MNE溯源fieldtrip官网教程

Introduction

在本教程中，您可以找到有关如何使用最小范数估计进行源重构的信息，以重构单个主题的事件相关字段(MEG)。我们将使用预处理教程中描述的数据集(基于触发的试验选择、事件相关平均和平面梯度)，我们还将使用属于同一主题的解剖图像。我们将重复代码来选择试验并预处理事件相关平均和平面梯度教程中描述的数据。我们假设读者已经清楚了预处理和与事件相关的平均。为了对解剖数据进行预处理，我们将使用另外两个软件包(FreeSurfer和MNE Suite)。

backgroud

在事件相关平均和平面梯度教程中，计算了三种条件下事件相关领域的时间锁平均，基于聚类的事件相关领域排列测试表明，两种条件之间存在显著差异。绘制了各条件下的ERFs和这些差异下的ERFs的地形分布。本教程的目的是计算底层神经元活动的分布式表示，这些神经元活动导致在传感器级别上观察到的大脑活动。

为了计算分布式神经元激活，我们将使用最小范数估计。这种方法有利于分析诱发反应和跟踪广泛传播的激活时间。它是一种分布式逆解，利用大量等效电流偶极子将源空间离散成皮层表面或脑容量中的位置。它同时估计所有被建模的源位置的振幅，并以最小的总能量恢复源分布，产生与测量值1)2)一致的数据。

本教程不展示如何在源代码级别上进行组平均和统计。它也不会描述如何做振荡激活的源定位。如果您对最新的波束形成技术教程感兴趣，您可以使用它来检查振荡源的定位。

Procedure

图1显示了计算最小范数估计所需步骤的示意图。结果表明，反演解的计算是基于两个独立处理步骤的输出:解剖图像的处理和MEG数据的处理。要创建一个可用的源模型，需要额外的软件，例如FreeSurfer(用于创建皮层工作表的模型)，以及MNE套件或HCP workbench(用于获得皮层工作表的最小变形低结果版本)。
在这里插入图片描述
图1所示。计算最小范数估计所需步骤的示意图概述

正向模型需要三个几何对象:

头部的体积传导模型，又称头部模型。
作为一个源模型，我们提倡对皮质片的低分辨率描述是最小失真的。
传感器阵列的几何描述(电极位置+脑电图参考信息，线圈位置/方向和MEG平衡信息)。
sourcemodel和headmodel是理想的由特定主题的MRI图像生成的。传感器阵列的描述通常在数据(MEG)中表示，或者需要构造，例如使用Polhemus设备(EEG)。本教程其余部分所需的头和源节点的构造将在以下教程中进行描述:

为MEG数据的源重构，建立头部的体积传导模型
为MEG或EEG数据的源重构创建源模型
一旦我们有了headmodel和sourcemodel，我们将执行以下步骤:

使用ft_prepare_leadfield计算正向解;
利用ft_definetrial和ft_preprocessing对MEG数据进行预处理;
使用ft_timelockanalysis计算试验平均值并估计噪声协方差;
使用ft_sourceanalysis和ft_sourcedescriptives计算逆解;
使用ft_plot_mesh和ft_sourcemovie可视化结果。

Processing of functional data

下面将使用属于Subject01的MEG数据。该文件可以从ftp://ftp.fieldtriptoolbox.org/pub/fieldtrip/tutorial/Subject01.zip获得。对于预处理和平均，我们将遵循事件相关平均和平面梯度教程中所写的步骤。我们将使用属于两种条件(FC和FIC)的试验，并计算它们的差异。
Preprocessing of MEG data
Reading the FC data

ft_definetrial和ft_preprocessing函数需要原始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。

在这里插入图片描述

save dataFC_LP dataFC_LP

Reading the FIC data
ft_definetrial和ft_preprocessing函数需要原始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_LP dataFIC_LP

Averaging and noise-covariance estimation

函数ft_timelockanalysis对数据结构中的所有试验进行平均，并估计噪声协方差。为了得到正确的噪声协方差估计，在应用函数ft_preprocessing时使用cfg.demean = 'yes’选项是很重要的。

属于一种情况的试验现在将按照刺激时间的开始与零时间点(句子最后一个单词的开始)对齐来平均。这是通过函数ft_timelockanalysis完成的。这个过程的输入是由ft_preprocessing生成的dataFC_LP结构。同时，还需要计算噪声协方差矩阵，即cfg。协方差= 'yes’必须指定，同时还要指定估计噪声协方差的时间窗口。在这里，我们使用基线，这里还没有兴趣的信号。

在这里插入图片描述
**

Forward solution

**源空间、体积传导模型和传感器位置是使用ft_prepare_leadfield函数创建前场(forward solution)所必需的输入。传感器位置包含在平均数据的梯度场中。然而，grad字段包含所有通道的位置，因此，还必须指定使用的通道。
在这里插入图片描述

Inverse solution

ft_sourceanalysis函数计算逆解。所使用的方法(最小模估计)必须与cfg一起指定。方法选择。必须提供平均函数数据、正向解(ft_prepare_leadfield函数的输出)、体积传导模型(在本例中是ft_prepare_headmodel函数的输出)和噪声-协方差矩阵(ft_timelockanalysis函数输出的cov字段)。

lambda值是负责对噪声-协方差矩阵进行缩放的缩放因子。如果它是零，则在计算逆解时不考虑噪声-协方差估计。在每个试验中分别估计噪声协方差，然后求平均值，而在所有试验中对函数数据(我们计算源分析)求平均值。因此，试验次数越多，平均函数数据中的噪声越低，但在噪声-协方差估计中，试验次数并没有降低噪声。这就是为什么如果我们想更实际地估计噪声量，那么对噪声协方差矩阵使用比例因子是有用的。

您不必单独指定噪声-协方差矩阵，因为它在tlckFC中。cov和tlckFIC。cov字段和ft_sourceanalysis将自动考虑它。
在这里插入图片描述