Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Medicine

Intercritiques Oscillations détectés haute fréquence avec simultanée magnétoencéphalographie et électroencéphalographie comme Biomarker d'épilepsie pédiatrique

doi: 10.3791/54883 Published: December 6, 2016

Summary

Oscillations à haute fréquence (HFO) ont émergé en tant que biomarqueurs préchirurgicaux pour l'identification de la zone épileptogène chez les patients pédiatriques atteints d'épilepsie réfractaire au traitement médical. Une méthodologie pour l'enregistrement non invasive, la détection et la localisation de HFO avec le cuir chevelu simultanée électroencéphalographie (EEG) et la magnétoencéphalographie (MEG) est présenté.

Abstract

Crucial pour le succès de la chirurgie de l'épilepsie est la disponibilité d'un biomarqueur robuste qui identifie la zone épileptogène (EZ). Oscillations à haute fréquence (HFO) ont émergé en tant que biomarqueurs préchirurgicaux potentiels pour l'identification de l'EZ en plus intercritiques épileptiformes Rejets (IED) et de l'activité ictale. Bien qu'ils soient prometteurs pour localiser l'EZ, ils ne sont pas adaptés pour le diagnostic ou la surveillance de l'épilepsie, dans la pratique clinique. Les principaux obstacles demeurent: l'absence d'une définition formelle et globale pour HFO; l'hétérogénéité conséquente des approches méthodologiques utilisées pour leur étude; et les difficultés pratiques pour détecter et localiser les noninvasively à partir d'enregistrements du cuir chevelu. Ici, nous présentons une méthodologie pour l'enregistrement, la détection et la localisation de HFO intercritiques chez des patients pédiatriques atteints d'épilepsie réfractaire. Nous rapportons des données représentatives de HFO détectées noninvasively du cuir chevelu intercritiques EEG et MEG de deux enfantssubissant une intervention chirurgicale.

Les générateurs sous-jacents de HFO ont été localisés en résolvant le problème inverse et leur localisation a été comparée à la Onset Zone saisie (SOZ) comme cela a été défini par les épileptologues. Pour les deux patients, intercritiques épileptogène Rejets (EEI) et HFO ont été localisés avec l'imagerie source à des endroits concordant. Pour un patient, EEG (iEEG) les données intracrâniennes étaient également disponibles. Pour ce patient, nous avons trouvé que le HFO localisation était concordant entre les méthodes non invasives et invasives. La comparaison des iEEG avec les résultats des enregistrements du cuir chevelu a permis de valider ces résultats. À notre connaissance, cette étude est la première qui présente la localisation de la source de HFO du cuir chevelu à partir simultanés EEG et MEG enregistrements comparant les résultats avec les enregistrements invasifs. Ces résultats suggèrent que HFO peuvent être détectés de manière fiable et localisées de manière non invasive avec le cuir chevelu EEG et MEG. Nous concluons que la localisation non invasive de interictal HFO pourrait améliorer considérablement l'évaluation préopératoire pour les patients pédiatriques atteints d'épilepsie.

Introduction

Épilepsie pédiatrique est un trouble neurologique commun avec un taux de 4 Prévalence - 6 pour 1.000 enfants 1. Il peut avoir un impact majeur sur le développement 2 enfants et peut affecter de manière significative leur vie d'adulte. Des études de suivi à long terme dans l' épilepsie dans l'enfance indiquent qu'environ 30% des patients souffrant d' épilepsie deviennent médicalement intraitables 3-6, et nécessitent généralement une intervention chirurgicale d' épilepsie exérèse. Dans beaucoup de ces patients, la chirurgie de l'épilepsie conduit à une réduction significative de la fréquence des crises et souvent à la liberté de la saisie. Pour réussir, la chirurgie de l'épilepsie devrait atteindre un état sans crise avec peu ou pas des déficits fonctionnels. Cela nécessite une description minutieuse de la zone épileptogène (EZ) 7, la «zone de cortex qui est indispensable pour la génération de crises d' épilepsie» 8. Le EZ ne peut pas être mesuré directement; son emplacement est estimé à partir des données concordantes provenant d'une multitude de tests that identifier d'autres zones corticales. Invasive électroencéphalographie intracrânienne (iEEG) sert de l'étalon-or pour la localisation de la zone saisie de commencement (SOZ), la région où les saisies sont générées et proviennent des enregistrements ictales. Cependant iEEG est coûteuse, tributaire de la coopération de l'enfant, comporte un certain risque d'infection et de saignements 9, et peuvent induire des lésions neurologiques supplémentaires lors de l'implantation 10. En outre, les enregistrements peuvent conduire à des conclusions erronées puisque les grandes zones du cerveau sont laissés inexplorés. Ainsi, un biomarqueur presurgical robuste qui aide à l'identification de l'EZ est nécessaire pour le succès du traitement de l'épilepsie chirurgicale.

HFO anatomopathologiques (80-500 Hz) 11,12 ont émergé au cours de la dernière décennie en tant que biomarqueur pour l'identification du tissu épileptogène qui peut améliorer le diagnostic préopératoire et le résultat chirurgical des patients atteints d'épilepsie 13. Les rapports à l'aide de microélectrodes combinées avec des électrodes de profondeur de l'EEG ont montré la présence de HFO chez les patients souffrant d'épilepsie. HFO ont également été trouvés en utilisant macroélectrodes standards au cours de l'ictus et les périodes intercritiques. Des études récentes ont montré que les HFO identifient le SOZ avec une plus grande sensibilité et de spécificité par rapport à la zone irritative 14,15, la zone qui génère les IED, et que l'ablation chirurgicale du tissu HFO-génération est en corrélation avec de meilleurs résultats que la suppression de la SOZ ou la zone irritative 15. HFO sont généralement classés comme des ondulations (80 - 250 Hz) ou ondulations rapides (250 - 500 Hz). Ondulations rapides ont été plus étroitement liée à l' activité pathologique et à la localisation de la SOZ 16, mais les enquêtes d'enregistrements intracrâniens humains indiquent que les deux ondulations et ondulations rapides augmentent dans les régions épileptogènes 17.

Malgré ces résultats prometteurs, HFO ne sont pas encore adaptés pour le diagnostic ou le suivi desl'épilepsie dans la pratique clinique. Les principaux obstacles demeurent: (i) l'absence d'une définition formelle et globale pour HFO; (Ii) l'hétérogénéité conséquente de la méthodologie approches utilisées pour leur étude; et (iii) les difficultés pratiques pour détecter et localiser les noninvasively à partir d'enregistrements du cuir chevelu. Ce dernier provient du fait que les électrodes sont loin de la source du signal, le signal peut être floue par le bruit de fond et l'activité musculaire, et le signal pourrait être faussée par le cuir chevelu ou les fontanelles et les sutures du crâne, en particulier dans patients infantiles. De plus, il est difficile de faire la distinction entre les HFO normaux et anormaux 18,19 puisque les ondulations et les ondulations rapides sont présents même dans le tissu cérébral humain normal 20. Les premières études ont rapporté HFO dans le cuir chevelu EEG dans un petit (0,2 à 3,4%) partie des patients atteints d'épilepsie 21-23. Cependant, des études récentes ont montré que les HFO peuvent être détectés de manière non invasive avec le cuir chevelu EEG. Ictally, HFOs ont été signalés au début de spasmes épileptiques chez l' enfant (de 50 à 100 Hz 24, 40-120 Hz , 25), ainsi qu'à l'apparition de convulsions toniques chez le syndrome de Lennox-Gastaut (50-100 Hz) 26. HFO intercritiques (70-200 Hz) ont d' abord été observées sur le cuir chevelu EEG chez les enfants ayant un statut mal électrique induite par le sommeil 27. Puis, HFO intercritiques (80-200 Hz) ont été identifiés dans l'EEG de cuir chevelu des patients souffrant d' épilepsie focale avec des taux plus élevés à l' intérieur du SOZ 28. Fait intéressant, les mazouts lourds ont été plus fréquents chez les patients ayant un nombre élevé de décharges épileptiformes intercritiques (IED), et ils se sont révélés être plus précis que les IED pour le SOZ 29, mettant en évidence la relation de HFO avec épileptogénicité.

MEG semble présenter des avantages significatifs par rapport au cuir chevelu EEG pour la détection non invasive et la localisation de HFO: (i) une activité à haute fréquence dans MEG est moins sensible que l'EEG à la contamination par musculaireactivité 30-31, (ii) des signaux MEG ne sont pas faussées par la conductivité du crâne et moins perturbée que EEG par des régions non fusionnées de l'os crânien tels que fontanelle ou suture, et (iii) des réseaux de capteurs MEG ont une densité plus élevée par rapport à l' EEG qui fait face toujours le problème de sel ponts entre les électrodes lorsque la tête est petite, comme avec les enfants. Preuve de constructions fantômes qui simulent HFO générateurs suggéré que HFO peuvent être détectées et localisées avec une grande précision de localisation (2 - 3 mm) avec MEG 32. Plusieurs études récentes ont rapporté HFO dans les signaux MEG enregistrés à partir de patients atteints d'épilepsie dans la bande de fréquence d' ondulation 33-38. Analyse temps-fréquence a montré que les données MEG contiennent des composants haute fréquence liés à l'EZ 33-36. Cependant, seules quelques études ont identifié HFO intercritiques comme des événements visibles debout sur le signal d'arrière - plan dans le domaine temporel, comme typiquement fait avec iEEG 37-38. Van Klink et al. 37 détectée HFO dans la bande d' entraînement à l' aide de canaux virtuels construits avec des techniques de beamforming basées sur l' information spatiale obtenue à partir d' IED. Von Ellenrieder et al. 38 détectée HFO dans les signaux MEG des capteurs physiques indépendamment des IED et a utilisé le maximum d' entropie sur la méthode moyenne (MEM) pour localiser leurs sources et d'étudier leur corrélation avec le EZ. Rampp et al. (2010) ont également détecté d' épilepsie oscillations gamma élevé avec MEG, qui étaient pic-verrouillé ou pic-indépendant, et cette activité localisée avec un minimum-norme analyse de la source 39. Ils ont constaté que les caractéristiques de ces oscillations rapides ( à savoir, l' apparition claire de moyenne pleine bande et l' amplitude maximale des oscillations) étaient fortement associés à la SOZ. HFO ont également été détectés avec MEG pendant l' activité ictus chez les patients pédiatriques avec des spasmes épileptiques 40. Cependant, MEG présente certaines limitations distinctes par rapport au cuir chevelu EEG: (i) il est insensitive aux sources qui ont une orientation radiale par rapport au centre de la tête, (ii) il ne permet pas de longs enregistrements qui augmentent la possibilité de détecter et d'enregistrer les événements ictales, et (iii) ses capteurs ne peut pas se conformer à la forme de la tête de chaque individu depuis le casque et réseau de capteurs dans le casque sont tous fixés en forme. Ainsi, la configuration idéale qui maximise la possibilité de détecter et de localiser l'activité épileptogène est en combinant des informations à la fois le cuir chevelu EEG et MEG.

Dans cette étude, nous cherchons à illustrer la méthodologie que nous suivons pour la détection non invasive de HFO intercritiques en utilisant des enregistrements simultanés de cuir chevelu EEG et MEG chez des patients pédiatriques atteints d'épilepsie réfractaire au traitement médical. Nous présentons la configuration des enregistrements et le pipeline de l'analyse des données en utilisant une méthode semi-automatique que nous avons mis au point pour la détection d'événements HFO dans les données simultanées MEG et EEG. Enfin, nous présentons également la localisation dusous-jacents générateurs de HFO du cuir chevelu, obtenus en résolvant le problème inverse, et de le comparer avec le SOZ comme cela a été défini par les épileptologues.

Protocol

Déclaration d'éthique: Les procédures expérimentales ici ont été approuvés par le Conseil d'examen institutionnel (CISR) du Massachusetts General Hospital, Boston, MA, USA. La section suivante décrit le protocole expérimental pour la détection et la localisation de source non invasive de HFO utilisant le cuir chevelu EEG et MEG. Préparation du patient est minime, et l'examen est généralement bien toléré. L'ensemble de la session dure environ 2 - 3 h avec les enregistrements réels d'une durée d'environ 60 min.

Préparation de 1. Patient

  1. Assurez-vous que l'enfant est à l'aise avec l'environnement.
    NOTE: Permettre aux jeunes enfants d'explorer l'environnement de test et de voir l'équipement de test. Écran du patient en ce qui concerne la sécurité et le consentement au moyen d'un formulaire de sélection. Demandez au patient (ou son / ses parents) s'il / elle a eu une crise clinique dans les dernières 2 h.
  2. Retirez tous les matériaux métalliques / magnétiques et fournir des vêtements émis hôpital pour le patient. Retirer les chaussurescar ils sont souvent magnétique. Vérifiez si le sujet est libre d'objets magnétiques en mesurant les signaux MEG pendant quelques minutes. Utilisez un démagnétiseur pour réduire les artefacts de matériaux implantés, tels que les travaux dentaires.
    NOTE: Le démagnétiseur ne doit pas être appliqué s'il y a une possibilité que les objets ferromagnétiques sont dans le corps.
  3. Mesurer la circonférence de la tête maximale pour sélectionner la taille de bonnet EEG approprié pour l'enfant. Utilisez un ruban à mesurer et maintenez-le à l'nasion. Ensuite, mesurer autour de la tête autour de la circonférence maximale (~ 1 cm au-dessus du inion).
  4. Placez le bouchon EEG sur la tête selon l'international 10 - système 20. Nettoyer la peau où chaque électrode est située et appliquer la pâte / gel pour chaque électrode.
    NOTE: Plus de détails concernant les enregistrements EEG du cuir chevelu chez les enfants sont prévus ailleurs 41.
    1. Placez au sol et référence des électrodes sur la tête. Connecter des électrodes supplémentaires pour la mesure horizontale et vertical électro-oculographie (EOG), électrocardiographie (ECG), électromyographie (EMG) et des électrodes EEG supplémentaires à des endroits couvrant les régions temporales (T1 / T2).
      NOTE: Le EOG, ECG et EMG aident l'identification des mouvements oculaires, la contamination magnetocardiographic, l'activité musculaire, et aussi pour surveiller l'état du patient.
  5. Veiller à ce que les canaux d'EEG ont un bon contact avec le cuir chevelu en positionnant les capteurs individuellement. Tourner doucement chaque capteur d'un côté à l'autre pour déplacer les cheveux hors de la voie. Mesurer les impédances d'électrodes avec un ohmmètre EEG afin d'être en dessous de 10 kohm.
  6. Placez quatre bobines HPI sur la tête: deux derrière les lobes d'oreilles et deux sur le front à des emplacements symétriques approximatives.
    REMARQUE: Les bobines HPI permettent de localiser la position relative de la tête du patient par rapport à l'emplacement des capteurs de MEG dans l'espace 3D. Le nombre de bobines HPI peut varier selon le fournisseur du système MEG.
  7. Procurez-vous leles emplacements des bobines HPI et les électrodes d'EEG à l'aide d'un digitaliseur.
    NOTE: Le numériseur enregistre les coordonnées d'un capteur dans l'espace 3D. Le capteur est placé sur la pointe d'un stylet. Les emplacements des bobines HPI doivent être connus par rapport à l'anatomie de la tête et les emplacements des capteurs de MEG.
  8. Obtenir les emplacements des points de repère repères y compris les points préauriculaires gauche / droite et nasion en utilisant le numériseur. Numérisez points supplémentaires (environ 300 points) pour obtenir la forme de la tête précise.
  9. Transférer le patient dans la chambre blindage magnétique (MSR) 42, où se trouve le système MEG.
    NOTE: Le MSR est un environnement blindé qui minimise les interférences des enregistrements MEG de sources électromagnétiques externes ( par exemple, des lignes électriques, des signaux radiofréquences à partir d' appareils portables, les appareils électriques et les ordinateurs, les champs magnétiques de déplacement d' objets magnétisés tels que les voitures, les ascenseurs et les trains ). Il se compose de trois couches imbriquées.Chaque couche est constituée d'une couche d'aluminium pur , plus une couche ferromagnétique de perméabilité élevée (c. -à- mu-métal, d' un alliage composé principalement de nickel et de fer).
  10. Poser le patient sur le lit, mettre son / sa tête dans le casque MEG, et appliquer tampons / éponges appropriées sous la tête du patient pour le confort.
  11. Branchez le HPIS, les fils de l'EEG, l'EOG, l'ECG, l'EMG, et les électrodes supplémentaires à la machine d'enregistrement. Ajuster la position de la tête du patient dans le scanner veillant à ce qu'il se trouve aussi profondément que possible dans le casque.

2. Acquisition de données

  1. MEG et EEG
    NOTE: l' acquisition de données MEG / EEG est effectuée sur la base de la méthode décrite dans une étude précédente 42. Plus de détails sur l'utilisation clinique du MEG dans l' épilepsie pédiatrique peuvent être trouvés ailleurs 43,44.
    1. Enregistrement MEG signaux avec un système MEG toute-tête.
      NOTE: Le système MEG utilise des capteurs à couche mince de deux types (planairegradiomètres et magnétomètres) intégrés sur 102 éléments de capteur. Chaque élément contient un magnétomètre qui se compose d'une seule bobine, et deux gradiomètres planes orthogonales qui se composent d'une configuration de bobines de type "en figure de huit". Le magnétomètre mesure du flux magnétique perpendiculaire à sa surface et les gradiomètres mesurer la différence entre les deux boucles du "huit" ou le gradient spatial. Le système MEG a 204 gradiomètres planes et 102 magnétomètres (306 capteurs au total). Systèmes MEG de différents fournisseurs ont le nombre et les types de bobines (c. -à- de gradiomètres axial) différent.
    2. Enregistrez simultanément des signaux EEG utilisant un 70-canal électrode cap amagnétique avec Ag / AgCl électrodes annulaires fritté et des électrodes supplémentaires en T1 / T2 42. Utilisez un montage de référence commun.
    3. Fermez la porte de la MSR. Communiquer avec le patient par l'intermédiaire d'un système d'interphone pour vérifier s'il / elle se sent à l'aise. Demandez au parent de rester inside MSR pendant l'enregistrement si l'enfant se sent mal à l'aise de rester seul.
    4. Démarrez les enregistrements en cliquant sur le bouton 'Go' dans le logiciel d'acquisition MEG. Utilisez un taux d'échantillonnage élevé de 1 KHz (ou plus). Utilisez un passe-bas réponse impulsionnelle infinie (IIR) du 6 ième ordre à 400 Hz. Vérifiez en ligne tous les signaux enregistrés. Fixer mauvais canaux de MEG en utilisant un syntoniseur de capteur.
      NOTE: Les canaux Bad MEG sont définis capteurs (gradiomètres ou magnétomètres) qui ont un niveau relativement élevé de bruit blanc (ci-dessus 2 à 5 fT / √Hz pour magnétomètres) ou des capteurs qui enregistrent de bruit électromagnétique environnement parasite. Ceci est habituellement produit quand les capteurs sont exposés à une forte (par rapport aux signaux mesurés) des champs magnétiques et des parties spécifiques du serpentins "piège" le flux magnétique détruisant la supraconductivité. Un tuner capteur puis on utilise la chaleur de la bobine par l'application d'un courant électrique à travers elle. Cette procédure est appelée réglage et est utilisée lorsquele niveau de bruit blanc du capteur est supérieure à un seuil spécifique (ie, 2-5 fT / √Hz). Certains systèmes de MEG ne disposent pas tuners de capteurs.
    5. Mesurer la position de la tête du patient en cliquant sur le bouton 'Mesure' dans le logiciel d'acquisition MEG. Si la tête du patient ne bien couvert par le réseau sensoriel, demander au patient de bouger son / sa tête plus profondément dans le casque.
      NOTE: Cette manœuvre active les 4 bobines HPI en appliquant des signaux électriques oscillatoires transitoires à travers les bobines qui génèrent des champs magnétiques artificiels. Ces champs sont détectés par les capteurs de MEG, donc la position de la tête est déterminée. La procédure peut varier entre les différents fournisseurs de MEG.
    6. Enregistrement MEG, EEG, et des enregistrements périphériques en cliquant sur le bouton «Record» dans le logiciel d'acquisition MEG (ie, ECG, EOG et EMG) pour ~ 60 min.
      NOTE: Les données sont stockées dans un fichier .FIF dans les tableaux redondant de disques indépendants (RAID).Le type de fichier est différent pour d'autres fournisseurs de MEG.
    7. Lorsque l'enregistrement se termine, ouvrez le MSR, débrancher les câbles, et sortir le patient de la salle de MSR. Retirez toutes les bandes, les électrodes, bobines HPI et bouchon EEG doucement. Fournir le lavage de la tête du patient.
    8. Après l'acquisition est terminée, enregistrer les signaux magnétiques du MSR vide sans que le patient. Démarrez les enregistrements en cliquant sur le bouton 'Go' dans le logiciel d'acquisition MEG. Enregistrez les données MEG pour 2 min en utilisant les mêmes paramètres que dans l'étape 2.1.4.
      NOTE: Ces données sont utilisées pour estimer le bruit électromagnétique de l'environnement.
  2. IRM
    1. Acquérir des données d'IRM anatomiques avec acquisition rapide des séquences en écho de gradient de magnétisation préparé (MPRAGE; TE = 1,74 ms, TR = 2,520 ms, voxel size = 1 × 1 × 1 mm) avec un scanner 3T haute résolution. Détails sur le protocole de balayage IRM peuvent être trouvées ailleurs 45.
      NOTE: Nous ne réalisons pas le scan IRMle même jour que la session MEG afin d'éviter des artefacts dans les enregistrements MEG due à l'aimantation d'éventuels implants métalliques du patient, tels que des oeuvres dentaires.

3. Identification de l'activité intercritique

  1. Ouvrez les données en utilisant Brainstorm 46, qui est documenté et librement disponible pour le téléchargement en ligne sous la licence publique générale GNU.
  2. Sélectionnez portions visuellement des données EEG intercritiques avec une activité se produisant au moins 2 h en dehors des crises cliniques.
    NOTE: La figure 1 présente une partie des données EEG et MEG avec des IED fréquents.
    1. Identifier empiriquement IEDs bien définis dans les signaux EEG: cela comprend des pointes (20 - 70 ms) et des vagues pointues (70 - 200 ms) 47-48.
      NOTE: La signification clinique de ces deux types d'EEI dans épileptique accent localisation est équivalent.
    2. Essayez d'identifier (si possible) des parties des enregistrements avec: (i) moti minimalesur les artefacts, (ii) plus de 3 - 4 IED par l'affichage 10 de, et (iii) le sommeil lent non-REM qui présentent généralement un nombre élevé de HFO 49.

Figure 1
Figure 1: IED en EEG et MEG Signaux. Portion du cuir chevelu enregistrés simultanément EEG et MEG signale les EEI fréquents. 1 s de l'article mis en évidence que contient une vague forte est présentée sur les panneaux de droite dans un affichage de l'échelle de temps prolongée. Les points rouges indiquent le pic des IED. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

  1. Utilisation de Brainstorm, afficher les données avec les paramètres d'affichage standard (10 s / page). Allez à l'onglet Filtre et mettre les filtres d'affichage des paramètres suivants: filtre passe-haut: 1 Hz, filtre passe-bas: 80 Hz, filtre Notch: 50 or 60 Hz (en fonction de la fréquence de la ligne d'alimentation). Inspectez les données et identifier les parties de données avec les IED.
    NOTE: Seuls les portions de signaux avec les EEI sera scanné pour chercher HFO (étape 3.4). Les filtres sont sélectionnés pour la visualisation uniquement; il n'a pas été appliqué aux données. Afin d'appliquer ces filtres en permanence aux données, utilisez un filtre Butterworth passe-bande (4 ème ordre) suivant les instructions du site Brainstorm (http://neuroimage.usc.edu/brainstorm/).
  2. Mark le pic de chaque IED se produisant dans les deux données EEG et MEG (voir des taches rouges sur la figure 1).
    NOTE: Plus de détails sur le marquage des IED en utilisant Brainstorm peuvent être trouvées ailleurs (http://neuroimage.usc.edu/brainstorm/Tutorials/Epilepsy).

4. Détection semi-automatique de HFO en simultané Scalp EEG et MEG données

REMARQUE: On décrit ici un procédé semi-automatisé pour détecter HFO, qui comprend une détection automatisée (étape 4.1; Figure 2), suivi d'un examen visuel des HFO détectés automatiquement (étape 4.3). Afin d'éviter les oscillations parasites des transitoires marqués comme de véritables ondulations et pour faire en sorte que les mazouts lourds ne sont pas dues à un phénomène de filtrage, nous avons suivi les dernières suggestions dans la littérature pertinente: nous nécessaire les HFO d'avoir un nombre minimum de 4 oscillations depuis il a été observé que la réponse impulsionnelle du filtre a moins oscillations que le nombre choisi de cycles 50, nous avons utilisé le filtre Finite Impulse Response (FIR) pour réduire au minimum la sonnerie effet et le phénomène «Gibbs» 50, nous avons exigé des candidats événements HFO à inspecter aussi visuellement par un expert pour vérifier si les HFO étaient également superposée visibles sur les IED 50,51, et nous exige une île isolée à observer dans la plaine temps-fréquence en raison d' un événement aigu et une oscillation ont des signatures différentes: un vrai HFO est représenté par un pic isolé dans le temps frécy parcelle (limité en fréquence, comme «île») situé dans la bande de 80-500 Hz, tandis qu'un événement transitoire génère un blob allongé, étendu en fréquence 50,52,53.

Figure 2
Figure 2: Schéma des étapes d' algorithme. L'algorithme fonctionne en deux étapes: la première identifie HFO candidats de chaque signal EEG dans le domaine temporel (colonnes du milieu gauche et); la seconde classe les événements candidats précédemment détectés afin de distinguer réelles HFO à partir des artefacts dans le domaine temps-fréquence (colonne de droite). S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

  1. Détection automatique HFO
    REMARQUE: La figure 2 décrit l'organigramme de la détection automatiquede HFO sur chaque signal EEG. L'objectif de la méthode développée est de réduire le fardeau pour l'expert EEG du marquage des événements HFO sur chaque canal EEG utilisant un écran 2 s / page qui est recommandé pour l'inspection visuelle de HFO. Un HFO a été défini comme un événement dans la bande de fréquence d' ondulation (80 - 250 Hz), qui a au moins 4 oscillations sinusoïdales morphologie se démarquer de l'arrière - plan entourant 54 (étape 4.1.1), et qui apparaît comme un court vécu événement avec un pic spectral isolé à une haute fréquence distincte 14 (étape 4.1.2).
    1. Détection de HFO candidats dans le domaine temporel
      1. Passe-bande (BP) filtrer les signaux EEG entre 80 et 250 Hz, ce qui limite la teneur en fréquence des signaux d'entraînement à la bande d'intérêt.
        NOTE: Il est recommandé d'utiliser un filtre FIR pour réduire au minimum la sonnerie effet et le phénomène "Gibbs" 55, et le filtrage numérique de phase zéro pour éviter toute distorsion de phase.
      2. Calculerl'enveloppe du signal BP en utilisant la transformation de Hilbert. Calculer la moyenne et l'écart-type (SD) de l'enveloppe de plus de 10 s fenêtres centrées sur chaque point de la série chronologique coulissantes. Estimer la moyenne générale et SD en utilisant la valeur médiane sur toutes les fenêtres (pour obtenir des valeurs qui sont robustes à la présence éventuelle de parties du signal avec beaucoup de HFO et haute SD).
      3. Calculer le z-score de l'enveloppe et marquer un candidat HFO chaque fois que le z-score est supérieur au seuil minimal, fixé égal à 3 56.
      4. Définir les points de départ et de fin de l'événement détecté que les passages ascendants et descendants de la moitié du seuil. Considérez les HFO avec un intervalle de moins de 30 ms comme un seul HFO inter-événement. Calculer le nombre de pics dans le signal BP entre le départ et le point final HFO, et jeter les événements avec moins de 4 sommets. Aussi, jetez les événements avec un z-score supérieur à 12.
        REMARQUE: Modifier votre maximeum seuil z-score en fonction de l'amplitude des artefacts qui peuvent se produire dans vos enregistrements. Les événements avec un faible nombre d'oscillations peuvent être causées par des effets de filtrage 57,58, considérant que les événements à une forte amplitude peuvent être dues à musculaires ou électrodes artefacts.
    2. Rejeter les artefacts possibles dans le domaine temps-fréquence.
      REMARQUE: Cette étape est nécessaire pour distinguer réels HFO des événements qui pourraient être provoquées par d'autres activités et de filtrage des artefacts EEG, dont la teneur en fréquence ne se limite pas à la bande de fréquence d'intérêt. Elle est basée sur l'hypothèse selon laquelle une vraie HFO apparaît comme un événement de courte durée avec un pic spectral isolé à une fréquence distincte au- dessus de 80 Hz, en contraste avec un événement transitoire qui génère une tache de forme allongée étendue en fréquence 59. La figure 3 illustre un exemple de HFO détectée montrant le BP filtré signal EEG (panneau supérieur), son enveloppe (panneau du milieu), et correspondenting plan temps-fréquence (panneau inférieur), au cours de la période de [-0.5, +0.5] s autour du pic HFO. L'affichage du plan temps-fréquence est limitée 80-150 Hz parce qu'aucune activité importante a été observée pour les fréquences supérieures à 150 Hz.
      1. Transformer tous les événements HFO candidats dans l'espace temps-fréquence en utilisant la transformation Morlet dans la gamme de fréquence de 1 Hz à la plus haute fréquence d'intérêt, à savoir, 250 Hz (fréquence centrale = 1 Hz, pleine largeur au demi-maximum = 3 s).
      2. Analyser les spectres de puissance instantanée de la représentation temps-fréquence sur chaque point de la durée de l'événement de temps. Pour chaque spectre de puissance, suivre les critères automatiques décrits par Burnos et al. 56 pour détecter le pic dans la bande haute fréquence et pour vérifier si elle est clairement distinct du pic le plus proche dans la gamme de fréquence inférieure. Jeter HFO qui ne présentent pas un spectre de puissance avec une haute fréquence pic isolé dans au moins 90% de lades points de temps.
  2. Trier tous les événements HFO détectés par leur occurrence temporelle à travers les canaux. Regrouper tous les HFO consécutifs dont la durée chevauche. Gardez seulement des groupes de HFO impliquant au moins deux canaux EEG pour une analyse plus approfondie.
    NOTE: L'algorithme demande aux HFO de se produire dans au moins 2 canaux afin d'éviter la capture des artefacts aléatoires parasites, qui peuvent ressembler à de véritables HFO et se produire dans les dérivations EEG simples. Deux HFO consécutifs sont considérés comme se chevauchant lorsque le temps de démarrage du deuxième HFO précède l'heure de début de la première.

Figure 3
Figure 3: HFO événement détecté par l'algorithme. Panneau supérieur: BP filtré (80 - 150 Hz) Signal EEG (en uV) d'un canal (F8 - T8) d'un patient 1. Panneau central: l'enveloppe du signal BP (z-score). Le pic de l'enveloppe (astérisque rouge) indique le moment du pic HFO (ligne rouge pointillée verticale). Les astérisques bleus marquent les passages ascendants et descendants de la moitié du seuil (bleu pointillé), qui marquent le début et de fin points de temps des HFO (lignes verticales en pointillés bleus). Panneau inférieur: le plan d'analyse temps-fréquence. Notez le pic isolé dans la bande de fréquence d'ondulation (~ 100 Hz) autour du pic du HFO. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

  1. examen visuel des événements HFO
    NOTE: Une partie de l'examen visuel est basé sur les lignes directrices proposées par Andrade-Valenca et al. 28 et Zelmann et al. 60.
    1. Verticalement aligner 2 écrans d'ordinateur; une pour l'inspection de l'EEG et une pour l'inspection des signaux MEG. Afficher les événements détectés à la fois sur le (2 s / page) élargi et s typiquescale (10 s / page) montrant, respectivement, le 80-250 Hz et 1 - 40 Hz BP filtré signaux.
    2. Ignorer les événements cooccurring avec musculaires ou électrodes artefacts dans l'EEG non filtrée et MEG, ainsi que des événements avec une grande variabilité de la fréquence, de la morphologie irrégulière, ou de grandes variations d'amplitude.
    3. Observer les signaux EMG EOG et lors de la détection des HFO et jeter tout événement qui est pensé pour correspondre à EOG ou l'activité musculaire. Considérons seulement les HFO qui se chevauchent avec EEG / MEG EEI (détectée dans l' étape 3.3) , car ils sont plus susceptibles d'être de véritables HFO 15,28,56.
      NOTE: Cette approche offre une haute spécificité au prix d'une faible sensibilité; ainsi, il donne confiance que les HFO identifiés sont d'origine corticale.
    4. Gardez les événements HFO seulement qui se produisent dans les deux signaux EEG et MEG en même temps.

5. Source localisation des engins explosifs improvisés et HFO

  1. Localisez les générateurs au sommet de la MEG EEI, Marqué à l'étape 3.3, en utilisant les équivalents dipôles actuels (DPE). Utilisez le logiciel budgétaire Norm minimum qui est disponible gratuitement (http://martinos.org/mne/stable/index.html). Considérons seulement des pointes avec la bonté de l'ajustement (GOF)> 80% et moment dipolaire Q <500 nA - m. Superposez l'emplacement DPE sur l'IRM de chaque patient.
    NOTE: Le Maximum Entropy sur la moyenne (MEM) est une méthode alternative attrayante qui détermine l'emplacement et l' étendue des sources 61.
  2. HFO localisation de la source à la fois EEG et MEG en utilisant l'ondelette Entropie maximale sur la méthode moyenne (WMEM) (tel que proposé par von Ellenrieder et al 38).
    REMARQUE: Le MEM est une technique efficace qui a été utilisée avec succès pour déterminer l'emplacement et l' étendue des sources d'activité épileptique 62-64. Le WMEM est une extension du MEM qui a été mis au point pour localiser l' activité oscillatoire évaluée avec des simulations réalistes 65. Il décompose le signal dans un disbase d'ondelettes crete avant d'effectuer la localisation de source MEM sur chaque boîte temps-fréquence. Ainsi, WMEM est particulièrement bien adaptée pour localiser HFO.
    1. Segment l'IRM et d' obtenir la surface corticale en utilisant Freesurfer 66-67.
    2. Résoudre le problème de l' avant EEG / MEG avec la méthode des éléments de frontière (BEM) pour un modèle 3-couche utilisant OpenMEEG 68.
    3. Ré-échantillonner les signaux à 640 Hz afin d'assurer que la seconde échelle de la transformée en ondelettes discrète correspond à la bande de fréquence d'intérêt.
    4. Estimer la matrice de covariance de bruit dans l'espace de données indépendamment pour chaque HFO, basé sur l'arrière-plan dans la bande d'entraînement dans une fenêtre de 150 ms immédiatement avant chaque HFO. Effectuer la localisation de la source pour chaque HFO dans la bande d'entraînement et de moyenne le long de la durée HFO. Remarque: La carte résultante est constituée d'une valeur d'activation corticale associée à chaque sommet du cortex tessellation.
    5. Normaliser chaque carte afin d'avoir un maximumLa valeur d'activation égale à 1 pour chaque mazout lourd.
    6. Calculer la moyenne des valeurs d'activation dans toutes les HFO à chaque sommet. Appliquer un seuil de 60% de l'activation maximale afin d'afficher les cartes finales sur la surface corticale.

6. validation

  1. Intracrânienne EEG (iEEG):
    1. Acquérir iEEG extra-opératoire en utilisant des grilles sous-duraux et / ou des électrodes de profondeur stéréotaxique guidées. Guide du placement des électrodes sur la base des résultats des tests d'évaluation préopératoire antérieures et les hypothèses cliniques à traiter, qui est spécifique pour chaque patient.
      NOTE: intracrânienne EEG est enregistrée avec un système EEG numérique en utilisant un taux d'échantillonnage de 2 KHz, dans le cadre de l'évaluation préopératoire. Grilles sous - duraux sont généralement le meilleur choix si la topographie de la zone de saisie corticale est important de résoudre, et si la cartographie du cortex éloquent est critique (par exemple, avec une zone épileptogène près de primary cortex moteur, où les limites exactes peuvent être estimées par cartographie de stimulation et ictale analyse des EEG intracrânienne).
  2. Définition du SOZ:
    1. Identifier le SOZ tel que défini par un épileptologue d'experts sur la base des données cliniques disponibles pour chaque patient.
      NOTE: Le SOZ est définie comme la zone montrant la propagation plus tôt et rapide de iEEG changement (décharge ictale) à partir de la ligne de base avant ou concomitante avec l'apparition des symptômes. Tous les canaux impliqués au début de la décharge électrographique ictale, habituellement les 5 premières secondes, ont été considérés comme le SOZ. Chez les patients où les saisies sont originaires de plus d'une zone indépendamment les uns des autres, tous les contacts dans les différents SOZs sont considérés comme des contacts SOZ. L'expert est aveugle aux résultats sources de localisation HFO au moment de la définition de la SOZ. L'information clinique comprend également: conclusions ictales et intercritiques iEEG, lésion visible à l'IRM, ictale et le cuir chevelu intercritiques EEGrésultats.
  3. Identification des canaux HFO:
    1. Détecter les HFO dans chaque électrode intracrânienne comme décrit dans 4.1. Utilisez la méthode de Kittler pour déterminer le seuil en fonction de l'histogramme du nombre de HFO de tous les canaux, puis appliquer bootstrapping et calculer la moyenne comme seuil finale 69. Enfin, identifier les canaux avec un taux HFO au-dessus du seuil.
  4. Comparez la localisation HFO avec le SOZ identifié en 6.2 comme l'étalon-or pour les résultats sources de localisation.

Representative Results

Les patients pédiatriques atteints d'épilepsie réfractaire ont été recrutés dans la clinique d'épilepsie de l'hôpital pour enfants de Boston (Boston, USA). Ici, les données représentatives de 2 patients sont présentés: une jeune fille de 15 ans avec encephalomalacia de l'artère cérébrale moyenne droite (MCA) région (patients 1), et un garçon de 11 ans avec pariétale gauche / encephalomalacia temporal supérieur ( patient 2). Les données ont été recueillies dans le cadre de leur bilan préopératoire pour la chirurgie. enregistrements MEG et EEG simultanés ont été effectuées au A. Martinos Center Athinoula for Biomedical Imaging.

Pour les deux patients, HFO ont été identifiés dans la bande de fréquence d'ondulation (80 - 150 Hz) se produisant à la fois EEG et MEG et IEDs recouvrant. La figure 4 présente 10 s du cuir chevelu simultanée EEG et MEG données avec l' activité intercritiques (panneaux supérieurs) de patients 1. Le même chiffre rend compte aussi unn temps prolongée partie d'échelle (2 s) des signaux, ce qui montre les HFO détectés dans le domaine temporel (panneaux du milieu) et dans le plan temps-fréquence (panneau inférieur). Ce patient a montré un taux de 8,8 HFO / min. Pour plus de clarté, l'affichage du plan temps-fréquence est limitée 80 à 150 Hz, car aucune activité importante n'a été observée pour les fréquences supérieures à 150 Hz. Chez le patient 1, la détection automatique a identifié 248 HFO événements à l'intérieur de 8,65 min d'enregistrements. Après l'examen visuel des événements détectés, 76 événements ont été conservés qui ont été considérés comme de véritables HFO, l'obtention d'un taux de 8,8 HFO / min.

Figure 4
Figure 4: HFO superposée sur les IED détectés de Scalp EEG et MEG. Panneau supérieur: IED provenant du patient 1 détectées à partir du cuir chevelu EEG ( à gauche) et MEG ( à droite). 10 s de données filtrées 1 à 70 Hz. Panneau central: affichage de l' échelle de temps prolongé (2 s) des données EEG et MEG a mis en évidence avec un fond gris dans le panneau supérieur. Les données sont filtrées 80 à 150 Hz. Panneau inférieur: Temps-fréquence plan de 2 canaux représentatifs EEG et MEG. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

La figure 5 présente les résultats HFO de localisation pour le patient 1 à la fois le cuir chevelu EEG et MEG. Les deux techniques localisées les HFO au voisinage de la lésion dans un endroit proche de la jonction droite temporo-pariétale. MEG et EEG ont présenté des résultats légèrement différents de localisation: l'activité MEG était situé plus en avant par rapport à l'EEG et plus proche de la limite postérieure de la lésion. La distance entre les deux maxima d'activité WMEM pour le MEG et EEG était de 15,0 mm. HFO localizatisur est également adjacente à la zone irritative comme cela a été défini par MEG. La distance euclidienne entre les ECD moyennées et l'activité maximale de WMEM était de 18,7 mm pour le MEG et 28,0 mm pour l'EEG du cuir chevelu. Pour le patient 2, nous avons identifié 8 min de données pendant ondes lentes non-sommeil paradoxal avec l'IED et des artefacts minimes que nous avons utilisés pour l'analyse HFO.

Le nombre de HFO du cuir chevelu était significativement plus faible que chez le patient 1 montrant un taux de 0,4 HFO / min. La figure 6 présente les résultats sources de localisation de HFO du cuir chevelu pour MEG et le cuir chevelu EEG, les EEI localisées par MEG en utilisant ECD, et l'emplacement de HFO détectés par iEEG. La distance entre les 2 maxima d'activité WMEM pour le MEG et EEG était de 16,4 mm. La distance entre les ECD moyennées et l'activité maximale de WMEM était de 10,9 mm pour le MEG et 24,1 mm pour l'EEG. La zone HFO identifiée de façon non invasive par le cuir chevelu EEG et MEG était au même endroit où les HFO étaient identified effractive avec iEEG. Les électrodes avec le plus grand nombre de HFO étaient LA51, LA52, LA53 et, comme le montre la figure 6, dont la localisation est concordante avec l'activité HFO localisée de manière non invasive.

Figure 5
Figure 5: Localisation de HFO et des IED. Zone HFO localisée en utilisant le WMEM avec MEG et EEG d' un patient 1 superposé sur l' IRM du patient ( à gauche). La carte de HFO représente la moyenne des valeurs d'activation normalisées seuillée à 60% de l'activité maximale. EEI localisées par ECD avec MEG ( à droite). Les localisations et les orientations des ECD sont indiqués dans le cyan. Le triangle violet indique l'emplacement des ECD moyennes (46 ECD), et le rectangle rouge l'emplacement du DPE à partir d'IED moyennées (28 EEI). Pour le calcul de la moyenne des IED, nous avons identifiépointes avec une morphologie similaire. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 6
Figure 6: Concordance spatiale entre le HFO Zone Localized non invasive avec Scalp EEG et MEG, la Zone irritative et le HFO Zone Localized effractive avec iEEG. Panneaux supérieurs: Localisation de HFO du patient 2 avec le cuir chevelu EEG ( à gauche) et MEG ( au milieu), et la localisation des IED avec MEG ( à droite) superposées sur l' IRM du patient. La carte de HFO représente la moyenne des valeurs d'activation normalisées seuillée à 60% de l'activité maximale. les cercles et les barres cyan indiquent les emplacements et orientations du DCE. Le triangle violet indique l'emplacement des ECD moyennes (30 ECD), et le rectangle rouge til emplacement du DPE à partir d'IED moyennées (21 EEI). Panneaux inférieurs: Localisation de HFO sur iEEG ( à gauche) et 2 s d'enregistrements provenant des canaux avec le taux de HFO le plus élevé. des électrodes implantées sont affichées sur l'IRM du patient. L'emplacement de l'électrode est obtenue par co-enregistrement de la période post-implantation tomographie assistée par ordinateur (CT) et des images RM. Les électrodes avec le plus haut taux de HFO sont mis en évidence sur la carte de la grille implantée sur le cortex du patient. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Les résultats représentatifs présentés ici indiquent l'utilisation potentielle de la technique décrite dans le cadre clinique pour l'identification et la localisation de HFO non invasive au cours de l'évaluation pré-opératoire des patients pédiatriques atteints d'épilepsie réfractaire au traitement médical. Pour les deux patients, HFO étaient localized concordant pour le cuir chevelu EEG et MEG (voir Figure 5). Différences de localisation de quelques mm peuvent être attribués à la capacité de localisation supérieure de haute densité MEG par rapport au cuir chevelu EEG 70, ou peuvent représenter les différents générateurs sous - jacents 71. La localisation a également été concordant avec la zone irritative comme cela a été défini par MEG (voir Figure 5 - panneau de droite). Chez le patient 2, les données de iEEG étaient également disponibles. La zone de HFO localisée noninvasively avec le cuir chevelu EEG et MEG était concordant avec la zone de HFO défini effractive avec iEEG (voir Figure 6). Les résultats de la méthode proposée peuvent guider la mise en place de grilles lors de la chirurgie de l'épilepsie pour l'identification potentielle de l'EZ.

Discussion

Preuves convergentes d'études animales et humaines ont montré que HFO sont un nouveau biomarqueur potentiel pour le tissu épileptogène. Malgré cette preuve, HFO ont une utilisation très limitée dans la pratique clinique pour le diagnostic ou la surveillance de l'épilepsie, surtout parce que: (i) il n'y a pas de définition formelle et globale pour HFO; (Ii) différents groupes de recherche utilisent une méthodologie différente pour l'enregistrement et l'analyse des données; (Iii) la détection non invasive de HFO avec des techniques de neuroimagerie est difficile; et (iv) le processus de HFO d'examen prend du temps et peu pratique, en particulier pour les EEG multicanal ou des enregistrements MEG avec un grand nombre de capteurs. Dans un effort pour fournir une méthodologie globale standardisée qui favorise l'utilisation systématique de HFO dans la pratique clinique, la méthode qui est suivie à l'Hôpital pour enfants de Boston pour l'enregistrement non invasive, la détection et la localisation de HFO intercritiques chez des patients pédiatriques atteints d'épilepsie est présenté. Representativles résultats de e de HFO détectés avec le cuir chevelu simultanée EEG et MEG de deux enfants atteints d'épilepsie réfractaire au traitement médical sont également présentés.

Les étapes critiques au sein du protocole

La méthodologie proposée comprend les étapes suivantes critiques: (i) la performance de haute Signal-to-Noise-Ratio (SNR) EEG et MEG enregistrements simultanés de l'activité intercritiques chez des patients pédiatriques atteints d'épilepsie réfractaire au traitement médical (étapes 2.1.1 et 2.1.2 ); (Ii) le prétraitement attention et la sélection des données avec des décharges intercritiques (étapes 3.1 et 3.2); (Iii) l'examen visuel des HFO identifiés événements avec une spécificité élevée (étapes 4.3.1, 4.3.2 et 4.3.3); et (iv) la localisation fiable des mazouts lourds à l'aide d'un procédé de localisation approprié (étape 5.2).

L'étape la plus critique dans ce protocole est l'examen visuel des événements HFO identifiés par le détecteur automatique. Un examen rigoureux des HFO détectés automatiquement est crucial de jeter HFO d'origine non cérébrales. Cependant, la fatigue ou la distraction de l'examinateur humain lors de l'inspection visuelle du multicanal EEG et des données MEG peuvent conduire à des erreurs, ce qui réduit la spécificité du processus de détection.

Modifications et dépannage

Nous évitons l'utilisation de la projection spatiale du signal (SSP) et Signal espace de séparation (SSS) méthodes 72,73 afin d'assurer qu'il n'y avait pas de distorsion de l'activité HFO de leur application. Ces méthodes sont souvent utilisées par la plupart des utilisateurs du fournisseur MEG notamment pour supprimer les interférences externes et pour corriger les mouvements de la tête 72. D'autres études sont nécessaires afin d'assurer que l'application de ces méthodes ne portent pas atteinte ou de fausser l'activité de HFO ou ne produisent pas des effets parasites qui peuvent ressembler à HFO humains. Des modifications mineures du seuil minimum de la z-score de l'enveloppe du signal (étape 4.1.1.3) et le seuil de courant alternatifvaleurs tivation (étape 5.2.6) peuvent être nécessaires pour améliorer la sensibilité de l'algorithme dans la détection de HFO et de limiter la localisation de la zone de HFO dans une zone plus focal.

Limites de la technique

Le procédé décrit présente des limitations qui doivent encore être abordées dans les études futures. Premièrement, il ne considère pas HFO se produisant seulement dans les signaux MEG ou EEG, et il ne comprend pas la détection automatique des HFO dans les signaux de MEG, ce qui implique que certains réelle faible SNR MEG HFO pourrait échapper à l' inspection visuelle 74. En outre, la sensibilité et la spécificité de la méthode proposée pour détecter les HFO et sa capacité à les localiser avec une grande précision doivent être validées avec des enregistrements simultanés de cuir chevelu EEG, MEG et iEEG 75. Nos données ont montré que les ECD simples indiquent une zone irritative prolongée par rapport à la zone de HFO focal. Cependant, lorsque les ECD ont été moyennées, le locatio dipolairen était assez proche de la zone HFO pour les patients. Nos données sont indicatives de la spécificité des 2 méthodes montrant une éventuelle spécificité plus élevée de la zone HFO pour épileptogénicité (en particulier pour le patient 2 pour lesquels la zone HFO a chevauchement avec le SOZ) par rapport à la zone irritative, bien que des conclusions sûres ne peuvent être tirées à partir d'une telle petite cohorte de patients. Plus important encore, la localisation des sources HFO ne signifie pas directement localisant le EZ qui est responsable de saisies. Nos résultats doivent être validés par rapport à l'issue de la chirurgie de l'épilepsie que nous prévoyons de faire dans une étude future. Enfin, pour enregistrer les données EEG, un système de 70 canaux est utilisé. Pourtant, dans la plupart des centres le réglage clinique standard EEG est utilisé qui enregistre les données de 19 électrodes placées selon le 10 - système 20. Plus de systèmes pédiatriques avancés EEG avec un nombre beaucoup plus élevé de canaux (jusqu'à 256) sont actuellement disponibles sur le marché. L'utilisation de ces systèmes peut améliorer encore til la précision de la localisation de la zone de HFO détectée avec le cuir chevelu EEG.

Importance de la technique par rapport aux méthodes existantes / alternatives

À notre connaissance, cette étude est la première qui rend compte de la localisation non invasive de HFO intercritiques avec EEG et MEG simultanée, et aussi enquête sur la concordance des résultats de la localisation avec ceux des enregistrements intracrâniens. La non invasive l'enregistrement, la détection et la localisation de HFO est difficile. En effet , les HFO sont des signaux très faibles générés par les petites régions du cerveau de l'ordre de 16,76 millimètres cubes et en outre entravé par le bruit et l' activité cérébrale de fond. Une étude récente a proposé que HFO enregistrées de manière non invasive avec le cuir chevelu EEG représentent la somme de l' activité de multiples focal spatialement distribuée et des sources cohérentes 60. Jusqu'à présent, peu d' études 28,29,37,38,60 ont réussi à montrer que HFO peuvent être détectées de manière non invasive en utilisant scalp EEG et MEG; encore moins localisée cette activité en résolvant le problème inverse 37-38.

Ici, la preuve de HFO intercritiques sont présentés qui ont été détectés avec le cuir chevelu simultanée EEG et MEG de deux patients pédiatriques atteints d'épilepsie. HFO ont été localisés à l'aide d' un cadre décrit précédemment 38. Les données représentatives montrent que la localisation non invasive de HFO intercritiques est faisable en utilisant des techniques d'imagerie de source réalisées soit sur l'EEG du cuir chevelu ou des enregistrements MEG, en supposant qu'une technique de localisation approprié est utilisé. Ceci est conforme à une précédente étude qui a utilisé une construction fantôme ressemblant à HFO générateurs, ce qui indique que les HFO peuvent être noninvasively détectées et localisées avec précision MEG 32.

La détection et l'étiquetage des HFO intercritiques est traditionnellement effectué par l'inspection visuelle des données d'experts de l'EEG humaines. Bien que cette approche est souvent regarded comme l'étalon-or, il présente de sérieuses limites car il a peu de fiabilité inter-examinateur 77,78, et ne sont pas applicables aux grands ensembles de données MEG et EEG avec un nombre élevé de capteurs. Crucial pour l'application de HFO dans la pratique clinique est le développement d'algorithmes qui détectent automatiquement les HFO à partir d'enregistrements du cuir chevelu en réduisant la nécessité d'une intervention humaine. L'identification visuelle de HFO du cuir chevelu est en fait assez difficile en raison de: (i) la faible SNR de HFO sur le cuir chevelu; (Ii) la baisse des taux de HFO dans les enregistrements du cuir chevelu par rapport à ceux intracrâniennes, ce qui implique l'analyse de beaucoup plus longues durées d'enregistrement; et (iii) le nombre élevé de canaux à analyser, en particulier en haute densité EEG ou MEG. Plusieurs algorithmes pour la détection automatique et semi-automatique de HFO ont été proposées dans la dernière décennie 54. Détecteurs antérieurs invoqués seuils dans le domaine temporel, afin d'identifier les événements qui peuvent être distingués en cours activité de fond 49,80. Les progrès récents suggèrent également incorporer des informations à partir du domaine de fréquence, en supposant qu'un HFO doit apparaître comme un événement de courte durée avec un pic spectral isolé à une fréquence 50,56,81 distincte. méthodes semi-automatiques semblent être l'approche la plus appropriée pour l'application de HFO dans la pratique clinique. Ces méthodes impliquent 2 étapes: (i) de détection automatique initiale d'événements qui ont une sensibilité élevée, et (ii) examen visuel des événements par un expert, qui a une grande spécificité. Cette approche offre une plus grande spécificité par rapport aux méthodes entièrement automatisées et veille à ce que les derniers événements sont examinés HFO réels d'origine cérébrale.

Ici, un procédé semi-automatique est présentée qui permet la détection de HFO du cuir chevelu intercritique EEG et MEG enregistrements. La méthode proposée étend précédemment décrit des techniques pour la détection de HFO du cuir chevelu EEG 60 en incorporant dans les critères d'identification de deux importcaractéristiques de fourmis: (i) automatique, l'analyse temps-fréquence des événements HFO; et (ii) l'approbation temporelle de HFO événements dans les deux enregistrements MEG et EEG.

Les applications futures ou directions après la maîtrise de cette technique

La localisation fiable de HFO avec des méthodes de neuroimagerie non invasives, telles que le cuir chevelu EEG et MEG, est critique. Maîtriser, l'amélioration et la validation du protocole proposé fournira aux médecins un biomarqueur fiable, non invasive enregistrable pour l'identification de l'EZ. Le développement d'un tel biomarqueur a le potentiel de réduire la nécessité d'un suivi à long terme et des enregistrements intracrâniens invasives conduisant à une amélioration significative de la procédure d'évaluation préopératoire chez les patients pédiatriques. Il ne serait pas seulement aider à identifier le tissu épileptogène pour la chirurgie, mais permettrait également le diagnostic différentiel définitif de l'épilepsie de crises symptomatiques aiguës, nécessitant un tout diffelouer approche de traitement et de crises non épileptiques épargnant la nécessité d'une surveillance à long terme chez certains patients. En outre, cela pourrait permettre une évaluation de l'efficacité des interventions thérapeutiques sans attendre une autre crise se produise.

Disclosures

Les auteurs n'ont rien à dévoiler.

Materials

Name Company Catalog Number Comments
VectorView MEG system Elekta-Neuromag, Finland MEG System
Magentically Shielded Room Imedco, Hagendorf, Switzerland Three-layer MSR
EEG system Elekta-Neuromag, Finland 70 Channel EEG system
3D digitizer Polhemus, Colchester, VT

DOWNLOAD MATERIALS LIST

References

  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).
Intercritiques Oscillations détectés haute fréquence avec simultanée magnétoencéphalographie et électroencéphalographie comme Biomarker d&#39;épilepsie pédiatrique
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Papadelis, C., Tamilia, E., Stufflebeam, S., Grant, P. E., Madsen, J. R., Pearl, P. L., Tanaka, N. Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy. J. Vis. Exp. (118), e54883, doi:10.3791/54883 (2016).More

Papadelis, C., Tamilia, E., Stufflebeam, S., Grant, P. E., Madsen, J. R., Pearl, P. L., Tanaka, N. Interictal High Frequency Oscillations Detected with Simultaneous Magnetoencephalography and Electroencephalography as Biomarker of Pediatric Epilepsy. J. Vis. Exp. (118), e54883, doi:10.3791/54883 (2016).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter