Conocimiento Bóveda 3/33 - G.TEC BCI & Neurotecnología Escuela de Primavera 2024 - Día 3
Hacia un enfoque objetivo y basado en datos
para definir TMS-EEG real de respuestas simuladas
Ahmadreza Keihani, Universidad de Pittsburgh (EE.UU.)
<Imagen del Resumen >

Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4 | Llama 3:

Ahmadreza Keihani
Definir real vs simulado
TMS-EEG es desafiante. 1
Enfoque objetivo y basado en datos para
diferenciar real de simulado. 2
Señales TMS-EEG reflejan la suma de
potenciales postsinápticos. 3
Configuración TMS-EEG: bobina, canales,
amplificadores, neuronavegación, enmascaramiento. 4
Conde 2018: TMS-EEG real
se asemejó al simulado, generó controversia. 5
Expertos criticaron métodos de Conde,
mostraron lateralización de TMS-EEG real. 6
Conde criticado: bobina pequeña,
referencia común, enmascaramiento inadecuado. 7
Estudios recientes disocian TMS-EEG real
de simulado. 8
Laboratorios de UCL y Milán usan
métodos avanzados. 9
El ponente propone aprendizaje automático
para etiquetar real vs simulado. 10
Comparaciones clave: real vs
simulado, dentro y entre sesiones. 11
Dentro de la sesión: la precisión real debería
aumentar, simulado se mantiene plano. 12
Entre sesiones: respuesta posterior real difiere
de simulado, bases similares. 13
Probado en conjuntos de datos del
laboratorio del ponente, Milán, UCL. 14
Milán: real, simulado realista,
auditivo con/sin enmascaramiento, eléctrico. 15
UCL: real con/sin enmascaramiento,
probando modelo en datos imperfectos. 16
Resultados dentro de la sesión cumplieron expectativas. 17
Entre sesiones: la estimulación real difirió
de todos los simulados. 18
Resultados de un solo sujeto confirmaron hallazgos
de grupo, identificaron valores atípicos. 19
El modelo diferenció real imperfectamente enmascarado
de TMS totalmente enmascarado. 20
Limitaciones: datos de corteza motora,
prefrontal más desafiante. 21
Replicar con datos de
más laboratorios más allá de Milán, UCL. 22
Modelos más sofisticados podrían
mejorar el rendimiento. 23
Cuatro características clave definen
respuesta real de TMS-EEG. 24
Herramienta objetiva para verificar
validez de datos TMS-EEG. 25
Diferencias Milán, UCL: dispositivos,
umbralización, tamaños de muestra. 26
Intensidad TMS: potenciales evocados
motores o EEG en línea. 27
Algunos datos de Milán disponibles
pronto en bioRxiv. 28
El modelo utiliza precisión de ensayo único,
promedio para identificar TMS-EEG real. 30

Resumen:

1.-Definir respuestas TMS-EEG reales vs simuladas es desafiante y ha generado debate en el campo.

2.-La charla busca encontrar un enfoque objetivo y basado en datos para diferenciar señales TMS-EEG reales de simuladas.

3.-Las señales TMS-EEG reflejan la suma de potenciales postsinápticos excitatorios e inhibitorios de neuronas piramidales e interneuronas.

4.-Los componentes clave de la configuración TMS-EEG incluyen la bobina, los canales EEG, los amplificadores, la neuronavegación y el enmascaramiento de ruido.

5.-Un estudio de 2018 de Conde et al. encontró que las respuestas TMS-EEG reales se asemejaban a las simuladas, generando controversia.

6.-Expertos criticaron el estudio de Conde, mostrando que el TMS-EEG real tiene respuestas lateralizadas bajo la bobina que se propagan.

7.-Las críticas al estudio de Conde incluyeron el uso de una bobina pequeña, referencia promedio común y enmascaramiento de ruido inadecuado.

8.-Estudios recientes buscan disociar el TMS-EEG real de los efectos simulados usando protocolos cuidadosamente diseñados.

9.-Estudios de los laboratorios de UCL y Milán utilizan métodos avanzados para definir TMS-EEG real vs simulado.

10.-El ponente propone una solución objetiva para etiquetar TMS-EEG real vs simulado usando aprendizaje automático.

11.-El enfoque utiliza comparaciones clave entre condiciones de TMS real y simulado dentro y entre sesiones.

12.-Dentro de la sesión, la precisión del TMS real debería comenzar moderada y aumentar, mientras que el simulado se mantiene plano.

13.-Entre sesiones, la respuesta posterior al TMS real debería diferir del simulado, mientras que las bases previas a la estimulación son similares.

14.-El método fue probado en conjuntos de datos ricos del laboratorio del ponente, Milán y UCL.

15.-Los datos de Milán tenían TMS real, simulado realista, auditivo con/sin enmascaramiento y condiciones de estimulación eléctrica.

16.-Los datos de UCL tenían TMS real con/sin enmascaramiento de ruido, probando el modelo en datos imperfectos.

17.-Los resultados dentro de la sesión mostraron que la precisión del TMS real aumentó mientras que el simulado se mantuvo plano, cumpliendo con las expectativas.

18.-Los resultados entre sesiones mostraron que la estimulación real difirió de todas las condiciones simuladas.

19.-Los resultados de un solo sujeto confirmaron los hallazgos promedio del grupo, con el modelo identificando sujetos atípicos.

20.-El modelo pudo diferenciar TMS real imperfectamente enmascarado de totalmente enmascarado basado en la similitud de la respuesta temprana.

21.-Las limitaciones actuales son que el modelo se basa en datos de la corteza motora, siendo las áreas prefrontales más desafiantes.

22.-El enfoque debería replicarse con datos de más laboratorios más allá de Milán y UCL.

23.-Modelos de aprendizaje automático más sofisticados más allá de RNNs y LSTMs podrían mejorar aún más el rendimiento.

24.-Cuatro características clave definen si los datos TMS-EEG representan una respuesta real basada en el modelo.

25.-El enfoque proporciona una herramienta objetiva para verificar la validez de los datos TMS-EEG.

26.-Las diferencias entre los conjuntos de datos de Milán y UCL incluyeron dispositivos TMS, procedimientos de umbralización y tamaños de muestra.

27.-Determinar la intensidad del TMS se basa en medir los potenciales evocados motores o las respuestas EEG en línea.

28.-Algunos de los datos de Milán se harán disponibles abiertamente en bioRxiv dentro de 1-2 meses.

29.-El TMS-EEG real tiene una respuesta lateralizada y propagante con picos y amplitudes específicos.

30.-El modelo de aprendizaje automático utiliza precisión moderada de ensayo único y alta precisión promedio para identificar TMS-EEG real.

Bóveda de Conocimiento construida porDavid Vivancos 2024