相关实验视频
Updated: Jun 16, 2026
09:32
Cortical Source Analysis of High-Density EEG Recordings in Children
Published on: June 30, 2014
21.3K
自主监督的数据驱动方法定义了人类的病态高频振荡
Yipeng Zhang1, Atsuro Daida2, Lawrence Liu1
1Department of Electrical and Computer Engineering, University of California, Los Angeles, CA, USA.
medRxiv : the preprint server for health sciences
|July 23, 2024
概括
这项研究使用深度学习定义了病态高频振荡 (HFOs),改善了发作区 (EZ) 的识别,并预测了手术后的发作结果.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 间断高频振荡 (HFO) 是发性区域 (EZ) 的关键生物标志物.
- 区分病理和生理的HFO是具有挑战性的,限制了临床使用.
- 需要客观的标准来进行可靠的HFO分类.
研究的目的:
- 调查脑内EEG (iEEG) 中的信号形态是否区分病理和生理的HFO.
- 开发一个深度生成模型来模拟HFO形态中的机制驱动的区别.
- 提高HFO用于EZ划分的临床应用.
主要方法:
- 从185名使用iEEG.EEG的患者中对686,410名HFO进行了回顾性分析.
- 变化自编码器用于从时间频率图中学习形态特征.
- 解释性分析 (隐性空间解,时间域扰动) 用于描述HFO.
主要成果:
- 形态定义的病理性HFO (mpHFO) 与专家定义的尖峰和发作区域 (SOZ) 有着强烈的相关性.
- 发现了新的病理特征:高马和波纹带功率.
- mpHFO切除比率有效地预测了12个月的发作结果,表现优于未分类的HFO,并且符合SOZ切除标准.
结论:
- 数据驱动的方法提供了一种新的,可解释的病理HFO的定义.
- 这种方法增强了HFO精确EZ划分的潜力.
- 将mpHFO与人口和SOZ数据相结合,可以提高发作结果预测的准确性.
更多相关视频
10:22Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy
Published on: December 6, 2016
20.3K
09:35Automatic Detection of Highly Organized Theta Oscillations in the Murine EEG
Published on: March 10, 2017
9.2K
