Reconocimiento de respuestas EEG a estimulaciones TMS activas vs. simuladas en diferentes conjuntos de datos TMS-EEG:...

Área de la Ciencia:

• Neurociencia
• Neurociencia Computacional
• Ingeniería Biomédica

Sus antecedentes:

• La Estimulación Magnética Transcraneal con Electroencefalograma simultáneo (TMS-EEG) es crucial para evaluar la neurofisiología de las neuronas corticales.
• Sin embargo, los potenciales EEG evocados por TMS (TEP) pueden contaminarse con artefactos no neuronales, lo que requiere control de calidad.
• Se necesitan herramientas objetivas para diferenciar la activación neuronal real por TMS de los efectos de la estimulación simulada.

Objetivo del estudio:

• Desarrollar y validar un método objetivo y automatizado para distinguir las respuestas de TMS activa de las respuestas de estimulación simulada en datos de EEG.
• Evaluar la precisión de un modelo de aprendizaje automático para identificar TEP genuinos en diferentes condiciones de estimulación y simuladas.
• Proporcionar criterios confiables para validar la autenticidad de TEP en la investigación TMS-EEG.

Principales métodos:

• Se utilizaron dos conjuntos de datos independientes de TMS-EEG que comprenden 27.590 ensayos de 33 individuos sanos.
• Se empleó un modelo de aprendizaje automático Bi-direccional Long Short-Term Memory (BiLSTM) para clasificar los puntos de tiempo del EEG como TMS activa o simulada.
• Se implementaron comparaciones novedosas que incluyen EEG basal vs. post-estimulación, y condiciones de TMS activa vs. simulada.

Principales resultados:

• El modelo BiLSTM logró una precisión de moderada a alta para distinguir la TMS post-estimulación de la EEG basal, especialmente con ensayos agregados.
• Las comparaciones entre las condiciones de TMS post-estimulación y simuladas post-estimulación mostraron una precisión de moderada a alta, excepto cuando había ruido de clic auditivo.
• Las comparaciones de la EEG basal entre las condiciones de TMS y simuladas arrojaron una precisión a nivel de azar, lo que resalta la especificidad del análisis post-estimulación.

Conclusiones:

• Los TEP después de la TMS activa son distinguibles de manera confiable de varias simulaciones utilizando un modelo BiLSTM, incluso a nivel de sujeto individual con pocos ensayos.
• Este enfoque de aprendizaje automático ofrece criterios objetivos para respaldar la autenticidad de TEP, abordando desafíos clave en los estudios TMS-EEG.
• Los hallazgos pueden ayudar a resolver debates sobre las características de TEP y mejorar la interpretación de los datos TMS-EEG.