouse.gov/share/brain-initiative). עם זאת, כמו בכל תחום אחר במדעי הטבע, מדעי המוח תלויים בהתקדמות בשיטות וטכניקות ניתוח להתקדמות. שני כלים פולשניים שאינם נפוצים במחקרים על תפקוד מוח בבני האדם הם הדמיה בתהודה מגנטית (MRI) וelectroencephalography (EEG). כלי אלה לנצל תכונות פיזיות שונות ולספק תובנות שונות לתפקוד מוח עם יתרונות וחסרונות ייחודיים. MRI משתמש בתכונות מגנטיות של מולקולות מים בתוך שדות מגנטיים כדי להשיג תמונות של רקמות חיות. הנושא צריך להיות ממוקם במגנט בעוצמה גבוה תחום. התנועה של המשתתף מוגבל בתקופה זו נהלים והמשתתף צריך לסבול רעש הנגרם על ידי שינויים מהירים במגנטיתחום. בנוסף תמונות מבניות, MRI מספק גם את האפשרות למדוד שינויים בחמצון דם כדי לחקור את תפקוד המוח (fMRI). לסיכום, ה-MRI מציעה רזולוציה מרחבית גבוהה יחסית של עד 0.5 מ"מ 3 עם סורקי שדות גבוהים מודרניים ופרמטרים אופטימליים 4. לעומת זאת, ההחלטה הזמנית של fMRI מוגבלת לקינטיקה האיטית של תגובת BOLD, אשר רק בעקיפין משקפת את הדינמיקה הזמנית הגבוהה של 5,6 פעילות העצבי.

מצד השני, ה-EEG מודדת את השינויים בפעילות חשמלית הנגרמים על ידי הפעילות של נוירונים באמצעות אלקטרודות המונחות על הקרקפת. ההתקדמות בטכנולוגיית ה-EEG מאפשרת יישום מהיר וקל של החיישנים לטווח קצר או לטווח ארוך ונייח, כמו גם הקלטות אמבולטורי. בגלל ה-EEG הוא פחות מגבילה, היא גם שיטת בחירה של אוכלוסיות משתתף מסוימות שלא לסבול את סביבת ה-MRI גם כמו ילדים ומסוימיםאוכלוסיות גריאטריות ופסיכיאטריות. המאפיינים של ה-EEG מראים דפוס הפוך לאלו של ה-MRI: הרזולוציה של הזמן היא גבוהה מאוד עם דיוק של האלפית שני, אבל ברזולוציה מרחבית מוגבלת. זרמים חשמליים עוברים דרך רקמות שונות בין מחוללם ואלקטרודות EEG על פני השטח של עור הקרקפת. זה מוביל לערבוב ומריחות המרחבי של פעילות מקור המכונה אפקט ההולכה נפח. לכן, פעילות נמדדת על ידי אלקטרודות על פני השטח של עור הקרקפת משקפת את הפעילות ממקורות מרובים שעשויה להיות רחוק למצב של האלקטרודה על 1,7 הראש.

הרבה עבודה בשנים האחרונות הוקדשה למיזוג של ה-MRI וה-EEG על מנת לנצל את נקודות החוזק שלהם. שורה אחת של עבודה מוקדשת לרכישה בו זמנית של EEG ו-MRI במחקרים פונקציונליים. גישה אחרת היא להשתמש במידע מרחבי הניתן על ידי MRI המבני לקחת בחשבון ג הנפחonduction השפעה דרך דוגמנות biophysical. השימוש במידע מבני לשיקום מקור של קלטות EEG שימושי במיוחד עבור מחקרים שכלל אוכלוסיית ילדים. החקירה של הפיתוח של תפקוד המוח היא מרכזית להבנת אופן מיומנויות קוגניטיביות מורכבות נבנו על גבי קודמיו פשוט 8.

חקירות אלה מסייעים להדגשת שינויים במצעים העצביים ומאפייני תגובה המתואמים עם שינויים בביצועים התנהגותיים. עם זאת, החקירה של תפקוד המוח וקוגניציה במהלך הפיתוח גם מציבה אתגרים ספציפיים. במיוחד, ההזדמנות למחקרי MRI פונקציונליים מוגבלת כילדים צעירים ותינוקות גם צריך להיות ישן או מסומם לקבל נתונים MRI ללא חפצי תנועה והשפעה שלילית על רווחת משתתף. יתר על כן, ה-EEG נתפס כפחות מסוכן ופולשני על ידי הורים, מה שהופך את גיוסם של משתתפים במחקר קל יותר. Therefore, EEG הוא שיטת בחירה של חקירות רבות של תפקוד המוח אצל ילדים צעירים. התקדמות המתודולוגית במערכות ה-EEG לאפשר היישום של מערכי האלקטרודה צפיפות גבוהה עם 128 או יותר ערוצים בתוך דקות. קלות היישום ולובש נוחות מספיקות כדי אפילו לאפשר הקלטת EEG בתינוקות הצעירים. עם זאת, לעתים קרובות חוקרים הם לא רק מתעניינים בדינמיקה הזמנית של תגובות לגירויים מסוימים, אלא גם רוצים להשוות את מצעים העצביים שמתווכים את התגובות.

הנחה רווחת בניתוח ה-ERP ברמת ערוץ השוואת קבוצות גיל שונות היא שאותו מצעים עצביים מגיבים, אבל זה העיתוי או משרעת תגובה משתנה על פני גילאי 9. טופוגרפיה קרקפת דומה משמשת לעתים קרובות כאינדיקציה לפעילות עצבית שבבסיס דומה. עם זאת, מקור תצורות רבות ושונות יכולות להוביל לטופוגרפיות קרקפת דומות 10. על ידי יישום להערכת מקור, זה uncertainty יכול להיות מופחת וכימות. עצמאותה של תצפיות היא קריטית עבור חשבונות הרשת של תפקוד מוח: אם המקורות מעורבים, מתאמים יהיו מוטים לכיוון קישוריות מקומית גבוהה יותר. שחזור המקור ניתן ליישם כדי להפחית את ההטיה זו 11. לחלופין, הבדלים בעיתוי ובשלב יכולים לשמש לניתוח קישוריות, אבל מודלים המתמטיים אלה דורשים הנחות שקשה להעריך בנתונים מדומים שאינם 12. לסיכום, להערכת המקור מספקת מידע נוסף לEEG רמת ערוץ וניתוח ה-ERP המבוסס על ידע על האנטומיה ומאפייני biophysical של רקמה.

אלגוריתמים שונים כבר המציאו כדי למצוא פתרונות לבעיה ההפוכה. אלגוריתמים אלה נופלים באופן כללי לשתי קטגוריות: ופרמטריות, שאינו 13. מודלים פרמטריים מניחים אחד או הדיפולים מרובים שעשויות להשתנות במיקום, כיוון וכוח. בניגוד לכך, מודלים contai פרמטרית שאינומספר גדול na של הדיפולים עם מיקום וכיוון קבועים. במודלים אלה, הפעילות החשמלית הקרקפת מוסברת כשילוב של הפעלות בדיפולים הקבועים 10,13,14. פרמטרית עישון, יכולים להיות מבוססים דגמי מקור מופצים בידע על האנטומיה ומוליכות באמצעי תקשורת שונה. מודלים גבול אלמנט לשלב ערכי מוליכות לרקמות העיקריות של הראש עם פגזים שונים למוח, נוזל השדרה מוחי, וגולגולת. זה מבוסס על ההנחה שהמוליכות היא בעיקר קבועה בתוך כל תא, אבל זה שינויים מסומנים להתרחש בגבול של תאים שונים. מודלים אלמנטים סופיים מבוססים על פילוח נוסף של סריקות MR לתוך חומר אפור ולבן, כך שערכי מוליכות יכולים להיות מוקצים לכל voxel 15.

במונחים מעשיים, מודלים פרמטריים שאינם שימושיים במיוחד לשיקום מקור במשימות קוגניטיביות מורכבות, שבו רשאי מספר האזורים המעורביםלא יהיה ידוע 10. מודלים אלמנט גבול הם בשימוש נרחב ביותר בספרות הנוכחית, כנראה בגלל שמודלי האלמנטים סופיים מדויקים יותר מהווים דרישות חישובית גבוהות comparably. יתר על כן, יש שונה בין אדם ניכר בחומר אפור ולבן, כך שFEMs צריך להיות מבוסס על סריקות MRI בודדות.

מודלים פרמטריים אינם דורשים שלב שני לפעילות נמדדה קרקפת התאמה לתחזיות של המודל קדימה. שוב, גישות שונות עם יתרונות וחסרונות שונים כבר נדונו בספרות (ראה מישל et al. 2004 עבור סקירה). האלגוריתמים הנפוצים ביותר מבוססים על הערכת מינימום נורמה (mne), אשר תואמת את הפעילות שנמדדה הקרקפת להפצה נוכחית במודל קדימה עם העצמה הכוללת הנמוכה ביותר 16. Mne מוטה כלפי מקורות חלשים ושטחיים. אלגוריתמי mne המשוקללים עומק לנסות ולצמצם את ההטיה פני השטח על ידי החדרת שקלולמטריצות המבוססות על הנחות מתמטיות 10. גישת LORETA שימוש נרחב מבוססת גם על mne המשוקלל, אלא גם מצמצם את Laplacian של מקורות, מה שמוביל לפתרונות חלקים 17,18. LORETA כבר מצא את ביצועים הטובים ביותר למקורות בודדים במחקרי סימולציה 19,20. עם זאת, LORETA עלול להוביל לעל החלקה של פתרונות. Mne המשוקלל עומק עדיף כאשר המקורות לא ידועים או ממקורות מרובים עשויים להיות נוכח 13, 16. השוואת התוצאות של אלגוריתמים שונים כדי להעריך את ההשפעה של הנחות מודל שונות מומלצת.

לסיכום, שחזור המקור באמצעות שיטות דוגמנות היה מוגבל לילדים עד לאחרונה. זאת משום שרוב תוכנת ניתוח EEG מסתמכת על מודלים ראש המבוססת על האנטומיה מבוגר שמגבילה באופן משמעותי את הדיוק של פתרונות קוד בילדים 2,8. הגישה זולה לכוח חישוב ומתןמשתמשים תוכנה ידידותית לשיקום מקור מאפשרת להתגבר על המגבלות האלה. החלת הערכת המקור לEEG מספקת שני יתרונות חשובים על פני ניתוח המבוססים על תצפיות ברמת הערוץ בודד: שיפור ברזולוציה ובעצמאות של תצפיות במרחב.

להערכת מקור לא יכולה להיות אינפורמטיבי במקרים מסוימים: כיסוי טוב של הראש נדרש להבחין מקורות. מערכות בצפיפות גבוהה עם 128 או יותר אלקטרודות מומלצות 10,15; כיסוי דליל יפעל כמסנן המרחבי המוביל להפעלת מקור התפשטות רחבה יותר או תוצאות שליליות כוזבות 10. יתר על כן, שחזור מקור המבוסס על השיטה המתוארת במאמר זה דווח רק על גנרטורים בקליפת המוח. לכן, הוא פחות מתאים להשערות בדיקות על מצעים קורטיקליים או אינטראקציות קורטיקליים בקליפת המוח. לבסוף, ניתוח המקור צריך להיות מבוסס על השערות מוקדמים מפורטות על מצעים בקליפת המוח,לוקח את הספרות הקיימת משיטות הדמיה אחרות בחשבון. גם טכניקות סינון מרחבי יכולות לשמש כדי לשפר את הרזולוציה המרחבית של אות ה-EEG על ידי הקטנת ערבוב המרחבית ברמת הקרקפת. שיטות אלטרנטיביים כדי להפחית את ההשפעה של תופעות הולכה נפח בלי דוגמנות הראש משמשות, למשל, סינון Laplacian 21 או ניתוח צפיפות המקור נוכחי 22. עם זאת, שיטות אלה אינן מספקים מידע נוסף על גנרטורים עצביים כמו תופעות הולכה נפח הן לא רק מוגבלות לחיישנים בקרבת מרחבי קרוב 1.

בסעיפים הבאים, המאמר מתאר כיצד ניסויים לחקירה של מוח ותפקוד קוגניטיבי בילדים מגיל 2 נועדו במעבדה בייבי לונדון. בשלב בא, נתוני רכישת EEG עם מערכות עכבה נמוכה בצפיפות גבוהה עם ילדים נדונה. ואז, עיבוד מקדים EEG וניתוח ברמת הערוץ מוצג. Lastly, המאמר מתמקד בעיבוד של נתונים MRI מבניים לשיקום מקור קליפת המוח וניתוח של אותות ברמת המקור.

Protocol

ניסויי פוטנציאל 1. תכנון EEG ואירועים הקשורים לילדים הערה: ניסוי פשוט נועד למטרות של מאמר זה שעשוי לשמש כדי לחקור עיבוד פנים בילדים צעירים. הסעיף הבא יתאר את הניסוי ולהסביר איך ליישם את זה באמצעות MATLAB R2012b וPsychtoolbox V3.0.11 23,24. תמונו?…

Representative Results

ניסויי ERP עיצוב עבור תינוקות וילדים הוא לעתים קרובות מאתגרים, בגלל הקיבולת המוגבלת שלהם לסבול ניסויים חוזרים ונשנים ארוכים 30. בעיה זו מחריפה עוד יותר כאשר הנסיין מתכנן להחיל שחזור מקור, כי שיקום מקור מדויק ידרוש אות גבוהה יחס רעש 1. איור 1 מציג פרו?…

Discussion

המאמר הנוכחי מתאר את ההקלטה וניתוח של צפיפות גבוהה EEG לשיקום של גנרטורים בקליפת המוח תוך שימוש במודלי אלמנט גבול המבוסס על גיל התבניות מתאימות ממוצעת MRI ועומק הערכת נורמה מינימאלית משוקללת בפרדיגמה ERP סטנדרטית מתאימה לילדים. בפרדיגמה זו, תמונות של פנים ופרצופים מקוש?…

Disclosures

The authors have nothing to disclose.

Acknowledgements

אנחנו רוצים להודות לפרופ 'ג'ון ריצ'רדס, אוניברסיטה של ​​דרום קרוליינה, שהעניק לנו גישה למסד הנתונים התפתחותית MRI ודיונים מועילים. כמו כן, אנו רוצים להודות לתורמים שלנו של גדולים לילדים רחוב אורמונד צדקה, UCL השפעה ואתגרים גדול.

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
References
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.

References

  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

Cite This Article
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