从短暂的手术内神经记录中使用高频振荡来预测发作的发作区域

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 医疗技术 医疗技术 医学技术

背景情况:

• 高频振荡 (HFO) 和刻板的HFO (sHFO) 是发作发作区 (SOZ) 局部化的潜在生物标志物.
• HFO的临床使用受到人工物污染的手术内神经记录和自动化伪HFO检测的困难所限制.
• 目前的方法依赖于半自动探测器和手动物体排斥,阻碍了临床翻译.

研究的目的:

• 开发一个计算框架,在内EEG数据中自动检测真正的HFO.
• 解决在手术内神经记录中从文物中消除伪HFO的挑战.
• 使用手术内HFO提高SOZ定位的准确性.

主要方法:

• 集成稀疏信号处理和集体学习用于HFO检测.
• 框架在手术内监测 (IOM) 和监测单元 (EMU) 中的应用.
• 自动检测真正的HFO和消除伪HFO.

主要成果:

• 该框架有效地消除了损坏的神经数据中的伪HFO,实现了专家级准确性.
• 它在IOM期间提高了SOZ本地化准确性,达到与EMU相当的水平.
• 该框架成功地将sHFO集群捕获到IOM记录中,对主要SOZ具有很高的特异性.

结论:

• 经过计算处理的手术内HFO可以为SOZ定制手术提供早期反.
• 这种方法可以引导电极重新定位,以提高侵入性治疗的疗效.
• 应用到HFO的计算智能有助于更精确,更有效的手术干预.