Мы протестировали работу алгоритма как на модельных данных, так и на реальных МЭГ сигналах и продемонстрировали, что динамика распространения разрядов, записанных в МЭГ, может быть измерена в пространственно-временном масштабе миллиметр/миллисекунда. Несмотря на наличие источников ошибок, часть межприступных разрядов были успешно описаны с помощью волновой модели. Мы заметили, что у всех трех пациентов, данные которых были проанализированы, волновое поведение характерно не для всех межприступных разрядов, причем «волновые» разряды объединяются в хорошо пространственно очерченные кластеры. Более того, для пациентов, у которых были доступны данные об эпилептогенном очаге, эти кластеры совпадают с очагом. На основании этих результатов, которые хорошо согласуются с инвазивными данными 28, 29, мы предполагаем, что анализ межприступных разрядов, записанных в МЭГ, может помочь в локализации эпилептогенного очага. Целью данной работы является разработка подходов к решению обратной задачи ЭЭГ и МЭГ на основе именно физиологически обусловленных ограничений.

Характерные для конкретных стимулов пики ВП называются компонентами ВП. Было показано, что испытуемые лучше справлялись с заданием на рабочую память, когда кортикальные шаблоны распространения активности были согласованы 53. Несмотря на то что механизмы генерации кортикальных бегущих волн не до конца ясны 49, существующие работы демонстрируют, что их функции разнообразны. Исследование свойств предложенных методов в численных экспериментах, а также применение к реальным данным в слуховой парадигме. Ряд работ показал, что есть основания полагать, что активность источников, порождающих межприступные разряды, также представляет из себя бегущие кортикальные волны 60, 61, 62 и распространяется по коре с определенной скоростью и в определенном направлении. Предварительную разметку значительного количества записи экспертом, поэтому такие методы нельзя назвать автоматическими и они не решают поставленную задачу.

Поиск скриптов по запросу “band”

Если испытуемый ожидает получить предъявляемый стимул, то этот компонент имеет значительно меньшую амплитуду 64. Сонные веретена представляют из себя сферические волны, расходящиеся из одной точки, или радиальные волны с выраженным направлением 57. Тета-волны во время медленного сна 58 и К-комплексы 59 также имеют сложные волновые шаблоны распространения.

Хирургическое лечение височной фармакорезистентной эпилепсии2020 год, кандидат наук Кордонская Ольга Олеговна

Первым этапом анализа обычно является поиск межприступных разрядов в многоканальных МЭГ или ЭЭГ записях. В большинстве эпилептологических медицинских центров анализ межприступных данных производится экспертами вручную. ЭЭГ или МЭГ запись тщательно просматривается на наличие межпри-ступных разрядов, затем найденные события размечаются и, как правило, далее к сегменту данных, содержащих межприступный разряд, подгоняется диполь-ная модель. Наш опыт показывает 31, что для надёжного обнаружения ирри-тативных зон необходимо проанализировать большое количество разрядов. Так как ручная обработка большого объема данных приводит к усталости эксперта и росту вероятности совершения ошибки, как правило, анализ прекращается на минимальном количестве обработанных событий, субъективно считающимся достаточным. Зачастую в результате такого анализа эксперт рассматривает только один итоговый кластер диполей с морфологически устойчивыми which filter performs exactly the opposite to the band-pass filter временными рядами активаций.

1. Высокое пространственное разрешение является одной из наиболее привлекательных особенностей метода адаптивного бимформера.
2. В последующей работе авторы подтвердили этот результат, также используя инвазивные данные и проводя анализ в пространстве сенсоров 62.
3. По данным Всемирной организации здравоохранения, в мире насчитывается более 50 миллионов человек с диагностированной эпилепсией1.
4. Благодаря введению негладкой L\ регуляризации, итоговое решение, полученное таким методом, будет разреженным, так как в результате оптимизации максимальное количество активаций источников будет приравнено к нулю.
5. ЭЭГ или МЭГ запись тщательно просматривается на наличие межпри-ступных разрядов, затем найденные события размечаются и, как правило, далее к сегменту данных, содержащих межприступный разряд, подгоняется диполь-ная модель.
6. Преимущество такого анализа заключается в том, что он не требует участия эксперта, и в результате локализует несколько кластеров с характерными для них шаблонами активности.

Для построения моделей, обеспечивающих наиболее высокую точность распознавания состояния легких, предлагается лучшее сочетание информативных признаков звуков легких и дневной трейдер методов машинного обучения. Мы представили событие межприступного разряда как суперпозицию предварительно сгенерированных с учетом индивидуальной анатомии бегущих волн. Мы использовали метод LASSO с положительными коэффициентами для того, чтобы оценить оптимальную скорость и направления распространения волн.

Та и росту вероятности совершения ошибки, как правило, анализ прекращается на минимальном количестве обработанных событий, субъективно считающимся достаточным. Целью третьей части работы была разработка метода автоматического поиска межприступных разрядов и их кластеризации для определения ирритативной зоны, требующего минимального участия эксперта только в момент финальной валидации результатов. В работе 26 авторы анализируют эпилептиформную активность, вызванную черепно-мозговой травмой у человека и крысы. Авторы отмечают, что неин-вазивные ЭЭГ записи оказались нечувствительны к патологической активности, тогда как инвазивные записи показали ее наличие у 86% пациентов.

Список литературы диссертационного исследования кандидат наук Кузнецова Александра Алексеевна, 2022 год

Свойства двух предложенных алгоритмов были исследованы сначала с помощью реалистично смоделированных данных, а затем и на реальных МЭГ данных, записанных в слуховых парадигмах. Мы сравнивали решения, полученные предложенными методами, с классическими подходами MNE и LCMV. Анализ свойств алгоритмов на реальных данных показал схожие результаты с анализом модельных данных. Наши эксперименты показали, что LCMV бимформер значительно чувствителен к присутствию коррелирующих источников в данных, решение подвержено проблеме подавления сигнала (signal cancellation problem), и часто содержит только один из синхронных источников, причем с размазанной картой активации. MNE часто не находит все активные источники или находит слишком смещенные и распределенные активации.

1. В качестве признаков мел-кепстрального анализа предлагается использовать усредненные по временным фреймам логарифмические (мел) энергии банка фильтров, а также усредненный по временным фреймам мел-частотный кепстр.
2. Учитывая тот факт, что физиология работы мозга предполагает множество случаев, когда источники коррелируют друг с другом, это ограничение является значительным для восстановления активности источников по реальным данным.
3. В этом случае существенно облегчается задача поиска момента начала распространения локальной волны.
4. Согласно теории коммуникации через когерентность 51, на макроуровне функциональная интеграция областей мозга осуществляется за счет установления когерентных осцилляций в вовлеченных в процесс областях коры.
5. Предположения реализуются в виде ограничений, накладываемых на итоговое решение.

Мы продемонстрировали применимость метода сверточного разреженного кодирования для обнаружения межприступных разрядов и локализации ирритативной зоны у пациентов с эпилепсией. Преимущество такого анализа заключается в том, что он не требует участия эксперта, и в результате локализует несколько кластеров с характерными для них шаблонами активности. Простота и точность автоматической детекции межприступных разрядов позволят и дальше развивать неизвазивные методы в предоперационной диагностике. Несмотря на то что по результатам работы мы смогли воспроизвести результаты визуального анализа и предоставить клинически значимую информацию, необходим больший набор случаев для дальнейшей количественной оценки надежности нашего подхода и проверки его применения в клинических условиях. В настоящий момент существует ряд попыток реализации алгоритмов автоматического поиска межприступных разрядов в ЭЭГ/МЭГ записях.

Поиск скриптов по запросу “band”

Изначально метод PSIICOS был разработан для анализа коннективности по МЭГ данным, в частности, для неинвазивного обнаружения взаимодействий между источниками с околонулевой фазовой задержкой. Проблема, которую решает PSIICOS, заключается в наличии в МЭГ данных артефактов объемной проводимости. Активации источников, которые на самом деле являются независимыми, на сенсорах могут проявить себя как коррелированная активность.

Выгодное отличие нашего метода от существующих на данный момент заключается в полностью автоматическом анализе МЭГ записи, подразумевающем участие эксперта только на финальном этапе для верификации результатов. Разработка алгоритмов автоматической обработки ЭЭГ/МЭГ в межпри-ступном периоде в целях обнаружения зон ирритации в коре головного мозга пациентов с эпилепсией. Однако чувствительность ЭЭГ/МЭГ сенсоров к источникам, расположенным в разных областях мозга, не одинакова. Электрическое и магнитное поля затухают по мере увеличения расстояния от источника до сенсора, и сенсоры максимально чувствительны к самым близким источникам на поверхности коры.