Διερεύνηση της δυνατότητας πρόβλεψης των νευρωνικών εκπολώσεων από τα δυναμικά τοπικού πεδίου. Χρήση μικροηλεκτροδιακών καταγραφών από τον υποθαλαμικό πυρήνα παρκινσονικών ασθενειών που υποβάλλονται σε εν τωω βάθει εγκεφαλιή διέγερση

Abstract

Πρόσφατα αναπτύχθηκαν μοντέλα τα οποία, οδηγούμενα από σήματα δυναμικού τοπικού πεδίου του υποθαλαμικού πυρήνα ασθενών με νόσο του Πάρκινσον, προβλέπουν την εκφορτιστική δραστηριότητα της περιοχής αυτής του εγκεφάλου. Σκοπό της παρούσας εργασίας αποτελεί η πρόβλεψη των δυναμικών ενέργειας με τη χρήση τεχνητών νευρωνικών δικτύων Perceptron πολλαπλών στρωμάτων.

Η εκπαίδευση και πιστοποίηση των μοντέλων βασίστηκε σε πραγματικές καταγραφές από τον υποθαλαμικό πυρήνα ασθενών με νόσο του Πάρκινσον που αποκτήθηκαν κατά τη διαδικασία της εν τω βάθει εγκεφαλικής διέγερσης. Η διέγερση επιτεύχθηκε με χειρουργική τοποθέτηση ενός νευροδιεγέρτη σε δέκα ασθενείς της Νευροχειρουργικής Κλινικής του Νοσοκομείου «Ευαγγελισμός».

Από τις καταγραφές αυτές αρχικά το δυναμικό τοπικού πεδίου διαχωρίστηκε από τα δυναμικά ενέργειας με τη χρήση ψηφιακών φίλτρων και στη συνέχεια εξήχθη η πληροφορία του ακριβούς χρονισμού των δυναμικών ενέργειας. Οι προσομοιώσεις απέδειξαν ότι το νευρωνικό δίκτυο Perceptron προβλέπει τα δυναμικά ενέργειας με μέσο τετραγωνικό σφάλμα ίσο με 3,83 και αντίστοιχη τυπική απόκλιση 0,8137, καθώς και μέσο συντελεστή ετεροσυσχέτισης των δυαδικών σημάτων πρόβλεψης και καταγραφής ίσο με 0,40, με τυπική απόκλιση 0,0135. Οι τιμές αυτές εξαρτώνται σημαντικά από την ποιότητα της μικροηλεκτροδιακής καταγραφής και τα κατώφλια που χρησιμοποιήθηκαν για την εύρεση του χρονισμού των δυναμικών ενέργειας.

Συμπεραίνεται ότι η εφαρμογή του μοντέλου των νευρωνικών δικτύων Perceptron πολλαπλών στρωμάτων φαίνεται να προβλέπει με αξιόπιστο τρόπο την εκφορτιστική δραστηριότητα του υποθαλαμικού πυρήνα των ασθενών με νόσο του Πάρκινσον.

Local field potential driven models that have recently been developed, predict the spiking activity in the subthalamic nucleus of patients suffering from Parkinson's disease. This thesis aims to further enhance the prediction by developing new local field potential driven models based on multilayer Perceptron artificial neural networks.

Training and validation of the models were done using real recordings from the area of the parkinsonian subthalamic nucleus at the time of implantation of the electrodes for deep brain stimulation. Data were acquired using intracranial recordings inside the subthalamic nucleus of patients with Parkinson's disease during the surgical procedure of placing the stimulation lead, at the Neurosurgery Clinic of Evangelismos Hospital.

Initially, the local field potential signals were separated from the action potential signals using digital filter. Subsequently, the exact timing information of the action potential signals was extracted. The simulations proved that the multilayer Perceptron predicts the spiking activity with an average mean squared error equal to 3,83 with a standard deviation equal to 0,8137, as well as an average correlation coefficient equal to 0,40 with a standard deviation equal to 0,0135 . Those values depend on the quality of the microelectronic recordings and the threshold used for the prediction of the action potentials timing.

In conclusion, the application of the multilayer Perceptron model appears to predict in a reliable way the spiking activity in the subthalamic nucleus of patients with Parkinson's disease.