基于UKF的模型参数估计,以在ECoG中定位发作区域

科学领域:

• 计算神经科学是一种神经科学.
• 的研究研究.
• 生物标志物发现发现

背景情况:

• 耐药性 (DRE) 需要精确的发作发作区 (SOZ) 定位以获得有效的治疗,通常涉及手术或神经刺激.
• 现有的研究已经确定了生理学上有意义的神经模型参数,但尚未广泛应用于SOZ定位.

研究的目的:

• 调查神经计算模型参数 (刺激-抑制平衡) 对DRE患者精确SOZ定位的实用性.
• 探索这个参数作为预测手术结果的生物标志物的潜力.

主要方法:

• 利用无气味的卡尔曼波器 (UKF) 来估计来自DRE患者的电皮质谱 (ECoG) 数据的Z6神经模型的刺激-抑制平衡参数"c".
• 开发了一个包装式树分类器,将参数分布与机器学习集成为SOZ本地化.
• 评估了基于参数分布的SOZ定位和手术预测结果的准确性.

主要成果:

• 激发-抑制平衡参数表现出不同的分布 (单模前/后冲动,双模冲动).
• 袋式树分类器在SOZ定位方面取得了很高的准确性 (91.60%),特别是在冲击后的时期.
• 在没有MRI检测到病变的患者中,SOZ定位的准确性更高.
• 参数分布准确地预测了手术的结果,平均准确率为92.56%.

结论:

• 神经计算模型参数分布可以作为在DRE中SOZ定位的有效生物标志物.
• 这些参数分布显示出预测手术成功的巨大潜力.
• 这些发现为管理DRE的临床决策提供了有价值的支持.