Použití Markovových modelů pro popis interiktálních EEG záznamů

Abstract

Vizuální analýza dlouhodobých interiktálních (mezizáchvatových) intrakraniálních EEG (iEEG) záznamů je velice časově náročná. Pro zpracování těchto záznamů se často využívají kvantitativní metody, jejichž využití však vede ke ztrátě časové informace. V této práci bylo otestováno zpracování interiktálních iEEG záznamů pomocí Markovových modelů. Využitím těchto modelů zůstává zachována časová informace o interiktálních epileptiformních výbojích (IED). V práci byly využity dva datové sety iEEG záznamů pacientů trpících epilepsií způsobenou fokální kortikální dysplázií (FCD). První dataset obsahoval šest záznamů nahrávaných přibližně týden, jejichž součástí byly i iktální stavy. Pro zachování metodiky zkoumání pouze interiktálních částí, byly ze záznamů odstraněny úseky epileptických záchvatů. Upravené záznamy byly dále segmentovány a zpracovány pomocí tří metod. První metoda využívala výpočet přechodových matic a pro redukci dimenze byly využity síťové parametry. Celkem bylo vypočteno 11 síťových parametrů, které byly vizuálně hodnoceny. Cílem vyhodnocení bylo nalézt v záznamu trendy, pomocí kterých by bylo možné popsat dynamiku dlouhodobých interiktálních záznamů. V druhé metodě bylo využito intervalových přechodových matic. Jedná se o matice, které zahrnují informace o pauzách mezi jednotlivými výboji. Z intervalových přechodových matic bylo vypočteno stejných 11 síťových parametrů jako u první metody. Postup vyhodnocení byl stejný jako v první metodě. Bylo zkoumáno, zda přidáním časové informace dojde ke zpřesnění popisu dynamiky. Třetí metoda taktéž využívala intervalové přechodové matice. V tomto případě byla vypočtena intervalová přechodová matice celého záznamu a intervalové přechodové matice všech segmentů. Odečtením segmentovaných matic od matice celého záznamu vznikly rozdílové intervalové přechodové matice, které byly vizuálně zobrazeny a hodnoceny. Jelikož k dispozici bylo pouze šest dlouhodobých záznamů a využité metody zpracování nevedly k jednoznačnému výsledku, byla využita druhá datová sada. U druhé datové sady bylo zkoumáno, zda lze výpočet přechodových matic a síťových parametrů využít k rozlišení typu FCD. V druhém datasetu bylo vybráno 45 pacientů, u nichž byly k dispozici pouze interiktální záznamy. Záznamy všech pacientů byly segmentovány a z každého segmentu byly vypočteny přechodové matice. Ze segmentovaných přechodových matic bylo následně vypočteno 15 síťových parametrů ve třech denních dobách. Pomocí Wilcoxonova testu byl mezi skupinami FCD I a FCD II prokázán statisticky signifikantní rozdíl na hladině významnosti 5 % u sedmi síťových parametrů. Z celkového počtu 45 zkoumaných parametrů byl prokázán signifikantní rozdíl u 14 vypočtených parametrů.

Visual analysis of long-term interictal intracranial EEG (iEEG) recordings is very time-consuming. Quantitative methods are often used to process these records, but their use leads to a loss of time information. In this work, the processing of interictal iEEG records using Markov models was tested. The use of these models preserves time information about interictal epileptiform discharges (IEDs). Two datasets of iEEG records of patients suffering from epilepsy caused by focal cortical dysplasia (FCD) were used. The first dataset contained six recordings recorded for about a week, which also included ictal states. To preserve the methodology of examining only the interictal parts, sections of epileptic seizures were removed from the records. The modified records were further segmented and processed using three methods. The first method used the calculation of transition matrices and network parameters were used to reduce the dimension. A total of 11 network parameters were calculated and visually evaluated. The evaluation aimed to find trends in the record, which could be used to describe the dynamics of long-term interictal records. In the second method, interval transition matrices were used. These are matrices that include information about pauses between discharges. The same 11 network parameters as in the first method were calculated. The evaluation procedure was the same as in the first method. The second method investigated whether adding time information would refine the description of dynamics. The third method also used interval transition matrices. In this case, the interval transition matrix of the whole record and the interval transition matrices of all segments were calculated. By subtracting the segmented matrices from the matrix of the whole record, differential interval transition matrices were created, visually displayed and evaluated. As only six long-term records were available and the processing methods used did not lead to an unambiguous result, the second data set was used. For the second dataset, it was investigated whether transition matrices and network parameters can be used to distinguish the FCD type. In the second dataset, 45 patients have selected for whom only interictal records were available. Records of all patients were segmented and transition matrices were calculated from each segment. From the segmented transition matrices, 15 network parameters were subsequently calculated three times of the day. Using the Wilcoxon test, a statistically significant difference was demonstrated between the FCD I and FCD II groups at a significance level of 5 % for seven network parameters. From the total number of 45 examined parameters, a significant difference was demonstrated in 14 calculated parameters.