Introduction

Elektroencefalografia wewnątrzczaszkowa (IEEG) przekracza wiele fizycznych ograniczeń elektroencefalografii skalpowej (EEG) i magnetoencefalografii (MEG) poprzez rejestrację sygnałów bezpośrednio z tkanki mózgowej. Szybki postęp w przetwarzaniu komputerowym w ostatnich dekadach rozszerzył możliwości oprogramowania i sprzętu, umożliwiając jednoczesne zapisy z setek miejsc wewnątrzczaszkowych z mikrosekundową precyzją. Te wzrosty w rozdzielczości czasowej i przestrzennej zwiększyły precyzję diagnostyczną dla lokalizacji napadów (Andrews i in., 2019; Cuello Oderiz i in., 2019) i doprowadziły do przyspieszenia w badaniach neurofizjologii wewnątrzczaszkowej u ludzi (Chang, 2015; Parvizi i Kastner, 2018).

Wraz z pojawiającymi się narzędziami obliczeniowymi i możliwościami analizy ogromnych zbiorów danych, bogactwo możliwości neuronaukowych i potencjalnych odkryć jest obiecujące. Jednak analiza sygnału na ludzkich nagraniach wewnątrzczaszkowych wiąże się z nieodłącznymi pułapkami, które są prawdopodobnie uwzględnione, ale minimalnie uznane w wielu badaniach neurofizjologicznych pacjentów – mianowicie międzynapadowe wyładowania padaczkowe (IEDs). IED są to przejściowe wybuchy aktywności wytwarzane przez grupy neuronów patologicznie połączonych z powodu padaczki, co skutkuje wyraźnymi i charakterystycznymi przebiegami w zapisie IEEG (ryc. 1A). W tej Perspektywie zwrócimy uwagę na zagrożenia związane z IED, potencjalny wpływ na wspólne strategie analizy i opiszemy wspólne strategie ich unikania, tak aby rosnąca fala odkryć w neurofizjologii człowieka posuwała się naprzód, miejmy nadzieję, bez błędnych kroków.

RYSUNEK 1
www.frontiersin.org

Rysunek 1. Zanieczyszczenie danych związane z międzynapadowymi wyładowaniami epileptiformicznymi (IED). (A) Przykład IED z pojedynczego kanału podczas 2-s zapisu elektroencefalografii wewnątrzczaszkowej (IEEG). Widoczne są klasyczne cechy, w tym ostre przesunięcie napięcia o dużej amplitudzie i następująca po nim wolna fala, w przeciwnym razie ze względnie normalną bazową mieszanką częstotliwości przed i po. (B) Spektrogram z transformaty Hilberta danych z (A). Zwróć uwagę na przejściowy, ale znaczący wzrost mocy na prawie wszystkich częstotliwościach, spowodowany ostrym składnikiem kształtu fali, oraz subtelny trwały wzrost mocy na niskich częstotliwościach związany z następującą po nim falą powolną. (C) Spektrogram transformaty falkowej danych w (A), z podobnymi ustaleniami jak w (B). (D) Transformacja Fouriera danych w (A) (Mitra i Bokil, 2007; Chronux Home, 2019) z nakładającymi się oknami o długości 0,25 s, przesuwanymi punkt po punkcie w celu zapewnienia podobnej rozdzielczości czasowej jak w (B,C). Podobne wyniki jak w (B,C), z dodatkowym czasem trwania wzrostu mocy w szybszych częstotliwościach ze względu na charakter spójnego okna czasowego w różnych częstotliwościach dla obliczeń FFT. Panele (E-G) przedstawiają dane IEEG z 50 prób, nagrane z jednego kanału podczas zadania słuchania mowy (jedno nagrane zdanie odtwarzane na głos dla każdej próby, zaczynając od czasu zero). W panelu (F), 10 prób zostało zamienionych z próbami, które zawierały IED, pokazane na czerwono. Zastosowano hybrydę ręcznego i automatycznego podejścia (Baud i in., 2018). Panel (G) zwiększa to do 20 prób z IED. Panel (H) pokazuje średnią wysoką gammę przez próby w każdej grupie (transformata Hilberta, 50-200 Hz) z jednej elektrody kontaktującej się z dolnym zakrętem skroniowym, która nie była prawdziwie modulowana przez zadanie słuchania zdań. Gwiazdki oznaczają punkty czasowe, podczas których jedna z tych ostatnich grup odbiegała istotnie od linii podstawowej (two-way repeated-measures ANOVA, p < 0,05). W miarę wzrostu odsetka prób z IED pojawiają się dodatkowe fałszywie dodatnie punkty czasowe.

Natura zagrożeń IED w ludzkiej neurofizjologii IEEG

Skorupą naszego poglądu jest to, że paradygmat ludzkiej neurofizjologii wewnątrzczaszkowej naraża dobrze myślących naukowców na ryzyko błędnych wyników z powodu dwóch głównych czynników:

(1) Elektrody wszczepia się w te rejony ludzkiego mózgu, które prawdopodobnie ujawnią neurofizjologiczne sygnatury padaczki zarówno w kontekście napadowym, jak i międzynapadowym – często są to ostre przebiegi o dużej amplitudzie.

(2) Analizy przetwarzania sygnałów, które są powszechnie stosowane w neurofizjologii człowieka, są wyjątkowo wrażliwe na ostre przebiegi o dużej amplitudzie opisane w punkcie #1, które powodują zafałszowanie wyników.

W związku z tym zestawy danych IEEG powszechnie zawierają elektryczne sygnatury padaczki, które niosą ze sobą ryzyko zniekształconych wyników, gdy są uwzględnione w powszechnych analizach sygnału, takich jak pomiary mocy i koherencji oraz związane z nimi metody, takie jak ko-modulacja mocy i fazy (Kramer i in., 2008). Jednym ze sposobów uwzględnienia tego problemu jest to, że wiele metod przetwarzania sygnałów neuronalnych, takich jak Fourier, Wavelet i analizy oparte na Hilbercie, zakładają sinusoidalne podłoże danych (van Drongelen, 2018). Konwolucja fal o dużej amplitudzie lub ostrych wychyleniach (o dużej lub nawet małej amplitudzie) predysponuje zatem do reprezentacji wielu częstotliwości, które mogą być w dużej mierze złudne, ponieważ wiele kolejnych funkcji sinusoidalnych może pasować do tych elementów przebiegu. Na Rysunkach 1B-D, pokazujemy przykłady, jak IED mogą łatwo zniekształcać sygnały neurofizjologiczne w ten sposób w powszechnie stosowanych metodach spektralnych, takich jak transformaty Hilberta, Waveleta i Fouriera. W niższych pasmach częstotliwości, zarówno ostre jak i wolnofalowe komponenty IED mogą wywołać wzrost mocy w każdej częstotliwości, która pasuje do tych cech. W wyższych pasmach częstotliwości, ten uderzający wzrost mocy na rozległych odcinkach ciągłych poziomów częstotliwości staje się jeszcze bardziej oczywisty i może być określany jako dzwonienie lub wyciek spektralny (Scheffer-Teixeira et al., 2013). Może to być widoczne w całym wysokim paśmie gamma (50-200 Hz lub innym podobnym zakresie), co jest niepokojącą kwestią, biorąc pod uwagę, że wiele laboratoriów neurofizjologicznych wykorzystuje aktywność wysokiego gamma ze względu na jej potencjalną wartość jako surogat lokalnej aktywności neuronalnej (Ray i in., 2008). Przykład na rycinie 1H pokazuje, jak łączne włączenie (ryc. 1E-G) prób z kolcami dodaje niespodziewanej zmienności (ryzykując fałszywy negatyw) lub w inny sposób wpływa na istotność statystyczną (ryzykując fałszywy pozytyw).

Problem ten może być bardziej rozpowszechniony niż w przypadku zapisów EEG lub MEG z powodu bezpośredniego kontaktu z tkanką nerwową, która może przenosić większe amplitudy kolców i ostrzejsze odchylenia, szczególnie w przypadku IED, zanieczyszczając analizy neurofizjologiczne. Ponadto, elektrody wewnątrzczaszkowe są specjalnie umieszczane w regionach, które prawdopodobnie są klinicznie związane z ogniskiem napadu padaczkowego, co prowadzi do silnych i / lub częstych IED w niektórych zestawach danych IEEG.

Anegdotycznie, większość badaczy w ludzkiej neurofizjologii zgodziłaby się, że zanieczyszczenie danych przez IED jest powszechną wiedzą, chociaż wpływ tego może być różny dla niektórych rodzajów analiz (Meisler i in., 2019). W rzeczywistości można by przewidzieć, że wiele laboratoriów badawczych ma wdrożone strategie, aby obejść lub przynajmniej zminimalizować ten problem. Jednak po praktycznej ocenie, ten problem i jego potencjalne konsekwencje mogą być znacznie bardziej wszechobecne niż przewidywano. Trzeci czynnik komplikujący sytuację może zilustrować jak to możliwe:

(3) Naukowcy zajmujący się neurofizjologią (szczególnie osoby na wczesnym etapie szkolenia, takie jak studenci i naukowcy podoktoranccy) mogą nie przejść bezpośredniego szkolenia w zakresie identyfikacji IED lub artefaktów elektrycznych. Ponadto, spektrum potencjalnych morfologii IED i to, w jaki sposób ich odrębne cechy mogą zanieczyszczać analizę sygnału, może nie być uwzględnione w standardowym szkoleniu.

Jako dalsza komplikacja, zgodność między autorami w zakresie wykrywania IED jest zaskakująco słaba, nawet wśród w pełni wyszkolonych epileptologów (Barkmeier et al., 2012; Janca et al., 2015).

Strategie postępowania z IED

Istnieje wiele różnych podejść w przypadku napotkania IED w danych, które mogą, ale nie muszą, zależeć od ich szybkości i zakresu przestrzennego (na przykład, badacz może nie być skłonny do kurateli i „czyszczenia” zbioru danych dla jednego spajka na minutę, ale może dla 10 spajków na minutę). Podzieliliśmy potencjalne podejścia badaczy na cztery główne strategie. Pierwszą z nich jest ręczna identyfikacja i usuwanie prób lub okresów, w których wystąpiły IED, określana tutaj jako Strategia 1. Dane są przesiewane poprzez badanie wykresów zarejestrowanych danych z lub bez wstępnego przetwarzania (filtrowanie wcięcia i/lub filtrowanie pasmowe), a segmenty danych, które zawierają IED są oznaczone tak, że wszelkie próby, które pokrywają się z tymi segmentami mogą być pominięte w analizach lub przekonwertowane na brakujące wartości.

Niektórzy badacze otrzymali formalne szkolenie kliniczne w odczytywaniu EEG/iEEG, choć jest to mniej powszechne w przypadku wielu nieklinicznych badaczy, którzy są szkoleni poprzez akademickie ścieżki absolwentów. Podczas gdy wielu z nich przeszło szkolenie dydaktyczne i/lub indywidualne, jak identyfikować i usuwać próby IED ze zbiorów danych, niektórzy mogli tego nie robić. Komplikując sprawę, zbiory danych IEEG są dalekie od standaryzacji z powodu różnic w zapisie: układ sieci generujących napady różni się u każdego pacjenta, co skutkuje zmienną liczbą elektrod, nie wspominając o indywidualnych różnicach w neuroanatomii i boczności implantacji. Istnieją mieszane tryby kontaktu (siatki, paski, głębokości) o różnej gęstości, wraz z niestandardowym uporządkowaniem kanałów (montaże). Wszystkie te czynniki prowadzą do zwiększenia trudności w interpretacji analiz IEEG, szczególnie dla osób, które nie przeszły odpowiedniego szkolenia (formalnego lub nieformalnego) w zakresie identyfikacji IED w tych układach nagrań. Wreszcie, w miarę wydłużania się czasu trwania nagrań, praktyczność Strategii 1 maleje z powodu ograniczeń czasowych i wysiłkowych.

Komputerowe algorytmy wykrywania spajków zostały opracowane w ostatnich dziesięcioleciach, aby wyposażyć następną generację naukowców w skuteczne i standaryzowane zdolności wykrywania spajków, zaoszczędzić czas i obejść błędy ludzkie. Użycie detektorów IED i usunięcie dotkniętych prób/danych w sposób zautomatyzowany stanowi inne podejście, które nazwiemy Strategią 2. Na szczęście, IED zwykle mają cechy, które są często istotne dla wielu algorytmów: duża amplituda, ostre komponenty, a czasami z patofizjologicznymi oscylacjami o wysokiej częstotliwości, które są rzadziej spotykane w normalnym mózgu (patrz Frauscher i in., 2018b). Idealnie byłoby, gdyby algorytm maksymalizował zarówno czułość, jak i specyficzność, jednocześnie zmniejszając lub usuwając wkład (nadzór, taki jak ustawianie progów) wymagany od użytkownika. Trudno jest jednak całkowicie zaspokoić tę listę życzeń, dlatego też opracowano wiele algorytmów wykorzystujących różne podejścia automatyczne i nienadzorowane. Należą do nich pochodne EEG (White i in., 2006), transformacje długości linii i mocy (Esteller i in., 2001; Bergstrom i in., 2013), adaptacyjne ukierunkowane funkcje transferu (Wilke i in., 2009), filtry przestrzenne (Liu i in., 2015) oraz algorytmy dopasowania spajków do wzorców, takie jak regresja spatiotemporalna (Tousseyn i in., 2014) i faktoryzacja macierzy nieujemnej (Baud i in., 2018) wśród wielu innych podejść. Wszystkie narzędzia mają kompromisy czułości i specyficzności; żadne podejście nie zapewnia 100% pewności, a sytuację dodatkowo komplikuje brak niezawodnego ludzkiego złotego standardu. W szczególności, słaba zgodność międzyosobowa ręcznego wykrywania wśród wysoko wyszkolonych osób, o której wspomniano powyżej, oraz „ilościowa szara strefa” małych wątpliwych IED, które mogą zignorować, są podstawowymi zastrzeżeniami dla testowania algorytmów. Wreszcie, chociaż prawie wszystkie nowe metody są porównywane z wykrywaniem ręcznym lub jedną inną zautomatyzowaną metodą, szerokie porównanie większości lub wszystkich zautomatyzowanych metod jest trudne ze względu na wyzwania techniczne związane z wdrażaniem każdej z nich po kolei na wystarczająco dużym zbiorze danych (Westover i in., 2017). Niemniej jednak, zautomatyzowane usuwanie kolców międzynapadowych przy użyciu podejść nienadzorowanych i/lub nadzorowanych może zaoszczędzić czas, podejść do standaryzacji i poprawić jakość danych neurofizjologicznych.

W wyniku zastrzeżeń (i potencjalnych błędów) algorytmów automatycznego wykrywania, niektórzy badacze, którzy je stosują, mogą wahać się przed dopuszczeniem pełnej dyskrecji do tego mechanizmu. Ponieważ zautomatyzowane metody wykrywania mogą drastycznie zwiększyć efektywność dla większości oczywistych detekcji, trzecia strategia (Strategia 3) jest podejściem hybrydowym Strategii 1 i 2, w którym automatyczne detekcje są również ręcznie sprawdzane (często w tej kolejności, chociaż można również zastosować odwrotną kolejność lub wiele iteracji). Przykładem tej hybrydy jest wykorzystanie rozkładów cech morfologicznych (np. nachylenie, miary mocy, itp.), do których można zastosować próg, a następnie ręczną inspekcję pod kątem potencjalnych fałszywych pozytywów i/lub negatywów.

Zważywszy na złożoność gromadzenia tych cennych danych i związany z tym niedostatek, wadą wspólną dla Strategii 1, 2 lub 3 jest to, że usuwanie prób zmniejsza moc statystyczną. W związku z tym, inne uprzedzenie – w kierunku zachowania większej liczby prób – pozwala na wprowadzenie większej liczby potencjalnych fałszywych wyników sygnału, zwiększając ryzyko fałszywych wyników negatywnych i pozytywnych, jak opisano powyżej.

Preferencja zachowania jak największej liczby prób wprowadza inną strategię radzenia sobie z IED: agnostycyzm, w którym IED są ignorowane (nie oceniane) i żadne próby nie są usuwane (Strategia 4). Można naturalnie założyć, że dane dotknięte przez IED będą rzadkie i losowe na tyle, że dotknięte nimi punkty czasowe wtopią się w tło uśrednionego sygnału, dodając zmienność, ale nie wypaczając znacząco wyników. W międzyczasie, sygnatury neurofizjologiczne związane z zadaniem powinny wyłonić się z analizy i przeważać, jeśli są obecne, dzięki ich spójności w różnych próbach. Jako problem stosunku sygnału do szumu, założenie to może być słuszne w przypadku rzadkich IED, zwłaszcza przy silnej wielkości efektu eksperymentalnego (choć zalecana jest dodatkowa warstwa bezpieczeństwa polegająca na zastosowaniu statystyki nieparametrycznej). Jednak częstsze (ryc. 1E-H) i/lub większe lub ostrzejsze IED mogą podważyć to podejście. Niemniej jednak, solidna moc statystyczna jest zawsze preferowana i często wymaga dużej liczby prób, które są bardziej prawdopodobne do osiągnięcia w podejściu agnostycznym Strategii 4, szczególnie dla subtelnych wielkości efektów. W rzeczywistości jedno z ostatnich badań (Meisler i in., 2019) formalnie oceniło, czy ręczne, zautomatyzowane lub nieusuwanie IED wpłynęło na wyniki neurofizjologiczne w zadaniu pamięci epizodycznej – nie znaleźli oni wyraźnego efektu żadnego z podejść, choć podkreślili znaczenie wystarczającej liczby prób. W związku z tym, nowsze analizy uczenia maszynowego wymagają dużej ilości danych treningowych do zbudowania dokładnych modeli – te wraz z metodami głębokiego uczenia mogą nauczyć się odróżniać normalne sygnały neurofizjologiczne od patologicznych przebiegów IED, pod warunkiem, że poprzednie dane treningowe są dokładnie oznakowane (często ręcznie). Tak więc strategia agnostyczna ma pewien urok (w tym niski nakład pracy) i może być dobrym domyślnym rozwiązaniem dla niektórych badań, zakładając, że jest wystarczająco dużo danych, aby ją zastosować.

Obecne praktyki wśród badaczy IEEG

Mając na uwadze te różne ogólne strategie, w jaki sposób badacze neurofizjologii człowieka radzą sobie obecnie z IED? Oceniliśmy tę kwestię „Aktualnych Praktyk” poprzez pierwsze podsumowanie tego, jak badacze opisują swoje metody w opublikowanej literaturze. Przeszukaliśmy PubMed używając dwóch szerokich zapytań: (intracranial AND eeg; elektrokortykografia) i przefiltrowaliśmy wyniki, aby uwzględnić tylko badania opublikowane w 2018 roku. Ograniczyliśmy wyniki wyszukiwania, badając każdy artykuł (613 unikalnych artykułów) i uwzględniliśmy tylko te, które mierzyły wewnątrzczaszkowe sygnały neurofizjologiczne u ludzi i wydawały się wyciągać wnioski dotyczące normalnej neurofizjologii (91 łącznie). Chociaż te warunki wyszukiwania nie są wyczerpujące, zapewniają one współczesną migawkę z różnych grup na całym świecie studiujących normalną ludzką neurofizjologię in vivo. Stwierdziliśmy, że większość tych publikacji odnosiła się do stosowania metod ręcznych (Rycina 2A), w tym bezpośredniej identyfikacji IED lub podobnego (ale bardziej konserwatywnego) podejścia polegającego na identyfikacji i wykluczeniu elektrod, które obejmowały ogniska napadów. W mniej niż 5% manuskryptów stosowano metody w pełni zautomatyzowane, a w żadnym z uwzględnionych artykułów nie zastosowano podejścia agnostycznego (Strategia 4). Ponownie, nasza próba uwzględnionych artykułów była ograniczona i wyniki te mogą nie reprezentować w pełni dziedziny.

RYSUNEK 2
www.frontiersin.org

Rysunek 2. Obecne praktyki postępowania z IED wśród badaczy IEEG. (A) Metody obsługi IED zgłoszone przez 2018 manuskryptów, które pasowały do naszych kryteriów wyszukiwania i przesiewania PubMed. (B) Poziomy kariery wśród respondentów ankiety. (C) Szkolenie dotyczące identyfikacji i / lub usuwania IED wśród respondentów ankiety. (D) Strategia używana do obsługi IED wśród respondentów badania.

Zważywszy, że metody obsługi IED nie wydają się być szczegółowo opisane w wielu artykułach, oceniliśmy dalej nasze pytanie „Aktualne praktyki” poprzez zaprojektowanie anonimowej ankiety. Ta ankieta (około ~2 min) składała się z pytań dotyczących poziomu kariery zawodowej, tego, czy byli zaznajomieni z IED w IEEG i czy mieli formalne lub nieformalne lub żadne szkolenie w zakresie identyfikacji i usuwania IED, wraz z wyborem, którą z powyższych strategii (1-4) mieli tendencję stosować (lub inne). Wysłaliśmy e-mail do wymienionych autorów artykułów opisanych powyżej (łącznie 79, ponieważ niektóre artykuły pokrywały się lub miały wielu autorów) z prośbą o dobrowolny udział w badaniu, które byłoby anonimowe (zwolnione z wymogów IRB zgodnie z UCSF IRB Office). Poprosiliśmy te osoby o przesłanie ankiety do innych kolegów i współpracowników, jak również.

Otrzymaliśmy 44% odsetek odpowiedzi, z respondentami ważonymi w kierunku członków podoktorskich i wydziałów, prawdopodobnie ze względu na tendencję do próbkowania poprzez wysyłanie e-maili do populacji autorów odpowiadających (Figura 2B). Należy zauważyć, że odpowiedzi od tych starszych członków laboratorium mogą prawdopodobnie reprezentować praktykę ich laboratorium jako całości w ich strategii IED, chociaż jest to mniej stosowne w przypadku pytań dotyczących znajomości IED i szkolenia. Wszyscy respondenci wskazali, że są zaznajomieni z IED, co jest uspokajającym wynikiem, choć może mieć na to wpływ charakter ankiety. Jeśli chodzi o szkolenie w zakresie rozpoznawania IED i metod(y) postępowania, większość została przeszkolona nieformalnie (Rysunek 2C), a niektórzy w ogóle nie zostali przeszkoleni. Nie jest zaskakujące, że ci, którzy zidentyfikowali się jako formalnie przeszkoleni, byli młodszymi i starszymi wykładowcami, co jest zgodne z wymaganiami klinicznymi na poziomie stypendium dla formalnego szkolenia EEG w większości kontekstów. Większość respondentów wykorzystywała albo podejście manualne, czy to w izolacji, czy jako hybrydę manualno-automatyczną (Strategie 1 i 3; Rycina 2D), ogólnie porównywalne z przeglądem literatury (Rycina 2A), jak oczekiwano. Co ciekawe, nie znaleźliśmy żadnych artykułów, które wyraźnie wskazywałyby na użycie strategii 4 („agnostyczna”), mimo że 9% respondentów określiło się jako takie, a włączenie metod zautomatyzowanych (strategie 2 i 3) miało większą reprezentację w odpowiedziach ankietowych (55%) niż w przeglądzie literatury (14%). Te rozbieżności można jednak wyjaśnić przez błąd raportowania, biorąc pod uwagę różne konteksty metod rękopiśmiennych w porównaniu z bezpośrednią ankietą oraz błąd próbkowania (odsetek odpowiedzi na ankietę).

Dalsze rozważania

Chociaż ten artykuł koncentruje się głównie na IED, zagrożenia i strategie opisane w niniejszym dokumencie mogą i powinny być rozszerzone na inne artefakty elektryczne lub niefizjologiczne (ruchy kabli, wyskakiwanie elektrod, nasycenie wzmacniacza itp. Jeśli chodzi o wykluczanie kanałów, kanały z dużą ilością IED są szczególnie problematyczne dla zautomatyzowanych metod, które opierają się na szacunkach tła. Ponadto, jeśli ma być badana normalna neurofizjologia, te kanały i wszystkie, o których wiadomo, że znajdują się w tkance uszkodzonej, powinny być całkowicie wykluczone (Frauscher i in., 2018a); ta praktyka znalazła odzwierciedlenie w około jednej trzeciej manuskryptów w naszym przeglądzie literatury (Figura 2A).

Jeśli chodzi o właściwą kontrolę eksperymentalną, często najważniejsze jest, aby znakowanie IED było wykonywane przy zaślepionych zdarzeniach zadania i warunkach eksperymentalnych (najbardziej istotne dla ręcznych strategii 1 i 3), aby zapobiec stronniczości, która mogłaby wpłynąć na wyniki badania (np. Usuwanie prób z IED częściej z jednego warunku niż innego). W odniesieniu do potencjalnych czynników zakłócających w badaniach opartych na próbach, często zakłada się, że IED występują nieprzewidywalnie, nawet do punktu losowości: to założenie jest korzystne w przypadku pozostawienia IED w danych (Strategia 4), ponieważ fałszywie dodatnie i ujemne byłyby zmniejszone poprzez uśrednianie prób, co poprawia stosunek sygnału neurofizjologicznego do szumu. Należy jednak zauważyć, że czas pojawienia się IED niekoniecznie musi być przypadkowy w zadaniu behawioralnym. Opisano zależną od zadania modulację czasu lub ilości IED (Matsumoto i in., 2013), co może potencjalnie mylić wyniki poprzez preferencyjne ważenie błędnych wyników w pewnych segmentach prób bardziej niż w innych. Przemawiałoby to przeciwko stosowaniu strategii 4, choć ponownie, konundrum liczby prób i mocy statystycznej może być problematyczne, jak zauważono powyżej.

Na koniec, poza implikacjami związanymi z przetwarzaniem sygnału, warto wspomnieć, że IED mogą również przejściowo zaburzać lokalne dysfunkcje neuronalne regionu, w którym występują (Krauss i in., 1997; Kleen i in., 2013; Horak i in., 2017; Ung i in., 2017). Mogłoby to prowadzić do błędów poznawczych, które mogłyby wpływać na analizy oparte na próbach i inne, stanowiąc osobny argument za wykluczeniem prób z IEDs przy formułowaniu wniosków dotyczących „normalnego” przetwarzania poznawczego.

Wnioski

Przyspieszenie ludzkiej neurofizjologii wewnątrzczaszkowej przekazuje wielkie emocje związane z nadchodzącymi odkryciami i możliwościami, w tym rozszerzeniem podstawowych nauk neurobiologicznych, poprawą terapii klinicznych i rozwojem interfejsów mózg-maszyna. Jednak IED stwarzają pułapki w postaci fałszywych wyników, trudnych do uniknięcia ze względu na charakter tkanki padaczkowej in vivo, z której rejestrowane są dane. Zwiększona czujność jest potrzebna, aby uniknąć IED w danych, jeśli / kiedy jest to właściwe, co może być zapewnione przez rozważenie i wykorzystanie strategii wymienionych powyżej. Sugerujemy również, że naukowcy średniego i wyższego szczebla powinni podjąć próby wzmocnienia i zapewnienia standardowych prezentacji szkoleniowych lub symulacji w swoich laboratoriach w zakresie identyfikacji, wykrywania i metod usuwania IED. To wyposaży młodszych badaczy w zestaw ważnych umiejętności, które pozwolą im zrozumieć i konstruktywnie analizować własne dane oraz dane innych. Ponadto konieczne są ulepszenia w komunikacji naukowej (Suthana i in., 2018), takie, że manuskrypty dotyczące normalnej neurofizjologii człowieka powinny wyraźnie przekazywać podejście stosowane do obsługi IED i jego uzasadnienie w kontekście ich badania. Takie praktyki zwiększonej czujności i jasnej komunikacji, miejmy nadzieję, poprawią odtwarzalność, aby pole mogło kontynuować swoje przyspieszenie bez przewidywalnych niepowodzeń.

Oświadczenie o dostępności danych

Dane z badań w tym artykule można pobrać z doi: 10.5281/zenodo.3626105.

Oświadczenie o etyce

Badania z udziałem ludzi zostały przejrzane i zatwierdzone przez University of California San Francisco Institutional Review Board. Pisemna świadoma zgoda na udział nie była wymagana w tym badaniu zgodnie z ustawodawstwem krajowym i wymaganiami instytucjonalnymi.

Wkład autorów

SA i JK opracowali koncepcję manuskryptu, stworzyli i rozpowszechnili ankietę, przeprowadzili wyszukiwanie literatury i napisali manuskrypt. ML i EC dostarczyli istotnych uwag i poprawek do manuskryptu. Wszyscy autorzy przeczytali i zatwierdzili przedłożony manuskrypt.

Funding

SA był finansowany przez NIH Diversity Supplement under R01-DC012379. JK był finansowany przez National Institutes of Health/National Institute of Neurological Disorders and Stroke (NIH/NINDS) grantami R25NS070680 i K23NS110920. ML był finansowany przez NIH Grant R01-DC015504, F32-DC013486 i Kavli Institute for Brain and Mind oraz kontrakt DARPA N66001-17-2-4008. EC był finansowany przez NIH Grants (R01-DC012379, R00-NS065120, and DP2-OD00862) and the Esther A. and Joseph Klingenstein Fund.

Konflikt interesów

Autorzy deklarują, że badania były prowadzone przy braku jakichkolwiek komercyjnych lub finansowych relacji, które mogłyby być interpretowane jako potencjalny konflikt interesów.

Acknowledgments

Dziękujemy Maxime Baud i Han Yi fortheir pomocne dyskusje i komentarze podczas rozwoju tego manuskryptu.

Andrews, J. P., Gummadavelli, A., Farooque, P., Bonito, J., Arencibia, C., Blumenfeld, H., et al. (2019). Association of seizure spread with surgical failure in epilepsy. JAMA Neurol. 76, 462-469. doi: 10.1001/jamaneurol.2018.4316

PubMed Abstract | CrossRef Full Text | Google Scholar

Barkmeier, D. T., Shah, A. K., Flanagan, D., Atkinson, M. D., Agarwal, R., Fuerst, D. R., et al. (2012). High inter-reviewer variability of spike detection on intracranial EEG addressed by an automated multi-channel algorithm. Clin. Neurophysiol. 123, 1088-1095. doi: 10.1016/j.clinph.2011.09.023

PubMed Abstract | CrossRef Full Text | Google Scholar

Baud, M. O., Kleen, J. K., Anumanchipalli, G. K., Hamilton, L. S., Tan, Y.-L., Knowlton, R., et al. (2018). Unsupervised learning of spatiotemporal interictal discharges in focal epilepsy. Neurosurgery 83, 683-691. doi: 10.1093/neuros/nyx480

PubMed Abstract | CrossRef Full Text | Google Scholar

Bergstrom, R. A., Choi, J. H., Manduca, A., Shin, H.-S., Worrell, G. A., and Howe, C. L. (2013). Automated identification of multiple seizure-related and interictal epileptiform event types in the EEG of mice. Sci. Rep. 3:1483. doi: 10.1038/srep01483

PubMed Abstract | CrossRef Full Text | Google Scholar

Chang, E. F. (2015). W kierunku wielkoskalowych, opartych na człowieku, mezoskopowych neurotechnologii. Neuron 86, 68-78. doi: 10.1016/j.neuron.2015.03.037

PubMed Abstract | CrossRef Full Text | Google Scholar

Chronux Home. (2019). Chronux Analysis Software. Dostępne online na: http://chronux.org/. Dostęp 25 września 2019.

Cuello Oderiz, C., von Ellenrieder, N., Dubeau, F., Eisenberg, A., Gotman, J., Hall, J., et al. (2019). Association of cortical stimulation-induced seizure with surgical outcome in patients with focal drug-resistant epilepsy. JAMA Neurol. 76, 1070-1078. doi: 10.1001/jamaneurol.2019.1464

PubMed Abstract | CrossRef Full Text | Google Scholar

Esteller, R., Echauz, J., Tcheng, T., Litt, B., and Pless, B. (2001). „Line length: an efficient feature for seizure onset detection,” in Proceedings of the 2001 Conference 23rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Istanbul, Turkey: IEEE, 1707-1710.

Google Scholar

Frauscher, B., von Ellenrieder, N., Zelmann, R., Doležalová, I., Minotti, L., Olivier, A., et al. (2018a). Atlas normalnego wewnątrzczaszkowego elektroencefalogramu: neurofizjologiczna aktywność przebudzeniowa w różnych obszarach korowych. Brain 141, 1130-1144. doi: 10.1093/brain/awy035

PubMed Abstract | CrossRef Full Text | Google Scholar

Frauscher, B., von Ellenrieder, N., Zelmann, R., Rogers, C., Khoa Nguyen, D., Kahane, P., et al. (2018b). Wysokoczęstotliwościowe oscylacje w normalnym ludzkim mózgu. Ann. Neurol. 84, 374-385. doi: 10.1002/ana.25304

PubMed Abstract | CrossRef Full Text | Google Scholar

Horak, P. C., Meisenhelter, S., Song, Y., Testorf, M. E., Kahana, M. J., Viles, W. D., et al. (2017). Interictal epileptiform discharges impairment word recall in multiple brain areas. Epilepsia 58, 373-380. doi: 10.1111/epi.13633

PubMed Abstract | CrossRef Full Text | Google Scholar

Janca, R., Jezdik, P., Cmejla, R., Tomasek, M., Worrell, G. A., Stead, M., et al. (2015). Detection of interictal epileptiform discharges using signal envelope distribution modelling: application to epileptic and non-epileptic intracranial recordings. Brain Topogr. 28, 172-183. doi: 10.1007/s10548-014-0379-1

PubMed Abstract | CrossRef Full Text | Google Scholar

Kleen, J. K., Scott, R. C., Holmes, G. L., Roberts, D. W., Rundle, M. M., Testorf, M., et al. (2013). Hippocampal interictal epileptiform activity disrupts cognition in humans. Neurology 81, 18-24. doi: 10.1212/wnl.0b013e318297ee50

PubMed Abstract | CrossRef Full Text | Google Scholar

Kramer, M. A., Tort, A. B. L., and Kopell, N. J. (2008). Sharp edge artefacts and spurious coupling in EEG frequency comodulation measures. J. Neurosci. Methods 170, 352-357. doi: 10.1016/j.jneumeth.2008.01.020

PubMed Abstract | CrossRef Full Text | Google Scholar

Krauss, G. L., Summerfield, M., Brandt, J., Breiter, S., and Ruchkin, D. (1997). Mesial temporal spikes interfere with working memory. Neurology 49, 975-980. doi: 10.1212/wnl.49.4.975

PubMed Abstract | CrossRef Full Text | Google Scholar

Liu, Y., Coon, W. G., de Pesters, A., Brunner, P., and Schalk, G. (2015). The effects of spatial filtering and artifacts on electrocorticographic signals. J. Neural Eng. 12:056008. doi: 10.1088/1741-2560/12/5/056008

PubMed Abstract | CrossRef Full Text | Google Scholar

Matsumoto, J. Y., Stead, M., Kucewicz, M. T., Matsumoto, A. J., Peters, P. A., Brinkmann, B. H., et al. (2013). Network oscillations modulate interictal epileptiform spike rate during human memory. Brain 136, 2444-2456. doi: 10.1093/brain/awt159

PubMed Abstract | CrossRef Full Text | Google Scholar

Meisler, S. L., Kahana, M. J., and Ezzyat, Y. (2019). Czy czyszczenie danych poprawia klasyfikację stanów mózgu? J. Neurosci. Methods 328:108421. doi: 10.1016/j.jneumeth.2019.108421

PubMed Abstract | CrossRef Full Text | Google Scholar

Mitra, P., and Bokil, H. (2007). Observed Brain Dynamics. New York, NY: Oxford University Press.

Google Scholar

Parvizi, J., and Kastner, S. (2018). Obietnice i ograniczenia ludzkiej elektroencefalografii wewnątrzczaszkowej. Nat. Neurosci. 21, 474-483. doi: 10.1038/s41593-018-0108-2

PubMed Abstract | CrossRef Full Text | Google Scholar

Ray, S., Crone, N. E., Niebur, E., Franaszczuk, P. J., and Hsiao, S. S. (2008). Neural correlates of high-gamma oscillations (60-200 Hz) in macaque local field potentials and their potential implications in electrocorticography. J. Neurosci. 28, 11526-11536. doi: 10.1523/JNEUROSCI.2848-08.2008

PubMed Abstract | CrossRef Full Text | Google Scholar

Scheffer-Teixeira, R., Belchior, H., Leão, R. N., Ribeiro, S., and Tort, A. B. L. (2013). On high-frequency field oscillations (>100 Hz) and the spectral leakage of spiking activity. J. Neurosci. 33, 1535-1539. doi: 10.1523/JNEUROSCI.4217-12.2013

PubMed Abstract | CrossRef Full Text | Google Scholar

Suthana, N., Aghajan, Z. M., Mankin, E. A., and Lin, A. (2018). Reporting guidelines and issues to consider for using intracranial brain stimulation in studies of human declarative memory. Front. Neurosci. 12:905. doi: 10.3389/fnins.2018.00905

PubMed Abstract | CrossRef Full Text | Google Scholar

Tousseyn, S., Dupont, P., Robben, D., Goffin, K., Sunaert, S., and Van Paesschen, W. (2014). A reliable and time-saving semiautomatic spike-template-based analysis of interictal EEG-FMRI. Epilepsia 55, 2048-2058. doi: 10.1111/epi.12841

PubMed Abstract | CrossRef Full Text | Google Scholar

Ung, H., Cazares, C., Nanivadekar, A., Kini, L., Wagenaar, J., Becker, D., et al. (2017). Interictal epileptiform activity outside the seizure onset zone impacts cognition. Brain 140, 2157-2168. doi: 10.1093/brain/awx143

PubMed Abstract | CrossRef Full Text | Google Scholar

van Drongelen, W. (2018). Przetwarzanie sygnałów dla neuronaukowców. London: Elsevier Academic press.

Google Scholar

Westover, M. B., Halford, J. J., and Bianchi, M. T. (2017). What it should mean for an algorithm to pass a statistical turing test for detection of epileptiform discharges. Clin. Neurophysiol. 128, 1406-1407. doi: 10.1016/j.clinph.2017.02.026

PubMed Abstract | CrossRef Full Text | Google Scholar

White, A. M., Williams, P. A., Ferraro, D. J., Clark, S., Kadam, S. D., Dudek, F. E., et al. (2006). Efficient unsupervised algorithms for the detection of seizures in continuous eeg recordings from rats after brain injury. J. Neurosci. Methods 152, 255-266. doi: 10.1016/j.jneumeth.2005.09.014

PubMed Abstract | CrossRef Full Text | Google Scholar

Wilke, C., van Drongelen, W., Kohrman, M., and He, B. (2009). Identification of epileptogenic focici from causal analysis of ECoG interictal spike activity. Clin. Neurophysiol. 120, 1449-1456. doi: 10.1016/j.clinph.2009.04.024

PubMed Abstract | CrossRef Full Text | Google Scholar

.

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany.