Набор данных интракохлеарной электрокохлеографии

Научные данные, том 10, Номер статьи: 157 (2023) Цитировать эту статью

630 Доступов

1 Альтметрика

Подробности о метриках

Электрокохлеография (ЭКохГ) измеряет электрофизиологические потенциалы внутреннего уха в ответ на акустическую стимуляцию. Эти потенциалы отражают состояние внутреннего уха и дают важную информацию о его остаточной функции. Для реципиентов кохлеарного имплантата (КИ) мы можем измерять сигналы ECochG непосредственно внутри улитки с помощью электрода имплантата. Мы можем выполнять эти записи во время и в любой момент после имплантации. Однако анализ и интерпретация сигналов ECochG не являются тривиальными. Чтобы помочь научному сообществу, мы предоставляем наш интракохлеарный набор данных ECochG, который состоит из 4924 сигналов, записанных из 46 ушей с кохлеарным имплантатом. Мы собирали данные либо сразу после установки электрода, либо после операции у пациентов с остаточным акустическим слухом. Этот дескриптор данных призван предоставить исследовательскому сообществу доступ к нашему комплексному набору электрофизиологических данных и алгоритмам. Он включает в себя все этапы: от сбора необработанных данных до обработки сигналов и объективного анализа с использованием глубокого обучения. Кроме того, мы собрали демографические данные субъектов, пороги слуха, субъективные уровни громкости, импедансную телеметрию, рентгенологические данные и классификацию сигналов ECochG.

Электрокохлеография (ЭКохГ) измеряет электрофизиологические потенциалы внутреннего уха в ответ на акустическую стимуляцию. Эти потенциалы отражают состояние внутреннего уха и дают важную информацию о его остаточной функции. ECochG — это общий термин, охватывающий четыре различных компонента сигнала, а именно: i) микрофонный сигнал улитки (CM, реакция наружных волосковых клеток), ii) нейрофонический сигнал слухового нерва (ANN, ранний ответ нервных и внутренних волосковых клеток), iii) комплексное действие потенциал (CAP, ранняя реакция слухового нерва) и iv) суммирующий потенциал (SP, главным образом реакция внутренних волосковых клеток)1,2,3,4,5.

У пациентов с кохлеарной имплантацией (КИ) с помощью электрода имплантата мы можем измерять сигналы ECochG непосредственно внутри улитки. Измерения можно проводить во время и после имплантации. Исследования показали, что в процессе имплантации резкие изменения сигнала могут быть вызваны травмирующими силами6,7,8,9,10,11,12,13,14. Следовательно, записи ECochG в реальном времени могут дополнять тактильное восприятие хирурга6,8,9,10,11,15,16,17,18,19,20. ECochG также может быть полезна на послеоперационном этапе, когда пациенты могут потерять остаточную функцию улитки21,22. Чаще всего такие потери происходят в течение первых шести-двенадцати месяцев после операции по имплантации23,24,25 из-за различных внутриулитковых факторов (например, иммунного ответа на электрод, внутриулитковых воспалительных реакций и образования внутриулитковой рубцовой ткани)14,26, 27. Однако основные механизмы остаются плохо изученными и требуют дальнейших исследований24. Таким образом, у реципиентов КИ во время и после операции по имплантации измерения ECochG отображают здоровье улитки и, таким образом, имеют большой потенциал для улучшения нашего понимания функции улитки в ответ на электрод-имплантат.

Однако интерпретация сигналов ECochG нетривиальна и требует обучения. Амплитуда сигнала и отношение сигнал/шум (SNR) могут сильно различаться у разных людей. Более того, на морфологию и латентность следов ECochG влияют оставшиеся нейросенсорные клетки10,28,29,30.

До недавнего времени оценка сигналов ECochG основывалась на визуальном анализе экспертов. Этот подход имеет ряд недостатков, например, необходим высокий уровень опыта, а анализ, зависящий от экспертов, может привести к отсутствию воспроизводимости, что ограничивает применение этих измерений. Ранее мы представили объективный метод на основе машинного обучения, позволяющий определить, присутствует ли сигнал ECochG или нет31. Таким образом, три эксперта пометили более 4000 сигналов ECochG для обучения и тестирования алгоритма машинного обучения (состоящего из этапов предварительной обработки и сверточной нейронной сети, CNN).