<div dir="ltr">Dear Iman,<div><br></div><div>I have an alpha version. I'll present it in SfN this year (see below for poster info). I'm currently working on ULCA data sets using it. I plan to release a beta version of the tool this summer (of course, it's a pluging for EEGLAB). I'll meet my colleagues in Qusp soon to report finalization of it and discuss publication.</div><div><br></div><div>Makoto</div><div><br></div><div><br></div><div><br></div><div>%%%%%%%%%%%%%%%%%%%%%%%%%%%%%</div>Your abstract, "<b>Group-level statistics on EEG effective source connectivity</b>," has been accepted into the program as a traditional poster presentation<br><br>Session Type: Poster<br>Session Number: 851<br>Session Title: Computational Tools for Human Data II<br>Date and Time: Wednesday Nov 16, 2016 1:00 PM - 5:00 PM<br>Location: San Diego Convention Center: Halls B-H<br>Abstract Control Number: 9417<div><span style="line-height:100%"><br></span></div><div><span style="line-height:100%">Multivariate

connectivity measures in EEG have been gathering attention to

investigate causal information flow in dynamics across signals. There

are known issues in applying this method on scalp-recorded channel

EEG data, such as volume conductance and scalp mixing, which makes

the original scalp channel data highly correlated. To address these

issues, applying independent component analysis  (ICA) as preprocess

is effective. It finds a linear transform to obtain effective source

signals that are temporally maximally independent to each other.

Thanks to this, the issues raising from volume conductance and scalp

mixing are both addressed cleverly without estimating any parameters

in electrophysiological forward model. However, because ICA reveals

individual differences, it creates problems in the group-level

statistics. For example, in the conventional EEG analysis,

group-level statistics was straightforward; selecting a channel e.g.

Cz from all the subjects was regarded to be sufficient. But after ICA

preprocessing, there is no exact common independent comonent across

all the subjects. Hence we developed a following statistical

framework: 1. Preprocess individual data with ICA, estimate

equivalent current dipoles, and apply multivariate connectivity

measures across all pairs of ICs; 2. Compute dipole density that

distributes within MNI brain space by applying 3-D Gaussian kernel;

3. Segment dipole density into anatomical regions; 4. Compute

region-to-region pairwise dipole density that is weighted by

connectivity measures; 5, Repeat above process for all subjects; 6,

Perform statistics between conditions using variance across subjects.

We developed a free, open-source source toolbox that plugs into

EEGLAB. With this solution, effective EEG source connectivity can be

evaluated in time-frequency domain at the group-level statistics with

multiple comparison corrections. It is also generate a movie to

visualize information flow. We expect it will also impact MEG, ECoG,

and other electrophysiological data analysis.</span><br></div><div><strong style="color:rgb(0,0,0);font-family:'Times New Roman';font-size:medium;line-height:18.6667px"><span style="font-family:'Times New Roman',serif;font-size:12pt"><b><br></b></span></strong></div><div class="gmail_extra"><br><div class="gmail_quote">On Tue, Jul 12, 2016 at 4:11 PM, Iman Mohammad-Rezazadeh <span dir="ltr"><<a href="mailto:irezazadeh@ucdavis.edu" target="_blank">irezazadeh@ucdavis.edu</a>></span> wrote:<br><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex">

<div lang="EN-US" link="#0563C1" vlink="#954F72">

<div>

<p class="MsoNormal">Hi EEGLABers, <u></u><u></u></p>

<p class="MsoNormal"><u></u> <u></u></p>

<p class="MsoNormal">My concern is because in any experiment subjects don’t necessarily share common EEG sources  ( nodes in the network) in terms of their locations, number of sources , etc.

<u></u><u></u></p>

<p class="MsoNormal"><u></u> <u></u></p>

<p><u></u><span>1-<span style="font-style:normal;font-variant:normal;font-weight:normal;font-stretch:normal;font-size:7pt;line-height:normal;font-family:'Times New Roman'">     

<span dir="LTR">Does anyone has experience on doing group level connectivity analyses on source  ( not channel level).

<u></u><u></u></p>

<p><u></u><span>2-<span style="font-style:normal;font-variant:normal;font-weight:normal;font-stretch:normal;font-size:7pt;line-height:normal;font-family:'Times New Roman'">     

<span dir="LTR">In a single subject design ( pre-/ post-treatment , for example) how can we compare the brain connectivity in source level by considering the above concern?

<u></u><u></u></p>

<p class="MsoNormal"><u></u> <u></u></p>

<p class="MsoNormal">I would greatly appreciate any input and also please share any resources that you might think it is helpful.

<u></u><u></u></p>

<p class="MsoNormal"><u></u> <u></u></p>

<p class="MsoNormal">Thanks<u></u><u></u></p>

<p class="MsoNormal">Iman <u></u><u></u></p>

<p class="MsoNormal"><b>-------------------------------------------------------------<u></u><u></u></b></p>

<p class="MsoNormal"><b>Iman Rezazadeh, Ph.D<u></u><u></u></b></p>

<p class="MsoNormal">Project Scientist  | Semel Intitute, UCLA , Los Angeles, CA<u></u><u></u></p>

<p class="MsoNormal">Adjunct Researcher | Center for Mind and Brain, Davis, CA<u></u><u></u></p>

<p class="MsoNormal"><u></u> <u></u></p>

<p class="MsoNormal"><u></u> <u></u></p>

</div>

</div>

</blockquote></div><br><br clear="all"><div><br></div>-- <br><div data-smartmail="gmail_signature"><div dir="ltr">Makoto Miyakoshi<br>Swartz Center for Computational Neuroscience<br>Institute for Neural Computation, University of California San Diego<br></div></div>

</div></div>