CN114730637B 用于确定初动时间和脑区域兴奋性的方法 （艾克斯-马赛大学）

2022.03.22PCT/EP2020/0707172020.07.22WO2021/013902EN2021.01.28EP3235427A1,2017.10.25CA3070980A1,2019.01.31本发明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模型和训练队列的观测值的数据集来训练癫痫测到的初动时间来推断第三区域的初动时间和21.一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对脑的各针对训练队列提供癫痫发作期间脑网络的状态的观测值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反演经训练的动态模型，并使用统计模型从针对第一区域其中，通过对颅内脑电图信号运行发作初动检测算法并且通3.根据权利要求1所述的方法，其中，从5.根据权利要求1至4中的任一项所述的方初动时间映射到脑区域上是基于从其记录信号的电6.根据权利要求1至4中的任一项所述的方法，其中W=3值z＝1时从健康状态转换为发作状态的赫维9.根据权利要求1至4中的任一项所述的方法，其中4[0001]本发明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(notrecruited)的脑区域的兴奋性和初动时间(onse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-的其他方法是基于对从颅内记录得出的功能[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[0009]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5[0015]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P6[0031]图3示出了根据本发明的方法获得的针对具有强偶联(coupling)的单次发作和21[0033]图5示出了根据本发明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[0036]本发明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[0038]如图2所示，本发明的方法允许使用从扩散加权成像已知的结构连通性来推断隐7已知的FreeSurferTM软件提供的体积分割和植入电极的脑CT扫描确定的电极触点位置来确[0048]在该等式中，zi是区域i的慢变量，类似于癫痫模型中的慢变量(Jirsa，v.，qqqqaabbab8对所有训练数据的所有区域的兴奋性具有相同的先[0066]该统计模型定义了针对超参数q和发作特异性兴奋性参数ck的后验概率分布。使针对第一和第二区域观测到的初动时间来推断第三区域——实际上是第三区域中的至少动态模型的激活函数的参数和区域兴奋性和初动时间由哈密顿蒙特qq9[0080]图4示出了可以多好地预测隐藏区域是否发作。它示出了隐藏节点中的发作活动[0081]图5进一步示出了对于发作区域可以多好地估计准确的初动时间。它示出了推断结果表明发作期间隐藏节点的状态是从不完全观测中推