Artykuł metodologiczny

Międzynapadowe oscylacje o wysokiej częstotliwości wykryte za pomocą jednoczesnej magnetoencefalografii i elektroencefalografii jako biomarkera padaczki dziecięcej

23.2K wyświetleń

⸱

DOI:

10.3791/54883

⸱

6 grudnia 2016

 ,  ,  ,  ,  ,  , 
1Fetal-Neonatal Neuroimaging and Developmental Science Center, Division of Newborn Medicine, Department of Medicine, Boston Children's Hospital, Harvard Medical School, 2Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Harvard Medical School, 3Division of Epilepsy Surgery, Department of Neurosurgery, Boston Children's Hospital, Harvard Medical School, 4Division of Epilepsy and Clinical Neurophysiology, Department of Neurology, Boston Children's Hospital, Harvard Medical School

W tym artykule

Podsumowanie

Oscylacje o wysokiej częstotliwości (HFO) pojawiły się jako przedoperacyjne biomarkery do identyfikacji strefy padaczkowej u pacjentów pediatrycznych z padaczką oporną na leczenie. Przedstawiono metodykę nieinwazyjnego rejestrowania, wykrywania i lokalizacji HFO z jednoczesną elektroencefalografią skóry głowy (EEG) i magnetoencefalografią (MEG).

Streszczenie

Kluczowe dla powodzenia operacji epilepsji jest dostępność solidnego biomarkera, który identyfikuje strefę epileptogenną (EZ). Oscylacje o wysokiej częstotliwości (HFO) stały się potencjalnymi przedoperacyjnymi biomarkerami do identyfikacji EZ, obok międzynapadowych wyładowań padaczkowych (IED) i aktywności ictal. Chociaż obiecują one lokalizację EZ, nie nadają się jeszcze do diagnozowania lub monitorowania padaczki w praktyce klinicznej. Utrzymują się podstawowe bariery: brak formalnej i globalnej definicji HFO; wynikającą z tego niejednorodność podejść metodologicznych stosowanych do ich badania; oraz praktyczne trudności w ich nieinwazyjnym wykryciu i zlokalizowaniu na podstawie nagrań skóry głowy. W tym miejscu przedstawiamy metodologię rejestrowania, wykrywania i lokalizacji międzynapadowych HFO od pacjentów pediatrycznych z padaczką oporną na leczenie. Przedstawiamy reprezentatywne dane dotyczące HFO wykrytych nieinwazyjnie w międzynapadowym EEG skóry głowy i MEG od dwójki dzieci poddawanych zabiegom chirurgicznym.

Podstawowe generatory HFO zostały zlokalizowane poprzez rozwiązanie problemu odwrotnego, a ich lokalizacja została porównana do Strefy Początku Napadu (SOZ), jak to zostało zdefiniowane przez epileptologów. U obu pacjentów międzynapadowe wyładowania padaczkowe (IED) i HFO były zlokalizowane z obrazowaniem źródłowym w odpowiednich lokalizacjach. W przypadku jednego pacjenta dostępne były również dane z wewnątrzczaszkowego EEG (iEEG). W przypadku tego pacjenta stwierdziliśmy, że lokalizacja HFO była zgodna między metodami nieinwazyjnymi i inwazyjnymi. Porównanie iEEG z wynikami zapisów skóry głowy posłużyło do potwierdzenia tych ustaleń. Zgodnie z naszą najlepszą wiedzą, jest to pierwsze badanie, które przedstawia źródłową lokalizację HFO skóry głowy na podstawie jednoczesnych zapisów EEG i MEG, porównując wyniki z zapisami inwazyjnymi. Odkrycia te sugerują, że HFO można niezawodnie wykrywać i lokalizować nieinwazyjnie za pomocą EEG skóry głowy i MEG. Wnioskujemy, że nieinwazyjna lokalizacja międzynapadowych HFO może znacznie poprawić ocenę przedoperacyjną u pacjentów pediatrycznych z padaczką.

Wprowadzenie

Padaczka dziecięca jest powszechnym zaburzeniem neurologicznym, którego częstość występowania wynosi 4 - 6 na 1000dzieci1. Może mieć duży wpływ na rozwój dzieci2 i może znacząco wpłynąć na ich dorosłe życie. Długoterminowe badania kontrolne dotyczące padaczki o początku w dzieciństwie wskazują, że około 30% pacjentów z padaczką staje się nieuleczalnychmedycznie 3-6 i zwykle wymaga resekcyjnej operacji padaczkowej. U wielu z tych pacjentów operacja epilepsji prowadzi do znacznego zmniejszenia częstości napadów, a często do uwolnienia się od napadów. Aby operacja padaczki zakończyła się sukcesem, powinna osiągnąć stan wolny od napadów z minimalnymi lub żadnymi deficytami funkcjonalnymi. Wymaga to starannego wyznaczenia strefy padaczkowej (EZ)7, "obszaru kory mózgowej, który jest niezbędny do generowania napadów padaczkowych"8. EZ nie może być mierzona bezpośrednio; Jego lokalizacja jest szacowana na podstawie zgodnych danych z wielu testów, które identyfikują inne strefy korowe. Inwazyjna elektroencefalografia wewnątrzczaszkowa (iEEG) służy jako złoty standard lokalizacji strefy początku napadów (SOZ), regionu, w którym napady są generowane i pochodzą z zapisów ictal. IEEG jest jednak kosztowne, uzależnione od współpracy dziecka, niesie ze sobą pewne ryzyko infekcji ikrwawienia9 oraz może wywołać dodatkowe uszkodzenia neurologiczne podczas implantacji10. Co więcej, nagrania mogą prowadzić do błędnych wniosków, ponieważ duże obszary mózgu pozostają niezbadane. W związku z tym do powodzenia chirurgicznego leczenia padaczki potrzebny jest solidny biomarker przedoperacyjny, który pomaga w identyfikacji EZ.

Patologiczne HFO (80 - 500 Hz)11,12 pojawiły się w ciągu ostatniej dekady jako biomarker do identyfikacji tkanki padaczkowej, która może poprawić diagnostykę przedoperacyjną i wyniki operacji u pacjentów z padaczką13. Doniesienia z użyciem mikroelektrod w połączeniu z elektrodami EEG wykazały obecność HFO u pacjentów z padaczką. HFO znaleziono również przy użyciu standardowych makroelektrod w okresie ictal i interictal. Ostatnie badania wykazały, że HFO identyfikują SOZ z większą czułością i swoistością w porównaniu ze strefą drażniącą14,15, strefą, która generuje IED, oraz że chirurgiczne usunięcie tkanki wytwarzającej HFO koreluje z lepszymi wynikami niż usunięcie SOZ lub strefy drażniącej15. HFO są powszechnie klasyfikowane jako tętnienia (80 - 250 Hz) lub szybkie tętnienia (250 - 500 Hz). Szybkie tętnienia są ściślej związane z aktywnością patologiczną i lokalizacją SOZ16, ale badania ludzkich zapisów wewnątrzczaszkowych wskazują, że zarówno zmarszczki, jak i szybkie zmarszczki nasilają się w regionach padaczkowych17.

Pomimo tych obiecujących wyników, HFO nie są jeszcze odpowiednie do diagnozowania lub monitorowania epilepsji w praktyce klinicznej. Głównymi barierami nadal są: (i) brak formalnej i ogólnej definicji HFO; (ii) wynikającą z tego niejednorodność podejść metodologicznych zastosowanych do ich badania; oraz (iii) praktyczne trudności w ich nieinwazyjnym wykryciu i zlokalizowaniu na podstawie zapisów skóry głowy. To ostatnie wynika z faktu, że elektrody znajdują się daleko od źródła sygnału, sygnał może być rozmyty przez szum tła i aktywność mięśni, a sygnał może być zniekształcony przez skórę głowy lub ciemiączka i szwy w czaszce, zwłaszcza u niemowląt. Co więcej, trudno jest odróżnić normalne i nieprawidłowe HFO18,19, ponieważ zarówno tętnienia, jak i szybkie tętnienia występują nawet w normalnej tkance mózgowejczłowieka 20. Wczesne badania wykazały obecność HFO w EEG skóry głowy tylko u niewielkiej (0,2 - 3,4%) części pacjentów z padaczkąw wieku 21-23 lat. Jednak ostatnie badania wykazały, że HFO można wykryć nieinwazyjnie za pomocą EEG skóry głowy. Co ciekawe, HFO zgłaszano na początku skurczów padaczkowych u dzieci (50 - 100 Hz24, 40 - 120 Hz25), a także na początku napadów tonicznych w zespole Lennoxa-Gastauta (50 - 100 Hz)26. Międzynapadowe HFO (70 - 200 Hz) po raz pierwszy zaobserwowano w EEG skóry głowy u dzieci ze stanem padaczkowym wywołanym snem27. Następnie w EEG skóry głowy pacjentów z padaczką ogniskową zidentyfikowano międzynapadowe HFO (80 - 200 Hz) z wyższymi wskaźnikami wewnątrz SOZ28. Co ciekawe, HFO występowały częściej u pacjentów z dużą liczbą międzynapadowych wyładowań padaczkowych (IED) i okazało się, że są bardziej specyficzne niż IED dla SOZ29, co podkreśla związek HFO z padaczkowatością.

MEG wydaje się oferować znaczące korzyści w porównaniu do EEG skóry głowy do nieinwazyjnego wykrywania i lokalizacji HFO: (i) aktywność wysokiej częstotliwości w MEG jest mniej podatna niż EEG na zanieczyszczenie od aktywności mięśniowej30-31, (ii) sygnały MEG nie są zniekształcone przez przewodnictwo czaszki i mniej zniekształcone niż EEG przez niezrośnięte obszary kości czaszki, takie jak ciemiączko lub szew, oraz (iii) matryce czujników MEG mają większą gęstość w porównaniu z EEG, które zawsze boryka się z problemem mostków solnych między elektrodami, gdy głowa jest mała, jak w przypadku dzieci. Dowody z konstrukcji fantomowych, które symulują generatory HFO, sugerują, że HFO mogą być wykrywane i lokalizowane z dużą dokładnością lokalizacji (2 - 3 mm) za pomocą MEG32. W kilku ostatnich badaniach odnotowano obecność HFO w sygnałach MEG zarejestrowanych od pacjentów z padaczką w paśmie częstotliwościtętnień 33-38. Analiza czasowo-częstotliwościowa wykazała, że dane MEG zawierają składowe wysokiej częstotliwości związane z EZ33-36. Jednak tylko kilka badań zidentyfikowało międzynapadowe HFO jako widoczne zdarzenia wyróżniające się na tle sygnału w dziedzinie czasu, jak to zwykle ma miejsce w przypadku iEEG37-38. Van Klink i wsp.37 osób wykryło HFO w paśmie tętnień za pomocą wirtualnych kanałów zbudowanych przy użyciu technik kształtowania wiązki w oparciu o informacje przestrzenne uzyskane z IED. Von Ellenrieder i wsp. 38 wykryło HFO w sygnałach MEG z czujników fizycznych niezależnie od IED i wykorzystało metodę maksymalnej entropii do średniej (MEM) do zlokalizowania ich źródeł i zbadania ich korelacji z EZ. Rampp i wsp. (2010) wykrył również epileptyczne oscylacje wysokiego promieniowania gamma z MEG, które były zablokowane lub niezależne od skoków, i zlokalizował tę aktywność za pomocą analizy źródła o minimalnej normie39. Odkryli, że charakterystyka tych szybkich oscylacji (tj. wyraźny początek średniej pełnej pasma i maksymalnej amplitudy oscylacji) była silnie związana z SOZ. HFO wykryto również w MEG podczas aktywności ictal u pacjentów pediatrycznych ze skurczami padaczkowymi40. Jednak MEG ma pewne wyraźne ograniczenia w porównaniu z EEG skóry głowy: (i) jest niewrażliwy na źródła, które mają orientację promieniową w stosunku do środka głowy, (ii) nie pozwala na długie zapisy, które zwiększają możliwość wykrywania i rejestrowania zdarzeń ictal, oraz (iii) jego czujniki nie mogą dostosować się do kształtu głowy każdej osoby, ponieważ kask i układ czujników w kasku mają stały kształt. Tak więc idealną konfiguracją, która maksymalizuje możliwość wykrywania i lokalizowania aktywności padaczkowej, jest połączenie informacji zarówno z EEG skóry głowy, jak i MEG.

W tym badaniu staramy się zilustrować metodologię, którą stosujemy do nieinwazyjnego wykrywania międzynapadowych HFO, używając jednoczesnych zapisów EEG i MEG skóry głowy od pacjentów pediatrycznych z padaczką oporną na leczenie. Przedstawiamy konfigurację nagrań i proces analizy danych przy użyciu opracowanej przez nas metody półautomatycznej do wykrywania zdarzeń HFO w jednoczesnych danych MEG i EEG. Na koniec przedstawiamy również lokalizację podstawowych generatorów HFO skóry głowy, uzyskaną przez rozwiązanie problemu odwrotnego, i porównujemy ją z SOZ, tak jak zostało to zdefiniowane przez epileptologów.

Protokół

Oświadczenie etyczne: Przedstawione procedury eksperymentalne zostały zatwierdzone przez Institutional Review Board (IRB) Massachusetts General Hospital w Bostonie, MA, USA. W następnej sekcji opisany zostanie protokół eksperymentalny dotyczący nieinwazyjnej detekcji i lokalizacji źródła HFO przy użyciu skalpowego EEG i MEG. Przygotowanie pacjenta jest minimalne, a badanie jest zazwyczaj dobrze tolerowane. Cała sesja trwa około 2 - 3 h, przy czym właściwe pomiary trwają około 60 min.

1. Przygotowanie pacjenta

  1. Upewnij się, że dziecko czuje się komfortowo w danym otoczeniu.
    UWAGA: Pozwól małym dzieciom zapoznać się z otoczeniem testowym i zobaczyć sprzęt badawczy. Przeprowadź przesiew pacjenta pod kątem bezpieczeństwa i zgody, korzystając z formularza przesiewowego. Zapytaj pacjenta (lub jego rodziców), czy w ciągu ostatnich 2 h wystąpił napad kliniczny.
  2. Usuń wszystkie materiały metalowe/magnetyczne i zapewnij pacjentowi odzież szpitalną. Zdejmij obuwie, ponieważ często zawiera ono elementy magnetyczne. Sprawdź, czy badany jest wolny od artefaktów magnetycznych, mierząc sygnały MEG przez kilka minut. Użyj demagnetyzera w celu redukcji artefaktów pochodzących z implantów, takich jak wypełnienia stomatologiczne.
    UWAGA: Demagnetyzatora nie należy stosować, jeśli istnieje jakiekolwiek prawdopodobieństwo obecności przedmiotów ferromagnetycznych wewnątrz ciała.
  3. Zmierz maksymalny obwód głowy, aby dobrać odpowiedni rozmiar czepek EEG dla dziecka. Użyj centymetra krawieckiego i przyłóż go do nasionu. Następnie zmierz obwód głowy w jej najszerszym miejscu (~1 cm powyżej inionu).
  4. Załóż czepek EEG na głowę zgodnie z międzynarodowym systemem 10 - 20. Oczyść skórę w miejscach rozmieszczenia każdej elektrody i nałóż pastę/żel pod każdą elektrodę.
    UWAGA: Więcej szczegółów dotyczących zapisów EEG skóry głowy u dzieci znajduje się w innym miejscu41.
    1. Umieść elektrody masy i referencyjne na głowie. Podłącz dodatkowe elektrody do pomiaru poziomej i pionowej elektrookulografii (EOG), elektrokardiografii (ECG), elektromiografii (EMG) oraz dodatkowe elektrody EEG w lokalizacjach obejmujących obszary skroniowe (T1/T2).
      UWAGA: EOG, ECG i EMG pomagają w identyfikacji ruchów gałek ocznych, zanieczyszczeń magnetokardiograficznych, aktywności mięśniowej, a także w monitorowaniu stanu pacjenta.
  5. Upewnij się, że kanały EEG mają dobry kontakt ze skórą głowy, pozycjonując sensory indywidualnie. Delikatnie obracaj każdy sensor z boku na bok, aby odsunąć włosy. Zmierz impedancje wszystkich elektrod omometrem EEG, aby uzyskać wartość poniżej 10 KOhm.
  6. Umieść na głowie cztery cewki HPI: dwie za małżowinami usznymi i dwie na czole w przybliżonych symetrycznych lokalizacjach.
    UWAGA: Cewki HPI pomagają zlokalizować względną pozycję głowy pacjenta względem rozmieszczenia sensorów MEG w przestrzeni 3D. Liczba cewek HPI może się różnić w zależności od producenta systemu MEG.
  7. Wyznacz położenie cewek HPI i elektrod EEG za pomocą dygityzera.
    UWAGA: Digityzer rejestruje współrzędne sensora w przestrzeni 3D. Sensor znajduje się na końcówce rysika. Położenie cewek HPI musi być znane względem anatomii głowy i rozmieszczenia sensorów MEG.
  8. Wyznacz położenie punktów referencyjnych (fiducials), w tym punktów przedusznych lewego/prawego oraz nasionu, za pomocą dygityzera. Zdigitalizuj dodatkowe punkty (około 300 punktów), aby uzyskać precyzyjny kształt głowy.
  9. Przenieś pacjenta do ekranowanego pomieszczenia magnetycznego (MSR)42, w którym znajduje się system MEG.
    UWAGA: MSR to ekranowane środowisko, które minimalizuje zakłócenia zapisów MEG pochodzące z zewnętrznych źródeł elektromagnetycznych (t.j. linii energetycznych, sygnałów częstotliwości radiowych z urządzeń przenośnych, urządzeń elektrycznych i komputerów, pól magnetycznych od poruszających się obiektów namagnesowanych, takich jak samochody, windy i pociągi). Składa się ono z trzech zagnieżdżonych warstw. Każda warstwa składa się z czystego aluminium oraz ferromagnetycznej warstwy o wysokiej przenikalności (t.j. mu-metalu, stopu składającego się głównie z niklu i żelaza).
  10. Połóż pacjenta na łóżku, umieść jego głowę w kasku MEG i zastosuj odpowiednie podkładki/gąbki pod głową pacjenta dla zapewnienia komfortu.
  11. Podłącz cewki HPI, przewody EEG, EOG, ECG, EMG oraz dodatkowe elektrody do urządzenia rejestrującego. Dostosuj pozycję głowy pacjenta w skanerze, upewniając się, że znajduje się ona jak najgłębiej w kasku.

2. Pozyskiwanie danych

  1. MEG i EEG
    UWAGA: Akwizycja danych MEG/EEG została przeprowadzona zgodnie z metodą opisaną w poprzednim badaniu42Więcej szczegółów na temat klinicznego zastosowania MEG w padaczce u dzieci można znaleźć w innych opracowaniach.43,44.
    1. Rejestruj sygnały MEG za pomocą systemu MEG do pomiarów całej głowy.
      UWAGA: System MEG wykorzystuje cienkowarstwowe czujniki dwóch typów (gradiometry płaskie i magnetometry) zintegrowane w 102 elementach pomiarowych. Każdy element zawiera magnetometr składający się z pojedynczej cewki oraz dwa ortogonalne gradiometry płaskie, które składają się z konfiguracji cewek typu „ósemka”. Magnetometr mierzy strumień magnetyczny prostopadły do jego powierzchni, a gradiometry mierzą różnicę między dwiema pętlami „ósemki”, czyli gradient przestrzenny. System MEG posiada 204 gradiometry płaskie i 102 magnetometry (łącznie 306 czujników). Systemy MEG od różnych producentów różnią się liczbą i typami cewek (t. j., osiowe gradiometry).
    2. Należy jednocześnie rejestrować sygnały EEG, używając niemagnetycznej czapki z 70 kanałami elektrod z pierścieniami spiekonymi Ag/AgCl oraz dodatkowych elektrod w T1/T2.42Należy użyć wspólnego montażu referencyjnego.
    3. Zamknij drzwi MSR. Skontaktuj się z pacjentem za pomocą systemu interkomowego, aby sprawdzić, czy czuje się komfortowo. Poproś rodzica o pozostanie wewnątrz MSR podczas rejestracji, jeśli dziecko czuje dyskomfort przebywając samemu.
    4. Rozpocznij nagrywanie, klikając przycisk „Go” w oprogramowaniu do akwizycji danych MEG. Zastosuj wysoką częstotliwość próbkowania wynoszącą 1 kHz (lub wyższą). Użyj filtru dolnoprzepustowego o nieskończonej odpowiedzi impulsowej (IIR) o wartości 6th próbkowanie z częstotliwością 400 Hz. Sprawdzić online wszystkie zarejestrowane sygnały. Poprawić wadliwe kanały MEG za pomocą tunera czujników.
      UWAGA: Za uszkodzone kanały MEG uznaje się sensory (gradiometry lub magnetometry), które charakteryzują się stosunkowo wysokim poziomem szumu białego (powyżej 2 do 5 fT/√Hz dla magnetometrów) lub sensory rejestrujące zakłócenia elektromagnetyczne z otoczenia. Zjawisko to występuje zazwyczaj, gdy sensory są narażone na silne (w stosunku do mierzonych sygnałów) pola magnetyczne i określone części cewek „wychwytują” strumień magnetyczny, co niszczy nadprzewodnictwo. W takim przypadku stosuje się tuner sensora, który podgrzewa cewkę poprzez przepuszczenie przez nią prądu elektrycznego. Procedura ta jest nazywana strojeniem i jest stosowana, gdy poziom szumu białego sensora przekracza określony próg (t. j. 2 – 5 fT/√Hz). Niektóre systemy MEG nie posiadają tunerów czujników.
    5. Zmierz pozycję głowy pacjenta, klikając przycisk „Measure” w oprogramowaniu do akwizycji MEG. Jeśli głowa pacjenta nie jest odpowiednio objęta macierzą czujników, poproś pacjenta o przesunięcie głowy głębiej do wnętrza kasku.
      UWAGA: Manewr ten aktywuje 4 cewki HPI poprzez przyłożenie do nich przejściowych oscylacyjnych sygnałów elektrycznych, które generują sztuczne pola magnetyczne. Pola te są wykrywane przez czujniki MEG, co pozwala na wyznaczenie pozycji głowy. Procedura ta może się różnić w zależności od producenta systemu MEG. 
    6. Nagrać sygnały MEG, EEG oraz zapisy peryferyjne, klikając przycisk „Record” w oprogramowaniu do akwizycji MEG (t. j. EKG, EOG i EMG) przez ok. 60 min.
      UWAGA: Dane są przechowywane jako plik .fif w macierzy RAID (Redundant Arrays of Independent Disks). W przypadku innych producentów systemów MEG typ pliku jest inny.
    7. Po zakończeniu rejestracji otwórz MSR, odłącz kable i wyprowadź pacjenta z pomieszczenia MSR. Ostrożnie usuń wszystkie taśmy, elektrody, cewki HPI oraz czepek EEG. Umyj głowę pacjenta.
    8. Po zakończeniu akwizycji zarejestruj sygnały magnetyczne pustego MSR bez pacjenta. Rozpocznij pomiary, klikając przycisk „Go” w oprogramowaniu do akwizycji MEG. Rejestruj dane MEG przez 2 min, stosując te same parametry, co w kroku 2.1.4.
      UWAGA: Dane te są wykorzystywane do szacowania środowiskowego szumu elektromagnetycznego.
  2. MRI (obrazowanie metodą rezonansu magnetycznego)
    1. Należy pozyskać anatomiczne dane MRI za pomocą sekwencji gradient-echo z szybką akwizycją i przygotowaniem namagnesowania (MPRAGE; TE = 1,74 ms, TR = 2520 ms, rozmiar woksela = 1 × 1 × 1 mm) przy użyciu skanera 3T o wysokiej rozdzielczości. Szczegółowe informacje na temat protokołu skanowania MRI można znaleźć w innym miejscu.45.
      UWAGA: Badania MRI nie przeprowadzamy w tym samym dniu co sesję MEG, aby uniknąć artefaktów w zapisach MEG wynikających z namagnesowania ewentualnych metalowych implantów pacjenta, np. wypełnień stomatologicznych.

3. Identyfikacja aktywności interictalnej

  1. Otwórz dane za pomocą oprogramowania Brainstorm46, które jest udokumentowane i bezpłatnie dostępne do pobrania online na podstawie ogólnej licencji publicznej GNU.
  2. Wizualnie wybierz fragmenty danych EEG z aktywnością interiktalną występującą co najmniej 2 h przed lub po napadach klinicznych.
    UWAGA: Rysunek 1 przedstawia fragment danych EEG i MEG z częstymi IED.
    1. Zidentyfikuj empirycznie dobrze zdefiniowane IED w sygnałach EEG: obejmują one iglice (20 - 70 ms) oraz fale ostre (70 - 200 ms)47-48.
      UWAGA: Znaczenie kliniczne obu typów IED w lokalizacji ogniska padaczkowego jest równorzędne.
    2. Spróbuj zidentyfikować (jeśli to możliwe) fragmenty zapisów charakteryzujące się: (i) minimalnymi artefaktami ruchowymi, (ii) liczbą więcej niż 3 - 4 IED na 10 s wyświetlania oraz (iii) wolnofalowym snem non-REM, w którym zazwyczaj występuje wysoka liczba HFO49.

Dane EEG i MEG, wzorce fal mózgowych, wykres wykrywania napadów, analiza neuroobrazowania.
Rycina 1: IED w sygnałach EEG i MEG. Fragment jednocześnie zarejestrowanych sygnałów EEG ze skóry głowy i MEG z częstymi IED. Na prawych panelach, w powiększonej skali czasowej, przedstawiono 1 s wyróżnionego fragmentu zawierającego jedną falę ostrej. Czerwone kropki wskazują szczyty IED. Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.

  1. Używając programu Brainstorm, wyświetl dane z domyślnymi ustawieniami wyświetlania (10 s/strona). Przejdź do karty Filter i wprowadź następujące parametry filtrowania: filtr górnoprzepustowy: 1 Hz, filtr dolnoprzepustowy: 80 Hz, filtr Notch: 50 lub 60 Hz (zależnie od częstotliwości sieci elektrycznej). Przejrzyj dane i zidentyfikuj fragmenty zawierające IED.
    UWAGA: Tylko fragmenty sygnału z IED zostaną przeskanowane w celu poszukiwania HFO (krok 3.4). Wybrane filtry służą wyłącznie do wizualizacji; nie zostały one zastosowane do danych. Aby na stałe zastosować te filtry do danych, użyj pasmowo-przepustowego filtra Butterwortha (4.go rzędu), postępując zgodnie z instrukcjami na stronie internetowej programu Brainstorm (http://neuroimage.usc.edu/brainstorm/).
  2. Zaznacz szczyt każdego IED występującego zarówno w danych EEG, jak i MEG (patrz czerwone punkty na Rysunku 1).
    UWAGA: Więcej szczegółów na temat zaznaczania IED w programie Brainstorm można znaleźć w innym miejscu (http://neuroimage.usc.edu/brainstorm/Tutorials/Epilepsy).

4. Półautomatyczna detekcja HFO w jednoczesnych danych z EEG skóry głowy i MEG

UWAGA: W tym miejscu opisujemy półautomatyczną metodę wykrywania HFO, która obejmuje automatyczną detekcję (krok 4.1; Rysunek 2), a następnie wizualną weryfikację automatycznie wykrytych HFO (krok 4.3). Aby uniknąć błędnego uznania pozornych oscylacji ostrych przejściówek za prawdziwe riple oraz upewnić się, że HFO nie wynikają z zjawiska filtrowania, zastosowaliśmy najnowsze sugestie zawarte w odpowiedniej literaturze: wymagaliśmy, aby HFO składały się z minimum 4 oscylacji, ponieważ zaobserwowano, że odpowiedź impulsowa filtra ma mniej oscylacji niż wybrana liczba cykli50; zastosowaliśmy filtr o skończonej odpowiedzi impulsowej (FIR), aby zminimalizować efekt dzwonienia i zjawisko „Gibbsa”50; wymagaliśmy, aby potencjalne zdarzenia HFO zostały poddane również wizualnej inspekcji przez eksperta w celu sprawdzenia, czy HFO są widoczne na nałożonych IED50,51; oraz wymagaliśmy zaobserwowania odizolowanej „wyspy” w płaszczyźnie czasowo-częstotliwościowej, ponieważ ostre zdarzenie i oscylacja mają różne sygnatury: prawdziwe HFO jest reprezentowane przez odizolowany pik na wykresie czasowo-częstotliwościowym (ograniczony w częstotliwości, jako „wyspa”) znajdujący się w pasmie 80 - 500 Hz, podczas gdy zdarzenie przejściowe generuje wydłużoną plamę, rozciągniętą w częstotliwości50,52,53.

Schemat przetwarzania sygnału EEG; bipolarna filtracja i analiza EEG w celu wykrycia oscylacji wysokoczęstotliwościowych.
Rycina 2: Schemat blokowy kroków algorytmu. Algorytm działa w dwóch etapach: pierwszy identyfikuje potencjalne HFO z każdego sygnału EEG w dziedzinie czasu (kolumny lewa i środkowa); drugi klasyfikuje wcześniej wykryte potencjalne zdarzenia w celu odróżnienia rzeczywistych HFO od artefaktów w dziedzinie czasu i częstotliwości (kolumna prawa). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

  1. Automatyczna detekcja HFO
    UWAGA: Rycina 2 opisuje schemat blokowy automatycznej detekcji HFO w każdym sygnale EEG. Celem opracowanej metody jest odciążenie eksperta EEG z konieczności zaznaczania zdarzeń HFO na każdym kanale EEG przy użyciu wyświetlacza 2 s/stronę, który jest zalecany do wizualnej inspekcji HFO. HFO zdefiniowano jako zdarzenie w pasmie częstotliwości ripple (80–250 Hz), które posiada co najmniej 4 oscylacje o morfologii sinusoidalnej, wyróżniające się na tle otaczającego sygnału.54 (krok 4.1.1), a który przejawia się jako krótkotrwałe zdarzenie z odizolowanym pikiem widmowym przy wyraźnej wysokiej częstotliwości14 (krok 4.1.2).
    1. Detekcja kandydatnych HFO w domenie czasu
      1. Zastosuj filtr pasmowo-przepustowy (BP) dla sygnałów EEG w zakresie od 80 do 250 Hz, ograniczając zawartość częstotliwościową sygnałów do analizowanego pasma ripple.
        UWAGA: Zaleca się stosowanie filtru FIR w celu zminimalizowania efektu dzwonienia oraz zjawiska Gibbsa55or cyfrowym filtrowaniem zero-fazowym w celu uniknięcia zniekształceń fazowych.
      2. Oblicz obwiednię sygnału BP za pomocą transformacji Hilberta. Oblicz średnią oraz odchylenie standardowe (SD) obwiedni w oknach przesuwnych o długości 10 s, wycentrowanych na każdym punkcie szeregu czasowego. Oszacuj ogólną średnią i SD, korzystając z wartości mediany dla wszystkich okien (aby uzyskać wartości odporne na możliwą obecność fragmentów sygnału z licznymi HFO i wysokim SD).
      3. Oblicz wynik z (z-score) obwiedni i zaznacz kandydata na HFO za każdym razem, gdy wynik z przekroczy próg minimalny, ustalony na poziomie 356.
      4. Punkty początkowy i końcowy wykrytego zdarzenia należy zdefiniować jako punkty przecięcia poziomu połowy progu w kierunku wznoszącym i opadającym. HFO z odstępem międzyzdarzeniowym krótszym niż 30 ms należy uznać za jedno pojedyncze HFO. Należy obliczyć liczbę pików w sygnale BP pomiędzy punktami początkowym i końcowym HFO i odrzucić zdarzenia z liczbą pików mniejszą niż 4. Należy również odrzucić zdarzenia o wartości z-score przekraczającej 12.
        UWAGA: Należy dostosować maksymalny próg wartości z-score do amplitudy artefaktów, które mogą wystąpić w rejestrowanych sygnałach. Zdarzenia o niskiej liczbie oscylacji mogą być spowodowane efektami filtrowania.57,58podczas gdy zdarzenia o ekstremalnie wysokiej amplitudzie mogą wynikać z artefaktów mięśniowych lub elektrodowych.
    2. Odrzuć ewentualne artefakty w dziedzinie czasowo-częstotliwościowej.
      UWAGA: Krok ten jest niezbędny, aby odróżnić rzeczywiste HFO od zdarzeń, które mogą być wywołane przez inną aktywność EEG oraz artefakty filtrowania, których zawartość częstotliwościowa nie jest ograniczona do badanego pasma częstotliwości. Opiera się on na założeniu, że rzeczywiste HFO występuje jako krótkotrwałe zdarzenie z izolowanym pikiem widmowym przy wyraźnej częstotliwości powyżej 80 Hz, w przeciwieństwie do zdarzenia przejściowego, które generuje wydłużoną plamę rozciągającą się w zakresie częstotliwości.59. Rycina 3 przedstawia przykład wykrytego HFO, ukazując sygnał EEG po filtracji pasmowo-przepustowej (panel górny), jego obwiednię (panel środkowy) oraz odpowiadającą mu płaszczyznę czasowo-częstotliwościową (panel dolny) w przedziale [-0,5, +0,5] s wokół szczytu HFO. Wyświetlanie płaszczyzny czasowo-częstotliwościowej ograniczono do zakresu 80–150 Hz, ponieważ dla częstotliwości powyżej 150 Hz nie zaobserwowano wyraźnej aktywności.
      1. Przekształć wszystkie zdarzenia będące kandydatami na HFO w przestrzeń czasowo-częstotliwościową, wykorzystując transformację Morleta w zakresie częstotliwości od 1 Hz do najwyższej częstotliwości będącej przedmiotem analizy, t. j. 250 Hz (częstotliwość centralna = 1 Hz, pełna szerokość połówki maksymalnej = 3 s).
      2. Przeanalizuj chwilowe widma mocy reprezentacji czasowo-częstotliwościowej dla każdego punktu czasowego w trakcie trwania zdarzenia. Dla każdego widma mocy zastosuj automatyczne kryteria opisane przez Burnosa. i wsp.56 aby wykryć piki w pasmie wysokich częstotliwości oraz zweryfikować, czy są one wyraźnie odróżnialne od najbliższego piku w zakresie niższych częstotliwości. Należy odrzucić HFO, których widmo mocy nie wykazuje izolowanego piku wysokiej częstotliwości w co najmniej 90% punktów czasowych.
  2. Posortuj wszystkie wykryte zdarzenia HFO według czasu ich wystąpienia we wszystkich kanałach. Pogrupuj wszystkie następujące po sobie zdarzenia HFO, których czas trwania się pokrywa. Do dalszej analizy zachowaj tylko grupy HFO obejmujące co najmniej dwa kanały EEG.
    UWAGA: Algorytm wymaga wystąpienia HFO w co najmniej 2 kanałach, aby uniknąć rejestracji przypadkowych artefaktów, które mogą przypominać rzeczywiste HFO i występować w pojedynczych odprowadzeniach EEG. Dwa następujące po sobie HFO uznaje się za nakładające się, gdy czas rozpoczęcia drugiego HFO poprzedza czas rozpoczęcia pierwszego.

Analiza sygnału EEG, przefiltrowane EEG z progiem, wykres z-score, spektrogram czasowo-częstotliwościowy.
Rysunek 3: Zdarzenie HFO wykryte przez algorytm. Panel górny: sygnał EEG przefiltrowany pasmowo (80 - 150 Hz) (w µV) z jednego kanału (F8 - T8) od pacjenta 1. Panel środkowy: obwiednia sygnału przefiltrowanego pasmowo (z-score). Szczyt obwiedni (czerwony gwiazdka) wskazuje moment wystąpienia szczytu HFO (czerwona pionowa linia przerywana). Niebieskie gwiazdki zaznaczają punkty przecięcia połowy progu (niebieska linia przerywana) w górę i w dół, które wskazują punkty czasowe rozpoczęcia i zakończenia HFO (niebieskie pionowe linie przerywane). Panel dolny: płaszczyzna analizy czasowo-częstotliwościowej. Zwróć uwagę na izolowany szczyt w pasmie częstotliwości ripple (~100 Hz) wokół szczytu HFO. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

  1. Wizualna analiza zdarzeń HFO
    UWAGA: Część analizy wizualnej opiera się na wytycznych zaproponowanych przez Andrade-Valenca et al.28 oraz Zelmann et al.60.
    1. Ustawić pionowo dwa ekrany komputerowe; jeden do inspekcji sygnałów EEG, a drugi do inspekcji sygnałów MEG. Wyświetlić wykryte zdarzenia zarówno w skali powiększonej (2 s/stronę), jak i typowej (10 s/stronę), pokazując odpowiednio sygnały przefiltrowane pasmowo w zakresie 80 - 250 Hz oraz 1 - 40 Hz.
    2. Zignorować zdarzenia współwystępujące z artefaktami mięśniowymi lub elektrodowymi w niefiltrowanym EEG i MEG, a także zdarzenia o dużej zmienności częstotliwości, nieregularnej morfologii lub dużych wahaniach amplitudy.
    3. Obserwować sygnały EOG i EMG podczas detekcji HFO i odrzucić każde zdarzenie, które uznaje się za odpowiadające aktywności EOG lub mięśniowej. Uwzględnić tylko HFO, które nakładają się na IED w EEG/MEG (wykryte w kroku 3.3), ponieważ są one z większym prawdopodobieństwem prawdziwymi HFO15,28,56.
      UWAGA: Podejście to oferuje wysoką swoistość kosztem niskiej czułości; zapewnia zatem pewność, że zidentyfikowane HFO mają pochodzenie korowe.
    4. Zachować tylko zdarzenia HFO, które występują jednocześnie w sygnałach EEG i MEG.

5. Lokalizacja źródła IED i HFO

  1. Zlokalizuj generatory w szczycie MEG IED, oznaczonych w kroku 3.3, wykorzystując równoważne dipole prądowe (ECD). Użyj bezpłatnie dostępnego oprogramowania Minimum Norm Estimates (http://martinos.org/mne/stable/index.html). Uwzględnij tylko iglice z dopasowaniem (GOF) > 80% i momentem dipolowym Q<500 nA - m. Nałóż lokalizację ECD na MRI każdego pacjenta.
    UWAGA: Metoda maksymalnej entropii średniej (MEM) jest atrakcyjną alternatywną metodą określającą lokalizację i zasięg źródeł61.
  2. Lokalizacja źródeł HFO w EEG i MEG z wykorzystaniem falkowej metody maksymalnej entropii średniej (wMEM) (zaproponowanej przez von Ellenriedera et al38).
    UWAGA: MEM jest wydajną techniką, która została z sukcesem wykorzystana do określenia lokalizacji i zasięgu źródeł aktywności epileptycznej62-64. wMEM jest rozszerzeniem MEM, opracowanym w celu lokalizacji aktywności oscylacyjnej, co zostało potwierdzone w realistycznych symulacjach65. Metoda ta rozkłada sygnał w dyskretnej bazie falkowej przed przeprowadzeniem lokalizacji źródeł MEM w każdym polu czasowo-częstotliwościowym. W związku z tym wMEM jest szczególnie odpowiednia do lokalizacji HFO.
    1. Przeprowadź segmentację MRI i uzyskaj powierzchnię kory za pomocą programu Freesurfer66-67.
    2. Rozwiąż problem odwrotny EEG/MEG metodą elementów brzegowych (BEM) dla modelu 3-warstwowego z wykorzystaniem OpenMEEG68.
    3. Próbkuj sygnały ponownie do częstotliwości 640 Hz, aby zapewnić, że druga skala dyskretnej transformacji falkowej odpowiada interesującemu nas pasmu częstotliwości.
    4. Oszacuj macierz kowariancji szumu w przestrzeni danych niezależnie dla każdego HFO, w oparciu o tło w pasmie ripple w oknie 150 ms bezpośrednio przed każdym HFO. Przeprowadź lokalizację źródeł dla każdego HFO w pasmie ripple i wyciągnij średnią w czasie trwania HFO. Uwaga: wynikowa mapa składa się z wartości aktywacji kory przypisanej do każdego wierzchołka teselacji kory.
    5. Znormalizuj każdą mapę tak, aby maksymalna wartość aktywacji dla każdego HFO była równa 1.
    6. Oblicz średnią wartości aktywacji dla wszystkich HFO w każdym wierzchołku. Zastosuj próg 60% maksymalnej aktywacji w celu wyświetlenia końcowych map na powierzchni kory.

6. Walidacja

  1. Wewnątrzczaszkowe EEG (iEEG):
    1. Należy zarejestrować pozajeneracyjne iEEG, stosując siatki podtwardówkowe i/lub stereotaktycznie prowadzone elektrody głębokie. Pozycjonowanie elektrod powinno być prowadzone w oparciu o wyniki wcześniejszych testów oceny przedoperacyjnej oraz hipotezy kliniczne do zweryfikowania, które są specyficzne dla każdego pacjenta.
      UWAGA: Wewnątrzczaszkowe EEG jest rejestrowane za pomocą cyfrowego systemu EEG z częstotliwością próbkowania 2 KHz w ramach oceny przedoperacyjnej. Siatki podtwardówkowe są zazwyczaj najlepszym wyborem, jeśli istotne jest określenie topografii korowego obszaru napadów oraz jeśli krytyczne jest mapowanie kory elokwentnej (np. w przypadku obszaru epileptogennego w pobliżu pierwotnej kory ruchowej, gdzie dokładne granice można oszacować za pomocą mapowania stymulacyjnego i analizy wewnątrzczaszkowego EEG w fazie ictalnej).
  2. Definicja SOZ:
    1. Należy zidentyfikować SOZ zgodnie z definicją określoną przez eksperta epileptologa na podstawie dostępnych informacji klinicznych dla każdego pacjenta.
      UWAGA: SOZ definiuje się jako obszar wykazujący najwcześniejsze i szybkie rozprzestrzenianie się zmian w iEEG (wyładowania ictalnego) względem stanu baseline przed wystąpieniem objawów klinicznych lub równocześnie z nimi. Za SOZ uznano wszystkie kanały zaangażowane na początku elektrograficznego wyładowania ictalnego, zazwyczaj w ciągu pierwszych 5 s. U pacjentów, u których napady pochodzą z więcej niż jednego obszaru niezależnie od siebie, wszystkie kontakty w różnych SOZ są uważane za kontakty SOZ. Ekspert nie zna wyników lokalizacji źródła HFO w momencie definiowania SOZ. Informacje kliniczne obejmują również: znaleziska iEEG w fazie ictalnej i interictalnej, widoczne zmiany w MRI oraz znaleziska z EEG powierzchniowego w fazie ictalnej i interictalnej.
  3. Identyfikacja kanałów HFO:
    1. Należy wykryć HFO w każdej elektrodzie wewnątrzczaszkowej zgodnie z opisem w punkcie 4.1. Należy zastosować metodę Kittlera do wyznaczenia progu na podstawie histogramu liczby HFO ze wszystkich kanałów, a następnie zastosować bootstrapping i obliczyć średnią jako ostateczny próg69. Na koniec należy zidentyfikować kanały, w których częstość występowania HFO przekracza ustalony próg.
  4. Należy porównać lokalizację HFO z SOZ zidentyfikowanym w punkcie 6.2, przyjmując go jako złoty standard dla wyników lokalizacji źródła.

Wyniki

Pacjenci pediatryczni z epilepsją lekooporną zostali zakwalifikowani do badania w Klinice Epilepsji Boston Children's Hospital (Boston, USA). Przedstawiono tutaj reprezentatywne dane od 2 pacjentów: 15-letniej dziewczynki z encefalomalacją w obszarze prawej tętnicy środkowej mózgu (MCA) (pacjent 1) oraz 11-letniego chłopca z encefalomalacją lewego płata ciemieniowego/górnego płata skroniowego (pacjent 2). Dane zostały zebrane w ramach przedoperacyjnej diagnostyki przed zabiegiem chirurgicznym. Jednoczesne pomiary MEG i EEG przeprowadzono w Athinoula A. Martinos Center for Biomedical Imaging.

U obu pacjentów HFO zostały zidentyfikowane w pasmie częstotliwości ripple (80 - 150 Hz), występując zarówno w EEG, jak i MEG, oraz nakładając się na IED. Rysunek 4 przedstawia 10 s jednoczesnych danych z EEG skóry głowy i MEG z aktywnością interiktalną (panele górne) u pacjenta 1. Ten sam rysunek prezentuje również fragment sygnałów w rozszerzonej skali czasowej (2 s), który pokazuje wykryte HFO w dziedzinie czasu (panele środkowe) oraz w płaszczyźnie czasowo-częstotliwościowej (panel dolny). U tego pacjenta odnotowano częstotliwość 8,8 HFO/min. Dla przejrzystości wyświetlanie płaszczyzny czasowo-częstotliwościowej ograniczono do zakresu 80 - 150 Hz, ponieważ nie zaobserwowano wyraźnej aktywności dla częstotliwości powyżej 150 Hz. U pacjenta 1 automatyczna detekcja zidentyfikowała 248 zdarzeń HFO w ciągu 8,65 min nagrań. Po wizualnej weryfikacji wykrytych zdarzeń zachowano 76 zdarzeń uznanych za rzeczywiste HFO, co dało częstotliwość 8,8 HFO/min.

Analiza częstotliwości EEG i MEG, schematy porównania fal mózgowych i wyniki gęstości mocy widmowej.
Rycina 4: HFO nałożone na IED wykryte w EEG powierzchniowym i MEG. Panel górny: IED u pacjenta 1 wykryte w EEG powierzchniowym (lewo) i MEG (prawo). 10 s danych przefiltrowanych w zakresie 1 - 70 Hz. Panel środkowy: Wyświetlenie w rozszerzonej skali czasu (2 s) danych EEG i MEG wyróżnionych szarym tłem w panelu górnym. Dane są przefiltrowane w zakresie 80 - 150 Hz. Panel dolny: Płaszczyzna czasowo-częstotliwościowa 2 reprezentatywnych kanałów EEG i MEG. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rysunek 5 przedstawia wyniki lokalizacji HFO dla pacjenta 1 uzyskane zarówno za pomocą skalpowego EEG, jak i MEG. Obie techniki zlokalizowały HFO w pobliżu zmiany, w miejscu bliskim prawemu połączeniu skroniowo-ciemieniowemu. MEG i EEG wykazały nieco inne wyniki lokalizacji: aktywność MEG znajdowała się bardziej przednio w porównaniu do EEG oraz bliżej tylnej granicy zmiany. Odległość między dwoma maksimami aktywności wMEM dla MEG i EEG wynosiła 15.0 mm. Lokalizacja HFO znajdowała się również w sąsiedztwie strefy drażliwej, zgodnie z definicją MEG. Odległość euklidesowa między uśrednionymi ECD a maksymalną aktywnością wMEM wynosiła 18.7 mm dla MEG i 28.0 mm dla skalpowego EEG. W przypadku pacjenta 2 zidentyfikowano 8 min danych podczas snu wolnofalowego non-REM z IED i minimalnymi artefaktami, które wykorzystano do analizy HFO.

Liczba HFO skórnych była znacząco niższa niż u pacjenta 1, wykazując częstotliwość 0,4 HFO/min. Rysunek 6 przedstawia wyniki lokalizacji źródeł skórnych HFO dla MEG i skórnego EEG, IED zlokalizowane za pomocą MEG z wykorzystaniem ECD oraz lokalizację HFO wykrytych za pomocą iEEG. Odległość między dwoma maksimami aktywności wMEM dla MEG i EEG wynosiła 16,4 mm. Odległość między uśrednionymi ECD a maksymalną aktywnością wMEM wynosiła 10,9 mm dla MEG i 24,1 mm dla EEG. Strefa HFO zidentyfikowana nieinwazyjnie za pomocą skórnego EEG i MEG znajdowała się w tym samym miejscu, w którym HFO zidentyfikowano inwazyjnie za pomocą iEEG. Elektrody z największą liczbą HFO to LA51, LA52 i LA53, jak pokazano na Rysunku 6, których lokalizacja była zgodna z nieinwazyjnie zlokalizowaną aktywnością HFO.

Porównanie danych MEG i EEG; aktywność mózgu; HFO i IED; skany MRI; analiza obrazowania neuronowego.
Rysunek 5: Lokalizacja HFO i IED. Strefa HFO zlokalizowana przy użyciu wMEM z danych MEG i EEG pacjenta 1, nałożona na MRI pacjenta (lewo). Mapa HFO przedstawia średnią zunifikowanych wartości aktywacji z progiem ustawionym na 60% maksymalnej aktywności. IED zlokalizowane za pomocą ECD metodą MEG (prawo). Położenia i orientacje ECD są zaznaczone kolorem cyjanowym. Fioletowy trójkąt wskazuje położenie uśrednionych ECD (46 ECD), a czerwony prostokąt położenie ECD z uśrednionych IED (28 IED). Do uśredniania IED zidentyfikowano iglice o podobnej morfologii. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Analiza oscylacji o wysokiej częstotliwości w EEG/MEG i iEEG wraz z obrazowaniem mózgu i wielokanałowymi przebiegami fal.
Rysunek 6: Zgodność przestrzenna między strefą HFO zlokalizowaną nieinwazyjnie za pomocą EEG skalpowego i MEG, strefą drażniową oraz strefą HFO zlokalizowaną inwazyjnie za pomocą iEEG. Panele górne: Lokalizacja HFO u pacjenta 2 za pomocą EEG skalpowego (lewo) i MEG (środek) oraz lokalizacja IED za pomocą MEG (prawo) nałożona na MRI pacjenta. Mapa HFO przedstawia średnią z wartości aktywacji znormalizowanych, z progiem odcięcia na poziomie 60% maksymalnej aktywności. Cyjanowe koła i paski wskazują położenie i orientację ECD. Fioletowy trójkąt oznacza położenie uśrednionych ECD (30 ECD), a czerwony prostokąt położenie ECD z uśrednionych IED (21 IED). Panele dolne: Lokalizacja HFO w iEEG (lewo) oraz 2 s zapisów z kanałów o najwyższej częstotliwości HFO. Implantowane elektrody przedstawiono na MRI pacjenta. Położenie elektrod uzyskano poprzez korejestrację obrazów tomografii komputerowej (CT) po implantacji oraz obrazów MR. Elektrody o najwyższej częstotliwości HFO zostały wyróżnione na mapie siatki implantowanej w korze pacjenta. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Przedstawione tutaj reprezentatywne wyniki wskazują na potencjalne zastosowanie opisanego podejścia w warunkach klinicznych do nieinwazyjnej identyfikacji i lokalizacji HFO podczas oceny przedoperacyjnej u dzieci z epilepsją lekooporną. U obu pacjentów HFO zostały zlokalizowane zgodnie dla EEG skóry głowy i MEG (patrz Rysunek 5). Różnice w lokalizacji rzędu kilku mm mogą wynikać z lepszej zdolności lokalizacji wysokiej gęstości MEG w porównaniu do EEG skóry głowy70 lub mogą reprezentować różne generatory podstawowe71. Lokalizacja była również zgodna ze strefą drażliwą, zdefiniowaną za pomocą MEG (patrz Rysunek 5 – prawy panel). W przypadku pacjenta 2 dostępne były również dane z iEEG. Strefa HFO zlokalizowana nieinwazyjnie za pomocą EEG skóry głowy i MEG była zgodna ze strefą HFO zdefiniowaną inwazyjnie za pomocą iEEG (patrz Rysunek 6). Wyniki proponowanej metody mogą pomóc w rozmieszczeniu siatek podczas operacji leczenia epilepsji w celu potencjalnej identyfikacji EZ.

Dyskusja

Zbieżne dowody z badań na zwierzętach i ludziach wykazały, że HFO są nowym potencjalnym biomarkerem tkanki padaczkowej. Pomimo tych dowodów, HFO mają bardzo ograniczone zastosowanie w praktyce klinicznej do diagnozowania lub monitorowania padaczki, głównie dlatego, że: (i) nie ma formalnej i globalnej definicji HFO; (ii) różne grupy badawcze stosują różne metodologie rejestrowania i analizowania danych; (iii) nieinwazyjne wykrywanie HFO za pomocą technik neuroobrazowania jest trudne; oraz (iv) proces przeglądu HFO jest czasochłonny i niepraktyczny, zwłaszcza w przypadku wielokanałowych zapisów EEG lub MEG z dużą liczbą czujników. W celu zapewnienia globalnej, znormalizowanej metodologii, która promuje systematyczne stosowanie HFO w praktyce klinicznej, przedstawiono metodologię stosowaną w Szpitalu Dziecięcym w Bostonie do nieinwazyjnego rejestrowania, wykrywania i lokalizacji międzynapadowych HFO od pacjentów pediatrycznych z padaczką. Przedstawiono również reprezentatywne wyniki HFO wykrytych jednocześnie w EEG i MEG skóry głowy u dwójki dzieci z padaczką oporną na leczenie.

Krytyczne kroki w ramach protokołu

Proponowana metodologia obejmuje następujące kluczowe etapy: (i) wykonanie jednoczesnych zapisów EEG i MEG o wysokim stosunku sygnału do szumu (SNR) i MEG aktywności międzynapadowej od pacjentów pediatrycznych z padaczką oporną na leczenie (etapy 2.1.1 i 2.1.2); (ii) staranne wstępne przetwarzanie i selekcja danych z uwzględnieniem zrzutów międzynapadowych (etapy 3.1 i 3.2); (iii) wizualny przegląd zidentyfikowanych zdarzeń HFO o wysokiej szczegółowości (etapy 4.3.1, 4.3.2 i 4.3.3); oraz (iv) wiarygodną lokalizację HFO przy użyciu odpowiedniej metody lokalizacji (krok 5.2).

Najważniejszym krokiem w tym protokole jest wizualny przegląd zdarzeń HFO zidentyfikowanych przez automatyczny detektor. Rygorystyczny przegląd automatycznie wykrywanych HFO ma kluczowe znaczenie dla odrzucenia HFO pochodzenia niemózgowego. Jednak zmęczenie lub rozproszenie uwagi recenzenta podczas oględzin wielokanałowych danych EEG i MEG może prowadzić do błędów, zmniejszając specyfikę procesu wykrywania.

Modyfikacje i rozwiązywanie problemów

Unikamy stosowania metod Projekcji Przestrzeni Sygnałowej (SSP) i Separacji Przestrzeni Sygnałowej (SSS)72,73 w celu zapewnienia, że nie wystąpią żadne zniekształcenia aktywności HFO w wyniku ich zastosowania. Metody te są często stosowane przez większość użytkowników danego dostawcy MEG w celu tłumienia zakłóceń zewnętrznych i korygowania ruchów głowy72. Konieczne są dalsze badania w celu zapewnienia, że stosowanie tych metod nie wpływa na aktywność HFO ani jej nie zniekształca, ani nie wywołuje fałszywych skutków, które mogą przypominać HFO u ludzi. Niewielkie modyfikacje minimalnego progu wskaźnika Z obwiedni sygnału (etap 4.1.1.3) i progu wartości aktywacji (etap 5.2.6) mogą być konieczne w celu poprawy czułości algorytmu w wykrywaniu HFO i ograniczenia lokalizacji strefy HFO w bardziej ogniskowym obszarze.

Ograniczenia techniki

Opisana metoda przedstawia ograniczenia, które powinny być dalej uwzględniane w przyszłych badaniach. Po pierwsze, nie uwzględnia on występowania HFO wyłącznie w sygnałach MEG lub EEG i nie obejmuje automatycznego wykrywania HFO w sygnałach MEG, co oznacza, że niektóre rzeczywiste HFO MEG o niskim SNR mogą uniknąć kontroli wzrokowej74. Ponadto czułość i swoistość proponowanej metody wykrywania HFO oraz jej zdolność do ich lokalizacji z dużą dokładnością powinny zostać potwierdzone za pomocą jednoczesnych zapisów EEG, MEG i iEEG75 skóry głowy. Nasze dane wykazały, że pojedyncze ECD wskazywały na rozszerzoną strefę drażniącą w porównaniu z ogniskową strefą HFO. Jednak, gdy ECD zostały uśrednione, okazało się, że lokalizacja dipola była dość blisko strefy HFO dla obu pacjentów. Nasze dane wskazują na swoistość 2 metod wykazujących możliwą wyższą swoistość strefy HFO pod względem padaczkowności (szczególnie dla pacjenta 2, u którego strefa HFO pokrywała się ze strefą podrażnienia) w porównaniu ze strefą drażniącą, chociaż nie można wyciągnąć pewnych wniosków z tak małej kohorty pacjentów. Co ważniejsze, lokalizacja źródeł HFO nie implikuje bezpośrednio lokalizacji EZ, która jest odpowiedzialna za konfiskaty. Nasze odkrycia powinny zostać zweryfikowane w odniesieniu do wyników operacji epilepsji, którą planujemy przeprowadzić w przyszłym badaniu. Ostatecznie do rejestracji danych EEG wykorzystano system 70-kanałowy. Jednak w większości ośrodków stosuje się standardowe kliniczne ustawienie EEG, które rejestruje dane z 19 elektrod ustawionych zgodnie z systemem 10 - 20. Obecnie na rynku dostępne są bardziej zaawansowane pediatryczne systemy EEG ze znacznie większą liczbą kanałów (do 256). Zastosowanie tych systemów może jeszcze bardziej poprawić dokładność lokalizacji strefy HFO wykrywanej za pomocą EEG skóry głowy.

Znaczenie techniki w odniesieniu do istniejących/alternatywnych metod

Zgodnie z naszą najlepszą wiedzą, jest to pierwsze badanie, które informuje o nieinwazyjnej lokalizacji międzynapadowych HFO z jednoczesnym EEG i MEG, a także bada zgodność wyników lokalizacji z wynikami zapisów wewnątrzczaszkowych. Nieinwazyjne rejestrowanie, wykrywanie i lokalizacja HFO jest wyzwaniem. Dzieje się tak dlatego, że HFO są bardzo słabymi sygnałami generowanymi przez małe obszary mózgu rzędu milimetrów sześciennych16,76 , a ponadto utrudnianymi przez hałas i aktywność tła mózgu. W niedawnym badaniu zaproponowano, że HFO rejestrowane nieinwazyjnie za pomocą EEG skóry głowy stanowią sumę aktywności wielu przestrzennie rozmieszczonych, ogniskowych i spójnych źródeł60. Do tej pory w niewielu badaniach28,29,37,38,60 udało się wykazać, że HFO można wykryć nieinwazyjnie za pomocą EEG skóry głowy i MEG; Jeszcze mniej osób zlokalizowało tę czynność, rozwiązując problem odwrotny37-38.

W tym miejscu przedstawiono dowody na występowanie międzynapadowych HFO, które zostały wykryte za pomocą jednoczesnego EEG i MEG skóry głowy u dwóch pacjentów pediatrycznych z padaczką. HFO zostały zlokalizowane przy użyciu wcześniej opisanego frameworka38. Reprezentatywne dane sugerują, że nieinwazyjna lokalizacja międzynapadowych HFO jest możliwa przy użyciu źródłowych technik obrazowania wykonanych na zapisach EEG skóry głowy lub MEG, przy założeniu, że stosowana jest odpowiednia technika lokalizacji. Jest to zgodne z poprzednim badaniem, w którym wykorzystano fantomową konstrukcję przypominającą generatory HFO, co wskazuje, że HFO mogą być nieinwazyjnie wykrywane i dokładnie lokalizowane za pomocą MEG32.

Wykrywanie i znakowanie międzynapadowych HFO odbywa się tradycyjnie poprzez wizualną kontrolę danych pochodzących od ekspertów EEG na ludziach. Chociaż podejście to jest często uważane za złoty standard, ma poważne ograniczenia, ponieważ ma niską wiarygodność między recenzentami77,78 i nie ma zastosowania do dużych zbiorów danych MEG i EEG z dużą liczbą czujników. Kluczowe znaczenie dla zastosowania HFO w praktyce klinicznej ma opracowanie algorytmów, które automatycznie wykrywają HFO na podstawie zapisów skóry głowy, zmniejszając potrzebę udziału człowieka. Identyfikacja wizualna HFO skóry głowy jest w rzeczywistości dość trudna ze względu na: (i) niski SNR HFO na skórze głowy; (ii) niższe wskaźniki HFO w zapisach skóry głowy w porównaniu z zapisami wewnątrzczaszkowymi, co implikuje analizę znacznie dłuższych czasów rejestracji; oraz (iii) duża liczba kanałów do analizy, szczególnie w EEG o dużej gęstości lub MEG. W ciągu ostatniej dekady zaproponowano kilka algorytmów automatycznego i półautomatycznego wykrywania HFO54 . Wcześniejsze detektory opierały się na progach w dziedzinie czasu, aby zidentyfikować zdarzenia, które można odróżnić od trwającej aktywności w tle49,80. Ostatnie osiągnięcia sugerują również uwzględnienie informacji z dziedziny częstotliwości, zakładając, że HFO musi pojawić się jako krótkotrwałe zdarzenie z izolowanym pikiem widmowym o wyraźnej częstotliwości50,56,81. Metody półautomatyczne wydają się być najwłaściwszym podejściem do stosowania HFO w praktyce klinicznej. Metody te obejmują 2 etapy: (i) początkowe automatyczne wykrywanie zdarzeń o wysokiej czułości oraz (ii) wizualną ocenę zdarzeń przez eksperta, która ma wysoką specyficzność. Takie podejście zapewnia wyższą swoistość w porównaniu z w pełni zautomatyzowanymi metodami i zapewnia, że końcowe oceniane zdarzenia są rzeczywistymi HFO pochodzenia mózgowego.

W tym miejscu przedstawiono metodę półautomatyczną, która umożliwia wykrywanie HFO na podstawie międzynapadowych zapisów EEG i MEG skóry głowy. Proponowana metoda rozszerza wcześniej opisane techniki wykrywania HFO w EEG60 skóry głowy poprzez włączenie do kryteriów identyfikacji dwóch ważnych cech: (i) automatycznej analizy czasowo-częstotliwościowej zdarzeń HFO; oraz (ii) czasową zbieżność zdarzeń HFO zarówno w zapisach MEG, jak i EEG.

Przyszłe zastosowania lub wskazówki po opanowaniu tej techniki

Niezawodna lokalizacja HFO za pomocą nieinwazyjnych metod neuroobrazowania, takich jak EEG skóry głowy i MEG, ma kluczowe znaczenie. Opanowanie, ulepszenie i walidacja proponowanego protokołu zapewni lekarzom wiarygodny, nieinwazyjny biomarker do identyfikacji EZ. Opracowanie takiego biomarkera może potencjalnie zmniejszyć konieczność długoterminowego monitorowania i inwazyjnych zapisów wewnątrzczaszkowych, prowadząc do znacznej poprawy procedury oceny przedoperacyjnej u pacjentów pediatrycznych. Pomogłoby to nie tylko w identyfikacji tkanki padaczkowej do operacji, ale także umożliwiłoby ostateczną diagnostykę różnicową padaczki na podstawie ostrych napadów objawowych, wymagających zupełnie innego podejścia do leczenia, oraz napadów niepadaczkowych, oszczędzając potrzebę długoterminowego monitorowania u niektórych pacjentów. Co więcej, może to pozwolić na ocenę skuteczności interwencji terapeutycznych bez czekania na wystąpienie kolejnego napadu.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Ta praca jest wspierana przez Program Grantów Badawczych Fundacji Epilepsy i Amerykańskiego Towarzystwa Epilepsji oraz Stypendium Rozwoju Kariery Wydziałowej Harvard Medical School, Office for Faculty Development.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
System VectorView MEGElekta-Neuromag, FinlandiaSystem MEG
Pomieszczenie ekranowane magentycznieImedco, Hagendorf, SzwajcariaTrójwarstwowy system EEG MSR
Elekta-Neuromag, Finlandia70-kanałowy system EEG
Digitizer 3DPolhemus, Colchester, VT

Bibliografia

  1. Cowan, L. D., Bodensteiner, J. B., Leviton, A., Doherty, L. Prevalence of the Epilepsies in Children and Adolescents. Epilepsia. 30 (1), 94-106 (1989).
  2. Stores, G. School-children with Epilepsy at Risk for Learning and Behaviour Problems. Dev. Med. Child Neurol. 20 (4), 502-508 (1978).
  3. Sillanpää, M., Schmidt, D. Prognosis of seizure recurrence after stopping antiepileptic drugs in seizure-free patients: A long-term population-based study of childhood-onset epilepsy. Epilepsy Behav. 8 (4), 713-719 (2006).
  4. Geerts, A., et al. Course and outcome of childhood epilepsy: a 15-year follow-up. Dutch study of epilepsy in childhood. Epilepsia. 51 (7), 1189-1197 (2010).
  5. Engel, J. Etiology as a risk factor for medically refractory epilepsy: A case for early surgical intervention. Neurology. 51 (5), 1243-1244 (1998).
  6. Kwan, P., Brodie, M. Early Identification of Refractory Epilepsy. N. Eng. J. Med. 342 (5), 314-319 (2000).
  7. Datta, A., Loddenkemper, T. The Epileptogenic Zone. In: Wyllie, E. Wyllie's treatment of epilepsy Principles & Practice 5th Ed. , Wolters Kluwer/Lippincott Williams & Wilkins . Philadelphia. 818-827 (2011).
  8. Rosenow, F. Presurgical evaluation of epilepsy. Brain. 124 (9), 1683-1700 (2001).
  9. Önal, Ç, Otsubo, H., et al. Complications of invasive subdural grid monitoring in children with epilepsy. J. Neurosurg. 98 (5), 1017-1026 (2003).
  10. Jacobs, J., Zijlmans, M., et al. High-frequency electroencephalographic oscillations correlate with outcome of epilepsy surgery. Ann. Neurol. 67 (2), 209-220 (2010).
  11. Bragin, A., Engel, J., Wilson, C., Fried, I., Buzsáki, G. High-frequency oscillations in human brain. Hippocampus. 9 (2), 137-142 (1999).
  12. Bragin, A., Engel, J., Wilson, C., Fried, I., Mathern, G. Hippocampal and Entorhinal Cortex High-Frequency Oscillations (100-500 Hz) in Human Epileptic Brain and in Kainic Acid-Treated Rats with Chronic Seizures. Epilepsia. 40 (2), 127-137 (1999).
  13. Zijlmans, M., Jiruska, P., Zelmann, R., Leijten, F., Jefferys, J., Gotman, J. High-frequency oscillations as a new biomarker in epilepsy. Ann. Neurol. 71 (2), 169-178 (2012).
  14. Crepon, B., Navarro, V., et al. Mapping interictal oscillations greater than 200 Hz recorded with intracranial macroelectrodes in human epilepsy. Brain. 133 (1), 33-45 (2010).
  15. Jacobs, J., LeVan, P., Chander, R., Hall, J., Dubeau, F., Gotman, J. Interictal high-frequency oscillations (80-500 Hz) are an indicator of seizure onset areas independent of spikes in the human epileptic brain. Epilepsia. 49 (11), 1893-1907 (2008).
  16. Bragin, A., Mody, I., Wilson, C. L., Engel, J. Local generation of fast ripples in epileptic brain. J Neurosci. 22 (5), 2012-2021 (2002).
  17. Worrell, G. A., Gardner, A. B., et al. High-frequency oscillations in human temporal lobe: simultaneous microwire and clinical macroelectrode recordings. Brain. 131 (4), 928-937 (2008).
  18. Engel, J. Jr, Bragin, A., Staba, R., Mody, I. High-frequency oscillations: What is normal and what is not? Epilepsia. 50 (4), 598-604 (2009).
  19. Traub, R. Fast Oscillations and Epilepsy. Epilepsy Curr. 3 (3), 77-79 (2003).
  20. Blanco, J., Stead, M., et al. Unsupervised Classification of High-Frequency Oscillations in Human Neocortical Epilepsy and Control Patients. J. Neurophysiol. 104 (5), 2900-2912 (2010).
  21. Rodin, E., Smid, N., Mason, K. The grand mal pattern of Gibbs, Gibbs and Lennox. Electroencephalogr Clin Neurophysiol. 40 (4), 401-406 (1976).
  22. Nealis, J. G., Duffy, F. H. Paroxysmal beta activity in the pediatric electroencephalogram. Ann Neurol. 4 (2), 112-116 (1978).
  23. Halasz, P., Terzano, M., Parrino, L., Bodizs, R. The nature of arousal in sleep. J. Sleep. Res. 13 (1), 1-23 (2004).
  24. Kobayashi, K., Oka, M., et al. Very Fast Rhythmic Activity on Scalp EEG Associated with Epileptic Spasms. Epilepsia. 45 (5), 488-496 (2004).
  25. Inoue, T., Kobayashi, K., Oka, M., Yoshinaga, H., Ohtsuka, Y. Spectral characteristics of EEG gamma rhythms associated with epileptic spasms. Brain. Dev. 30 (5), 321-328 (2008).
  26. Kobayashi, K., Jacobs, J., Gotman, J. Detection of changes of high-frequency activity by statistical time-frequency analysis in epileptic spikes. Clin Neurophysiol. 120 (6), 1070-1077 (2009).
  27. Kobayashi, K., Watanabe, Y., Inoue, T., Oka, M., Yoshinaga, H., Ohtsuka, Y. Scalp-recorded high-frequency oscillations in childhood sleep-induced electrical status epilepticus. Epilepsia. 51 (10), 2190-2194 (2010).
  28. Andrade-Valenca, L. P., Dubeau, F., Mari, F., Zelmann, R., Gotman, J. Interictal scalp fast oscillations as a marker of the seizure onset zone. Neurology. 77 (6), 524-531 (2011).
  29. Melani, F., Zelmann, R., Dubeau, F., Gotman, J. Occurrence of scalp-fast oscillations among patients with different spiking rate and their role as epileptogenicity marker. Epilepsy Res. 106 (3), 345-356 (2013).
  30. Claus, S., Velis, D., Lopes da Silva, F., Viergever, M., Kalitzin, S. High frequency spectral components after Secobarbital: The contribution of muscular origin-A study with MEG/EEG. Epilepsy Res. 100 (1-2), 132-141 (2012).
  31. Zimmermann, R., Scharein, E. MEG and EEG show different sensitivity to myogenic artifacts. Neurol Clin Neurophysiol. 78, (2004).
  32. Papadelis, C., Poghosyan, V., Fenwick, P., Ioannides, A. MEG's ability to localise accurately weak transient neural sources. Clin Neurophysiol. 120 (11), 1958-1970 (2009).
  33. Miao, A., Xiang, J., et al. Using ictal high-frequency oscillations (80-500Hz) to localize seizure onset zones in childhood absence epilepsy: A MEG study. Neuroscience Lett. 566, 21-26 (2014).
  34. Rampp, S., Kaltenhäuser, M., et al. MEG correlates of epileptic high gamma oscillations in invasive EEG. Epilepsia. 51 (8), 1638-1642 (2010).
  35. Tenney, J. R., Fujiwara, H., et al. Low- and high-frequency oscillations reveal distinct absence seizure networks. Ann Neurol. 76 (4), 558-567 (2014).
  36. Xiang, J., et al. Frequency and spatial characteristics of high-frequency neuromagnetic signals in childhood epilepsy. Epileptic Disord. 11 (2), 113-125 (2009).
  37. van Klink, N., Hillebrand, A., Zijlmans, M. Identification of epileptic high frequency oscillations in the time domain by using MEG beamformer-based virtual sensors. Clin Neurophysiol. 127 (1), 197-208 (2016).
  38. von Ellenrieder, N., Pellegrino, G., et al. Detection and Magnetic Source Imaging of Fast Oscillations (40-160 Hz) Recorded with Magnetoencephalography in Focal Epilepsy Patients. Brain Topogr. 29 (2), 218-231 (2016).
  39. Rampp, S., Kaltenhäuser, M., et al. MEG correlates of epileptic high gamma oscillations in invasive EEG. Epilepsia. 51 (8), 1638-1642 (2010).
  40. Ramachandrannair, R., Ochi, A., et al. Epileptic spasms in older pediatric patients: MEG and ictal high-frequency oscillations suggest focal-onset seizures in a subset of epileptic spasms. Epilepsy Res. 78 (2-3), 216-224 (2008).
  41. Bathelt, J., O'Reilly, H., de Haan, M. Cortical source analysis of high-density EEG recordings in children. J Vis Exp. (88), e51705(2014).
  42. Liu, H., Tanaka, N., Stufflebeam, S., Ahlfors, S., Hämäläinen, M. Functional Mapping with Simultaneous MEG and EEG. M. J Vis Exp. (40), e1668(2010).
  43. Papadelis, C., Harini, C., Ahtam, B., Doshi, C., Grant, E., Okada, Y. Current and emerging potential for magnetoencephalography in pediatric epilepsy. J Ped Epilepsy. 2, 73-85 (2013).
  44. Gaetz, W., Gordon, R. S., Papadelis, C., Fujiwara, H., Rose, D. F., Edgar, J. C., Schwartz, E. S., Roberts, T. P. L. Magnetoencephalography for Clinical Pediatrics: Recent Advances in Hardware, Methods, and Clinical Applications. J Pediatr Epilepsy. 4 (4), 139-155 (2015).
  45. Prabhu, S., Mahomed, N. Imaging of intractable paediatric epilepsy. SA Journal of Radiology. 19 (2), 1-10 (2015).
  46. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Comput Intell Neurosci. , 879716(2011).
  47. Bagic, A. I., Knowlton, R. C., Rose, D. F., Ebersole, J. S. American Clinical Magnetoencephalography Society Clinical Practice Guideline 1: Recording and Analysis of Spontaneous Cerebral Activity. J Clin Neurophysiol. 0 (0), 1-7 (2011).
  48. Noachtar, S., Binnie, C., Ebersole, J., Mauguière, F., Sakamoto, A., Westmoreland, B. A glossary of terms most commonly used by clinical electroencephalographers and proposal for the report form for the EEG findings. The International Federation of Clinical Neurophysiology. Electroencephalogr Clin Neurophysiol Suppl. 52, 21-41 (1999).
  49. Staba, R. J., Wilson, C. L., Bragin, A., et al. High-frequency oscillations recorded in human medial temporal lobe during sleep. Ann'Neurol. 56 (1), 108-115 (2004).
  50. Benar, C. G., Chauviere, L., Bartolomei, F., Wendling, F. Pitfalls of high-pass filtering for detecting epileptic oscillations: a technical note on "false" ripples. Clin Neurophysiol. 121 (3), 301-310 (2010).
  51. Crepon, B., Navarro, V., et al. Mapping interictal oscillations greater than 200 Hz recorded with intracranial macroelectrodes in human epilepsy. Brain. 133 (1), 33-45 (2010).
  52. Jmail, N., Gavaret, M., et al. A comparison of methods for separation of transient and oscillatory signals in EEG. J Neurosci Methods. 199 (2), 273-289 (2011).
  53. Wang, S., Wang, I. Z., et al. Ripple classification helps to localize the seizure-onset zone in neocortical epilepsy. Epilepsia. 54 (2), 370-376 (2013).
  54. Worrell, G. A., Jerbi, K., Kobayashi, K., Lina, J. M., Zelmann, R., Le Van Quyen, M. Recording and analysis techniques for high-frequency oscillations. Prog Neurobio. 98 (3), 265-278 (2012).
  55. Gibbs, J. W. Fourier's series. Nature. 59, 606(1899).
  56. Burnos, S., Hilfiker, P., et al. Human Intracranial High Frequency Oscillations (HFOs) Detected by Automatic Time-Frequency Analysis. PLoS ONE. 9 (4), (2014).
  57. Jacobs, J., LeVan, P., Châtillon, C., Olivier, A., Dubeau, F., Gotman, J. High frequency oscillations in intracranial EEGs mark epileptogenicity rather than lesion type. Brain. 132 (4), 1022-1037 (2009).
  58. Urrestarazu, E., Chander, R., Dubeau, F., Gotman, J. Interictal high-frequency oscillations (100-500 Hz) in the intracerebral EEG of epileptic patients. Brain. 130 (9), 2354-2366 (2007).
  59. Amiri, M., Lina, J. M., Pizzo, F., Gotman, J. High Frequency Oscillations and spikes: Separating real HFOs from false oscillations. Clin Neurophysiol. 127 (1), 187-196 (2015).
  60. Zelmann, R., Lina, J. M., Schulze-Bonhage, A., Gotman, J., Jacobs, J. Scalp EEG is not a Blur: It Can See High Frequency Oscillations Although Their Generators are Small. Brain Topogr. 27 (5), 683-704 (2014).
  61. Chowdhury, R. A., Lina, J. M., Kobayashi, E., Grova, C. MEG source localization of spatially extended generators of epileptic activity: comparing entropic and hierarchical bayesian approaches. PLoS One. 8 (2), e55969(2013).
  62. Chowdhury, R. A., Merlet, I., Birot, G., Kobayashi, E., Nica, A., Biraben, A., Wendling, F., Lina, J. M., Albera, L., Grova, C. Complex patterns of spatially extended generators of epileptic activity: Comparison of source localization methods cMEM and 4-ExSo-MUSIC on high resolution EEG and MEG data. Neuroimage. , 175-195 (2016).
  63. Pellegrino, G., Hedrich, T., Chowdhury, R., Hall, J. A., Lina, J. M., Dubeau, F., Kobayashi, E., Grova, C. Source localization of the seizure onset zone from ictal EEG/MEG data. Hum Brain Mapp. 37 (7), 2528-2546 (2016).
  64. Grova, C., Aiguabella, M., Zelmann, R., Lina, J. M., Hall, J. A., Kobayashi, E. Intracranial EEG potentials estimated from MEG sources: A new approach to correlate MEG and iEEG data in epilepsy. Hum Brain Mapp. 37 (5), 1661-1683 (2016).
  65. Lina, J. M., Chowdhury, R. A., Lemay, E., Kobayashi, E., Grova, C. Wavelet-based localization of oscillatory sources from magnetoencephalography data. IEEE Trans Biomed Eng. 61 (8), 2350-2364 (2014).
  66. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis, I: segmentation and surface reconstruction. Neuroimage. 9, 179-194 (1999).
  67. Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis, II: inflation, flattening, a surface-based coordinate system. Neuroimage. 9, 195-207 (1999).
  68. Gramfort, A., Papadopoulo, T., Olivi, E., Clerc, M. OpenMEEG: opensource software for quasistatic bioelectromagnetics. Biomed Eng OnLine. 9 (1), (2010).
  69. Akiyama, T., McCoy, B., et al. Focal resection of fast ripples on extraoperative intracranial EEG improves seizure outcome in pediatric epilepsy. Epilepsia. 52 (10), 1802-1811 (2011).
  70. Leahy, R. M., Mosher, J. C., Spencer, M. E., Huang, M. X., Lewine, J. D. A study of dipole localization accuracy for MEG and EEG using a human skull phantom. Electroencephalogr Clin Neurophysiol. 107 (2), 159-173 (1989).
  71. Hunold, A., Haueisen, J., Ahtam, B., Doshi, C., Harini, C., Camposano, S., Warfield, S. K., Grant, P. E., Okada, Y., Papadelis, C. Localization of the epileptogenic foci in tuberous sclerosis complex: a pediatric case report. Front Hum Neurosci. 8 (175), (2014).
  72. Taulu, S., Kajola, M., Simola, J. Suppression of interference and artifacts by the signal space separation method. Brain Topogr. 16 (4), 269-275 (2004).
  73. Taulu, S., Simola, J. Spatiotemporal signal space separation method for rejecting nearby interference in MEG measurements. Phys Med Biol. 51 (7), 1759-1768 (2006).
  74. Bénar, C. G., Chauvière, L., Bartolomei, F., Wendling, F. Pitfalls of high-pass filtering for detecting epileptic oscillations: a technical note on false ripples. Clin Neurophysiol. 121 (3), 301-310 (2010).
  75. Dubarry, A. S., Badier, J. M., et al. Simultaneous recording of MEG, EEG and intracerebral EEG during visual stimulation: from feasibility to single-trial analysis. Neuroimage. 99, 548-558 (2014).
  76. Chrobak, J. J., Buzsaki, G. High-frequency oscillations in the output of the hippocampal-entorhinal axis of the freely behaving rat. J Neurosci. 19 (9), 3056-3066 (1996).
  77. Abend, N. S., Gutierrez-Colina, A., et al. Interobserver Reproducibility of Electroencephalogram Interpretation in Critically Ill Children. J Clin Neurophysiol. 28 (1), 15-19 (2011).
  78. Benbadis, S. R., LaFrance, W. C., Papandonatos, G. D., Korabathina, K., Lin, K., Kraemer, H. C. Interrater reliability of EEG-video monitoring. Neurology. 73 (11), 843-846 (2009).
  79. von Ellenrieder, N., Andrade-Valença, L., Dubeau, F., Gotman, J. Automatic detection of fast oscillations (40-200Hz) in scalp EEG recordings. Clin Neurophysiol. 123 (4), 670-680 (2012).
  80. Zelmann, R., Mari, F., Jacobs, J., Zijlmans, M., Dubeau, F., Gotman, J. A comparison between detectors of high frequency oscillations. Clin Neurophysiol. 123 (1), 106-116 (2011).
  81. Birot, G., Kachenoura, A., Albera, L., Bénar, C., Wendling, F. Automatic detection of fast ripples. J Neurosci Methods. 213 (2), 236-249 (2013).

Przedruki i uprawnienia

Tagi

Wyładowania epileptiformne międzynapadowejednoczesne EEG MEGlokalizacja źródłastrefa epileptogennastrefa początku napaduwewnątrzczaszkowe EEGmaksymalna entropia falkowanieinwazyjny biomarker
Międzynapadowe oscylacje o wysokiej częstotliwości wykryte za pomocą jednoczesnej magnetoencefalografii i elektroencefalografii jako biomarkera padaczki dziecięcej
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.