海马参与工作记忆目标匹配增强及其时间过程--基于颅内脑电的研究

已有的研究结果表明,海马参与记忆的编码和提取,并且它会受到新发生事件与已存储记忆匹配或者不匹配的影响.先前的功能磁共振研究报道,在延迟匹配任务中,目标匹配增强作为一种工作记忆成分,与物体性质和位置的整合有关,能够显著地激活海马体部.但是,关于这一过程的时间信息目前尚不清楚.本研究利用特定癫痫病人在双侧海马植入的深部电极,跨被试间电极触点位置基本一致,因此具有较高的空间分辨率和时间分辨率的优势.我们发现,左侧海马体部在目标匹配增强中起着重要作用.同时,这种效应发生在探测刺激出现后600～650 ms,大约在知觉匹配增强或者P300等知觉效应后200 ms.另外,对于每一个被试,目标匹配增强的潜伏期与平均反应时成正相关.结果揭示,当工作记忆的任务与性质-位置捆绑有关时,海马参与并起重要作用.结果说明,目标匹配增强效应在知觉过程之后发生,表明了工作记忆不同成分在海马的分离.

基于多特征的颅内脑电癫痫检测方法

自动癫痫检测对癫痫病发作的诊断及减轻医务人员繁杂的工作有着重大的意义。本研究提出一种基于多特征的长程颅内脑电癫痫检测的新算法。该算法首先对颅内脑电信号进行小波分解和半波处理,然后提取脑电信号的微分方差、相对能量和波动指数组成特征向量,利用贝叶斯原理求得待检信号特征向量的后验概率,通过阈值判断达到癫痫检测的目的。利用德国弗莱堡长程脑电数据进行实验,检测灵敏度为94.2%,特异性为95.6%,误检率为每小时1.16次。实验表明,该算法能够有效检测出长程颅内脑电中的癫痫信号,并具有较低的运算复杂度,有利于实时脑电检测。

面孔分类中空间高低频表征的神经机制:一个颅内脑电研究

来自多方面的研究表明,面孔的分类和识别位于特定脑区.同时,已有行为实验研究表明,图像的空间高低频特征在面孔分类的不同范畴中起不同的贡献,例如身份更多被低频信号传递,性别被高低频共同传递,而表情更多被高频传递.然而,空间频率在面孔分类中的贡献,其表征和神经机制目前相关研究很少.利用特定癫痫患者植入颅内电极的监控期,呈现不同类型面孔图像,同时记录其颅内脑电,用事件相关电位方法考察了据认为是面孔特定成分的相关电位的潜伏期在170ms的波形(N170波形)的变化;用电极反应显著性分析考察了空间频率在不同分类特征上的贡献.结果表明,空间高频(HSF)图像的N170潜伏期显著延迟.只呈现空间低频(LSF)图像,N170的潜伏期对普通人面孔会延迟,而对熟悉的名人则没有这个差异.女性面孔诱发的N170在HSF条件下潜伏期明显晚于LSF条件,而男性面孔诱发的波形则不存在这个差异.表情在N170上没有体现出任何差异.但是基于电极的显著性分析表明,有更多的额叶电极参与了表情的加工;身份特征加工有更多电极在空间低频上表现出差异,而性别加工则空间高低频比较平衡.与以往行为结果不同的是,表情加工也有更多低频贡献,而且表情的差异可以在早达114ms的时候就发生.这符合表情信息在颞枕区域有一个快速基本加工,再传递到其他脑区的认知模型.因此,空间高低频信息在身份和性别上的贡献,可能发生在经典的面孔加工脑区,由N170表达,表情信息不由N170表达,而是在颞枕较广泛的范围内快速加工再传递到别的脑区,如额叶.这是首次利用颅内脑电就空间频率在面孔分类中的贡献的神经机制进行研究,为深入理解脑内面孔各种特征加工的动态过程提供了一个新的切入点.

基于颅内脑电高频振荡信号自动检测的癫痫灶定位

目的研究一种基于颅内脑电高频振荡信号(high frequency oscillations,HFOs)自动检测的癫痫灶定位技术。方法针对高频噪声及癫痫样尖峰波形等信号易被误检为HFOs的问题,采用小波包滤波对信号进行预处理,然后用BP神经网络进行特征提取和自动分类,再根据结果统计出HFOs高发区确定癫痫灶;最后,分析3位癫痫患者的颅内脑电数据,评估检测性能及病灶定位准确度。结果本文HFOs自动检测方法的灵敏度和误检率分别为90%和7.46%,其中两位局灶性癫痫患者的HFOs高发通道与癫痫灶有较强关联。结论将小波包分解和BP神经网络相结合并用于HFOs的自动检测,能在保持高灵敏度的同时有效降低其误检率。临床确诊的致痫区与HFOs高发区有较高相关性,初步证实HFOs可用于定位局灶性癫痫灶。

基于发作间期颅内脑电高频振荡的癫痫病灶定位

目的通过癫痫发作间期高频颅内脑电信号的记录和分析,实现一种基于概率模型的癫痫病灶定位自动算法。方法以一段时间内颅内脑电高频能量的整体波动性水平为指标,建立大数据概率模型以判断某电极是否覆盖致痫灶。结果本文分析了来自12例癫痫患者948个颅内电极的癫痫发作间期颅内脑电数据,与医生人工定位结果作对比,平均敏感性80.4%±17.3%,特异性87.7%±17.2%;模型的稳定性和性能随着数据量增加而提高。结论本文所提出高频能量波动性算法基于概率模型,不依赖个体化参数、自动化程度高、性能好,有良好的临床应用前景。

基于高频颅内脑电的致痫区定位和网络分析

目的通过癫痫发作期颅内高频脑电(60~90 Hz)的分析,实现一种基于非参数统计模型的致痫区定位方法,并研究致痫区内外的脑电信号相干性。方法首先构造高频脑电归一化指标——高频能量指数,再用该指标量化各导联的致痫性,并定位致痫区,最后分析致痫区内外电极的幅度相干和相位相干性。结果分析了8例有良好术后效果的癫痫患者共1252个电极触点的颅内脑电数据,以临床癫痫灶定位结果作为参考,高频能量指数平均敏感性29.57%、特异性96.67%。8位患者的致痫电极之间的平均相干性显著高于非致痫电极之间的相干性。结论构造了颅内脑电高频能量指标,并用非参数统计模型定位致痫区,特异性高于已有研究,能够帮助医生在癫痫手术规划中寻找关键相关致痫电极。

长程颅内电极监测定位技术在癫痫外科中的应用(附19例临床分析)

目的分析长程颅内电极对难治性癫痫患者的癫痫发作起源区定位作用,评估采用这一技术后的癫痫发作控制以及手术并发症的发生情况。方法19例难治性癫痫患者,采用常规脑电图及其它检查不能明确癫痫发作起源区位置,或癫痫发作起源区与重要功能区关系密切,对怀疑脑区进行颅内电极埋置术,术后进行长程颅内脑电监测,根据脑电情况,确定发作起源区,明确与功能区的部位后,进行切除术或多处软膜下横切术。结果19例患者中,核磁共振有双侧病变者5例,单侧病变9例,核磁共振阴性的患者5例。非侵袭性的术前评估方法结论不一致的有11例。手术后15例患者发作消失,3例患者发作频率减少90%以上,1例癫痫发作控制无效。1例患者发生永久性局限视野缺损,缺损为左上视野区,1例患者电极埋置术后出现一过性失语,切除术后未发生失语。结论对于采用常规脑电图及其它检查不能明确癫痫发作起源区位置,或癫痫发作起源区与重要功能区关系密切的患者,长程颅内脑电图监测能够准确定位发作起源区位置,回避功能皮质区,有效降低并发症的发生率。

基于脑电高频振荡特征主成分分析与机器学习的致痫通道自动识别

目的研究一种基于颅内多通道脑电高频振荡(HFOs)总体特征的主成分分析与机器学习方法,以实现自动识别和确定各脑电通道是否位于致痫病灶区。方法首先,在通道水平对颅内脑电高频振荡信号进行时-频域多维特征提取;其次,采用主成分分析法(PCA)对该特征矩阵进行降维处理;然后,分别采用支持向量机、决策树及K邻近等机器学习方法对各个脑电通道进行自动分析和分类;最后,对比手术切除病灶区域及其标定的致痫灶通道,采用十折交叉法评估和比较各机器学习算法的分类性能及其对致痫灶通道的自动识别性能。结果对4例癫痫患者共229个通道的随机2 h发作间期颅内脑电数据的HFOs自动分析,PCA分析后其通道水平HFOs特征由14维降至4维,且采用支持向量机法更准确地识别出其中的15个致痫通道,其准确率、灵敏度及特异性分别为85.05%、71.25%及92.42%。结论本方法不仅提高了脑电致痫通道自动识别的准确性和智能化,而且有望缩短传统颅内视频脑电的监测时程。

基于SVM分类器的癫痫脑电时空特征提取方法的研究

癫痫发作具有突发性和反复性,给患者的生命安全带来巨大隐患。为了给患者提供有效的预警,结合时间和空间两个维度,选取模糊熵和皮尔逊相关性作为特征参数,分别衡量时序信号复杂度和空间通道间的相关性;利用F-score筛选出最优特征组合,既增加了预测的准确率又去除冗余信息;利用支持向量机(support vector machine,SVM)分类器识别癫痫发作前期和发作间期的颅内脑电信号。为验证该特征的预测效果,进行了模糊熵或皮尔逊相关性单独作为特征参数的对比试验。实验结果表明,与单一特征相比,时空特征的预测效果更好,准确率高达91.26%,误报率仅为2.32%。该方法能有效提取癫痫特征信息,为癫痫的临床预警提供新思路。

基于Leksell框架的立体定向脑电图(SEEG)技术的临床应用

目的介绍基于Leksell框架的立体定向脑电图(L-SEEG,Leksell-stereoelectroencephalograph,)系统的工作原理和实现方法,观察其临床安全性,可靠性和易用性。方法 L-SEEG的工作原理和实现方法包括SEEG手术计划软件,Leksell头框以及特殊的配套手术器械三部分,分别予以详细介绍。2014年4月至2015年3月接受L-SEEG技术埋藏电极的顽固性癫痫患者34例,共置入深部电极302根。总结术后颅内出血、脑脊液漏、感染、电极脱落等并发症的情况。结果 L-SEEG稳定可靠,可准确、安全、快速置入深部电极到目标位置。34例患者术后反应轻微,仅1例脑室内出血3ml(无症状),无脑脊液漏、无感染,电极固定可靠。结论 L-SEEG技术是一种安全、可靠、准确,操作方便、相对廉价的SEEG技术,可以在癫痫外科推广应用。

基于小波的发作自动检测

自动癫痫检测通常需长时间监视,是颅内监测的重要手段。现有方法存在较大的误检率,特别是在颅内脑电图中。为了摸清发作检测方法的节律特征,开发了一种基于小波的方法,比较发作脑电与背景脑电的不同,并对该方法的性能进行了探讨。

基于双密度双树复小波变换的癫痫发作期自动检测算法

正确区分癫痫发作期(seizure)与非发作期(non-seizure)对癫痫治疗有着重要意义。本研究以颅内脑电信号(iEEG)作为研究对象,提出了一种基于双密度双树复小波变换(DD-DT CWT)的癫痫发作期自动检测算法。实验数据来自美国国家卫生研究所(NINDS)设立在Kaggle上的15 719个竞赛数据,处理后的数据库由55 023段发作期数据和501 990段非发作期数据组成,每段数据长1 s,包含174个采样点。首先对信号进行重采样;然后利用DD-DT CWT处理脑电信号,并从中提取小波熵、方差、能量和均值共四类特征;最后使用最小二乘支持向量机(LS-SVM)学习分类,并通过比较不同小波分解层数下的实验结果选取合适的分解层数。实验结果表明:所提取的四类特征在发作期与非发作期存在差异,八位患者中,采用3层分解时分类的平均准确率较高,达到91.98%,灵敏度为90.15%,特异性为93.81%。本文工作表明,我们提出的算法在癫痫患者脑电信号的二分类中有优良的性能,能够自动高效地检测出癫痫发作期。