Processing for Sensor-level analysis (ERFs)

Click on the flag to see the version in English

ENflag1

Version française

Principe des ‘Event Related Fields’ (ERFs)
Lorsque l’on analyse les signaux EEG et MEG, le but est de rechercher une modulation des signaux cérébraux mesurés relative à un évènement donné. Toutefois, en raison du bruit extrinsèque et intrinsèque des signaux, il est nécessaire de moyenner les données issues de plusieurs essais pour améliorer le rapport signal/bruit (signal-to-noise ratio or SNR). Une approche est de répéter un événement donné de notre expérience et de moyenner les signaux associés. Le bruit étant supposé être indépendant des évènements, le calcul des moyennes permet à la fois une réduction du bruit et un recentrage temporel (time-locking) de effet d’intérêt autour de l’évènement. Cette approche est connue sous le nom de « Event Related Potentiels » (ERPs) pour l’EEG et de « Event Related Fields » (ERFs) pour la MEG.

ERP-principeFrom Parkkonen, HBM 2008

 

1. Filtrage passe-bas de 40Hz

Un filtrage passe-base de 40 Hz  sur les données peut-être utilisé pour supprimer les fréquences non désirées telles que celles liées aux artéfacts musculaires et à la contamination des systèmes électriques. Cette étape est très importante lorsque l’on veut analyser les ERFs et les sources de données,  en particulier, lorsque l’on travaille sur le Z-score des données sources. Il y a deux options pour réaliser cette étape de traitement :

Avec Interface Graphique

  • Clic droit sur le fichier de données continues « Link to raw »
  • Sélection du Menu Pre-process →Band-pass Filter
  • Complétion de la Boîte de dialogue « Pipeline Editor »
    (cf. paramètres ci-dessous)

BST_preprocERF_Filtering2

Avec un script Matlab
CREx_MEG_BST_Pipeline_5_FilteringLowPass

 

2. « Epoching »

Jusqu’à maintenant, tous les processus ont été réalisés sur des fichiers de données continues. Si l’on désire obtenir des analyses centrées sur les évènements, il est nécessaire d’importer des « époques », c’est-à-dire des fenêtres temporelles autour d’un évènement donné.

Avec Interface Graphique

  • Sélection d’un fichier de données continues « Link to raw »
  • Onglet Record : Section Events: Menu File → Import in database…

BST_Epoching

Pour plus de détails, voirTutorial Epoching and averaging.

Avec un Script Matlab
CREx_MEG_BST_Pipeline_6_Epoching

 

3. Suppression semi-automatique des mauvais essais

Avec Interface Graphique

Le processus « Detect bad trials: peak-to-peak » permet de détecter automatiquement certains mauvais essais sur la base d’une détection de seuils d’amplitude (par exemple une valeur maximale à ne pas dépasser).

  • Boite de dialogue Pipeline Editor issue de la sélection d’un répertoire évènement : Menu Artifacts → Detect bad channels: peak-to-peak

BST_detectBadTrials

Les mauvais essais sont marqués par un point d’exclamation rouge (cf; figure ci-dessous). Il est utile de repérer les essais qui posent problème mais  nous vous conseillons à revoir tous les essais un par un.

BTS_badTrial

  • Pour passer en revue chaque essai individuellement, vous pouvez consulter le tutoriel suivant, ici.

Avec un script Matlab
CREx_MEG_BST_Pipeline_7_BadTrialsDetection

 

4. Coregistration des runs

Entre l’acquisition de deux runs, le sujet peut bouger dans le casque MEG. La position des capteurs MEG par rapport à la surface de la tête du sujet peut ainsi varier. Au début de chaque run d’acquisition MEG, les positions des antennes de localisation de la tête sont détectées et utilisées pour mettre à jour la position des capteurs MEG. Pour des déplacements inférieurs à 2cm, le processus de  coregistration permet une correction spatiale du décalage des runs. En revanche, ce processus n’est pas adapté pour des déplacements supérieurs à 2cm ou lorsque des projecteurs SSP différents sont calculés en cas de runs multiples.

Avec Interface Graphique
Processus Standardize > Co-register MEG runs. Pour plus de détails, voir Tutorial for Channel file and coregistration MEG-MRI.

 

5. Moyennage

Avec Interface Graphique

  • Glisser/Déposez les répertoires liés aux évènements dans la liste « Process 1 » (située dans la vue « functional sorted by condition’) et appuyez sur le bouton « run » pour obtenir la boîte de dialogue « Pipeline Editor ».
  • Boîte de dialogue Pipeline Editor : Sélectionnez le Menu Average→ Average files

BST_Average

  • Selectionnez les options « Average by condition (subject average) » et « Arithmetic average mean(x) ».

Ces options permettent de regrouper les essais par condition et de calculer une moyenne par condition et par sujet.

With Matlab Script
CREx_MEG_BST_Pipeline_8_Averaging

posté parValérie Chanoine le 23/05/2015

 

 

English Version

Principe of Event Related Fields (ERFs)
When analyzing EEG or MEG signals, the aim is to investigate the modulation of the measured brain signals with respect to a certain event. However, due to intrinsic and extrinsic noise in the signals, it is typically required to average data from several trials to increase the signal-to-noise ratio(SNR). One approach is to repeat a given event in your experiment and average the corresponding signals. The assumption is that the noise is independent of the events and thus reduced when averaging, while the effect of interest is time-locked to the event. The approach results in Event Related Potentiels (ERPs) and Event Related Fields (ERFs) for respectively EEG and MEG.

1. Filtering low-pass 40Hz

A low-pass 40 Hz filter can be used to remove unwanted frequencies in the data as muscle artifacts and power-line contamination. This step will be important at this stage when the intention is to analyze ERFs and filtered sources, particularly when performing Z-scores on the source data. There are two options for completing this step:

With Graphical User Interface

  • Pipeline Editor on Link to raw file: Menu Pre-process →Band-pass Filter

BST_preprocERF_Filtering2

With Matlab Script
CREx_MEG_BST_Pipeline_5_FilteringLowPass

 

2. Epoching

Until now, all pre-processing has been performed on the continuous raw files. When the analysis is event based, it is necessary to import the epochs (time window around each event).

With Graphical User Interface

  • Tag Record on Link to raw file: Section Events: Menu File → Import in database…

BST_Epoching

For more details, see Tutorial Epoching and averaging.

With Matlab Script
CREx_MEG_BST_Pipeline_6_Epoching

 

3. Remove bad trials semi-automatically

With Graphical User Interface

The process « Detect bad trials: peak-to-peak » can help you detect automatically some bad trials based on a peak-to-peak amplitude threshold.

  • Pipeline Editor on Event Folder: Menu Artifacts → Detect bad channels: peak-to-peak

BST_detectBadTrials

Bad trials are marked by a red exclamation point like this. It is useful to localise trials which pose problem but it is recommended to review all trials one by one.

BTS_badTrial

  • To review individual trials and remove bad ones, see Brainstorm tutorial, here.

With Matlab Script
CREx_MEG_BST_Pipeline_7_BadTrialsDetection

4. Coregister MEG runs

Between two acquisition runs, the subject may move in the MEG helmet and the relative position of the MEG sensors with the head surface changes. At the beginning of each MEG run, the positions of the head localization coils are detected and used to update the position of the MEG sensors.
It is a good option for displacements under 2cm to Co-register properly the runs.
Warning: This method does not work correctly if displacements are over 2 cm and if you have different SSP projectors calculated for multiple runs.

With Graphical User Interface
Use the process Standardize > Co-register MEG runs. For more details, see Tutorial for Channel file and coregistration MEG-MRI.

 

5. Averaging

With Graphical User Interface

Drag and drop the Event folders in the Process1 list (on the view ‘functional sorted by condition’ ) and run the process to obtain the Pipeline Editor.

  • Pipeline Editor on Event folders: Menu Average→ Average files

BST_Average

  • Select the options « Average by condition (subject average) » and « Arithmetic average mean(x) ».

This will group the trials by conditions, and calculate one average per condition and subject.

With Matlab Script
CREx_MEG_BST_Pipeline_8_Averaging

posted by Valérie Chanoine on 2015/05/23

Blog du Centre de Ressources pour l'Expérimentation du BLRI