高效去除颅内脑电图中电刺激伪迹的扩散几何方法
医学物理
2018-11-22 v1 数据分析、统计与概率
神经元与认知
摘要
与认知功能相关且在许多精神疾病中受损的皮层振荡和电生理活动模式，可以在颅内脑电图（iEEG）中观察到。直接皮层刺激（DCS）可以直接靶向这些振荡，并可作为恢复功能障碍的治疗方法。然而，神经生理数据中电刺激伪迹的存在限制了对刺激效果的分析。由于生物数据固有的非平稳性，目前可用的方法在性能上存在不足。我们的算法，形状自适应非局部伪迹去除（SANAR），基于无监督流形学习。通过以非局部方式估计每个伪迹的 k 近邻的欧几里得中位数，我们获得了伪迹的忠实表示，随后将其减去。这种方法克服了非平稳性带来的挑战。SANAR 能有效去除时域中的刺激伪迹，同时保留内源性神经生理信号的频谱内容。我们在模拟数据集和人类 iEEG 数据中展示了其性能。使用两项定量指标（捕获了保留了多少来自内源性活动的信息），我们证明了 SANAR 的性能在时域和频域上均超过了广泛使用的方法之一——独立成分分析。这种方法允许分析 DCS 期间的 iEEG 数据（单通道或多通道），这是推进我们对周期性刺激效果理解和开发新疗法的关键步骤。
引用
@article{arxiv.1811.08428,
title = {Diffusion geometry approach to efficiently remove electrical stimulation artifacts in intracranial electroencephalography},
author = {Sankaraleengam Alagapan and Hae Won Shin and Flavio Frohlich and Hau-tieng Wu},
journal= {arXiv preprint arXiv:1811.08428},
year = {2018}
}