用于确定初动时间和脑区域兴奋性的方法技术

本发明专利技术涉及用于确定在癫痫患者脑的发作活动中未观测为募集或非募集的脑区域的初动时间和兴奋性的方法。根据本发明专利技术的方法包括以下步骤：提供癫痫发作在脑网络中传播的动态模型；提供统计模型，其定义了所述动态模型生成脑网络的状态的观测值的集合的概率；使用统计模型和训练队列的观测值的数据集来训练癫痫发作的传播的动态模型；以及反演经训练的动态模型，并使用统计模型从针对第一和第二区域观测到的初动时间来推断第三区域的初动时间和兴奋性。兴奋性。兴奋性。

【技术实现步骤摘要】
【国外来华专利技术】用于确定初动时间和脑区域兴奋性的方法


[0001]本专利技术涉及用于确定在癫痫患者脑的发作活动中未被观测为募集或非募集（not recruited）的脑区域的兴奋性和初动时间（onset time）的方法。

技术介绍

[0002]对医学上难治性癫痫患者的一种可能的治疗方法是手术干预，目的是去除一个或多个疑似致痫区，即作为引发发作缘由的脑区域。然而，这些手术干预的成功率仅在60
‑
70%。
[0003]然而，使用文献WO2018/015778A1中公开的方法可以提高这样的成功率。该文献公开了一种调节癫痫患者脑中致痫性的方法，包括以下步骤：提供虚拟脑；提供致痫区和传播区的模型，并将所述模型加载到虚拟脑中以创建虚拟癫痫脑；采集癫痫患者的脑的数据；在所述数据中识别至少一个可能致痫区的位置；将虚拟癫痫脑与从癫痫患者采集的数据进行拟合，并将虚拟癫痫脑中的所述至少一个可能致痫区参数化为致痫区；以及在虚拟癫痫脑内仿真模拟对患者的脑的临床干预的网络调整（modulation）的效果。模拟对患者的脑的临床干预进而可以允许制定改进的手术策略，并提高手术干预的低成功率。
[0004]事实上，手术成功率低在大多数情况下都归咎于未能定位致痫区，而未能定位致痫区的部分原因是空间采样不足导致全脑发作传播模式的图像不完整。实际上，术前评估的当前标准是使用植入的深度电极（立体脑电图，SEEG）或使用硬膜下电极网格。这些方法中没有一种允许探查整个脑，并且它们通常限于基于非侵入性评估而怀疑是致痫网络的一部分的那些区域。r/>[0005]旨在改善手术计划的计算机辅助方法避免了这种空间采样不足的情况，假设可能切除的相关目标位于电极植入探查的区域中。在这种情况下，脑网络的其他部分的行为不会被考虑在内。其中一些方法是基于使用频谱或时间特征对记录信号的分析。这些方法中的其他方法是基于对从颅内记录得出的功能网络的分析。
[0006]对整个脑网络（而不仅仅是所探索的子网络）中的活动进行建模的已知方法需要对模型设置进行一些手动调整，通常是根据临床专家指定的致痫区假设进行调整，因此不能完全自动利用。

技术实现思路

[0007]根据第一方面，本专利技术涉及一种用于确定在癫痫患者脑的发作活动中未被观测为募集或未被观测为非募集的脑区域的兴奋性和/或初动时间的方法，包括以下步骤：提供计算机化的脑网络，所述网络针对癫痫患者脑的训练队列（cohort）并且针对患者脑对脑的各个区域以及所述区域之间的连通性进行建模；针对训练队列并且针对患者脑提供癫痫发作期间脑网络的状态的观测值的数据集，所述观测值将脑网络中的区域定义为第一区域，在初动时间在患者脑的癫痫发作活动中被观测为募集，
第二区域，在患者脑的所述癫痫发作活动中被观测为非募集，以及第三区域，在患者脑的所述发作活动中未被观测为募集或未被观测为非募集；提供癫痫发作在脑网络中的传播的动态模型；提供统计模型，其定义了所述动态模型生成脑网络的状态的所述观测值集合的概率；使用统计模型和训练队列的观测值的数据集来训练癫痫发作的传播的动态模型；以及反演经训练的动态模型，并使用统计模型从针对第一区域和第二区域观测到的初动时间来推断第三区域的初动时间和/或兴奋性。
[0008]优选地，
‑ꢀ
其中，推断第三区域的初动时间和兴奋性；
‑ꢀ
从磁共振神经成像和/或扩散加权磁共振成像数据来获得计算机化的脑网络；
‑ꢀ
通过对颅内脑电图信号运行发作初动检测算法并且通过将这些检测到的初动时间映射到脑网络的区域来获得癫痫发作期间脑网络的状态的观测值的数据集；
‑ꢀ
发作初动检测算法采用颅内脑电图信号的时频分析；
‑ꢀ
将在颅内脑电图信号中检测到的初动时间映射到脑区域上是基于从其记录信号的电极触点与脑区域的物理距离；
‑ꢀ
动态模型通过激活函数来描述网络的单个区域的慢变量的演变，激活函数是区域的兴奋性和网络效应的函数，并且其中，区域初动时间被定义为当慢变量越过给定阈值时的时间；
‑ꢀ
动态模型的训练等同于找到激活函数的最佳参数集；用哈密顿蒙特卡罗方法来推断动态模型的激活函数的参数和区域兴奋性和初动时间；
‑ꢀ
对于具有n个区域的脑网络，用下式来定义癫痫发作在脑网络中的传播的动态模型：针对i = 1,
…
,nz
i
(0) = 0其中，函数f
q
:R x [0;1]→
R
+
是激活函数，c
i
是节点兴奋性，并且W = (ω
ij
)是连通性矩阵，对其进行归一化，使得max
i
Σ
j
ω
ij
= 1，并且H是表示当慢变量越过阈值z = 1时从健康状态转换为发作状态的赫维赛德阶跃函数；
‑ꢀ
统计模型是建立在贝叶斯推断原理上的分层模型，其中，顶层参数是激活函数的参数，并且底层参数是区域兴奋性；
‑ꢀ
统计模型包括以下假设：针对所有训练数据的所有区域的兴奋性具有相同的先验分布；
‑ꢀ
函数f是双线性函数后接幂运算，并且该函数的参数是函数f在R x [0;1]中四个指定点上的值；
‑ꢀ
统计模型诸如针对k = 1,
…
,n
seizures
：
其中，是观测到的发作节点初动时间，σ
q = 30，σ
t = 5s，t
lim = 90s，并且P(c
k
, q, W
k
)表示将兴奋性c
k
、参数q和连接体矩阵W
k
映射到初动时间t
k
上的动态模型。
附图说明
[0009]根据以下描述和附图，本专利技术的其他特征和方面将变得显而易见，其中：图1是根据本专利技术的发作传播推断问题的示意性概述；图2示出了根据本专利技术的方法的训练和应用阶段；以及图3示出了根据本专利技术的方法获得的针对具有强偶联（coupling）的单次发作和21个观测区域的推断结果；图4示出了根据本专利技术的方法的实施例获得的隐藏节点中是否发作的概率；图5示出了根据本专利技术的方法的推断的初动时间在隐藏发作区域的真实初动时间的T秒内的概率；图6A、图6B和图6C示出了根据本专利技术的方法的针对观测区域的真实和推断的区域兴奋性；以及图7A、图7B和图7C示出了根据本专利技术的方法的针对隐藏区域的真实和推断的节点兴奋性。
具体实施方式
[0010]本专利技术涉及一种用于确定在癫痫患者脑的发作活动中未被观测为募集或未被观测为非募集的脑区域的兴奋性和/或初动时间的方法。它涉及一种尝试从观测到的脑子网的活动和结构连接体来推断发作期间整个脑网络活动的方法。该方法基于以下假设：任何脑区域中的活动可以被分类为正常状态或发作状态，并且这些状态之间的改变时间（区域初动时间）是推断传播模式的唯一相关特征。本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于确定在癫痫患者脑的发作活动中未被观测为募集或未被观测为非募集的脑区域的兴奋性和/或初动时间的方法，包括以下步骤：提供计算机化的脑网络，所述网络针对癫痫患者脑的训练队列并且针对患者脑对脑的各个区域以及所述区域之间的连通性进行建模；针对训练队列并且针对患者脑提供癫痫发作期间脑网络的状态的观测值的数据集，所述观测值将脑网络中的区域定义为第一区域，在初动时间在患者脑的癫痫发作活动中被观测为募集，第二区域，在患者脑的所述癫痫发作活动中被观测为非募集，以及第三区域，在患者脑的所述发作活动中未被观测为募集或未被观测为非募集；提供癫痫发作在脑网络中的传播的动态模型，所述动态模型通过经参数化的激活函数来描述所述脑网络的单个区域的慢变量的演变，经参数化的激活函数是区域的兴奋性的函数，并且其中，区域初动时间被定义为当慢变量越过给定阈值时的时间；提供统计模型，其定义了所述动态模型生成脑网络的状态的所述观测值集合的概率；使用统计模型和训练队列的观测值的数据集来训练癫痫发作的传播的动态模型，以便确定激活函数的最佳参数集；以及反演经训练的动态模型，并使用统计模型从针对第一区域和第二区域观测到的初动时间来推断第三区域的初动时间和/或兴奋性。2.根据权利要求1所述的方法，其中，推断第三区域的初动时间和兴奋性。3.根据权利要求1或2中的一项所述的方法，其中，从磁共振神经成像和/或扩散加权磁共振成像数据来获得计算机化的脑网络。4.根据权利要求1、2或3中的一项所述的方法，其中，通过对颅内脑电图信号运行发作初动检测算法并且通过将这些检测到的初动时间映射到脑网络的区域来获得癫痫发作期间脑网络的状态的观测值的数据集。5.根据权利要求4所述的方法，其中，发作初动检测算法采用颅内脑电图信号的时频分析。6.根据权利要求4或5中的一项所述的方法，其中，将在颅内脑电图信号中检测到的初动时间映射到脑区域上是基于从其记录信号的电极触点与脑区域的物理距离。7.根据前述权利要求中的一项所述的方法，其中，用哈密顿蒙特卡罗方法来推断动态模型的激活函数的参数和区域...

【专利技术属性】
技术研发人员：V，
申请(专利权)人：法国国家健康和医学研究所，
类型：发明
国别省市：