XiaoMi-AI文件搜索系统
World File Search SystemiEEG
原创文章 人类颅内显着网络的时空完整性和自发非线性动态特性
显着性网络 (SN) 在认知控制和自适应人类行为中起着关键作用，但其电生理基础和毫秒时间尺度的动态时间特性尚不清楚。在这里，我们使用来自多个队列的侵入式颅内脑电图 (iEEG) 来研究 SN 的神经生理基础，并确定将其与默认模式网络 (DMN) 和背外侧额叶-顶叶网络 (FPN) 区分开来的动态时间特性，这两者都是人类认知中发挥重要作用的另外两个大规模大脑网络。对网络相互作用的 iEEG 分析表明，共同锚定 SN 的前岛叶和前扣带皮层之间的网络内相互作用比与 DMN 和 FPN 的跨网络相互作用更强。对 SN、DMN 和 FPN 之间信息流方向性的分析揭示了 SN 中的因果流出中心与其在网络相互作用的快速时间切换中的作用一致。对区域 iEEG 时间波动的分析表明，与 DMN 和 FPN 相比，SN 内神经活动的时间动态更快，熵更高。至关重要的是，这些结果在多个队列中得到了复制。我们的研究结果为 SN 的神经生理学基础提供了新的见解，更广泛地说，为人类大脑大规模功能组织的基础机制提供了新的见解。
基于高阶张量分解的头皮到颅内脑电图投影检测发作间期癫痫样放电
摘要。目的。发作间期癫痫样放电 (IED) 发生在两次癫痫发作之间。IED 主要通过颅内记录捕获，通常在头皮上不可见。本研究提出了一种基于张量分解的模型，将头皮脑电图 (sEEG) 的时频 (TF) 特征映射到颅内脑电图 (iEEG) 的 TF 特征，以便以高灵敏度检测头皮上的 IED。方法。采用连续小波变换提取 TF 特征。将来自 iEEG 记录的 IED 段的时间、频率和通道模式连接成四向张量。采用 Tucker 和 CANDECOMP/PARAFAC 分解技术将张量分解为时间、频谱、空间和节段因子。最后，将来自头皮记录的 IED 和非 IED 段的 TF 特征投影到时间分量上进行分类。主要结果。模型性能通过两种不同的方法获得：受试者内和受试者间分类方法。我们提出的方法与其他四种方法进行了比较，即基于张量的空间分量分析方法、基于 TF 的方法、线性回归映射模型以及非对称对称自动编码器映射模型，然后是卷积神经网络。我们提出的方法在受试者内和受试者间分类方法中均优于所有这些方法，分别实现了 84.2% 和 72.6% 的准确率。意义。研究结果表明，将 sEEG 映射到 iEEG 可提高基于头皮的 IED 检测模型的性能。此外，基于张量的映射模型优于基于自动编码器和回归的映射模型。
深度学习驱动的电气信号分析
摘要 - 神经疾病代表着重大的全球健康挑战，推动了大脑信号分析方法的发展。头皮脑电图（EEG）和三颅内脑电图（IEEG）广泛用于诊断和监测神经系统状况。但是，数据集异质性和任务变化在开发强大的深度学习解决方案方面构成了挑战。该评论系统地检查了基于EEG/IEEG的深度学习方法的最新进展，使用46个数据集，重点介绍了7种神经系统条件的应用。我们探讨了数据利用率，模型设计和特定于任务的适应趋势，突出了预训练的多任务模型对于可扩展的可扩展解决方案的重要性。为了进步研究，我们提出了一个标准化的基准，用于评估各种数据集的模型以增强可重复性。这项调查强调了最近的创新如何改变神经诊断，并能够开发智能，适应性的医疗保健解决方案。
发作间期癫痫样放电与人类颅内神经生理学数据的质量
颅内脑电图 (IEEG) 涉及从直接放置在皮质表面或深层脑位置的电极进行记录。它适用于接受术前癫痫发作定位的药物难治性癫痫患者。IEEG 记录与计算能力和分析工具的进步相结合，加速了认知神经科学的发展。本篇观点文章描述了由于受试者群体而导致的许多此类记录中存在的潜在陷阱——即发作间期癫痫样放电 (IED)，由于与癫痫相关的病理波形污染了正常的神经生理信号，因此可能导致虚假结果。我们首先讨论 IED 危害的性质，以及为什么它们值得神经生理学研究人员的关注。然后，我们描述了处理 IED 时使用的四种一般策略（手动识别、自动识别、手动-自动混合以及通过将其留在数据中而忽略），并讨论了它们的优缺点和背景因素。最后，我们根据横断面文献综述和自愿调查，描述了全球人类神经生理学研究人员的当前实践。我们将这些结果置于所列策略的背景下，并提出提高报告意识和清晰度的建议，以丰富该领域的数据质量和交流。
用于根据癫痫发作症状可视化致痫区概率图的软件工具
约三分之一的癫痫对药物有抵抗力。对于这些患者，可以通过手术切除致痫区 (EZ)（大脑中引起癫痫发作的部分）来减少或治愈癫痫发作。如果非侵入性数据不足以确定侧向或定位，则可能需要通过精确植入颅内脑电图 (iEEG) 电极来定位致痫区。iEEG 目标的选择受到临床医生的经验和对文献的个人了解的影响，这导致不同癫痫中心的植入策略存在很大差异。基于文献中报告的回顾性临床病例的结果，客观工具可以建议致痫区的位置，从而支持和标准化手术计划的临床诊断途径。我们提出了一个开源软件工具，为临床医生提供直观的数据驱动可视化，以推断可能与致痫区重叠的致病区的位置。可能的 EZ 表示为覆盖在患者图像上的概率图，给出在该特定患者中观察到的癫痫症状列表。我们展示了一个案例研究，该研究基于我们单位接受治疗的一名患者的回顾性数据，该患者接受了切除性癫痫手术，并在术后 1 年内没有癫痫发作。被识别为 EZ 位置的切除脑结构与我们工具突出显示的区域重叠，证明了其潜在效用。
癫痫患者颞叶内侧刺激诱发颅内脑电图反应的预测模型
尽管十多年来取得了令人鼓舞的成果，但用于治疗药物难治性癫痫 (DRE) 的闭环神经刺激仍然依赖于手动参数调整，并且会产生不可预测的变化结果，而全自动算法仍然只是理论上的可能性。在这项工作中，我们研究了在参数丰富的神经刺激下人类颅内脑电图 (iEEG) 反应的预测动力学模型，并开发了预测准确且生物学上可解释的模型。使用来自 n = 13 名受试者的数据，我们表明，诱发的 iEEG 动态最好通过具有约 300 毫秒的因果历史依赖性的刺激触发切换线性模型来解释。这些模型在刺激幅度和频率（包括 STIM OFF 持续时间）方面高度一致，这使得可以从丰富的 STIM OFF 和有限的 STIM ON 数据中学习单个可推广的模型。在受试者中，我们观察到一致的距离依赖模式，即刺激直接影响驱动点和附近区域（≲ 20 毫米），几乎没有或根本没有网络介导，通过网络交互间接到达中距离区域（20 ∼ 100 毫米），几乎无法到达更远端区域（≳ 100 毫米）。网络交互的峰值参与发生在距离刺激点约 60-80 毫米处。由于其预测准确性和机制可解释性，这些模型在基于模型的癫痫发作预测和闭环神经刺激的刺激设计中具有深远的应用。
ξ-π：神经功率谱分解的非参数模型
摘要 — 从脑记录中估计出的功率谱是非周期性瞬态活动和周期性振荡的混合表示，即非周期分量（AC）和周期分量（PC）。定量神经生理学需要在参数化每个分量之前进行精确分解。然而，AC 和 PC 的形状、统计分布、尺度和混合机制尚不清楚，这对当前流行的参数模型（如 FOOOF、IRASA、BOSC 等）的有效性提出了挑战。这里提出了 ξ - π 来分解神经谱，方法是将带有惩罚 Whittle 似然的非参数谱估计和形状语言建模嵌入到期望最大化框架中。在具有损失统计的合成频谱以及具有评估指标和神经生理学证据的睡眠EEG和大样本iEEG上验证了ξ-π。与FOOOF相比，呈现形状不规则性的模拟和具有多个孤立峰的批量模拟都表明ξ-π在识别中心频率和峰值数量时以更少的损失和更高的F1分数改善了AC和PC的拟合度；睡眠EEG显示ξ-π产生了更多可区分的AC指数并提高了睡眠状态分类准确性；iEEG显示ξ-π在峰值发现方面接近临床发现。总体而言，ξ-π在频谱分解中提供了良好的性能，允许使用描述性统计数据或核函数进行灵活的参数化。ξ-π 可能成为认知神经科学、脑机接口、神经反馈和脑部疾病等领域脑信号解码的有前途的工具。
通过深度学习神经网络
自20世纪初期其临床机构以来，颅内脑电图（IEEG）已成为评估和随后在癫痫手术中进行管理的基本方式（1-4）。通过使用下硬膜下电极（5）或立体定向脑电图（SEEG）（6）记录，IEEG允许癫痫发射区域的定位或癫痫发作网络引起癫痫发作（7，8）。计算机辅助信号处理方法在领域中流行，以支持癫痫发作的繁琐任务（9-11）。深度学习方法学在医疗领域取得了成功，因为它们从原始数据中提取信息的效率（12）。最近确定的机器学习方法之一是卷积神经网络（CNN）模型。cnn是人工神经网络，具有多个连续的层，以层次结构进行卷积（13，14）。它们被认为是需要处理多个数组数据的应用程序中的深度学习模型，因为它们可以成功地识别数据中的本地连词并从低级别的数据中构建高级功能（15）。在与大脑相关的科学和临床领域中，神经网络已成为脑部计算机界面的核心实体（16-23），对脑部疾病的辅助诊断和康复（24-27），并允许方法学改善NEUROSCICIENT（28 - 31）。更少的研究使用了深度学习来检测IEEG数据的癫痫发作（46）。针对脑电图（EEG）数据分析，特别是，通过CNN的深度学习已用于特征提取目的（32-34），认知性能的预测（35、36）和识别唤起电位（37）。近年来，深度学习已应用于颅外脑电图数据中，以促进成人（38 - 41），儿童（42）和新生儿种群（43）的癫痫发作检测，并识别发作的脑电图特征（44，45）。机器学习方法也已被用来将颅外脑电图与ECOG放电（47），预测癫痫发作（41、48），并设计癫痫发作检测嵌入式系统（49）。旨在使用颅内癫痫发作的脑癫痫发作的数据进行癫痫的颅内癫痫发作数据，受到每位患者可用的记录癫痫发作的少量限制。最近，美国食品药物管理局（FDA）批准的RNS系统的神经调节已在美国使用，作为药物治疗局灶性癫痫患者的替代微创和个性化治疗（50）。RNS系统是一种可植入的闭环电刺激装置，在检测出诊所模式后，将电刺激应用于癫痫发生组织（51 - 54）。
可以使用非线性解码模型从人类听觉皮层活动中重建音乐
au：PleaseconfirmthatalleadinglevelsarerepressedCorrected：音乐是人类体验的核心，但是音乐表现为基础的精确神经动力学仍然未知。我们分析了29例听取Pink Floyd歌曲并采用先前在语音域中使用的刺激重建方法的患者的颅内脑电图（IEEG）数据集。我们成功地从直接神经记录中重新构造了可识别的歌曲，并量化了不同因素对解码精度的影响。结合了编码和解码分析，我们发现了音乐感知的右半球优势，其主要作用是高级临时回旋（STG）的主要作用，证明了一个新的STG子区域调用了音乐节奏，并定义了一个前及Posterior STG组织，表现出了持续的音乐响应，并表现出对音乐元素的持续反应。我们的发现表明，在单个患者中获取的短数据集上应用预测建模的可行性，为将音乐元素添加到大脑 - 计算机界面（BCI）应用程序铺平了道路。