因果连接网络分析,以动态相移为基础,对叶发症的阴道电皮图进行分析,基于动态相移

科学领域:

• 神经科学是一个神经科学.
• 的研究研究.
• 计算神经科学是一种神经科学.

背景情况:

• 叶 (TLE) 越来越被视为大脑网络障碍.
• 海马 (HPC) 是TLE中常见的发性焦点.
• 了解发作的传播需要分析因果大脑连接的动态.

研究的目的:

• 为了研究海马体 (HPC) 和横向皮层 (LTC) 之间的因果连接动力学,在间接和ictal阶段.
• 开发和验证机器学习方法,使用大脑网络指标识别发性区域 (EZ).

主要方法:

• 提出了一种统一时代动态因果关系分析方法,使用相移 (PTE) 外/内比和滑动窗口.
• 分析了来自26次发作的9名患者的电皮质图 (ECoG) 数据,覆盖频率从1-500赫兹.
• 开发基于 PTE 的机器学习算法用于 EZ 识别.

主要成果:

• 证实HPC在ictal状态下表现出比LTC更强的因果连接,特别是在玛波和高频振荡 (HFO) 频段.
• 在ictal阶段与interictal阶段相比,在因果连接中表现出显著的变化.
• 展示了在HFO频段中PTE出/入比的有效性,用于识别具有高预测性能的EZ.

结论:

• 海马在TLE中发作和传播中发挥着至关重要的作用.
• 动态因果关系分析,特别是使用HFO中的PTE,是了解TLE病理生理学和识别发性区域的有希望的工具.