Informazione

Variazione della frequenza dell'onda alfa nell'EEG di un singolo soggetto per un periodo di poche ore?

Variazione della frequenza dell'onda alfa nell'EEG di un singolo soggetto per un periodo di poche ore?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Ho un Emotiv EPOC (auricolare EEG: 128 SPS, filtro notch a 60 Hz, contatti in feltro salino) con cui ho giocato. Nel corso di due o tre ore utilizzando CCA per tracciare un profilo SNR rispetto alla frequenza e al tempo su O1, O2, P7 e P8, ho notato che esisteva un forte segnale di fondo nell'intervallo delle onde alfa a ~ 10 Hz, ma poi dopo un po' di fare altre cose e tornandoci sopra, il forte segnale di fondo a 10 Hz è scomparso ma era invece presente un forte segnale di fondo a una sfumatura superiore a 8 Hz.

Naturalmente, questo mi porta a porre la domanda: che diamine sta succedendo? Sfortunatamente, questo non è un buon titolo per la domanda di scambio di stack, quindi la domanda di sostituzione:

Le frequenze delle onde alfa possono variare all'interno di un singolo soggetto nel corso di un singolo giorno? Se possono, di quanto e a quali condizioni?

(se non possono, devo iniziare a capire cosa diavolo ha causato quegli artefatti...)


Ho notato che esisteva un forte segnale di fondo nell'intervallo dell'onda alfa a ~ 10 Hz, ma poi dopo un po' di fare altre cose e tornandoci il segnale di fondo forte a 10 Hz è scomparso ma un forte segnale di fondo a un minimo erano invece presenti oltre 8 Hz.

Le onde alfa (7-13 Hz) sono legate a una dozzina di cose. Ecco un primo esperimento facile per te:

  • Stai fermo, fissa un muro, gli occhi aperti. Rimuovere le fonti di rumore come TV, radio, ecc.
  • Ripeti lo stesso, ma ora tieni gli occhi chiusi.
  • Registrare i segnali in entrambe le condizioni per circa un minuto.
  • Confronta gli spettri di potenza tra le due condizioni: vedrai una grande differenza nella potenza alfa, specialmente agli elettrodi occipitali.
  • Questo è in realtà un test standard per stato di riposo analisi.

Tornando alla domanda vera e propria: quello che hai notato probabilmente riguarda la sonnolenza. Quando si ha sonno, la potenza alfa inizia ad aumentare. Puoi provare questo guardando un film noioso.

Le frequenze delle onde alfa possono variare all'interno di un singolo soggetto nel corso di un singolo giorno? Se possono, di quanto e a quali condizioni?

Sì, a causa del carico cognitivo variabile, dei pensieri, della sonnolenza, delle emozioni, ecc. I segnali cerebrali variano Un sacco.

Si noti inoltre che tutti i tipi di artefatti (ad es. movimento, cuore, battito di ciglia, morso di denti) hanno un effetto drammatico sul segnale misurato. Se sbatti le palpebre produce un segnale che ha un'ampiezza 100 volte maggiore rispetto al segnale che proviene dal tuo cervello. Non si può davvero dire molto su cosa causi differenze nell'EEG a meno che non si facciano registrazioni a livello di ricerca con apparecchiature a livello di ricerca.


Struttura fine del ritmo alfa posteriore nell'EEG umano: componenti di frequenza, loro fonti corticali e comportamento temporale

L'eterogeneità del ritmo alfa posteriore (AR) è un fenomeno ampiamente ipotizzato ma raramente testato. Abbiamo scomposto l'AR posteriore nello spazio sorgente corticale con una tecnica PARAFAC a 3 vie, tenendo conto degli aspetti spaziali, di frequenza e temporali dell'EEG a media densità. Abbiamo trovato una struttura AR multicomponente nel 90% di un gruppo di 29 adulti sani. La struttura tipica dello stato di riposo consisteva in una componente occipito-parietale ad alta frequenza dell'AR (ARC1) e una componente occipito-temporale a bassa frequenza (ARC2), caratterizzata da dinamiche individuali nel tempo. In alcuni casi, abbiamo trovato una struttura a 3 componenti, con due ARC1 e un ARC2. Le strutture AR erano stabili nella loro frequenza e caratteristiche spaziali per settimane o mesi, rappresentando così i fenotipi alfa EEG individuali. La topografia corticale, la stabilità individuale e la somiglianza con l'organizzazione AR dei primati collegano ARC1 al flusso visivo dorsale e ARC2 a quello ventrale. Comprendere quanti e che tipo di componenti AR posteriori contribuiscono all'EEG è essenziale per le neuroscienze cliniche come base oggettiva per la segmentazione dell'AR e per interpretare le dinamiche dell'AR in varie condizioni, sia normali che patologiche, che possono influenzare selettivamente i singoli componenti.


Astratto

La percezione umana degli stimoli peri-soglia dipende in modo critico dall'attività oscillatoria dell'EEG prima dell'inizio dello stimolo. Tuttavia, non è chiaro esattamente quali aspetti della percezione siano modellati da questa attività pre-stimolo e quale ruolo giochi la variabilità stocastica (prova per prova) nel guidare queste relazioni. Abbiamo impiegato un nuovo approccio a coltello a serramanico per collegare la variabilità a prova singola nell'attività oscillatoria alle misure psicometriche di un compito che richiede il giudizio della lunghezza relativa di due segmenti di linea (il compito di riferimento). I risultati forniscono la prova che le fluttuazioni alfa pre-stimolo influenzano il bias percettivo. È importante sottolineare che un'analisi di mediazione ha mostrato che questa relazione è parzialmente guidata da cambiamenti alfa a lungo termine (deterministici) nel tempo, evidenziando la necessità di tenere conto delle fonti di variabilità prova per prova quando si interpretano i predittori di percezione EEG. Questi risultati forniscono informazioni fondamentali sulla natura degli effetti dell'attività oscillatoria in corso sulla percezione. L'approccio del coltello a serramanico che abbiamo implementato può servire a identificare e investigare le firme neurali di rilevanza percettiva in modo più dettagliato.


Risultati

Partecipanti (n = 18) è stato chiesto di rilevare un obiettivo vicino alla soglia che si verifica dopo un treno di stimoli. Gli ultimi tre elementi del flusso potrebbero portare la sequenza predittiva (triangoli rotanti in senso orario) (27) o meno (Fig. 1UN). Il treno di stimoli è stato presentato a 10 Hz o in modo aritmico. Abbiamo sondato 25 bin in passi di 34 ms dopo l'offset dell'ultimo elemento della sequenza di sfarfallio per studiare l'evoluzione temporale degli hit rate.

Il contesto predittivo facilita le prestazioni comportamentali.

Le prestazioni comportamentali in tutti i bin campionati sono state valutate mediante ANOVA a misure ripetute a due vie con i fattori contesto (predittivo/non predittivo) e ritmicità (ritmico/aritmico). Ci siamo concentrati sui tassi di successo e sui tempi di reazione in linea con i rapporti precedenti (5, 18) per ottenere corsi temporali comportamentali. Abbiamo trovato un effetto significativo del contesto (F1,17 = 17.96, P = 0,0006, η 2 = 0,4687), indicando percentuali di successo più elevate per gli studi predittivi rispetto a quelli non predittivi (Fig. 1 C e D). Non è stato osservato alcun effetto sulla ritmicità (F1,17 = 0.09, P = 0.7674, η 2 = 0.0003) e l'interazione non era significativa (F1,17 = 3.13, P = 0,0947, η2 = 0,0053). Inoltre, il contesto predittivo ha anche facilitato i tempi di reazione (Fig. S1).

Spettri di hit rate individuali e tempi di reazione. (UN) Spettrogrammi a soggetto singolo per tutte e quattro le condizioni. L'area ombreggiata in blu evidenzia la gamma delle basse frequenze che mostra una maggiore coerenza durante i contesti predittivi. Le frecce blu (Destra) evidenziano che tale effetto è stato meno pronunciato per le condizioni non previste. L'area ombreggiata in rosso (In alto a destra) evidenzia la maggiore consistenza nella gamma alfa durante la guida ritmica in assenza di segnali dall'alto verso il basso. Si noti che più soggetti hanno mostrato un picco più alto nella banda alfa rispetto all'elaborazione visiva guidata dall'alto (frecce rosse, Sinistra). (B) Tempi di reazione molto medi. Stesse convenzioni della Fig. 1 CF. Notare la funzione di rischio prominente, in cui i tempi di reazione diventano più veloci nei contenitori successivi, dato che il bersaglio non è stato ancora presentato. Quando collassato nel tempo, non abbiamo osservato effetti significativi del contesto (F1,17 = 4.26, P = 0,0547, η 2 = 0,1369), ritmicità (F1,17 = 0.93, P = 0,3480, η 2 = 0,0122), o interazione (F1,17 = 4.41, P = 0,0510, 2 = 0,0168). Dopo aver trasformato il comportamento in spazio di frequenza mediante una trasformata di Fourier veloce (FFT), abbiamo valutato la potenza nella banda alfa canonica da 8 a 12 Hz. Non abbiamo trovato differenze tra le condizioni (contesto: F1,17 = 1.02, P = 0,3275, η 2 = 0,0212 ritmicità: F1,17 = 1.08, P = 0,3135, η 2 = 0,0193 interazione: F1,17 = 1.55, P = 0,2293, 2 = 0,0253).

I cicli alfa percettivi sono modulati da frequenze inferiori durante l'elaborazione top-down.

Le differenze spettrali tra le condizioni sono state analizzate trasformando i dati in spazio di frequenza (Fig. 1E e Fig. S1UN, per spettri individuali). In primo luogo, abbiamo confrontato la potenza media nella banda alfa canonica (8-12 Hz) tra le condizioni mediante misure ripetute a due vie (RM)-ANOVA (Fig. 1F). Abbiamo trovato valori significativamente più bassi nell'intervallo alfa per il contesto predittivo (F1,17 = 6.67, P = 0,0193, η 2 = 0,1218), mentre né la ritmicità né l'interazione hanno avuto un'influenza significativa (ritmicità: F1,17 = 0.95, P = 0,3439, η 2 = 0,0176 interazione: F1,17 = 0.64, P = 0,4333, 2 = 0,0086). Questi risultati indicano che i contesti predittivi hanno ridotto i cicli percettivi nell'intervallo alfa. Contrariamente agli studi precedenti (18), non abbiamo trovato modulazioni alfa-correlate dei tempi di reazione (Fig. S1B). In particolare, la potenza complessiva più alta nell'intervallo alfa è stata osservata per la condizione di sfarfallio a 10 Hz senza contesto predittivo, in accordo con l'esito ipotizzato che il trascinamento alfa sensoriale dovrebbe aumentare i cicli alfa percettivi (26, 28) (Fig. 1 B e E).

In un approccio più basato sui dati, abbiamo confrontato le condizioni mediante un test di permutazione basato su cluster per stimare l'esatta estensione spettrale delle differenze osservate. Abbiamo scoperto che la diminuzione della potenza copre l'intervallo alfa alto da 10 a 15 Hz (P = 0.0016, d = -0.9124), mentre un effetto più debole è stato osservato nell'intervallo delta da 2 a 4 Hz (P = 0,0576, d = -0.7301). Successivamente, abbiamo mirato a studiare l'evoluzione temporale delle differenze spettrali osservate. Pertanto, abbiamo filtrato i singoli andamenti temporali dell'hit rate negli intervalli da 2 a 4 Hz e da 10 a 15 Hz (Fig. 2UN). Gli andamenti temporali filtrati hanno indicato che l'ampiezza alfa variava nel tempo e non era costante (Fig. 2 UN e B).

Comodulazione dei cicli percettivi durante l'elaborazione top-down. (UN, Superiore) I corsi temporali dei tassi di successo grezzi sminuiti sovrapposti al corso temporale filtrato passa-basso (blu). (Inferiore) Time course con filtro alfa (nero) e l'inviluppo corrispondente (rosso). Si noti che l'inviluppo alfa non è costante nel tempo ma mostra modulazioni ritmiche. Abbiamo ipotizzato che ci potesse essere una relazione tra la componente lenta e quella più veloce. (B) L'ispezione dei corsi temporali di una singola materia per contesti predittivi e non predittivi ha indicato che questa modulazione potrebbe essere pronunciata per contesti previsti. (Sinistra) Due esempi di presentazioni di stimoli ritmici (Destra) due esempi aritmici. (C) Istogramma della grande media della distribuzione non uniforme dell'ampiezza alfa normalizzata rispetto alla fase delta. (D) Le analisi di correlazione incrociata hanno rivelato un effetto principale per i contesti previsti. Tuttavia, i risultati del gruppo indicano che è stata osservata la correlazione più forte per la stimolazione sensoriale aritmica con il contesto predittivo. La correlazione più bassa è stata osservata quando non erano presenti segnali predittivi e l'input sensoriale è stato presentato a 10 Hz. (E) Il comodulogramma della differenza per la condizione aritmica (predittivo-non predittivo) indica che l'effetto era più evidente tra la fase da 2 a 3 Hz e l'ampiezza alfa elevata.

Abbiamo quindi valutato (io) se esiste una relazione sistematica tra le fluttuazioni lente nell'intervallo delta e le variazioni nell'ampiezza alfa elevata e (ii) se questa relazione è più pronunciata per i contesti predittivi rispetto a quelli non predittivi. Per prima cosa abbiamo analizzato la distribuzione dell'ampiezza alfa relativa alla fase delta in tutte le condizioni (Fig. 2C). Abbiamo raggruppato la fase delta in sette contenitori distanziati linearmente e abbiamo scoperto che l'ampiezza alfa variava in funzione della fase delta (RM-ANOVA unidirezionale: F2.25, 38.21 = 8.21, P < 0,0001, 2 = 0,3256). Per quantificare le differenze condizionali, abbiamo calcolato la correlazione di frequenza incrociata tra la fase delta e la fase istantanea dell'inviluppo alfa (Fig. S2UN). Abbiamo trovato correlazioni più forti per i contesti predittivi (Fig. 2D F1,17 = 4.65, P = 0,0456, η 2 = 0,0645), ma nessun effetto principale di ritmicità e nessun effetto di interazione (ritmicità: F1,17 = 1.28, P = 0,2735, η 2 = 0,0289 interazione: F1,17 = 0.01, P = 0,9311, η 2 = 0,0001). Un comodulogramma della differenza indica che questo effetto era più pronunciato nella gamma delta e alfa alta (Fig. 2E e Fig. S2B). Questi risultati indicano chiaramente una comodulazione ritmica dei cicli alfa percettivi coerente con il modello 3 (Fig. 1B). Tuttavia, alcuni aspetti dei dati supportano anche il modello 1 (soppressione alfa, Fig. 1 E e F), ma non abbiamo trovato prove comportamentali a sostegno del modello 2.

Analisi della correlazione incrociata. (UN) Analisi della correlazione incrociata per un singolo soggetto in tutte e quattro le condizioni. (Superiore riga) Evidenzia i corsi temporali sovrapposti con filtro delta (verde) insieme all'inviluppo alfa (rosso). Notare la relazione antagonista (delta trough coincide con il picco alfa), che è pronunciata per le condizioni predittive (pannelli 1 e 3). (Inferiore riga) Lo stesso andamento temporale dopo l'applicazione della trasformata di Hilbert e l'estrazione delle serie temporali dell'angolo di fase istantaneo. Di nuovo, si noti che c'era una differenza di fase ≈180° per i contesti predittivi e che questa relazione era meno stabile per i contesti non previsti (pannelli 2 e 4), che mostravano slittamenti di fase e una differenza di fase meno consistente. Le correlazioni circolari tra le serie di fasi sono state calcolate utilizzando il toolbox CircStat. (B) Correlogrammi comportamentali di grande media per i contesti previsti e non previsti. Le analisi di correlazione delle frequenze incrociate non lineari hanno indicato che i segnali sottostanti hanno mostrato caratteristiche diverse con la differenza più pronunciata nell'intervallo da 2 a 4 Hz e nell'intervallo da 12 a 15 Hz. In contrasto con i precedenti rapporti di accoppiamento a frequenza incrociata che potrebbero essere stati confusi dalle differenze di potenza tra le condizioni (una potenza maggiore si rifletteva in un aumento del CFC), qui abbiamo osservato il contrario. I decrementi di potenza nei corsi temporali comportamentali nell'intervallo delta e alfa portano a correlazioni di frequenza incrociata più elevate. Notiamo che questo potrebbe non riflettere necessariamente il vero accoppiamento, ma piuttosto cattura le caratteristiche del segnale non lineare, che erano informative per le successive analisi dei dati elettrofisiologici.

Fonti corticali di firme alfa e delta.

Per quantificare i correlati EEG degli effetti comportamentali, abbiamo utilizzato l'analisi tempo-frequenza e ci siamo prima concentrati sulle metriche dipendenti dalla fase. Poiché abbiamo osservato solo un effetto principale del contesto predittivo nelle metriche comportamentali, abbiamo riunito prove ritmiche e aritmiche per valutare la coerenza della fase intertrial tra contesti predittivi e non predittivi (Fig. 3UN e Fig. S3 inserti rappresenta tutte e quattro le condizioni). Un test di permutazione basato su cluster ha rivelato un grande cluster che copre diversi canali e coppie tempo-frequenza (Fig. 3UN P < 0.001). Il cluster significativo ha iniziato ad emergere intorno all'inizio della sequenza predittiva ed era presente durante l'intero periodo target, con due picchi spettrali a 3-4 Hz e circa 8-14 Hz. L'effetto delta è emerso dalle aree prefrontali centrate attorno al giro frontale medio destro, mentre la sorgente alfa è stata trovata nelle aree occipitali ventromediali, sovrapponendosi alle regioni che hanno risposto più fortemente allo stimolo di sfarfallio (Fig. 3 B e C e Fig. S3 BD). Questo effetto di fase non è stato accompagnato da differenze nei potenziali relativi all'evento o alla potenza spettrale (Fig. S4 UN e B). Presi insieme, i risultati elettrofisiologici non supportano il modello 1 (soppressione alfa), ma supportano l'idea che durante l'elaborazione top-down siano presenti più ritmi, possibilmente interagenti.

Firme spettrali e sorgenti corticali. (UN) Un test di permutazione basato su cluster che confronta la coerenza intertrial tra contesti previsti e non previsti ha rivelato un grande cluster che copre diverse scale spazio-temporali. (In basso a sinistra) La percentuale di sensori che fa parte del cluster in un dato momento e punto di frequenza. (In alto a destra) La somma dei valori t nel cluster in tutti i punti temporali significativi (Destra) o punti di frequenza (Superiore) su tutti i sensori. Il inserto raffigura tutte e quattro le condizioni (stesse convenzioni delle Figg. 1F e 2D) e sottolinea che è stato osservato solo un effetto principale di previsione, ma nessuna interazione. (B) Mappe statistiche (mascherate a cluster-correct P < 0.05) confrontando i valori di coerenza intertrial ricostruiti dalla sorgente tra contesti previsti e non previsti, l'effetto a bassa frequenza è stato localizzato nel giro frontale medio destro, mentre l'effetto nella banda alfa è emerso dalle aree parieto-occipitali ventromediali.

Firme spettrali di contesti predittivi e presentazione di stimoli ritmici. (UN) Spettrogrammi di coerenza intertrial di grande media per le condizioni predittive e non predittive durante l'intero tempo di prova e l'intervallo da 1 a 30 Hz all'elettrodo Fz (Sinistra e Mezzo). L'effetto ITC più importante era dovuto al potenziale correlato all'evento di insorgenza (ERP) dello stimolo flicker, mentre la differenza di ITC è stata osservata durante il periodo target (contorni neri sovrapposti alla mappa t Destra). Questo effetto aveva una topografia frontale leggermente lateralizzata a destra. Ciò era coerente con l'effetto di ricostruzione della sorgente nel giro frontale medio destro (Fig. 3). Questo effetto era presente per entrambe le condizioni predittive, indipendentemente dalla ritmicità. (B) Confronto statistico tra la potenza delle condizioni ritmiche e aritmiche all'elettrodo Oz (collassato in diversi contesti). Abbiamo osservato un aumento della potenza alfa (8-14 Hz) sulle aree posteriori (test di permutazione basato su cluster P = 0,0020) che ha superato l'offset di stimolazione. Le barre indicano la distribuzione di questo effetto in tutte e quattro le condizioni. La topografia mostra l'estensione spaziale dell'effetto osservato (l'elettrodo Oz è evidenziato in bianco). (C) Confronto statistico tra la coerenza interprocessuale della condizione ritmica e aritmica (collassata in contesti diversi, stesse convenzioni come in B). Abbiamo anche riscontrato un aumento della coerenza di fase della banda alfa (7-13 Hz) durante il treno di stimoli ritmici principalmente sui sensori EEG parietooccipitale (P = 0.0020 Fig. 4D). (D) Il confronto statistico dell'ITC alfa nello spazio sorgente tra le condizioni ritmiche e aritmiche ha rivelato che le aree parieto-occipitale mediale e laterale erano più fortemente trascinate dallo stimolo ritmico di sfarfallio nella banda alfa (mascherato a cluster corretto P < 0.05). Notare che le aree sulla superficie mediale (Destra) si sovrappongono alle regioni che hanno mostrato significative modulazioni alfa in risposta al contesto predittivo (Figg. 3B e 4UN).Quindi, assumiamo che i generatori alfa corticali che sono stati modulati durante l'elaborazione visiva dall'alto verso il basso siano gli stessi che sono stati trascinati dal treno di stimoli ritmici.

Potenziali legati agli eventi e differenze di potenza tra le condizioni. (UN) Potenziali correlati all'evento della grande media per le condizioni predittive (verde) e non predittive (arancione) a Fz (Superiore) e POz (Inferiore). inserti rappresentano topografie in tre punti temporali in cui sono visibili deviazioni prominenti. Si prega di notare che tutte le topografie sono state ridimensionate al minimo e al massimo nel rispettivo intervallo di tempo. Abbiamo valutato le differenze tra gli ERP mediante statistiche di permutazione basate su cluster implementate in FieldTrip, ma non abbiamo trovato differenze significative (p più piccolo per un cluster positivo P = 0,1299 p più piccola per un cluster negativo P = 0.1618). (B) Differenze di potenza medio-grandi (linea di base corretta mediante il punteggio z). Il potenziale correlato all'evento (ERP) viene ridimensionato e sovrapposto in bianco. Notare la notevole diminuzione della potenza nell'intervallo alfa/beta in risposta all'input visivo. Abbiamo osservato una forte diminuzione della potenza oscillatoria nell'intervallo alfa/beta durante la presentazione della sequenza, che non differiva tra le condizioni. Tuttavia, abbiamo trovato un cluster positivo (P = 0,0040) che copre l'intervallo alfa/beta (9-26 Hz) nella seconda metà dell'intervallo target (dopo 2,75 s nella prova), indicando una riduzione della potenza durante le prove predittive (vedi anche Fig. S3B). In particolare, questo effetto è apparso dopo l'effetto alfa ITC (Fig. 3), che era presente in precedenza nello studio (2,4-2,7 s). Il Inferiore la riga evidenzia la distribuzione spaziale nello spazio sorgente di questo effetto a banda larga (dpss multitaper nella frequenza centrale di fieldtrip 18 Hz ± 8 Hz 2,75-3,4 s, mascherato a cluster corretto P < 0,05 a due code).

Modulazione prefrontale-dipendente dell'attività alfa parietooccipitale.

Pertanto, abbiamo valutato come la firma delta frontale e l'effetto alfa posteriore potrebbero essere funzionalmente correlati. In primo luogo, abbiamo definito una regione seme nel giro frontale medio destro e calcolato i valori di aggancio di fase interareali dell'intero cervello tra la fase delta frontale e la fase istantanea dell'inviluppo alfa separatamente per le condizioni predittive e non predittive (29). Abbiamo trovato la differenza condizionale più forte sulle aree parietooccipitale mediale (Fig. 4UN). Le ampiezze alfa posteriori erano più alte durante la depressione del delta frontale (Fig. 4B). Successivamente, abbiamo quantificato la direzionalità di questo effetto, cioè se il delta frontale conduce o ritarda l'inviluppo alfa posteriore [indice di pendenza di fase (PSI)] (30). Abbiamo riscontrato un aumento del PSI per le correlazioni direzionali delta-alfa per le predittive (Fig. 4C e Fig. S5 t17 = 2.18, P = 0,0438, d = 0,7260), ma non per prove non predittive (t17 = −0.10, P = 0,9236, d = -0,0324). Questa scoperta indica che la fase delta frontale prevedeva solo l'ampiezza alfa posteriore durante l'elaborazione top-down utilizzando informazioni predittive. L'ispezione visiva dei singoli studi ha indicato che i picchi dell'inviluppo alfa coincidono più regolarmente con i delta minimi per i contesti predittivi ma non per la condizione non predittiva (Fig. 4 D e E). Questo modello imitava l'interazione delta-alfa osservata nei corsi temporali comportamentali e supporta fortemente l'idea che l'elaborazione cognitiva operi in modalità ritmica in conformità con il modello 3 (Fig. 1B).

Connettività e direzionalità interaree a frequenze incrociate. (UN) Correlazioni di frequenza incrociata del cervello intero (valori di aggancio di fase delta-alfa) a un seme nel giro frontale medio confrontando contesti previsti e non previsti (soglia a P < 0.05 accoppiato non corretto T test, una coda). La differenza più forte è stata osservata sulle aree parietooccipitale ventromediale. (B) Distribuzione della potenza alfa normalizzata nel 20% dei voxel più significativi rispetto alla fase delta frontale. (C) Analisi di direzionalità a frequenza incrociata (PSI), indicando che la fase delta frontale prevede l'ampiezza alfa istantanea solo quando è stato applicato il controllo top-down (Fig. S5). (D) Singoli esempi di prova da un soggetto. (Sinistra) Prove predittive (Destra) prove non predittive. La linea tratteggiata scura indica l'offset della sequenza predittiva, la linea tratteggiata grigia indica l'inizio del target. Grigio, segnale grezzo nello spazio sorgente nero, rosso con filtro delta, inviluppo alfa ridimensionato. Le aree ei punti ombreggiati rossi e neri indicano i picchi locali. Notare la risposta endogena alla sequenza predittiva (Sinistra). In media, i picchi alfa locali (punti neri su traccia rossa) coincidono con i minimi del ritmo delta (traccia nera) e viceversa (modelli intercalati di nero e rosso dopo l'offset della sequenza predittiva). Questo effetto è più pronunciato prima della presentazione del target (linea tratteggiata grigio chiaro). Per prove non predittive (Destra), non esiste alcuna relazione visibile tra il segnale delta e l'inviluppo alfa. (E) Singoli esempi di prova di un altro partecipante. Stesse convenzioni di in D sono mostrati.

Connettività direzionale delta-alfa. (UN) Distribuzione spaziale della differenza di pendenza di fase (contesto predittivo − non predittivo) nello spazio sorgente (mascherato al 90° percentile). Il PSI è stato calcolato tra l'effetto delta frontale nel giro frontale medio destro e l'inviluppo alfa a ogni altro voxel nello spazio sorgente. L'effetto più forte è stato osservato nelle aree occipitali ventromediali. (B). La distribuzione spettrale del PSI evidenzia che l'effetto era specifico della frequenza e limitato all'intervallo delta. (C) Il PSI indica una connettività frontale-posteriore quando sopra lo zero, mentre i valori sotto lo zero indicano nessun effetto top-down nell'intervallo da 2 a 4 Hz. Il punto rosso indica la media del gruppo, mentre i punti neri indicano i singoli soggetti. Dato che abbiamo estratto il PSI nella posizione in cui la differenza condizionale è stata massimizzata, abbiamo solo testato se il PSI era significativamente diverso da zero per entrambe le condizioni separatamente per valutare un vero effetto direzionale. Abbiamo scoperto che solo il contesto predittivo era associato a valori PSI significativamente più alti (t17 = 2.62, P = 0,0179, d = 0,8737), mentre il contesto non predittivo non era significativamente diverso da zero (t17 = −1.57, P = 0,1340, d = -0,5245).

Le firme Delta-Alpha correlate mediano il controllo dall'alto verso il basso.

Abbiamo valutato la rilevanza comportamentale delle firme delta e alfa osservate. Precedenti studi hanno dimostrato che le prestazioni di rilevamento visivo sono migliorate negli stati di bassa potenza alfa e alla depressione dell'oscillazione alfa (3, 4, 8). Abbiamo calcolato il tasso di successo separatamente per contesti predittivi e non predittivi in ​​funzione della fase delta frontale istantanea e della fase alfa posteriore istantanea all'inizio del target (13) e abbiamo confrontato i tassi di successo risolti in fase mediante test di permutazione basato su cluster. Abbiamo scoperto che i tassi di successo erano più alti durante il minimo dell'alfa e il picco del delta frontale per la condizione predittiva rispetto a quella non predittiva (P = 0,0030, d = 1.0005 Fig. 5). Ciò fornisce la prova che la diminuzione mediata da PFC della potenza alfa posteriore (Fig. 4) ha una rilevanza comportamentale diretta.

Rilevanza comportamentale delle firme delta e alfa accoppiate. La differenza del tasso di successo tra i contesti previsti e non previsti viene visualizzata in funzione della fase delta frontale e della fase alfa posteriore. Si noti che le prestazioni comportamentali sono aumentate durante il picco della fase delta frontale, che si traduce in una minore potenza alfa posteriore (Fig. 4B). Inoltre, il rilevamento del bersaglio dipende anche dalla fase alfa ed è maggiore durante la depressione del ritmo alfa posteriore.


RISULTATI

Rilevamento ABS

I segmenti ABS sono stati rilevati principalmente durante lo stato di chiusura degli occhi (Fig. 2). Un'analisi post-hoc (Tabella I) ha mostrato che il numero medio di ABS in LOCCaddominali e ROCCaddominali era molto inferiore rispetto ai canali sorgente DMN, con differenze statisticamente significative dimostrate tra mPFCaddominali e LOCCaddominali (differenza media (MD)=25, P<0.05), LAGaddominali e LOCCaddominali (MD=29.6, P<0.005) e RAGaddominali e LOCCaddominali (MD=25.3, P<0.05). Questa osservazione è stata supportata dai risultati ANOVA che mostrano un effetto principale del canale sorgente per il rilevamento dell'ABS (F5,210=4.059, P=0,002). Inoltre, l'analisi della correlazione tra soggetti (Tabella II) ha indicato una correlazione altamente significativa tra i tassi di rilevamento dell'ABS di due regioni DMN laterali opposte: LAGaddominali e RAGaddominali (R=0.55, P<0.001) e tra mPFCaddominali e LAGaddominali (R=0.35, P<0.05). Rilevamento dell'ABS in regioni che non facevano parte del DMN – LOCCaddominali e ROCCaddominali – non erano correlati con nessuna delle regioni DMN, ma correlati tra loro (R=0.34,P<0.05). È stata osservata una debole correlazione tra PCCaddominali e mPFCaddominali (R=0.22) e mPFCaddominali e RAGaddominali (R=0.28). Non sono state rilevate differenze significative tra i canali sorgente selezionati in termini di frequenza alfa individuale (F5,210=0.21, P=0.96).

Tabella I.

Differenza tra il numero medio ( x ¯ ) di ABS su coppie di canali sorgente su 36 soggetti (analisi post-hoc di Tukey di ANOVA). I valori significativi sono colorati.

Tabella II.

All'interno dei coefficienti di correlazione del soggetto del rilevamento dell'ABS tra le coppie di canali sorgente in media su 36 soggetti. I valori significativi sono colorati.

Analisi della sorgente EEG

L'attività dell'ABS si verificava principalmente durante lo stato di chiusura degli occhi (Fig. 2) e non poteva essere differenziata dal ritmo alfa occipitale utilizzando solo una tipica analisi di frequenza. Abbiamo già notato alcune differenze tra i tassi di rilevamento, ma questo risultato non è stato sufficiente per implicare che il ritmo alfa occipitale differisce sostanzialmente dal ritmo alfa DMN.

Un'ANOVA unidirezionale con misurazioni ripetute è stata utilizzata per confrontare l'effetto del canale sorgente sull'analisi della sorgente beamformer (Fig. 3). Questa analisi ha rivelato un effetto principale (P<0.01) nelle regioni parietali (cluster rosso nella riga superiore della Fig. 3). C'è stato anche un effetto meno pronunciato ma comunque significativo (P<0.05) rivelato nella parte dorsale del lobo frontale (cluster arancione in Fig. 3). Si noti che l'analisi del beamformer ha rivelato fonti nella corteccia occipitale per entrambi PCCaddominali (Fig. 3, riga centrale) e OCCaddominali (Fig. 3, riga in basso), ma nelle regioni parietali solo fonti relative a PCCaddominali eravamo presenti. Un'analisi post-hoc ha mostrato che l'esito dell'analisi del beamformer per OCCaddominali era significativamente diverso rispetto al calcolo del beamformer ottenuto per PCCaddominali (P<0.05, Fig. 4). Un'analisi post-hoc ha inoltre dimostrato cluster molto piccoli di differenza quando PCCaddominali è stato confrontato con LAGaddominali e RAGaddominali. Questi risultati sono stati forniti come materiale supplementare (rispettivamente Figure S2 e S3).

Figura 3.

Effetto principale dell'ANOVA con analisi di misurazioni ripetute della localizzazione della sorgente del beamformer. La prima riga presenta i cluster di significato (cluster rosso: P<0.01, grappolo arancione: P<0.05), la seconda riga mostra le sorgenti EEG trovate dal beamformer per PCCaddominali e la terza riga presenta il risultato ottenuto per OCCaddominali.

Figura 4.

ANOVA analisi post-hoc: PCCaddominali vs. OCCaddominali. La prima riga mostra il cluster di significatività (P<0.05), la seconda riga mostra i valori F e la terza riga la differenza percentuale tra i canali sorgente.

Risultati fMRI

Per valutare ulteriormente i correlati neurali dell'ABS, i dati fMRI sono stati analizzati utilizzando un approccio basato sul modello. Abbiamo eseguito un'analisi GLM dei dati fMRI utilizzando regressori derivati ​​dalle due condizioni di studio (occhi aperti e occhi chiusi) e informazioni temporali sull'occorrenza dell'ABS ottenute dai dati EEG (indipendentemente per tutti i canali sorgente - sei più uno aggiuntivo per LOCC combinatoaddominali e ROCCaddominali). Il risultato per PCCaddominali è presentato in Fig. 5 e il risultato per OCCaddominali è presentato in Fig. 6.

Figura 5.

Risultati del gruppo dell'analisi GLM dei dati fMRI per PCCaddominali (contrasto PCCaddominali vs. stato ad occhi chiusi). Le regioni gialle e blu rappresentano rispettivamente effetti positivi e negativi. Tutti gli effetti positivi e negativi erano significativi dopo la correzione a livello di cluster AlphaSim per confronti multipli (P<0.05) dopo aver superato una soglia non corretta di P=0.001.

Figura 6.

Risultati di gruppo dell'analisi GLM dei dati fMRI per OCCaddominali (contrasto OCCaddominali vs. stato ad occhi chiusi). Le regioni gialle e blu rappresentano rispettivamente effetti positivi e negativi. Tutti gli effetti positivi e negativi erano significativi dopo la correzione a livello di cluster AlphaSim per confronti multipli (P<0.05) dopo aver superato una soglia non corretta di P=0.001.

Regioni che hanno mostrato una correlazione positiva significativa (P<0.05 AlphaSim corretto per confronti multipli, dopo aver superato una soglia non corretta di P=0,001) tra il segnale BOLD registrato e PCCaddominali erano localizzati nei cluster frontale, parieto-mediale e occipitale (Fig. 5, colori caldi Tabella SI). Il cluster frontale comprendeva giri frontali superiori prevalentemente bilaterali. L'ammasso parieto-mediale comprendeva il precuneo e le parti posteriori del giro cingolato. Il cluster occipitale consisteva principalmente di aree bilaterali tra cui le fessure calcarine, il giro linguale, il giro occipitale, il giro fusiforme e il cuneo. I cluster frontale e parieto-mediale rivelati dall'analisi descritta corrispondevano a due nodi principali del DMN (cioè il mPFC e il precuneus, accanto alla parte posteriore del giro del cingolo), come descritto da Raichle e colleghi (2001). Inoltre, l'analisi ha rivelato cluster laterali con una correlazione negativa tra il modello GLM e le modifiche del segnale BOLD acquisito (Fig. 5, colori freddi). L'ammasso laterale consisteva prevalentemente di opercoli rolandici bilaterali, circonvoluzioni postcentrali e circonvoluzioni temporali.

Il risultato dell'analisi in cui OCCaddominali è stato implementato in GLM ha mostrato risultati molto simili in termini di sedi anatomiche ma con alcune importanti differenze. Il cluster occipitale così come entrambi i cluster laterali coprivano aree più ampie e raggiungevano valori assoluti più elevati delle statistiche t. L'ammasso frontale rivelato era molto più piccolo e l'ammasso parieto-mediale non era affatto presente. È stato rilevato un nuovo cluster fronto-mediale, comprendente la parte centrale del giro del cingolo.

Informazioni dettagliate sulle regioni del cervello presentate in Fig. 5 sono specificate nella tabella supplementare SI. I risultati ottenuti per i restanti canali sorgente (mPFCaddominali, RITARDOaddominali, RAGaddominali, LOCCaddominali e ROCCaddominali) sono forniti in materiali supplementari (da Fig. S4 a Fig. S8). Come menzionato nella sezione dei metodi, i risultati della fMRI hanno richiesto una verifica aggiuntiva poiché abbiamo utilizzato un contrasto non ortogonale. L'analisi eseguita con l'utilizzo di vettori ABS assegnati casualmente non ha rivelato attivazioni nelle suddette regioni di interesse riconosciute come DMN (supplementare Fig. S9).

Infine, abbiamo confrontato direttamente il PCCaddominali con OCCaddominali condizioni utilizzando un'analisi t-test appaiato senza introdurre altri fattori nell'analisi GLM (Fig. 7, Tabella SIII, P<0.05 AlphaSim corretto per confronti multipli, dopo aver superato una soglia non corretta di P=0,005). Questa analisi ha mostrato che PCCaddominali era meno correlato all'attività BOLD all'interno del lobo occipitale rispetto a OCCaddominali, specialmente nelle fessure calcarine bilaterali, giro linguale, giro occipitale, giro fusiforme e cuneo. Questo risultato era congruente con i risultati dell'analisi del beamformer (Fig. 4).

Figura 7.

Risultati del gruppo dell'analisi GLM dei dati fMRI per un confronto t-test appaiato tra PCCaddominali e OCCaddominali. Le regioni gialle e blu rappresentano rispettivamente una differenza positiva e negativa. Erano significativi dopo la correzione a livello di cluster AlphaSim per confronti multipli (P<0.05) dopo aver superato una soglia non corretta di P=0.005.


Sfondo

I potenziali evocati visivi allo stato stazionario (SSVEP) sono ampiamente utilizzati per le interfacce cervello-computer. Tuttavia, gli utenti sperimentano affaticamento a causa dell'esposizione a stimoli tremolanti. La stimolazione ad alta frequenza è stata proposta per ridurre questo problema. Adattiamo la stimolazione modulata in frequenza (FM) dal dominio uditivo, dove è comunemente usato per evocare risposte allo stato stazionario e confrontare l'EEG e le valutazioni di percettibilità dello sfarfallio comportamentale.

Nuovo metodo

Evochiamo SSVEP con un diodo a emissione di luce verde (LED) guidato da segnali FM.

Risultati

FM-SSVEP con diverse frequenze di modulazione e portante possono essere evocati in modo affidabile con picchi spettrali nella banda laterale FM inferiore. Le valutazioni di percettibilità soggettiva diminuiscono con l'aumento delle frequenze portanti FM, mentre l'ampiezza di picco e il rapporto segnale/rumore (SNR) rimangono gli stessi.

Confronto con il metodo esistente

Non ci sono né ampiezza né differenze SNR tra SSVEP evocati in modo rettangolare, sinusoidale o tramite FM. I punteggi di percettibilità erano inferiori per FM-SSVEP con frequenze portanti di 20 Hz e superiori rispetto a SSVEP evocati sinusoidalmente.

Conclusioni

Gli FM-SSVEP sembrano essere utili per l'utilizzo di BCI. La ridotta percettibilità dello sfarfallio in FM-SSVEP suggerisce una riduzione dell'affaticamento, che porta a un'esperienza utente e prestazioni migliorate.


Neurofisiologia clinica: analisi computerizzata dell'EEG

1 Tomoyuki Akiyama, 2 Hiroshi Otsubo, 2 Ayako Ochi, 2 Rajesh RamachandranNair, 2 Irene Elliot, 2 Elizabeth Donner, 2 Shelly K. Weiss, 2 James T. Rutka e 2 O. Carter Snead III (1 Dipartimento di Neurologia Infantile, Okayama University Hospital, Okayama, Okayama, Giappone e 2 Divisione di Neurologia, The Hospital for Sick Children, Toronto, ON, Canada)

Fondamento logico: L'analisi di frequenza a banda multipla (MBFA), un nuovo metodo di analisi di frequenza, fornisce migliori risoluzioni di frequenza e temporali rispetto alla trasformata veloce di Fourier o wavelet. Abbiamo valutato i cambiamenti dinamici delle oscillazioni ad alta frequenza (HFO) sulle mappe della superficie cerebrale utilizzando MBFA per localizzare le zone epilettogene nell'epilessia neocorticale.

Metodi: Abbiamo studiato 2 bambini con epilessia neocorticale intrattabile mediante EEG subdurale (SDEEG) a una frequenza di campionamento di 1 KHz. Abbiamo eseguito MBFA per 1-5 secondi EEG ictale utilizzando il software Occhio a spettro corto (Gram, Saitama, Giappone). Abbiamo identificato gli HFO, determinato l'intervallo di frequenza e calcolato le potenze medie ogni 10 ms per tutti gli elettrodi. Abbiamo importato le potenze medie in un programma di mappatura topografica Prisma e Intuizione (Persyst, Prescott, AZ) per visualizzare i poteri HFO sull'immagine della superficie cerebrale. Per analizzare le interrelazioni temporali delle regioni con HFO, abbiamo organizzato mappe di potenza HFO ogni 20 ms per proiettare filmati di HFO ictal sulla superficie del cervello.

Caso 1: una ragazza di 17 anni destrimani si è presentata con semplici crisi parziali costituite da sensazioni di intorpidimento e formicolio al braccio destro seguite da movimenti clonici e generalizzazione secondaria.

Caso 2: Un ragazzo mancino di 14 anni con spasmi epilettici asimmetrici a grappoli.

Risultati: Caso 1 Durante le crisi parziali, l'MBFA di SDEEG a 25 canali ha mostrato HFO a 80-130 Hz sulla parte centrale del giro postcentrale sinistro e sulla parte superiore del giro post e precentrale sinistro.Le mappe di potenza sequenziali di HFO a 80-130 Hz hanno rivelato potenze elevate su queste 2 regioni e variazioni di potenza di riverbero tra di esse con un massimo nella parte centrale del giro postcentrale. Abbiamo resecato le porzioni superiore e media del giro postcentrale sinistro. Ha attacchi motori parziali rari e brevi senza aura sensoriale e generalizzazione secondaria 9 mesi dopo l'intervento.

Caso 2 Durante gli spasmi, l'MBFA di SDEEG a 106 canali ha mostrato HFO a 60-150 Hz estesi ma non contigui sul giro frontale destro superiore e inferiore e sul giro temporale medio. Le mappe di potenza sequenziali di HFO a 80-120 Hz hanno rivelato un'elevata potenza iniziale sul giro frontale superiore destro e successive attivazioni su altre 2 regioni. Abbiamo eseguito lobectomia frontale parziale destra, escissioni corticali del giro frontale superiore e inferiore e giro temporale medio dove esistevano HFO predominanti. È libero da crisi a 6 mesi dall'intervento.

Conclusioni: La combinazione di MBFA e mappatura sequenziale della potenza degli HFO sulla superficie cerebrale ci ha permesso di riconoscere la localizzazione e i cambiamenti dinamici degli HFO ictali. Questa analisi spaziale e temporale della mappatura corticale dell'HFO può rivelare il comportamento delle reti ictali nelle zone epilettogene corticali.

1 Eishi Asano, 1 Csaba Juhasz, 1 Aashit Shah, 1 Otto Muzik, 1 Diane C. Chugani, 1 Sandeep Sood e 1 Harry T. Chugani (1 Pediatria, Neurologia, Radiologia, Neurochirurgia, Ospedale pediatrico del Michigan, Wayne State University , Detroit, MI )

Fondamento logico: I tuberi corticali sono il segno distintivo del complesso della sclerosi tuberosa (TSC) e sono solitamente associati alla materia grigia sovrastante e circostante alla risonanza magnetica. Nel presente studio, abbiamo analizzato quantitativamente i dati dell'elettrocorticografia ictale (ECoG) utilizzando elettrodi subdurali e di profondità per determinare se le crisi epilettiche provengono più frequentemente dalla corteccia ipometabolica del glucosio che circonda un tubero rispetto alla corteccia normometabolica. In secondo luogo, ci siamo chiesti se le crisi epilettiche sono generate da un tubero corticale stesso o dalla corteccia che circonda un tubero nei bambini con TSC.

Metodi: Abbiamo studiato una serie di 16 bambini con TSC e convulsioni incontrollate (età: da 5 mesi a 16 anni 11 ragazzi), sottoposti a risonanza magnetica, PET con metabolismo del glucosio e registrazione ECoG intracranica prolungata per la successiva resezione corticale. La posizione degli elettrodi è stata derivata da raggi X planari e visualizzata sulla superficie del cervello 3D ricostruita da risonanza magnetica che mostra la posizione dei tuberi e anche delle aree ipometaboliche dalle scansioni PET registrate (Muzik et al, Neurology 2000). Per ogni evento convulsivo, il centro delle scariche ictali è stato oggettivamente definito come l'elettrodo che mostra l'aumento massimo dell'ampiezza ECoG specifico per un esordio ictale in una crisi che consiste in un'attività ritmica continua o l'elettrodo che mostra l'ampiezza massima della punta in una crisi che consiste in attività di picco o un singolo picco seguito da esplosioni di onde veloci (Asano et al, Epilepsia 2005 [in stampa]). Abbiamo eseguito un t-test per un campione per determinare se il centro delle scariche ictali fosse localizzato più frequentemente nelle regioni ipometaboliche del glucosio rispetto alle regioni normometaboliche e se il centro delle scariche ictali fosse localizzato più frequentemente nella corteccia che circonda un tubero rispetto al tubero corticale si.

Risultati: Un totale di 70 crisi sono state obiettivamente analizzate nei soggetti in cui sono stati posizionati elettrodi subdurali ma non elettrodi di profondità sul presunto emisfero epilettico. In 57 delle 70 crisi, il centro delle secrezioni ictali era localizzato nelle cortecce ipometaboliche del glucosio. Gli scarichi ictali si originavano più frequentemente dalla corteccia ipometabolica del glucosio che dalla corteccia normometabolica (p < 0.001). In un singolo soggetto in cui è stato inserito un elettrodo di profondità in un tubero, non sono state catturate convulsioni spontanee e non siamo stati in grado di determinare la posizione delle zone di insorgenza di ictali.

Conclusioni: Questi risultati suggeriscono che la maggior parte delle crisi epilettiche nei bambini con TSC può essere generata da regioni ipometaboliche del glucosio associate alla corteccia displastica che circonda un tubero o al tubero stesso. Sono necessari ulteriori studi su pazienti con elettrodi di profondità per determinare se le crisi epilettiche sono generate da un tubero corticale stesso o dalla corteccia che circonda un tubero nei bambini con TSC. (Supportato da NIH: K23NS047550.)

1 Chad Carlson, 1 Catherine Schevon, 3 Werner Doyle, 3 Howard Weiner, 2 Joshua Cappell, 2 Ronald Emerson, 2 Lawrence Hirsch, 2 Robert Goodman, 1 Orrin Devinsky, 1 Steven Pacia e 1 Ruben Kuzniecky (1 Dipartimento di Neurologia, New York University School of Medicine, New York, NY 2 Neurological Institute, Columbia College of Physicians and Surgeons, New York, NY e 3 Department of Neurosurgery, New York University School of Medicine, New York, NY)

Fondamento logico: La revisione tradizionale degli studi video-EEG subdurali del cuoio capelluto e intracranico si basa principalmente sull'analisi visiva dei modelli interictali e ictali. In molti pazienti, in particolare quelli con epilessia multifocale o neocorticale, le convulsioni sono difficili da localizzare a causa della rapida diffusione dell'attività ictale e dei ritmi ad alta frequenza che possono eludere il rilevamento, influenzando potenzialmente l'esito chirurgico. L'analisi tempo-frequenza è una tecnica concettualmente semplice che, se applicata alle registrazioni EEG intracraniche, può rivelare informazioni che non sono evidenti alla sola ispezione visiva. Per facilitarne l'uso, è stata creata una presentazione visiva di facile interpretazione che fornisce una panoramica dell'attività del montaggio EEG completo. Questa serie di casi esamina il ruolo dell'analisi spettrale tempo-frequenza in cinque pazienti con epilessia clinicamente refrattaria sottoposti a studi video-EEG con elettrodi subdurali invasivi.

Metodi: Sono state studiate le registrazioni interictale e ictale di cinque pazienti sottoposti a studi con elettrodi subdurali intracranici per la localizzazione delle crisi come parte di una valutazione prechirurgica. L'analisi spettrale tempo-frequenza è stata eseguita su tutti i canali su finestre temporali sequenziali di un secondo. Lo spettrogramma nell'intervallo di frequenza di 1–200 Hz è stato visualizzato utilizzando una mappa dei colori con intensità corrispondente al logaritmo della FFT del segnale di ingresso su una finestra temporale di un secondo la mappa dei colori è fissata per una data sequenza per consentire confronti nel tempo e tra canali. L'EEG è stato registrato su un sistema Nicolet Bravo con una frequenza di campionamento di 400 Hz/canale e filtrato passa-banda (4 ° ordine Butterworth) a 0,5–125 Hz. Tutti i calcoli sono stati implementati in Matlab.

Risultati: L'analisi spettrale dell'insorgenza delle crisi viene mostrata per i cinque pazienti e confrontata con l'interpretazione clinica. In quattro casi, le informazioni aggiuntive hanno fornito un supporto confermativo per la localizzazione clinica, mentre nel quarto caso l'analisi ha supportato un focus sequestro candidato alternativo, un'osservazione coerente con l'esito chirurgico.

Conclusioni: Questa serie di casi illustra il ruolo complementare dell'analisi spettrale tempo-frequenza nell'impostazione delle registrazioni EEG intracraniche, nonché l'importanza di una presentazione unificata che permetta confronti diretti tra i canali. Il ruolo di questa tecnica nel fornire informazioni non evidenti sull'interpretazione dell'EEG visivo e il suo contributo alla valutazione di epilessie neocorticali complesse, nonché il suo potenziale effetto sull'esito chirurgico, merita un'ulteriore valutazione. (Supportato da FACES.)

1 Wanpracha A. Chaovalitwongse, 2 Rajesh C. Sachdeo, 3 Panos M. Pardalos, 4 Leonidas D. Iasemidis e 5 JC Sackellares (1 Industrial and Systems Engineering, Rutgers University, Piscataway, NJ 2 Comprehensive Epilepsy Center, St. Peter's University Hospital, New Brunswick, NJ 3 Ingegneria industriale e dei sistemi, Università della Florida, Gainesville, FL 4 Bioingegneria, Arizona State University, Tempe, AZ e 5 Ingegneria biomedica, Università della Florida, Gainesville, FL)

Fondamento logico: Almeno 2 milioni di persone negli Stati Uniti (1% della popolazione) attualmente soffrono di epilessia. L'aspetto più invalidante dell'epilessia sono le crisi ricorrenti, in cui la maggior parte dei pazienti epilettici (almeno 1 milione) ritiene di ricevere cure inadeguate o le crisi non possono essere controllate dai trattamenti disponibili. È molto chiaro che i trattamenti migliorati sono disperatamente necessari. In questo studio, qui proponiamo nuovi approcci quantitativi in ​​grado di rilevare anomalie nell'attività elettrica del cervello. I risultati di questo studio apriranno la nostra strada allo sviluppo di un Classificatore automatico dell'attività cerebrale, che è un prerequisito del processo di previsione delle crisi.

Metodi: Per testare il classificatore automatico dell'attività cerebrale sono state utilizzate registrazioni EEG intracraniche continue a lungo termine a 26 canali precedentemente ottenute in 3 pazienti con crisi parziali intrattabili dal punto di vista medico. Il paziente 1 ha avuto 15 crisi epilettiche in una registrazione di 10 giorni, il paziente 2 ha avuto 8 crisi epilettiche in 6 giorni, il paziente 3 ha avuto 7 crisi epilettiche in 12 giorni. Il classificatore automatico dell'attività cerebrale prevedeva i seguenti passaggi: (1) quantificare le proprietà di caoticità (es. esponenti di Lyapunov, frequenza angolare, entropia) delle dinamiche cerebrali, (2a) utilizzare la tecnica di convalida incrociata statistica per stimare le distanze statistiche tra un'epoca EEG e l'attività cerebrale da diversi stati fisiologici (normale, pre-crisi, post-crisi), (2b) utilizzare tecniche di ottimizzazione per trovare macchine vettoriali di supporto per separare diversi stati fisiologici del cervello, (3) classificare l'epoca EEG allo stato fisiologico di la maggior attività cerebrale (distanza statistica minima).

Risultati: Le sensibilità del approccio di convalida incrociata statistica nella classificazione EEG pre-crisi nei pazienti 1, 2 e 3 erano rispettivamente 89,39%, 85,71% e 84,44% e le sensibilità nella classificazione EEG normali nei pazienti 1, 2 e 3 erano rispettivamente del 93,50%, 78,00% e 75,00%. Le sensibilità del supportare l'approccio delle macchine vettoriali nella classificazione EEG pre-crisi nei pazienti 1, 2 e 3 erano rispettivamente 81,21%, 71,18% e 74,13% e le sensibilità nella classificazione EEG normali nei pazienti 1, 2 e 3 erano rispettivamente 87,46%, 76,85% e 70,60%.

Conclusioni: Sulla base degli approcci di classificazione statistica proposti, questo classificatore automatico dell'attività cerebrale può classificare le epoche EEG nello stato fisiologico del cervello accurato con caratteristiche prestazionali che potrebbero avere un'utilità clinica pratica. Il classificatore potrebbe essere incorporato nel sistema di monitoraggio EEG clinico o incorporato in un sistema di avviso di crisi utilizzato per attivare interventi fisiologici o farmacologici temporizzati.

1 Lei Ding, 2 Gregory A. Worrell, 2 Terrence D. Lagerlund e 1 Bin He (1 Dipartimento di Ingegneria Biomedica, Università del Minnesota e 2 Dipartimento di Neurologia, Mayo Clinic)

Fondamento logico: Esiste un notevole interesse nello sviluppo della localizzazione non invasiva di focolai epilettogeni, poiché l'attuale utilizzo standard dell'elettrocorticografia subdurale e degli elettrodi di profondità richiede l'impianto chirurgico con alcuni rischi aggiuntivi per il paziente. Lo scopo del presente studio è valutare un nuovo approccio di localizzazione della sorgente non invasivo per la localizzazione di focolai epilettogeni dall'EEG del cuoio capelluto.

Metodi: L'approccio tradizionale alla localizzazione di sorgenti a dipolo presenta problemi per la localizzazione di sorgenti a dipolo multiplo all'aumentare del numero di sorgenti. Abbiamo recentemente sviluppato un nuovo approccio di localizzazione della sorgente subspaziale, ovvero vettori tridimensionali di primo principio (3D-FINE), per la localizzazione del focus epilettico basato sull'EEG (Xu et al, Phys Med & Bio, 49(2):327–343, 2004 ). L'approccio utilizza una ricerca tridimensionale invece di risolvere il problema di ottimizzazione non lineare estremamente complicato. Impiega la proiezione su un particolare insieme di vettori nel sottospazio di solo rumore invece dell'intero sottospazio di solo rumore per ottenere un'elevata precisione e un'elevata risoluzione spaziale. Sono stati condotti studi di simulazione al computer per testare la fattibilità e le prestazioni di 3D-FINE. Tre pazienti, della Mayo Clinic, con epilessia parziale intrattabile dal punto di vista medico e lesione sintomatica dimostrata dall'immagine a risonanza magnetica (MRI) sono stati analizzati da 3D-FINE utilizzando dati interictali . Gli EEG del paziente sono stati registrati utilizzando 31 elettrodi nel sistema 10/20 modificato e ogni paziente ha avuto una risonanza magnetica standardizzata con protocollo di crisi. I dati interictali sono stati identificati e selezionati dai neurologi esperti. I risultati dell'approccio 3D-FINE sono stati valutati e convalidati dalle lesioni cerebrali dimostrate alla risonanza magnetica.

Risultati: Sia le simulazioni al computer che l'analisi dei dati interictali indicano la maggiore risoluzione spaziale e la maggiore precisione di localizzazione della sorgente di 3D-FINE nella localizzazione di più sorgenti rispetto all'approccio MUSIC ben consolidato, il che suggerisce che 3D-FINE ha la maggiore capacità di distinguere sorgenti ravvicinate . Le fonti identificate sia da MUSIC che da 3D-FINE sono ben correlate con le lesioni della risonanza magnetica. Appaiono al confine o in prossimità della lesione RM. Le distribuzioni dettagliate dell'attività elettrica durante i picchi interictali sono rivelate da 3D-FINE suggerendo le eccellenti prestazioni di 3D-FINE nella localizzazione delle attività epilettiformi dall'EEG del cuoio capelluto.

Conclusioni: Abbiamo testato la fattibilità dell'imaging di focolai epilettici utilizzando un nuovo approccio di localizzazione della sorgente a dipolo multiplo, ovvero 3D-FINE. I pazienti studiati sono con lesioni MRI perché fornisce un modo unico per convalidare in modo incrociato i risultati della localizzazione dei focolai epilettici utilizzando diverse modalità di imaging. Tuttavia, l'utilità di tale tecnica è quella di visualizzare focolai epilettici in pazienti epilettici senza lesioni esplicite di risonanza magnetica, dove la tecnica di risonanza magnetica potrebbe non riuscire a identificare i focolai epilettici. (Supportato da NIH EB 00178 e NSF BES-0411898.)

1 Joshua B. Ewen, 2 Nathan E. Crone, 3 Eric H. Kossoff, 3 Laura A. Hatfield, 3 Thomas M. Kelley e 3 Anne M. Comi (1 Neurologia e Medicina dello Sviluppo, Kennedy Krieger Institute, Baltimora, MD 2 Neurologia, Scuola di Medicina della Johns Hopkins University, Baltimora, MD e 3 Neurologia e Pediatria, Scuola di Medicina della Johns Hopkins University, Baltimora, MD)

Fondamento logico: Dal dieci al venti percento dei bambini con colorazione del vino porto facciale (PWS) sviluppa caratteristiche neurologiche caratteristiche della sindrome di Sturge-Weber (SWS), che possono includere convulsioni, difetti del campo visivo, emiparesi e deterioramento cognitivo. Lo screening spesso comporta neuroimaging seriale, che comporta un rischio di sedazione ed è spesso falsamente negativo nei neonati. Abbiamo riportato che la diminuzione della potenza sul lato affetto era correlata a disturbi neurologici nei soggetti con SWS e sono in corso sforzi per sviluppare l'EEG quantitativo (qEEG) come strumento per la diagnosi precoce in SWS.

Metodi: Tre bambini con macchie vinose facciali unilaterali avevano registrazioni EEG standard a 16 canali a intervalli di circa 4 mesi. Trenta epoche di due secondi prive di artefatti sono state selezionate da ciascun record. I dati bipolari di ogni epoca sono stati sottoposti a una trasformata di Fourier veloce con una risoluzione in frequenza di 0,5 Hz. Gli spettri di potenza da ciascun lato della testa sono stati confrontati utilizzando un punteggio di lateralità (LS = (sinistra - destra)/(sinistra + destra). Gli LS sono stati calcolati per delta (2,0-3,5 Hz), theta (4,0-7,5 Hz), alfa (8,0–12,5 Hz), beta (13,0–32,0 Hz) e potenza totale (2–32 Hz).Tutti gli EEG sono stati letti indipendentemente da un elettroencefalografo esperto.

Risultati: Il soggetto n. 1 aveva una PWS del lato sinistro e inizialmente un coinvolgimento cerebrale del lato sinistro con la sua prima crisi focale a 8 mesi di età. Gli EEG a 11 e 15 mesi sono stati letti come simmetrici, ma l'EEG quantitativo ha mostrato una potenza significativamente inferiore nell'emisfero sinistro. La risonanza magnetica in questo momento ha mostrato angiomatosi leptomeningea sinistra. La risonanza magnetica a 18 mesi ha mostrato lesioni occipitali bilaterali. Ulteriori EEG a 19 e 23 mesi non hanno prodotto asimmetrie statisticamente significative nella potenza totale, forse riflettendo il suo coinvolgimento bilaterale o il normale sviluppo e le convulsioni completamente controllate. Il soggetto n. 2 ha avuto EEG a 2, 6 e 10 mesi di età che sono stati letti come normali, tuttavia, il qEEG ha mostrato una potenza ipsilaterale significativamente inferiore a 2 e 10 mesi. La risonanza magnetica a 6 mesi ha mostrato un aumento leptomeningeo unilaterale. Questo bambino non ha mai preso ed è evolutivamente normale. Il soggetto n. 3 ha avuto un singolo EEG a 4 mesi che è stato letto come normale qEEG non ha mostrato asimmetria significativa. La risonanza magnetica a sei mesi non ha mostrato stigmate di SWS. Questo bambino non ha avuto né convulsioni né alcun ritardo nello sviluppo neurologico. I soggetti #2 e #3 continueranno ad avere EEG ogni 3 mesi per un totale di due anni.

Conclusioni: Nei neonati con una colorazione vinosa unilaterale, il qEEG seriale mostra una diminuzione del potere sull'emisfero che è interessato o a rischio di danno neurologico. Sono necessari ulteriori studi per determinare se il qEEG è un metodo affidabile e sensibile per identificare i bambini con PWS unilaterale che necessitano di neuroimaging e determinare il momento ottimale dell'imaging.

1 Michael D. Furman, 1 Jennifer D. Simonotto, 2 Paul R. Carney e 1 William L. Idem (1 Ingegneria biomedica, Università della Florida, Gainesville, FL e 2 Dipartimento di neurologia pediatrica, Università della Florida, Gainesville, FL )

Fondamento logico: Attualmente, l'attività neurale e la localizzazione del focus nei pazienti epilettici è essenziale per la valutazione pre-chirurgica. Sono stati ideati diversi metodi per localizzare l'attività applicando combinazioni di EEG, MEG, PET, SPECT e fMRI. La quantificazione dinamica di fase combina l'analisi di quantificazione della ricorrenza, la correlazione di fase e l'allineamento temporale e spaziale tridimensionale per tenere traccia dell'attività delle crisi insieme alle risposte pre e post-ictali. Utilizzando l'attività cerebrale multicanale ad alta frequenza (12-25kHz), introduciamo un metodo per correlare la fase temporale dinamica che consente il monitoraggio del focus del sequestro.

Metodi: Potenziali neuronali multicanale sono stati raccolti in modo sincrono nel corso di 2 mesi da un modello animale di epilessia limbica con sequestro cronico (n = 1). Array di elettrodi a microfili di tungsteno sono stati impiantati stereotassicamente nel dentato e nel CA1-2 dell'ippocampo. L'attività neuronale è stata registrata a 24414.1Hz. Il posizionamento degli elettrodi e il targeting per CA1-2/dentato sono stati verificati post mortem utilizzando uno strumento di imaging cerebrale MRI ad alto campo (17,6 Tesla). La profondità dell'ippocampo e la registrazione della griglia sono state ottenute anche negli esseri umani sottoposti a valutazioni dell'epilessia prechirurgica (n = 2). L'attività corticale è stata registrata continuamente a 400Hz. Tutti i set di dati sono stati analizzati per la correlazione di fase.

Risultati: In tutte le serie temporali analizzate, i risultati hanno dimostrato un percorso di crisi ben definito all'interno del focus epilettogeno. In ogni set di dati umani, la correlazione di fase ha coinciso con il focus del sequestro che è stato determinato dall'analisi visiva della profondità del lobo temporale e dalle registrazioni della griglia.

La figura mostra la correlazione dinamica della fase di messa a fuoco mobile utilizzando tre segnali a 400 Hz.

Conclusioni: La quantificazione dinamica di fase rivela l'epilessia come un percorso neurale contiguo altamente organizzato che può essere localizzato e monitorato. Questo metodo può di utilità clinica aiutare con la localizzazione delle crisi. (Supportato da Office of Naval Research Funding, National Institutes of Health, National Science Foundation, Children's Miracle Network.)

1 Georges A.Ghacibeh, 2 Deng-Shan Shiau, 2 Linda Dance, 1 Stephan Eisenschenk e 1,2,3 J. Chris Sackellares (1 Dipartimento di Neurologia, Università della Florida, Gainesville, FL 2 Dipartimento di Neuroscienze, Università della Florida, Gainesville, FL e 3 Dipartimento di Ingegneria Biomedica, Università della Florida, Gainesville, FL)

Fondamento logico: L'esponente massimo di Lyapunov a breve termine (STLmax) è una misura dell'ordine di un sistema dinamico. Valori STLmax più piccoli indicano che il segnale è più ordinato. Nell'epilessia del lobo temporale, le proprietà dinamiche degli stati preictale, ictale e post-ictale sono nettamente differenti e possono essere definite quantitativamente. È stato osservato che STLmax è il più basso durante un attacco, intermedio nel periodo preictale e il più alto nello stato post-ictale. È noto che i farmaci antiepilettici riducono la frequenza delle crisi nella maggior parte dei pazienti con epilessia. Ipotizziamo che alti livelli di farmaci antiepilettici siano associati a STLmax più elevati. Gli obiettivi di questo studio sono confrontare i valori STLmax dalle registrazioni EEG intracraniche quando i pazienti hanno livelli alti, medi e bassi di farmaci antiepilettici.

Metodi: Sono stati reclutati due pazienti con griglie subdurali intracraniche: il paziente 1 aveva griglie fronto-temporali destra e il paziente 2 aveva griglie fronto-centrali sinistra. I pazienti sono stati ridotti gradualmente dai loro farmaci antiepilettici per registrare le convulsioni. Il paziente 1 era in fenitoina, levetiracetam, carbamazepina e zonisamide e il paziente 2 era levetiracetam e topiramato. I dosaggi dei farmaci sono stati raccolti giornalmente per tutti i farmaci antiepilettici durante l'intero periodo di monitoraggio e sono stati ottenuti i livelli dei farmaci per i farmaci più vecchi. Per ogni paziente, sono stati determinati tre segmenti temporali distinti in base ai dosaggi e ai livelli dei farmaci. Giorno 1: alti livelli di farmaci, Giorno 2: livelli medi e Giorno 3: livelli bassi. Tutti e tre i segmenti sono stati scelti per essere almeno 6 ore prima o dopo un attacco. Per ogni paziente, sono stati selezionati un totale di 8 canali per l'analisi. Quattro canali erano all'interno del fuoco epilettico e quattro al di fuori del fuoco epilettico. Per ciascun elettrodo analizzato, STLmax è stato calcolato per ogni segmento di 10,24 secondi non sovrapposto (4096 punti EEG nella registrazione a 400 Hz). Un totale di 100 valori medi STLmax sono stati campionati casualmente da intervalli di tempo in ciascuno dei tre livelli di farmaco. Il test ANOVA a una via è stato applicato per testare la significatività dell'effetto tra i livelli di farmaco. Se l'effetto è stato trovato significativo, sono stati utilizzati più test di confronto per testare la significatività delle differenze a coppie.

Risultati: In entrambi i pazienti, all'interno di aree sia epilettiche che non epilettiche, i segnali EEG registrati durante un alto livello di farmaco (giorno 1) hanno mostrato valori STLmax significativamente più alti (p < 0,01) (meno ordinati) rispetto a quelli medi (giorno 2) e bassi (giorno 3). ) livelli di farmaco.

Conclusioni: I farmaci antiepilettici hanno un'influenza su STLmax. Livelli elevati sono associati a un aumento del valore STLmax. Questo effetto può essere correlato alle proprietà anticonvulsivanti di questi farmaci.

1 Julie D. Golomb, 2 Michel Shamy, 2 April R. Levin, 2 Kathryn Davis, 2 Kelly A. McNally, 3 Kenneth Vives, 3 Dennis D. Spencer, 2,3 Susan S. Spencer, 2 Hitten Zaveri e 1 ,2,3,4 Hal Blumenfeld (1 Programma Interdipartimentale di Neuroscienze, Yale University, New Haven, CT 2 Dipartimento di Neurologia, Yale University School of Medicine, New Haven, CT 3 Dipartimento di Neurochirurgia, Yale University School of Medicine, New Haven, CT e 4 Dipartimento di Neurobiologia, Yale University School of Medicine, New Haven, CT)

Fondamento logico: Studi precedenti suggeriscono che le convulsioni del lobo temporale causano una funzione compromessa in aree neocorticali diffuse oltre alle regioni del lobo temporale mesiale. Un recente studio di Blumenfeld et al. (NEUROLOGY, 2004) hanno riscontrato un aumento dell'attività ictale a bassa tensione veloce e polyspike nelle regioni temporali mesiali e laterali omolaterali, con un simultaneo rallentamento ictale di grande ampiezza nelle regioni frontoparietali. Tuttavia, queste osservazioni erano basate su valutazioni soggettive delle registrazioni EEG intracraniche e non erano correlate al comportamento. Nel presente studio utilizziamo analisi quantitative per descrivere in modo più accurato i cambiamenti ictali e post-ictali associati a varie regioni del cervello durante crisi parziali complesse e semplici.

Metodi: 12 Pazienti con epilessia del lobo temporale mesiale confermata chirurgicamente che sono stati sottoposti a monitoraggio EEG intracranico e non hanno avuto convulsioni durante un periodo di follow-up di almeno 1 anno dopo la resezione del lobo temporale sono stati selezionati per l'analisi. Sono state escluse le convulsioni che si sono secondariamente generalizzate. I contatti degli elettrodi sono stati assegnati a una delle nove regioni corticali sulla base delle ricostruzioni della superficie della risonanza magnetica. Le misurazioni della potenza per le bande spettrali classicamente definite sono state calcolate con la trasformata di Fourier per i periodi di tempo ictale e peri-ictale per ciascun segnale EEG.

Risultati: Un piccolo, breve aumento della potenza di frequenza beta (13-25 Hz) e gamma (25-50 Hz) è stato osservato nelle regioni temporali mesiali omolaterali immediatamente dopo l'inizio della crisi. Questo è stato seguito da un aumento molto più grande della potenza alfa (8-13 Hz), beta, gamma e in particolare theta (4-8 Hz) nelle regioni temporali mesiali e laterali omolaterali. Contemporaneamente, è stato osservato un grande aumento della potenza delta (0-4 Hz) nelle regioni frontali laterale, mediale e orbitale, che a volte persisteva per tutto il periodo post-ictale. Le crisi subcliniche hanno comportato cambiamenti transitori confinati ai contatti temporali mesiali omolaterali. Sebbene sia stata riscontrata una notevole variabilità tra i pazienti, i singoli pazienti hanno mostrato una notevole coerenza nei modelli EEG durante le loro crisi.

Conclusioni: L'analisi quantitativa del potere ha mostrato una maggiore attività ad alta frequenza nelle regioni temporali e attività a bassa frequenza nelle regioni frontali durante convulsioni parziali di origine del lobo temporale. Questi risultati supportano ed espandono studi precedenti sull'attività EEG postulando che il rallentamento neocorticale rappresenta una forma di "inibizione surround" durante tali crisi. Ulteriori analisi possono rivelare differenze specifiche tra i segnali EEG nelle crisi parziali complesse e semplici e contribuire alla comprensione delle manifestazioni comportamentali delle crisi del lobo temporale.

1 Elena Urrestarazu, 1 Pierre LeVan e 1 Jean Gotman (1 EEG, Montreal Neurological Institute, McGill University, Montreal, QC, Canada)

Fondamento logico: Lo scopo di questo studio era di indagare se l'analisi delle componenti indipendenti (ICA) può essere applicata nelle registrazioni intracraniche per analizzare le interazioni tra i lobi temporali durante le crisi del lobo temporale. L'ICA è già stata utilizzata negli EEG del cuoio capelluto per isolare i picchi dallo sfondo e per aiutare a lateralizzare le convulsioni del lobo temporale

Metodi: Sono state analizzate le registrazioni intracraniche delle convulsioni del lobo temporale di 8 pazienti con impianto bitemporale. Le registrazioni EEG del cuoio capelluto hanno mostrato che i pazienti avevano convulsioni provenienti da entrambi i lobi temporali. Le crisi di ciascun paziente sono state classificate in quattro categorie: unilaterali destra o sinistra (UR o UL) e bilaterali con esordio destro o sinistro (BR o BL). L'ICA scompone l'EEG in tanti componenti statisticamente indipendenti quanti sono i canali. L'ICA è stata applicata alle crisi e sono state studiate solo le componenti con attività ictale nei primi 10 secondi della crisi. I coefficienti di correlazione sono stati calcolati tra queste componenti e ogni canale dell'EEG originale, nell'intervallo di tempo che precede la comparsa dell'attività bilaterale. I componenti sono stati classificati come unilaterali se la loro correlazione era maggiore di 0,2 esclusivamente con i canali in un emisfero se la correlazione era maggiore di 0,2 con i canali in entrambi gli emisferi, il componente è stato etichettato come bilaterale. Sono state applicate statistiche non parametriche.

Risultati: Sono stati analizzati 46 sequestri (11 UR, 13 UL, 12 BR e 10 BL). C'erano cinque pazienti con crisi epilettiche che iniziavano indipendentemente in entrambi i lobi temporali, due pazienti con solo crisi temporali destre e un paziente con solo crisi temporali sinistre. Anche se la correlazione è stata calcolata quando l'attività convulsiva era unilaterale, la proporzione di componenti che erano bilaterali era significativamente inferiore (p = 0,001) nelle crisi che sono rimaste unilaterali (22% per UR e 26% per UL) rispetto alle crisi che sono diventate bilaterali ( 46% per BR e 48% per BL). Non ci sono state differenze significative tra crisi epilettiche destra e sinistra. Le crisi bilaterali erano significativamente più lunghe delle crisi unilaterali (p = 0.000), ma la durata della crisi non era significativamente correlata (p > 0,05) con la proporzione delle componenti bilaterali.

Conclusioni: Nei pazienti con epilessia bitemporale, più del 20% dei componenti estratti mediante ICA ha una distribuzione bitemporale anche nel momento in cui le crisi sono apparentemente unilaterali. La proporzione di componenti bilaterali durante la fase unilaterale è significativamente maggiore nelle crisi con successiva diffusione controlaterale. Sembra quindi che sia presente un'attività convulsiva controlaterale minima anche quando la scarica appare unilaterale e che più tale attività controlaterale è presente, più è probabile che la crisi si diffonda. (Supportato da CIHR Grant # MOP 38079

Borsa di ricerca post-dottorato del Dipartimento della Pubblica Istruzione del governo basco.)

1 C. Grova, 2 J. Daunizeau, 1 A. Bagshaw, 1 E. Kobayashi, 2 JM Lina, 1 F. Dubeau e 1 J. Gotman (1 Montreal Neurological Institute, McGill U., Montreal, QC, Canada e 2 Centre de Recherche en Mathématiques, Montreal, Canada)

Fondamento logico: Il primo obiettivo è confrontare due modalità di imaging per identificare meglio le aree del cervello in cui vengono generati i picchi:

Localizzazione della sorgente EEG, che permette di stimare una densità di corrente lungo la superficie corticale ad ogni campione istantaneo dello spike

EEG simultaneo/fMRI, che consente di misurare i correlati emodinamici dell'attività EEG

Tali modalità evidenziano diversi aspetti della generazione di picchi, poiché i segnali hanno origini fisiologiche diverse e risoluzioni spaziali e temporali complementari. Inoltre, la localizzazione della sorgente EEG non ha una soluzione univoca ed è necessario aggiungere informazioni preliminari. Il secondo obiettivo è valutare se sia rilevante includere informazioni fMRI nella localizzazione della sorgente EEG.

Metodi: 9 pazienti con epilessia focale sono stati sottoposti a esame EEG/fMRI e registrazione EEG all'esterno dello scanner. Il protocollo EEG/fMRI consiste nella registrazione di 19 canali EEG all'interno dello scanner RM. Dopo il rilevamento manuale dei picchi interictali, i dati sono stati analizzati utilizzando un modello lineare che combina diverse risposte emodinamiche dopo ogni picco. Le mappe T che mostrano aree del cervello con risposte fMRI significative sono state interpolate sulla superficie corticale, per confrontarle con la localizzazione della sorgente EEG. La localizzazione della sorgente è stata applicata ai picchi medi registrati all'esterno dello scanner (43 canali). Abbiamo applicato l'approccio MEM (Maximum Entropy on the Mean) 1 per stimare la densità di corrente sulla superficie corticale ad ogni campione di tempo del picco.

I risultati fMRI sono stati confrontati con i risultati MEM ottenuti ai picchi dello spike. Il livello di concordanza è stato valutato misurando la distanza geodetica minima D tra gli estremi locali delle mappe fMRI e MEM. Abbiamo anche misurato un indice A per valutare se la fMRI potesse essere inclusa come precedente per la localizzazione della sorgente EEG, utilizzando un modello bayesiano gerarchico 2 . Grandi valori positivi di A significano che i dati fMRI erano informazioni altamente rilevanti per quanto riguarda i dati EEG.

Risultati: 3 pazienti non hanno mostrato alcuna risposta fMRI. Tra gli altri 6 pazienti, i risultati MEM e fMRI hanno mostrato una buona concordanza in 4 (D < 2,5 cm). Tuttavia, l'analisi qualitativa ha rivelato che la maggior parte mostrava aree concordanti e aree uniche per ciascuna modalità. Il nostro indice A era in buon accordo con il confronto qualitativo dei risultati MEM e fMRI.

Conclusioni: Il nostro studio evidenzia che la localizzazione della sorgente EEG e l'EEG/fMRI hanno chiaramente esplorato diversi fenomeni legati alla generazione di picchi. Le aree cerebrali coinvolte potrebbero essere concordanti o complementari per quanto riguarda entrambe le modalità. L'indice di pertinenza A sembra promettente per decidere se la fMRI o una parte della mappa fMRI debba essere utilizzata come prima per la localizzazione della sorgente. Analizzando più dati, questi approcci possono fornire una migliore comprensione dei meccanismi coinvolti durante la generazione e la propagazione dei picchi.

RIFERIMENTI

1. Amblard, Do et al 2004 IEEE TBME, 51 ( 3 ).

2. Daunizeau, J et al 2005 IEEE TSPS , in corso di stampa (supportato dal Canadian Institute of Health Research, Jeanne Timmins Costello Fellowship.)

1 Kurt E. Hecox, 1 Fengmei Lui, 1 Seaon Marler, 1 Jennifer Dwyer, 1 Michael Kohrman, 1 Arnetta McGhee e 1 Joel Fontanarosa (1 Pediatria, Università di Chicago, Chicago, IL)

Fondamento logico: L'analisi dei sistemi dinamici è stata applicata allo studio dei dati EEG interictali e ictali per più di un decennio. Sono state segnalate anomalie in queste misure nell'individuazione, previsione e localizzazione delle convulsioni. Lo scopo di questo studio è estendere queste osservazioni alla popolazione pediatrica, confrontare i dati ictali con tre forme di dati di base e descrivere alcune delle caratteristiche della distribuzione spaziale dei cambiamenti dei sistemi, per più metriche.

Metodi: Le registrazioni intracraniche ed extracraniche sono state ottenute da una serie di pazienti di età pediatrica sottoposti a valutazione per il trattamento chirurgico. L'età variava dai 5 ai 19 anni. Per ogni paziente sono stati selezionati e analizzati tre esempi di convulsioni, sonno interictale, veglia interictale e preictale (entro un minuto dall'inizio delle crisi). Le metriche sono state calcolate per la dimensione di correlazione (minimi quadrati), la dimensione di correlazione (massima verosimiglianza), l'entropia di Kolmogorov, gli autovalori e Z (una misura globale di non linearità) in ciascun caso. Queste metriche sono state calcolate per almeno otto elettrodi di superficie (quattro su ciascun emisfero) e per almeno 16 elettrodi intracranici. Gli elettrodi intracranici sono stati ulteriormente suddivisi in "coinvolti" contro "non coinvolti" nell'evento ictale secondo l'analisi visiva. Questi dati sono stati sottoposti ad analisi della varianza e ad analisi del chi quadrato.

Risultati: L'ottanta per cento degli eventi ictal era rilevabile. Sono state osservate differenze tra le linee di base del sonno e della veglia per il 70% del gruppo. Sono stati osservati cambiamenti preictal per il 40% del gruppo, rispetto al basale. Elettrodi apparentemente non coinvolti mostrano cambiamenti in queste metriche sia in modo ittico che interictale. L'entità del cambiamento e le metriche che mostrano i cambiamenti variavano tra i pazienti, ma l'autovalore era più comunemente cambiato tra le misure. L'autovalore e la dimensione di correlazione (minimi quadrati) erano i meno spazialmente specifici, mentre l'entropia di Kolmogorov e Z erano i più spazialmente specifici.

Conclusioni: Continuiamo a osservare cambiamenti ictali nelle misure dei sistemi dinamici nei pazienti pediatrici di età avanzata con convulsioni. Le misure sono anche anormali in un certo numero di pazienti interitalmente. Nessuna singola metrica è sufficientemente completa per essere isolata, dal punto di vista del rilevamento o dell'anticipazione. L'anticipazione era possibile in quasi la metà dei casi. I risultati più sorprendenti di questo studio sono stati che gli elettrodi ritenuti "di controllo" o non coinvolti nelle crisi possono mostrare cambiamenti significativi in ​​queste metriche e che le metriche variano considerevolmente nella loro specificità spaziale. La localizzazione di un focus utilizzando queste metriche deve essere eseguita con notevole cautela. Inoltre, le differenze nella distribuzione spaziale tra le metriche suggeriscono che queste metriche non riflettono tutte il funzionamento di un singolo processo. (Supportato dalla Falk Medical Trust Foundation.)

1 Christophe C. Jouny, 1 Piotr J. Franaszczuk e 1 Gregory K. Bergey (1 Dipartimento di Neurologia - Centro per l'epilessia, Johns Hopkins University School of Medicine, Baltimora, MD)

Fondamento logico: Le crisi parziali originano dalle regioni focali dell'epilettogenesi. La dinamica dell'insorgenza delle crisi e il modello delle scariche ictali possono riflettere la regione cerebrale di insorgenza delle crisi. Ad oggi, tuttavia, queste osservazioni sono state in gran parte derivate dall'analisi visiva o dalla semplice caratterizzazione della frequenza. Riportiamo qui un'analisi comparativa dettagliata delle dinamiche delle crisi all'inizio delle crisi.

Metodi: Abbiamo analizzato i dati di crisi parziali multiple di pazienti con epilessia ad esordio temporale mesiale (MTLE n = 3) o con epilessia lesionale neocorticale (NLE n = 6) monitorati nell'unità di monitoraggio dell'epilessia per la valutazione prechirurgica con array di reti subdurali intracraniche. La scomposizione tempo-frequenza è stata ottenuta con il metodo dell'inseguimento di corrispondenza (MP). La densità dell'atomo di Gabor (GAD) (Jouny et al. 2003), derivata da MP, fornisce una misura della complessità del segnale. Diverse caratteristiche dell'EEG intracranico (ICEEG) o del GAD possono essere utilizzate per sincronizzare le crisi. L'inizio dell'aumento di complessità è stato utilizzato per sincronizzare gli eventi. Le mappe tempo-frequenza ricostruite dalla decomposizione MP sono state quindi riallineate e mediate.

Risultati: I grafici GAD rivelano che tutte le crisi ad esordio temporale mesiale e le crisi ad esordio neocorticale hanno un aumento di complessità all'inizio delle crisi e hanno un modello di insorgenza riproducibile. Queste caratteristiche coerenti possono essere utilizzate per sincronizzare gli eventi. A causa della leggera variabilità dei tempi tra le diverse fasi del sequestro, si può migliorare la visibilità di una di queste fasi scegliendo la loro caratteristica come evento di sincronizzazione per il riallineamento. Le funzioni di esordio che non sono bloccate a tempo non verranno migliorate dalla media. In questo studio, l'insorgenza media delle crisi mostra componenti di frequenza predominanti distinguibili in 5 su 9 pazienti (∼7Hz, ∼15Hz, ∼20Hz o ∼40Hz) o attività con una firma spettrale più ampia in 3 su 9 pazienti.

Conclusioni: L'assunto che l'insorgenza di crisi multiple in un dato paziente abbia caratteristiche stereotipate si basa principalmente sull'esperienza clinica e sull'analisi visiva. Abbiamo studiato qui le componenti tempo-frequenza dettagliate delle crisi parziali e, facendo la media delle loro mappe ricostruite, abbiamo isolato le componenti comuni a tutte le crisi. Uno dei vantaggi del metodo è stato quello di rivelare un modello di insorgenza che include componenti ad alta frequenza (>40Hz) con una frequenza principale decrescente che non era evidente su ICEEG. I componenti ad alta frequenza durante l'insorgenza potrebbero passare inosservati, specialmente se incorporati nel pattern di insorgenza dell'elettrodecremento. Le registrazioni ad alta frequenza e l'analisi tempo-frequenza dettagliata possono rivelare l'evoluzione dinamica dell'insorgenza e fornire importanti informazioni sulla tempistica del modello di insorgenza e sulla localizzazione. (Supportato dalla concessione NIH NS 33732.)

1 Anna Korzeniewska, 2 Rafal Kus, 1 Piotr Franaszczuk, 3 Ciprian Crainiceanu e 1 Nathan E. Crone (1 Dipartimento di Neurologia, Scuola di Medicina della Johns Hopkins University, Baltimora, MD 2 Laboratorio di Fisica Medica, Università di Varsavia, Varsavia, Polonia e 3 Dipartimento di Biostatistica, The Johns Hopkins University, Baltimora, MD)

Fondamento logico: Le regioni corticali responsabili della produzione delle parole sono state mappate con una varietà di tecniche, ma le interazioni dinamiche tra queste regioni corticali in tempo reale devono ancora essere esplorate in profondità.Per indagare su queste interazioni abbiamo registrato segnali elettrocorticografici (ECoG) mentre i soggetti pronunciavano parole in risposta a stimoli visivi o uditivi e abbiamo studiato i flussi di attività gamma correlati agli eventi tra diverse regioni corticali.

Metodi: La funzione di trasferimento diretto diretto a breve termine (SdDTF) è un nuovo metodo per stimare le interazioni causali tra diverse regioni del cervello. SdDTF valuta la direzione e l'intensità dei flussi di attività EEG durante periodi consecutivi di breve durata, per bande di frequenza selezionate. Questo approccio multicanale consente di confrontare i punti di forza delle relazioni tra i siti. Sono stati analizzati i segnali ECoG registrati durante due compiti, ripetizione di parole (stimolo uditivo) e denominazione di immagini (stimolo visivo). I cambiamenti correlati agli eventi nelle interazioni della rete corticale sono stati studiati con enfasi su 60-140 Hz (gamma alto).

Risultati: Gli stimoli verbali uditivi sono stati associati ai flussi di attività principalmente tra i siti all'interno del giro temporale superiore (STG) e da STG al giro frontale inferiore (IFG) e alla corteccia sensomotoria ventrale (vSMC) sono state osservate anche interazioni tra STG e l'area del linguaggio temporale basale (BTLA). . Nell'intervallo tra l'offset dello stimolo della parola uditiva e l'inizio della risposta verbale, i flussi sono stati osservati prevalentemente da STG a IFG e BTLA. Erano presenti anche flussi tra IFG, STG e vSMC. Durante la denominazione delle immagini, l'intervallo tra l'inizio dello stimolo e la risposta verbale è stato associato a molte interazioni bidirezionali tra IFG e STG e tra IFG, BTLA e vSMC. Le risposte parlate agli stimoli sia visivi che uditivi erano associate a un numero relativamente minore di interazioni, sebbene coinvolgessero tutti i siti sopra menzionati.

Conclusioni: Le interazioni della rete corticale durante la produzione di parole dipendono prevedibilmente dalla modalità dello stimolo. Queste interazioni si riflettono nei cambiamenti nei flussi di attività ad alta gamma tra e all'interno delle regioni corticali comunemente coinvolte nell'elaborazione del linguaggio. (Supportato da NINDS R01-NS41598.)

1 Lorant Kovacs, 2 Nandor Ludvig, 2 Orrin Devinsky e 2 Ruben I. Kuzniecky (1 Divisione Software, ESCO, Garden Grove, CA e 2 Neurologia, Comprehensive Epilepsy Center, NYU School of Medicine, New York, NY)

Fondamento logico: L'obiettivo era sviluppare un programma ("SeizureGuard") ideale per riconoscere/prevedere le crisi EEG, in tempo reale, entro le limitate risorse di potenza dei futuri dispositivi terapeutici completamente impiantati, come la neuroprotesi ibrida.

Metodi: Invece di gestire i segnali EEG come una successione di onde, il programma SeizureGuard ha scomposto questi segnali in vettori, descrivendo ciascun vettore con il suo angolo e la sua grandezza. Dal flusso vettoriale derivato, il programma ha calcolato vari parametri neurobiologicamente rilevanti, tra cui l'intervallo tra i vettori e la periodicità dei vettori. Questi parametri sono stati indicizzati in base alla loro rilevanza per le caratteristiche delle crisi epilettiche elettrografiche. Nei calcoli non sono stati utilizzati numeri complessi. Per convalidare l'algoritmo, è stato utilizzato un programma di utilità di data mining per estrarre segnali EEG continui da file generati con un sistema di registrazione Nicolet BMSI 6000. Tutte le registrazioni sono state ottenute da pazienti con epilessia del lobo temporale pre-chirurgicamente impiantati con elettrodi a striscia ea griglia subdurali.

Risultati: Il programma ha riconosciuto accuratamente le crisi EEG subcliniche entro 1-2 secondi dal loro esordio. Artefatti e scariche ritmiche non epilettiche e onde di grande ampiezza non sono state erroneamente indicate. È interessante notare che i rilevamenti occasionali di crisi epilettiche falsi positivi da parte del programma nella fase interictale hanno effettivamente indicato scoppi di onde/picchi taglienti che si sono verificati nei canali di registrazione dell'attività convulsiva.

Conclusioni: Il programma SeizureGuard, utilizzando un algoritmo computazionalmente poco costoso che scompone le onde EEG in vettori, è adatto per riconoscere l'insorgenza di crisi subcliniche focali e ha il potenziale per indicare eventi epilettiformi prima di queste crisi. In quanto tale, sembra essere l'ideale per l'uso in dispositivi impiantati per il controllo delle crisi. (Supportato da NYU/FACES.)

1 Yuan Lai, 2 Wim Van Drongelen, 2 David M. Frim, 2 Kurt E. Hecox e 1 Bin He (1 ingegneria biomedica, Università del Minnesota e 2 pediatria, Università di Chicago)

Fondamento logico: Negli ultimi decenni, la chirurgia dell'epilessia è stata sempre più riconosciuta come un trattamento praticabile per i pazienti con crisi epilettiche refrattarie al medico. Tuttavia, l'ampio divario tra il numero di potenziali candidati chirurgici e il numero di pazienti trattati con la chirurgia esiste ancora a causa della procedura lunga, complessa e costosa della pratica corrente di utilizzare procedure invasive per identificare i focolai epilettici responsabili delle crisi. Se i focolai epilettici possono essere identificati in modo non invasivo, numerosi pazienti con epilessia sottoposti a trattamento chirurgico beneficeranno in modo significativo della pianificazione chirurgica non invasiva. Lo scopo del presente studio è valutare una nuova tecnica di imaging corticale elettrofisiologico non invasivo (He et al., IEEE-TBME, 46:1264–1268, 1999) per visualizzare e localizzare le attività ictali dall'EEG del cuoio capelluto.

Metodi: Tutti i pazienti sono pazienti pediatrici con epilessia parziale intrattabile nel Pediatric Epilepsy Center dell'Università di Chicago. Per ogni paziente, sono state identificate visivamente più crisi abituali secondo i criteri IFSECN. Le attività di crisi con propagazione improvvisa all'intero cervello sono state escluse da ulteriori analisi. Per le registrazioni EEG ictali con morfologia focale ritmica sostenuta, l'analisi tempo-frequenza è stata applicata come pre-elaborazione. L'evoluzione spazio-temporale delle scariche ictali è stata esaminata utilizzando l'analisi wavelet per ottenere una distribuzione dell'energia variabile nel tempo in ciascuna banda di frequenza. La frequenza dominante è determinata con la massima concentrazione di energia, alla quale viene utilizzata la codifica di fase per l'EEG multicanale intorno all'inizio delle crisi per generare una mappa del potenziale del cuoio capelluto che rappresenta la principale attività ictale. L'algoritmo di imaging corticale (He et al., 1999) è stato quindi applicato per ricostruire la distribuzione del potenziale corticale dalla mappa del potenziale dello scalpo codificata in fase. Poiché i pazienti pediatrici di solito hanno crisi convulsive provenienti dalla neocorteccia, è meno probabile che il potenziale corticale stimato generato da diverse fonti sottostanti si sovrapponga in modo che possa essere utilizzato per osservare l'attività della fonte con una deviazione molto minore rispetto a quella proveniente da una fonte più profonda.

Risultati: Sono stati studiati cinque pazienti con epilessia pediatrica per varie cause, che sono liberi da crisi o che hanno una sostanziale riduzione delle crisi dopo resezioni neurochirurgiche. Per tutti i pazienti, l'analisi di imaging corticale è stata in grado di rivelare con successo zone corticali epilettogene sottostanti a diversi lobi (temporali o extra-temporali, uno o due focolai epilettogeni per ciascun paziente), che sono coerenti con i risultati clinici e confermati da resezioni neurochirurgiche e risultati.

Conclusioni: L'imaging corticale può localizzare in modo affidabile l'attività corticale nelle regioni che mostrano attività epilettiforme, queste regioni sono state confermate da una resezione chirurgica di successo. L'imaging corticale può diventare un'utile alternativa per la pianificazione pre-chirurgica e chirurgica non invasiva nei pazienti pediatrici con epilessia. (Supportato da NIH EB 00178 e NSF BES-0411898.)

1 Pierre LeVan, 1 Elena Urrestarazu e 1 Jean Gotman (1 EEG, Montreal Neurological Institute, McGill University, Montreal, QC, Canada)

Fondamento logico: L'obiettivo di questo studio era ideare un sistema automatizzato per rimuovere gli artefatti dall'EEG ictale del cuoio capelluto, utilizzando l'analisi dei componenti indipendenti (ICA). Gli attuali metodi ICA si basano su una noiosa identificazione visiva delle fonti artefatte tra i componenti estratti, da qui il desiderio di un metodo completamente automatizzato.

Metodi: Sono state analizzate 69 registrazioni ictal del cuoio capelluto di 16 pazienti epilettici. Le convulsioni sono state contaminate da vari artefatti come movimenti oculari, EMG e movimento del paziente. Per ogni crisi, l'ICA è stata applicata a un intervallo di 30 secondi a partire da circa 10 secondi prima dell'inizio della sospetta crisi. I componenti indipendenti estratti sono stati divisi in epoche 2s e ogni epoca è stata etichettata come EEG o non EEG. I dati di metà dei pazienti sono stati utilizzati come set di addestramento per indurre un classificatore di rete bayesiana, mentre i dati rimanenti sono stati riservati all'uso come set di convalida. Il classificatore utilizzava le seguenti caratteristiche: negentropia dei componenti, varianza dell'epoca, entropia spettrale tra 5 e 30 Hz e potenza relativa in più bande di frequenza. La distribuzione spaziale di ciascun componente è stata quindi adattata con un dipolo, la cui posizione è stata utilizzata anche come caratteristica ogni volta che la varianza residua dell'adattamento era inferiore al 20%. Per ogni epoca 2s, l'output del classificatore era la probabilità che l'epoca rappresentasse l'attività EEG. Un componente era considerato artefatto se la somma delle probabilità per le sue 15 epoche era inferiore a 4. Per valutare le prestazioni del sistema, un neurologo esperto ha esaminato le registrazioni originali delle crisi nel set di convalida e le ha confrontate con le registrazioni ricostruite dopo rifiuto dei componenti artefatti. È stato assegnato un punteggio qualitativo rispetto alla riduzione dell'attività artefatta e alla conservazione dell'attività EEG.

Risultati: Il set di convalida conteneva 33 crisi epilettiche di 8 pazienti. Il sistema ha classificato correttamente 5047/5920 (85%) epoche EEG e 5628/6950 (81%) epoche non EEG. Il revisore ha notato che 23 sequestri sono stati contaminati da una quantità significativa di manufatti. Dopo il rigetto automatico dei componenti artefatti, il revisore ha stabilito che la maggior parte degli artefatti è stata rimossa in 17 crisi, mentre 5 di loro hanno avuto miglioramenti minori e solo 1 record non ha avuto riduzione dell'attività artefatta. Il sistema ha preservato tutta l'attività EEG in 17 crisi, ha attenuato alcune attività EEG minori in 4 casi e ha rimosso alcune attività ictali significative nei restanti 2 casi. Il metodo automatizzato è stato applicato anche alle 10 crisi che non contenevano artefatti significativi in ​​9 casi, tutta l'attività EEG è stata preservata, mentre il caso rimanente ha avuto solo una lieve attenuazione EEG.

Conclusioni: Le caratteristiche temporali e spaziali dei componenti ICA sono state utilizzate in un quadro bayesiano per classificare le epoche dei componenti come EEG o non EEG. Ciò ha permesso al sistema proposto di eliminare automaticamente una grande proporzione di componenti artefatti nelle registrazioni del cuoio capelluto ictale, influenzando minimamente l'attività EEG. (Supportato da NSERC CGS-M, CIHR MOP-10189.)

1 John W. Miller, 1 Wonsuk Kim, 1 Mark Holmes e 2 Sampsa Vanhatalo (1 Neurologia, Università di Washington, Seattle, WA e 2 Neurofisiologia clinica, Università di Helsinki, Helsinki, Finlandia)

Fondamento logico: Abbiamo recentemente descritto tecniche per eseguire registrazioni EEG accoppiate in CC a lungo termine al capezzale e abbiamo utilizzato questi metodi per dimostrare che l'ispezione dell'attività infraslow (<0,5 Hz) può lateralizzare correttamente le convulsioni del lobo temporale (Vanhatalo et al, Neurology.60:1098 , 2003). Tuttavia, anche l'attività infraslow di ampiezza elevata può talvolta essere difficile da localizzare mediante una semplice ispezione visiva se vi è una considerevole attività EEG sovrastante più veloce o un artefatto lento oscurante. Inoltre, questo studio precedente non ha studiato le crisi extratemporali, che sono spesso più difficili da localizzare. Affrontiamo questi problemi con miglioramenti nella tecnica di registrazione e analisi dell'EEG accoppiato a DC ed estendendo la nostra osservazione alle convulsioni derivanti da una varietà di regioni cerebrali.

Metodi: Le registrazioni sono state eseguite su pazienti sottoposti a monitoraggio prechirurgico per epilessia correlata alla localizzazione intrattabile dal punto di vista medico con 20 crisi epilettiche in 11 pazienti inclusi nell'analisi. Le registrazioni hanno utilizzato un sistema commerciale per la registrazione accoppiata in CC, con elettrodi Ag/AgCl sinterizzati in una matrice standard definita dal sistema 10:10, con elettrodi temporali anteriori aggiuntivi e catene subtemporali. Successivamente, gli eventi ictali sono stati esportati in un pacchetto software di analisi EEG (BESA 5.0) per rivedere le crisi con montaggi sorgente. Il riconoscimento e la localizzazione del segnale infraslow sono stati facilitati (i) comprimendo la scala temporale (da 30 a 90 secondi per schermo), ii) filtrando il segnale nel dominio del tempo (ad es. iii) filtrando il segnale nello spazio (ad es. con un montaggio sorgente) e iv) utilizzando una media mobile per livellare la registrazione. Le proprietà di filtraggio spaziale del montaggio sorgente facilitano inoltre la differenziazione del cambiamento ictale dagli artefatti fisiologici, come i movimenti oculari, che derivano da altre regioni della testa. Inoltre, le caratteristiche di frequenza temporale di alcune crisi sono state analizzate mediante FFT e mediante l'uso di wavelet di Morlet.

Risultati: I segnali infraslow erano presenti con tutte le crisi focali, a volte con ordini di ampiezza superiori ai segnali ictal nella banda di frequenza EEG convenzionale (da 0,5 a 70 Hz). L'analisi di questi segnali infraslow è stato uno strumento di localizzazione affidabile. Cinque pazienti in questo studio hanno ricevuto un intervento chirurgico per l'epilessia e hanno avuto un follow-up che documenta una significativa riduzione delle crisi epilettiche e l'analisi dei segnali infraslow ha localizzato correttamente i focolai epilettici in tutti e cinque, mentre la registrazione EEG non invasiva convenzionale con l'analisi visiva delle crisi ha localizzato correttamente solo due.

Conclusioni: Le registrazioni EEG accoppiate a DC possono fornire ulteriori informazioni clinicamente utili per localizzare in modo non invasivo il focus epilettogeno. Il valore di questo metodo è aumentato dagli strumenti di analisi della sorgente che possono rivelare cambiamenti altamente localizzati in modo più chiaro rispetto all'ispezione visiva diretta. (Supportato dal Centro regionale per l'epilessia dell'UW.)

1 Victoria L. Morgan, 2 Eliane Kobayashi, 2 Andrew Bagshaw, 2 Colin Hawco, 3 Bassel Abou-Khalil, 2 Francois Dubeau e 2 Jean Gotman (1 Radiologia, Vanderbilt University, Nashville, TN 2 Montreal Neurological Institute and Hospital, McGill Università, Montreal, Canada e 3 Neurologia, Vanderbilt Unversity, Nashville, TN)

Fondamento logico: La fMRI e l'EEG simultanei possono localizzare i generatori di picchi interictali registrati sull'EEG del cuoio capelluto. L'analisi temporale dei cluster (TCA) è un metodo per analizzare le immagini fMRI indipendentemente dalle informazioni EEG. Il TCA cerca di identificare le attivazioni dello stato di riposo relative alla zona epilettogena. L'obiettivo di questo studio era confrontare i risultati di queste due analisi in una serie di pazienti con epilessia del lobo temporale (TLE).

Metodi: Le immagini fMRI BOLD sono state acquisite in 22 pazienti TLE su uno scanner MRI da 1,5 T con EEG continuo simultaneo in sessioni di due ore presso l'MNI (64 × 64 × 25, 5 mm × 5 mm × 5 mm, TR = 3 sec, 120 volumi per serie, 8 –10 serie per paziente). Per l'analisi EEG-BOLD, gli EEG sono stati elaborati offline e sono stati identificati picchi nell'EEG filtrato per l'analisi correlata agli eventi. Per l'analisi TCA-BOLD sono state utilizzate solo le prime tre serie. I dati sono stati analizzati con metodi TCA precedentemente pubblicati in cui viene creato un istogramma che indica il numero di voxel che raggiungono almeno l'80% del loro massimo in ogni momento. Le regioni attivate sono state determinate utilizzando un'analisi a effetti fissi delle tre serie. Sono state valutate la concordanza dell'attivazione del lobo temporale identificata dai due metodi e i picchi del lobo temporale. I pazienti sono stati divisi in quelli con picchi unilaterali e quelli con picchi bilaterali indipendenti del lobo temporale all'EEG. L'fMRI di un paziente non è stata analizzata a causa del movimento eccessivo.

Risultati: Quattordici pazienti avevano picchi unilaterali sull'EEG: 12/14 avevano attivazione temporale TCA-BOLD (6 erano ipsilaterali ai picchi EEG e 2 avevano attivazione bilaterale con predominanza ipsilaterale ai picchi) e 9/14 mostravano attivazione EEG-BOLD (2 erano omolaterale alle punte EEG, 5 avevano attivazione bilaterale con predominanza omolaterale alle punte, una aveva attivazione bilaterale senza predominanza laterale). Sette pazienti avevano picchi temporali indipendenti bilaterali all'EEG: tutti i pazienti hanno mostrato attivazione TCA-BOLD nei lobi temporali, ma era bilaterale (in accordo con l'EEG) in 3 4/7 pazienti ha mostrato attivazione del lobo temporale EEG-BOLD, bilaterale in 3. Nel complesso, abbiamo osservato un accordo tra entrambi i metodi in 7/11 pazienti.

Conclusioni: Le attivazioni nei lobi temporali sono state rilevate nel 90% dei pazienti utilizzando TCA-BOLD e nel 68% utilizzando EEG-BOLD. Il TCA, che ha il vantaggio di non utilizzare le informazioni dell'EEG, è stato concordante con l'analisi EEG-BOLD nel 64% di coloro che hanno mostrato attivazioni e ha rivelato risposte non presenti nel primo in 5. TCA-BOLD potrebbe lateralizzare il sottostante lesione strutturale alla risonanza magnetica nel 52% dei pazienti, simile a quella osservata con l'analisi EEG-BOLD (48%). È necessario un maggiore sviluppo per entrambi i metodi. (Supportato da Epilepsy Foundation e Canadian Institutes of Health Research, borsa di studio Preston Robb MNI e Savoy Foundation for Epilepsy.)

1 Amit Mukherjee, 2 Pradeep Modur e 1 Nicolaos Karayiannis ( 1 Ingegneria Elettrica e Informatica, Università di Houston, Houston, TX e 2 Neurologia, Università di Louisville, Louisville, KY )

Fondamento logico: Descriviamo un nuovo metodo per il rilevamento dell'insorgenza delle crisi utilizzando una rete neurale quantistica (QNN) che è stata progressivamente addestrata da caratteristiche quantitative (in entrambi i domini di tempo e frequenza) estratte dai segnali EEG intracranici (iEEG). I QNN sono particolarmente utili nella classificazione dei dati incerti senza alcuna ipotesi restrittiva. [Purushothaman e Karayiannis, Reti transneurali IEEE 1997 8:679–693].

Metodi: Sono stati analizzati i dati grezzi iEEG (registrazioni subdurali e di profondità) di 4 soggetti, campionati a 1000 Hz. Bandpass è stato impostato da 1,6 a 300 Hz. L'insorgenza della crisi è stata marcata al momento del primo cambiamento nell'EEG. Il segmento EEG, 10 secondi prima e dopo l'inizio della crisi, è stato diviso in epoche di insorgenza (OE), ciascuna della lunghezza di 2 secondi, con una sovrapposizione del 50% tra epoche consecutive. L'epoca di fondo (BE) è stata definita come la media di 30 secondi EEG durante il periodo interictale, che precede l'OE di almeno 2 min.

Il segnale è stato scomposto utilizzando una wavelet Daub-2 e le scale da 2 a 6 (corrispondenti ai bin di frequenza 250-125, 125-63, 63-32, 32-16, 16-8 e 8-4 Hz rispettivamente) sono state utilizzate per la funzione analisi. Per ogni scala sono stati calcolati due parametri: energia relativa (rapporto tra l'energia in una data scala nell'OE e l'energia della stessa scala nella BE) media della coda di distribuzione (rapporto tra la media del coefficiente quadrato superiore 80esimo percentile alla media del coefficiente al quadrato per una data scala). Oltre a questa media ampiezza picco-picco e lunghezza della curva (misura relativa alla dimensione frattale) dell'OE vengono calcolate e utilizzate come caratteristiche.

QNN è stato inizialmente addestrato utilizzando modelli di insorgenza delle crisi da più soggetti. Ad ogni successivo sequestro, il QNN è stato progressivamente riqualificato popolando l'addestramento con il 50% delle epoche appartenenti all'ultimo sequestro, il 25% appartenenti al precedente all'ultimo sequestro e il 25% da una banca contenente una varietà di schemi da multipli soggetti. Il processo decisionale si basava sulla capacità intrinseca del QNN di identificare e quantificare l'incertezza, rappresentata dai suoi valori di output tra 0 (non crisi) e 1 (crisi), in combinazione con una regola spazio-temporale.Pertanto, l'insorgenza di crisi è stata segnalata quando l'attività è stata osservata in almeno 2 canali adiacenti e l'attività è stata sostenuta per almeno 6 secondi (con valore di uscita QNN >0.65). Se un canale aveva segnalato un sequestro in passato, la sua soglia di adesione veniva ridotta a 0,4 e veniva applicata la regola spazio-temporale. Il classificatore QNN è stato testato su 8 crisi da 2 soggetti (ciascuno con 4 crisi).

Risultati: Tutti gli attacchi epilettici (100%) sono stati rilevati utilizzando il metodo di cui sopra. Ci sono stati solo pochi falsi rilevamenti.

Conclusioni: QNN progressivamente addestrati sembrano essere promettenti nel rilevamento dell'insorgenza di crisi epilettiche intracraniche. Ulteriori indagini si concentreranno sull'individuazione di una più ampia varietà di modelli di insorgenza delle crisi in più soggetti e diverse strategie decisionali.

1 Ayako Ochi, 1 Hiroshi Otsubo, 1 Ryoichi Iwata, 1 Takanori Funaki, 1 Tomoyuki Akiyama, 1 Rohit Sharma, 1 Shelly K. Weiss, 1 Elizabeth Donner, 1 Irene Elliott, 2 James T. Rutka e 1 O. Carter Snead III (1 Neurologia, The Hospital for Sick Children, Toronto, ON, Canada e 2 Neurosurgery, The Hospital for Sick Children, Toronto, ON, Canada)

Fondamento logico: Le oscillazioni ad alta frequenza (HFO) nell'intervallo di frequenza di 80 Hz e oltre sono state studiate da dati EEG subdurali ictali in pazienti con epilessia intrattabile correlata alla localizzazione. L'analisi di frequenza a banda multipla (MBFA) fornisce un'elevata risoluzione delle variazioni di frequenza e dei corsi temporali negli HFO. Abbiamo studiato gli HFO ictali dal monitoraggio EEG subdurale video extraoperatorio (SDEEG) utilizzando MBFA per caratterizzare i modelli di HFO nei bambini con epilessia neocorticale intrattabile.

Metodi: Abbiamo studiato retrospettivamente 8 bambini (3 ragazze e 5 ragazzi età media, 14 anni, da 8 a 17 anni) che si sono presentati con epilessia neocorticale intrattabile e sono stati sottoposti a SDEEG composto da 48 a 116 contatti (AD-TECH Medical Instrument Corporation, Racine, WI, STATI UNITI D'AMERICA). Abbiamo registrato SDEEG da 48 a 144 ore con una frequenza di campionamento di 1.000 Hz (HARMONY 5.4, Stellate, Montreal, PQ, Canada). Abbiamo analizzato da 4 a 11 crisi selezionando epoche di dati SDEEG da 10 a 50 secondi di cui 5 secondi prima dell'inizio dell'EEG ictale. Abbiamo utilizzato MBFA utilizzando il programma software Short Spectrum Eye (Gram, Saitama, Giappone) per l'analisi della frequenza e della distribuzione degli HFO. Gli spettrogrammi di potenza delle bande di frequenza comprese tra 5 Hz e 300 Hz sono stati calcolati con una risoluzione in frequenza di 2 Hz e una risoluzione temporale di 25 ms. Abbiamo disposto tutti gli spettrogrammi di potenza nello stesso ordine degli elettrodi della griglia subdurale e valutato la distribuzione degli HFO.

Risultati: Sette degli 8 pazienti presentavano alterazioni ictali dell'HFO a livello regionale (media, 23 elettrodi). Abbiamo trovato due modelli di HFO costituiti dall'esistenza o dall'assenza di una banda stretta sostenuta di HFO. Quattro dei 7 pazienti avevano un'ampia gamma iniziale di HFO (fino a 115 Hz) della durata da 2 a 5 secondi prima dell'inizio delle crisi cliniche, seguita da una banda stretta e sostenuta di HFO (media, 101 Hz) durante il sintomo ictale di crisi parziali. Le crisi in questi 4 pazienti si sono evolute in una generalizzazione secondaria. Gli altri tre pazienti avevano un'ampia gamma di HFO (fino a 214 Hz) prima e dopo l'esordio clinico senza seguire una banda stretta e prolungata di HFO. Si presentavano con brevi crisi parziali a grappolo in un paziente, spasmi epilettici in 2, ma non si sono evolute in crisi generalizzate secondariamente. Le aree di resezione corticale in 7 pazienti includevano la regione degli HFO predominanti (frequenza massima media, 138 Hz). Hanno ottenuto buoni risultati post-chirurgici. Il restante un paziente non aveva cambiamenti HFO ictali predominanti a livello regionale. Questo paziente ha convulsioni parziali residue dopo l'escissione corticale frontale.

Conclusioni: MBFA ha caratterizzato 2 modelli di alterazioni HFO ictali tra crisi con e senza generalizzazione secondaria nell'epilessia neocorticale pediatrica. Gli HFO ictali predominanti a livello regionale rappresentavano l'insorgenza ictale e le zone sintomatogene ictali.

1,2 Hannes Osterhage, 1 Florian Mormann, 1 Ralph G. Andrzejak, 1 Christian E. Elger e 1,2 Klaus Lehnertz (1 Dipartimento di Epilettologia, Università di Bonn, Bonn, Germania e 2 Helmholtz-Institute for Radiation and Fisica nucleare, Università di Bonn, Bonn, Germania)

Fondamento logico: I pazienti affetti da epilessia focale intrattabile possono trarre beneficio dalla resezione neurochirurgica del focolaio epilettico a condizione che possa essere identificato tramite la registrazione elettroencefalografica dell'inizio della crisi. Una domanda interessante è se il focus può essere identificato in modo affidabile dalle registrazioni interictali, cioè senza la necessità di osservare le crisi. Le misurazioni della sincronizzazione tra diversi canali EEG si sono rivelate promettenti per questo scopo. Finora sono state proposte una serie di misure per la sincronizzazione basate su approcci differenti. In questo studio è stato effettuato un confronto tra diverse misure di sincronizzazione lineare e non lineare rispetto a due aspetti: 1. prestazione generale delle misure in termini di capacità di discriminare l'ipsi- dall'emisfero controlaterale, 2. confronto tra diverse misure da indagare se i diversi approcci rendano informazioni complementari o ridondanti.

Metodi: Abbiamo analizzato le registrazioni EEG intracraniche degli intervalli liberi da crisi di 30 pazienti con epilessia del lobo temporale mediale intrattabile dal punto di vista medico sottoposti a diagnostica prechirurgica invasiva. I segnali EEG sono stati registrati tramite elettrodi di profondità intraippocampali bilaterali, ciascuno dotato di 10 contatti di registrazione e impiantati stereotatticamente lungo l'asse longitudinale della formazione dell'ippocampo. Il tempo totale di registrazione comprendeva più di 83 ore. Sono state calcolate diverse misure di sincronizzazione per tutte le combinazioni di elettrodi di profondità all'interno di ciascun emisfero utilizzando una tecnica a finestra mobile e quindi mediate nel tempo. Per ciascuna delle misure è stata calcolata la sincronizzazione spaziale media in ciascun emisfero. Una rilevazione dell'emisfero focale è stata effettuata per tutte le misure ei pazienti sulla base dell'ipotesi di una sincronizzazione media più elevata nell'emisfero focale. Lateralizzazioni vere e false sono state confrontate per diverse misure.

Risultati: La lateralizzazione corretta basata su una maggiore sincronizzazione dell'emisfero focale è risultata statisticamente significativa per tutte le misure studiate, sebbene le prestazioni effettive differissero tra le misure indagate. Lateralizzazioni false per diverse misure variavano tra 6 e 8 su 30. Un confronto tra lateralizzazioni corrette e false ha mostrato una forte somiglianza tra le misure.

Conclusioni: L'emisfero focale in un cervello epilettico è caratterizzato da un aumento patologico della sincronizzazione. Le diverse misure studiate in questo studio sembrano essere sensibili a questa maggiore sincronizzazione. L'analisi della lateralizzazione mediante misure di sincronizzazione potrebbe fornire ulteriori informazioni diagnostiche, sebbene le false lateralizzazioni riscontrate in questo studio potrebbero limitarne l'applicabilità clinica. (Supportato dalla Deutsche Forschungsgemeinschaft e dal fondo di ricerca intramurale BONFOR dell'Università di Bonn.)

1 Houman Khosravani, 2 Robert Pinnegar, 2 Ross Mitchell e 1 Paolo Federico (1 Dipartimento di Radiologia, Università di Calgary, Calgary, AB, Canada e 2 Dipartimento di Neuroscienze Cliniche, Università di Calgary, Calgary, AB, Canada)

Fondamento logico: La visualizzazione dei cambiamenti tempo-frequenza nell'EEG è stata tradizionalmente visualizzata utilizzando tecniche basate su Fourier (cioè Short Time Fourier Transform, STFT). Questo approccio è limitato data la sua finestra di analisi a lunghezza fissa e la natura non stazionaria dei segnali EEG. La trasformata S è una trasformata multirisoluzione basata su Fourier che ha una finestra di analisi di lunghezza variabile, aggirando così le carenze della STFT. Nel presente studio, introduciamo una nuova applicazione della trasformazione S per la visualizzazione di fenomeni EEG normali ed epilettiformi nell'uomo.

Metodi: Sono state utilizzate registrazioni selezionate di cinque soggetti normali e cinque pazienti con scariche epilettiformi focali o generalizzate. Abbiamo identificato un singolo canale che aveva un chiaro esempio di una caratteristica elettrografica di interesse (ad esempio alfa, mu, fusi del sonno, battito di ciglia, picco e onda, onda acuta) e abbiamo applicato la trasformazione S ad esso.

Risultati: La trasformazione S ha fornito una chiara visualizzazione delle componenti di frequenza, nel tempo, degli eventi elettrografici. Alcuni degli attributi spettrali di questi eventi non erano immediatamente evidenti sulla revisione convenzionale dell'EEG.

Conclusioni: L'applicazione della trasformazione S all'EEG è nuova e può potenzialmente essere uno strumento utile per visualizzare le caratteristiche clinicamente rilevanti nell'EEG. (Supportato dal Canadian Institutes of Health Research e dall'Alberta Heritage Foundation for Medical Research.)

1 Catherine Schevon, 2 Joshua Cappell, 3 Werner Doyle, 3 Howard Weiner, 2 Robert Goodman, 1 Ruben Kuzniecky e 2 Ronald Emerson (1 Dipartimento di Neurologia, New York University School of Medicine, New York, NY 2 Neurological Institute, Columbia College of Physicians and Surgeons, New York, NY e 3 Department of Neurosurgery, New York University School of Medicine, New York, NY)

Fondamento logico: La presenza di sincronizzazione localizzata dell'attività neuronale nell'epilessia è stata ben documentata nelle registrazioni di microelettrodi e EEG intracranico clinico (ICEEG). Un'ipotesi intrigante sullo sviluppo dell'epilessia è che una regione corticale, quando potenziata da crisi epilettiche ripetute, diventi cronicamente distorta, portando all'ipersincronia. Pertanto, le regioni del cervello più coinvolte nell'epilettogenesi sono contrassegnate da ipersincronia locale cronica (LH). In questo studio, discutiamo e illustriamo l'uso della misura della sincronia di fase media per rilevare e mappare i modelli di attività neuronale localmente ipersincrona nelle registrazioni ICEEG a lungo termine ottenute durante la valutazione prechirurgica dell'epilessia.

Metodi: Sono stati studiati sette pazienti con diverse sindromi epilettiche. In ogni caso sono stati testati tre campioni interictali di 5 minuti provenienti da diversi giorni di monitoraggio. Sono state studiate due crisi per ogni paziente, con campioni di 30 secondi prelevati dai periodi preictale, ictale e post-ictale. La sincronia tra gli elettrodi è stata misurata utilizzando l'algoritmo di coerenza di fase media, che calcola il grado di blocco di fase indipendentemente dall'ampiezza. La sincronia a coppie su epoche di un secondo è stata calcolata per tutti i canali adiacenti di una griglia subdurale situata sopra o vicino alla zona di insorgenza delle crisi clinicamente determinata. Le regioni LH sono state definite come un insieme di coppie di canali contigue con sincronia media maggiore di una deviazione standard al di sopra della media per l'intera griglia.

Risultati: Regioni LH croniche sono state trovate in tutti e sette i pazienti, con queste caratteristiche: (1) LH persisteva per lunghi periodi di registrazione ed era indipendente dallo stato. (2) Ogni paziente aveva un modello unico di regioni LH con differenti distribuzioni anatomiche. (3) In ogni caso, un'area LH è stata associata alla zona di insorgenza delle crisi identificata clinicamente. (4) Nelle registrazioni peri-ictali, c'era una relativa desincronizzazione focale in fase preictale, un reperto importante in due pazienti ma presente in una certa misura in tutti e sette, e una maggiore ipersincronia post-ictale.

Conclusioni: Questi risultati suggeriscono che l'ipersincronia locale nell'EEG è correlata ad anomalie che sono alla base dell'epilessia parziale. Questa identificazione può rivelarsi utile in diverse aree. In primo luogo, l'interpretazione clinica dell'EEG può essere migliorata utilizzando misurazioni di sincronia per aiutare a definire le reti epilettogene. In secondo luogo, le proprietà descritte possono essere studiate per far luce sui meccanismi epilettogeni. In terzo luogo, la conoscenza della struttura e della funzione della rete può portare a tecniche migliorate per interrompere la rete e prevenire le convulsioni attraverso la resezione, la neurostimolazione in loco o la somministrazione locale di farmaci. In quarto luogo, queste osservazioni possono portare a tecniche migliorate per la previsione e il rilevamento automatizzati delle crisi. VOLTI

1,7 Deng-Shan Shiau, 2,7 Chang-Chia Liu, 2,7 Wichai Suharitdamrong, 2 Panos M. Pardalos, 1,3–5 Paul R. Carney e 1,3–7 J. Chris Sackellares ( 1 Neuroscienze, Università della Florida 2 Ingegneria industriale e dei sistemi 3 Pediatria 4 Ingegneria biomedica 5 Neurologia 6 Psichiatria, Università della Florida, Gainesville, FL e 7 Malcolm Randall VA Medical Center, Gainesville, FL)

Fondamento logico: La rapida identificazione di pazienti con zone di insorgenza di crisi bitemporali indipendenti potrebbe ridurre notevolmente i costi di valutazione prechirurgica. Descriviamo un nuovo metodo per identificare i pazienti con focolai di crisi bilaterali indipendenti basati su una caratteristica non lineare dei segnali EEG. La caratteristica non lineare del segnale è quantificata dalla differenza statistica dei valori dell'esponente massimo di Lyapunov a breve termine (STLmax) stimati dai segnali EEG originali e dal suo set di dati surrogato.

Metodi: In questo studio sono stati inclusi otto adulti con epilessia del lobo temporale (5 con esordio temporale unilaterale e 3 con esordio bilaterale indipendente). Sono state analizzate le registrazioni EEG a lungo termine da elettrodi di profondità e subdurali posizionati bilateralmente (profondità temporale sinistra e destra, subtemporale e orbitofrontale). Le analisi iniziali hanno coinvolto i seguenti passaggi: (1) ogni segnale EEG è stato diviso in epoche di 10,24 secondi e sono state generate 10 serie temporali EEG surrogate, (2) i valori STLmax sono stati stimati per ogni epoca del segnale EEG originale e ciascuno dei 10 EEG surrogato segnali, (3) T-index, derivato dalle statistiche pair-T, è stato calcolato per misurare la differenza statistica nei valori STLmax tra il segnale originale e i valori medi stimati dai 10 EEG surrogati. L'ANOVA bidirezionale annidata è stata applicata per testare il significato dell'effetto della regione cerebrale (i pazienti erano blocchi casuali, le crisi epilettiche erano annidate all'interno del paziente). Livello di significatività = 0,05 è stato applicato per il rifiuto dell'ipotesi nulla.

Risultati: Per ciascuno dei cinque pazienti con insorgenza di crisi unilaterale, il test statistico ha rivelato che le caratteristiche non lineari dei segnali EEG derivati ​​dagli elettrodi temporali mesiali all'interno della zona di insorgenza delle crisi sono significativamente diverse da quelle di altre aree (p < 0,01). Al contrario, le caratteristiche non lineari dell'EEG non sono diverse (p > 0,05) tra le aree di registrazione in tutti e tre i pazienti che hanno manifestato crisi epilettiche bilaterali. Queste differenze erano presenti in tutta la registrazione, anche prima che fosse registrato il primo attacco.

Conclusioni: I risultati di questo studio suggeriscono che potrebbe essere possibile determinare in modo efficiente e quantitativo se un paziente è suscettibile di insorgere di crisi epilettiche temporali unilaterali o bitemporali indipendenti, sulla base dell'analisi delle caratteristiche non lineari del segnale EEG. In questi pazienti, i risultati erano robusti e persistenti. Saranno necessari ulteriori studi su un ampio campione di pazienti per determinare se questo approccio avrà utilità nella selezione dei candidati per la chirurgia resettiva. (Supportato da NIH Grant RO1EB002089 e Department of Veterans Affairs.)

1 Steven Schachter, 2 Ali Shoeb, 3 Blaise Bourgeois, 4 S. Ted Treves e 2 John Guttag (1 Dipartimento di Neurologia, Beth Israel Deaconess Medical Center e Harvard Medical School, Boston, MA 2 Ingegneria Elettrica e Informatica, Massachusetts Institute of Technology, Boston, MA 3 Dipartimenti di Neurologia, Children's Hospital Boston, Boston, MA e 4 Medicina nucleare, Children's Hospital Boston, Boston, MA )

Fondamento logico: L'accurata rilevazione elettrografica dell'insorgenza delle crisi con un sistema ambulatoriale potrebbe essere potenzialmente utilizzata per innescare un intervento acuto per limitare la progressione/la durata delle crisi e potrebbe anche servire per informare un caregiver o disabilitare elementi dannosi nell'ambiente del paziente (ad esempio, un fornello a gas che è acceso).

Metodi: Abbiamo implementato un algoritmo di rilevamento delle crisi specifico del paziente (Shoeb A, et al. Epilessia Comportamento 2004 5:483–498) su un piccolo processore di segnale digitale (DSP TM320C6711, Texas Instruments) e ha trasmesso in streaming EEG ambulatoriali precedentemente registrati da due pazienti al DSP a una velocità di 200 campioni/sec per canale. Per ogni EEG, abbiamo annotato la sensibilità e la specificità dei rilevamenti delle crisi e la latenza con cui l'algoritmo ha dichiarato l'insorgenza delle crisi a seguito dei cambiamenti elettroencefalografici iniziali.

Risultati: L'algoritmo è stato addestrato su epoche EEG prive di crisi e 7 crisi elettrografiche campionate uniformemente per tutta la durata dei due studi EEG. La figura mostra la latenza media per il rilevamento dell'insorgenza di crisi una volta iniziate le modifiche elettroencefalografiche. L'algoritmo ha rilevato 70/72 attacchi epilettici (30/31 per il paziente n. 1 e 41/42 per il paziente n. 2) e ha dichiarato 2 falsi rilevamenti (0 per il paziente n. 1 e 2 per il paziente n. 2) in 5,5 ore ( 2 ore per il paziente n. 1, 3,5 ore per il paziente n. 2) di epoche EEG ambulatoriali campionate uniformemente in un periodo di 36 ore (20 ore per il paziente n. 1 e 16 ore per il paziente n. 2). La figura confronta anche la rapidità con cui il paziente n. 1 è diventato sintomatico dopo l'insorgenza di crisi elettrografica (indicato premendo il pulsante dell'evento). Il paziente n. 2 non era a conoscenza delle sue crisi e quindi non ha premuto il pulsante dell'evento.

Conclusioni: Questi risultati preliminari dimostrano l'elevata sensibilità e specificità dei rilevamenti dell'insorgenza delle crisi utilizzando il nostro algoritmo e la fattibilità di rilevare le crisi in ambito ambulatoriale entro pochi secondi dall'insorgenza delle crisi elettrografica e prima che si manifestino i sintomi. È in corso un'ulteriore valutazione della nostra metodologia di rilevamento su studi EEG preregistrati e on-line ambulatoriali. (Supportato dal Center for Integration of Medicine and Innovative Technology (CIMIT) MIT Project Oxygen Partnership.)

1 Elena Urrestarazu, 1 Jeffrey D. Jirsch, 1 Pierre LeVan, 1 François Dubeau e 1 Jean Gotman (1 EEG, Montreal Neurological Institute, McGill University, Montreal, QC, Canada)

Fondamento logico: L'attività ad alta frequenza nell'EEG intracerebrale di pazienti epilettici è stata descritta in studi recenti che utilizzano microelettrodi. Riportiamo i cambiamenti nell'attività ad alta frequenza immediatamente dopo i picchi epilettici nelle registrazioni intracerebrali ottenute dai macroelettrodi.

Metodi: Sono stati valutati otto pazienti con epilessia intrattabile, 4 avevano l'epilessia temporale mesiale (MT) e 4 l'epilessia neocorticale (N). Gli EEG da elettrodi di profondità posizionati stereotassicamente sono stati filtrati a 500Hz e campionati a 2000Hz. Le punte sono state classificate in base alla loro localizzazione e morfologia, con 60 punte per tipo. Sono stati selezionati segmenti di 256 ms immediatamente dopo ogni picco (post-picco) e 2 secondi prima di ogni picco (linea di base). La potenza log-spettrale è stata stimata in 4 bande di frequenza: lenta (0–40Hz), gamma (40–100Hz), alta frequenza (HF, 100–200Hz) e altissima frequenza (VHF, 250–500Hz). I cambiamenti tra i periodi post-picco e le linee di base sono stati valutati per ciascun canale (test Wilcoxon, p < 0,01).

Risultati: Sono stati identificati 25 tipi di spike (16 MT, 9 N). Sono stati osservati cambiamenti in 14 tipi di picco in HF (10 MT, 4 N) e in 11 tipi in VHF (8 MT, 3 N). I cambiamenti in VHF sono sempre stati associati a cambiamenti in HF. In 9 tipi di picco (7 MT, 2 N), c'è stato un aumento dell'attività lenta corrispondente a un'onda lenta visibile, ma anche una diminuzione dell'attività veloce.Questi cambiamenti si sono verificati nell'ippocampo e nella neocorteccia. In 6 tipi di picco (5 MT, 1 N), c'è stato un aumento dell'attività lenta nonostante l'assenza di un'onda lenta visibile e un aumento dell'attività veloce. Questi cambiamenti si sono verificati principalmente nell'amigdala, anche se il picco era minimo in quell'area. Lo stesso modello è stato osservato nell'ippocampo in due tipi di picchi in un paziente. Infine, c'era un tipo di picco con una diminuzione dell'attività veloce senza cambiamenti nell'attività lenta. Nel complesso, i cambiamenti nell'attività VHF erano spazialmente più limitati rispetto ai cambiamenti nelle bande HF e gamma.

Conclusioni: Una proporzione significativa di picchi è stata seguita da cambiamenti nell'attività ad alta frequenza, più spesso nel temporale mesiale che nei picchi neocorticali. Le onde lente che seguono i picchi sono state generalmente associate a una diminuzione di HF e VHF rispetto al basale. I cambiamenti in alta frequenza erano più evidenti nei canali in cui i picchi erano più evidenti, mentre i cambiamenti alle frequenze più basse erano più diffusi. In molti casi, c'è stato un aumento delle alte frequenze nell'amigdala, anche se il picco non era prominente in questa regione.

Questo studio dimostra che l'attività ad alta frequenza può essere registrata con i macroelettrodi e ha cambiamenti significativi nelle scariche epilettiche. La riduzione di HF e VHF in seguito a picchi può riflettere una profonda inibizione che è più marcata nella regione di generazione di picchi. L'amigdala si comporta diversamente dall'ippocampo e dalla neocorteccia, non mostrando questa riduzione dell'attività veloce. (Supportato dal Canadian Institutes of Health Research Department of Education of Basque Government.)

1 Anneleen Vergult, 1 Wim De Clercq, 1 Bart Vanrumste, 1 Sabine Van Huffel, 2 Johan Van Hees, 2 André Palmini e 2 Wim Van Paesschen (1 Ingegneria Elettrica, Katholieke Universiteit Leuven, Leuven, Belgio e 2 Neurologia, Ospedale universitario Gasthuisberg, Katholieke Universiteit Leuven, Leuven, Belgio)

Fondamento logico: Lo scopo di questo studio era di sviluppare e studiare le prestazioni della rimozione automatizzata degli artefatti muscolari da elettroencefalogrammi ictali (EEG) sulla base dell'analisi di correlazione canonica (CCA).

Metodi: Il CCA ha separato un'epoca EEG di 10 secondi in un insieme di componenti (o sorgenti) con un indice di autocorrelazione (AI) decrescente. È stato notato che i componenti degli artefatti muscolari hanno un'intelligenza artificiale inferiore rispetto ai componenti EEG autentici. Un neurologo ha rimosso artefatti muscolari da 317 epoche di EEG ictale di 40 pazienti rimuovendo gradualmente i componenti a partire da quello con l'IA più bassa. Il neurologo ha determinato soggettivamente il punto di separazione in cui è stata rimossa quanta più attività muscolare possibile, senza influenzare significativamente l'attività cerebrale. Ciò ha prodotto una classificazione binaria gold standard dei componenti CCA in componenti di artefatti muscolari e componenti EEG. Successivamente è stata eseguita una classificazione completamente automatizzata di ciascun componente CCA in base al rapporto tra l'energia spettrale della banda di frequenza 25-50Hz e la banda 10-15Hz. Si prevede che si osserverà un grande valore di questa caratteristica quando l'attività muscolare è presente in un componente. La soglia caratteristica ottimale è stata selezionata dai componenti EEG rimanenti al massimo e sopprimendo al massimo i componenti degli artefatti muscolari.

Risultati: Il metodo automatizzato sviluppato è stato in grado di mantenere in media il 99±0,3% dell'energia della componente EEG, rimuovendo in media il 71±33% dell'energia della componente dell'artefatto muscolare.

Conclusioni: È stata presentata una tecnica di rimozione automatizzata degli artefatti muscolari, che potrebbe essere utilizzata come fase di pre-elaborazione nella diagnosi precoce dell'attività ictale o come filtro nella valutazione visiva dell'EEG ictale. Attualmente gli stessi EEG vengono elaborati da altri neurologi, per indagare la dipendenza dell'utente dal punto di separazione ottimale per ottenere un gold standard più generalizzato che può migliorare la robustezza dell'eliminazione automatizzata degli artefatti muscolari. (Supportato dalla rete europea di eccellenza BIOPATTERN (FP6-2002-IST-508803) e dal progetto di ricerca Fund for Scientific Research Flanders FWO nr G.0360.05. Bart Vanrumste è finanziato dal "Programmatorische Federale Overheidsdienst Wetenschapsbeleid" del governo belga.)

1 Cesar Viteri, 1 Elena Urrestarazu, 1 Jorge Iriarte, 1 Manuel Alegre, 1 Miguel Valencia e 1 Julio Artieda ( 1 Neurologia e Neurofisiologia Clinica, CUN, CIMA, Universidad de Navarra, Pamplona, ​​Spagna )

Fondamento logico: L'analisi dei componenti indipendenti (ICA) è un sistema che differenzia i componenti di segnali complessi. Una delle sue capacità è studiare le scariche epilettiformi per dimostrare l'origine simile o diversa dei suoi componenti. L'obiettivo di questo studio è stato quello di scoprire come l'ICA analizza le scariche nei centrospikes benigni, per comprendere meglio questo tipo di epilessia idiopatica.

Metodi: Abbiamo analizzato 15 dimissioni di 3 pazienti con epilessia centrotemporale benigna. La loro morfologia era a onda tagliente, a punta oa punta e onda. I campioni sono stati registrati digitalmente con amplificatori Lamont a 32 canali e programma Harmonie 5.2b. ICA è stato applicato utilizzando l'algoritmo JADE implementato in una piattaforma Matlab. I componenti sono stati identificati visivamente. I componenti sospetti sono stati selezionati e l'EEG di questi componenti da solo e insieme è stato ricostruito. Nello stesso periodo è stata confrontata la topografia in ogni componente dello scarico con l'originale utilizzando il programma BESA.

Risultati: I picchi e le onde si trovavano in diversi componenti. I picchi sono stati separati in una (n = 10), due (n = 4) o tre (n = 1) componenti, con un ritardo tra i loro massimi di 5-10 ms. Le onde sono state isolate in altri uno o due componenti. La loro topografia era centrotemporale, molto simile ma non identica. La lateralizzazione di ciascun componente era variabile tra i componenti della stessa punta e poteva essere destra, sinistra o bilaterale. Ogni componente del picco si adattava molto bene all'EEG nel tempo corrispondente. La topografia dei componenti di diversi picchi dello stesso paziente variava leggermente nella localizzazione.

Conclusioni: L'ICA differenzia diverse componenti con evoluzione temporale nelle scariche epilettiformi nell'epilessia centrotemporale. Nella maggior parte delle scariche, il picco e l'onda avevano componenti differenti che suggerivano un'origine diversa. La loro topografia era centrotemporale, simile ma variabile nella lateralizzazione e localizzazione. In ogni paziente la modalità di analisi della dimissione era molto simile ma non identica.

1 Chunmao Wang, 2 Istvan Ulbert, 1 Werner K. Doyle, 1 Orrin Devinsky, 1 Ruben Kuzniecky e 3,4 Eric Halgren (1 Dipartimento di Neurologia, Centro completo per l'epilessia della New York University, New York, NY 2 Istituto di Psicologia, Accademia ungherese delle scienze, Budapest, Ungheria 3 Massachusetts General Hospital NMR Center, Harvard Medical School, Charlestown, MA e 4 INSERM, Marsiglia, Francia)

Fondamento logico: Per studiare le fasi spazio-temporali nell'elaborazione di testi, sono state registrate sia la densità della sorgente di corrente nei laminari della corteccia che i potenziali subdurali.

Metodi: Microelettrodi multipli laminari e macroelettrodi clinici sono stati impiantati cronicamente in pazienti con epilessia sottoposti a griglia subdurale e impianto di profondità per la localizzazione delle crisi. I pazienti hanno partecipato a diversi compiti cognitivi durante il loro normale stato di allerta. Tre di questi erano compiti di riconoscimento visivo delle parole, in cui ai pazienti veniva chiesto di decidere se una parola: (1) presentava un animale o un oggetto più lungo di un piede (2) faceva rima in "AY" o 3) finiva in "ED" per il suo passato. Un altro compito era la versione uditiva del compito di valutazione delle dimensioni, in cui un altoparlante del computer invece di un monitor presentava gli stimoli. In tutti e quattro i compiti, metà delle parole sono state presentate durante le fasi di pratica prima del test, quindi ci si aspettava un effetto di ripetizione.

Risultati: Ampie risposte sovrapposte sono state registrate nelle cortecce frontale, temporale e occipitale. Nella corteccia visiva, la prima risposta aveva un picco di ∼140 ms. Per gli stimoli uditivi, la prima risposta uditiva era nella corteccia temporale superiore, con un picco a 100 ms, e la risposta più grande era nell'area adiacente [ancora nella corteccia temporale superiore], a partire da 120 ms e con un picco a 300 ms. Queste risposte erano equivalenti a parole nuove e ripetute. Tuttavia, c'erano risposte differenziali significative da ∼ 500-1000 ms a parole nuove rispetto a parole ripetute, sia per stimoli uditivi che visivi, principalmente nelle aree temporali mediali e ventrali. Gli elettrodi laminari nelle aree adiacenti hanno misurato un complesso sink e source, con una risposta maggiore a nuove parole durante lo stesso intervallo di tempo.

Conclusioni: Sia per la registrazione micro che per quella macro, la ripetizione delle parole non influisce sulla fase di elaborazione iniziale ma riduce l'attività successiva. Queste risposte differenziali sembravano rappresentare l'N4-P3b. (Supportato da NS18741 e NS44623).

1,2 Matthias Winterhalder, 1,2 Bjoern Schelter, 2 Thomas Maiwald, 2 Ariane Schad, 3 Armin Brandt, 1,2 Jens Timmer e 1,3 Andreas Schulze-Bonhage (1 Bernstein Center for Computational Neuroscience, Università di Friburgo, Friburgo, Germania 2 Centro per l'analisi e la modellazione dei dati, Università di Friburgo, Friburgo, Germania e 3 Centro per l'epilessia, Ospedale universitario di Friburgo, Friburgo, Germania)

Fondamento logico: Una previsione affidabile e precoce delle crisi epilettiche aprirebbe nuove strade per interventi terapeutici nei pazienti con epilessia farmacorefrattaria. Poiché le crisi sono caratterizzate da una sincronizzazione anormale dei neuroni, le tecniche di analisi di serie temporali multivariate che rilevano dinamiche sincronizzate nelle registrazioni EEG invasive di pazienti epilettici sono un approccio promettente. Qui, abbiamo studiato due misure di sincronizzazione originate dalla teoria della dinamica non lineare rispetto al loro potenziale ruolo per la previsione delle crisi epilettiche.

Metodi: Due grandezze che misurano la fase e la sincronizzazione del ritardo sono state applicate a un pool di dati EEG invasivi di 21 pazienti ciascuno con 24 ore di registrazioni libere da crisi e 2-5 periodi di pre-crisi. I cambiamenti di sincronizzazione sono stati esaminati in diverse strutture cerebrali analizzando i contatti di elettrodi focali, cioè coinvolti all'inizio dell'attività ictale, così come i contatti di elettrodi extra-focali, cioè non coinvolti nell'attività ictale o coinvolti solo recentemente durante la diffusione delle crisi. La prestazione di previsione delle crisi è stata valutata mediante la metodologia della caratteristica di previsione delle crisi. La caratteristica di previsione delle crisi valuta la sensibilità di un metodo di previsione rispetto alla sua specificità e agli aspetti temporali di una previsione. Confrontando la probabilità di prevedere le crisi per caso, viene utilizzato un test per decidere la significatività statistica.

Risultati: Rispetto a una previsione casuale, è stata mostrata una prestazione di previsione delle crisi significativamente migliore per la metà dei pazienti. Sia la diminuzione che l'aumento della sincronizzazione nelle dinamiche EEG potrebbero precedere le crisi. Per quanto riguarda la topografia delle strutture cerebrali indagate, è stata dimostrata una superiorità statisticamente significativa delle combinazioni tra un contatto focale ed uno extrafocale dell'elettrodo per la misura del ritardo di sincronizzazione (p < 0.05).

Conclusioni: I cambiamenti preictal nella sincronizzazione delle dinamiche EEG possono offrire una possibilità per la previsione delle crisi epilettiche. Il nostro studio mostra che le prestazioni di previsione delle crisi differiscono tra i pazienti e dipendono fortemente dalla tecnica di analisi applicata e dalla struttura cerebrale indagata. (Supportato dal Ministero federale tedesco dell'istruzione e della ricerca (sovvenzione BMBF 01GQ0420) e Deutsche Forschungsgemeinschaft (Ti 315/2-1).)

1 John Zempel, 2 Justin L. Vincent, 2 Linda J. Larson-Prior e 2 Abraham Z. Snyder (1 Neurologia, Washington University, St. Louis, MO e 2 Laboratorio di radiologia e neuroimaging, Washington University, St. Louis, LU)

Fondamento logico: Il ballistocardiogramma (BKG) è una fonte significativa di artefatti nell'EEG del cuoio capelluto registrato nel campo magnetico statico caratteristico degli scanner MRI umani. Diversi metodi (media, ICA, filtraggio adattivo) sono stati impiegati con successo da altri per ridurre il BKG. Un nuovo metodo di identificazione del BKG viene utilizzato per caratterizzare biologicamente il BKG su più elettrodi e soggetti.

Metodi: Sono state effettuate registrazioni simultanee di EEG e fMRI da dodici soggetti. Più di dieci ore di EEG contenente BKG. L'EEG-fMRI è stato registrato in uno scanner MR Siemens Allegra da 3 Tesla utilizzando un amplificatore Synamps/2 Neuroscan (El Paso, TX) e un sistema di cablaggio e cappuccio Maglink con il software Scan 4.5. Le posizioni standard degli elettrodi 10/20 sono state raccolte a una frequenza di campionamento di 20 kHz e l'artefatto del gradiente si è notevolmente ridotto con Scan 4.5 con decimazione del segnale EEG a 500 Hz. 10-20 elettrodi sono stati riferiti a un elettrodo comune a metà strada tra CZ e CPZ). Sono state sviluppate due fasi di elaborazione aggiuntive per ridurre il BKG (Vincent, et al, Soc Neuroscience Abstracts 2005). In primo luogo, è stato utilizzato un programma di rilevamento del battito basato su modelli personalizzati, che identifica i modelli ECG che rappresentano i battiti cardiaci singoli, per fornire un trigger accurato. In secondo luogo, è stato utilizzato un modello lineare generale in movimento per generare modelli del BKG. Il segnale BKG estratto è stato caratterizzato da tecniche standard di media e FFT in avanti.

Risultati: Le forme d'onda BKG recuperate dalla tecnica GLM includevano costantemente componenti che superavano l'intervallo medio tra i battiti in tutti i soggetti (12/12) e tutti i 10-20 elettrodi. Pertanto, poiché le forme d'onda dovute a battiti successivi si sovrappongono in modo incoerente, la semplice media non può caratterizzare e ridurre adeguatamente l'artefatto BKG. Il BKG è grande a 3 T. La variazione di picco da positivo a negativo nel BKG è sempre superiore a 100 microvolt e i componenti più grandi sono più frequentemente di diverse centinaia di microvolt nell'elettrodo O1-Ref. Il contenuto in frequenza del BKG è complicato. Oltre alla frequenza della frequenza cardiaca stessa, nel BKG sono presenti picchi bimodali a 3-5 Hz e 8-10 Hz, che contaminano gli intervalli di frequenza necessari per recuperare l'EEG standard. Quando si fa la media della densità spettrale di potenza di ciascun elettrodo tra i soggetti, il bin di frequenza con potenza di picco varia sul cuoio capelluto.

Conclusioni: Il BKG registrato a 3 Tesla rappresenta un segnale elettrico significativo che deve essere rimosso con successo per ottenere l'EEG che rappresenta l'attività cerebrale. Oltre a rimuovere il BKG, la caratterizzazione biologica del BKG su più soggetti consente di determinare la natura e la variabilità di questo segnale. Il BKG stesso è spazialmente variabile in termini di dimensioni e contenuto di frequenza attraverso il cuoio capelluto. Queste osservazioni vincolano i resoconti teorici sull'origine del BKG, che attualmente rimangono incompleti. (Supportato da K12NS01690 per John Zempel e NS06833 (laboratorio di Marcus Raichle).)


Una maggiore attività EEG a bassa frequenza nell'immaturità normale e nei bambini con epilessia sorge nella stessa rete neuronale?

Una maggiore potenza a bassa frequenza (<8 Hz) nell'elettroencefalogramma (EEG) a riposo è normale nel cervello in via di sviluppo immaturo dei bambini rispetto agli adulti. I bambini con epilessia hanno anche una maggiore attività EEG interictale a riposo a bassa frequenza. Non è chiaro se questi aumenti di potenza riflettano l'immaturità cerebrale dovuta a un ritardo nello sviluppo o la fisiopatologia epilettica sottostante. Il presente studio affronta questa domanda analizzando le topografie e le fonti dell'EEG spettrale per bambini in via di sviluppo normale e bambini con epilessia. Per prima cosa abbiamo confrontato l'EEG a riposo di bambini sani con quello di adulti sani per isolare gli effetti legati alla normale immaturità cerebrale. Successivamente, abbiamo confrontato l'EEG di 10 bambini con epilessia criptogenetica generalizzata con l'EEG di 24 bambini sani per isolare gli effetti correlati all'epilessia. L'analisi spettrale ha rivelato che l'attività EEG globale a bassa (delta: 1-3 Hz, theta: 4-7 Hz), media (alfa: 8-12 Hz) e alta (beta: 13-25 Hz) era maggiore nei bambini senza epilessia rispetto agli adulti e ancora più elevato per i bambini con epilessia. Le analisi EEG topografiche e tomografiche hanno mostrato che la normale immaturità corrispondeva a una maggiore attività delta e theta nelle regioni fronto-centrali del cuoio capelluto e del cervello, rispettivamente. Al contrario, gli aumenti dell'attività correlati all'epilessia erano prevalentemente nella banda alfa a livello degli elettrodi parieto-occipitale e delle regioni cerebrali, rispettivamente. Concludiamo che l'attività a frequenza più bassa può essere un segno di normale immaturità cerebrale o patologia cerebrale a seconda della topografia e della frequenza specifiche della rete neuronale oscillante.

Questa è un'anteprima del contenuto dell'abbonamento, accedi tramite il tuo istituto.


Metodi e materiali

Panoramica dei metodi di filtraggio spaziale

Ci sono molte eccellenti fonti che discutono la matematica alla base delle tecniche di filtraggio spaziale lineare che i lettori interessati possono iniziare da queste (Congedo et al., 2008 de Cheveigné e Parra, 2014 Parra et al., 2005 Sarela e Valpola, 2005). Qui vengono fornite solo panoramiche descrittive (vedi anche Figura 1) per la comprensione concettuale.

Quattro dei filtri spaziali qui considerati si basano sull'autodecomposizione generalizzata. Quando matrice UN è una matrice di covarianza, la sua autodecomposizione AW=WΛ produce un insieme di vettori in W quel punto lungo gli assi principali di covarianza nei dati da cui UN è definita, e la matrice diagonale ? indica l'importanza di ogni direzione. Una autodecomposizione generalizzata di due matrici di covarianza UN e B può essere usato per trovare un insieme di vettori che caratterizzano le distanze tra quelle matrici, e si scrive come AW=BWΛ. Si può pensare di riscrivere questa equazione come B -1 AW=WΛ, in altre parole, trovare i vettori W che massimizzano il “rapporto” di UN a B. Quando matrice di covarianza UN è calcolato dall'attività da potenziare e dalla matrice di covarianza B è calcolato dall'attività da sopprimere, i vettori nella matrice W sono i filtri spaziali che meglio separano UN a partire dal B, e gli elementi diagonali di matrice ? indicare l'importanza di quei vettori. A differenza dell'analisi delle componenti principali, le colonne della matrice W sono generalmente non ortogonali, perché la matrice SI -1 LA generalmente non è simmetrico.

Il filtraggio passa-banda temporale dei dati EEG è stato effettuato tramite convoluzione con un kernel gaussiano nel dominio della frequenza. L'intera larghezza a metà massima (FWHM) era di 2 Hz. Quando i filtri spaziali sono stati applicati ai dati a banda larga, le serie temporali dei componenti sono state filtrate attorno alla frequenza di picco a 5 Hz FWHM per il confronto con il segnale simulato. Questi parametri di filtro sono importanti predittori della qualità del filtro spaziale, gli effetti delle selezioni dei parametri sui componenti vengono valutati sistematicamente nella sezione Risultati.

Decomposizione spaziospettrale (SSD)

SSD (Nikulin et al., 2011) comporta il calcolo di una autodecomposizione generalizzata di due matrici di covarianza, una corrispondente a "segnale" e una corrispondente a "rumore" (o "riferimento"). L'autovettore con l'autovalore corrispondente più grande è preso come filtro spaziale che differenzia al massimo le due matrici di covarianza (Figura 1a).In SSD, la matrice di covarianza del segnale viene calcolata da dati filtrati passa-banda alla frequenza di interesse, mentre la matrice di covarianza del rumore viene calcolata da dati filtrati passa-banda a frequenze vicine. Il filtro spaziale viene quindi applicato ai dati filtrati passa-banda utilizzati per costruire la covarianza del "segnale". Il filtraggio passa-banda è stato effettuato tramite filtri Butterworth di secondo ordine invece della convoluzione con un kernel gaussiano. Il filtro Butterworth non è stato in grado di risolvere le basse frequenze, motivo per cui le linee dati dell'SSD non scendono a 2 Hz nelle figure. Il codice MATLAB è stato utilizzato dalla pubblicazione originale (https://github.com/svendaehne/matlab_SPoC/tree/master/SSD).

Autodecomposizione generalizzata, banda larga (GEDb)

La procedura è simile a SSD eccetto (1) la matrice di covarianza "di riferimento" è generata da dati a banda larga anziché da frequenze vicine, (2) il filtro spaziale viene applicato ai dati a banda larga anziché ai dati filtrati passa-banda e (3 ) il filtro passa-banda temporale è implementato come convoluzione con una gaussiana nel dominio della frequenza, che consente una maggiore specificità di frequenza e un rischio ridotto di cattiva progettazione del filtro. Vedere la Figura 1b e de (Cheveigné et al., 2015) per maggiori dettagli.

Decorrelazione giunto filtro bias (JD)

Si veda (de Cheveigné e Parra, 2014) per i dettagli sulla decorrelazione congiunta che segue è una breve descrizione. (1) I dati sono "sferici", il che significa che la varianza lungo ciascuna dimensione è normalizzata. Ciò si ottiene ricostruendo i dati come Y=XVD -1/2 , dove X è la matrice di dati time-by-channel, V è una matrice di autovettori, D è una matrice con autovalori sulla diagonale e indici -1/2 la radice quadrata della matrice dell'inversa. Lo scopo di sferrare i dati è rimuovere la struttura della varianza intrinseca (la Figura 1c raffigura matrice di covarianza di Q, che illustra che i dati sferici hanno una matrice di covarianza diagonale). (2) Viene creato un "filtro di polarizzazione" che moltiplica a sinistra i dati sferici (DA T ) (Figura 1c illustra Q invece di , perché è troppo grande per entrare nella figura). Qui, il filtro di polarizzazione era una matrice Toeplitz costruita da un'onda sinusoidale. (3) Viene calcolata un'autodecomposizione sulla matrice di covarianza (matrice Z) dei dati sferici e filtrati, fornendo le matrici di autovettori e autovalori W e ?. (4) Infine, i filtri spaziali sono definiti come VD -1/2 W. L'importanza di ciascun vettore è definita dalle dimensioni relative degli autovalori dall'autodecomposizione dei dati convoluti dal filtro di bias (chiamato anche rapporto di varianza). È importante sottolineare che il filtro spaziale viene quindi applicato ai dati grezzi, non ai dati sferici. Le mappe topografiche sono tratte dalla trasposizione inversa della matrice del filtro (Haufe et al. 2014).

Best-elettrodo

Si potrebbe pensare a un singolo elettrodo in modo approssimativo come a un filtro spaziale in cui i pesi sono zero per gli elettrodi N-1 e uno per l'elettrodo selezionato. In questo studio, è servito come riferimento "straw-man": qualsiasi filtro spaziale utile dovrebbe superare l'approccio dell'elettrodo migliore, se non altro per l'overfitting dei dati. L'elettrodo analizzato (denominato "elettrodo migliore") è stato selezionato in base all'elettrodo che aveva la massima potenza alla frequenza della serie temporale simulata.

Analisi dei componenti principali (PCA)

La PCA comporta un'autodecomposizione di una matrice di covarianza e l'autovettore M-per-1 (M è il numero di canali) con l'autovalore più grande viene preso come filtro spaziale. Il filtraggio passa-banda temporale fornisce la specificità di frequenza della matrice di covarianza. Anche la PCA è un riferimento da uomo di paglia: gli autovettori ortogonali a coppie sono generalmente subottimali nei dati delle neuroscienze, perché le dinamiche su larga scala del cervello registrate da M/EEG non sono ortogonali. Inoltre, con PCA si specifica solo la caratteristica dei dati da massimizzare (qui, la covarianza dei dati filtrati a banda stretta) non esiste una caratteristica di "riferimento" per fornire un obiettivo di minimizzazione.

Analisi componenti indipendenti (ICA)

ICA ha l'obiettivo di unmixing (piuttosto che decorrelare come con PCA) set di dati multicanale (Rutledge e Jouan-Rimbaud, 2013). L'ICA è ampiamente utilizzato nelle neuroscienze, il più delle volte come strumento per facilitare la pulizia dei dati identificando e rimuovendo i componenti che catturano le dinamiche non cerebrali come i battiti oculomotori, muscolari o cardiaci. Esistono diversi algoritmi ICA e, sebbene metodi diversi abbiano implementazioni e ipotesi diverse, possono produrre decomposizioni simili dei dati EEG (Delorme et al., 2012). L'algoritmo Jade (Cardoso, 1999) è stato applicato qui perché è veloce ed è deterministico (ovvero, chiamate ripetute sugli stessi dati produrranno gli stessi componenti). In breve, l'algoritmo Jade si basa sul presupposto che i segnali puri tendono ad avere distribuzioni non gaussiane mentre il rumore o le miscele casuali di segnali tendono ad avere distribuzioni gaussiane l'obiettivo è quindi determinare combinazioni ponderate di elettrodi che massimizzano le distribuzioni non gaussiane. L'algoritmo Jade è stato applicato ai dati filtrati passa-banda e sono stati estratti i 30 componenti più grandi. Il componente con la potenza più alta alla frequenza simulata (questo è stato ottenuto calcolando una FFT della serie temporale IC ed estraendo potenza alla frequenza del segnale simulato per tutti i componenti) è stato selezionato per i successivi confronti.

Dati simulati ed empirici

È stato creato un modello in avanti utilizzando la cassetta degli attrezzi del brainstorming in Matlab (Tadel et al., 2011), comprendente 2004 dipoli distribuiti in tutta la corteccia. Ad ogni dipolo è stata assegnata una serie temporale di numeri casuali livellati. Sono stati selezionati due dipoli perché proiettati su elettrodi posteriori centrali e i loro corsi temporali sono stati simulati come onde sinusoidali con ampiezze e frequenze variabili nel tempo. L'oscillazione "bersaglio" è stata simulata a frequenze comprese tra 2 e 80 Hz, con una frequenza presente per sessione di simulazione. Una frequenza aggiuntiva ("distrattore") è stata aggiunta al secondo dipolo a una frequenza compresa tra 1 e 6 Hz superiore alla frequenza target (selezionata casualmente in ogni esecuzione di simulazione). Trenta secondi di dati continui sono stati simulati a una frequenza di campionamento di 1024 Hz. Il primo e l'ultimo 500 ms sono stati esclusi dalle analisi dei dati.

L'obiettivo dei filtri spaziali era recuperare le serie temporali del dipolo target. Dopo aver simulato le serie temporali, i dati di tutti i dipoli sono stati quindi proiettati sullo scalpo. In diversi set di simulazioni, i dati di dipolo proiettati sono stati sommati con rumore casuale o sono stati aggiunti ai dati EEG reali misurati da un volontario umano durante una condizione di riposo ad occhi aperti. I dati EEG sono stati registrati da 64 elettrodi utilizzando apparecchiature Biosemi (www.biosemi.com) con una frequenza di campionamento di 1024 Hz. In un'altra serie di simulazioni con l'EEG empirico, i dati dell'elettrodo O1 sono stati sostituiti con rumore casuale. Lo scopo di questo era determinare la sensibilità di diversi filtri spaziali a un elettrodo rumoroso o rotto, che è un disturbo frequente nella ricerca EEG.

Sono stati inclusi dati empirici relativi all'attività per fornire un'applicazione di prova del principio in dati reali che contengono attività fisiologiche reali e sorgenti di rumore. I dati sono stati presi da un singolo soggetto da uno studio precedentemente pubblicato (Cohen, 2015). Il soggetto ha svolto un compito di Flankers, in cui il compito era identificare la lettera centrale dalle lettere laterali (ad esempio, "T T I T T"). Le prove contenenti artefatti EEG eccessivi sono state rifiutate manualmente, ma altri artefatti (ad es. Oculomotore, EMG, rumore degli elettrodi) non sono stati rimossi utilizzando l'analisi dei componenti indipendenti. Le ragioni per non sottrarre i componenti del rumore erano (1) per mantenere le matrici di dati a pieno rango e (2) per verificare se i filtri spaziali erano robusti per i tipici artefatti EEG. Il set di dati analizzato include i dati di 64 elettrodi (512 Hz) e 250 prove, metà delle quali erano risposte corrette e metà erano errori. Ulteriori dettagli sperimentali possono essere trovati in Cohen, 2015.

Sebbene le "vere" caratteristiche alla base dei dati empirici siano sconosciute, forti aspettative a priori possono essere fatte sulla base di molti studi pubblicati (Cavanagh et al., 2009 Luu et al., 2004 van Driel et al., 2012). La media di entrambe le condizioni rispetto alla linea di base dovrebbe rivelare un aumento della potenza delta-teta nelle regioni mediofrontali e una diminuzione della potenza alfa-beta nelle regioni motorie e visive/parietali e il contrasto tra errore e corretto dovrebbe produrre un aumento della potenza delta-frontale centrale. potere theta.

Valutazione delle prestazioni del filtro spaziale

I filtri spaziali sono stati valutati utilizzando due criteri. La prima era la correlazione tra il risultato filtrato spazialmente e il segnale di dipolo simulato. R2 è stato utilizzato al posto del coefficiente di correlazione grezzo perché il segno è stato occasionalmente capovolto. Il cambio di segno si verifica spesso nei metodi basati sull'autodecomposizione, perché la direzione di un autovettore non è necessariamente significativa. Per il confronto visivo, i segni delle mappe topografiche sono stati regolati in modo che l'elettrodo di magnitudine maggiore avesse un segno positivo.

La seconda valutazione è stata il rapporto segnale/rumore spettrale (SNR). Lo spettro di potenza della serie temporale dei componenti è stato estratto tramite la FFT. L'SNR è stato definito come il rapporto tra la potenza alla frequenza di picco e la potenza media dei ±5 Hz circostanti, ma escludendo ±1 Hz attorno al picco (Cohen e Gulbinaite, 2016). Poiché il picco SNR è stato definito dalla frequenza della simulazione, ci si può aspettare che SNRs>1 sia importante per il confronto degli SNR tra filtri diversi.

Le simulazioni sono state ripetute 20 volte utilizzando diversi semi casuali. Per molti confronti, le statistiche non sono state applicate perché, ad esempio, tutti i 20 risultati di un filtro erano molto più grandi di tutti i 20 risultati di un altro filtro. Quando le differenze significative non erano visivamente evidenti, gli ANOVA sono stati applicati in Matlab, con "tipo di filtro" e "condizione di rumore" (O1 che comprende o non comprende il rumore) come fattori variabili indipendenti.

La sensibilità dei filtri spaziali ai loro parametri (principalmente le larghezze dei filtri passa-banda temporali) è stata studiata anche variando sistematicamente i parametri del filtro e il numero di elettrodi simulati.

Gli script e i dati MATLAB possono essere scaricati da mikexcohen.com/data.


Materiali e metodi

Progettazione delle attività

Gli ERP sono stati registrati da soggetti che hanno partecipato a sequenze randomizzate di dischi pieni che appaiono brevemente all'interno di uno dei cinque quadrati vuoti che sono stati costantemente visualizzati 0,8 cm sopra una croce di fissazione centrale (vedi Figura 1) seguendo Townsend e Courchesne (1994). I contorni quadrati di 1,6 cm sono stati visualizzati su uno sfondo nero con angoli visivi orizzontali di 0 ° ± 2.7 ° e 0 ° ± 5.5 ° dalla fissazione. Durante ogni blocco di prove di 76 s, uno dei cinque contorni era colorato in verde e gli altri quattro in blu. La piazza verde segnava il luogo da frequentare. Questa posizione è stata variata in ordine casuale e controbilanciato tra i blocchi. In ogni blocco, 100 stimoli (dischi bianchi pieni) sono stati visualizzati per 117 ms all'interno di uno dei cinque quadrati vuoti in una sequenza pseudocasuale con intervalli tra gli stimoli da 250 a 1000 ms (in quattro passi equiprobabili di 250 ms).

Soggetti e compito

All'esperimento hanno partecipato quindici volontari destrimani (età da 19 a 53 anni, media = 30 12 maschi, tre femmine) con visione normale o corretta. I soggetti sono stati istruiti a mantenere la fissazione sulla croce centrale mentre rispondevano solo agli stimoli presentati nel quadrato di colore verde (frequentato). Ai soggetti è stato richiesto di premere un pulsante con il pollice tenuto nella mano destra il più rapidamente possibile a seguito di stimoli presentati nel luogo frequentato (vedi Figura 1). Trenta blocchi di prove sono state raccolte da ciascun soggetto, producendo 120 prove target e 480 prove non target in ciascuna posizione. Ai soggetti sono state date pause di circa 2 minuti tra i blocchi.

Registrazioni EEG

I dati EEG sono stati raccolti da 29 elettrodi del cuoio capelluto montati in un cappuccio per elettrodi standard (Electro-Cap International, Eaton, Ohio, Stati Uniti) in posizioni basate su un sistema internazionale 10𠌠 modificato e da due elettrodi perioculari posizionati sotto l'occhio destro e al canto esterno sinistro. Tutti i canali sono stati riferiti al mastoide destro con un'impedenza di ingresso inferiore a 5kΩ. I dati sono stati campionati a 512 Hz con una banda passante analogica di 0,01� Hz. Per ridurre ulteriormente gli artefatti del rumore di linea, le risposte sono state filtrate digitalmente passa-basso al di sotto di 40 Hz prima dell'analisi. Le prove contenenti potenziali elettrooculografici maggiori di 70 μV o il blocco dell'amplificatore sono state respinte e le risposte cerebrali agli stimoli presentati in ciascuna posizione in ciascuna condizione di attenzione sono state archiviate separatamente. Le risposte agli stimoli target sono state analizzate solo quando (come in quasi tutti i casi) i soggetti hanno risposto 150� ms dopo l'inizio del target. I pochi obiettivi seguiti da nessuna pressione di tale pulsante non sono stati considerati nella presente analisi.

Analisi precedente

L'analisi dell'ERP medio e alcuni dati di prove singole di questi esperimenti sono stati riportati in precedenza. Makeig et al. (1999a) hanno riportato per la prima volta le decomposizioni ICA delle risposte target tardive (P300) in una matrice 5 × 5 (cinque posizioni di stimolo per cinque posizioni frequentate) di ERP di stimolo visivo medio grande da questi esperimenti. Hanno riportato tre componenti ERP di interesse massimamente indipendenti che hanno etichettato P3f, P3b e Pmp. Makeig et al. (1999b) hanno applicato la stessa analisi multi-ERP al primo periodo di 250 ms successivo all'inizio dello stimolo e hanno dimostrato che contributi distinti al picco N1 ERP sono stati generati nell'emisfero destro 9 ms prima, in media, rispetto a quello sinistro. ICA separa i processi dei componenti mescolati nei dati dello scalpo in base alla loro relativa indipendenza temporale, che dovrebbe essere espressa al massimo nel non mediato dati. L'applicazione sistematica dell'ICA ai dati non mediati da questi esperimenti è stata dimostrata per la prima volta per prove di stimolo non target (Makeig et al. 2002). In tale analisi, è stato estratto un periodo post-stimolo di 100 ms (150� ms dopo l'inizio dello stimolo) da ciascuno degli oltre 3.000 studi per ciascun soggetto e questi dati sono stati concatenati e scomposti dall'ICA. Alcune informazioni sulle prove di stimolo target sono state presentate anche in Jung et al. (2001b). Qui riportiamo i risultati del confronto delle decomposizioni ICA di circa 600 prove di risposta target di 1 s da ciascuno dei 15 soggetti.

Analisi dei componenti indipendenti

Infomax ICA (Bell & Sejnowski 1995 Makeig et al. 1996) fa parte di una famiglia di algoritmi che sfruttano l'indipendenza temporale per eseguire la separazione cieca delle fonti di dati sottostanti. Lee et al. (1999) hanno mostrato che questi algoritmi hanno una base teoretica dell'informazione comune, che differisce principalmente nella forma di distribuzione assunta per le fonti, che può non essere critica (Amari 1998). Infomax ICA trova, per ascesa naturale del gradiente, una matrice quadrata “unmixing” che massimizza l'entropia congiunta (Cover e Thomas 1991) di un insieme trasformato in modo non lineare di vettori di dati di input a media zero. Massimizzare l'entropia congiunta implica, sotto ipotesi ragionevoli (Bell e Sejnowski 1995), minimizzare l'informazione reciproca tra le attività componenti. Ciò significa che le informazioni sui valori di attività simultanee di qualsiasi numero di componenti forniscono informazioni minime sui valori di attività simultanee di qualsiasi altro componente.

Le attività dei componenti indipendenti sono minimamente correlate, sia nei sensi standard di secondo ordine che in quelli di ordine superiore. Cioè, ciascuno di essi sembra a ICA essere 𠇏ree-running” e in questo senso agiscono come fonti separate di informazioni nei dati. La potenza della separazione della sorgente infomax in una gamma crescente di applicazioni di elaborazione del segnale deriva dal suo obiettivo fondamentale di identificare fonti di informazione nei dati, a differenza dei precedenti metodi di stima quadratica media che mirano semplicemente a modellare i dati varianza (Jung et al. 2001a). Infomax logistico a gradiente naturale ICA nella forma automatizzata che usiamo qui (l'algoritmo runica, Makeig et al. 1997) può scomporre accuratamente miscele di processi componenti con distribuzioni simmetriche o asimmetriche senza richiedere non linearità specificamente adattate a loro e può essere utilmente applicato a Dati EEG da 100 o più canali. Il numero di punti temporali richiesti per l'allenamento può essere di poche volte il numero di pesi di scomposizione (di solito il quadrato del numero di canali), sebbene sia preferibile utilizzare più dati di allenamento (puliti). A sua volta, il numero di canali deve essere almeno uguale (e preferibilmente maggiore) del numero di componenti interpretabili da separare (Makeig et al. 1999a).

Il successo dell'ICA applicato ai dati EEG è strettamente determinato dal grado in cui le dinamiche EEG si adattano al modello ICA. Il primo requisito, che le sorgenti sottostanti si mescolino linearmente nelle registrazioni degli elettrodi, è assicurato dalla biofisica della conduzione del volume alle frequenze EEG (Nunez 1981). L'assunzione della relativa stazionarietà spaziale delle sorgenti EEG è compatibile, almeno, con l'evidenza della modularità del cervello dall'anatomia e dall'imaging funzionale. L'assunzione di relativa indipendenza dei segnali sorgente è compatibile con modelli fisiologici che enfatizzano l'accoppiamento locale, intracorticale e talamocorticale radiale a corto raggio nella generazione di sincronie elettriche locali nell'intervallo EEG (Salinas e Sejnowski 2001).

La validità ultima delle ipotesi di cui sopra in qualsiasi set di dati non può essere garantita a priori. La consistenza e la plausibilità fisiologica dei risultati delle decomposizioni dell'ICA, come quella che presentiamo qui, compreso il loro spesso stretto legame con le variabili comportamentali e cognitive, sono una forte evidenza indiretta dell'operabilità delle ipotesi e del modello ICA. Il test fisiologico diretto del modello e dei suoi presupposti fisiologici richiederà lo sviluppo di metodi di registrazione multiscala. Nel frattempo, sono possibili modelli ICA dell'attività EEG ancora più flessibili (ma anche più intricati) (ad esempio, Anemueller et al. 2003). Resta da vedere, tuttavia, se il guadagno di informazioni offerto da tali modelli superi la perdita di potenza statistica associata alla loro maggiore complessità.

Come dimostrato per la prima volta dalle simulazioni (Makeig et al. 2000), quando i dati di addestramento consistono in un minor numero di componenti sorgente grandi rispetto ai canali, più molti più componenti sorgente piccoli, come ci si potrebbe aspettare nei dati EEG effettivi, i componenti sorgente grandi vengono accuratamente separati in output separati componenti, con i restanti componenti di output costituiti da miscele di componenti di origine più piccoli. In questo senso, le prestazioni dell'algoritmo infomax ICA degradano con grazia all'aumentare della quantità di rumore nei dati. Per maggiori dettagli sull'applicazione dell'ICA ai dati ERP ed EEG, vedere Makeig et al. (1999a, 2002) e Jung et al. (2000a, 2000b).

Qui, l'algoritmo runica (disponibile per il download con il toolbox EEGLAB di Delorme e Makeig [2004a] da http://sccn.ucsd.edu/eeglab) è stato applicato a set da 400 a 600 prove 1-s (31 canali, 256 punti temporali) bloccato nel tempo da � ms prima a +800 ms dopo l'inizio degli stimoli target presentati in una qualsiasi delle cinque posizioni dello stimolo (si veda la Figura 1). Le prove target in cui il soggetto non ha risposto premendo un pulsante (meno del 5%) sono state rimosse dai dati.La dimensione del batch di apprendimento era 50. Il tasso di apprendimento iniziale è iniziato vicino a 0,0004 e si è gradualmente ridotto a 10 𢄦 durante 50� iterazioni di addestramento che richiedevano circa 30 minuti di tempo al computer. I risultati dell'analisi erano relativamente insensibili alla scelta esatta del tasso di apprendimento o della dimensione del lotto. Ridurre la variazione del peso di arresto da 10 𢄦 a 10 𢄧 non sembra modificare qualitativamente le scomposizioni risultanti, sebbene quando si scompongono i dati da molti più canali, da allora abbiamo notato un vantaggio nel continuare ad allenarsi fino a quando il cambiamento di peso scende al di sotto di 10 𢄧 .

Raggruppamento dei componenti

Comunemente nella ricerca ERP, l'attività neurale espressa nei canali di dati perioculari viene ignorata per paura di etichettare erroneamente gli artefatti dell'attività oculare come attività cerebrale. Alcuni componenti ICA delle registrazioni EEG possono essere chiaramente identificati come responsabili principalmente di movimenti oculari, rumore di linee o muscoli o altri artefatti attraverso le loro caratteristiche mappe del cuoio capelluto e i tempi di attività (Makeig et al. 1996 Jung et al. 2000a, 2000b). Sottrarre le proiezioni dei componenti artefatti dai dati medi o di prova singola può eliminare o ridurre fortemente questi artefatti preservando i restanti fenomeni EEG non artefatti in tutti i canali di dati. L'ICA consente quindi di esaminare l'attività EEG perioculare indipendentemente dai movimenti oculari.

Qui, il totale di 465 (31 volte 15) mappe dei componenti e gli spettri del log dell'attività media dei 15 soggetti sono stati raggruppati applicando una misura di distanza Mahalanobis modificata (Enghoff, 1999 vedi Appendice di Jung et al. 2001b) ai vettori che codificano le differenze nel i gradienti della mappa del componente 31 canali (x, y) e gli spettri del log di attività dopo la riduzione rispettivamente a 12 e cinque dimensioni mediante l'analisi della componente principale. In alcuni casi l'appartenenza al cluster è stata poi ulteriormente aggiustata a occhio per uniformità. Il clustering basato sui gradienti della mappa del cuoio capelluto e sugli spettri di attività, come riportato qui, è uno dei diversi possibili approcci di clustering dei componenti, i cui vantaggi relativi non sono ancora stati esplorati.

Dinamiche spettrali legate agli eventi

Per esaminare i cambiamenti indotti dallo stimolo e dalla risposta nello spettro EEG, abbiamo calcolato le trasformazioni ERSP (Makeig 1993) per ciascun canale e ciascun componente di dati indipendente raggruppato utilizzando il toolbox EEGLAB disponibile pubblicamente (Delorme e Makeig 2004a, 2004b). Gli ERSP mostrano i cambiamenti in decibel rispetto alla linea di base della potenza spettrale su un'ampia gamma di frequenze (qui, 3� Hz). L'analisi tempo/frequenza ha utilizzato wavelet sinusoidali con finestra di Hanning di 3 cicli a 3 Hz, che salgono linearmente a circa 15 cicli a 30 Hz. Questa trasformata wavelet modificata è stata selezionata per ottimizzare il compromesso tra risoluzione temporale a frequenze più basse e stabilità a frequenze più alte.

La costruzione di set di dati surrogati mescolando le finestre secondarie dell'epoca dei dati utilizzate per costruire la media spettrale bloccata nel tempo ha consentito di scegliere un cutoff iniziale di significatività all'interno del soggetto (non corretto per confronti multipli) di P < 0.01. Per costruire ERSP medi tra soggetti, abbiamo utilizzato le statistiche binomiali per selezionare un cutoff di significatività basato sul numero minimo di soggetti richiesti per avere differenze significative (nella stessa direzione) dalla linea di base in un dato punto di tempo/frequenza (P < 0.0001). Le trasformazioni ERSP dei dati sono state calcolate su ciascun canale e quindi per ciascun componente di dati in cluster. Per testare il blocco di fase parziale (cioè relazioni di fase non casuali) tra i processi EEG e il verificarsi di eventi sperimentali negli studi, abbiamo utilizzato la coerenza di fase intertrial (Makeig et al. 2002).

Per testare la presenza di relazioni di fase non casuali (eventualmente inclusi ritardi fissi) tra attività in diverse componenti (massimamente) indipendenti, abbiamo eseguito un'analisi di coerenza di fase correlata agli eventi (Makeig et al. 2002 Delorme et al. 2002), sempre con un singolo soglia di significatività bootstrap soggetto di P < 0,01 (non corretto) tra coppie di componenti indipendenti (dallo stesso soggetto) incluse in ciascuna coppia di cluster di componenti indipendenti (definiti di seguito). Per escludere la possibilità che i collegamenti di fase osservati derivino solo dal blocco di fase comune della porzione dei dati della singola prova che costituiscono l'ERP, abbiamo anche sottratto l'ERP medio simultaneo da ciascuna prova prima di calcolare la coerenza di fase. Le funzioni per calcolare e tracciare le misure di tempo/frequenza utilizzate qui sono disponibili anche nella casella degli strumenti EEGLAB.

Modellazione dipolo equivalente

Sia le semplici considerazioni anatomiche che i risultati osservati della decomposizione dell'ICA suggeriscono che le sorgenti EEG corticali possono essere utilmente modellate come macchie di corteccia con attività di campo locale parzialmente sincrone. In breve, l'elevata densità di accoppiamento locale di entrambi i neuroni eccitatori e, in particolare, inibitori nella corteccia significa che i potenziali di campo locale sufficientemente sincrono per creare segnali EEG misurabili dovrebbero tendere ad estendersi attraverso un dominio spaziale compatto. estensione. Attraverso la conduzione del volume, le attività parzialmente sincrone all'interno dei cerotti di origine corticale producono potenziali di campo lontano in tutto il cervello e sul cuoio capelluto. La distribuzione del campo elettrico del cuoio capelluto prodotto da un tale patch sorgente è quasi identica a quella di un piccolo elemento potenziale dipolare la cui geometria è come una minuscola pila di torcia orientata perpendicolarmente alla superficie corticale. Questa �tteria” è definita il dipolo equivalente per la sorgente corticale.

Qui, abbiamo utilizzato un metodo relativamente semplice e ben noto per adattare le posizioni e gli orientamenti dei dipoli equivalenti in un modello di testa sferica a quattro conchiglie per ciascun componente (BESA Megis Software, Monaco, Germania). Per ridurre il tempo necessario per elaborare le mappe dei componenti 485, abbiamo utilizzato una versione (3.0) del software BESA che ha consentito l'elaborazione in batch per adattare i modelli a dipolo singolo a ciascuna mappa dello scalpo dei componenti. (Un set di strumenti dipfit di R. Oostenveld, che produce risultati equivalenti, è ora disponibile su http://sccn.ucsd.edu/eeglab/dipfit.html). Alcune mappe dei componenti bilateralmente simmetriche si adattavano meglio ai modelli simmetrici a doppio dipolo. L'adattamento di successo dei modelli a dipolo singolo per molti dei componenti raggruppati è compatibile con la loro generazione all'interno di una singola porzione di corteccia compatta, mentre i modelli a doppio dipolo bilaterali sono compatibili con l'attività oscillatoria strettamente accoppiata (senza ritardo di fase netto) in due placche corticali simmetriche densamente connesse tramite il corpo calloso o la pulsione sottocorticale comune.

Per distinguere le relative posizioni regionali dei cluster di componenti, le mappe dello scalpo per i singoli componenti in ciascun cluster sono state prima orientate in modo simile (ad esempio, in modo da essere tutte correlate positivamente), normalizzate e mediate. Queste mappe medie dei cluster sono state quindi adattate a modelli a dipolo singolo per illustrare approssimativamente le distinzioni regionali tra le fonti dei cluster componenti. Infine, i dipoli medi del cluster e le informazioni tempo/frequenza correlate all'evento misurate dall'ERSP, la coerenza di fase intertrial e l'analisi della coerenza di fase correlata all'evento di tutte le singole prove sono state visualizzate insieme in tre dimensioni utilizzando un display animato sviluppato da Delorme et al. . (2002).

Video 1

Un'animazione che rappresenta i grandi schemi medi delle dinamiche legate agli eventi nella banda theta. Le tracce nere nel pannello inferiore mostrano l'inviluppo dell'ERP medio grande bloccato nel tempo al pulsante del soggetto premere la linea verticale punteggiata mostra il tempo mediano di insorgenza dello stimolo (risposta meno 352 ms). Dinamica Theta calcolata in una finestra (frequenza centrale 4,87 Hz, conicità di Hanning a 3 cicli) centrata (linea verticale blu) 89 ms dopo la pressione del pulsante (linea verticale rossa). Ogni sfera nel pannello superiore rappresenta la posizione del dipolo equivalente per un cluster di componenti. Le proiezioni approssimative delle posizioni del dipolo equivalente sono mostrate in ombra su tre piani da un'immagine di risonanza magnetica media (Montreal Neurological Institute). Le variazioni di potenza spettrale del registro (rispetto alla linea di base del prestimolo) sono indicate dalle dimensioni delle sfere (vedi legenda, in basso a destra). I colori delle sfere non grigie indicano un aggancio di fase intertrial coerente (coerenza di fase intertrial). I cilindri colorati che uniscono le sfere indicano una significativa coerenza di fase correlata all'evento tra i componenti del cluster.