Go to the content. | Move to the navigation | Go to the site search | Go to the menu | Contacts | Accessibility

| Create Account

SARTORI, ELISA (2013) Parametric connectivity analysis in time and frequency domain from in silico and EEG data. [Ph.D. thesis]

Full text disponibile come:

PDF Document

Abstract (english)

In this decade, establishing structure-function relationships in human brain has become one of the most influential concepts in modern cognitive neuroscience since interactions among cerebral components are fundamental to explain cortical activities ([1]; [2]; [3]).
In literature such relationships have been defined in terms of structural, functional and effective connectivity. This distinction, mainly focused on the theoretic concept, is also related to the different measurement instruments and analytical tools used for acquiring and processing the data. The structural connectivity refers to a pattern of anatomical links among brain regions. Its analysis aims to characterize the architecture of complex networks underlying the cerebral functional organization. Magnetic Resonance Imaging and especially Diffusion Tensor Imaging can be used to convey information concerning the physical connection between neuronal populations. Functional/effective connectivity aims at identifying the presence and the strength of connections in terms of statistically significant dependency. The former is defined as the temporal correlation between neurophysiological events occurring in distributed neuronal groups and areas. The latter describes the causal influence that one neural system exerts over another either directly or indirectly in terms of temporal precedence and physical control ([4];[5]). Functional and effective connectivity can be estimated exploiting both Functional Magnetic Resonance Imaging (fMRI) and electrophysiological signals, such as Electroencephalography (EEG) and Magnetoencephalography (MEG), with different advantages and drawbacks, respectively. fMRI provides high spatial resolution (mm) but poor temporal precision (s) while EEG/MEG has more limited spatial resolution (cm) and higher temporal precision (ms). Because functional and effective connectivity are largely estimated over time, EEG and MEG are more suitable for calculating such connectivity. In literature several methods have been developed to characterize brain connectivity in terms of network topology, connections strength and causality, following two main approaches: the data-driven, where topology, causality and strength are all inferred from data, and the neural model-based, where the model topology is postulated from a priori knowledge and only the connections strength is estimated from the data.
- Data driven approach. The data driven approach includes linear, non-linear and information-based techniques. The linear ones provide a battery of indices derived by multivariate autoregressive models (MVAR) based on Granger causality principles ([6]) or MVAR frequency response ([7]). Such are Ordinary Coherence, Partial Coherence, Directed Transfer Function (DTF) and Partial Directed Coherence (PDC). These indexes measure the strength of the linear coupling between two signals; in addition DTF and PDC provide information about causal influence ([8]).
o Among the non-linear techniques, phase synchronization has been shown to be very effcient in detecting interactions between oscillators. The phase locking values approach assumes that two dynamic systems may have their phases synchronized even if their amplitude are zero correlates ([9]).
o The most representative information-based technique is the cross mutual information that measures the mutual dependence between two signals by quantifying the amount of information gained about one signal from measuring the other, as a function of delay between these two signals ([10]).
- Neural model based approach. Representative methods are the Structural Equations Modelling (SEM) and the Dynamic Causal Modelling (DCM) ([11]; [12]). They are multivariate technique used to test hypothesis regarding the influences among interacting variables, but different concepts underlies these two methods. SEM approach assumes that neuronal dynamics are very fast in relation to signals uctuations and, hence, is based on a static neuronal model. This case, the neuronal activity has reached steady-state and changes in connectivity are led directly by changes in the covariance structure of the observed time series ([13]). On the other hand, in DCM the observed time series are modelled as a deterministic dynamical system in which external inputs causes changes in neural activity and therefore in connectivity values ([14]).
Most approaches, like those based on Granger causality principles, have been examined in literature to quantify their ability in revealing cerebral connections ([15];[16]; [11]) but their simulation studies do not provide a comprehensive analysis because they use in silico data generated by self-referential linear methods which do not reproduce the complexity of brain. To overcome this issue, an innovative simulation approach has been developed in this work, based on a nonlinear neural mass model ([17]) totally independent of SEM and MVAR linear equation and able to address the complexity of neural networks. This no-self referential approach was exploited to generate in silico network data to be used as a benchmark, to quantitatively compare obtained results with true connections. The main objective of this work was to understand limits and advantages of MVAR indexes and SEM by exploiting the simulation study. Thus, it mainly serves as a proof-of-concept for connectivity measures under ideal conditions. Our purpose was to derive from simulation results some practical procedures in order to classify different brain states to support both cognitive research and clinical activity. First, research activity was focused to address connectivity on simulated data obtained on three regions networks characterized by different strength connections and based on different levels of non linearity. Second, a dataset, made available by Department of Medicine, University of Padova was used to explore application of these methods to real data by applying the simulation study suggestions.
This thesis consists of three main section.
The ffrst one includes Chapter 1-2-3 describing in detailed the considered connectivity measures, such are those based on Multivariate Autoregressive models and the Structural Equation Modelling, and the simulation study. The second part depicts in silico results and the application to EEG data. Finally, comments are reported in Discussion and Conclusions.
Chapter 1 explains how the connecting parameters of MVAR and SEM models are identified on EEG data and describes procedures commonly exploited to analyse connectivity. Chapter 2 reports an overview about the principal models used to generate in silico data, namely the neural mass models, and described the neural mass model exploited in this work. Finally, it characterizes network models adopted to simulate data and lists the procedure followed to generate in silico datasets. Chapter 3 summarizes the computations implemented to have more insights on our data by analysing the output of each methods. It describes the procedure used to evaluate the statistical signiffcance of each index results, such are the F-test for Granger causality index and the null distribution threshold using surrogate data for MVAR frequency indexes. Chapter 4 illustrates the results obtained with the simulation study. First, we reported the complete analysis for a representative subset of experiments, then for all datasets we showed topology and strength estimates. Chapter 6 delineates the procedure followed to study the connectivity in case of hepatic encephalopathy. Chapter 7 covers the Discussion and Conclusions. The Appendix is a parallel work aimed to understand the meaning of connectivity indexes computed via Structural Equation Modelling. By exploiting the neural mass model used to simulate cortical data, the objective is to quantify which measure its estimates represent. We demonstrated that Granger causality is a good estimator with high values both of sensitivity and specificity, while frequency indexes, DTF and PDC, are too much affected by the threshold choice and their interpretation in terms of absolute strength connection is not clear. As regard SEM, we proved the difficulty of its approach to describe just simple situations. Even if SEM is based on linear regression as well as MVAR models, it differently assumes there is no connection with past information, as if brain connectivity could describe time series relationships by the instant we observe it. Hence, it is not sufficiently robust to characterize neuronal dynamic activity.

Abstract (italian)

Negli ultimi decenni le varie tecniche e metodiche sviluppate per lo studio dell'attività cerebrale hanno dimostrato che le diverse regioni neuronali del cervello non operano in isolamento ma interagiscono tra loro formando una complessa rete di connessioni. Lo studio di queste relazioni/connessioni esistenti tra le diverse regioni corticali, tramite l'elaborazione sia di segnali elettrofisiologici, come l'EEG, sia di immagini, come l'fMRI, è generalmente denominato come studio della connettività. La definizione di connettività può essere classificata in tre principali categorie: anatomica, funzionale ed effettiva. La connettività anatomica e strettamente associata alla presenza di connessioni assoniche tra i vari neuroni; la connettività funzionale e definita come la correlazione temporale tra eventi neurofisiologici appartenenti a diverse regioni neuronali; la connettività effettiva è definita come l'influenza che una regione neuronale esercita attraverso una relazione causaeffetto su un'altra regione. In letteratura sono presenti due principali approcci per lo studio della connettività: l'uno di tipo esplorativo, basato esclusivamente sui dati da cui estrarre informazioni sia sulla topologia sia sulla forza; l'altro che prevede la conoscenza a priori di un modello di rete per ottenere informazioni circa l'intensità degli accoppiamenti. L'obiettivo di questa tesi si e focalizzato sulla validazione e implementazione di alcuni dei metodi pi u utilizzati: quelli basati sui modelli autoregressivi multivariati(MVAR), come la Directed Transfer Function (DTF), la Partial Directed Coherence (PDC), e sui principi della causalità di Granger e il metodo detto Structural Equation Modeling (SEM). Questi metodi sono ampiamente esaminati in letteratura per quantificare la loro capacità di rilevare le connessioni cerebrali, ma gli studi di simulazione proposti sono basati su modelli di generazione dei dati in silico che semplificano molto la reale complessità del cervello [15] e che si basano sui modelli autoregressivi stessi. Per superare questo problema e stata sviluppata una simulazione con un approccio innovativo basato sull'utilizzo di un Neural Mass Model[17]. L' obiettivo consiste nel generare dati simulati completamente indipendenti dalle equazioni lineari dei metodi che poi si vanno a testare e, al contempo, in grado di simulare la complessità delle reti neurali. Brevemente, la simulazione consiste delle seguenti fasi:
- diversi set di dati in silico sono simulati utilizzando il modello neurale di massa con diversi modelli di topologia, livelli di non linearità e intensità di connessioni;
- per ogni set dei suddetti parametri, 100 realizzazioni di segnali di 2 secondi vengono generati;
- le reti stimate a partire dai parametri di connettività calcolati con i metodi considerati vengono confrontate con le reti vere.
Per analizzare le prestazioni dell'indice di causalità di Granger e degli indici infrequenza Directed Transfer Function (DTF) e Partial Directed Coherence (PDC)sono state effettuate simulazioni Monte Carlo in modo da ottenere una statistica delle performance. Si è osservato che l'indice di Granger è il più affidabile con elevata percentuali di sensibilità e bassa frequenza di falsi positivi e negativi. Per analizzare la stima delle forze, sono stati confrontati i valori dei pesi imposti coni risultati degli indici dei metodi MVAR e le stime ottenute dal SEM mediante regressione lineare. Si e osservato che il SEM e il metodo meno affidabile, mentre i risultati ottenuti con gli indici MVAR presentano una buona correlazione lineare con i pesi veri. Anche in questo caso l'indice di Granger dà i migliori risultati correlando sempre con R > 0:99. I risultati hanno rivelato che l'indice di causalità di Granger è un accurato stimatore della topologia di rete in quanto si e dimostrato in accordo con le reti vere nella maggior parte degli esperimenti simulati, mentre DTF e PDC, oltre a presentare alcune imprecisioni, risultano più difficili da interpretare in termini di forze assolute. Questi risultati suggeriscono di utilizzare l'indice di causalità di Granger come strumento esplorativo per definire sia la topologia della rete sia l'intensità delle forze. Poi, le informazioni in frequenza provenienti dai diversi metodi (DTF, PDC) devono essere integrate per migliorare l'affidabilità dei risultati sulle intensità delle connessioni. L'obiettivo principale di questo studio di simulazione e quello di fornire una procedura robusta da usare per l'analisi della connettività del cervello umano, in grado di classificare i diversi stati del cervello in supporto sia della ricerca in ambito cognitivo e sia dell'attività clinica. L'analisi effettuata sui segnali EEG riportata e un esempio di applicazione a dati reali, in cui si esamina l'effetto dell'iperammonemia indotta da un carico amminoacidico su pazienti cirrotici e soggetti sani sulla riorganizzazione funzionale del segnale EEG (Dott. Amodio, Dipartimento di Medicina, Università degli Studidi Padova).
Questa tesi si sviluppa in sei capitoli di seguito brevemente riassunti. Nel Capitolo 1 si definiscono sia i modelli multivariati autoregressivi e gli indici derivati per stimare la connettività in termini di causalità di Granger e nel dominio della frequenza, sia il metodo SEM. Nel Capitolo 2 si presenta il modello utilizzato perla generazione dei dati simulati analizzati in questa tesi e si descrivono le caratteristiche principali delle reti di simulazione considerate. Nel Capitolo 3 vengono descritti sia i metodi impiegati per la valutazione della significatività statistica
dei vari stimatori sia la procedura per valutare l'accuratezza delle stime con il confronto sulle reti vere. Nel Capitolo 4 si presentano i principali risultati dello studio della connettività corticale ottenuti mostrando dapprima l'intera analisi su un sottoinsieme di simulazioni, poi sintetizzando i risultati su tutti i dataset. Nel Capitolo 5 viene presentata una possibile applicazione dei metodi prima esposti su un problema di tipo clinico, riguardante l'analisi di EEG su pazienti affetti da Encefalopatia epatica. Infine, nel Capitolo 6 si discutono i risultati presentati nel capitolo 5 evidenziando limiti e vantaggi dei vari metodi e il loro range di applicabilità in modo da visualizzare globalmente le loro prestazioni. L'Appendice riporta un lavoro parallelo eseguito per studiare il significato dei coefficienti di connettività stimati con il metodo SEM utilizzando le equazione del neural mass model descritto in precedenza.

Statistiche Download
EPrint type:Ph.D. thesis
Data di deposito della tesi:30 January 2013
Anno di Pubblicazione:30 January 2013
Key Words:EEG connettività connectivity MVAR SEM
Settori scientifico-disciplinari MIUR:Area 09 - Ingegneria industriale e dell'informazione > ING-INF/05 Sistemi di elaborazione delle informazioni
Struttura di riferimento:Dipartimenti > Dipartimento di Ingegneria dell'Informazione
Codice ID:5856
Depositato il:11 Oct 2013 13:05
Simple Metadata
Full Metadata
EndNote Format


I riferimenti della bibliografia possono essere cercati con Cerca la citazione di AIRE, copiando il titolo dell'articolo (o del libro) e la rivista (se presente) nei campi appositi di "Cerca la Citazione di AIRE".
Le url contenute in alcuni riferimenti sono raggiungibili cliccando sul link alla fine della citazione (Vai!) e tramite Google (Ricerca con Google). Il risultato dipende dalla formattazione della citazione.

[1] K. E. Stephan. On the role of general system theory for functional neuroimaging. Cerca con Google

J. Anat., 205(6):443{470, Dec 2004. Cerca con Google

[2] B. Horwitz and S. G. Horovitz. Introduction to research topic - brain connectivity Cerca con Google

analysis: investigating brain disorders. Part 1: the review articles. Front Syst Cerca con Google

Neurosci, 6:3, 2012. Cerca con Google

[3] S. G. Horovitz and B. Horwitz. Introduction to research topic - brain connectivity Cerca con Google

analysis: investigating brain disorders. Part 2: original research articles. Front Cerca con Google

Syst Neurosci, 6:4, 2012. Cerca con Google

[4] L. Lemieux, J. Daunizeau, and M. C. Walker. Concepts of connectivity and human Cerca con Google

epileptic activity. Front Syst Neurosci, 5:12, 2011. Cerca con Google

[5] P. A. Valdes-Sosa, A. Roebroeck, J. Daunizeau, and K. Friston. E_ective connec- Cerca con Google

tivity: inuence, causality and biophysical modeling. Neuroimage, 58(2):339{361, Cerca con Google

Sep 2011. Cerca con Google

[6] C.W.J. Granger. Investigating causal relations by econometric models and cross- Cerca con Google

spectral methods. Econometrica, 37(3):768{778, 1969. Cerca con Google

[7] K. J. Blinowska. Review of the methods of determination of directed connectivity Cerca con Google

from multichannel data. Med Biol Eng Comput, 49(5):521{529, May 2011. Cerca con Google

[8] A. Schlogl and G. Supp. Analyzing event-related EEG data with multivariate Cerca con Google

autoregressive parameters. Prog. Brain Res., 159:135{147, 2006. Cerca con Google

[9] F. Mormann, K. Lehnertz, P. David, and E. Mean phase coherence as a measure Cerca con Google

for phase synchronization and its application to the EEG of epilepsy patients. Cerca con Google

Physica D Nonlinear Phenomena, 144(3-4):358{369, October 2000. Cerca con Google

[10] J. Rissanen and M. Wax. Measures of mutual and causal dependence between two Cerca con Google

time series. IEEE Trans. Inf. Theor., 33(4):598{601, July 1987. Cerca con Google

[11] K. J. Friston, L. Harrison, and W. Penny. Dynamic causal modelling. Neuroimage, Cerca con Google

19(4):1273{1302, Aug 2003. Cerca con Google

[12] A. R. McIntosh and F. Gonzalez-Lima. Structural equation modeling and its Cerca con Google

application to network analysis in functional brain imaging. Hum. Brain Mapp, Cerca con Google

2(22), 1994. Cerca con Google

[13] K. J. Friston. Functional and e_ective connectivity: a review. Brain Connect, Cerca con Google

1(1):13{36, 2011. Cerca con Google

[14] W. D. Penny, K. E. Stephan, A. Mechelli, and K. J. Friston. Modelling functional Cerca con Google

integration: a comparison of structural equation and dynamic causal models. Neu- Cerca con Google

roimage, 23 Suppl 1:S264{274, 2004. Cerca con Google

[15] L. Astolfi, F. Cincotti, D. Mattia, S. Salinari, C. Babiloni, A. Basilisco, P. M. Cerca con Google

Rossini, L. Ding, Y. Ni, B. He, M. G. Marciani, and F. Babiloni. Estimation of Cerca con Google

the effective and functional human cortical connectivity with structural equation Cerca con Google

modeling and directed transfer function applied to high-resolution EEG. Magn Cerca con Google

Reson Imaging, 22(10):1457{1470, Dec 2004. Cerca con Google

[16] A. Boucard, A. Marchand, and X. Nogues. Reliability and validity of structural Cerca con Google

equation modeling applied to neuroimaging data: a simulation study. J. Neurosci. Cerca con Google

Methods, 166(2):278{292, Nov 2007. Cerca con Google

[17] M. Ursino, F. Cona, and M. Zavaglia. The generation of rhythms within a cortical Cerca con Google

region: analysis of a neural mass model. Neuroimage, 52(3):1080{1094, Sep 2010. Cerca con Google

[18] N. Wiener. The Theory of Prediction. McGraw-Hill New York, 1956. Cerca con Google

[19] J. Geweke. Measurement of linear dependence and feedback between multiple time Cerca con Google

series. Journal of the American Statistical Association, 77:304{313, 1982. Cerca con Google

[20] J. Geweke. Inference and causality in economic time series models. in: Handbook Cerca con Google

of Econometrics. Elsevier, 1984. Cerca con Google

[21] S. L. Bressler and A. K. Seth. Wiener-Granger causality: a well established Cerca con Google

methodology. Neuroimage, 58(2):323{329, Sep 2011. Cerca con Google

[22] A. Schlogl and G. Supp. Analyzing event-related EEG data with multivariate Cerca con Google

autoregressive parameters. Prog. Brain Res., 159:135{147, 2006. Cerca con Google

[23] M. J. Kaminski and K. J. Blinowska. A new method of the description of the Cerca con Google

information ow in the brain structures. Biol Cybern, 65(3):203{210, 1991. Cerca con Google

[24] L. A. Baccala and K. Sameshima. Partial directed coherence: a new concept in Cerca con Google

neural structure determination. Biol Cybern, 84(6):463{474, Jun 2001. Cerca con Google

[25] A. R. McIntosh, C. L. Grady, L. G. Ungerleider, J. V. Haxby, S. I. Rapoport, and Cerca con Google

B. Horwitz. Network analysis of cortical visual pathways mapped with PET. J. Cerca con Google

Neurosci., 14(2):655{666, Feb 1994. Cerca con Google

[26] C. Buchel and K. J. Friston. Modulation of connectivity in visual pathways by Cerca con Google

attention: cortical interactions evaluated with structural equation modelling and Cerca con Google

fMRI. Cereb. Cortex, 7(8):768{778, Dec 1997. Cerca con Google

[27] H. R. Wilson and J. D. Cowan. Excitatory and inhibitory interactions in localized Cerca con Google

populations of model neurons. Biophys. J., 12(1):1{24, Jan 1972. Cerca con Google

[28] F. H. Lopes da Silva, A. Hoeks, H. Smits, and L. H. Zetterberg. Model of brain Cerca con Google

rhythmic activity. The alpha-rhythm of the thalamus. Kybernetik, 15(1):27{37, Cerca con Google

May 1974. Cerca con Google

[29] B. H. Jansen, G. Zouridakis, and M. E. Brandt. A neurophysiologically-based Cerca con Google

mathematical model of ash visual evoked potentials. Biol Cybern, 68(3):275{283, Cerca con Google

1993. Cerca con Google

[30] O. David and K. J. Friston. A neural mass model for MEG/EEG: coupling and Cerca con Google

neuronal dynamics. Neuroimage, 20(3):1743{1755, Nov 2003. Cerca con Google

[31] O. David, L. Harrison, and K. J. Friston. Modelling event-related responses in the Cerca con Google

brain. Neuroimage, 25(3):756{770, Apr 2005. Cerca con Google

[32] A. Babajani and H. Soltanian-Zadeh. Integrated MEG/EEG and fMRI model Cerca con Google

based on neural masses. IEEE Trans Biomed Eng, 53(9):1794{1801, Sep 2006. Cerca con Google

[33] M. Zavaglia, L. Astol_, F. Babiloni, and M. Ursino. The e_ect of connectivity on Cerca con Google

EEG rhythms, power spectral density and coherence among coupled neural popu- Cerca con Google

lations: analysis with a neural mass model. IEEE Trans Biomed Eng, 55(1):69{77, Cerca con Google

Jan 2008. Cerca con Google

[34] F.Wendling, F. Bartolomei, J. J. Bellanger, and P. Chauvel. Epileptic fast activity Cerca con Google

can be explained by a model of impaired GABAergic dendritic inhibition. Eur. J. Cerca con Google

Neurosci., 15(9):1499{1508, May 2002. Cerca con Google

[35] M. Zavaglia, L. Astol_, F. Babiloni, and M. Ursino. A neural mass model for the Cerca con Google

simulation of cortical activity estimated from high resolution EEG during cognitive Cerca con Google

or motor tasks. J. Neurosci. Methods, 157(2):317{329, Oct 2006. Cerca con Google

[36] M. Ursino, M. Zavaglia, L. Astol_, and F. Babiloni. Use of a neural mass model Cerca con Google

for the analysis of e_ective connectivity among cortical regions based on high Cerca con Google

resolution EEG recordings. Biol Cybern, 96(3):351{365, Mar 2007. Cerca con Google

[37] M. Ursino, M. Zavaglia, E. Magosso, A. Serino, and G. di Pellegrino. A neural Cerca con Google

network model of multisensory representation of peripersonal space: e_ect of tool Cerca con Google

use. Conf Proc IEEE Eng Med Biol Soc, 2007:2735{2739, 2007. Cerca con Google

[38] M. Zavaglia, F. Cona, and M. Ursino. A neural mass model to simulate di_erent Cerca con Google

rhythms in a cortical region. Comput Intell Neurosci, page 456140, 2010. Cerca con Google

[39] F. Cona, M. Zavaglia, M. Massimini, M. Rosanova, and M. Ursino. A neural Cerca con Google

mass model of interconnected regions simulates rhythm propagation observed via Cerca con Google

TMS-EEG. Neuroimage, 57(3):1045{1058, Aug 2011. Cerca con Google

[40] R. J. Moran, S. J. Kiebel, K. E. Stephan, R. B. Reilly, J. Daunizeau, and K. J. Fris- Cerca con Google

ton. A neural mass model of spectral responses in electrophysiology. Neuroimage, Cerca con Google

37(3):706{720, Sep 2007. Cerca con Google

[41] Arnold Neumaier and Tapio Schneider. Estimation of parameters and eigenmodes Cerca con Google

of multivariate autoregressive models. ACM Trans. Math. Softw., 27(1):27{57, Cerca con Google

2001. Cerca con Google

[42] A. K. Seth. A MATLAB toolbox for Granger causal connectivity analysis. J. Cerca con Google

Neurosci. Methods, 186(2):262{273, Feb 2010. Cerca con Google

[43] F. Piccolo. Analisi parametrica multivariata del segnale EEG per la stima della Cerca con Google

connettivit_a corticale. Master's thesis, Universit_a degli Studi di Padova, Diparti- Cerca con Google

mento di Ingegneria dell'Informazione, 2011. Cerca con Google

[44] John Fox. TEACHER'S CORNER: Structural Equation Modeling With the Cerca con Google

sem Package in R. Structural Equation Modeling: A Multidisciplinary Journal, Cerca con Google

13(3):465{486, June 2006. Cerca con Google

[45] M. Kaminski, M. Ding, W. A. Truccolo, and S. L. Bressler. Evaluating causal rela- Cerca con Google

tions in neural systems: granger causality, directed transfer function and statistical Cerca con Google

assessment of signi_cance. Biol Cybern, 85(2):145{157, Aug 2001. Cerca con Google

[46] S. J. Munoz. Hepatic encephalopathy. Med. Clin. North Am., 92(4):795{812, Jul Cerca con Google

2008. Cerca con Google

[47] P. Amodio, R. Orsato, P. Marchetti, S. Schi_, C. Poci, P. Angeli, A. Gatta, Cerca con Google

G. Sparacino, and G. M. To_olo. Electroencephalographic analysis for the assess- Cerca con Google

ment of hepatic encephalopathy: comparison of non-parametric and parametric Cerca con Google

spectral estimation techniques. Neurophysiol Clin, 39(2):107{115, Apr 2009. Cerca con Google

[48] P. Marchetti, C. D'Avanzo, R. Orsato, S. Montagnese, S. Schi_, P. W. Kaplan, Cerca con Google

F. Piccione, C. Merkel, A. Gatta, G. Sparacino, G. M. To_olo, and P. Amodio. Cerca con Google

Electroencephalography in patients with cirrhosis. Gastroenterology, 141(5):1680{ Cerca con Google

1689, Nov 2011. Cerca con Google

[49] A. Bersagliere, I. D. Raduazzo, M. Nardi, S. Schi_, A. Gatta, P. Amodio, P. Acher- Cerca con Google

mann, and S. Montagnese. Induced hyperammonemia may compromise the ability Cerca con Google

to generate restful sleep in patients with cirrhosis. Hepatology, 55(3):869{878, Mar Cerca con Google

2012. Cerca con Google

[50] A. Bersagliere, I. D. Raduazzo, S. Schi_, A. Gatta, C. Merkel, P. Amodio, P. Acher- Cerca con Google

mann, and S. Montagnese. Ammonia-related changes in cerebral electrogenesis in Cerca con Google

healthy subjects and patients with cirrhosis. Clin Neurophysiol, Sep 2012. Cerca con Google

[51] R. Qi, Q. Xu, L. J. Zhang, J. Zhong, G. Zheng, S. Wu, Z. Zhang, W. Liao, Cerca con Google

Y. Zhong, L. Ni, Q. Jiao, Z. Zhang, Y. Liu, and G. Lu. Structural and functional Cerca con Google

abnormalities of default mode network in minimal hepatic encephalopathy: a study Cerca con Google

combining DTI and fMRI. PLoS ONE, 7(7):e41376, 2012. Cerca con Google

[52] J. Toppi, F. Babiloni, G. Vecchiato, F. Cincotti, F. De Vico Fallani, D. Mattia, Cerca con Google

S. Salinari, and L. Astol_. Testing the asymptotic statistic for the assessment of Cerca con Google

the signi_cance of Partial Directed Coherence connectivity patterns. Conf Proc Cerca con Google

IEEE Eng Med Biol Soc, 2011:5016{5019, 2011. Cerca con Google

[53] S. Haufe, V. V. Nikulin, K. R. Muller, and G. Nolte. A critical assessment of Cerca con Google

connectivity measures for EEG data: a simulation study. Neuroimage, 64:120{ Cerca con Google

133, Jan 2013. Cerca con Google

[54] Julius S. Bendat and Allan G. Piersol. Random Data: Analysis & Measurement Cerca con Google

Procedures. Wiley-Interscience, 2000. Cerca con Google

[55] KA Bollen. Structural equations withlatent variables. New York: John Wiley, 1989. Cerca con Google

Download statistics

Solo per lo Staff dell Archivio: Modifica questo record