专栏首页脑机接口头皮脑电图源空间的计算建模为癫痫的术前评估提供依据

头皮脑电图源空间的计算建模为癫痫的术前评估提供依据

导读


目的:颅内脑电图(iEEG)指导癫痫手术的有效性取决于iEEG电极的植入位置。该决定是通过非侵入性记录方式(例如头皮脑电图)得出的。因此作者提出了一个框架,以询问头皮脑电图和确定癫痫的侧化,以帮助电极植入。

方法:研究人员使用eLORETA绘制从头皮脑电图记录的癫痫发作时期的源活动,并考虑15个感兴趣区域(ROI)。然后使用锁相值构建功能网络,并使用数学模型进行研究。通过从网络中删除不同的ROI,并模拟它们对网络生成计算机癫痫发作的能力的影响,该框架提供了癫痫偏侧化的预测。从EPILEPSIAE数据库中选取了15个人,共研究了62次癫痫发作。通过考虑实际颅内植入和手术结局评估结果。

结果:该框架为15例癫痫患者中的12例提供了潜在的有用信息(p = 0:02,二项式检验)。

结论:实验结果表明该框架有望用于更好地询问头皮脑电图,以确定癫痫的偏侧性。

启示:该框架可以帮助临床医生在决策过程中确定在哪里植入电极以进行颅内监测。

前言


最近的研究使用癫痫的数学模型来更好地查询iEEG数据,并对癫痫手术进行预测。在这些研究中,iEEG要么被用于构建功能性大脑网络,要么用于验证模型参数。然后,通过计算机模拟可以预测哪些大脑区域更有可能是EZ。在本研究中,研究人员试图探讨将这种方法应用于头皮脑电图是否有助于确定癫痫的侧化,是否可用于告知颅内电极植入。作者使用了来自EPILEPSIAE(一个包含长期连续EEG数据的欧洲癫痫数据库)的15名患者,共研究了62例癫痫发作。所有患者均接受了iEEG检查,并进行手术治疗,术后结果均已知。作者使用精确的低分辨率大脑电磁断层扫描(eLORETA)来绘制癫痫发作期的源活动,并将它们映射到一个预定义的15个感兴趣区域(ROI)列表中,这些区域根据其确定的重要性进行选择跨越癫痫综合症。然后我们利用锁相值构建功能网络。最后,利用典型的ictogenicity模型对网络进行了研究,并基于节点ictogenicity的概念推断出了偏侧性。这项测量评估了大脑网络中不同区域产生癫痫发作能力的重要性。

方法与材料

实验数据获取

作者研究了15名癫痫患者。这些患者是根据以下三个标准来选择的:

(1)有颅内和头皮的脑电图记录;

(2)接受手术;

(3)有至少12个月的随访。

实验中使用这些标准,以便可以将头皮脑电图的预测结果与植入电极的位置进行比较,并使用术后结果来验证作者提出的预测在术前评估中是否有价值。每个病例都有不同的电极植入方案,包括栅电极、条形电极和深度电极。5例患者双侧电极植入。使用10-20电极放置系统记录头皮脑电图。考虑标准19个通道(T1、T2、FP1、F7、FP2、F3、F4、C4、P3、P4、O1、O2、T3、T4、T5、T6、Fz、Cz、C3、F8、Pz)。10例患者术后获得阳性结果(Engel分级Ia和Ib), 5例患者术后获得不良结果(Engel分级IIa和IIIa)。

下表总结了与本研究相关的临床细节,即颅内脑电图和手术定位的病灶。

对于每个个体,我们根据以下标准从可获得的5次癫痫发作的头皮脑电图数据中选择:一次癫痫发作必须与其他癫痫发作或亚临床事件至少间隔1小时,且至少持续16秒。第一个标准旨在增加分析独立和信息性癫痫发作的机会。例如,两次连续的癫痫发作可能提供的信息较少,因为第二次癫痫发作可能是由第一次引发的,因此基于两次癫痫发作的预测可能不是独立的。第二个标准是用来确保我们有足够的数据样本每次检获为后续分析。在超过5例癫痫发作的个体中,作者选择了第一个符合标准的5例。我们共考虑62例癫痫发作,平均发作时间为102.9±52.5 s。表1显示了每个人的癫痫发作次数。

脑电图数据的采样率分别为256,512和1024Hz。为了保持一致性,所有的数据都向下采样到256Hz。此外,作者应用了一个宽带(1-25Hz)带通滤波器(四阶巴特沃斯滤波器与正向和反向滤波,以尽量减少相位失真)。该频带包含传统的临床频带(delta、theta、alpha和大部分beta) ,同时避免了可能因肌肉电活动而受损的高频。

源映射

对于每一次癫痫发作,都使用Fieldtrip工具箱

(http://www.ru.nl/neuroimaging/fieldtrip)进行皮层来源映射。在Brainstorm软件中实施的蒙特利尔神经病学研究所的”ICBM152_2016”平均MRI用于建立3层边界元方法头部模型和一个8004体素皮质源空间,仅限于灰质皮质表面。与从MRI衍生的单个模型相比,模板模型的使用先前已被证明表现良好。偶极子的取向垂直于皮层表面。

作者使用精确的低分辨率脑电磁层析成像(eLORETA)解决了反问题,并重建了8004个源点的每个源的活动。eLORETA是线性的,正规化的,加权的最小范数逆解,即使在存在结构化的生物学或测量噪声的情况下,也具有理论上精确的零误差定位。它被证明适合研究全脑相位同步,并且LORETA系列解决方案已针对多种成像方式进行了验证。

感兴趣区域

人类脑电图捕获源自大脑皮层区域中产生的突触后电位的信号。这些区域必须足够大以产生可测量的信号。由于体积传导,EEG头皮电位反映了许多皮层区域的活动随时间变化的总和。因此,从正在进行中的脑电图中寻找单个区域是不合适的,需要神经解剖学假设来获得合理的解决方案。在本研究中,作者为脑电图源映射选择了一组与癫痫相关的神经解剖ROI。尽管癫痫可能来自多个不同的神经解剖区域,但仍有一组核心区域似乎受癫痫综合症的影响。这些区域可以映射到三个内在的”注意网络”:默认模式网络,显著性网络和额顶叶控制网络。表2列出了这些网络,涉及的大脑区域以及在Desikan-Killiany图谱中识别的这些网络、涉及的大脑区域和各自感兴趣的区域(ROI)。请注意,由于EEG本质上空间分辨率较低,因此作者融合了一些中线ROI。[总共考虑15个ROI]。

通过在给定的ROI中获取所有源点的第一主成分来进行分割,以便为该ROI构建单个时间序列。对于约束空间平滑度且分辨率较低的eLORETA解决方案,局部体素的活动是高度相关的。ROI中所有体素的第一主成分的时间过程是单个时间序列,其每个时间点的值与所有体素的活动差异最小,即占最大空间差异。

偏侧性

为了根据我们的大脑半球更可能包含癫痫发生区的框架得出预测,我们确定了NI最高的ROI。从颅内EEG功能网络计算得出的最大NI切除量能够预测术后结果。假设我们获得了每次发作的每个16秒片段的功能网络,首先发现在每次发作中始终呈现较高NI的ROI。此外,由于分析了每个个体的多个癫痫发作,因此我们将每个癫痫发作的预测投资回报率汇总在一起。最后,进行了共识分析,从而确定了癫痫发作中最频繁的ROI。如果两个半球的两个或多个ROI被确定为同等频繁,我们将预测定义为不确定。然后将这些ROI与电极植入的位置,手术定位和患者术后结果进行比较(见表1)。下图总结了我们方法的关键步骤。

实验结果


研究方法中描述的NI框架已被证明能够在癫痫手术中从iEEG中提取相关信息。在本项研究中,作者旨在探讨当使用相关的ROI将相同的框架应用于头皮脑电图的源映射数据时,是否可以为术前评估提供有用的信息。如上图所示,作者提出的方法包括:

(i)使用应用于头皮脑电图的eLORETA绘制皮层来源;

(ii)将源分割为ROI;

(iii)推断功能网络;

(iv)计算NI以确定侧向化。

但是请注意,在此初步研究中,不会尝试定位引起癫痫发作的特定大脑区域。一方面,作者不期望基于19通道EEG的源映射具有足够的空间分辨率,另一方面,EPILEPSIAE数据库中未指明手术靶向的特定区域。

下图显示了使用作者的框架在两个个体中识别的ROI。个体FR253做了双侧颅内电极植入,在右半球做了手术,且个体获得了癫痫发作自由(Engelclass Ia)。NI框架的应用识别了右半球区域(superior parietal andsupramarginal regions),与手术操作一致。在这种情况下,作者提出的方法可能表明,双侧电极植入是不必要的,而植入右半球就足够了。相比之下,个体FR 273将颅内电极植入左半球,手术以左半球为目标,患者术后继续出现癫痫发作(Engel class IIIa)。在本例中,应用于头皮脑电图的NI框架不能对致痫区域进行侧化,即不能识别两个半球的区域。此结果可能提示双侧颅内电极植入,有助于确定单个致痫区是否位于左半球或右半球,或是否存在多个致痫区。

与图2相似的解释分别应用于本研究的15例患者(见补充图1和补充表1)。作者将结果总结在表3右侧的两栏。预测被归类为:如果与实施的手术相一致,则分类为一致;如果与实施的手术不一致,则分类为不一致;如果无法确定癫痫发作的负责区域,则为不确定。预测的价值是一致的,不一致的或不确定的被认为取决于是否进行了手术取得了良好的术后结果。因此,我们总结了不同类型的预测分层术后结果。下图显示,在结构良好的个体中,预测有6项与手术操作一致,2项不一致,2项不确定。相反,在结果不好的个体中,只有一个个体的预测是一致的,其余个体的预测则是不确定和不一致的。总的来说,该框架可以为所有个体提供潜在有用的信息,除了2个不一致的好结果个体和1个一致的坏结果个体(图中的红色部分)。

作者检验了实验结果是否可以随机获得结果的假设,即随机预测变量是否可以实现潜在有用预测的分数(15个中的12个),发现p值为0.02(二项式检验)。因此,实验结果在0.05的显着性水平上具有统计学意义。

结论


综上所述,实验研究结果表明,基于头皮脑电图推断的功能网络及其应用ictogenicity计算模型的分析有望在术前评估过程中提供有用信息,特别是在决定颅内脑电图电极的放置时。

本文分享自微信公众号 - 脑机接口社区(Brain_Computer),作者:Rose

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-02-14

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 运动是如何改造我们的大脑?

    提出这个问题的前提是,你已接受或者至少是认识到运动是可以改造大脑的。想要回答清楚这个问题,我们可以先看一下,运动与我们大脑的关系。

    脑机接口社区
  • 基于头皮脑电的癫痫分类

    根据百度百科,癫痫(epilepsy)即俗称的“羊角风”或“羊癫风”,是大脑神经元突发性异常放电,导致短暂的大脑功能障碍的一种慢性疾病。据中国最新流行病学资料显...

    脑机接口社区
  • eeglab中文教程系列(17)-自己创建电极位置以及电极位置文件

    本教程为脑机学习者Rose发表于公众号:脑机接口社区(微信号:Brain_Computer),QQ交流群:903290195

    脑机接口社区
  • CentOS 7 开启 BBR 加速

    Google 在 2016年9月份开源了他们的优化网络拥堵算法BBR,最新版本的 Linux内核(4.9-rc8)中已经集成了该算法。 对于TCP单边加速,并非...

    小李刀刀
  • 《Spring实战》读书笔记-第6章 渲染Web视图

    在《Spring实战》的书中是包括6.3 使用Apache Tiles视图定义布局和6.4 使用Thymeleaf这两个小节的,但是考虑到平时开发使用的比较少,...

    Java架构师必看
  • C#二进制流的序列化和反序列化

    1 public class BinaryHelper 2 { 3 /// <summary> 4 /...

    彭泽0902
  • python抓取动态验证码,具体第几帧数的位置静态图片

    小小咸鱼YwY
  • 11.4 置换-选择排序

    3、置换-选择排序(Replacement-Selection Sorting)是在树形选择排序的基础上得来的,它的特点是:在整个排序(得到所有初始归并段)的过...

    C语言入门到精通
  • 使用pd从数据库逆向生成pdm文件

    用户1141560
  • Salesforce和SAP Netweaver里数据库表的元数据设计

    从Salesforce官网可以了解到Salesforce的force.com平台里数据库表的设计:https://developer.salesforce.co...

    Jerry Wang

扫码关注云+社区

领取腾讯云代金券