Evaluation eines Algorithmus, basierend auf „Integrate and Fire“-Neuronen zur Anfallserkennung und -prädiktion

Die Erkennung und Prädiktion epileptischer Anfälle aus EEG-Registrierungen ist von erheblichem praktischen Wert und von theoretischem Interesse bei der Verbesserung des Verständnisses der Grundlagen der Entstehung iktualer Aktivität. In der vorliegenden Untersuchung wird anhand von Langzeit-EEG-Registrierungen ein publizierter Algorithmus hinsichtlich seiner Leistungsfähigkeit untersucht. Verwendet werden simultane invasive und Oberflächen-Langzeit-EEG-Registrierungen von Patienten mit fokalen Epilepsien, die sich einem prächirurgischen Monitoring unterzogen. Kontinuierliche Registrierungen von mindestens 48h Dauer, in denen sich mindestens ein klinisch manifester Anfall ereignete, wurden mittels Algorithmus, basierend auf dem Prinzip einfacher „Integrate and Fire“-Neurone analysiert. Hierbei werden Spike-Trains gewonnen, welche die zeitliche Charakteristik des einzelnen EEG widerspiegeln. Für jeden EEG-Kanal werden die so erhaltenen Spike-Trains auf zeitlich koinzidentes Verhalten zwischen den Kanälen hin untersucht. Die hieraus resultierende „Spiking-Rate“ wird auf systematische iktuale und präiktuale Änderungen hin ausgewertet. Die Sensitivität und Spezifität der Erkennung und Prädiktion von Anfallsmustern wird verglichen zwischen simultanen Oberflächen-EEG-Registrierungen und invasiven fokalen und nicht-fokalen Registrierpositionen.