El Fin Del Conocimiento - Bóveda 3 - G.TEC BCI & Neurotecnología Escuela de Primavera 2024 - Día 10

graph LR classDef main fill:#f9d4d4, font-weight:bold, font-size:14px classDef eeg fill:#d4f9d4, font-weight:bold, font-size:14px classDef hgm fill:#d4d4f9, font-weight:bold, font-size:14px classDef bci fill:#f9f9d4, font-weight:bold, font-size:14px classDef hfo fill:#f9d4f9, font-weight:bold, font-size:14px A["Michael Jordan
Mostafa Mohammadpour"] --> B["Jordan presenta mapeo 3D de
EEG y detección de HFO. 1"] A --> C["Montajes de electrodos definen ubicaciones de
señales para visualizaciones. 2"] C --> D["Montajes 2D usan esquemas, 3D
usan modelos cerebrales. 3"] C --> E["Creador de Montajes IAG hace
montajes 2D/3D exportables. 4"] E --> F["Importa modelos cerebrales 3D de FreeSurfer
de MRI. 5"] E --> G["Importa superficies, resecciones, DTI,
permite colocación manual. 6"] E --> H["CT post-op para localización automática
de electrodos de rejilla/profundidad. 7"] E --> I["Importa coordenadas para colocar
electrodos semi-automáticamente. 8"] C --> J["Montajes usados para análisis
3D en tiempo real y offline. 9"] A --> K["Mohammadpour discute biomarcadores de epilepsia:
inicio de crisis, picos, HFOs. 10"] K --> L["Patrones de crisis: inicio, aumento,
terminación. Inicio guía cirugía. 11"] K --> M["HFOs >80Hz en picos
localizan mejor el inicio. 12"] K --> N["Desafíos en detección de HFO: artefactos.
HFOs verdaderos son islas. 13"] K --> O["Detectores de HFO en dominio temporal filtran,
umbral de energía, duración, picos. 14"] K --> P["Autores detectan zonas de inicio
de crisis automáticamente con LDA. 15"] P --> Q["Buen rendimiento general, más débil
para patrones poco comunes. 16"] K --> R["Secuencias de propagación de picos detectadas
a través de electrodos en espacio-tiempo. 17"] R --> S["Picos agrupados por forma,
mantuvieron morfologías de libro. 18"] K --> T["Picos, HFOs localizados en
zonas de inicio sin medicación. 19"] K --> U["Secuencias de picos, HFOs patológicos
más cercanos a zonas de inicio. 20"] K --> V["Detección de picos en tiempo real con
umbrales adaptativos en Simulink. 21"] V --> W["Comparable a métodos offline,
visualizado en cerebro 3D. 22"] A --> X["Guger discute BCIs basados en ECoG
para uso clínico e investigación. 23"] class A main class B,C,D,E,F,G,H,I,J eeg class K,L,M,N,O,P,Q,R,S,T,U,V,W hfo class X bci

Resumen:

1.- Michael Jordan, un programador experto, presenta sobre el mapeo 3D de la actividad de rejillas y EEG estereotáctico y la detección de oscilaciones de alta frecuencia.

2.- Definir montajes de electrodos que representen ubicaciones de señales es importante para visualizaciones topográficas, mapeo anatómico y comparaciones con otras modalidades como fMRI.

3.- Los montajes simples en 2D usan imágenes esquemáticas o fotos, mientras que los montajes en 3D usan cerebros de plantilla o modelos cerebrales basados en MRI específicos del sujeto.

4.- El Creador de Montajes IAG es una aplicación independiente que crea montajes 2D y 3D exportables como un solo archivo.

5.- Importa datos de FreeSurfer, una poderosa herramienta gratuita que reconstruye modelos cerebrales 3D a partir de escaneos MRI en 5-24 horas.

6.- También importa superficies de la corteza de otras herramientas, áreas de resección, pistas DTI y permite la colocación manual de electrodos asistida por mapas de parcelación.

7.- Las tomografías computarizadas postoperatorias permiten la localización automática de electrodos de rejilla y de profundidad, compensando el desplazamiento cerebral entre escaneos pre y postoperatorios.

8.- Las coordenadas de otros sistemas pueden importarse para colocar electrodos semi-automáticamente en el modelo 3D.

9.- Los montajes se utilizan para visualización 3D en tiempo real en MATLAB/Simulink y trazado offline para análisis y publicación.

10.- Mostafa Mohammadpour discute biomarcadores de epilepsia: la zona de inicio de crisis, la zona irritativa de picos interictales y las oscilaciones de alta frecuencia (HFOs).

11.- Las crisis muestran patrones de inicio, aumento en frecuencia/amplitud y terminación. La zona de inicio de crisis es un "estándar de oro" para la resección quirúrgica.

12.- Los picos duran 20-200ms. Los HFOs patológicos >80Hz sobre los picos pueden localizar la zona de inicio de crisis mejor que los picos solos.

13.- Los desafíos en la detección de HFO incluyen artefactos. Los HFOs verdaderos aparecen como "islas" en mapas de tiempo-frecuencia mientras que los artefactos se alargan a través de frecuencias.

14.- Los detectores de HFO en el dominio temporal existentes filtran en banda, calculan energía, umbral y aplican criterios de duración y número de picos.

15.- Los autores apuntaron a detectar automáticamente zonas de inicio de crisis, que usualmente son marcadas subjetivamente por médicos después de revisar múltiples crisis.

16.- Recopilaron un conjunto de datos de varios patrones de inicio de crisis, extrajeron características de tiempo y tiempo-frecuencia y entrenaron un clasificador LDA.

17.- El rendimiento de la clasificación fue bueno en general pero más débil para patrones de inicio poco comunes como ritmos delta debido a datos desequilibrados.

18.- A continuación, detectaron secuencias de picos propagándose a través de electrodos adyacentes dentro de 15-50ms y 2-5cm usando un algoritmo existente.

19.- Para identificar picos verdaderos, agruparon los picos detectados por forma usando la distancia DTW y mantuvieron los grupos que se asemejaban a morfologías de picos de libros de texto.

20.- El 35% de los picos verdaderos y el 62% de los no picos se localizaron en zonas de inicio de crisis. Los picos verdaderos se agruparon más cerca de las zonas de inicio.

21.- En 3 pacientes, compararon tasas de picos, ondas (80-250Hz), ondas rápidas (250-500Hz) y HFOs patológicos entre estados medicados y no medicados.

22.- Las tasas de eventos fueron más altas sin medicación como se esperaba. La optimización de umbrales de tasa produjo un 95% de especificidad para localizar zonas de inicio de crisis.

23.- Las secuencias de picos y los HFOs patológicos se localizaron más cerca de las zonas de inicio, superando a los picos aislados, ondas y ondas rápidas.

24.- Finalmente, desarrollaron un modelo en tiempo real en Simulink para detectar picos usando umbrales adaptativos que se estabilizan después de ~3 minutos de datos.

25.- El detector en tiempo real tuvo un rendimiento comparable a los métodos offline. Los picos se visualizaron en un cerebro 3D y como tasas de picos por minuto.

Bóveda de Conocimiento construida porDavid Vivancos 2024