Metody a nástroje pro detekci artefaktů v mikroelektrodových záznamech

Abstract

Mikroelektrodové záznamy (MER) představují základní nástroj v klinické i experimentální neurovědě, neboť umožňují detailní sledování neuronální aktivity s vysokým časovým a prostorovým rozlišením. V klinické praxi, například během hluboké mozkové stimulace (DBS) u pacientů s pokročilou Parkinsonovou chorobou, slouží MER jako zásadní zdroj intraoperačních informací pro přesné zacílení a umístění stimulační elektrody. Tyto záznamy však bývají často kontaminovány artefakty mechanickým rušením (POW), posunem základní linie (BASE) a elektromagnetickým šumem (FREQ) což ztěžuje jak klinickou interpretaci, tak automatizovanou analýzu. Tato práce představuje metodu pro vícenásobnou (multilabel) klasifikaci těchto artefaktů s možností individuálního nastavení citlivosti pro jednotlivé typy. Pro trénování, validaci a testování modelů bylo využito deset hodin ručně anotovaných dat z centra v Praze. Obecnost navržené metody byla ověřena na téměř čtyřech hodinách dosud neviděných dat ze tří externích center: Brno, Olomouc a Bratislava. Byly vytvořeny tři binární klasifikátory, z nichž každý detekoval jeden typ artefaktu (POW, BASE nebo FREQ) oproti čistým segmentům. K původní sadě 18 spektrálních příznaků bylo navrženo 13 nových příznaků, převážně z časové domény, následovaných výběrem nejvhodnějších příznaků pomocí sekvenční metody. Byly implementovány a porovnány dva klasifikační přístupy: Support Vector Machines (SVM) s jádrem typu RBF a obousměrné neuronové sítě typu Long ShortTerm Memory (biLSTM). Nerovnováha tříd byla řešena podvzorkováním u SVM a váženou ztrátovou funkcí u LSTM. Na datech z Prahy dosáhly SVM klasifikátory vysokých hodnot AUC-ROC: 98,4% pro BASE, 90,6% pro FREQ a 92,4% pro POW. Přestože se očekávalo, že modely LSTM lépe využijí časové souvislosti, jejich přínos se projevil především v plynulejších precision-recall křivkách; celkově však SVM vykázaly lepší výkonnost. Na externích datech došlo k mírnému poklesu přesnosti, ale oba přístupy potvrdily dobrou schopnost zobecnění, což dokládá jejich potenciál pro praktické klinické nasazení.

Microelectrode recordings (MERs) are a fundamental tool in both clinical and experimental neuroscience, offering high-resolution insights into neuronal activity. In clinical settings such as deep brain stimulation (DBS) for advanced Parkinsons disease, MERs provide critical intraoperative signals for precise electrode placement. However, MERs are frequently contaminated by artifacts mechanical disturbances (POW), baseline shifts (BASE), and electromagnetic interference (FREQ) which hinder both clinical interpretation and automated analysis. This thesis presents a method for multilabel classification of these artifact types, including tunable sensitivity settings. Ten hours of manually annotated data from the Prague center were used for training, validation, and testing, supplemented by nearly four hours of unseen data from additional centers in Brno, Olomouc, and Bratislava to evaluate generalizability. Three binary classifiers were developed, each distinguishing one artifact type POW, BASE, or FREQ from clean signals. In total, 13 new time-domain features were engineered to complement an existing set of 18 spectral descriptors, followed by feature selection. Two classifiers were implemented and compared: Support Vector Machines (SVM) with a radial basis function kernel and bidirectional Long Short-Term Memory (biLSTM) networks. Class imbalance was addressed using undersampling for SVMs and weighted loss functions for LSTMs. On the Prague dataset, SVMs achieved strong AUC-ROC values: 98.4% for BASE, 90.6% for FREQ, and 92.4% for POW. While LSTM models were expected to leverage temporal patterns, they showed slightly better precision-recall curve shapes; however, SVMs generally outperformed them in overall performance. On the external datasets, both sets of classifiers demonstrated solid generalization despite an expected performance drop, supporting their clinical applicability.