Localizing oscillatory sources using beamformer techniques:part 1

最新推荐文章于 2023-03-13 00:55:08 发布

coder_cao

最新推荐文章于 2023-03-13 00:55:08 发布

阅读量358

点赞数

Localizing oscillatory sources using beamformer techniques:part 1

Introduction

在本教程中，我们将继续处理预处理教程中描述的数据集。下面，我们将重复代码来选择试验并预处理第一个教程中描述的数据(基于触发器的试验选择，可视化工件拒绝)。

在本教程中，您将学习如何在频域中应用波束形成技术。您将学习如何计算适当的时间-频率窗口，适当的头部模型和引线场矩阵，以及各种选项，以对比感兴趣的效果与一些控制/基线。最后，您将看到几个选项来绘制叠加在结构MRI上的结果。

希望您理解前面预处理和过滤传感器数据的步骤。了解计算head模型和forward lead字段的选项也很有用。

本教程不涉及LCMV/SAM波束形成器(在背景中描述)的时域选项，也不涉及应用于诱发/平均数据的波束形成器(尽管请参阅如何使用LCMV计算虚拟传感器的示例)。

Background

在时间-频率分析教程中，我们在语言范式的beta波段识别了强振荡。本节的目标是确定产生这种振荡活动的源。我们将应用一种波束形成技术。这是一个空间自适应滤波器，允许我们估计在大脑中任何给定位置的活动量。逆滤波器是基于最小化源功率(或方差)在给定的位置，受“单位增益约束”。后一部分意味着，如果一个源的功率为幅值1，并且被引线场投影到传感器上，那么应用到传感器上的逆滤波器就应该在那个位置重构幅值1的功率。波束形成的假设是，大脑不同部位的波源之间没有时间相关性。

大脑被划分成一个规则的三维网格，并计算每个网格点的源强度。本例中应用的方法称为相干源的动态成像(dynamic Imaging of coherence Sources，简称DICS)，其估计值是在频域计算的(Gross ET al. 2001)。其他波束形成方法依赖于时域计算的源估计，如线性约束最小方差(LCMV)和合成孔径磁力仪(SAM)方法(van Veen et al.， 1997;Robinson和Cheyne, 1997)。这些方法产生了神经元源功率的三维空间分布。然后将这种分布叠加在受试者大脑的结构图像上。此外，这些源功率分布可以进行统计分析。将感兴趣的活动与一些控制/基线活动进行对比总是理想的。这个选项将在下面讨论，但是在设计您的实验时最好从一开始就记住这一点，而不是在收集数据之后苦苦寻找合适的控制/基线。

Procedure

为了定位示例数据集的振荡源，我们将执行以下步骤:

使用ft_definetrial和ft_preprocessing将数据读入MATLAB
使用函数ft_freqanalysis计算交叉谱密度矩阵
利用ft_volumesegment、ft_prepare_headmodel和ft_prepare_leadfield构造正演模型和前导场矩阵
使用ft_sourceanalysis计算空间滤波器并估计源的功率
可视化结果，首先使用ft_source插值将源插值到解剖MRI，然后使用ft_sourceplot绘制。
在这里插入图片描述

Preprocessing

目的是确定波段振荡活动的来源。从时频分析中，我们确定了18赫兹作为计算功率估计的中心频率。我们试图比较刺激后的激活和刺激前的激活。我们首先使用ft_preprocessing和ft_redefinetrial来提取相关数据。重要的是，每个数据块的长度是一定数量的振荡周期的长度。这里使用了9个周期，导致9/18 Hz = 0.5 s时间窗口。因此，刺激后时间窗在0.8 - 1.3 s之间，刺激前时间窗在-0.5 - 0.0 s之间(见图1)。

图1;波束形成前用来确定时间窗和频率窗的时频表示。这些方块表示为响应前和响应后选择的时频块。

Reading the FIC data

Ft_definetrial和ft_preprocessing需要原始MEG数据集，可以从ftp://ftp.fieldtriptoolbox.org/pub/fieldtrip/tutorial/Subject01.zip获得。
在这里插入图片描述
通过移除几个试验和两个传感器，从工件中清除了这些数据;参见可视化工件拒绝教程。

随后可以将数据保存到磁盘。
save dataFIC dataFIC

Time windows of interest

现在我们选择感兴趣的时间窗口:刺激前和刺激后窗口。这需要从FieldTrip ftp服务器(data .mat)获得预处理数据(见上文)。用以下命令加载数据:
load dataFIC
Now ‘cut’ out the pre- and post-stimulus time windows:
在这里插入图片描述
正如在背景中提到的，将感兴趣的活动与一些控件进行对比是理想的。

1.合适的控制窗口包括:
a 活动与基线的对比(使用dataPre显示的示例)
b与条件2相比，条件1的活动(未显示示例)
2.但是，如果不存在其他合适的数据条件或基线时间窗，则
a 活动与估计噪声的对比(如下所示)
b 使用标准化前导字段(在“正向模型和前导字段矩阵”一节和下面练习4中提到)
(1)中两个选项的零假设是，两种条件下的数据是相同的，因此最好的空间过滤器是同时使用两种数据条件(也称为“公共过滤器”)计算的过滤器。然后将此公共筛选器分别应用于每个条件。