Summary

Interiktalen Hochfrequenzoszillationen Erkannte mit Simultaneous Magnetoencephalographie und Elektroenzephalographie als Biomarker für Pädiatrische Epilepsie

Published: December 06, 2016
doi:

Summary

Hochfrequenzoszillationen (HFO) wurden als präoperative Biomarker für die Identifizierung der epileptogenen Zone bei pädiatrischen Patienten mit medizinisch refraktärer Epilepsie entwickelt. Eine Methode für die nicht-invasive Erfassung, Erkennung und Lokalisierung von HFO bei gleichzeitiger Kopfhaut Elektroenzephalographie (EEG) und Magnetoenzephalographie (MEG) wird vorgestellt.

Abstract

Entscheidend für den Erfolg der Epilepsie-Chirurgie ist die Verfügbarkeit eines robusten Biomarker, die die epileptogenen Zone (EZ) identifiziert. Hochfrequenzoszillationen (HFO) als potentielle presurgical Biomarker für die Identifizierung des EZ neben interiktalen Epileptiforme Einleitungen (IEDs) und ictal Aktivität entstanden. Obwohl sie die EZ zu lokalisieren sind viel versprechend, sind sie noch nicht für die Diagnose oder Überwachung von Epilepsie in der klinischen Praxis geeignet. Primäre Barrieren bleiben: das Fehlen einer formalen und globale Definition für HFOs; die daraus resultierende Heterogenität der methodische Ansätze für die Studie verwendet; und die praktischen Schwierigkeiten zu erkennen und zu lokalisieren sie nicht-invasiv von Kopfhaut-Aufnahmen. Hier präsentieren wir eine Methode zur Erfassung, Erkennung und Lokalisierung von interiktalen HFOs von pädiatrischen Patienten mit refraktärer Epilepsie. Wir berichten über repräsentative Daten von HFOs von zwei Kindern nicht-invasiv aus interiktalen Kopfhaut EEG und MEG nachgewieseneiner Operation unterziehen.

Die zu Grunde liegenden Generatoren von HFOs wurden lokalisiert, indem die inverse Problemlösung und deren Lokalisierung wurde im Vergleich zur Anfalls Onset Zone (SBZ), da dies durch die epileptologists definiert wurde. Für beide Patienten, interiktalen epileptogene Einleitungen (IEDs) und HFOs wurden mit Quellen Bildgebung lokalisiert an concordant Standorten. Für einen Patienten waren intrakranielle EEG (dhzB) Daten ebenfalls zur Verfügung. Für diesen Patienten fanden wir, dass die Lokalisierungs HFOs zwischen noninvasive und invasive Methoden konkordant ist. Der Vergleich von dhzB mit den Ergebnissen aus der Kopfhaut Aufnahmen dienten diese Ergebnisse zu bestätigen. Nach unserem Wissen ist dies die erste Studie, die die Lokalisierung des Ursprungs der Kopfhaut HFOs von simultanen EEG und MEG-Aufnahmen präsentiert die Ergebnisse mit invasiven Aufnahmen verglichen werden. Diese Ergebnisse legen nahe, dass HFO zuverlässig nichtinvasiv mit Kopfhaut-EEG und MEG erkannt und lokalisiert werden. Wir schließen daraus, dass die nicht-invasive Lokalisierung von interictal HFOs könnte die präoperative Bewertung für pädiatrische Patienten mit Epilepsie deutlich verbessern.

Introduction

Pädiatrische Epilepsie ist eine häufige neurologische Erkrankung mit einer Prävalenzrate von 4 – 6 pro 1000 Kinder 1. Es kann einen großen Einfluss auf 2 Entwicklung der Kinder haben und deutlich ihre Erwachsenenleben auswirken können. Langzeit – Follow-up – Studien in der Kindheit beginnende Epilepsie zeigen , dass etwa 30% der Patienten mit Epilepsie 3-6 medizinisch hartnäckigen geworden und erfordern in der Regel resektive epileptischen Chirurgie. In vielen dieser Patienten führt Epilepsiechirurgie zu einer signifikanten Reduktion der Anfallshäufigkeit und oft zu Anfallsfreiheit. Um erfolgreich zu sein, sollte der Epilepsiechirurgie eine anfallsfreien Zustand mit minimalen oder keinen funktionellen Defiziten erreichen. Dies erfordert eine sorgfältige Abgrenzung der epileptogenen Zone (EZ) 7, der "Raum der Hirnrinde , die für die Erzeugung von epileptischen Anfällen unverzichtbar ist" 8. Die EZ kann nicht direkt gemessen werden; seine Lage wird geschätzt, basierend auf konkordant Daten aus einer Vielzahl von Tests That identifizieren anderen kortikalen Zonen. Invasive intrakraniellen Elektroenzephalographie (dhzB) dient als Goldstandard für die Lokalisierung des Anfallsbeginn Zone (SOZ), der Region, wo Anfälle erzeugt werden und ihren Ursprung auf ictal Aufnahmen. Allerdings dhzB teuer, angewiesen auf die Zusammenarbeit des Kindes ist, trägt ein gewisses Risiko für Infektionen und Blutungen 9 und kann zusätzliche neurologische Schäden während der 10 – Implantation induzieren. Darüber hinaus können die Aufnahmen zu falschen Schlüssen führen, da große Bereiche des Gehirns unerforscht bleiben. Somit wird eine robuste presurgical Biomarker, die in der Identifizierung des EZ hilft, ist für den Erfolg des chirurgischen Epilepsie-Behandlung erforderlich ist.

Pathologische HFOs (80 – 500 Hz) 11,12 haben sich im Laufe der letzten zehn Jahre als Biomarker für die Identifizierung des epileptogenen Gewebes herausgestellt, dass die präoperative Diagnose und chirurgische Ergebnisse von Patienten mit Epilepsie 13 kann verbessert werden . Berichte mit MikroElektroden mit der Tiefe EEG-Elektroden kombiniert zeigte die Anwesenheit von HFOs bei Patienten mit Epilepsie. HFOs wurden auch unter Verwendung von Standardmakroelektroden während der ictal und interiktalen Perioden gefunden. Jüngste Studien haben gezeigt , dass die SOZ HFOs mit höherer Empfindlichkeit und Spezifität gegenüber dem irritative Zone 14,15, die Zone identifizieren, die die IEDs erzeugt, und dass die chirurgische Entfernung der HFO-Erzeugungs Gewebe korreliert mit besseren Ergebnissen als die Entfernung des SOZ oder die irritative Zone 15. (- 250 Hz 80) oder schnelle Wellen (250 – 500 Hz) HFOs werden als Wellen häufig kategorisiert. Schnelle Wellen haben pathologische Aktivität enger Verbindung gebracht worden und auf die Lokalisierung des SOZ 16, aber Untersuchungen der menschlichen Hirnaufnahmen zeigen , dass beide Wellen und schnelle Wellen 17 in epileptogenen Regionen erhöhen.

Trotz dieser vielversprechenden Ergebnisse, HFOs sind noch nicht für die Diagnose oder Überwachung geeignet vonEpilepsie in der klinischen Praxis. Primäre Barrieren bleiben: (i) das Fehlen einer formalen und globale Definition für HFOs; (Ii) die daraus resultierende Heterogenität der methodische Ansätze für die Studie verwendet; und (iii) die praktischen Schwierigkeiten zu erkennen und zu lokalisieren sie nicht-invasiv von Kopfhaut-Aufnahmen. Das letztere ergibt sich aus der Tatsache, daß die Elektroden weit weg von der Quelle des Signals sind, kann das Signal durch Hintergrundrauschen und die Muskelaktivität verwischt werden, und das Signal könnte durch die Kopfhaut oder die Fontanelle und Nähte im Schädel verzerrt werden, insbesondere in Säugling Patienten. Darüber hinaus ist es schwierig , zwischen normalen und abnormalen HFOs 18,19 zu unterscheiden , da beide Wellen und schnelle Wellen vorhanden sind , auch in normalen menschlichen Hirngewebe 20. Frühe Studien berichtet HFOs in Skalp – EEG in nur einem kleinen (0,2-3,4%) Anteil der Patienten mit Epilepsie 21-23. Neuere Studien haben jedoch gezeigt, dass HFOs noninvasively mit Kopfhaut EEG nachgewiesen werden kann. Ictally, HFO(- 100 Hz 24, 40 – 120 Hz 25 50), sowie zu Beginn der Tonika Anfällen bei Lennox-Gastaut – Syndrom (50 – 100 Hz) 26 s wurden zu Beginn der epileptischen Krämpfen bei Kindern berichtet. Interiktalen HFOs (70-200 Hz) wurden zuerst bei Kindern mit Schlaf-induzierte elektrische Status epilepticus 27 auf der Kopfhaut EEG beobachtet. Dann interiktalen HFOs (80 – 200 Hz) wurden in der Kopfhaut EEG von Patienten mit fokalen Epilepsien mit höheren Raten innerhalb der SOZ 28 identifiziert. Interessanterweise waren HFOs häufiger bei Patienten mit einer hohen Zahl interiktaler epileptiforme Entladungen (IED), und sie wurden als IEDs für die SOZ 29 um genauer zu sein gefunden, Hervorhebung , die die Beziehung von HFOs mit epileptogenicity.

MEG scheint für die nicht-invasive Detektion und Lokalisierung von HFOs signifikante Vorteile im Vergleich zu Kopfhaut EEG präsentieren zu können: (i) Hochfrequenz-Aktivität in MEG ist weniger anfällig als EEG zu einer Kontamination von Muskel-Aktivität 30-31, (ii) MEG – Signale werden nicht von Schädel Leitfähigkeit und weniger verzerrt als EEG durch nichtkondensierten Regionen des Schädelknochen wie fontanel oder Naht, und (iii) MEG Sensoranordnungen haben eine höhere Dichte im Vergleich zu EEG verzerrt , die immer zugewandt das Problem der Salzbrücken zwischen den Elektroden, wenn der Kopf klein ist, wie mit Kindern. Der Nachweis von Phantom Konstruktionen , die HFOs Generatoren simulieren vorgeschlagen , dass HFO erkannt und mit hoher Lokalisierungsgenauigkeit lokalisiert werden (2 – 3 mm) mit MEG 32. Mehrere neuere Studien berichteten HFOs in den MEG – Signale von Patienten mit Epilepsie in der Ripple – Frequenzband von 33 bis 38 aufgezeichnet. Zeit-Frequenz – Analyse hat gezeigt , dass MEG – Daten Hochfrequenzkomponenten im Zusammenhang mit dem EZ 33-36 enthalten. Jedoch nur wenige Studien haben interiktalen HFOs als sichtbare Ereignisse identifiziert , aus dem Hintergrundsignal in dem Zeitbereich stehen, wie sie typischerweise durchgeführt mit dhzB 37-38. Van Klink et al. 37 erfasst HFOs im Ripple Band mit virtuellen Kanäle mit Beamforming – Techniken konstruiert auf Basis von räumlichen Informationen von IEDs erhalten. Von Ellenrieder et al. 38 erfasst HFOs in MEG – Signale von den physikalischen Sensoren unabhängig von den IEDs und verwendet , um das Maximum Entropy auf dem Mittelwert (MEM) Methode , um ihre Quellen zu lokalisieren und ihre Korrelation mit der EZ zu untersuchen. Rampp et al. (2010) erfasst auch epileptische hohen Gamma – Oszillationen mit MEG, die Spike-gesperrt waren oder Spike unabhängig und lokalisiert diese Aktivität mit einem Minimum-Norm Quellenanalyse 39. Sie fanden heraus , dass die Merkmale dieser schnellen Schwingungen (dh klare Beginn der Vollband durchschnittliche und maximale Amplitude der Schwingungen) waren stark mit der SOZ verbunden. HFOs wurden auch mit MEG während ictal Aktivität bei pädiatrischen Patienten mit epileptischen Krämpfen 40 nachgewiesen. Allerdings stellt MEG einige deutliche Einschränkungen im Vergleich zu Kopfhaut EEG: (i) es inse istnsitive auf Quellen, die eine radiale Ausrichtung in Bezug auf die Mitte des Kopfes haben, (ii) es nicht lange Aufnahmen erlaubt, die die Möglichkeit erhöhen, zu erkennen und zu erfassen ictal Ereignisse, und (iii) seine Sensoren an die Form des Kopfes nicht anpassen kann jedes einzelnen, da sind der Helm und Sensorarray im Helm alle in Form fixiert. Somit ist die ideale Einstellung, die die Möglichkeit, die epileptogenen Aktivität zu erkennen und zu lokalisieren maximiert ist durch Informationen aus den beiden Kopfhaut EEG und MEG kombiniert.

In dieser Studie wollen wir die Methodik wir für die nicht-invasive Erfassung von interiktalen HFOs unter Verwendung gleichzeitige Aufnahmen von Kopfhaut-EEG und MEG von pädiatrischen Patienten mit medizinisch refraktärer Epilepsie folgen zu illustrieren. Wir präsentieren den Aufbau der Aufnahmen und die Pipeline der Datenanalyse ein halbautomatisches Verfahren, das wir für die Erkennung von HFO Ereignisse in simultanen MEG und EEG-Daten entwickelt haben. Schließlich stellen wir auch die Lokalisierung derzugrunde liegenden Generatoren der Kopfhaut HFOs, durch die Lösung des inversen Problems erhalten, und vergleichen Sie es mit der SOZ, da dies durch die epileptologists definiert wurde.

Protocol

Ethik-Statement: Experimentelle Verfahren hier wurden von der Institutional Review Board (IRB) des Massachusetts General Hospital, Boston, MA, USA genehmigt. Im folgenden Abschnitt wird das experimentelle Protokoll für die nichtinvasive Erkennung und Lokalisierung des Ursprungs der HFO mit Kopfhaut-EEG und MEG beschreiben. Vorbereitung des Patienten ist minimal, und die Untersuchung in der Regel gut vertragen. Die gesamte Sitzung dauert etwa 2 – 3 h mit den eigentlichen Aufnahmen ca. 60 min dauern. 1. Patienten Vorbereitung Stellen Sie sicher, dass das Kind mit der Umgebung bequem ist. HINWEIS: Lassen Sie kleine Kinder, die Testumgebung zu erkunden und die Testausrüstung zu sehen. Bildschirm, um den Patienten in Bezug auf Sicherheit und Zustimmung durch ein Screening-Formular. Fragen Sie den Patienten (oder seine / ihre Eltern), ob er / sie einen klinischen Anfall innerhalb der letzten 2 h hatte. Entfernen Sie alle metallischen / magnetischen Materialien und liefern Krankenhaus ausgestellte Kleidung für den Patienten. Entfernen Sie die Schuheda sie häufig magnetisch. Überprüfen Sie, ob das Thema für ein paar Minuten durch die Messung MEG Signale frei von magnetischen Artefakte ist. Verwenden Sie ein Degausser für Artefakte aus implantierten Materialien, wie zum Beispiel Zahnersatz zu reduzieren. HINWEIS: Die demagnetizer sollte nicht angewendet werden, wenn die Möglichkeit besteht, dass ferromagnetische Gegenstände innerhalb des Körpers sind. Messen Sie die maximale Kopfumfang die entsprechende EEG-Kappengröße für das Kind auszuwählen. Verwenden Sie ein Maßband und halten Sie ihn an die nasion. Dann messen um den Kopf um den maximalen Umfang (ca. 1 cm über dem Inion). Legen Sie die EEG-Kappe auf dem Kopf nach dem International 10 – 20 System. Reinigen Sie die Haut, wo jede Elektrode befindet und gelten Paste / Gel für jede Elektrode. HINWEIS: Weitere Details in Bezug auf die Kopfhaut EEG – Aufzeichnungen bei Kindern werden an anderer Stelle 41 zur Verfügung gestellt. Legen Sie die Erde und Referenzelektroden auf den Kopf. Schließen Sie zusätzliche Elektroden zur Messung der horizontalen und Vertical Elektrookulographie (EOG), Elektrokardiographie (EKG), Elektromyographie (EMG) und zusätzliche EEG-Elektroden an den Stellen abdeckt, die zeitlichen Bereiche (T1 / T2). HINWEIS: Die EOG, EKG, EMG, und unterstützen die Identifizierung von Augenbewegungen, magnetokardiographischen Kontamination, die Muskelaktivität und auch der Zustand des Patienten zu überwachen. Stellen Sie sicher, dass die EEG-Kanäle mit der Kopfhaut einen guten Kontakt haben durch die Sensoren einzeln zu positionieren. Vorsichtig drehen jeden Sensor von einer Seite zur anderen Haare aus dem Weg zu bewegen. Messen Sie alle Elektroden-Impedanzen mit einer EEG-Ohmmeter, um unter 10 kOhm sein. Legen Sie vier HPI Spulen auf den Kopf: zwei hinter den Ohrläppchen und zwei auf der Stirn bei annähernd symmetrischen Stellen. HINWEIS: Die HPI Spulen helfen, die Relativposition des Patientenkopfes in Bezug auf die Lage der MEG-Sensoren in 3D-Raum zu lokalisieren. Die Anzahl der HPI Spulen kann in Abhängigkeit vom Hersteller des MEG-System unterscheiden. Besorgen Sie sich dieStellen der HPI Spulen und die EEG-Elektroden einen Digitalisierer verwendet. HINWEIS: Der Digitalisierer erfasst die Koordinaten eines Sensors in dem 3D-Raum. Der Sensor ist an der Spitze eines Stifts angebracht. Die Standorte der HPI Spulen müssen in Bezug auf den Kopf Anatomie und die Standorte der MEG-Sensoren bekannt sein. Besorgen Sie sich die Standorte von Fiducial Sehenswürdigkeiten, wie links / rechts präaurikulären Punkte und nasion den Digitizer verwenden. Digitalisieren Sie zusätzliche Punkte (ca. 300 Punkte) präzise Kopfform zu erhalten. Bringen Sie den Patienten in den magnetischen abgeschirmten Raum (MSR) 42, in dem die MEG – System befindet. HINWEIS: Der MSR ist eine abgeschirmte Umgebung, die die Interferenz von MEG Aufnahmen von externen elektromagnetischen Quellen minimiert (dh, Stromleitungen, Hochfrequenzsignale von tragbaren Geräten, elektrischen Geräten und Computern, Magnetfelder von magnetisierten sich bewegenden Objekten wie Autos, Aufzüge und Züge ). Es besteht aus drei verschachtelten Ebenen.Jede Schicht ist aus einem reinen Aluminiumschicht sowie eine hohe Permeabilität ferromagnetische Schicht (dh mu-Metall, eine Legierung , die hauptsächlich aus Nickel und Eisen). Legen Sie sich, den Patienten auf dem Bett, legte seinen / ihren Kopf in den Helm MEG und gelten entsprechende Auflagen / Schwämme unter dem Kopf des Patienten für Komfort. Schließen Sie das HPIs, die EEG-Leitungen, die EOG, EKG, EMG, und die zusätzlichen Elektroden mit dem Aufnahmegerät. Stellen Sie die Kopfposition des Patienten in den Scanner sichergestellt wird, dass es so tief wie möglich in den Helm befindet. 2. Datenerfassung MEG und EEG HINWEIS: MEG / EEG Datenerfassung wird in einer früheren Studie 42 beschrieben auf dem Verfahren durchgeführt basiert. Mehr Details über die klinische Anwendung von MEG in der pädiatrischen Epilepsie kann an anderer Stelle 43,44 gefunden werden. Nehmen Sie MEG-Signale mit einer ganzen Kopf MEG-System. HINWEIS: Die MEG-System verwendet Dünnschichtsensoren von zwei Typen (planarGradiometer und Magnetometer) integriert auf 102 Sensorelemente. Jedes Element enthält ein Magnetometer, das aus einer einzigen Spule besteht, und zwei orthogonalen planaren Gradiometer, die aus einer "Figur-of-eight" -Typ Spule Konfiguration bestehen. Das Magnetometer misst den Magnetfluß senkrecht zu seiner Oberfläche und dem Gradiometer messen die Differenz zwischen den beiden Schleifen der "Acht" oder der räumlichen Gradienten. Die MEG-System verfügt über 204 planaren Gradiometer und 102 Magnetometer (306 Sensoren insgesamt). MEG – Systemen verschiedener Hersteller haben unterschiedliche Anzahl und Typen von Spulen (dh axiale Gradiometer). Nehmen Sie gleichzeitig EEG – Signale eine nicht – magnetische 70-Kanal – Elektrodenkappe mit Ag / AgCl gesinterten Ringelektroden und zusätzliche Elektroden in T1 / T2 42 verwendet wird . Verwenden Sie einen gemeinsamen Referenz Montage. Schließen Sie die Tür des MSR. Kommunizieren Sie mit dem Patienten über ein Intercom-System zu überprüfen, ob er / sie sich wohl fühlt. Fragen Sie die Eltern zu bleiben inside die MSR während der Aufnahme, wenn das Kind fühlt sich unwohl, allein zu bleiben. Starten Sie die Aufnahmen durch Klicken auf die "Go" Button in der MEG-Erfassungssoftware. Verwenden Sie eine hohe Abtastrate von 1 kHz (oder mehr). Verwenden Sie ein Tiefpass Infinite Impulse Response (IIR) Filter der 6. Ordnung bei 400 Hz. Überprüfen Sie online alle aufgezeichneten Signale. Fix schlechte MEG-Kanäle durch einen Sensor-Tuner verwenden. HINWEIS: Bad MEG-Kanäle werden definiert Sensoren (Gradiometer oder Magnetometer), die einen relativ hohen Anteil an weißem Rauschen haben (über 2 bis 5 fT / √Hz für Magnetometer) oder Sensoren, die Aufzeichnung unechten Umwelt elektromagnetische Störungen. Dies geschieht in der Regel, wenn die Sensoren ausgesetzt sind stark (in Bezug auf die gemessenen Signale) Magnetfelder und bestimmte Teile der Spulen "trap" des magnetischen Flusses Zerstörung der Supraleitung. Ein Sensor Tuner wird dann verwendet, dass die Spule durch Anlegen eines elektrischen Stroms durch die Wärme abstrahlen. Diese Prozedur wird aufgerufen, tuning und wird verwendet, wennDas weiße Rauschpegel des Sensors über einem bestimmten Schwellenwert (dh 2 bis 5 fT / √Hz). Einige MEG Systeme haben keine Sensor-Tuner. Messen Sie die Kopfposition des Patienten, indem Sie auf die "Maßnahme" Button in der MEG-Erfassungssoftware. Wenn der Kopf des Patienten nicht durch die Sinnes Array gut abgedeckt ist, fragen Sie den Patienten seinen / ihren Kopf tiefer in den Helm zu bewegen. HINWEIS: Dieses Manöver aktiviert die vier HPI Spulen durch transiente oszillierende elektrische Signale durch die Spulen Anwendung, die künstliche Magnetfelder erzeugen. Diese Felder werden von den MEG-Sensoren erfasst, so dass die Kopfposition bestimmt wird. Das Verfahren kann bei unterschiedlichen MEG Anbieter unterscheiden. Die Bilanz MEG, EEG und periphere Aufnahmen von den "Record" Button in der MEG – Erfassungssoftware klicken (dh, EKG, EOG und EMG) für ~ 60 min. HINWEIS: Die Daten werden als .FIF Datei in den Redundant Arrays of Independent Disks gespeichert wird (RAID).Der Dateityp ist anders für andere MEG-Anbieter. Wenn die Aufnahme beendet ist, öffnen Sie das MSR, ziehen Sie die Kabel, und von der MSR-Raum des Patienten herausnehmen. Entfernen Sie alle Bänder, Elektroden, HPI Spulen und EEG-Kappe sanft. Geben Sie für den Patienten den Kopf zu waschen. Nach Abschluss der Akquisition wird, ohne dass der Patient die magnetischen Signale des leeren MSR aufzeichnen. Starten Sie die Aufnahmen durch Klicken auf die "Go" Button in der MEG-Erfassungssoftware. Nehmen Sie MEG-Daten für 2 min die gleichen Parameter wie in Schritt 2.1.4 verwenden. HINWEIS: Diese Daten können verwendet werden zur Abschätzung der Umwelt elektromagnetischen Störungen. MRI Erwerben anatomischen MRT-Daten mit Magnetisierung vorbereitet schnelle Erfassung Gradienten-Echo-Sequenzen (MPRAGE; TE = 1,74 ms, TR = 2520 ms, Voxelgröße = 1 × 1 × 1 mm) mit einem hochauflösenden 3T-Scanner. Details zu den MRT – Protokoll kann an anderer Stelle 45 gefunden. HINWEIS: Wir führen keine der MRT-Untersuchungam selben Tag wie die MEG-Sitzung, um Artefakte in den MEG-Aufnahmen aufgrund Magnetisierung von möglichen Patienten metallischen Implantaten, wie zum Beispiel von Zahnersatz zu vermeiden. 3. Identifizierung von interiktalen Aktivität Öffnen Sie die Daten unter Verwendung von 46 Brainstorming, die dokumentiert und frei zum Download verfügbar im Internet unter der GNU General Public License. Wählen Sie visuell Teile der EEG-Daten mit interiktalen Aktivität auftretenden mindestens 2 h abgesehen von klinischen Anfälle. HINWEIS: Abbildung 1 zeigt einen Teil des EEG und MEG – Daten mit häufigen IEDs. Identifizieren empirisch gut definierte IEDs in den EEG – Signale: Dazu gehören Spikes (20-70 ms) und scharfe Wellen (70-200 ms) 47-48. HINWEIS: Die klinische Bedeutung der beiden Arten von IEDs in epileptischen Herdes Lokalisierungs entspricht. Versuchen Sie zu identifizieren (wenn möglich) Teile der Aufnahmen mit: (i) minimal Motiauf Artefakte, (ii) mehr als 3 bis 4 IEDs pro 10 s Anzeige, und (iii) für langsame Wellen Non-REM – Schlaf, der in der Regel eine hohe Anzahl von HFO 49 präsentieren. Abbildung 1: IEDs in EEG und MEG – Signale. Teil gleichzeitig aufgezeichnet Kopfhaut EEG und MEG-Signale mit häufigen IEDs. 1 s von markierten Abschnitt, der eine scharfe Welle enthält, wird auf die richtigen Platten in einer erweiterten Zeitskala Anzeige dargestellt. Rote Punkte zeigen die Spitze der IEDs. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen. Mit Brainstorming, zeigen die Daten mit Standard-Display-Einstellungen (10 s / Seite). Gehen Sie auf die Registerkarte Filter und setzen Sie die folgenden Filter Anzeigeparameter: Hochpassfilter: 1 Hz, Tiefpassfilter: 80 Hz, Notch-Filter: 50 oR 60 Hz (entsprechend der Frequenz der Stromleitung). Überprüfen Sie die Daten und identifizieren Teile von Daten mit IEDs. HINWEIS: Es werden nur Teile des Signals mit IEDs für HFOs zu suchen gescannt (Schritt 3.4). Die ausgewählten Filter sind für die Visualisierung nur; sie sind nicht auf die Daten angewendet worden ist. Um diese Filter permanent auf die Daten anzuwenden, verwenden Sie ein Bandpassbutterworth – Filter (4. Ordnung) gemäß den Anweisungen in Brainstorming – Website (http://neuroimage.usc.edu/brainstorm/). Markieren Sie die Spitze jedes IED auftretende in beiden EEG und MEG – Daten (siehe rote Flecken in Abbildung 1). HINWEIS: Weitere Details zu IEDs mit Brainstorm Markierung kann an anderer Stelle zu finden (http://neuroimage.usc.edu/brainstorm/Tutorials/Epilepsy). 4. halbautomatische Erkennung von HFO in Simultaneous Scalp EEG und MEG-Daten HINWEIS: Hier beschreiben wir ein halbautomatisches Verfahren HFOs zu detektieren, die eine automatisierte Detektion umfasst (Schritt 4.1; Figure 2), gefolgt von einer visuellen Überprüfung der automatisch erkannt HFOs (Schritt 4.3). Um die störenden Schwingungen von scharfen Transienten als echte Wellen zu vermeiden und sicherzustellen, dass die HFOs einem Filter Phänomen zurückzuführen sind, folgten wir die neuesten Vorschläge in der einschlägigen Literatur: Wir haben die HFOs benötigt eine Mindestanzahl von 4 Schwingungen zu haben, da es wurde beobachtet, dass die Impulsantwort des Filters weniger Schwingungen als die gewählte Anzahl der Zyklen 50, wir die Finite Impulse Response (FIR) -Filter Effekt zu minimieren verwendete Klingeln und die "Gibbs" -Phänomen 50, benötigt man die Kandidaten HFO Ereignisse werden auch visuell von einem Experten kontrolliert zu überprüfen , ob die HFO auf den IEDs 50,51 auch sichtbar überlagerten waren, und wir brauchten in der Zeit-Frequenz – Ebene eine isolierte Insel zu beobachten , weil ein scharfer Ereignis und eine Schwingung unterschiedliche Signaturen haben: eine echte HFO wird durch einen isolierten Peak in der Zeit-frequen dargestelltcy Grundstück (in der Frequenz beschränkt, als "Insel") befindet sich in der Band von 80 bis 500 Hz, während ein vorübergehendes Ereignis erzeugt einen länglichen Blob, erweitert in der Frequenz 50,52,53. Abbildung 2: Schematische Darstellung des Algorithmusschritte. Der Algorithmus arbeitet in zwei Phasen: die erste Kandidaten identifiziert HFOs von jeder EEG-Signal in der Zeitdomäne (linke und mittlere Spalte); die zweite klassifiziert die zuvor detektierten Kandidaten Ereignisse um echte HFOs von Artefakten in der Zeit-Frequenz-Bereich (rechte Spalte) zu unterscheiden. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen. Automatische Erkennung HFO HINWEIS: 2 beschreibt das Ablaufdiagramm des automatischen Detektionsvon HFO auf jedes Signal EEG. Das Ziel der entwickelten Methode ist es, die Belastung für die EEG-Experte der Kennzeichnung HFO Ereignisse auf jedem EEG-Kanal mit einem 2 s / Seite Anzeige zu reduzieren, die für die visuelle Inspektion von HFOs empfohlen. Ein HFO wurde als ein Ereignis in der Ripple – Frequenzband definiert (80 – 250 Hz), die 54 aus dem umgebenden Hintergrund stehen mindestens 4 Schwingungen sinusförmige Morphologie hat (Schritt 4.1.1), und das erscheint als kurz- Ereignis mit einem isolierten spektralen Peak bei einer bestimmten Hochfrequenz 14 (Schritt 4.1.2) lebte. Detektion von Kandidaten HFOs in der Zeitdomäne Bandpass (BP) filtern, um die EEG-Signale zwischen 80 und 250 Hz, den Frequenzinhalt der Signale an die Welligkeit interessierende Band zu beschränken. HINWEIS: Es wird empfohlen , ein FIR – Filter zu verwenden , läuten Effekt zu minimieren und die "Gibbs" -Phänomen 55 und Nullphasen digitale Filterung Phasenverzerrung zu vermeiden. Berechnendie Einhüllende des Signals BP die Hilbert-Transformation. Berechne den Mittelwert und die Standardabweichung (SD) der Hülle über 10 s Gleiten auf jedem Punkt der Zeitreihen zentrierten Fenster. Schätzen Sie die gesamte mittlere und SD mit dem Mittelwert aus allen Fenstern (um Werte zu erhalten, die mit vielen HFOs auf das mögliche Vorhandensein von Teilen des Signals robust sind und eine hohe SD). Berechnen Sie die Z-Score des Umschlags und markieren jedes Mal ein Kandidat HFO die Z-Score höher als die minimale Schwelle ist, auf gleich 3 56. Definieren der Start- und Punkte des erfassten Ereignisses als Aufwärts- und Abwärtsdurchgänge der Hälfte der Schwelle endet. Betrachten Sie die HFO mit einem Zwischen Ereignis Intervall von weniger als 30 ms als eine einzige HFO. Berechnen Sie die Anzahl der Spitzen in der BP-Signal zwischen dem HFO Start- und Endpunkte, und verwerfen Veranstaltungen mit weniger als 4 Peaks. Auch verwerfen Ereignisse mit einem Z-Score höher als 12. HINWEIS: Ändern Sie Ihre Maximeum z-Score Schwelle entsprechend der Amplitude der Artefakte, die in Ihren Aufnahmen auftreten können. Ereignisse mit einer geringen Anzahl von Schwingungen kann durch Filtern Effekte 57,58 verursacht werden, während Ereignisse mit extrem hoher Amplitude Muskel oder Elektrodenartefakte zurückzuführen sein kann. Reject mögliche Artefakte in der Zeit-Frequenz-Bereich. HINWEIS: Dieser Schritt ist notwendig, echte HFOs von Ereignissen zu unterscheiden, die von anderen EEG-Aktivität und Filterartefakte hervorgerufen werden könnte, die Inhalte, deren Frequenz ist nicht auf das Frequenzband von Interesse. Es basiert auf der Annahme , dass eine echte HFO über 80 Hz bei einer bestimmten Frequenz als kurzlebiges Ereignis mit einem isolierten spektralen Peak erscheint, im Gegensatz zu einem transienten Ereignis , das einen länglichen blob in Frequenz 59 verlängert erzeugt. Abbildung 3 zeigt ein Beispiel eines erkannten HFO zeigt das BP gefilterte EEG – Signal (oberes Bild), dessen Hülle (Mitte), und die entsprechening Zeit-Frequenz-Ebene (unteres Bild), in der Zeit von [-0,5, +0,5] s um die HFO Spitze. Die Anzeige der Zeit-Frequenz-Ebene 80 begrenzt – 150 Hz, da keine herausragende Aktivität für Frequenzen oberhalb von 150 Hz wurde beobachtet. Wandeln Sie alle Kandidaten HFOs Ereignisse in der Zeit-Frequenz – Raum mit der Morlet Transformation in den Frequenzbereich von 1 Hz bis zur höchsten Frequenz von Interesse, dh 250 Hz (Mittenfrequenz = 1 Hz, in voller Breite-At-Half-Maximum = 3 s). Analysieren Sie den momentanen Leistungsspektren der Zeit-Frequenz-Darstellung über jedem Zeitpunkt der Veranstaltung Dauer. Für jede Leistungsspektrum, folgen Sie den automatischen Kriterien von Burnos et al. 56 die Spitze in dem Hochfrequenzband zu erfassen und zu überprüfen , ob es von der nächsten Peak im niedrigeren Frequenzbereich deutlich verschieden ist. Verwerfen HFOs, die mit einer isolierten Hochfrequenzspitze in mindestens 90% der nicht ein Leistungsspektrum zeigenZeitpunkte. Sortieren Sie alle HFOs Ereignisse durch ihre zeitliche Auftreten über alle Kanäle hinweg erkannt. Gruppe zusammen alle aufeinanderfolgenden HFOs, deren Dauer überlappt. Halten Sie nur Gruppen von HFOs mindestens zwei EEG-Kanäle für die weitere Analyse beteiligt sind. HINWEIS: Der Algorithmus fordert die HFOs in mindestens zwei Kanäle, um zu treten unechte Zufalls Artefakte zu vermeiden erfassen, die reale HFOs ähneln und in einzelnen EEG-Leitungen auftreten. Zwei aufeinanderfolgende HFOs werden als überlappend, wenn die Startzeit des zweiten HFO geht der Startzeit des ersten. Abbildung 3: HFO – Ereignis durch den Algorithmus erkannt. Oberes Feld: das gefilterte BP (80 – 150 Hz) EEG-Signal (in & mgr; V) von einem Kanal (F8 – T8) von Patient 1. Mitteltafel: Die Hülle des BP-Signal (z-Score). Der Höhepunkt der Hülle (roten Stern) zeigt den Zeitablauf des HFO peak (rote vertikale gepunktete Linie). Die blauen Sternchen markieren die nach oben und nach unten Kreuzungen der Hälfte der Schwelle (blau gestrichelte Linie), die die Start- und Endzeit Punkte der HFO (blaue vertikale gepunktete Linien) zeigen. Unteres Feld: die Zeit-Frequenz-Analyse-Ebene. Notieren Sie sich die isolierten Spitze in der Ripple-Frequenzband (~ 100 Hz) um die Spitze des HFO. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen. Visuelle Überprüfung von HFO Veranstaltungen HINWEIS: Ein Teil der visuellen Beurteilung wird auf der Grundlage der von Andrade-Valenca et al vorgeschlagenen Leitlinien. 28 und Zelmann et al. 60. Vertikal ausrichten 2 Computer-Bildschirme; eine für die Inspektion von EEG und eine für die Inspektion von MEG-Signale. Anzeige der erfassten Ereignisse sowohl auf die erweiterte (2 s / Seite) und typische scale (10 s / Seite) zeigt jeweils die 80-250 Hz und die 1-40 Hz BP gefilterten Signale. Ereignisse ignorieren cooccurring mit Muskel- oder Elektroden Artefakte im ungefilterten EEG und MEG, sowie Veranstaltungen mit großer Frequenzvariabilität, unregelmäßige Morphologie oder große Amplitudenschwankungen. Beachten Sie die EOG und EMG-Signale während der Erfassung der HFO und verwerfen jedes Ereignis, das vermutlich zu EOG oder Muskelaktivität zu entsprechen. Betrachten wir nur die HFO , die mit EEG überlappen / MEG IEDs (erfasst in Schritt 3.3) , da sie eher wahr HFOs 15,28,56 zu sein. HINWEIS: Dieser Ansatz bietet eine hohe Spezifität auf Kosten einer geringen Empfindlichkeit; So bietet es das Vertrauen, dass die identifizierten HFOs der kortikalen Ursprungs sind. Behalten nur HFO Ereignisse, die in den beiden EEG und MEG-Signale zur gleichen Zeit auftreten. 5. Quelle Lokalisierung von IEDs und HFOs Localize die Generatoren an der Spitze des MEG IEDs, Markiert 3.3 in Schritt die Equivalent Stromdipolen (ECD) mit. Verwenden Sie die Mindest Norm Schätzungen Software, die frei verfügbar ist (http://martinos.org/mne/stable/index.html). Betrachten wir Spikes nur mit Güte-of-fit (GOF)> 80% und Dipolmoment Q <500 nA – m. Overlay die ECD Standort auf dem MRT des einzelnen Patienten. ANMERKUNG: Das Maximum Entropy auf dem Mittelwert (MEM) ist eine attraktive alternative Methode, die die Lage und Ausdehnung der Quellen 61 bestimmt. HFO Quellenlokalisierung sowohl EEG und MEG die Wavelet – Maximum Entropy auf dem Mittelwert (wMEM) Methode verwendet wird (wie von von Ellenrieder et al 38 vorgeschlagen). HINWEIS: Die MEM ist eine effiziente Technik , die erfolgreich verwendet wurde , 62-64 die Position und das Ausmaß der Quellen epileptischer Aktivität zu bestimmen. Die wMEM ist eine Erweiterung von MEM , das 65 mit realistischen Simulationen ausgewertet zur Lokalisierung von Oszillationen entwickelt wurde. Es zersetzt sich das Signal in einem disKreta Wavelet-Basis vor auf jeder Zeit-Frequenz-Box MEM Quellenlokalisierung durchgeführt wird. Somit ist wMEM besonders gut geeignet, HFOs zu lokalisieren. Segment der MRI und erhalten die kortikalen Oberfläche mit Freesurfer 66-67. Lösen Sie das EEG / MEG Vorwärtsproblem mit dem Randelementmethode (BEM) für eine 3-Schicht – Modell mit OpenMEEG 68. Transformation entspricht dem Frequenzband von Interesse erneut abzutasten, die Signale bis 640 Hz, damit die zweite Skala der diskreten Wavelet sicherzustellen. Schätzen Sie die Rauschkovarianzmatrix im Datenraum unabhängig für jede HFO, basierend auf dem Hintergrund im ripple Band in einem 150 ms-Fenster unmittelbar vor jedem HFO. Führen Sie die Quellenlokalisierung für jedes HFO in der Ripple-Band und durchschnittlich entlang der HFO Dauer. Hinweis: Die resultierende Karte besteht aus einem kortikalen Wert Aktivierung zu jedem Eckpunkt des kortikalen Tessellation verbunden. Normalisieren jeder Karte, um ein Maximum zu habenAktivierungswert gleich 1 für jedes HFO. Berechne den Mittelwert der Aktivierungswerte über alle HFOs an jedem Scheitelpunkt. Übernehmen einer Schwelle von 60% der maximalen Aktivierung, um die endgültige Karte über der kortikalen Oberfläche anzuzeigen. 6. Validierung Intrakranielle EEG (dhzB): Erwerben Sie Extra-operative dhzB durch subduraler Gitter Einsatz und / oder stereotaktisch geführte Tiefenelektroden. Führen Sie die Platzierung der Elektroden auf der Grundlage der Ergebnisse früherer presurgical Bewertungstests und klinischen Hypothesen angegangen werden, die für jeden Patienten spezifisch ist. HINWEIS: intrakranielle EEG ist mit einem digitalen EEG-System erfasst eine 2 kHz Abtastrate, im Rahmen der präoperativen Evaluierung. Subdural Gitter sind in der Regel die beste Wahl , wenn die Topographie der kortikalen Anfalls Bereich wichtig ist , zu lösen, und wenn Kartierung des eloquenten Kortex ist von entscheidender Bedeutung ( zum Beispiel mit einem epileptogene Bereich in der Nähe von primary motorischen Kortex, in dem die genauen Grenzen können) durch Stimulation Kartierung und ictal intrakranielle EEG-Analyse abgeschätzt werden. Definition des SOZ: Identifizieren Sie die SOZ als durch einen Sachverständigen epileptologist definiert auf der Grundlage der klinischen Informationen für jeden Patienten zur Verfügung. HINWEIS: Die SOZ ist als der Bereich definiert, um die frühesten und die rasche Verbreitung von dhzB Änderung (ictal Entladung) von der Basislinie vor oder gleichzeitig mit dem Auftreten klinischer Symptome zeigt. Alle Kanäle zu Beginn der ictal elektro Entladung beteiligt sind, in der Regel den ersten 5 s, wurden als die SOZ betrachtet. Bei Patienten, bei denen die Anfälle von mehr als einem Bereich entstehen, werden unabhängig voneinander, alle Kontakte innerhalb der verschiedenen SOZs als SOZ Kontakte angesehen. Der Experte ist blind für die HFO Quellenlokalisierung Ergebnisse zum Zeitpunkt der SOZ zu definieren. Die klinische Information enthält auch: ictal und interiktalen dhzB Befunde, sichtbare Läsion auf dem MRI, ictal und interiktalen Kopfhaut EEGErgebnisse. Die Identifizierung der HFO-Kanäle: Ermitteln Sie die HFOs in jeder intrakraniellen Elektrode wie in 4.1 beschrieben. Verwenden Kittler Methode um die Schwelle zu bestimmen , basierend auf dem Histogramm der Anzahl von HFOs aus allen Kanälen, so gelten Bootstrapping und berechnen den Mittelwert als die endgültige Schwelle 69. Schließlich erkennen die Kanäle mit einer HFO Rate über dem Schwellenwert. Vergleichen Sie die HFO-Lokalisierung mit dem identifizierten SOZ in 6.2 als Goldstandard für die Quellenlokalisierung Ergebnisse.

Representative Results

Pädiatrische Patienten mit refraktärer Epilepsie wurden aus der Epilepsieklinik Boston Kinderkrankenhaus (Boston, USA) rekrutiert. Hier repräsentative Daten von zwei Patienten vorgestellt: ein 15 Jahre altes Mädchen mit Enzephalomalazie der rechten Arteria cerebri media (MCA) Region (Patient 1), und ein 11-jähriger Junge, der mit linken parietalen / temporalis superior Enzephalomalazie ( Patient 2). Die Daten wurden als Teil ihrer presurgical Aufarbeitung für die Operation gesammelt. Gleichzeitige MEG und EEG-Aufzeichnungen wurden im Athinoula A. Martinos Center for Biomedical Imaging durchgeführt. (- 150 Hz 80) auftritt, sowohl EEG und MEG und die darüber liegenden IEDs Für beide Patienten, HFOs wurden in der Ripple-Frequenzband identifiziert. Abbildung 4 zeigt 10 s gleichzeitiger Kopfhaut EEG und MEG – Daten mit interiktalen Aktivität (obere Felder) von Patienten 1. Die gleiche Figur auch berichtetn ausgedehnte Zeitskalenabschnitt (2 s) der Signale, die die erfassten HFOs im Zeitbereich zeigt (mittlere Felder) und in der Zeit-Frequenz – Ebene (unteres Feld). Dieser Patient zeigte eine Rate von 8,8 HFOs / min. Aus Gründen der Klarheit ist die Anzeige der Zeit-Frequenz-Ebene von 80 beschränkt – 150 Hz, da keine herausragende Aktivität für Frequenzen über 150 Hz beobachtet wurde. Bei Patient 1, identifiziert die automatische Erkennung 248 HFOs Ereignisse innerhalb 8.65 min von Aufnahmen. Nach visuelle Überprüfung der erfassten Ereignisse wurden 76 Ereignisse gehalten, dass das reale HFOs betrachtet wurden zu sein, mit einer Rate von 8,8 HFOs / min zu erhalten. Abbildung 4: HFOs Überlagert auf von Scalp EEG und MEG Erkannt IEDs. Oberes Feld: IEDs von Patient 1 von Kopfhaut – EEG erfasst (links) und MEG (rechts). 10 s von Daten gefiltert 1 bis 70 Hz. Mitteltafel: Erweiterte Zeitskala Anzeige (2 s) der EEG und MEG – Daten markiert mit grauem Hintergrund in der oberen Platte. 150 Hz – Die Daten werden von 80 gefiltert. Unteres Feld: Zeit-Frequenz – Ebene von 2 repräsentativ EEG und MEG – Kanäle. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen. Abbildung 5 zeigt die HFOs Lokalisierungsergebnisse für Patienten 1 von beiden Kopfhaut EEG und MEG. Beide Techniken lokalisiert die HFOs in der Nähe der Läsion in einer Lage in der Nähe der rechten temporo- parietale Übergang. MEG und EEG präsentiert leicht unterschiedlichen Lokalisierungsergebnisse: MEG-Aktivität wurde mehr nach ventral Vergleich zu EEG und näher an der hinteren Grenze der Läsion befindet. Der Abstand zwischen den beiden Maxima der wMEM Aktivität für die MEG und EEG betrug 15,0 mm. HFOs localization wurde auch auf die irritative Zone neben wie dies durch MEG definiert wurde. Der euklidische Abstand zwischen den gemittelten ECD und der maximalen wMEM Aktivität betrug 18,7 mm für die MEG und 28,0 mm für die Kopfhaut EEG. Für Patienten 2 identifizierten wir 8 min von Daten während des Slow-Wave-Non-REM-Schlaf mit IED und minimale Artefakte, die wir für die HFO-Analyse verwendet. Die Anzahl der Kopfhaut HFOs war signifikant niedriger als in Patienten 1 mit einer Rate von 0,4 HFOs / min zeigt. Abbildung 6 zeigt die Quellenlokalisierung Ergebnisse der Kopfhaut HFOs für MEG und EEG Kopfhaut, die lokalisierten IEDs von MEG ECD verwenden, und die Lage von HFO durch dhzB erkannt. Der Abstand zwischen den zwei Maxima wMEM Aktivität für die MEG und EEG betrug 16,4 mm. Der Abstand zwischen den gemittelten ECDs und der maximalen wMEM Aktivität betrug 10,9 mm für das MEG und 24,1 mm für das EEG. Die HFO Zone noninvasively durch Skalp-EEG und MEG identifiziert war an der gleichen Stelle, wo die HFOs waren identified invasiv mit dhzB. Die Elektroden mit der höchsten Anzahl von HFOs waren LA51, LA52 und LA53, wie in 6 gezeigt, deren Lokalisation war konkordant mit der HFO – Aktivität noninvasively lokalisiert. Abbildung 5: Lokalisierung von HFO und IEDs. HFOs Zone lokalisiert , indem die wMEM mit MEG mit und EEG von Patienten 1 überlagerte auf Patienten MRT (links). Die HFOs Karte stellt den Mittelwert der normalisierten Werte Aktivierung bei 60% der maximalen Aktivität Schwellwertbildung. IEDs lokalisiert durch ECD mit MEG (rechts). Die Standorte und Orientierungen der ECD-Werte sind in Zyan angezeigt. Das lila Dreieck zeigt die Position der gemittelten ECD (46 ECD) und das rote Rechteck die Position des ECD von durchschnittlich IEDs (28 IEDs). Für die Mittelwertbildung der IEDs, identifizierten wirSpikes mit ähnlichen Morphologie. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen. Abbildung 6: Räumliche Konkordanz zwischen der HFO Zone Lokalisierte nicht – invasiv mit Scalp EEG und MEG, die Irritative Zone und der HFO Zone Lokalisierte invasiv mit dhzB. Oberplatten: Lokalisierung von HFOs von Patient 2 mit der Kopfhaut EEG (links) und MEG (Mitte) und Lokalisierung von IEDs mit MEG (rechts) überlagert Patienten MRT. Die HFOs Karte stellt den Mittelwert der normalisierten Werte Aktivierung bei 60% der maximalen Aktivität Schwellwertbildung. Cyan Kreisen und Balken zeigen die Positionen und Orientierungen der ECD. Das lila Dreieck zeigt die Position der gemittelten ECD (30 ECD) und das rote Rechteck ter Ort der ECD von durchschnittlich IEDs (21 IEDs). Untere Platten: Lokalisierung von HFO auf dhzB (links) und 2 s von Aufnahmen aus den Kanälen mit der höchsten Rate HFO. Implantierte Elektroden auf den Patienten MRI gezeigt. Die Elektrode Standort wird durch Co-Registrierung des post-implantierte Computertomographie (CT) und MR-Bilder erhalten. Die Elektroden mit der höchsten Rate von HFO auf der Karte der auf dem Patienten Cortex implantiert Raster hervorgehoben. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen. Die repräsentativen hier präsentierten Ergebnisse zeigen die mögliche Verwendung der beschriebenen Technik im klinischen Umfeld für die nicht-invasive Identifizierung und Lokalisierung von HFOs während der präoperativen Beurteilung von pädiatrischen Patienten mit medizinisch refraktärer Epilepsie. Bei beiden Patienten waren HFOs localized concordant für Kopfhaut – EEG und MEG (siehe Abbildung 5). Lokalisierungsunterschiede von wenigen mm kann der überlegenen Lokalisierungsfähigkeit mit hoher Dichte im Vergleich zu MEG Skalp – EEG 70 zurückgeführt werden, oder es können unterschiedliche zugrundeliegende Generatoren 71 darstellen. Die Lokalisierung war auch in Einklang mit dem irritative Zone , da dies von MEG (siehe Abbildung 5 – rechtes Bild) definiert wurde. Bei Patienten 2, Daten von dhzB waren auch vorhanden. Die HFOs Zone noninvasively mit Kopfhaut EEG und MEG lokalisiert war konkordant mit dem HFOs Zone mit dhzB definiert invasiv (siehe Abbildung 6). Die Ergebnisse des vorgeschlagenen Verfahrens kann die Platzierung von Gittern während der Epilepsiechirurgie für die mögliche Identifizierung des EZ führen.

Discussion

Converging Beweise aus tierischen und menschlichen Studien hat gezeigt, dass HFO ein neues Potential Biomarker für die epileptogenen Gewebe sind. Trotz dieser Erkenntnisse haben HFOs sehr begrenzten Einsatz in der klinischen Praxis für die Diagnose und Überwachung von Epilepsie, vor allem, weil: (i) gibt es keine formelle und globale Definition für HFOs; (Ii) verschiedene Forschungsgruppen verwenden verschiedene Methoden zur Erfassung und Analyse der Daten; (Iii) die nicht-invasive Erfassung von HFO mit bildgebenden Verfahren ist eine Herausforderung; und (iv) der Prozess der Überprüfung HFOs ist zeitaufwendig und unpraktisch, insbesondere für Mehrkanal-EEG oder MEG-Aufnahmen mit einer hohen Anzahl von Sensoren. In dem Bemühen um eine globale standardisierte Methode zur Verfügung zu stellen, die den systematischen Einsatz von HFO in der klinischen Praxis fördert, die Methodik, die in Boston Kinderkrankenhaus für die nicht-invasive Erfassung, Erkennung und Lokalisierung von interiktalen HFOs von pädiatrischen Patienten mit Epilepsie folgt dargestellt. representative Ergebnisse HFOs mit gleichzeitiger Skalp-EEG und MEG aus zwei Kinder mit medizinisch refraktären Epilepsie nachgewiesen werden ebenfalls vorgestellt.

Kritische Schritte innerhalb des Protokolls

Die vorgeschlagene Methodik umfasst die folgenden kritischen Schritte: (i) die Leistung der hohen Signal-zu-Rausch-Verhältnis (SNR) EEG und MEG gleichzeitige Aufnahmen interiktaler Aktivität von pädiatrischen Patienten mit medizinisch refraktärer Epilepsie (Schritte 2.1.1 und 2.1.2 ); (Ii) die sorgfältige Vorverarbeitung und Auswahl von Daten mit interiktalen Entladungen (Schritte 3.1 und 3.2); (Iii) die visuelle Überprüfung der identifizierten HFOs Ereignisse mit hoher Spezifität (Schritte 4.3.1, 4.3.2 und 4.3.3); und (iv) die zuverlässige Lokalisierung der HFOs einen geeigneten Lokalisierungsverfahren verwendet (Schritt 5.2).

Der wichtigste Schritt in diesem Protokoll ist die visuelle Überprüfung der HFO Ereignisse durch den automatischen Melder identifiziert. Eine strenge Überprüfung der automatisch erkannt HFOs ist crucial HFOs nicht-zerebraler Herkunft zu verwerfen. Ermüdung oder Ablenkung des menschlichen Rezensent jedoch während der Sichtprüfung von mehrkanaligen EEG und MEG-Daten kann zu Fehlern führen, was die Spezifität des Nachweisverfahrens zu verringern.

Technische Änderungen und Fehlersuche

Wir vermeiden die Verwendung des Signalraums Projektion (SSP) und Signalraumtrennung (SSS) Methoden 72,73, um sicherzustellen , dass es keine Verzerrung der HFO – Aktivität aus ihrer Anwendung war. Diese Methoden werden oft von den meisten der Benutzer des jeweiligen MEG – Anbieter verwendet , um externe Störungen zu unterdrücken und für Kopfbewegungen 72 zu korrigieren. Weitere Studien sind notwendig, um sicherzustellen, dass die Anwendung dieser Methoden haben keinen Einfluss auf oder die HFO Aktivität verzerren oder erzeugen keine Störeffekte, die menschliche HFOs ähneln. Kleinere Änderungen der Mindestschwelle der z-Score der Signalhülle (Schritt 4.1.1.3) und die Schwelle von acvierung Werte (Schritt 5.2.6) kann die Empfindlichkeit des Algorithmus bei der Erkennung von HFO und beschränken die Lokalisierung der HFO-Zone in einem Fokusbereich zu verbessern, benötigt werden.

Einschränkungen der Technik

Das beschriebene Verfahren stellt Einschränkungen, die in zukünftigen Studien behandelt werden sollte weiter. Erstens hält es nicht HFOs nur in den MEG oder EEG – Signale auftreten, und es ist nicht die automatische Erkennung von HFO in den MEG – Signale enthalten, was bedeutet , dass einige tatsächliche niedrige SNR MEG HFOs 74 Sichtprüfung entweichen könnte. Darüber hinaus bei gleichzeitiger Aufnahme von Kopfhaut EEG, MEG und dhzB 75 validiert werden die Empfindlichkeit und Spezifität des vorgeschlagenen Verfahrens die HFOs und seine Fähigkeit , zu lokalisieren , sie mit hoher Genauigkeit zu erfassen sollte. Unsere Daten haben gezeigt, dass einzelne ECD eine erweiterte irritative Zone angegeben, verglichen mit der Brenn HFOs Zone. Wenn jedoch die ECD-Werte wurden gemittelt, dann wird der Dipol location war für beide Patienten in die HFO-Zone ganz in der Nähe. Unsere Daten zeigen die Spezifität der zwei Methoden, um eine mögliche höhere Spezifität der HFO-Zone für epileptogenicity (insbesondere bei Patienten 2, für die der HFO-Zone mit der SOZ wurde überlappend) zeigt im Vergleich zu der irritative Zone, obwohl sichere Rückschlüsse nicht gezogen werden kann, aus einer so kleinen Gruppe von Patienten. Noch wichtiger ist, nicht direkt die Lokalisation der HFO Quellen nicht implizieren die EZ lokalisierende, die für die Anfälle verantwortlich ist. Unsere Ergebnisse sollten gegen das Ergebnis der Epilepsiechirurgie validiert werden, die wir planen, in einer zukünftigen Studie zu tun. Schließlich wurde verwendet, um die EEG-Daten, eine 70-Kanal-System zu erfassen. Dennoch ist in den meisten Zentren der klinischen Standard EEG Einstellung verwendet, die Datensätze von Daten aus 19 Elektroden nach dem 10 platziert – 20-System. Fortgeschrittenere pädiatrischen EEG-Systeme mit wesentlich höheren Anzahl von Kanälen (bis zu 256) sind derzeit auf dem Markt verfügbar. Der Einsatz dieser Systeme können weiter t verbesserner Lokalisierungsgenauigkeit der HFO-Zone mit Kopfhaut EEG nachgewiesen.

Bedeutung der Technik in Bezug auf bestehende / alternative Methoden

Nach unserem Wissen ist dies die erste Studie, die die nicht-invasive Lokalisation interiktaler HFOs bei gleichzeitiger EEG und MEG berichtet und untersucht auch die Übereinstimmung der Lokalisation Ergebnisse mit denen von intrakraniellen Aufnahmen. Die nicht-invasive Erfassung, Erkennung und Lokalisierung von HFO ist eine Herausforderung. Dies liegt daran , HFOs sind sehr schwache Signale , die von kleinen Hirnregionen in der Größenordnung von 16,76 mm³ und weiterhin durch Rauschen und Gehirn Hintergrundaktivität gehinderten erzeugt. Eine aktuelle Studie vorgeschlagen , dass HFO aufgezeichnet nicht-invasiv mit Kopfhaut EEG stellen die Summe der Aktivität von mehreren räumlich verteilten fokale und kohärente Quellen 60. Bisher 28,29,37,38,60 wenige Studien gelang zu zeigen , dass HFO nicht-invasiv sca mit erfasst werden könnenlp EEG und MEG; auch diese Aktivität weniger lokalisierte durch das inverse Problem 37-38 zu lösen.

Hier Nachweis interiktaler HFOs vorgestellt, die bei gleichzeitiger Skalp-EEG und MEG aus zwei pädiatrischen Patienten mit Epilepsie erkannt wurden. HFOs wurden unter Verwendung eines zuvor beschriebenen Rahmen 38 lokalisiert. Die repräsentativen Daten deuten darauf hin, dass die nicht-invasive Lokalisation interiktaler HFOs machbar ist durch die Quelle Bildgebungstechniken auf EEG entweder Kopfhaut unter Verwendung oder MEG-Aufnahmen, unter der Annahme, dass eine geeignete Lokalisierungstechnik verwendet wird. Dies ist in Einklang mit einer früheren Studie , die eine Phantom Konstruktion ähnelt HFOs Generatoren verwendet, was darauf hindeutet , dass HFO nichtinvasiv erfasst werden kann und genau lokalisiert mit MEG 32.

Die Erfassung und Kennzeichnung von interiktalen HFOs wird traditionell durch die visuelle Inspektion von Daten aus menschlichen EEG-Experten durchgeführt. Obwohl dieser Ansatz ist oft regarded als Goldstandard, präsentiert es gravierende Einschränkungen , da es schlecht inter Rezensent Zuverlässigkeit 77,78 und ist nicht für große MEG und EEG – Datensätze mit hohen Anzahl von Sensoren hat. Entscheidend für die Anwendung des HFOs in der klinischen Praxis ist die Entwicklung von Algorithmen, die die HFOs automatisch von der Kopfhaut Aufnahmen reduzieren die Notwendigkeit für die menschliche Eingangs erfassen. Die visuelle Identifizierung der Kopfhaut HFOs ist in der Tat eine ziemliche Herausforderung durch: (i) die niedrige SNR von HFO auf der Kopfhaut; (Ii) die niedrigeren Sätze von HFO in der Kopfhaut Aufnahmen im Vergleich zu intrakraniellen diejenigen, die die Analyse von viel längere Aufnahmezeiten voraussetzt; und (iii) die hohe Anzahl von Kanälen zu untersuchen, insbesondere in hoher Dichte EEG oder MEG. Mehrere Algorithmen für automatische und halbautomatische Erkennung HFOs wurden in den letzten zehn Jahren 54 vorgeschlagen. Frühere Detektoren auf Schwellenwerte in den Zeitbereich verlassen, um Ereignisse zu erkennen , die aus dem laufenden Hintergrundaktivität unterschieden werden können 49,80. Jüngste Fortschritte empfiehlt enthält auch Informationen aus dem Frequenzbereich, unter der Annahme , dass ein HFO als kurzlebiges Ereignis mit einem isolierten spektrale Spitze bei einer bestimmten Frequenz 50,56,81 erscheinen. Halbautomatische Methoden scheinen die am besten geeignete Ansatz für die Anwendung von HFO in der klinischen Praxis zu sein. Diese Verfahren umfassen zwei Phasen: (i) anfängliche automatische Erkennung von Ereignissen, die eine hohe Empfindlichkeit aufweist, und (ii) visuelle Überprüfung der Ereignisse von einem Experten, der eine hohe Spezifität hat. Dieser Ansatz bietet eine höhere Spezifität für die vollautomatische Methoden verglichen und stellt sicher, dass die endgültige Bewertung Ereignisse tatsächlichen HFOs der zerebralen Ursprungs sind.

Hierbei ist ein halbautomatisches Verfahren vorgestellt, dass die Erfassung von HFOs interiktalen Kopfhaut EEG und MEG Aufnahmen ermöglicht. Das vorgeschlagene Verfahren verläuft zuvor Techniken zur Detektion von von der Kopfhaut HFOs EEG 60 beschrieben durch in den Identifizierungskriterien zwei Einfuhr Einbeziehungant Eigenschaften: (i) die automatische Zeit-Frequenz-Analyse der HFO Ereignisse; und (ii) die zeitliche Zusammentreffen von HFOs Ereignisse sowohl in MEG und EEG-Aufzeichnungen.

Zukünftige Anwendungen oder Richtungen nach dieser Technik zu meistern

Die zuverlässige Lokalisierung von HFOs mit nicht-invasive bildgebenden Verfahren, wie zum Beispiel der Kopfhaut EEG und MEG, ist kritisch. Die Beherrschung, die Verbesserung und Validierung der vorgeschlagenen Protokoll Ärzte mit einem zuverlässigen, nicht-invasiv beschreibbare Biomarker für die Identifizierung des EZ bieten. Die Entwicklung solcher Biomarker hat das Potenzial, die Voraussetzung für die langfristige Überwachung und invasive intrakraniellen Aufnahmen, die zu einer signifikanten Verbesserung der präoperativen Bewertungsverfahren bei pädiatrischen Patienten zu reduzieren. Es würde nicht nur helfen, die epileptogenen Gewebe für eine Operation zu identifizieren, sondern auch endgültige Differentialdiagnose der Epilepsie von akuten symptomatischen Krampfanfälle, eine völlig verschie erlaubenBehandlungsansatz mieten, und aus nicht-epileptische Anfälle bei manchen Patienten die Notwendigkeit einer Langzeitüberwachung zu schonen. Ferner könnte diese Beurteilung der Wirksamkeit therapeutischer Interventionen ermöglichen, ohne dass ein weiterer Anfall warten auftreten.

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