Несмотря на разнообразие реализованных идей, все из существующих на данный момент методов имеют существенные недостатки. Методы, основанные на морфологическом анализе, сталкиваются с проблемой высокой изменчивости морфологии разряда даже для одного пациента, и, тем более, между разными пациентами. Методы поиска по шаблону предполагают предварительную разметку значительного количества записи экспертом. Методы адаптивной фильтрации оказываются неэффективными и характеризуются низкой специфичностью. Ближе всего к разрабатываемому нами подходу находятся методы, основанные на анализе независимых компонент, но даже и в этом случае анализ не является автоматическим, так как выбор нужной компоненты и интерпретация результатов должны быть произведены экспертом.

Исследование особенностей звуков легких для выявления бронхита и ХОБЛ с помощью методов машинного обучения

1. Одно из важнейших клинических применений ЭЭГ и МЭГ — предоперационная диагностика эпилепсии, поиск ирритативных зон и установления эпи-лептогенной зоны среди них.
2. Регуляризация обратной задачи заключается во введении дополнительных априорных предположений о том, какими свойствами должна обладать искомая активность источников.
3. В большинстве эпилептологических медицинских центров анализ межприступных данных производится экспертами вручную.
4. Разработка алгоритмов и методологии решения обратной задачи ЭЭГ/МЭГ для восстановления синхронной активности источников с высоким пространственным разрешением.
5. Эпилепсия — одно из самых распространенных неврологических заболеваний в мире, сопровождающееся для пациента не только наличием приступов, но также и риском возникновения сопутствующих болезней, когнитивных дефицитов, психологических расстройств и неблагоприятных социальных последствий.

В то же время в работе 27 было показано, что межприступные МЭГ записи могут содержать значимую информацию, достаточную для правильной локализации эпилеп-тогенной зоны и последующего хирургического вмешательства. Легко расширен для анализа сегментов данных, относящихся к началу приступа, которые в ближайшем будущем станут более доступными, благодаря разработке новых мобильных МЭГ-установок с магнитометрами с оптической накачкой, которые пациент может носить на голове. Важно подчеркнуть, что разработанный алгоритм может быть применен не только для исследования эпилепсии, но также и в других нейрофизиологических исследованиях, изучающих активность головного мозга, которая имеет пространственно-временную структуру распространения. Например, метод может быть использован для анализа вызванных и индуцированных ответов в парадигме с многократным предъявлением стимулов. В этом случае существенно облегчается задача поиска момента начала распространения локальной волны. Для того чтобы преодолеть это ограничение, мы разработали новый подход, основанный на модификации ковариационной матрицы данных, который позволяет создавать бимформеры, поддерживающие высокое пространственное разрешение, несмотря на наличие коррелированных источников в данных 73.

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

Магнитное поле менее чувствительно к разнице в проводимости тканей 7. Для решения прямой задачи ЭЭГ, таким образом, наиболее подходящим методом является метод граничного элемента (boundary element method, BEM) 8, который реалистично моделирует разные ткани. Для МЭГ также подходящим и менее вычислительно затратным может быть метод пересекающихся сфер (overlapping spheres) 9. Полученные вызванные потенциалы характеризуются типом предъявленного стимула, временем достижения пиков активаций (латентность), амплитудой пиков, областью мозга, которая генерирует потенциал, а также полярностью (положительная или отрицательная направленность пиков). Большая латентность пика ассоциируется с вовлечением вторичных областей головного мозга, в то время как меньшая латентность связана с первичными областями.

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

1. Целью третьей части работы была разработка метода автоматического поиска межприступных разрядов и их кластеризации для определения ирритативной зоны, требующего минимального участия эксперта только в момент финальной валидации результатов.
2. Кроме того, тета-активность также распространяется в виде бегущей волны в неокортексе человека 53, и в гиппокампе 55.
3. Однако было показано, что альфа-осцилляции являются бегущими волнами 52, 53, и при этом фаза бегущей альфа-волны определяет мощность активации в гамма-диапазоне 54.
4. Дальнейшие исследования пространственно-временных характеристик распространения осцилляций позволят точнее понимать механизмы функционального взаимодействия в нейронных сетях головного мозга.
5. Несмотря на то что механизмы генерации кортикальных бегущих волн не до конца ясны 49, существующие работы демонстрируют, что их функции разнообразны.
6. Эффективность диагностики напрямую зависит от количества и качества размеченных в данных межприступных разрядов.
7. В то же время в работе 27 было показано, что межприступные МЭГ записи могут содержать значимую информацию, достаточную для правильной локализации эпилеп-тогенной зоны и последующего хирургического вмешательства.

В таком случае искомое решение получается более разумным, соответствует физиологической природе процесса и позволяет делать дальнейшие выводы относительно исследуемого явления. Разработан алгоритм решения обратной задачи ЭЭГ/МЭГ, основанный на предположении о волновом распространении активности. Полученные результаты для трёх пациентов демонстрируют наличие связи между качеством описания межприступного разряда с помощью волновой модели и принадлежностью разряда к эпилептогенной зоне.

Поиск скриптов по запросу “band”

При этом ReciPSIICOS и отбеленный wReciPSIICOS показывают высокое качество решения и позволяют находить фокальные билатеральные источники со значительно большим динамическим интервалом активаций. Существуют достаточные экспериментальные основания полагать, что локальное распространение межприступных разрядов у пациентов с эпилепсией может быть описано распространением кортикальной волны 60, 61, 62. Во второй части исследования нашей целью была разработка алгоритма решения обратной задачи ЭЭГ/МЭГ, который использует физиологически обусловленное предположение о пространственно-временной связности искомой активности. Разрабатываемый алгоритм также должен восстанавливать характерные параметры волновой модели, а именно, направление и скорость движения волны.

Целью первой части работы является разработка такой модификации адаптивного бимформера, которая, с одной стороны, сохранит его высокое пространственное разрешение, но и с другой стороны, позволит восстанавливать синхронную активность источников головного мозга. Определены средние временные зависимости спектральной плотности мощности в исследуемых диапазонах частот. В качестве признаков, полученных на основе спектрограммы, использовалась сумма значений спектральной плотности мощности для каждой полосы частот. В качестве параметров распознавания сигналов на основе вейвлет-анализа определены отношения энергий уровней детализации вейвлет-разложения к полной энергии исследуемого сигнала дыхания. В качестве признаков мел-кепстрального анализа предлагается использовать усредненные по временным фреймам логарифмические (мел) энергии банка фильтров, а также усредненный по временным фреймам мел-частотный кепстр. Определена точность классификации сигналов дыхания для ряда классификаторов, использующих рассмотренные наборы признаков.

Несмотря на то что для большей части пациентов приступы могут быть купированы с помощью правильной комбинации противоэпилептических препаратов, около 30% пациентов имеют фармакорезистентную форму эпилепсии, при которой медикаментозное лечение не позволяет контролировать приступы 21. Регуляризация обратной задачи заключается во введении дополнительных априорных предположений о том, какими свойствами должна обладать искомая активность источников. Предположения реализуются в виде ограничений, накладываемых на итоговое решение. В зависимости от используемой техники регуляризации, можно выделить ряд подходов к решению обратной задачи. Электроэнцефалография (ЭЭГ) 1 и магнитоэнцефалография (МЭГ) 2 — неинвазивные методы нейровизуализации, отличающиеся высоким временным разрешением порядка миллисекунды, недостижимым многими другими методами исследования мозговой активности. Благодаря высокому временному разрешению, использование ЭЭГ и МЭГ позволяет эффективно проводить когнитивные исследования и диагностировать широкий круг неврологических расстройств, в том числе, эпилепсию, не подвергая пациента дополнительному риску.

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

В литературе также предлагаются подходы, отказывающиеся от моделирования нейрональной активности с помощью набора токовых диполей, например, в 72 в качестве решения рассматриваются сферические гармоники. Разработка алгоритма решения обратной задачи ЭЭГ/МЭГ, основанного на предположении о волновом распространении активности, исследование его свойств и применение разработанного метода к межприступным записям пациентов с эпилепсией. Другой группой исследователей 61 также в результате анализа инвазив-ных электроэнцефалографических данных было показано, что некоторые меж-приступные разряды демонстрируют устойчивые шаблоны распространения на сенсорах. Распространение активности происходит на участке порядка сантиметра, и такой масштаб может быть разрешим с помощью МЭГ 3.

Одно из важнейших клинических применений ЭЭГ и МЭГ — предоперационная диагностика эпилепсии, поиск ирритативных зон и установления эпи-лептогенной зоны среди них. Эффективность диагностики напрямую зависит от количества и качества размеченных в данных межприступных разрядов. новости форекс Так как обычно разметка производится вручную экспертом в результате визуального анализа, количество найденных событий ограничивается представлением о разумной трудоемкости задачи разметки и зачастую недостаточно для полного анализа.

При этом дальнейшее развитие методов анализа неинвазивной МЭГ позволит проводить более безопасную диагностику для пациента. Эпилепсия — одно из самых распространенных неврологических заболеваний в мире, сопровождающееся для пациента не только наличием приступов, но также и риском возникновения сопутствующих болезней, когнитивных дефицитов, психологических расстройств и неблагоприятных социальных последствий. По данным Всемирной организации здравоохранения, в мире насчитывается более 50 миллионов человек с диагностированной эпилепсией1.

Преимуществом предложенного подхода является полная автоматизация алгоритма в сочетании с высокой эффективностью восстановления ирритативных зон и возможностью дополнительного анализа кластеров по оцененным типичным шаблонам. Даемая активность вызвана небольшим числом фокальных источников и эти источники не коррелированы. Известно, что бимформеры склонны ошибаться в тех случаях, когда активации источников коррелируют друг с другом. Учитывая тот факт, что физиология работы мозга предполагает множество случаев, когда источники коррелируют друг с другом, это ограничение является значительным для восстановления активности источников по реальным данным.

Как правило, вызванный потенциал невозможно увидеть при единичном предъявлении стимула, так как целевая активность обладает небольшой амплитудой и скрывается за спонтанной активностью мозга. Первые устойчивые исследования когнитивных ВП относят к 60-м годам, когда технология записи ЭЭГ, а также вычислительные возможности стали достаточными для того, чтобы провести запись и усреднение which filter performs exactly the opposite to the band-pass filter большого количества испытаний 64. Аналоги вызванных потенциалов для МЭГ называются вызванными полями (evokedfields, EF). Методы адаптивной фильтрации оказываются неэффективными и характеризуются низкой специфичностью 40, 41. Ближе всего к разрабатываемому нами подходу находятся методы, основанные на анализе независимых компонент 42, 43, 44, но даже и в этом случае анализ не является автоматическим, так как выбор нужной компоненты и интерпретация результатов должны быть произведены экспертом. Ниальной ЭЭГ и наблюдения за результатом резекции фокуса, ассоциированного с результатами МЭГ диагностики, на больших когортах пациентов.

Первым известным когнитивным компонентом ВП стал компонент условного отрицательного отклонения (contingent negative variation, CNV) 65. В ходе эксперимента испытуемым сначала предъявлялся предупреждающий звуковой сигнал, за которым следовало предъявление визуального стимула. Затем эксперимент повторялся, но испытуемых просили нажимать на кнопку в ответ на предъявление визуального стимула. В этом случае исследователям удалось выделить негативный компонент с латентностью примерно в 500 мс после предъявления предупреждающего сигнала, который был связан с подготовкой к совершению целевого действия. Благодаря введению негладкой L\ регуляризации, итоговое решение, полученное таким методом, будет разреженным, так как в результате оптимизации максимальное количество активаций источников будет приравнено к нулю. Одновременно с этим, негладкий регуляризатор делает невозможным нахождение аналитического решения, доступного в методе минимальной нормы, и поэтому решение методом MCE находится численно.