SEEG源定位的准确性:使用皮质皮层唤起潜力的试点研究.
Benjamin C Cox1,2, Rachel J Smith3, Ismail Mohamed4
1Department of Neurology, University of Alabama at Birmingham, Birmingham, AL.
概括
这项研究评估了使用皮质皮层唤起潜力的脑内脑电图 (iEEG) 的EEG源定位算法. 最小规范,L1规范,LP规范和SWARM算法显示了iEEG源定位的最佳性能.
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
- 信号处理 信号处理
背景情况:
- 头皮EEG源局部化已被确立为,但其对内EEG (iEEG) 的有效性需要进一步研究.
- 传感器位置和空间采样差异可能会影响iEEG源定位的准确性.
- 皮质皮质唤起的潜能提供了一种方法来验证iEEG源定位算法由于已知的刺激站点.
研究的目的:
- 使用iEEG.EEG评估11个分布式EEG源定位算法的准确性.
- 根据本地化误差和空间分散来比较这些算法的性能.
- 为了确定iEEG源定位在的最佳算法.
主要方法:
- 从四名接受iEEG的患者中记录了205组皮质皮质唤起潜能.
- 使用11个分布式源算法分析平均潜力.
- 量化定位错误和空间分散,比较使用威尔科克森签名等级测试的算法.
主要成果:
- 最小规范,L1规范,LP规范,sLORETA,SWARM,eLORETA,swLORETA和ssLORETA显示出最少的局部化误差 (13.315.7毫米).
- 焦点显示最小的空间分散 (7.4毫米),其次是最小规范,L1规范,LP规范和SWARM (20.828.3毫米).
- 在大多数算法中,灰质刺激通常会比白质刺激产生更低的定位误差.
结论:
- 最小规范,L1规范,LP规范和SWARM算法有效地定位iEEG皮质皮质唤起的潜能.
- 这些算法表现出对iEEG的有利定位误差和空间分散.
- 建议对更大的队列进行进一步的研究,以验证这些发现.
