07.07. grundlagen statistik weitere auswerteverfahren, zb ... · bertram opitz, uds 2006 3...

Bertram Opitz, UdS 2006

1

Fahrplan

07.07.Grundlagen Statistikweitere Auswerteverfahren, zB. PCAQuellenanalyse


2

Quantifizierung

Amplitudenmittelwerte


3

Statistik

Standardverfahren = ANOVA

sensitiv für Outlier- Artefaktkorrektur der Einzel-VP, bad channels

Freiheitsgrade- große Anzahl Elektroden- 2 „gleichrangige“ Varianzquellen (Messungenauigkeit,

Intersubjektvarianz)

Elektrodenfaktor- wenn keine Varianzquelle, kann er Effekte anderer

Faktoren beeinträchtigen- Faktoren repräsentieren räumliche Dimension

⇒ benutze ROIs


4

Beispiel


5

Oddball Paradigma

Classic Oddball Novelty Oddball


6

Statistik

Mecklinger et al. 1997


7

Statistik

ERPs to novel stimuli were quantified as mean voltages in an early (320–360 ms) and late (400–440 ms) time interval and in six regions

novel type x region, F(5,75) = 3.51, P < .03novel type x time interval, F(1,15) = 5.67, P < .03novel type x time interval x region, F(5,75) = 3.73, P < .02



8

Statistik



9

Statistik

verschiedene Topographien = qualitative Unterschiede

verschiedene kognitive Prozesse ?

0,0

0,5

1,0

1,5

2,0

2,5

3,0

3,5

4,0

4,5

Am

pli

tud

e (

µV

)

Novel 1 1 2 1

Novel 2 2 4 2

Fz Cz Pz


10

Statistik

ANOVA additive Effekte

EKP multiplikative Effekte

Topograhische Profilanalyse (McCarthy & Wood, 1985):

Skalieren der Effekte separat (Novel 1, Novel 2) mit

Sqrt (∑(Fz²+Cz²+Pz²))


11

Statistik

Skalierung für Noveltyp und Zeitfenster

marginally significant novel type x time interval x region, F(5,75) = 2.60, P < .09 (P < .02 before df-correction)

providing some tentative support for the view that theparietal P3 and N4 effects were generated by different neuronal structures

Mecklinger, Opitz et al. 1997


12

Statistik

Signifikante Interaktion mit Elektrodenfaktor nach dem Skalieren

verschiedene kognitive Prozesse

Kontra (Haig et al. 1997; Urbach & Kutas, 2002):

nur Reliabilitätsmaßrauschanfällig (kleine Effekte stärker betroffen)sollte für jede VP separat ausgeführt werdenkann verschiedene relative Beiträge mehrerer Hirnregionen reflektieren


13

PPrincipal CComponent AAnalysis

Faktor-analytisches Verfahren zur Bestimmung „latenter Faktoren“ zur Aufklärung von CovarianzVersuchspersonen-, Aufgaben-, räumliche und zeitliche Varianz Idealerweise entspricht jeder Faktor einer Komponente


14PPrincipal CComponent AAnalysisAnwendungen

DatenreduktionRauschunterdrückung

DatenexplorationHochkanal-EEG überlappende räumliche Muster

Datenbeschreibungobjektive Datenbeschreibung zB. für Quellenanalysen



zeitliche PCA - Faktorladungen beschreiben den Zeitverlauf- ein Faktor für alle EKPs mit ähnlichem Zeitverlauf

aber unterschiedlicher Topographie- Zeitverlauf = Variable,

VP, Aufgabe, Topographie = Observationen

räumliche PCA - Faktorladungen beschreiben Topographie- ein Faktor für alle EKPs mit ähnlicher Topographie

aber distinktem Zeitverlauf



Alternative: sequentielle raum-zeitliche (od vice versa) PCA

1. Extrahiere räumliche (zeitliche) Faktoren2. Wende zeitliche (räumliche) PCA auf

jeden dieser Faktoren an


17

Beispiel


18

Dense Electrode Array


19

Hintergrund der Studie

Differenzierung der verschiedenen P300 Komponenten, P3a vs P3b


20

Hintergrund der Studie


21Ergebnisseräumliche Faktoren


22Ergebnissezeitlicher Verlauf

Spatial Factor 1 Spatial Factor 3


23Ergebnissezeitliche Faktoren

Temporal Factor Loadings

SF1 SF3

Temporal Factor 1


24

Zusammenfassung

Reaktion auf seltene und neue Ereignisse besteht aus mindestens zwei EKP Komponenten die sich räumlich und zeitlich überlagern

P300 (parietal, reagiert auf seltene und neue Stimuli)

Novelty P3 (frontal, reagiert mehr auf neue Stimuli)


25

Quellenlokalisation

zieht Rückschlüsse von der Topographie der Effekte auf die zugrunde liegenden

neuroanatomischen Quellen


26

Das Problem


27

Das Problem


28

Das Problem


29

Das wirkliche Problem


30



31


inverse

ill-posedNicht eindeutigBasiert auf dem VorwärtsmodellBasiert auf vielen Annahmen

vorwärtsMatematisches Modelleindeutig


32


inverse

Ill-posedNicht eindeutigBasiert auf ForwärtsmodellBasiert auf vielen Annahmen

vorwärtsMatematisches Modelleindeutig

Ziel:Ziel:

Transformation der gemessenen hochkanaligenraum - zeit Daten in ein niedrig dimensionalesModell der Gehirnaktivität

Zusammenhang zwischen der modellierten Hirn-aktivität und ihrer Funktion


33Annahmen1. Volumenleitermodelle

– Spheres

– Realistical shapes: individually scaled ‘standard’-model– Realistical shapes: individually segmented MR datasets

Adapted from Knösche 99

spherical standard individual


34

Head models – concentric spheres

Simple model – small computational effort

Analytical forward calculations

Excellent accuracy for restricted regions– Adjust radius and center– Use known anatomical

references

Limited anatomical constraints(hemispherical symmetry)


35

Head models – standard

Improved overall accuracy

Numerical approximation by boundaries (BEM)

Based on averaged MR data sets (Montreal brain)

Proved quality of meshes

Instantaneous availability

Coarse anatomical constraints(lobes)


36Head models – individualsegmentation

Superior accuracy

Individual cortex segmentation

Almost any anatomicalconstraint possible

Additional restrictions to subjects

Computational and processingeffort higher

Comparison between subjectsmore complex


37Annahmen1. Volumenleitermodelle

Conductivity– Homogeneous, isotropic (MEG)– Multilayer, each homogeneous, isotropic (EEG, MEG)

– Anisotropy → Finite Element Method (FEM)

Wagner 99

Skin Skull Liquor & Brain


38Annahmen2. Elektrodensetups

Wieviele Elektroden ?Wie sollten die platziert sein ?Anpassung an das Kopfmodell ?Artefakte ?

Wie beeinflusst das meine Analyse ?



VEP

back



32 Elektroden C3 removed


41Annahmen3. Art der Modellierung

• Goal Function Scan

• MUSIC

• Surface Laplacian

• Minimum Norm L2, L1

• LORETA

Focal Sources(few dipoles)

Distributed Sources(many dipoles)

Dipole fit Scan methods 2-D 3-D

• unconstraint

• constraint

• linear estimation


42Annahmen3. Art der Modellierung

• Goal Function Scan

• MUSIC

• Surface Laplacian

• Minimum Norm L2, L1

• LORETA

Focal Sources(few dipoles)

Distributed Sources(many dipoles)

Dipole fit Scan methods 2-D 3-D

• unconstraint

• constraint

• linear estimation


43

Equivalent Current Dipole

Einfachstes physikalisches Model der Aktivitäteines begrenzten Hirnareals (mm²) 6 Parameter: Position (3), Orientierung (2) &

StärkeOrientierung parallel zu PyramidenzellenLinearkombination bilden komplexe ModelleAnnahme: Aktivität fokaler Regionena priori - Wissen: – Anzahl der Quellen– Anfangspositionen (constraints)


44

Linearkombinationen


45

Linearkombinationen


46

Beispiel


47

Das oddball – Paradigma & die MMN

Deviant

StandardStandard

DeviantDeviant

GedGedäächtnisvergleichsprozess chtnisvergleichsprozess der aktuellen Stimulation mit der aktuellen Stimulation mit der Gedder Gedäächtnisreprchtnisreprääsentation sentation invarianter Reizmerkmaleinvarianter Reizmerkmale


48Funktionelle Neuroanatomie derDevianzverarbeitung

Auditorischer Cortex Heschl‘s Gyrus, Gyrus Temporalis Superior(Alho et al., 1998; Giard et al., 1990; Opitz et al., 1999 etc.)

Rechter Lateraler Präfrontaler Cortex ?erste Evidenz basierend auf SCD-Analysen (Giard et al., 1990)


49

Methoden

passives Oddball-paradigma (N = 15) mitdrei Typen von Frequenzdeviants (p = .04):

kleine Deviants ( 10 % Abweichung)mittlere Deviants ( 30 % Abweichung)große Deviants (100 % Abweichung)


50

EKP Ergebnisse

F7

T7

P7

F8

T8

P8

µV EOGV EOGH

kleine Deviantsmittlere Deviantsgroße Deviants

CZ

PZ

FZ


51

EKP Ergebnisse

F7

T7

P7

F8

T8

P8

µV EOGV EOGH

small Deviantsmedium Deviantslarge Deviants

CZ

PZ

FZ

0

-

kleine Deviantsmittlere Deviantsgroße Deviants

FZ-5 µV

5 µV

100 ms

frühe MMN späte MMN

Opitz et al., 2002


52

fMRT Ergebnisse

grogroßßee DeviantsDeviants mittleremittlere DeviantsDeviants kleinekleine DeviantsDeviants

00 11 22 33 44 ZZ

Opitz et al., 2002


53

Dipolmodellierung

Opitz et al., 2002


54

Zusammenfassung

sinnvoll bei bekannten neuroanatomischen Beschränkungen

kann Beteiligung neuroanatomischer Regionen an EKPs aufklären- beste Varianzaufklärung- senkrecht zur Kortexoberfläche- physiologische Plausibilität (Stärke)

Zeitverlauf der Quellenaktivität


55

Verteilte Quellen

Verteilung der elektrischen Aktivität im Gehirnnicht eindeutig tausende Quellen (freie Parameter), aber nur ca. 64 (unabhängige) DatenpunkteReduktion der Quellenzahl durch Beschränkung auf Kortex


56

Verteilte Quellen


57Verteilte QuellenCurrent Density Mappings

Zweite Ableitung nach dem Ort (Laplace-Operator)

Stromdichteverteilung auf der Kortexoberflächedeshalb: surface laplacian

Unterdrückt tiefe Quellen

Referenzfrei !!!


58Surface Current Density (SCD)Laplacian

ERF of auditory speech perceptionERF of auditory speech perception

Knösche 99


59Surface Current Density (SCD)Laplacian

AEP 500 Hz

SL with regularization 75


60

Verteilte Quellen

Verteilung der elektrischen Aktivität im Gehirnnicht eindeutig tausende Quellen (freie Parameter), aber nur ca. 64 (unabhängige) DatenpunkteReduktion der Quellenzahl durch Beschränkung auf KortexWeitere Beschränkungen- Minimum der gesamten Quellenstärke- Maximal glatte Verteilung (LORETA)- Tiefenwichtung


61

LORETA

1.No assumption about a few hot spots.

2. Construct a 3D grid (as fine as you can) in the brain, keep all voxels that fall in the cortical grey matter. Each voxel has an unknown value for impressed current density.

3. LORETA assumptions:3.a. The current density must be consistent with

the measured scalp electric potentials.3.b. Depth weighting3.c. There must be synchronization


62What are the consequences of forcing “mathematical synchronization” ?

LORETA yields a spatial low-pass filtered version of the true cortical current density.

LORETA localizes correctly, with low spatial resolution


63

Assumption: synchronization

Mathematical implementation: Current density at one voxel must be as equal as possible to average current density for nearest neighboring voxels. Apply to all!


64

Beispiele

Daten:

No depth info: True tomography:


65Visual Evoked Potential: pattern reversal (checkerboard), only left

hemiretina (right visual field)

100 ms: left BAs 18 and 19, 39

(Data from Dietrich Lehmann)


66

Auditory Evoked Potential (N100)

BAs 41 & 42[From B.Saletu and P.Anderer(Vienna)]

BAs 41 & 42[From K.Hirata and H.Tanaka(Dokkyo)]


67

Language processing

Image of t-statisticsβ2 band (18.5 - 21 Hz): Verbal activity significantly higher than Rest activity in BAs 44 and 45 (Broca’sarea).

Esslen et al.


68

LORETA: LIMITATIONS

If you have many EEG/MEG electrodes/sensors,

if you have clean (no-noise) measurements,

if you make a good experimental design,

if you use correct statistical procedures for analysis,

if there are no high spatial frequency peaks for the instantaneous cortical current density,

then LORETA produces images with low then LORETA produces images with low spatial resolution, but with fairly good spatial resolution, but with fairly good localization. localization.

07.07. grundlagen statistik weitere auswerteverfahren, zb ... · bertram opitz, uds 2006 3...

Documents