在格兰杰因果关系中使用Janashia-Lagvilava算法基础的光谱因数分解进行非侵入性发作发作区域定位

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.
• 信号处理 信号处理

背景情况:

• 精确识别发作区 (SOZ) 对于手术和干预疗法至关重要.
• 内脑电图 (EEG) 是目前的SOZ识别标准,但侵入性手术存在风险.
• 之前的研究利用了高频振荡上的格兰杰因果关系 (GC) 来检测SOZ,参数和基于威尔逊算法 (WL) 的方法显示出有希望.

研究的目的:

• 评估基于Janashia-Lagvilava算法 (JLA) 的矩阵因数分解在非参数格兰杰因果关系 (GC) 中的有效性,用于从头皮EEG记录中非侵入性地识别SOZ.
• 评估JLA方法在耐药性患者中精确确定发作区域和传播途径的能力.

主要方法:

• 分析了接受手术前评估的六名患者头皮EEG记录.
• 隔离了感兴趣的区域 (ROI),并使用多层方法计算了交叉功率光谱密度矩阵.
• 使用JLA对光谱密度矩阵进行因数分解,以获得转移函数和噪声共变矩阵,用于GC估计.
• 在各种预测时间步骤中估计的GC值,以确认可疑的SOZ和传播途径.

主要成果:

• 在GC框架内基于JLA的光谱因子化成功地从头皮EEG识别了SOZ及其传播模式.
• 从JLA-GC分析中识别的SOZ和途径与所有6名患者的积极外科治疗结果 (Engel Class I) 相相关.
• 在非侵入性诊断的动态和成功的手术干预之间显示出一致性.

结论:

• 在非参数GC中基于JLA的光谱因子化是一种强大的非侵入性工具,用于在中准确地定位SOZ.
• 这种方法支持对抗药性的诊断和治疗计划.
• 该JLA方法对理解神经成像和计算神经科学中的信息流有更广泛的含义.