XiaoMi-AI文件搜索系统
World File Search Systemictal
使用发作间期癫痫样放电波形和卷积神经网络筛查脑电图中的癫痫发作
人工智能 (AI) 与医疗物联网 (MIoT) 的整合正在迅速推进，通过分析脑电图 (EEG) 中的发作间期癫痫样放电 (IED)，在检测癫痫等疾病方面取得了重大进展。EEG 数据的可用性促进了包括癫痫发作检测在内的创新应用的创建。虽然神经科医生传统上依靠 EEG 数据分析来识别癫痫发作，但手动评估 EEG 脑电波是一个费力而复杂的过程，给专家带来了很大的压力。本文介绍了一种基于 EEG 波形自动检测 IED 的简单卷积神经网络 (CNN) 方法。这种方法通过预测癫痫发作并及时干预，有助于减轻癫痫患者的负担。它还减轻了神经科医生和经验不足的专家的工作量，从而加快了诊断过程。所提出的方法是通过利用一系列描绘每个传感器上 EEG 信号幅度的图像来实现的。研究将参与者分为两组：（A）健康个体和（B）癫痫患者。结果显示，与人类专家诊断相比，准确率高达 96.4%，展示了该方法在脑电图数据中检测癫痫发作的有效性和实用性。
使用生成的对抗网络将头皮映射到颅内脑电图中，以自动检测中间的癫痫样放电
摘要 - 头皮和颅内脑电图（EEG）对于诊断脑部疾病至关重要。但是，头皮脑电图（seeg）被头骨衰减并被伪像污染。同时，颅内脑电图（IEEG）几乎没有文物，并且可以捕获所有大脑活动，而无需任何衰减，因为靠近大脑。在这项研究中，目的是通过将SEEG映射到IEEG来提高SEEG的性能。为此，我们在这里使用生成的对抗网络开发了一个深神经网络，以估算IEEG的SEEG。所提出的方法适用于Seeg和IEEG，并从癫痫发作中同时记录以检测间隔癫痫样放电（IEDS）。所提出的方法检测IEDS的精度为76％的IED，并以最先进的方法为止。此外，它至少比比较方法少十二倍。
基于卷积神经网络（CNN）的癫痫发作间期放电（IED）自动检测
1 湖北科技大学创新创业学院，咸宁，中国，2 湖北科技大学咸宁医学院生物医学工程与医学影像学院，咸宁，中国，3 华中科技大学同济医学院武汉儿童医院临床神经电生理科，武汉，中国，4 厦门市第三医院神经内科，厦门，中国，5 福建医科大学协和医院福建省老年医学研究所神经病学与老年病科，福州，6 厦门大学国家健康与医学数据科学研究所，厦门，7 厦门大学医学院血液学系，厦门，中国，8 南京中医药大学人工智能与信息技术学院，南京
发作间期脑电图源定位的线性分布逆解
目的：比较 6 种线性分布逆解对癫痫发作间期放电源定位的空间精度：最小范数、加权最小范数、低分辨率电磁断层扫描 (LORETA)、局部自回归平均值 (LAURA)、标准化 LORETA 和精确 LORETA。方法：通过回顾性比较 30 名成功接受癫痫手术的患者中平均发作间期放电的最大源与切除的脑区，基于 204 通道脑电图，对空间精度进行了临床评估。此外，在计算机模拟中评估了逆解的定位误差，在传感器空间和源空间的信号中添加了不同程度的噪声。结果：在临床评估中，使用 LORETA 或 LAURA 时，50-57% 的患者源最大值位于切除的脑区内，而所有其他逆向解决方案的表现都明显较差（17-30%；校正 p < 0.01）。在模拟研究中，当噪声水平超过 10% 时，LORETA 和 LAURA 的定位误差明显小于其他逆向解决方案。结论：LORETA 和 LAURA 在临床和模拟数据中均提供了最高的空间精度，同时对噪声具有相当高的鲁棒性。意义：在测试的不同线性逆解算法中，LORETA 和 LAURA 可能是发作间期 EEG 源定位的首选。2021 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
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。
删除发作MEG衍生的网络中心与术后癫痫发作自由有关
神经影像学和神经生理学（1）。但是，尽管有大量的数据用于为临床决策提供信息，但约有50-70％的患者继续经历术后癫痫发作。术后癫痫发作的可能性和不良影响的风险是手术的重要障碍，因为一些可能受益的患者不继续运作。因此，更好地预测患者是否具有良好的术后结局（就癫痫发作而言）的能力将是高度好处的。识别准确结果预测的度量是挑战，部分原因是大脑网络相互作用的复杂性。可以通过计算大脑区域的成对相似性来推断出源自磁脑电图（MEG）数据的功能性脑网络。几项研究表明，与对照组相比，癫痫患者的MEG功能连通性提高了（即使在截止时期）（2-6）。在两项单独的研究中，Jin等人。 （7）显示了MEG网络“枢纽”（具有高网络连通性的那些区域）在海马硬化症患者的时间区域中的那些区域，以及局灶性皮质发育不良患者的网络效率提高（8）。 关于手术结局，Nissen等人。 （9）研究了MEG网络中心是否与无癫痫发作患者的切除区重叠。 作者报告说，枢纽局部位于后来在14例无癫痫发作患者中的9例中切除的区域内，但没有术后癫痫发作的患者。 Englot等人的研究。 Aydin等。 例如，Englot等。在两项单独的研究中，Jin等人。（7）显示了MEG网络“枢纽”（具有高网络连通性的那些区域）在海马硬化症患者的时间区域中的那些区域，以及局灶性皮质发育不良患者的网络效率提高（8）。关于手术结局，Nissen等人。 （9）研究了MEG网络中心是否与无癫痫发作患者的切除区重叠。 作者报告说，枢纽局部位于后来在14例无癫痫发作患者中的9例中切除的区域内，但没有术后癫痫发作的患者。 Englot等人的研究。 Aydin等。 例如，Englot等。关于手术结局，Nissen等人。（9）研究了MEG网络中心是否与无癫痫发作患者的切除区重叠。作者报告说，枢纽局部位于后来在14例无癫痫发作患者中的9例中切除的区域内，但没有术后癫痫发作的患者。Englot等人的研究。Aydin等。 例如，Englot等。Aydin等。例如，Englot等。从同一组中进行的一项研究表明，在94名患者的较大队列中，功能连通性增加的区域与后来切除的组织重叠显着重叠，但与结果无关。（10）还表明，后来在有良好结果的患者中切除的地区的相关性增加。（11）建议可以使用MEG网络来预测结果，而Krishan等人。（12）建议使用MEG连通性分析可行地定位，无论存在/不存在间歇性尖峰。除了手术结局外，MEG网络特性还与癫痫持续时间（即患者患有癫痫病的年数）或发病年龄有关。（10）显示了总体网络连接性，与癫痫持续时间负相关，而与Madhavan等人相反。（13）显示正相关。Jin等。 （8）与癫痫发作的年龄呈负相关。 结合了MEG网络文献，表明患者的连通性提高，尤其是在后来切除的“集线器”区域，这可能与结果有关，并且与持续时间有关。 在这项研究中，我们研究了MEG枢纽及其在31例患者的队列中的去除。 此外，由于内部的一致性是临床应用之前所需的关键步骤，因此我们评估了这些结果在四个不同的分析中的三个不同时间段中的一致性。 我们假设去除高强度淋巴结将导致癫痫发作。Jin等。（8）与癫痫发作的年龄呈负相关。结合了MEG网络文献，表明患者的连通性提高，尤其是在后来切除的“集线器”区域，这可能与结果有关，并且与持续时间有关。在这项研究中，我们研究了MEG枢纽及其在31例患者的队列中的去除。此外，由于内部的一致性是临床应用之前所需的关键步骤，因此我们评估了这些结果在四个不同的分析中的三个不同时间段中的一致性。我们假设去除高强度淋巴结将导致癫痫发作。我们的发现支持了早期的文献，这些文献是枢纽淋巴结中的强烈参与到癫痫发电网络中（14）。
发作间期颅内脑电图预测手术成功率：空间和时间的重要性
摘要 目的：利用源自发作间期颅内脑电图 (EEG) 的功能相关网络预测术后无癫痫发作已取得一些成功。然而，还有一些重要的挑战需要考虑：(1) 物理上彼此靠近的电极自然倾向于更相关，从而导致空间偏差；(2) 不同患者的植入位置和电极数量不同，使得跨受试者比较困难；(3) 功能相关网络可能随时间而变化，但目前假定为静态的。方法：在本研究中，我们使用来自 55 名难治性局灶性癫痫患者的颅内脑电图数据来解决这三个挑战。患者还接受了术前磁共振成像 (MRI)、术中计算机断层扫描和术后 MRI 检查，以便准确定位电极并描绘出切除的组织。结果：我们表明，对附近电极之间的空间接近度进行标准化可提高对术后癫痫发作结果的预测。此外，电极覆盖范围更广的患者更有可能正确预测其结果（受试者工作特征曲线下面积 > 0.9，P « 0.05），但不一定更有可能获得更好的结果。最后，无论分析的时间段如何，我们的预测都是可靠的。意义：未来的研究应考虑功能网络构建中电极的空间接近度，以改善术后癫痫发作结果的预测。切除和保留组织的覆盖范围越大，预测的准确性就越高。
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。