使用稀疏信号处理消除虚假尖峰 在简短的手术内iEEG记录中改善了发作区域划分

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 生物医学工程 生物医学工程

背景情况:

• 间接性形尖峰和高频振荡 (HFO) 是确定抗药性发作的发作区 (SOZ) 的关键神经生物标志物.
• 准确的SOZ识别对于手术规划和改善患者结果至关重要.

研究的目的:

• 开发和评估一种基于稀疏信号处理的,用于形尖的无声化模型.
• 为了提高SOZ划分的准确性,使用denoised尖峰数据.

主要方法:

• 使用直角匹配追踪 (OMP) 和加博字典的稀疏信号处理模型被开发出来,用于表示和检测状尖峰.
• 一个随机森林 (RF) 分类器被用于事件分类.
• 该模型在专家标记的数据上进行了训练,并在手术内监测 (IOM) 期间对29名受试者的脑内EEG (iEEG) 进行了验证.

主要成果:

• 在IOM中,禁止使用的方法显著改善了SOZ划分,从36%提高到52%.
• 与HFO分析的比较显示,IOM的平均denoised SOZ比率为69%.
• 该模型有效地从最初的尖峰池中删除了文物和虚假检测.

结论:

• 稀疏信号处理提供了一种强大的方法来消除形尖,提高SOZ识别的准确性.
• 这种方法可以通过在短暂的手术内记录过程中提供可靠的初步评估来改善临床决策.
• 开发的模型对推进的诊断和治疗规划充满希望.