All -<div><br></div><div>Nima Bigdely-Shamlo, Tim Mullen, Ken Kreutz-Delgado and I have published a paper on a new approach to independent component clustering and measure projection. Nima's Measure Projection Toolbox implementing the method for EEGLAB is available at <a href="http://sccn.ucsd.edu/wiki/MPT">http://sccn.ucsd.edu/wiki/MPT</a></div>
<div><br></div><div><b>Online accepted version</b>: <a href="http://www.sciencedirect.com/science/article/pii/S1053811913000876">http://www.sciencedirect.com/science/article/pii/S1053811913000876</a></div><div><br></div><div>
<b>Ttitle</b>:  Measure Projection Analysis: A Probabilistic Approach to EEG Source Comparison and Multi-Subject Inference. <i>Neuroimage</i>, 2013</div><div><br></div><div><b>Abstract</b>: A crucial question for the analysis of multi-subject and/or multi-session electroencephalographic (EEG) data is how to combine information across multiple recordings from different subjects and/or sessions, each associated with its own set of source processes and scalp projections. Here we introduce a novel statistical method for characterizing the spatial consistency of EEG dynamics across a set of data records. Measure Projection Analysis (MPA) first finds voxels in a common template brain space at which a given dynamic measure is consistent across nearby source locations, then computes local-mean EEG measure values for this voxel subspace using a statistical model of source localization error and between-subject anatomical variation. Finally, clustering the mean measure voxel values in this locally consistent brain subspace finds brain spatial domains exhibiting distinguishable measure features and provides 3-D maps plus statistical significance estimates for each EEG measure of interest. Applied to sufficient high-quality data, the scalp projections of many maximally independent component (IC) processes contributing to recorded high-density EEG data closely match the projection of a single equivalent dipole located in or near brain cortex. We demonstrate the application of MPA to a multi-subject EEG study decomposed using independent component analysis (ICA), compare the results to k-means IC clustering in EEGLAB (<a href="http://sccn.ucsd.edu/eeglab">sccn.ucsd.edu/eeglab</a>), and use surrogate data to test MPA robustness. A Measure Projection Toolbox (MPT) plug-in for EEGLAB is available for download (<a href="http://sccn.ucsd.edu/wiki/MPT">sccn.ucsd.edu/wiki/MPT</a>). Together, MPA and ICA allow use of EEG as a 3-D cortical imaging modality with near-cm scale spatial resolution.<br clear="all">
<div><br></div>-- <br>Scott Makeig, Research Scientist and Director, Swartz Center for Computational Neuroscience, Institute for Neural Computation, University of California San Diego, La Jolla CA 92093-0559, <a href="http://sccn.ucsd.edu/%7Escott" target="_blank">http://sccn.ucsd.edu/~scott</a>
</div>