Un nuovo algoritmo di stimulus artifacts rejection consente l’analisi dell’attività evocata in-vivo

Abstract

La stimolazione della corteccia cerebrale è uno strumento prezioso per associare funzioni a specifiche aree anatomiche. Questa tecnica ha acquisito importanza in contesti terapeutici, in particolare per la riabilitazione motoria in pazienti con lesioni cerebrali e conseguente sindrome da disconnessione. Lo studio dell'attività evocata è cruciale per decifrare i meccanismi di riparazione della corteccia danneggiata, indirizzando la comunità scientifica verso terapie più efficaci. Purtroppo, le registrazioni elettrofisiologiche acquisite durante la stimolazione elettrica presentano grandi artefatti, che oscurano l'attività neurale e ostacolano le analisi successive. Gli attuali algoritmi di rimozione degli artefatti da stimolo mirano a recuperare la risposta neuronale, ma presentano diversi problemi e limitazioni. Questa tesi si concentra sullo sviluppo di logLIRA, un nuovo algoritmo di soppressione degli artefatti da stimolo, con due obiettivi chiave: 1. Massimizzare il recupero dell'attività a bassa latenza per ridurre al minimo il segnale non recuperato. 2. Prevenire l'introduzione di artefatti secondari che potrebbero compromettere le analisi successive.

Per valutare l'efficacia di logLIRA, è stato condotto un benchmark completo utilizzando dati sintetici, che fungono da ground truth per un confronto rigoroso con altre tecniche già esistenti. I risultati mostrano che logLIRA supera i suoi competitor in termini di accuratezza e di mitigazione degli artefatti secondari. In una campagna di ricerca esplorativa, logLIRA è stato applicato a due scimmie scoiattolo anestetizzate e sottoposte a activity-dependent stimulation. Il successo dell'implementazione di logLIRA ha implicazioni per la comprensione degli effetti della stimolazione elettrica, fornendo uno strumento prezioso per la comunità scientifica. Superando le limitazioni degli attuali metodi, il nostro algoritmo apre nuove prospettive per un'analisi più precisa delle risposte neurali evocate.

Precise electrical stimulation of cortical regions is a valuable tool for studying functions linked to specific anatomical areas. This technique has gained importance in therapeutic contexts, particularly for rehabilitating motor functions in patients with brain injuries and subsequent connection dysfunction. Understanding short-latency evoked activity is crucial for deciphering the mechanisms behind Hebbian-like rewiring in damaged cortex, enhancing prospects for more effective therapies. Unfortunately, electrophysiological recordings during electrical stimulation often suffer from large stimulus artifacts, obscuring neural activity and hindering analyses. Existing stimulus artifact rejection algorithms aim to recover post-stimulus activity but have drawbacks or limited applicability. This thesis focuses on developing logLIRA, a novel stimulus artifact rejection algorithm, with two key objectives: 1. Maximizing recovery of early activity to minimize unrecovered signal length. 2. Preventing the introduction of secondary artifacts that could compromise subsequent analyses.

To assess logLIRA’s effectiveness, a comprehensive benchmark was conducted using a synthetic dataset generated from real data, serving as a ground truth for a rigorous comparison with existing techniques. Results show logLIRA outperforms three tested algorithms in accuracy and mitigating secondary artifacts. In an exploratory research campaign, logLIRA was applied to two anesthetized squirrel monkeys undergoing activity-dependent stimulation. Successful logLIRA implementation holds implications for advancing our understanding of electrical stimulation effects, providing a valuable tool for the scientific community. By overcoming limitations in existing artifact rejection methods, our algorithm opens new perspectives for precise analyses of evoked neural responses, contributing to refined therapeutic strategies for patients with connection dysfunction.