发作发作区 (SoZ) 识别从间接的内脑电图

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.
• 的研究研究.

背景情况:

• 精确的发作发作区 (SoZ) 定位对于手术至关重要.
• 传统的生物标志物,如IED,HFO和RBP可能无法完全捕捉发作网络动态.
• 基于图表的新型中心性测量为SoZ识别提供了潜在的新途径.

研究的目的:

• 调查从FD-CCM获得的基于图形的中心性测量作为SoZ定位的生物标志物.
• 开发和验证一个机器学习分类器,将这些新功能与现有的生物标志物相结合.
• 评估组合生物标志物方法的可区分性和通用性.

主要方法:

• 基于图表的中心性测量的分析,使用频域收交叉映射 (FD-CCM).
• 开发一个多层感知子 (MLP) 分类器,将图的中心性与传统生物标志物的集成.
• 使用最小冗余最大相关性 (mRMR) 进行特征选择,并通过十倍交叉验证进行评估.

主要成果:

• 与非SoZ地区相比,SoZ地区的基于图表的中心性值明显较低.
• 集成的MLP分类器实现了0.86的平均AUC,82%的灵敏度,90%的特异性和89%的准确性.
• 综合方法表现出优越的灵敏度 (超过之前的最佳表现率5%),以及强大的通用性.

结论:

• 基于图表的中心性指标是捕捉社会经济体的互动动态的有价值的生物标志物.
• 整合各种生物标志物,包括基于图形的特征,显著提高了SoZ定位的可区分性和通用性.
• 这种方法有望提高药物耐药性的手术前评估.