S'abonner

Inferring effective connectivity in epilepsy using dynamic causal modeling - 17/11/15

Doi : 10.1016/j.irbm.2015.09.001 
W. Xiang a, b, e, C. Yang a, b, e, J.-J. Bellanger c, d, e, H. Shu a, b, e, , R. Le Bouquin Jeannès c, d, e
a LIST, School of Computer Science and Engineering, Southeast University, Nanjing, 210096, China 
b Key Laboratory of Computer Network and Information Integration, Southeast University, Nanjing, 210096, China 
c INSERM, U1099, Rennes, F-35000, France 
d LTSI, Université de Rennes 1, Rennes, 35042, France 
e Centre de Recherche en Information Biomédicale Sino-Français (CRIBs), France 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 10
Iconographies 4
Vidéos 0
Autres 0

Abstract

This study deals with effective connectivity analysis among distant neural ensembles recorded with intracerebral near field electrodes during seizures in the brain of epileptic patients. Our goal is to analyze the ability of Dynamic Causal Modeling (DCM) approach to detect causal links when the underlying model is a well-known neural population model dedicated to the simulation of epileptic activities in hippocampus. From the state-space description of the system obtained by coupling a pair of such models, a linearization around the equilibrium state leads to a transition matrix and a parametrized description of the power spectral density matrix for the corresponding pair of output ElectroEncephaloGraphic (EEG) signals in the two-population model. Then, the parameters of this global model are estimated in a Bayesian framework from simulated EEG signals by the Expectation Maximization (EM) algorithm, and Log Bayes Factors are employed to discriminate among the possible effective connectivity hypotheses. Simulation results show that DCM can identify and distinguish the independence, unidirectional or bidirectional interactions between two epileptic populations.

Le texte complet de cet article est disponible en PDF.

Keywords : Epilepsy, Effective connectivity, Dynamic causal modeling, Physiological model, Power spectral density, EM algorithm


Plan


© 2015  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 36 - N° 6

P. 335-344 - novembre 2015 Retour au numéro
Article précédent Article précédent
  • An improved graph matching algorithm for the spatio-temporal matching of a coronary artery 3D tree sequence
  • H. Feuillâtre, J.-C. Nunes, C. Toumoulin
| Article suivant Article suivant
  • A framework for multimodal imaging-based prognostic model building: Preliminary study on multimodal MRI in Glioblastoma Multiforme
  • T. Upadhaya, Y. Morvan, E. Stindel, P.-J. Le Reste, M. Hatt

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.