侧颞叶癫痫自动使用支持向量机基于梅格网络特性

文摘

正确的偏侧性颞叶癫痫(框架)是提高手术效果的关键。作为一个相对较新的无创性临床记录系统,脑磁图描记术(MEG)很少被应用来确定框架单方面的偏侧性。在这里,我们提出一个框架使用静息状态脑网络特性和支持向量机(SVM)框架基于梅格的偏侧性。我们招募了15个患者左框架与框架对15例,15岁,sex-matched健康对照组。然后将偏侧性问题转移到一系列的二元分类问题,包括左框架与健康的控制,正确的框架与健康控制和左右框架与框架。脑网络特性提取每个参与者使用三个网络指标(节点度、介数中心和节点效率)。径向基函数内核支持向量机(RBF-SVM)采用分类器。leave-one-subject-out交叉验证策略被用来测试这种方法克服个体差异的能力。结果显示,左框架的节点度表现最好与健康的控制和正确的框架与健康的控制,分别为80.76%和75.00%,准确度。中间性中心执行最好的左框架与右框架的准确性达88.10%。 The proposed approach demonstrated that MEG is a good candidate for solving the lateralization problem in unilateral TLE using various brain-network features.

1。介绍

颞叶癫痫(框架)是最常见的一种耐药局灶性癫痫成人(1]。框架通常是与(MTS),内侧颞叶硬化细胞损失,和海马的神经胶质过多症,内嗅皮层和杏仁核2]。目前,手术治疗是主要的治疗选择医学上棘手的框架(3]。然而,手术可以帮助只有70%的病人成为癫痫免费(4]。框架事实上,大约三分之一的患者无法控制癫痫发作,即使最好的药物和手术。正确的临床诊断框架对改善手术效果至关重要,需要训练有素的专业人员(5]。手册诊断框架的单边使用brain-neuroimaging方法是费时的,和不同的专家可能会让矛盾的诊断为相同的数据(6]。因此,客观、自动化工具,可以准确分类的大脑图像是可取的那些将要动手术的评估由癫痫引起的偏侧性框架。

支持向量机(SVM)方法是一种监督分类、机器学习技术和径向基函数(RBF)内核是最常用的核函数支持向量机(7]。作为分类工具,支持向量机技术是灵活,自动化,高效快速的在临床(8]。SVM算法应用了测量大脑形态(9),包括皮质厚度、体积、曲率和识别框架的MTS的病人。SVM方法已被用来确定框架的偏侧性致癫痫的聚焦与扩散张量成像(DTI)结构连接体(10]。另一项研究验证了支持向量机的使用分布MRI分类、框架和框架区别与MTS不会MTS准确率超过88% (8]。这些调查与MRI或DTI结合支持向量机。然而,最新的神经影像工具之一,脑磁图描记术(MEG),很少用于解决分类问题的单边框架。

在过去的十年中,梅格日益作为非侵入性,可用可靠、快速、便于患者使用技术来记录大脑活动(11- - - - - -14]。梅格被广泛应用为研究癫痫疾病,特别是大脑病理活动或病变的定位候选癫痫手术(15- - - - - -17]。此外,梅格已经研究了峰值检测的敏感性,这取决于两种传感器(磁强计和梯度仪)在内侧颞叶癫痫灶患者(18]。结果表明,磁强计在中央颞区更敏感,而梯度仪在外侧颞地区表现的更好。在另一项研究中,梅格的能力来确定内侧颞峰值的定位和方向是评估患者的认识框架内侧使用磁源成像(MSI)和等效电流偶极子(ECD) [19]。结果显示,MSI与儿童早期开发能够检测内侧颞峰值,患者提供重要的本地化信息框架内侧。梅格在我们先前的研究中,我们调查了内生关系neuromagnetic信号在癫痫和癫痫灶患者由临床数据,分析几种现有方法的性能定位癫痫病灶,如儿童早期开发,虚相干(IC),合成孔径磁力测定(山姆)20.]。结果表明,集成电路方法执行比儿童早期开发或山姆定量识别癫痫活动。因此,在当前的研究中,我们计算连接矩阵为所有参与者构建脑网络,基于集成电路的方法。

大脑区域以及它们之间的结构或功能关联构成神经网络。复杂网络分析是有用的定量描述大脑网络的属性与少量的网络措施(21,22]。最近的研究证实,框架影响分布式神经网络,extratemporal产生了广泛的影响,而不是一个单一的焦点由癫痫引起的来源(23- - - - - -26]。基于结构和功能连通性(FC)分析,越来越多的证据表明,大脑网络框架在患者病理改变(27- - - - - -30.]。萧et al。31日]调查FC改变默认模式网络框架(静),利用静息状态spike-free梅格录音。他们的研究结果显示,框架涉及FC在静息状态的变化,变化是与框架的偏侧性有关。在正确的框架,FC静息和右颞区域之间的增强,而左框架包括增强俱乐部之间的静息和双边内侧颞区域(31日]。通过分析静息状态梅格信号,金等。32)计算介数中心在框架中间的源代码级别的功能网络。结果表明,电生理功能中心反映病理生理改变脑网络重组(32]。来测试假设FC和网络特征有助于确定框架的偏侧性、杨等人提取静息状态功能脑网络特性作为输入到支持向量机(33]。通过分析交叉验证策略,他们的支持向量机模型预测的准确性达到83%和12个框架的病人。然而,很少有研究使用梅格数据构建功能性大脑网络调查单边病童的偏侧性。

在目前的研究中,我们提取的脑网络特性基于静息状态的患者和健康对照组梅格扫描,包括节点度、介数中心,和节点效率。的功能被用作输入到支持向量机分类框架,框架,和健康对照组。结果表明,节点度表现出最好的性能左框架对健康的控制框架,对健康的控制,而中间性中心为左框架与右框架表现最好。因此,我们的研究结果表明,梅格有利于解决框架单方面的偏侧性问题。

2。材料和方法

2.1。病人和健康控制参与者

三十框架单边患者(年龄范围:15 - 62岁,平均年龄:38年;15左右框架和15病童,南京脑科医院招募,南京医科大学。Seizure-type分类是基于国际抗癫痫联盟(ILAE)标准(34]的单侧性癫痫起源决定使用临床历史,一个全面的神经系统检查,发作脑电图记录和神经影像。15名健康志愿者(年龄范围:19-45年,平均年龄:27.9岁)被招募为控制没有历史神经或精神疾病相关的症状。没有明显的差异群体之间的年龄或性别。

2.2。道德声明

本研究全面的解释是提供给所有的病人和控制入学前参与者。所有参与者提供自愿和知情的书面同意根据标准设定的南京脑科医院伦理委员会南京医科大学,他批准了这项研究。

2.3。梅格录音

梅格录音进行,参与者坐在在一个磁屏蔽房间使用一个满头周大福275 -通道梅格系统(VSM医学技术系统公司,高桂林,公元前,加拿大)。在开始数据采集之前,三个小线圈被附加到鼻根,左,和右preauricular点每个参与者。三个线圈随后被激活在不同的频率来衡量每个人的头位置相对于梅格传感器。系统允许头定位1毫米的精度。梅格录音的采样率为1200 Hz。梅格所有数据记录与噪声取消三阶梯度。每个时代花了120秒和15世纪从每个参与者都被记录下来。头部位置测量之前和之后的每一个时代。可接受的极限运动在梅格记录是5毫米。自发的静息状态的活动记录,参与者仍在仰卧位,双眼紧闭。 The resting-state in this study was defined as spontaneous activity not evoked by cognitive tasks and in the absence of seizure activity.

2.4。MRI收购

MRI收购是类似于我们之前的研究20.]。照片被收购的3 T先生扫描仪(德国西门子医疗解决方案,埃朗根)。协议通常包括以下序列:(1)t1, 3 d被宠坏的gradient-recalled回声在稳态序列与TR = 7.5毫秒,TE = min,翻转角度= 15°,和视野= 240毫米×240毫米;(2)t2加权图像,2 d fluid-attenuated反转恢复(天赋)TR = 8000毫秒,TE = 120毫秒,TI = 2000毫秒,矩阵= 192×256,视野= 240毫米×240毫米,冠状切片厚度= 5毫米,轴向平面,分别。允许准确coregistration两个数据集,三个基准的点被放置在位置相同的三个线圈用于梅格录音。

2.5。梅格预处理

梅格录音都是视觉检查由两名有经验的epileptologists离线,和所有癫痫高峰的峰值是基于梅格手动录音。我们提取三个似稳段(每段20多岁)从每个参与者。段至少10年代离最近的癫痫放电和自由从眼睛——或肌肉工件或癫痫活动。然后,对数据进行带通滤波在1到4赫兹范围感兴趣的频段进行进一步分析。梅格的预处理和分析数据进行头脑风暴(35),证据确凿的软件包,是网上免费下载GNU通用公共许可证(下http://neuroimage.usc.edu/brainstorm)。

2.6。网络建设

Freesurfer的开源软件包被用来提取皮质信封(http://surfer.nmr.mgh.harvard.edu/fswiki/DownloadAndInstall)基于个人的每个主题MRI结果。感兴趣的皮质区域(ROI)的每个个体的重建大脑半球被确定每个参与者根据自动解剖标签模板,使用Desikan-Killiany地图册定义ROI (36]。每个主题的皮质表面downsampled 15000顶点。标准化的低分辨率的大脑电磁层析成像(sLORETA)被用来提取时间序列为每个顶点(37(有关详细信息,请参阅头脑风暴教程,http://neuroimage.usc.edu/brainstorm/Tutorials)。sLORETA基于minimum-norm估计(外资企业)和皮质源活动(电流密度)与个体规范化源标准差的估计每一点。外资企业可以通过转发模型符合梅格数据解决方案的最低能量。的方法已被确定为一个有效的工具功能映射,因为它是符合生理学和纠正本地化的能力。随后,动态电流源活动的优势在每个网格点平均投资回报率是代表每个ROI的皮质源动力。基于时变源优势,集成电路,它是敏感传导效应(38),被用来估计每一对之间的功能连通性roi。集成电路计算最近出版的细节(20.]。集成电路计算导致一个完整的68×68邻接矩阵为每个个体之间的roi。脑网络建设的流程图显示在图中1。

一般来说,网络可以用图表,包括组节点和相应的组节点之间的联系(22,39]。从这个意义上讲,roi的节点被认为是网络和集成电路的值被认为是它们之间的链接。我们从这些加权矩阵的图论指标计算使用格雷特纳工具箱(40)(https://www.nitrc.org/projects/gretna/)运行在Matlab(版本8.1 (R2013a) Mathworks Inc .)。稀疏阈值用于构造加权网络设置从5%(5%最强的连接(边缘)保持及其权重)为40%,与1%的步长,内所有可能的连接网络,因而产生36阈值加权网络。

2.7。特征提取

图论方法计算提供了三个特性来描述网络的节点属性在这工作,包括节点度(),节点效率()和中间性中心()。

节点中心的措施可以有效地描述网络中各个节点的重要性。节点度被认为是一个基本的和重要的中心和代表强烈一个节点是如何相互作用,结构,功能,与网络中其他节点。除了节点度,措施的中心可能是基于节点间最短路径的长度或数量(21]。加权的节点被定义为 在哪里网络中所有节点的集合,连接节点之间链接的重量吗和( )。

节点效率是最常见的一种措施的集成,可以视为逆平均最短路径长度(41]。加权节点效率被定义为 在哪里节点和数量吗节点之间最短的加权路径长度吗和 。

中间性中心基于节点间最短路径的数量是一个相对敏感的测量中心(42]。加权中间性中心定义为 在哪里节点之间最短的加权路径的数量吗和和节点之间最短的加权路径的数量吗和通过节点 。

为每个给定阈值的网络稀疏68分段roi的基于节点指标提取每个参与者和网络指标超过36阈值被用来构造特征向量为每个指标和每个主题。所有的阈值都经历了。最优阈值,可以提供最高的分类精度选择构建预测模型。

2.8。支持向量机分类

一个支持向量机分类器,能自动学习(监督学习)和生产决策超平面分类新的例子43,44]。在这项研究中,一个径向基函数内核支持向量机(RBF-SVM)被用来区分团体(左框架与健康对照组,右框架与健康对照组,框架和左和右框架)。线性支持向量机相比,RBF-SVM可以使用内核技巧提供了一种非线性边界变换非线性空间到高维空间(45]。RBF中常见 ,在那里高斯核函数的方差(5,46]。主成分分析(PCA)被用来进一步减少由此产生的特征空间(47]。SVM计算都使用了LIBSVM工具箱,可用https://www.csie.ntu.edu.tw/ ~ cjlin / libsvm(48]。

在这项研究中,我们使用了leave-one-subject-out交叉验证。在每个步骤中,在课堂上一个主题1和一个主题类2构造一个测试集,和剩下的数据作为训练集,例如,在左框架与右框架的情况下,左右框架组,分别包含15个主题。交叉验证,一个主题框架从左集团形成了测试集和任何人从右框架组,详尽获取15×15 = 225组合对应的一系列二进制分类。混合一个主题在训练集和测试集的数据会给算法先验知识,导致假精度高。因此,leave-one-subject-out交叉验证是一个公平的评价方案,真正揭示了克服个体差异分类器的鲁棒性。换句话说,这是一个样本外的策略,以确保建立分类器对样本外的个人主体的普遍性(49- - - - - -51]。

混淆矩阵被用来评估算法的性能。指定的偏侧性问题分成三个二进制分类,包括正确的框架与健康的控制,左框架与健康的控制,,最重要的是,左框架与右框架。对于每个任务,样本在第一节课被认为是“积极的”被认为是“负样本在第二个类。”因此,对于每一个测试样本,二元分类器有四个可能的结果:真阳性(TP);假阳性(FP);真阴性(TN);假阴性(FN)。

五个混淆矩阵中的值是用来评估算法的性能:精度= (TP + TN) / (TP + FP + TN + FN);敏感性= TP / (TP + FN);特异性= TN / (FP + TN);阳性预测值,PPV = TP / (TP + FP);消极的预测价值,NPV = TN / (FN + TN)。

RBF-SVM分类的流程图如图2。

2.9。主成分分析(PCA)

主成分分析是一种统计程序,它使用一个正交变换将一组观测可能相关变量转化为一组线性不相关的变量叫做主成分值。使用它来减少分类特征向量的维度。相对较小的尺寸可能提高计算效率,特别是在问题大量的样品和高维度的特征向量。与此同时,PCA操作可能减少无用的组件特征向量,生产更高的混淆矩阵的值。

该算法遍历n(1 - 68)68年的PCA组件对应特征值的降序排列。只有最优组件是保留构建预测模型。

3所示。结果

虽然分类支持向量机是一种强大的工具,但途径算法操作通常是非常耗时的。在使用支持向量机之前,它仍然是有价值的检查网络指标能否不同群体的援助支持向量机进行分类。集团68年不同大脑区域网络中的指标计算基于最优阈值和双尾检验测试独立样本。的大脑区域差异( 未修正的)显示在表中1。错误发现率(罗斯福)校正52)( )是用来控制多个比较。没有显著差异在罗斯福修正。这个结果表明需要的特征向量映射到高维空间,从而能够区分梅格数据由一个强大的分类器,比如RBF-SVM。

RBF-SVM是用来建立一个非线性模型,基于神经网络预测框架一侧特性使用leave-one-subject-out交叉验证策略。RBF-SVM分类的性能估计通过计算如上定义的混淆矩阵值。团体之间的分类性能表所示2。节点度(),RBF-SVM分类器的分类精度最高的左框架与健康对照组(80.76%)。节点效率(),生成的分类器获得一个适当的水平的准确性对左边框架与健康对照组(77.38%)和正确的框架与健康对照组(73.81%)。中间性中心()最低的准确性提供了框架与健康对照组和右框架与健康对照组。然而,对于左框架与右框架,实现最高精度(88.10%),使其成为最佳功能偏侧性框架的患者群体。

4所示。讨论

特征向量是由网络措施基于大脑区域在源空间,而不是在头皮上的传感器节点。与每一个大脑区域解剖或功能标签从给定阿特拉斯有自己的大小和形状,而传感器节点大小相同的飞机,大约在头皮equidistributed [18]。虽然框架会导致病理生理变化在某些大脑区域,变化在大脑皮层可能不是均匀分布。另一方面,网络分析在源空间使用梅格录音已经越来越多地应用于神经科学和神经障碍(53]。因此,我们选择了大脑区域为基本单位(网络节点)来计算网络的措施,作为支持向量机的特征向量。

指标用来衡量每个对网络中节点之间的连接也应该精心挑选。与其他体积传导不敏感的措施相比,如相位滞后指数(PLI) [54)和加权相位滞后指数(WPLI) (55),IC系统不是最新的,被认为低估了真正的耦合强度,因为它可实现虚拟组件通过信号振幅(54]。然而,集成电路仍然是一个广泛使用的技术,揭示改变FC和已应用于例脑瘤56),脑损伤(57),和其他疾病。此外,在源代码级别的网络分析,集成电路已经建议有效地代表真正的耦合两个脑区与非零延时使用梅格数据(31日,58]。因此,我们使用了集成电路计算方法的FC矩阵每个主题在源空间。

在目前的研究中,我们利用了神经网络的节点属性分类框架单边患者和健康对照组通过RBF-SVMs leave-one-subject-out训练和测试使用的交叉验证方法。分类精度分别为73.81%,80.76%为左框架与健康对照组,65.48%到75.00%的正确的框架和控制,和73.81%到88.10%左右框架与框架,分别。在不同分类测试,最好的分类精度(88.10%)获得了在左框架与右框架使用中间性中心。不仅目前的结果表明,节点度,而且中间性中心和节点效率可以达到分类精度密切单边框架与健康对照组。有趣的是,中间性中心表现好于节点度和节点效率在我们的研究框架分类框架左和右。直观地表示结果,我们使用一个雷达图表(图3)比较的相对混淆矩阵值三个特性。在图表中,五角大楼用于表示每个特性的性能对五性能措施混淆矩阵中定义在上面的部分中;对于每个功能,它的五个绩效指标中每个五角大楼的五个顶点代表人物3。更好的特性占据更大区域的雷达图表。很明显,功能(中间性中心)在所有混淆矩阵值比表现更好(学位),(节点效率)。的最大区别和的敏感性是14.29%,特异性和准确性。类似地,中间状态的相对性能优越的中心框架左框架与右使它更有价值的临床使用,如帮助癫痫灶定位。

一般来说,一个大维度的特征向量可能成倍增加的复杂性SVM分类器。因此,特征向量维度的价值预期的前提下尽可能小的分类精度。这并不是一个重大的障碍在当前研究,因为尺寸是有限的最大值为68,每个类的样本容量只有45岁。然而,为进一步的研究提供一些参考,这一问题进行了研究。对于空间的缘故,我们说明了一个额外的实验的最佳特性( ,中间性中心)框架在左和右框架分类展示PCA的影响在我们的研究中。图4表明之间的关系分类的准确性和PCA组件的数量根据特征值的降序排列。分类精度提高的PCA组件和高原在55(95%百分位)88.10%的分类精度,实现降维(68−55)/ 68 = 19.12%。PCA组件的数量之间的关系和分类精度保持在其他分类情况下类似的模式。

当前的研究应考虑有两个优点。首先,类似于之前的研究(10),我们的研究使用了一个基于脑网络的节点属性的方法是输入到支持向量机。证据表明,单边框架是一个网络疾病而不是疾病与一个焦点地区(23- - - - - -26]。此外,图论指标能够总结网络属性计算成本低于分布和skeleton-based方法(8,10,59]。此外,框架分类的偏侧性,梅格的时间分辨率高于磁共振成像(9,45),功能磁共振成像(33],或DTI [8,10,59]。因此,方法,可以分析不同频带的影响,尤其是频带痫性放电,生成。研究表明,不对称和三角洲的缓慢活动带(1 - 4赫兹)可以可靠地使向侧面由癫痫引起的大脑半球(14,60- - - - - -62年]。事实上,三角洲带活动的显著差异被发现框架之间的病人和控制网络分析(31日,63年,64年]。因此,我们只选择一个频带,三角洲乐队,我们感兴趣的频段。虽然我们建议δ波段的网络指标最优选择的偏侧性,识别和进一步的研究确认最好的乐队偏侧性的结果。

大年龄的受试者在当前的研究中应考虑作为一个潜在的限制。因为一个可用的合适的患者相对较少,很难招募到足够的病人在一个狭窄的年龄范围。提高我们的研究结果的可靠性,我们计划进行未来的研究框架的偏侧性的患者样本较小的年龄范围。

临床上,更重要的是提高分类精度的左框架与右框架比增加框架的患者与健康对照组。我们的研究结果表明,网络的特点比和与健康的分类框架左右控制,精度为80.76%和75.00%,分别。然而,在框架左和右的分类框架,指标具有较好的分类精度(88.10%)比吗和 ,这是重要的框架确定单边的偏侧性的诊所。我们的结果可以比较与最近的一项研究[10),还利用支持向量机方法来确定框架的偏侧性致癫痫的焦点。在这个研究中,输入向量被四个图论指标是基于DTI的信号。,并且符合我们的发现,有趣的是,他们的研究结果表明,左框架与健康的控制框架,对健康的控制,分类器基于节点度()有最好的分类性能比其他三个措施。为左框架与右框架,他们的研究结果显示,指标分类精度最高。因此,我们建议,在诊所,当框架确定病人从控制度规是一个最佳选择,当评估框架单边的偏侧性,度量将会是一个更好的一个。

5。结论

作为一个相对较新的无创性临床记录系统,梅格是一个癫痫诊断的有力工具。然而,梅格很少申请框架确定单边的偏侧性。本研究表明,梅格是一个很好的候选人解决分类问题的单边框架和梅格源空间区域的网络特性可以有效地用于确定偏侧性。使用基于中间性RBF-SVM方法的分类精度中心框架能够实现88.10%的准确性偏侧性。

信息披露

投资者没有参与研究设计、数据收集和分析,决定发表,或准备的手稿。

的利益冲突

作者宣称没有利益上的冲突。

作者的贡献

吴Ting设计实验和写论文。奇奇陈和张瑞进行了实验和数据收集。Junpeng,正为温榆,凌Yuejun李、陈两人,和张执行统计分析和数据解释。Suiren Wan Junpeng张审查和修订后的手稿。天子江泽民和Junpeng张的构思和设计实验。

确认

作者感谢亚当•菲利普斯博士,从梨纹Bianji Edanz集团,中国(https://www.liwenbianji.cn/ac),编辑英语文本草案的手稿。他们也感谢张一帆,志强倪,齐谢,精选崔从四川大学帮助他们梅格数据导入到头脑风暴,进行主要分析。这项工作得到了南京医学科学技术发展基金会、南京健康年轻人才培训项目,江苏省六大人才高峰计划wsn -(2015 - 072),国家自然科学基金委资助(81470085和81470085号),促进科技和成都项目中(没有的人。2016 - hm01 - 00462 - sf)。

引用

1. z汉尼弗,a . Lenartowicz h . j .叶h·s·莱文,j·恩格尔Jr .)和j·m·斯特恩,“海马的功能连接网络在颞叶癫痫,”Epilepsia,55卷,不。1,第145 - 137页,2014。视图:出版商的网站|谷歌学术搜索
2. 公元前伯恩哈特,s . j ., a .; 8:32和n .; 8:32“成像在颞叶癫痫、大脑结构和功能网络”人类神经科学前沿第624条,卷。7日,14页,2013。视图:出版商的网站|谷歌学术搜索
3. c . LoPinto-Khoury m·r·斯珀林c Skidmore et al .,“手术结果在PET-positive MRI-negative颞叶癫痫患者,”Epilepsia,53卷,不。2、342 - 348年,2012页。视图:出版商的网站|谷歌学术搜索
4. i . y . Capraz g·库尔特,O。Akdemir et al .,“患者的手术结果MRI-negative, PET-positive颞叶癫痫,”癫痫发作,29卷,第68 - 63页,2015年。视图:出版商的网站|谷歌学术搜索
5. a . m . Murugavel和美国Ramakrishnan,”分级多层次SVM与榆树内核癫痫EEG信号分类,“医学和生物工程和计算,54卷,不。1,第161 - 149页,2016。视图:出版商的网站|谷歌学术搜索
6. siu和y,“设计一个健壮的基于最优分配的特征提取方法和主成分分析对癫痫EEG信号分类,“计算机在生物医学方法和项目,卷119,不。1,29-42,2015页。视图:出版商的网站|谷歌学术搜索
7. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
8. n . k .福克m . Yogarajah m . r . Symms o·格鲁伯,w•保卢斯和j·s·邓肯,”自动图像分类在颞叶癫痫,先生”科学杂志卷,59号1,第362 - 356页,2012。视图:出版商的网站|谷歌学术搜索
9. j·d·Rudie j·b·科尔比和n .班子“机器学习的分类在癫痫患者中,内侧颞叶硬化”癫痫的研究卷,117年,第69 - 63页,2015年。视图:出版商的网站|谷歌学术搜索
10. k . Kamiya s Amemiya y铃木et al .,“机器学习的dti大脑结构连接体侧颞叶癫痫,”磁共振医学科学,15卷,不。1,第129 - 121页,2016。视图:出版商的网站|谷歌学术搜索
11. s . Braeutigam”已有和新兴的临床应用脑磁图描记术:基本面和放射学,”ISRN放射学卷,2013队,2013页。视图:出版商的网站|谷歌学术搜索
12. e·弗利a . Cerquiglini a Cavanna et al .,“脑癫痫和意识的研究中,“癫痫和行为卷,30 38-42,2014页。视图:出版商的网站|谷歌学术搜索
13. r·哈里和r . Salmelin脑磁图描记术:从鱿鱼到神经科学。神经影像学20周年特别版。”科学杂志,卷61,不。2、386 - 396年,2012页。视图:出版商的网站|谷歌学术搜索
14. d . j . Englot s纳·d·d·王et al .,”的敏感性和意义边音的脑磁图描记术在局灶性癫痫发作缓慢活动,“癫痫的研究卷,121页的第21至28,2016。视图:出版商的网站|谷歌学术搜索
15. s p·伯恩斯,s . Santaniello r . b . Yaffe et al .,“大脑网络动力学和影响癫痫发作的发病区,“美国国家科学与美利坚合众国,卷111,不。49岁的E5321-E5330, 2014页。视图:出版商的网站|谷歌学术搜索
16. b·a·艾瑟夫巴德k·m·卡卡,地下k·d·宽松et al .,“脑颞叶癫痫源定位和手术结果,“临床神经生理学,卷115,不。9日,第2076 - 2066页,2004年。视图:出版商的网站|谷歌学术搜索
17. c·t·安德森,c·e·卡尔森z . Li和m . Raghavan“癫痫手术的术前评估脑磁图描记术”,当前神经病学和神经科学报告,14卷,不。5,2014。视图:出版商的网站|谷歌学术搜索
18. r . Enatsu n . Mikuni k .臼井仪人et al .,“有用的梅格磁力仪检测内侧颞叶癫痫患者的关注,“科学杂志第41卷。。4、1206 - 1219年,2008页。视图:出版商的网站|谷歌学术搜索
19. k . Kaiboriboon m .地幔纳和h·e·基尔希,”梅格发作/ MSI棘手的内侧颞叶癫痫:产量和描述,“临床神经生理学,卷121,不。3、325 - 331年,2010页。视图:出版商的网站|谷歌学术搜索
20. t . Wu美国通用电气、r . Zhang et al .,“Neuromagnetic癫痫活动的一致性:梅格研究,“癫痫发作,23卷,不。6,417 - 423年,2014页。视图:出版商的网站|谷歌学术搜索
21. m . Rubinov o·斯波恩,“复杂的大脑连通性:网络措施使用和解释,“科学杂志,52卷,不。3、1059 - 1069年,2010页。视图:出版商的网站|谷歌学术搜索
22. 欧斯波恩,d . r . Chialvo m·凯泽和c c . Hilgetag”组织,大脑发育和功能复杂的网络,”认知科学趋势,8卷,不。9日,第425 - 418页,2004年。视图:出版商的网站|谷歌学术搜索
23. 蒋介石和z汉尼弗”,图论的发现在颞叶癫痫的病理生理学,”临床神经生理学,卷125,不。7,1295 - 1305年,2014页。视图:出版商的网站|谷歌学术搜索
24. l . Bonilha c . Rorden j·j·哈尔福德et al .,“不对称extra-hippocampal灰质损失相关的海马萎缩在内侧颞叶癫痫患者,”《神经学、神经外科、精神病学,卷78,不。3、286 - 294年,2007页。视图:出版商的网站|谷歌学术搜索
25. b . m . de Campos a·c·科安c .林Yasuda r·f·Casseb f . Cendes,“大规模脑网络明显影响左、右内侧颞叶癫痫,”人类大脑图谱,37卷,不。9日,第3152 - 3137页,2016年。视图:出版商的网站|谷歌学术搜索
26. f . Pittau c . Grova f·穆勒,f . Dubeau和j . Gotman”模式改变功能连通性的内侧颞叶癫痫,”Epilepsia,53卷,不。6,1013 - 1023年,2012页。视图:出版商的网站|谷歌学术搜索
27. Y.-M。示范,我。金,b。古永锵et al .,“类属特异性的扩散张量成像区域白质异常显示的内侧颞叶癫痫没有海马硬化,”Epilepsia,51卷,不。4、529 - 535年,2010页。视图:出版商的网站|谷歌学术搜索
28. l . Su, j .,问:妈,秋,和d,“静息状态网络对偏侧性的功能连通性的影响中央的颞叶癫痫,”美国神经放射学杂志》,36卷,不。8,1479 - 1487年,2015页。视图:出版商的网站|谷歌学术搜索
29. n . l .沃c·f·贝克曼d·m·科尔在香港,a .; 8:32和n .; 8:32“结构基质网络中断颞叶癫痫,休息”大脑,卷135,不。8,2350 - 2357年,2012页。视图:出版商的网站|谷歌学术搜索
30. h·朱j .朱t .赵et al .,“改变的颞叶癫痫患者发作的大脑活动占主导地位在左半球:梅格静息状态的一项研究中,“生物医学研究的国际文章ID 171487卷,2014年,2014年。视图:出版商的网站|谷歌学术搜索
31. F.-J。萧,H.-Y。Yu W.-T。Chen等人“增加内在连接的默认模式网络在颞叶癫痫:从静止状态梅格录音证据,”《公共科学图书馆•综合》,10卷,不。6篇文章ID e0128787 2015。视图:出版商的网站|谷歌学术搜索
32. 工程学系。金,w·宋,c . k .钟”内侧颞叶癫痫与海马硬化是一个网络障碍,改变皮质中心,“Epilepsia卷,56号5,772 - 779年,2015页。视图:出版商的网站|谷歌学术搜索
33. z, j . Choupan d·鲁特,j .霍金“侧颞叶癫痫基于静息状态功能磁共振成像和机器学习,”神经学前沿》第六卷,货号。184年,2015年。视图:出版商的网站|谷歌学术搜索
34. ILAE”,建议修改分类的癫痫,癫痫症状。分类和术语委员会国际抗癫痫联盟”Epilepsia,30卷,不。4、389 - 399年,1989页。视图:出版商的网站|谷歌学术搜索
35. f . Tadel s Baillet j·c·莫舍d . Pantazis和r·m·莱希“头脑风暴:一个用户友好的应用程序为梅格/脑电图分析,“计算智能和神经科学文章ID 879716卷,2011年,13页,2011。视图:出版商的网站|谷歌学术搜索
36. r . s . Desikan f . Segonne b费施尔et al .,“细分人类大脑皮层的自动标注系统基于核磁共振扫描到旋转的感兴趣的区域,“科学杂志没有,卷。31日。3、968 - 980年,2006页。视图:出版商的网站|谷歌学术搜索
37. r·d·Pascual-Marqui“标准化的低分辨率的大脑电磁层析成像(sLORETA):技术细节,”方法和结果在实验和临床药理学,24卷,5 - 12,2002页。视图:谷歌学术搜索
38. g .诺尔特欧巴姨,l·惠顿z玛丽,s . Vorbach和m·哈雷特”识别真正的大脑从脑电图数据交互使用一致性的虚部,“临床神经生理学,卷115,不。10日,2292 - 2307年,2004页。视图:出版商的网站|谷歌学术搜索
39. c·j·斯塔姆和j . c . Reijneveld图理论分析复杂网络在大脑中,“EPJ非线性生物医学物理,1卷,不。3,2007。视图:出版商的网站|谷歌学术搜索
40. x x j . Wang Wang m .夏辽,A·埃文斯和y,”格雷特纳:图理论对成像——神经网络分析工具箱,”人类神经科学前沿9卷,货号。386年,2015年。视图:出版商的网站|谷歌学术搜索
41. 诉Latora和m . Marchiori”小世界网络的有效行为,”物理评论快报卷,87篇文章。198701年,2001年。视图:出版商的网站|谷歌学术搜索
42. l·c·弗里曼,”中心在社交网络概念澄清,“社交网络,1卷,不。3、215 - 239年,1978页。视图:出版商的网站|谷歌学术搜索
43. 利马c . a . m ., a·l·v·科埃略,恰加斯,“自动脑电图信号分类癫痫诊断相关向量机,”专家系统与应用程序,36卷,不。6,10054 - 10059年,2009页。视图:出版商的网站|谷歌学术搜索
44. n设置和c . Guzeliş”自动峰值检测脑电图的两阶段过程中基于支持向量机,”计算机在生物学和医学,34卷,不。7,561 - 575年,2004页。视图:出版商的网站|谷歌学术搜索
45. d . Cantor-Rivera a。r .汗,m . Goubran s m . Mirsattari t·m·彼得斯,“颞叶癫痫中使用支持向量机检测不确定型定量成像,先生”计算机医学影像和图形卷,41 14-28,2015页。视图:出版商的网站|谷歌学术搜索
46. 我完全懂得,o·奥斯曼,s . Ozekes m . b . Baslo m . Ertas y两重身份,“青少年肌阵挛癫痫分类数据通过扫描获得的肌电图与机器学习算法,”医疗系统杂志,36卷,不。5,2705 - 2711年,2012页。视图:出版商的网站|谷歌学术搜索
47. a Subasi和m . i Gursoy EEG信号分类使用PCA、ICA LDA和支持向量机,”专家系统与应用程序,37卷,不。12日,第8666 - 8659页,2010年。视图:出版商的网站|谷歌学术搜索
48. c . Chang和c·林,“LIBSVM:支持向量机的库,”ACM智能交易系统和技术,卷2,不。3、第二十七条,2011年。视图:出版商的网站|谷歌学术搜索
49. m·d·罗森博格e·s·芬恩·d·Scheinost et al .,”的持续注意neuromarker整个大脑功能连接,”自然神经科学,19卷,不。1,第171 - 165页,2015。视图:出版商的网站|谷歌学术搜索
50. j·杜布瓦和r .人物、“建立科学fMRI的个体差异,“认知科学趋势,20卷,不。6,425 - 443年,2016页。视图:出版商的网站|谷歌学术搜索
51. e·s·芬恩x沈,d . Scheinost et al .,“功能连接体指纹识别:识别个人使用的大脑连接模式,”自然神经科学,18卷,不。11日,第1671 - 1664页,2015年。视图:出版商的网站|谷歌学术搜索
52. y Benjamini和y .业务控制错误发现率:一个实用和强大的多个测试方法,”皇家统计学会学报B:方法论卷,57号1,第300 - 289页,1995。视图:谷歌学术搜索|MathSciNet
53. 美国Baillet”,脑电生理学和成像、脑磁图描记术”自然神经科学,20卷,不。3、327 - 339年,2017页。视图:出版商的网站|谷歌学术搜索
54. c·j·斯塔姆、g·诺尔特和a . Daffertshofer“相位滞后指数:评估功能连通性的多通道脑电图和梅格从常见的来源减少偏见,”人类大脑图谱,28卷,不。11日,第1193 - 1178页,2007年。视图:出版商的网站|谷歌学术搜索
55. m . Vinck r . Oostenveld m . Van Wingerden f·巴塔利亚,和c . m . a . Pennartz“电生理数据的一种改进的相位同步指数volume-conduction,噪音和样本容量偏差,“科学杂志,55卷,不。4、1548 - 1565年,2011页。视图:出版商的网站|谷歌学术搜索
56. j·马蒂诺,s m .本a . m . Findlay et al .,“休息功能连通性脑瘤患者在雄辩的地区,”神经病学年鉴,卷69,不。3、521 - 532年,2011页。视图:出版商的网站|谷歌学术搜索
57. a·g·Guggisberg s . m .本et al ., a . m .•芬德雷”映射功能连通性脑损伤患者。”神经病学年鉴,卷63,不。2、193 - 203年,2008页。视图:出版商的网站|谷歌学术搜索
58. a . Elshahabi s Klamer a . k .阁下h·莱赫奇c·布劳恩和n·k·福克,“脑磁图描记术揭示了一个广泛的网络连通性增加特发性/遗传全身性癫痫,”《公共科学图书馆•综合》,10卷,不。9篇文章ID e0138119 2015。视图:出版商的网站|谷歌学术搜索
59. z . p . j .一方,w . Wang, d . Hu和秋,“减少白质完整性在内侧颞叶癫痫:机器学习的方法,”NeuroReport,25卷,不。10日,788 - 794年,2014页。视图:出版商的网站|谷歌学术搜索
60. j . c . Baayen a . De Jongh c·j·斯塔姆et al .,“定位肿瘤相关癫痫患者的慢波活动”大脑地形,16卷,不。2、85 - 93年,2003页。视图:出版商的网站|谷歌学术搜索
61. m . Koutroumanidis c . Martin-Miguel m . j .轩尼诗et al .,“颞叶癫痫发作时间三角洲活动:相关性和病理结果,“Epilepsia,45卷,不。11日,第1367 - 1351页,2004年。视图:出版商的网站|谷歌学术搜索
62. 美国j·m·史密斯,”脑电图诊断、分类和管理的癫痫患者,”神经病学在实践中,卷76,不。2,pp. ii2-ii7, 2005年。视图:出版商的网站|谷歌学术搜索
63. m·a·Quraan c·麦考密克m·科恩t . a . Valiante m·p·麦克安德鲁斯,“改变大脑静息状态的动力学在颞叶癫痫可以观察到光谱,功能连通性和图论指标,”《公共科学图书馆•综合》,8卷,不。7篇文章ID e68609 2013。视图:出版商的网站|谷歌学术搜索
64. s . c . Ponten f . Bartolomei, c·j·斯塔姆”小世界网络和癫痫:图理论分析记录的鼠脑内中央的颞叶癫痫,”临床神经生理学,卷118,不。4、918 - 927年,2007页。视图:出版商的网站|谷歌学术搜索

版权

版权©2018吴Ting et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。