通过分解内EEG和MEG功率光谱来确定发性异常

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 医疗成像医学成像

背景情况:

• 精确识别异常的脑电图 (EEG) 活动对于的诊断和治疗至关重要.
• 将大脑活动分解为周期性 (振荡性) 和无周期性 (趋势性) 组件,可以揭示光谱变化的驱动因素.

研究的目的:

• 开发和验证内EEG (iEEG) 数据的规范地图.
• 评估周期性和非周期性EEG组件在识别耐火焦患者的异常时的有用性.
• 为了比较EEG异常检测的不同分析方法及其与手术结果的相关性.

主要方法:

• 对234名受试者的iEEG数据进行分析,以创建规范性地图.
• 标准地图与63名患者的iEEG数据的比较.
• 使用相对完整带功率,相对带功率 (无周期删除) 和无周期指数计算规范地图.
• 评估异常的空间形状和局部化能力,并使用磁脑图 (MEG) 进行复制.

主要成果:

• 完整频段和周期频段功率的规范地图显示了类似的空间配置文件.
• 无周期性规范地图表明叶的指数值更高.
• 全带功率有效地区分了手术结果好和差的患者.
• 结合周期性和非周期性异常分析,提高了性能,类似于完整频段功率方法.

结论:

• 节省有周期性和无周期性异常的大脑组织可能会导致手术结果差.
• 无论是周期性还是非周期性成分,都不能单独提供足够的信息来预测手术结果.
• 相对的全频带功率是识别与外科手术结果相关的异常的最可靠方法.
• 需要进一步研究大脑位置和病理学对周期性和非周期性异常的影响.