NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Beyin sinyal çözme, klinik beyin bilgisayar arayüzlerinin (BCI) gelişiminde önemli ilerlemeler vaat ediyor. Parkinson hastalığında (PD), adaptif derin beyin stimülasyonu (DBS) için ilk çift yönlü BCI implantları artık mevcuttur. Beyin sinyali kod çözme, adaptif DBS'nin klinik yararını genişletebilir, ancak sinir kaynağı, hesaplama yöntemleri ve PD patofizyolojisinin kod çözme performansı üzerindeki etkisi bilinmemektedir. Bu, gelecekteki nöroteknolojinin gelişimi için karşılanmamış bir ihtiyacı temsil eder. Bunu ele almak için, DBS geçiren 11 PD hastasında, kavrama-kuvvetini, temsili bir hareket kod çözme uygulamasını tahmin etmek için intraoperatif sensorimotor elektrokortikografi (ECoG) ve subtalamik LFP'ye dayanan invazif bir beyin-sinyal kod çözme yaklaşımı geliştirdik. ECoG'nin doğru kavrama-kuvvet kod çözme için subtalamik LFP'den daha üstün olduğunu gösteriyoruz. Gradient, karar ağaçlarını (XGBOOST) diğer model mimarilerinden daha iyi performans gösterdi. ECoG tabanlı kod çözme performansı, motor hazırlama ve hareket döneminde subtalamik beta patlamalarına atfedilebilecek motor bozukluğu ile negatif korelasyon gösterdi. Bu, PD patofizyolojisinin hareket canlılığını kodlamak için sinirsel kapasite üzerindeki etkisini vurgulamaktadır. Son olarak, tek tek ECoG kanallarının kavrama-kuvvet kod çözme performansını, hastalar arasında konektomik parmak izlerini kullanarak tahmin edebilecek bir konektomik analiz geliştirdik. Çalışmamız, akıllı adaptif DBS'ye bireyselleştirilmiş hassas ilaç yaklaşımının geliştirilmesine yardımcı olmak için invazif beyin sinyali kod çözme için nörofizyolojik ve hesaplamalı bir çerçeve sağlar.
Özgün kaynak özetini okuyun
Brain signal decoding promises significant advances in the development of clinical brain computer interfaces (BCI). In Parkinson's disease (PD), first bidirectional BCI implants for adaptive deep brain stimulation (DBS) are now available. Brain signal decoding can extend the clinical utility of adaptive DBS but the impact of neural source, computational methods and PD pathophysiology on decoding performance are unknown. This represents an unmet need for the development of future neurotechnology. To address this, we developed an invasive brain-signal decoding approach based on intraoperative sensorimotor electrocorticography (ECoG) and subthalamic LFP to predict grip-force, a representative movement decoding application, in 11 PD patients undergoing DBS. We demonstrate that ECoG is superior to subthalamic LFP for accurate grip-force decoding. Gradient boosted decision trees (XGBOOST) outperformed other model architectures. ECoG based decoding performance negatively correlated with motor impairment, which could be attributed to subthalamic beta bursts in the motor preparation and movement period. This highlights the impact of PD pathophysiology on the neural capacity to encode movement vigor. Finally, we developed a connectomic analysis that could predict grip-force decoding performance of individual ECoG channels across patients by using their connectomic fingerprints. Our study provides a neurophysiological and computational framework for invasive brain signal decoding to aid the development of an individualized precision-medicine approach to intelligent adaptive DBS.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.