Localizing epileptogenic regions using high-frequency oscillations and machine learning

Volver a la Vista simple
dc.conicet.fuenteCrossref
dc.conicet.organizacionThomas Jefferson University
dc.conicet.organizacionThomas Jefferson University
dc.conicet.organizacionConsejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación
dc.conicet.organizacionConsejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación
dc.conicet.organizacionThomas Jefferson University
dc.conicet.organizacionMayo Systems Electrophysiology Laboratory
dc.conicet.organizacionDavid Geffen School of Medicine at UCLA
dc.conicet.organizacionDavid Geffen School of Medicine at UCLA
dc.conicet.organizacionDavid Geffen School of Medicine at UCLA
dc.conicet.organizacionThomas Jefferson University
dc.conicet.paisOrganizacionEstados Unidos
dc.conicet.paisOrganizacionEstados Unidos
dc.conicet.paisOrganizacionArgentina
dc.conicet.paisOrganizacionArgentina
dc.conicet.paisOrganizacionEstados Unidos
dc.conicet.paisOrganizacionEstados Unidos
dc.conicet.paisOrganizacionEstados Unidos
dc.conicet.paisOrganizacionEstados Unidos
dc.conicet.paisOrganizacionEstados Unidos
dc.conicet.paisOrganizacionEstados Unidos
dc.conicet.produccionid9241945
dc.contributor.authorWeiss, Shennan A.
dc.contributor.authorWaldman, Zachary
dc.contributor.authorRaimondo, Federico
dc.contributor.authorFernandez Slezak, Diego
dc.contributor.authorDonmez, Mustafa
dc.contributor.authorWorrell, Gregory
dc.contributor.authorBragin, Anatol
dc.contributor.authorEngel, Jerome
dc.contributor.authorStaba, Richard
dc.contributor.authorSperling, Michael
dc.date.accessioned2020-12-23T16:52:13Z
dc.date.available2020-12-23T16:52:13Z
dc.date.issued2019-04
dc.date.updated2020-11-30T14:16:06Z
dc.description.abstractPathological high frequency oscillations (HFOs) are putative neurophysiological biomarkers of epileptogenic brain tissue. Utilizing HFOs for epilepsy surgery planning offers the promise of improved seizure outcomes for patients with medically refractory epilepsy. This review discusses possible machine learning strategies that can be applied to HFO biomarkers to better identify epileptogenic regions. We discuss the role of HFO rate, and utilizing features such as explicit HFO properties (spectral content, duration, and power) and phase-amplitude coupling for distinguishing pathological HFO (pHFO) events from physiological HFO events. In addition, the review highlights the importance of neuroanatomical localization in machine learning strategies.es
dc.description.filFil: Weiss, Shennan A.. Thomas Jefferson University; Estados Unidos
dc.description.filFil: Waldman, Zachary. Thomas Jefferson University; Estados Unidos
dc.description.filFil: Raimondo, Federico. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación; Argentina
dc.description.filFil: Fernandez Slezak, Diego. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Ciudad Universitaria. Instituto de Investigación en Ciencias de la Computación. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Instituto de Investigación en Ciencias de la Computación; Argentina
dc.description.filFil: Donmez, Mustafa. Thomas Jefferson University; Estados Unidos
dc.description.filFil: Worrell, Gregory. Mayo Systems Electrophysiology Laboratory; Estados Unidos
dc.description.filFil: Bragin, Anatol. David Geffen School of Medicine at UCLA; Estados Unidos
dc.description.filFil: Engel, Jerome. David Geffen School of Medicine at UCLA; Estados Unidos
dc.description.filFil: Staba, Richard. David Geffen School of Medicine at UCLA; Estados Unidos
dc.description.filFil: Sperling, Michael. Thomas Jefferson University; Estados Unidos
dc.formatapplication/pdfes
dc.identifier.citationWeiss, Shennan A.; Waldman, Zachary; Raimondo, Federico; Fernandez Slezak, Diego; Donmez, Mustafa; et al.; Localizing epileptogenic regions using high-frequency oscillations and machine learning; Future Medicine; Biomarkers In Medicine; 13; 5; 4-2019; 409-418es
dc.identifier.institucionalCONICET
dc.identifier.issn1752-0363es
dc.identifier.repoCONICET Digital
dc.identifier.urihttp://hdl.handle.net/11336/121142
dc.journal.ciudadLondreses
dc.journal.number5es
dc.journal.pagination409-418es
dc.journal.paisReino Unidoes
dc.journal.titleBiomarkers In Medicinees
dc.journal.volume13es
dc.language.isoenges
dc.publisherFuture Medicinees
dc.relation.alternativeidinfo:eu-repo/semantics/altIdentifier/url/https://www.futuremedicine.com/doi/10.2217/bmm-2018-0335
dc.relation.alternativeidinfo:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.2217/bmm-2018-0335
dc.rightsinfo:eu-repo/semantics/restrictedAccess*
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/*
dc.subjectARTIFICIAL INTELLIGENCEes
dc.subjectEPILEPSYes
dc.subjectEPILEPSY SURGERYes
dc.subjectEPILEPTIFORM SPIKEes
dc.subjectFAST RIPPLEes
dc.subjectHFOes
dc.subjectHIGH-FREQUENCY OSCILLATIONes
dc.subjectMACHINE LEARNINGes
dc.subjectPHASE-AMPLITUDE COUPLINGes
dc.subjectRIPPLEes
dc.subjectSEIZUREes
dc.subjectWAVELETes
dc.subject.classificationCiencias de la Computaciónes
dc.subject.classificationCiencias de la Computación e Informaciónes
dc.subject.classificationCIENCIAS NATURALES Y EXACTASes
dc.titleLocalizing epileptogenic regions using high-frequency oscillations and machine learninges
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:ar-repo/semantics/artículo
dc.typeinfo:eu-repo/semantics/publishedVersion

Archivos

Bloque original

Miniatura
Nombre:
CONICET_Digital_Nro.dad8e91e-b6bf-42f2-bc41-92b67459f650_A.pdf
Tamaño:
1.62 MB
Formato:
Adobe Portable Document Format
Solicitar

Colecciones

Articulos(ICC)
Volver a la Vista simple