Summary

Interictale High Frequency Trillingen gedetecteerd met gelijktijdige magneto en elektro zo Biomarker of Pediatric Epilepsie

Published: December 06, 2016
doi:

Summary

High Frequency Trillingen (HFO) naar voren zijn gekomen als prechirurgische biomarkers voor de identificatie van de epileptogene zone bij pediatrische patiënten met medisch refractaire epilepsie. Een methodologie voor de niet-invasieve opname, detectie en lokalisatie van HFO met gelijktijdige hoofdhuid elektro-encefalogram (EEG) en magneto (MEG) wordt gepresenteerd.

Abstract

Cruciaal voor het succes van epilepsie chirurgie is de beschikbaarheid van een robuuste biomarker dat de Epileptogene Zone (EZ) identificeert. High Frequency Trillingen (HFO) naar voren zijn gekomen als potentiële prechirurgische biomarkers voor de identificatie van de EZ naast interictale Epileptiforme Lozingen (IED's) en ictal activiteit. Hoewel ze beloven om de EZ lokaliseren, zijn ze nog niet geschikt voor de diagnose of monitoring van epilepsie in de klinische praktijk. Primaire belemmeringen blijven bestaan: het ontbreken van een formele en algemene definitie voor HFO; de daaruit voortvloeiende heterogeniteit van methodologische benaderingen gebruikt voor hun studie; en de praktische problemen op te sporen en te lokaliseren ze noninvasively van de hoofdhuid opnames. Hier presenteren we een methode voor de opname, detectie en lokalisatie van interictale HFO van pediatrische patiënten met refractaire epilepsie. Wij rapporteren representatieve gegevens van HFO gedetecteerd noninvasively van interictale scalp EEG en MEG van twee kindereneen operatie ondergaan.

De onderliggende generatoren HFO werden gelokaliseerd door het oplossen van het inverse probleem en hun lokalisatie vergeleken met de Beslag Onset Zone (SOZ) zoals dit is gedefinieerd door de epileptologen. Voor zowel patiënten, interictale Epileptogene Lozingen (IED's) en HFO werden gelokaliseerd met source imaging bij overeenstemmende locaties. Voor één patiënt, intracraniële EEG (iEEG) gegevens waren ook beschikbaar. Voor deze patiënt, vonden we dat de HFO lokalisatie was overeenstemmende tussen niet-invasieve en invasieve methoden. De vergelijking van iEEG met de resultaten van de hoofdhuid opnames diende om deze bevindingen te valideren. Naar ons beste weten is dit de eerste studie die de bron lokalisatie van de hoofdhuid HFO van gelijktijdige EEG en MEG registraties vergelijken van de resultaten met invasieve opnamen weer. Deze bevindingen suggereren dat HFO betrouwbaar kan worden gedetecteerd en niet-invasieve wijze gelokaliseerd met scalp EEG en MEG. We concluderen dat de niet-invasieve localisatie van intericTal HFO kan een aanzienlijke verbetering van de pre-operatieve evaluatie voor pediatrische patiënten met epilepsie.

Introduction

Pediatric epilepsie is een veel voorkomende neurologische aandoening met een prevalentie van 4-6 per 1.000 kinderen 1. Het kan een grote invloed op de ontwikkeling van kinderen van 2 en kan een aanzienlijke invloed hebben op hun volwassen leven. Lange-termijn follow-up studies in de kindertijd-onset epilepsie geven aan dat ongeveer 30% van de patiënten met epilepsie medisch hardnekkige 3-6 geworden, en vereisen gewoonlijk resectieve epilepsiechirurgie. In veel van deze patiënten, epilepsiechirurgie leidt tot een aanzienlijke vermindering van het aantal aanvallen en vaak tot inbeslagneming vrijheid. Om succesvol te zijn, moet epilepsiechirurgie een aanval-vrije staat met minimale of geen functionele tekorten te bereiken. Dit vereist een zorgvuldige afbakening van de Epileptogene zone (EZ) 7, de "ruimte van cortex die onmisbaar zijn voor het genereren van epileptische aanvallen is '8. De EZ kan niet direct worden gemeten; zijn plaats is geschat op basis van overeenstemmende gegevens uit een groot aantal proeven that identificeren andere corticale gebieden. Invasieve intracraniële elektro-encefalografie (iEEG) dient als de gouden standaard voor de lokalisatie van de inbeslagneming onset zone (SOZ), de regio waar inbeslagnames worden gegenereerd en hun oorsprong op ictal opnames. Echter iEEG duur is, afhankelijk van de samenwerking van het kind, brengt een risico op infectie en bloeden 9, kunnen extra neurologische schade tijdens de implantatie 10 induceren. Bovendien kan de opname tot foutieve conclusies omdat grote hersengebieden onbekende blijven. Aldus wordt een robuust prechirurgische biomarker die helpt bij de identificatie van de EZ nodig om het succes van de chirurgische behandeling van epilepsie.

Pathologische HFO (80 – 500 Hz) 11,12 ontstaan in het afgelopen decennium als biomarker voor de identificatie van de epileptogene weefsel dat de presurgical diagnose en chirurgische resultaten van patiënten kunnen verbeteren epilepsie 13. Rapporten met behulp van microelektroden gecombineerd met diepte EEG-elektroden toonde de aanwezigheid van HFO bij patiënten met epilepsie. HFO werden ook gevonden met behulp van standaard macroelectrodes tijdens de ictal en interictale periodes. Recente studies hebben aangetoond dat HFO identificeren SOZ met een hogere gevoeligheid en specificiteit vergeleken met de irriterende 14,15 zone, de zone met de IED's genereert, en dat de chirurgische verwijdering van de HFO genererende weefsel correleert met betere resultaten dan de verwijdering van de SOZ of irriterende zone 15. HFO worden vaak gecategoriseerd als rimpelingen (80 – 250 Hz) of snel rimpels (250-500 Hz). Fast rimpelingen zijn meer nauw verbonden met pathologische activiteit en de lokalisatie van de SOZ 16, maar onderzoek van de menselijke intracraniële opnames geven aan dat zowel de rimpels en snel rimpels te verhogen in epileptogene gebieden 17.

Ondanks deze veelbelovende resultaten zijn HFO nog niet geschikt voor de diagnose of monitoring vanepilepsie in de klinische praktijk. Primaire belemmeringen blijven bestaan: (i) het ontbreken van een formele en algemene definitie voor HFO; (Ii) de daaruit voortvloeiende heterogeniteit van de methodologische benaderingen gebruikt voor hun studie; en (iii) de praktische problemen op te sporen en te lokaliseren noninvasively van scalp opnames. De laatste vloeit voort uit het feit dat de elektroden ver van de bron van het signaal, het signaal zijn wazig door achtergrondruis en spieractiviteit en het signaal kan worden verstoord door de hoofdhuid of de fontanel en hechtingen in de schedel, in het bijzonder in zuigeling patiënten. Bovendien is het moeilijk om onderscheid te maken tussen normale en abnormale HFO 18,19 aangezien zowel rimpels en snelle rimpelingen zelfs aanwezig in normaal humaan hersenweefsel 20 zijn. Vroege studies HFO in scalp EEG slechts een klein (0,2-3,4%) deel van patiënten met epilepsie 21-23. Echter, recente studies hebben aangetoond dat HFO-invasief kan worden opgespoord met de hoofdhuid EEG. Ictally, HFOdit is gemeld bij het begin van epileptische spasmen bij kinderen (50 – 100 Hz 24, 40-120 Hz 25), en bij het begin van tonische aanvallen in Lennox-Gastaut syndroom (50 – 100 Hz) 26. Interictale HFO (70-200 Hz) werden voor het eerst waargenomen op scalp EEG bij kinderen met slaap-geïnduceerde elektrische status epilepticus 27. Daarna interictale HFO (80-200 Hz) werden geïdentificeerd in de hoofdhuid EEG van patiënten met focale epilepsie met hogere tarieven in de SOZ 28. Interessant is dat HFO kwamen vaker voor bij patiënten met een hoge aantallen interictale epileptiforme ontladingen (IED's), en ze werden gevonden specifieker dan IED's voor de SOZ 29 te zijn, aandacht voor de relatie tussen HFO met epileptogenicity.

MEG lijkt significante voordelen bieden vergeleken met scalp EEG signalen voor de niet-invasieve detectie en lokalisatie van HFO: (i) hoge frequentie activiteit MEG minder gevoelig dan EEG besmetting door musculaireactiviteit 30-31, (ii) MEG signalen niet verstoord door schedel geleidbaarheid en minder vervormd dan EEG van ongefuseerde gebieden van het schedelbot zoals fontanel of hechtdraad, en (iii) MEG sensor arrays hogere dichtheid in vergelijking met EEG dat altijd geconfronteerd het probleem van zoutbruggen tussen elektroden wanneer de kop klein is, zoals bij kinderen. Bewijs uit phantom constructies die HFO generatoren simuleren gesuggereerd dat HFO kan worden gedetecteerd en gelokaliseerd met een nauwkeurigheid hoge lokalisatie (2-3 mm) met MEG 32. Verschillende recente studies HFO in de MEG signalen geregistreerd van patiënten met epilepsie in de rimpel frequentieband 33-38. Tijd-frequentie-analyse heeft aangetoond dat MEG data hoogfrequente componenten in verband met de EZ 33-36 bevatten. Echter, slechts een paar studies interictale HFO geïdentificeerd als zichtbare gebeurtenissen staande uit de achtergrond signaal in de tijd domein, zoals meestal gedaan met iEEG 37-38. Van Klink et al. 37 gedetecteerd HFO in de rimpel band met behulp van virtuele kanalen gebouwd met bundelvorming technieken op basis van ruimtelijke informatie verkregen van IED's. Von Ellenrieder et al. 38 gedetecteerd HFO in MEG signalen van de fysieke sensoren onafhankelijk van de IED's en gebruikten de Maximum Entropy over de methode Mean (MEM) om hun bronnen te lokaliseren en hun correlatie met de EZ onderzoeken. Rampp et al. (2010) ook gedetecteerd epileptische hoge gamma oscillaties met MEG, die spike-vergrendeld of spike-onafhankelijk waren en gelokaliseerde deze activiteit met een minimum-norm bronanalyse 39. Zij vonden dat de eigenschappen van deze snelle oscillaties (dwz duidelijke begin van de full-band gemiddelde en maximum amplitude van oscillaties) waren sterk geassocieerd met de SOZ. HFO werden ook gedetecteerd met MEG tijdens ictal activiteit bij kinderen met Syndroom van West 40. Echter, MEG presenteert een aantal duidelijke beperkingen ten opzichte van scalp EEG: (i) het is insensitive bronnen die een radiale oriëntatie ten opzichte van het midden van de kop hebben, (ii) het niet mogelijk dergelijke opnames die de mogelijkheid ictal gebeurtenissen te detecteren en registreren vergroten, en (iii) de sensoren niet conformeren aan de vorm van het hoofd van elk individu de helm en sensorreeks binnen de helm zijn alle vaste vorm. Aldus het ideale opstelling die de mogelijkheid maximaliseert detecteren en lokaliseren epileptogene activiteit door het combineren van informatie van beide scalp EEG en MEG.

In deze studie willen we de methode die we volgen voor de niet-invasieve detectie van interictale HFO illustreren met behulp van simultane opnames van scalp EEG en MEG van pediatrische patiënten met medisch refractaire epilepsie. We presenteren de instelling van de opnamen en de pijplijn van analyse met behulp van een semi-automatische methode die we hebben ontwikkeld voor de detectie van gebeurtenissen HFO gelijktijdige MEG en EEG data. Tot slot hebben we de lokalisatie van de te presenteren ookonderliggende generatoren van de hoofdhuid HFO, verkregen door het oplossen van het inverse probleem, en vergelijk deze met de SOZ zoals dit werd gedefinieerd door de epileptologen.

Protocol

Ethiek Verklaring: Experimentele procedures hier zijn goedgekeurd door de Institutional Review Board (IRB) van het Massachusetts General Hospital, Boston, MA, Verenigde Staten goedgekeurd. In het volgende gedeelte zal de experimentele protocol voor de niet-invasieve detectie en de bron lokalisatie van HFO gebruik scalp EEG en MEG te beschrijven. Voorbereiding van de patiënt is minimaal, en het onderzoek wordt over het algemeen goed verdragen. De gehele sessie duurt ongeveer 2-3 uur met de eigenlijke opnames duren ongeveer 60 minuten. 1. patiënt Voorbereiding Zorg ervoor dat het kind is comfortabel met het milieu. OPMERKING: Laat de jonge kinderen naar de testomgeving te verkennen en de testapparatuur zien. Het scherm van de patiënt met betrekking tot veiligheid en toestemming door middel van een screening formulier. Vraag de patiënt (of zijn / haar ouders) of hij / zij had een klinische aanval binnen de laatste 2 uur. Verwijder alle metalen / magnetische materialen en bieden het ziekenhuis uitgegeven kleding aan de patiënt. Verwijder de schoenenomdat ze vaak magnetisch. Controleer of het onderwerp is vrij van magnetische voorwerpen door het meten van MEG signalen voor een paar minuten. Gebruik een degausser voor het reduceren van artefacten geïmplanteerde materialen, zoals tandheelkundige werken. NB: De demagnetizer mag niet worden toegepast als er een mogelijkheid bestaat dat ferromagnetische voorwerpen in het lichaam. Meet de maximale hoofdomtrek naar de juiste EEG cap maat voor het kind te kiezen. Gebruik een meetlint en houd hem aan de nasion. Meet vervolgens rond het hoofd rond de grootste omtrek (~ 1 cm boven de INION). Plaats de EEG cap op de kop volgens de International 10-20 systeem. Reinig de huid waar elke elektrode zich bevindt en toepassing pasta / gel voor elke elektrode. OPMERKING: Meer details met betrekking tot scalp EEG-registraties bij kinderen worden elders 41 verstrekt. Plaats de grond en referentie-elektroden op het hoofd. Sluit de overige elektroden voor het meten van horizontale en Vertical electrooculography (EOG), elektrocardiogram (ECG), elektromyografie (EMG) en aanvullende EEG-elektroden op locaties die de temporale regio's (T1 / T2). LET OP: De EOG, ECG en EMG steun van de identificatie van oogbewegingen, magnetocardiographic besmetting, spieractiviteit, en ook om de staat van de patiënt te bewaken. Controleer of de EEG kanalen goed contact met de hoofdhuid door het zo sensoren afzonderlijk. Voorzichtig draai elke sensor van links naar rechts om haar uit de weg te verplaatsen. Meet de electrode impedanties met een EEG ohmmeter om minder dan 10 KOhm. Plaats vier HPI spoelen op de kop: twee achter de oorlellen en twee op het voorhoofd bij benadering symmetrische locaties. OPMERKING: De HPI spoelen helpen de relatieve positie van het hoofd van de patiënt te lokaliseren ten opzichte van de locatie van de MEG sensoren in 3D. Het aantal HPI spoelen kan verschillen afhankelijk van de leverancier van het MEG-systeem. het verkrijgen van deplaatsen van de HPI spoelen en de EEG-elektroden met een digitizer. OPMERKING: De digitizer registreert de coördinaten van een sensor in de 3D-ruimte. De sensor wordt op de punt van een naald. De locaties van de HPI spoelen moet bekend zijn met betrekking tot de hoofd anatomie en de locaties van de MEG sensoren. Het verkrijgen van de locaties van de vaste oriëntatiepunten, waaronder links / rechts preauricular punten en nasion met behulp van de digitizer. Digitaliseren extra punten (ongeveer 300 punten) om precieze vorm van het hoofd te krijgen. Breng de patiënt in het magnetisch afgeschermde ruimte (MSR) 42, waar de MEG systeem zich bevindt. LET OP: De MSR is een afgeschermde omgeving die de inmenging van MEG opnamen van externe elektromagnetische bronnen (minimaliseert dat wil zeggen, elektrische leidingen, radiofrequente signalen van draagbare apparaten, elektrische apparaten en computers, magnetische velden van bewegende gemagnetiseerde voorwerpen zoals auto's, liften, en treinen ). Het bestaat uit drie geneste lagen.Elke laag bestaat uit een zuiver aluminiumlaag en een hoge permeabiliteit ferromagnetische laag (dwz mu-metaal, een legering die meestal uit nikkel en ijzer). Leg de patiënt op het bed, legde zijn / haar hoofd in de MEG helm en geschikte pads / sponsjes van toepassing onder het hoofd van de patiënt voor comfort. Sluit de HPIs, de EEG leads, het EOG, de ECG, de EMG, en de bijkomende elektroden om de opname apparaat. Pas hoofdpositie van de patiënt in de scanner waarborgen dat deze zich zo diep mogelijk in de helm. 2. Data Acquisition MEG en EEG OPMERKING: MEG / EEG data acquisitie uitgevoerd op basis van de in een eerdere studie 42 beschreven werkwijze. Meer details over het klinisch gebruik van MEG bij pediatrische epilepsie kan elders worden gevonden 43,44. Record MEG signalen met een hele-head MEG-systeem. NB: De MEG-systeem maakt gebruik van dunne-film sensoren uit twee types (vlakkegradiëntmeters en magnetometers) geïntegreerd op 102 sensorelementen. Elk element bevat een magnetometer die bestaat uit een enkele spoel, en twee orthogonale vlakke krachtgradiëntmeters die bestaan ​​uit een "figure-of-eight" -type windingconfiguratie. De magnetometer meet de magnetische flux loodrecht op zijn oppervlak en de gradiëntmeters meet het verschil tussen de twee lussen van de "acht" of de ruimtelijke gradiënt. De MEG systeem heeft 204 vlakke gradiëntmeters en 102 magnetometers (306 sensoren in totaal). MEG systemen van verschillende leveranciers hebben verschillende aantallen en soorten coils (dat wil zeggen, de axiale gradiëntmeters). Record simultaan EEG-signalen met behulp van een niet-magnetisch 70-kanaals elektrode cap met Ag / AgCl gesinterde ring elektroden en extra elektroden in T1 / T2 42. Gebruik een gemeenschappelijk referentiekader montage. Sluit de deur van de MSR. Communiceren met de patiënt via een intercom systeem om te controleren of hij / zij zich prettig voelt. Vraag de ouder insid blijvene de MSR tijdens de opname als het kind voelt zich ongemakkelijk om alleen te blijven. Start de opnamen door te klikken op de 'Go' knop in de MEG acquisitie software. Gebruik een hoge sampling rate van 1 KHz (of meer). Gebruik een low-pass Infinite Impulse Response (IIR) filter van 6 e orde op 400 Hz. Check online alle opgenomen signalen. Fix slechte MEG-kanalen met behulp van een sensor tuner. LET OP: Bad MEG kanalen worden gedefinieerd sensoren (gradiëntmeters of magnetometers), die een relatief hoog niveau van witte ruis (hierboven 2-5 ft / √Hz voor magnetometers), of sensoren die record valse milieu elektromagnetische ruis hebben. Dit wordt meestal gebeurt wanneer de sensoren worden blootgesteld aan sterke (ten opzichte van de gemeten signalen) magneetvelden en specifieke delen van de spoelen "val" de magnetische flux vernietigen van de supergeleiding. Een sensor tuner wordt gebruikt, dat de spoel door toepassing van een elektrische stroom door het te verwarmen. Deze procedure wordt tuning genoemd en wordt gebruikt wanneerde witte geluidsniveau van de sensor boven een bepaalde drempel (bijv 2-5 ft / √Hz). Sommige MEG systemen hebben geen sensor tuners. Meet de patiënt het hoofd van de positie door te klikken op de 'Measure' knop in de MEG acquisitie software. Als hoofd van de patiënt is niet goed gedekt door de zintuiglijke array, vraag de patiënt zijn / haar hoofd dieper te verplaatsen naar de helm. LET OP: Deze manoeuvre activeert de 4 HPI spoelen door het toepassen van voorbijgaande oscillerende elektrische signalen door de spoelen dat kunstmatige magnetische velden genereren. Deze velden worden gedetecteerd door de sensoren MEG, waardoor de kop wordt bepaald. De procedure kan verschillen tussen verschillende MEG leveranciers. Record MEG, EEG, en perifere opnamen door te klikken op de 'Record' knop in de MEG acquisitie software (dat wil zeggen, ECG, EOG en EMG) voor ~ 60 min. NB: De gegevens worden opgeslagen als een bestand in het .fif Redundant Arrays of Independent Disks (RAID).Het bestandstype is verschillend voor andere MEG leveranciers. Wanneer de opname stopt, opent u de MSR, ontkoppel de kabels, en neem de patiënt uit de MSR kamer. Verwijder alle tapes, elektroden, HPI spoelen, en de EEG cap zachtjes. Zorg voor het hoofd wassen voor de patiënt. Na de overname is afgerond, de magnetische signalen van de lege MSR opnemen zonder de patiënt. Start de opnamen door te klikken op de 'Go' knop in de MEG acquisitie software. Neem MEG gegevens voor 2 min met dezelfde parameters als in punt 2.1.4. LET OP: Deze gegevens worden gebruikt voor het schatten van de milieu-elektromagnetische ruis. MRI Verwerven van anatomische MRI data met magnetisatie bereid snelle overname gradient-echo sequenties (MPRAGE; TE = 1,74 ms, TR = 2520 ms, voxel size = 1 × 1 × 1 mm) met een hoge-resolutie 3T scanner. Details over de MRI-scan protocol kan elders 45 worden gevonden. LET OP: Wij hebben geen van de MRI-scan uit te voerendezelfde dag als de MEG sessie om artefacten in de MEG opname wegens magnetisatie van mogelijke patiënt metalen implantaten, zoals van tandheelkundig werk te vermijden. 3. Identificatie van interictale Activity Open de gegevens met behulp van Brainstorm 46, die wordt gedocumenteerd en vrij beschikbaar om te downloaden online onder de GNU General Public License. Selecteer visueel gedeelten van de EEG data met interictale activiteit plaatsvindt tenminste 2 uur behalve klinische aanvallen. LET OP: Figuur 1 toont een deel van de EEG en MEG data met frequente IED's. Identificeer empirisch goed gedefinieerde IED in de EEG-signalen: dit omvat spikes (20-70 ms) en scherpe golven (70-200 ms) 47-48. LET OP: De klinische betekenis van beide soorten IED's in epileptische nadruk lokalisatie is equivalent. Proberen vast te stellen (indien mogelijk) delen van de opnames met: (i) minimaal motiop artefacten, (ii) meer dan 3-4 IED per 10 s display en (iii) trage golven niet-REM slaap die gewoonlijk aanwezig een groot aantal HFO 49. Figuur 1: IED's in het EEG en MEG signalen. Gedeelte van simultaan opgenomen scalp EEG en MEG signalen met frequente IED's. 1 s van de gemarkeerde sectie dat een scherpe golf bevat wordt gepresenteerd op de juiste panelen in een langere tijdschaal display. Rode stippen geven de piek van de IED. Klik hier om een grotere versie van deze figuur te bekijken. Met behulp van Brainstorm, geeft u de data met standaard weergave-instellingen (10 s / pagina). Ga naar het tabblad Filter en zet de volgende filter scherm parameters: high-pass filter: 1 Hz, Low-pass filter: 80 Hz, Notch filter: 50 or 60 Hz (afhankelijk van de frequentie van het lichtnet). Inspecteer de gegevens en identificeren delen van gegevens met IED. OPMERKING: Alleen gedeelten van het signaal met IED's worden gescand om te zoeken naar HFO (stap 3.4). De geselecteerde filters zijn alleen voor visualisatie; zij zijn niet toegepast op de gegevens. Om deze filters permanent van toepassing zijn op de gegevens, gebruik maken van een band-pass Butterworth filter (4 th order) volgens de instructies in Brainstorm website (http://neuroimage.usc.edu/brainstorm/). Markeer de piek van elke IED komt zowel EEG en MEG data (zie rode vlekken in figuur 1). OPMERKING: Meer informatie over het markeren van IED's met behulp van Brainstorm kan elders worden gevonden (http://neuroimage.usc.edu/brainstorm/Tutorials/Epilepsy). 4. Semi-automatische detectie van HFO in Simultaan Scalp EEG en MEG gegevens LET OP: Hier beschrijven we een semi-automatische methode om HFO te detecteren, waarbij een automatische detectie (stap 4.1 omvat; FiguAd 2), gevolgd door een visuele beoordeling van de automatisch gedetecteerde HFO (stap 4,3). Om de onechte oscillaties scherpe transiënten als echte rimpels en om ervoor te zorgen dat de HFO zijn niet te wijten aan een filtering fenomeen te vermijden, volgden we de laatste voorstellen in het relevante literatuur: we verplicht de HFO tot een minimum aantal van 4 oscillaties sinds hebben het is waargenomen dat de impulsresponsie van het filter minder oscillaties dan het gekozen aantal cycli 50, gebruikten we het filter Finite Impulse response (FIR) te minimaliseren belsignaal effect en het "Gibbs" fenomeen 50 vereiste dit de kandidaat HFO gebeurtenissen ook visueel worden gekeurd door een deskundige om te controleren of de HFO waren ook zichtbaar overlay op de IED's 50,51, en we verplicht een geïsoleerd eiland te worden waargenomen in de time-frequentie vlakte, omdat een scherpe gebeurtenis en een oscillatie hebben verschillende handtekeningen: een echte HFO wordt vertegenwoordigd door een geïsoleerde piek in de time-frequency perceel (beperkt in frequentie, als "eiland"), gevestigd in de band van 80-500 Hz, terwijl een voorbijgaande gebeurtenis genereert een langgerekte blob, verlengd frequentie 50,52,53. Figuur 2: Schematische weergave van de stappen algoritme. Het algoritme werkt in twee fasen: de eerste identificeert kandidaat HFO uit elke EEG-signaal in de tijd domein (linker- en middelste kolommen); de tweede classificeert de eerder ontdekte kandidaat gebeurtenissen om echte HFO onderscheiden van artefacten in de time-frequentie-domein (rechterkolom). Klik hier om een grotere versie van deze figuur te bekijken. Automatische detectie HFO OPMERKING: Figuur 2 beschrijft het stroomschema van de automatische detectievan HFO op elke EEG-signaal. Het doel van de ontwikkelde methode is om de lasten voor de EEG-expert van het merken HFO evenementen op elke EEG-kanaal met behulp van een 2 s / pagina scherm dat wordt aanbevolen voor de visuele inspectie van HFO. Een HFO werd gedefinieerd als een gebeurtenis in de rimpel frequentieband (80 – 250 Hz), die ten minste 4 oscillaties van sinusvormige heeft zoals morfologie staande uit de omliggende achtergrond 54 (stap 4.1.1), en die verschijnt als een korte- woonde evenement met een geïsoleerde spectrale piek op een specifieke hoge frequentie 14 (stap 4.1.2). Detectie van kandidaat HFO in het tijdsdomein Band-Pass (BP) filter instellen voor het EEG-signalen tussen de 80 en 250 Hz, het beperken van de frequentie-inhoud van de signalen naar de rimpel band van belang. LET OP: Het is aanbevolen om een FIR filter gebruiken om rinkelen effect en de "Gibbs" fenomeen 55, en nul-fase digitale filtering te minimaliseren fase vervorming te voorkomen. Berekenende omhullende van het signaal BP met de Hilbert transformatie. Bereken het gemiddelde en de standaarddeviatie (SD) van de envelop over 10 s schuiframen gecentreerd op elk punt van de tijdreeksen. Schat de totale gemiddelde en SD met de mediane waarde over alle vensters (om waarden die robuust de mogelijke aanwezigheid van delen van het signaal met veel HFO en hoge SD verkrijgen zijn). Bereken de z-score van de envelop en markeer kandidaat HFO telkens de z-score is hoger dan de minimale drempel gelijk ingesteld op 3 56. Definieer het begin- en eindpunt van de gedetecteerde gebeurtenis als de opwaartse en neerwaartse kruisingen van halve drempel. Beschouw de HFO met een inter-gebeurtenisinterval van minder dan 30 ms als één HFO. Bereken het aantal pieken in de BP-signaal tussen de HFO begin- en eindpunt, en gooi evenementen met minder dan 4 pieken. Ook, gooi evenementen met een z-score hoger dan 12. OPMERKING: Wijzig uw maximum z-score zijnde drempelwaarde voor de amplitude van de effecten die kunnen optreden in de opnamen. Gebeurtenissen met lage aantal trillingen kunnen worden veroorzaakt door filtreren 57,58 effecten, terwijl gebeurtenissen met extreem hoge amplitude door spier- of elektrode artefacten kunnen zijn. Weigeren mogelijk artefacten in de time-frequentiedomein. Opmerking: Deze stap is vereist om serieuze HFO onderscheiden van gebeurtenissen die kunnen worden opgewekt door andere EEG-activiteit en filteren voorwerpen, waarvan de frequentie inhoud niet beperkt tot de frequentieband van belang. Het is gebaseerd op de aanname dat een echte HFO verschijnt als een kortstondige gebeurtenis met een geïsoleerde spectrale piek op een specifieke frequentie boven 80 Hz, in tegenstelling tot een kortstondige gebeurtenis die een langwerpige vlek verlengd frequentie 59 genereren. Figuur 3 illustreert een voorbeeld van een gedetecteerde HFO met de BP gefilterde EEG-signaal (bovenste paneel), de omhulling (middelste paneel), en de overeenkomstigeing tijdsfrequentievlak (onderste paneel), tijdens de periode van [-0,5, 0,5] s rond de HFO piek. De weergave van de tijdsfrequentievlak beperkt 80-150 Hz omdat er geen zichtbare activiteit waargenomen voor frequenties boven 150 Hz. Transformeren alle kandidaat HFO gebeurtenissen in de time-frequentieruimte met behulp van de Morlet transformatie in het frequentiegebied van 1 Hz tot de hoogste frequentie van belang, dat wil zeggen, 250 Hz (centrale frequentie = 1 Hz, Volledige breedte-At-Half-Maximum = 3 s). Analyseer het momentele vermogen spectra van de tijd-frequentie representatie op elk tijdstip van de duur van de gebeurtenis. Voor elke vermogensspectrum, volg de beschreven door Burnos et al automatische criteria. 56 tot de piek op te sporen in de hoge frequentieband en om te controleren of het is duidelijk onderscheiden van de dichtstbijzijnde piek in het lage frequentiebereik. Gooi HFO die geen vermogensspectrum vertonen met een geïsoleerde hoogfrequente piek in ten minste 90% van detijdstippen. Sorteer alle gedetecteerde HFO gebeurtenissen door hun voorkomen in de tijd verschillende kanalen. Group samen al de opeenvolgende HFO waarvan de duur overlapt. Uitsluitend groepen van HFO waarbij minstens twee EEG-kanalen voor verdere analyse. Opmerking: Het algoritme vraagt ​​de HFO optreedt in ten minste 2 kanalen, zodat, scan storende artefacten willekeurig real HFO kunnen lijken en komen in één EEG leads. Twee opeenvolgende HFO worden geacht overlappen als de starttijd van de tweede HFO voorafgaat aan de starttijd van de eerste. Figuur 3: HFO Event gedetecteerd door het algoritme. Bovenste paneel: de BP gefilterd (80-150 Hz) EEG-signaal (in mV) van het ene kanaal (F8 – T8) van patiënt 1. Midden-panel: de envelop van de BP-signaal (z-score). De piek van de omhulling (rode asterisk) geeft de timing van de HFO piek (rode verticale stippellijn). De blauwe sterretjes markeren de opwaartse en neerwaartse kruisingen van de helft van de drempel (blauwe stippellijn), waarbij de begin- en eindtijd-punten van het HFO (blauwe verticale stippellijnen) aan te geven. Onderste paneel: de time-frequentie-analyse vlak. Let op de geïsoleerde piek in de rimpeling frequentieband (~ 100 Hz) rond de piek van de HFO. Klik hier om een grotere versie van deze figuur te bekijken. Visuele beoordeling van HFO evenementen LET OP: Een deel van de visuele beoordeling is gebaseerd op de door Andrade-Valenca et al voorgestelde richtlijnen. 28 en Zelmann et al. 60. Verticaal uitlijnen 2 computerschermen; één voor de inspectie van de EEG en één voor de inspectie van MEG signalen. Toon de gedetecteerde gebeurtenissen op zowel de uitbreiding (2 s / pagina) en typische scale (10 s / page) tonen respectievelijk de 80-250 Hz en 1-40 Hz BP gefilterde signalen. Negeren gebeurtenissen cooccurring met spier of elektrode artefacten in de ongefilterde EEG en MEG, en gebeurtenissen met grote frequentie variabiliteit, onregelmatige morfologie of grote amplitudevariaties. Let op de EOG en EMG signalen tijdens de detectie van de HFO en gooi een gebeurtenis die wordt verondersteld overeen te komen met EOG of spieractiviteit. Besteed alleen aandacht aan de HFO die overlappen met EEG / MEG IED's (gedetecteerd in stap 3.3) als ze meer kans om waar te HFO 15,28,56 zijn. LET OP: Deze aanpak biedt een hoge specificiteit ten koste van de lage gevoeligheid; Zo zorgt het voor het vertrouwen dat de geïdentificeerde HFO zijn van corticale oorsprong. Uitsluitend HFO gebeurtenissen welke voorkomen in de EEG en MEG signalen tegelijkertijd. 5. Bron lokalisatie van IED's en HFO Lokaliseren van de generatoren op het hoogtepunt van de MEG IED'sGemarkeerd in stap 3.3, met behulp van de Equivalent Current Dipolen (ECD). Gebruik de Minimum Norm Schattingen software die is vrij beschikbaar (http://martinos.org/mne/stable/index.html). Overweeg alleen spikes met goodness-of-fit (GOF)> 80% en dipoolmoment Q <500 nA – m. Overlay de ECD locatie op de MRI van elke patiënt. OPMERKING: De maximale Entropy de Mean (MEM) is een aantrekkelijke alternatieve methode die de locatie en omvang van de bronnen 61 bepaalt. HFO bronlokalisatie zowel op EEG en MEG met behulp van de wavelet Maximum Entropy over de methode Mean (wMEM) (zoals voorgesteld door von Ellenrieder et al 38). OPMERKING: De MEM is een efficiënte techniek die succesvol is gebruikt om de locatie en omvang van bronnen van epileptische activiteit 62-64 te bepalen. De wMEM is een uitbreiding van MEM dat is ontwikkeld voor het lokaliseren oscillerende activiteit geëvalueerd met realistische simulaties 65. Ontleedt het signaal in een diskreta wavelet basis voor het uitvoeren van MEM bronlokalisatie op elke time-frequentie box. Aldus wMEM is bijzonder geschikt voor HFO lokaliseren. Het segment van de MRI en het verkrijgen van de corticale oppervlak met behulp van Freesurfer 66-67. Los het EEG / MEG vooruit probleem met de randelementenmethode (BEM) voor een 3-laags model met behulp van OpenMEEG 68. Resample de signalen 640 Hz om te waarborgen dat de tweede schaal van de discrete wavelet transformatie overeen met de frequentieband van belang. Schat de ruis covariantie matrix in de gegevensruimte onafhankelijk voor elk HFO, gebaseerd op de achtergrond in de rimpel band in een 150 ms venster vlak voor elke HFO. Voer de bron lokalisatie voor elk HFO in de rimpel band en het gemiddelde langs de HFO duur. Opmerking: De uiteindelijke kaart bestaat uit een corticaal activeringswaarde gekoppeld aan elk hoekpunt van de corticale tessellation. Normaliseren elke kaart om een ​​maximum hebbeninschakelwaarde gelijk aan 1 per HFO. Bereken het gemiddelde van de activering waarden voor alle HFO bij elke top. Breng een drempel van 60% van de maximale activering om de uiteindelijke Maps via corticale oppervlak. 6. Validation Intracraniële EEG (iEEG): Het verwerven van extra-operative iEEG door het gebruik van subdurale roosters en / of stereotactische geleide diepte elektroden. Leid de plaatsing van de elektroden op basis van de resultaten van eerdere presurgical evaluatie toxicologische en klinische hypothesen worden aangepakt, dat specifiek is voor elke patiënt. OPMERKING: Intracraniale EEG is opgenomen met een digitale EEG onder toepassing van een 2 KHz sampling rate, als onderdeel van de presurgical evalueren. Subduraal roosters zijn meestal de beste keuze wanneer de topografie van de corticale beslag gebied is belangrijk op te lossen, en als afbeelding van het welsprekende cortex kritisch (bijvoorbeeld een epileptogene dichtbij primary motorische cortex, waar de exacte grenzen kan worden geschat door stimulatie in kaart brengen en ictal intracraniële EEG-analyse). Definitie van de SOZ: Identificeer de SOZ zoals bepaald door een deskundige epileptologist gebaseerd op de klinische informatie voor elke patiënt. OPMERKING: De SOZ wordt gedefinieerd als het gebied waarin de eerste en de snelle verspreiding van iEEG verandering (ictal ontlading) van basislijn vóór of gelijktijdig met de eerste klinische verschijnselen. Alle betrokken kanalen aan het begin van de ictale elektrografische ontlading, meestal de eerste 5 s, werden beschouwd als SOZ. Bij patiënten waarbij de aanvallen afkomstig zijn van meerdere gebieden onafhankelijk van elkaar, worden alle contacten in de verschillende SOZs geacht SOZ contacten. De deskundige is blind voor de HFO bronlokalisatie resultaten ten tijde van het vaststellen SOZ. De klinische informatie bevat ook: ictal en interictale iEEG bevindingen zichtbaar letsel op de MRI, ictal en interictale scalp EEGbevindingen. Identificatie van de HFO kanalen: Detect de HFO in elk intracraniële elektrode zoals beschreven in 4.1. Gebruik Kittler methode om de drempel op basis van het histogram van het aantal HFO uit alle kanalen te bepalen, breng bootstrapping en berekent het gemiddelde als laatste drempel 69. Tot slot, het identificeren van de kanalen met een HFO tarief boven de drempel. Vergelijk de HFO lokalisatie met de SOZ die in 6.2 als de gouden standaard voor de bron lokalisatie resultaten.

Representative Results

Pediatrische patiënten met refractaire epilepsie werden gerekruteerd uit de Epilepsie Clinic van Boston Children's Hospital (Boston, USA). Hier, representatieve gegevens van 2 patiënten worden gepresenteerd: een 15-jarig meisje met encephalomalacie van de rechter middelste cerebrale slagader (MCA) regio (patiënt 1), en een 11-jarige jongen met linker pariëtale / superieure temporale encephalomalacie ( patiënt 2). De gegevens werden verzameld in het kader van hun prechirurgische opwerking voor een operatie. Gelijktijdige MEG en EEG-registraties werden uitgevoerd bij de Athinoula A. Martinos Center for Biomedical Imaging. Voor beide patiënten werden HFO geïdentificeerd in de rimpel frequentieband (80-150 Hz) die zich in zowel EEG en MEG en bovenliggende IED's. Figuur 4 presenteert 10 s gelijktijdige scalp EEG en MEG gegevens interictale activiteit (bovenste panelen) van patiënt 1. De dezelfde figuur ook meldt eenn langere tijdschaal gedeelte (2) van de signalen die de gedetecteerde HFO in het tijdsdomein (middelste panelen) toont en de tijdsfrequentievlak (onderste paneel). Deze patiënt vertoonde een tarief van 8,8 HFO / min. Voor de duidelijkheid, wordt de weergave van de tijdsfrequentievlak beperkt 80-150 Hz omdat er geen zichtbare activiteit waargenomen voor frequenties boven 150 Hz. In patiënt 1, de automatische detectie geïdentificeerd 248 HFO gebeurtenissen in 8.65 min van opnames. Na visuele beoordeling van de gedetecteerde gebeurtenissen, werden 76 evenementen gehouden die werden beschouwd als echte HFO zijn, het verkrijgen van een tarief van 8,8 HFO / min. Figuur 4: HFO overlay op IED's gedetecteerd van Scalp EEG en MEG. Bovenste paneel: IED's van patiënt 1 gedetecteerd uit scalp EEG (links) en MEG (rechts). 10 s van de gegevens gefilterd 1-70 Hz. Middenpaneel: Extended tijdschaal display (2 s) van het EEG en MEG data gemarkeerd met grijze achtergrond in het bovenste paneel. Gegevens worden gefilterd 80-150 Hz. Onderste paneel: Time-frequentie vlak van 2 representatieve EEG en MEG-kanalen. Klik hier om een grotere versie van deze figuur te bekijken. Figuur 5 geeft de HFO lokalisatie resultaten voor de patiënt 1 van zowel scalp EEG en MEG. Beide technieken gelokaliseerd de HFO de nabijheid van de laesie op een locatie dicht bij de juiste temporo-pariëtale junction. MEG en EEG gepresenteerd iets anders lokaliseringsresultaten: MEG activiteit meer naar voren gelegen tegenover EEG en dichter bij de achterste rand van de laesie. De afstand tussen de twee maxima van wMEM activiteit voor de MEG en EEG was 15,0 mm. HFO localizatiOp was ook naast de irriterende zone dit werd gedefinieerd MEG. De Euclidische afstand tussen de gemiddelde ECD en de maximale wMEM activiteit was 18,7 mm voor de MEG en 28,0 mm voor de scalp EEG. Voor de patiënt 2, identificeerden we 8 min van gegevens tijdens slow-wave non-REM slaap met IED en minimale artefacten die we gebruiken voor de HFO-analyse. Het aantal hoofdhuid HFO was significant lager dan bij patiënt 1 met een snelheid van 0,4 HFO / min. Figuur 6 toont de bron lokalisatie resultaten van de hoofdhuid HFO voor MEG en hoofdhuid EEG, de IED's gelokaliseerd met behulp van MEG ECD's, en de locatie van HFO gedetecteerd door iEEG. De afstand tussen de maxima van 2 wMEM activiteit voor de MEG en EEG was 16,4 mm. De afstand tussen de gemiddelde ECD en de maximale wMEM activiteit was 10,9 mm voor het MEG en 24,1 mm voor de EEG. De HFO zone noninvasively geïdentificeerd door scalp EEG en MEG was op dezelfde locatie waar de HFO ide wareninvasief ntified met iEEG. De elektroden met het hoogste aantal HFO waren LA51, LA52 en LA53, zie figuur 6, waarvan de lokalisatie was overeenstemmend met de HFO activiteit invasief gelokaliseerd. Figuur 5: Lokalisatie van HFO en IED's. HFO zone gelokaliseerd door het wMEM met MEG en EEG van patiënt 1 overlay op MRI patiënt (links). De HFO kaart vertegenwoordigt het gemiddelde van de genormaliseerde waarden activatie drempel ingesteld op 60% van de maximale activiteit. IED's gelokaliseerd door ECD met MEG (rechts). De locaties en oriëntaties van de ECD's zijn aangegeven in cyaan. De paarse driehoek geeft de locatie van de gemiddelde ECD (46 ECD) en de rode rechthoek de locatie van de ECD van gemiddeld IED's (28 IED's). Voor de middeling van de IED identificeerden wespikes met soortgelijke morfologie. Klik hier om een grotere versie van deze figuur te bekijken. Figuur 6: Ruimtelijke Overeenstemming tussen de HFO Zone Gelokaliseerde noninvasively met Scalp EEG en MEG, de Irriterende Zone, en de HFO Zone Gelokaliseerde invasief met iEEG. Bovenpanelen: Lokalisatie van HFO van patiënt 2 met hoofdhuid EEG (links) en MEG (midden), en lokalisatie van IED met MEG (rechts) bedekt op MRI patiënt. De HFO kaart vertegenwoordigt het gemiddelde van de genormaliseerde waarden activatie drempel ingesteld op 60% van de maximale activiteit. Cyaan cirkels en balken geven de locaties en oriëntaties van de ECD. De paarse driehoek geeft de locatie van de gemiddelde ECD (ECD 30), en de rode rechthoek tHij locatie van het ECD van gemiddeld IED's (21 IED's). Onderste panelen: Lokalisatie van HFO op iEEG (links) en 2 s van opnamen van kanalen met de hoogste HFO tarief. Geïmplanteerde elektroden worden op MRI van de patiënt. De elektrode locatie wordt verkregen door gelijktijdige registratie van de post-geïmplanteerde computertomografie (CT) en MR-beelden. De elektroden met het hoogste tarief van HFO zijn gemarkeerd op de kaart van het rooster geïmplanteerde op cortex van de patiënt. Klik hier om een grotere versie van deze figuur te bekijken. De representatieve hier gepresenteerde resultaten geven het mogelijke gebruik van de beschreven techniek in de klinische setting voor de invasieve identificatie en lokalisatie van HFO tijdens de pre-operatieve beoordeling van pediatrische patiënten met medisch refractaire epilepsie. Voor zowel patiënten, HFO waren localized concordant voor scalp EEG en MEG (zie figuur 5). Lokalisatie verschillen van enkele millimeters kan worden toegeschreven aan het hogere vermogen lokalisatie van high-density MEG opzichte scalp EEG 70, of kunnen verschillende onderliggende generatoren 71 vertegenwoordigen. De lokalisatie was overeenstemmend met de irriterende zone dit werd gedefinieerd MEG (zie figuur 5 – rechterpaneel). In de patiënt 2, gegevens uit iEEG waren ook beschikbaar. De HFO zone noninvasively gelokaliseerd met scalp EEG en MEG was overeenstemmend met de HFO zone invasief gedefinieerd iEEG (zie figuur 6). De resultaten van de voorgestelde werkwijze kan het plaatsen van roosters begeleiden tijdens epilepsie chirurgie voor de mogelijke identificatie van de EZ.

Discussion

Convergerende aanwijzingen van dierlijke en menselijke studies heeft aangetoond dat HFO een nieuwe potentiële biomarker voor epileptogene weefsel. Ondanks dit bewijs, HFO hebben zeer beperkt gebruik in de klinische praktijk voor de diagnose en monitoring van epilepsie, vooral omdat: (i) er is geen formele en algemene definitie voor HFO; (Ii) verschillende onderzoeksgroepen gebruiken verschillende methoden voor het registreren en analyseren van de gegevens; (Iii) het niet-invasieve detectie van HFO met neuroimaging technieken is een uitdaging; en (iv) de herziening van HFO is tijdrovend en onpraktisch, vooral voor multikanaals EEG of MEG opnames met een groot aantal sensoren. In een poging om een ​​wereldwijd gestandaardiseerde methode die het systematisch gebruik van HFO in de klinische praktijk bevordert, de methodologie die wordt gevolgd in Boston Children's Hospital voor de niet-invasieve opname, detectie en lokalisatie van interictale HFO van pediatrische patiënten met epilepsie te voorzien wordt gepresenteerd. vertegenwoorde resultaten van HFO gedetecteerd met gelijktijdige scalp EEG en MEG van twee kinderen met medisch refractaire epilepsie worden ook gepresenteerd.

Kritische stappen in het protocol

De voorgestelde methode omvat de volgende kritische stappen: (i) de prestaties van hoge signaal-ruis-verhouding (SNR) EEG en MEG simultane opnames van interictale activiteit van pediatrische patiënten met medisch refractaire epilepsie (stappen 2.1.1 en 2.1.2 ); (Ii) de zorgvuldige preprocessing en selectie van data met interictale ontladingen (stappen 3.1 en 3.2); (Iii) de visuele beoordeling van de geïdentificeerde HFO evenementen met een hoge specificiteit (stappen 4.3.1, 4.3.2 en 4.3.3); en (iv) de betrouwbare lokalisatie van de HFO met een geschikte lokalisatie methode (stap 5,2).

De meest kritische stap in dit protocol is de visuele evaluatie van de HFO gebeurtenissen die door de automatische detector. Een grondige herziening van het automatisch gedetecteerd HFO is crucial om HFO van niet-cerebrale oorsprong ontdoen. Evenwel kan vermoeidheid en afleiding van de menselijke beoordelaar tijdens de visuele inspectie van multikanaals EEG en MEG data tot fouten, waardoor de specificiteit van het detectieproces.

Wijzigingen en het oplossen van problemen

We vermijden het gebruik van het signaal Space Projection (SSP) en Signal Space Separation (SSS) 72,73 methoden om te verzekeren dat er geen verstoring van de HFO activiteit bij de toepassing ervan. Deze methoden worden vaak gebruikt door de meeste gebruikers van de specifieke MEG leverancier externe storingen te onderdrukken en te corrigeren voor hoofdbewegingen 72. Verdere onderzoeken zijn nodig om te waarborgen dat de toepassing van deze methoden niet beïnvloeden of verstoren de HFO activiteit of niet storende effecten die menselijke HFO kan lijken produceert. Kleine aanpassingen van de minimumdrempel van de z-score van het signaal omhullende (stap 4.1.1.3) en de drempel van acactivatie waarden (stap 5.2.6) nodig zijn om de gevoeligheid van het algoritme voor de detectie van HFO verbeteren en de lokalisatie van de HFO zone beperken in een concentratiegebied.

Beperkingen van de techniek

De beschreven methode presenteert beperkingen die verder in toekomstige studies moeten worden aangepakt. In de eerste plaats is het niet eens HFO plaatsvindt alleen in de MEG of EEG-signalen, en het is niet de automatische detectie van HFO in de MEG signalen, hetgeen impliceert dat een aantal werkelijke lage SNR MEG HFO visuele inspectie 74 kunnen ontsnappen bevatten. Bovendien moet de gevoeligheid en specificiteit van de voorgestelde methode om de HFO detecteren en het vermogen om te lokaliseren met een hoge nauwkeurigheid worden bevestigd met gelijktijdige opnames van scalp EEG, MEG en iEEG 75. Onze gegevens tonen aan dat enkele ECD aangegeven langere irritatief zone opzichte van de focale zone HFO. Wanneer de ECD werden gemiddeld, dan de dipool location was heel dicht bij de HFO-zone voor zowel patiënten. De gegevens duiden op de specificiteit van de 2 methoden die een mogelijke hogere specificiteit van de HFO zone epileptogenicity (vooral patiënt 2 voor wie de HFO zone werd overlapt de SOZ) vergeleken met de irriterende zone, maar beveiligde geen conclusies worden getrokken van zo'n kleine groep patiënten. Belangrijker, is de lokalisatie van de HFO bronnen niet direct impliceert het lokaliseren EZ dat verantwoordelijk is voor aanvallen. Onze bevindingen moeten worden gevalideerd tegen de uitkomst van de epilepsiechirurgie dat we van plan om te doen in een toekomstige studie. Ten slotte de EEG data op te nemen, werd een 70-kanaals systeem gebruikt. Maar in de meeste centra de standaard klinische EEG instelling gebruikt die gegevens vast van 19 elektroden volgens de 10 – 20 systeem. Meer geavanceerde pediatrische EEG systemen met een veel groter aantal kanalen (tot 256) zijn momenteel beschikbaar in de markt. Het gebruik van deze systemen kan verder toenemen thij lokalisatie nauwkeurigheid van de HFO zone gedetecteerd met scalp EEG.

Betekenis van de techniek met betrekking tot bestaande / alternatieve methoden

Naar ons beste weten is dit de eerste studie die de niet-invasieve localisatie van interictale HFO met gelijktijdige EEG en MEG-rapporten, en ook onderzoekt de concordantie van de lokalisatie resultaten met die van intracraniële opnames. De niet-invasieve opname, detectie en lokalisatie van HFO is een uitdaging. Dit komt omdat HFO zijn zeer zwakke signalen gegenereerd door kleine gebieden van de hersenen in de orde van kubieke millimeter 16,76 en bovendien gehinderd door lawaai en de hersenen achtergrond activiteit. Een recente studie voorgesteld dat HFO geregistreerde niet-invasief met scalp EEG zijn de som van de activiteit van meerdere ruimtelijk verdeelde knooppunten en coherente bronnen 60. Tot nu toe weinig studies 28,29,37,38,60 heeft laten zien dat HFO kan worden gedetecteerd niet-invasief gebruik scalp EEG en MEG; nog minder deze activiteit gelocaliseerd door het oplossen van het inverse probleem 37-38.

Hier, bewijs interictale HFO worden die zijn gedetecteerd met gelijktijdige scalp EEG en MEG twee pediatrische patiënten met epilepsie. HFO werden gelokaliseerd met behulp van een eerder beschreven kader 38. De representatieve gegevens suggereren dat de invasieve lokalisatie van interictale HFO haalbaar door bron beeldvormingstechnieken uitgevoerd aan beide scalp EEG en MEG registraties, aangenomen dat de juiste lokalisatie techniek gebruikt. Dit is in lijn met een eerdere studie dat een fantoom constructie lijkt op HFO generatoren, die aangeeft dat HFO-invasief kan worden gedetecteerd en nauwkeurig gelokaliseerd met MEG 32 gebruikt.

De detectie en etikettering van interictale HFO wordt traditioneel uitgevoerd door de visuele inspectie van de gegevens van de menselijke EEG experts. Hoewel deze benadering vaak regarDED als de gouden standaard, presenteert ernstige beperkingen, omdat het heeft een slechte inter-beoordelaar betrouwbaarheid 77,78, en is niet van toepassing op grote MEG en EEG datasets met een hoog aantal sensoren. Cruciaal voor de toepassing van HFO in de klinische praktijk is de ontwikkeling van algoritmen die de HFO automatisch detecteren van de hoofdhuid opnames minder noodzakelijk menselijke inbreng. De visuele identificatie van de hoofdhuid HFO is eigenlijk heel moeilijk door: (i) de lage SNR van HFO op de hoofdhuid; (Ii) de lagere tarieven van HFO in de hoofdhuid opnames in vergelijking met intracraniële degenen, die de analyse van veel langere opnametijden impliceert; en (iii) het grote aantal kanalen te analyseren, met name in high-density EEG en MEG. Verschillende algoritmen voor automatische en semi-automatische detectie van HFO zijn in de afgelopen tien jaar 54 voorgesteld. Eerder detectoren gebruikt drempelwaarden in het tijddomein, om gebeurtenissen te identificeren die kunnen worden onderscheiden van continue achtergrondactiviteit 49,80. Recente ontwikkelingen wijzen er ook op de integratie van informatie uit de frequentie-domein, in de veronderstelling dat een HFO moet verschijnen als een kortstondige gebeurtenis met een geïsoleerde spectrale piek bij een duidelijke frequentie 50,56,81. Semi-automatische methoden lijken de meest geschikte aanpak voor de toepassing van HFO in de klinische praktijk. Deze methoden omvatten 2 fasen: (i) de eerste automatische detectie van gebeurtenissen die een hoge gevoeligheid heeft, en (ii) de visuele beoordeling van de gebeurtenissen door een deskundige, die een hoge specificiteit heeft. Deze aanpak biedt een hogere specificiteit in vergelijking met de volledig geautomatiseerde methoden om ook de laatste beoordeeld gebeurtenissen werkelijke HFO van cerebrale oorsprong.

Hier wordt een semi-automatische methode voorgesteld dat de detectie van HFO uit interictale scalp EEG en MEG opnames mogelijk maakt. De voorgestelde methode verlengt eerder beschreven voor de detectie van HFO uit scalp EEG 60 door in de identificatiecriteria twee importmier kenmerken: (i) de automatische time-frequentie-analyse van de HFO gebeurtenissen; en (ii) de tijdelijke samenloop van HFO gebeurtenissen in zowel MEG en EEG opnames.

Toekomstige toepassingen of aanwijzingen na het beheersen van deze techniek

De betrouwbare lokalisatie van HFO met niet-invasieve neuroimaging methoden, zoals scalp EEG en MEG, is kritisch. Mastering, verbeteren en valideren van de voorgestelde protocol zal artsen met een betrouwbare, noninvasively opneembare biomarker voor de identificatie van de EZ. De ontwikkeling van dergelijke biomarker heeft het potentieel om de vereiste langetermijnmonitoring en invasieve intracraniële opnames leidt tot een aanzienlijke verbetering van de prechirurgische beoordelingsprocedure bij pediatrische patiënten. Het zou niet alleen helpen om de epileptogene weefsel voor de operatie te identificeren, maar zou ook toelaten definitieve differentiële diagnose van epilepsie aan acute symptomatische toevallen, waarvoor een geheel diffehuren benadering van de behandeling, en van niet-epileptische aanvallen spaarde de noodzaak voor de lange termijn monitoring bij sommige patiënten. Verder kan deze evaluatie van de werkzaamheid van therapeutische interventies mogelijk zonder te wachten tot een aanval optreden.

Disclosures

The authors have nothing to disclose.

Acknowledgements

This work is supported by the Research Grants Program of the Epilepsy Foundation & American Epilepsy Society and the Faculty Career Development Fellowship of Harvard Medical School, Office for Faculty Development.

Materials

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

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. , 818-827 (2011).
  8. Rosenow, F. Presurgical evaluation of epilepsy. Brain. 124 (9), 1683-1700 (2001).
  9. Önal, &. #. 1. 9. 9. ;., 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., 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. , 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).

Play Video

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).

View Video