IEEE J Biomed Health Inform：基于全脑的动态分析，构建癫痫脑网络的全新计算方法-杭州脑海科技有限公司

点击【下方卡片】关注我们~最新前沿资讯抢先看

开放转载，欢迎大家转发到朋友圈和微信群

可添加小编微信【13295818579】获取原文

癫痫是一种严重的神经系统疾病，超过50%的患者在儿童期发病。有效治疗癫痫可预防严重的长期影响，如脑功能障碍。近年来的研究表明，癫痫是一种脑网络疾病。因此，癫痫网络的构建对癫痫的机制研究及临床诊断和治疗具有重要意义。

近期，中国科学院苏州生物医学工程技术研究所的刘燕博士及其研究团队在IEEE J Biomed Health Inform（IF=7.7）上发表了题为“Whole-Brain Dynamic Resting-State Functional Network Analysis in Benign Epilepsy With Centrotemporal Spikes”的文章，研究基于头皮空间的静息态用低密度脑电图（EEG）记录，提出了一种基于全脑动态的静息态功能网络（DFN）计算方法，以更好地构建癫痫脑网络。与传统的静息态功能网络（SFN）相比，本研究提出的DFN可以揭示BECTS患者和健康对照之间的显著差异（例如全局效率较低），从而在源空间上匹配传统的静息态功能磁共振（fMRI）和脑电源成像（ESI）方法。

目前，功能磁共振成像（fMRI）和脑电图（EEG）通常用于构建癫痫脑网络。脑电图无创、可穿戴、性价比高，尤其适用于儿童脑功能监测。

伴中央颞区棘波的小儿良性癫痫（BECTS）是儿童最常见的癫痫类型。fMRI和脑电源成像（ESI）研究均表明BECTS与源空间的静息态功能网络（SFN）改变（如全局效率降低）相关。然而，当仅使用临床常规低密度EEG记录在头皮空间进行SFN计算时，上述变化并不显著。

静息态功能网络动态分析方法的流水线

基于脑电微状态的概念，研究人员提出了DFN计算方法。该方法有助于更好地分析全脑功能状态的动态特性，另一方面，实现了每个微状态下功能子网络拓扑的显示。

研究结果表明，所提出的DFN能够揭示BECTS个体与健康对照个体之间的显著差异，在β频段的微状态C 具有较低的全局效率。这使得它优于传统的SFN，并使其能够在源空间上匹配传统的fMRI和ESI方法。BECTS患者的网络整合能力相比于健康对照者较差。

BECTS和健康对照组网络的时间特性

不同频段和微状态下的Pearson相关分析

新方法直接从临床常规低密度脑电图记录中进行DFN计算，避免了复杂的ESI计算，具有很好的临床应用前景，特别是在门诊诊断阶段。此外，该方法还可应用于其他脑部疾病的机制探索、辅助临床诊断和治疗等。

参考文献

Zhang, S., Tang, J., Huang, J., Suo, G., Zhou, Z., You, B., Dai, Y., & Liu, Y. (2022). Whole-Brain Dynamic Resting-State Functional Network Analysis in Benign Epilepsy With Centrotemporal Spikes.IEEE journal of biomedical and health informatics, 26(8), 3813–3821. https://doi.org/10.1109/JBHI.2022.3164907

资讯来源

https://medicalxpress.com/news/2022-06-method-epilepsy-brain-networks.html

欢迎加入前沿资讯交流群，入群方式：

添加小编微信13295818579

备注（姓名-工作单位/院校-研究方向-文献交流）

（可扫描下方二维码）