Ein intracochleärer Elektrocochleographie-Datensatz

Scientific Data Band 10, Artikelnummer: 157 (2023) Diesen Artikel zitieren

630 Zugriffe

1 Altmetrisch

Details zu den Metriken

Die Elektrocochleographie (ECochG) misst elektrophysiologische Innenohrpotentiale als Reaktion auf akustische Stimulation. Diese Potenziale spiegeln den Zustand des Innenohrs wider und liefern wichtige Informationen über seine Restfunktion. Für Träger eines Cochlea-Implantats (CI) können wir mithilfe der Implantatelektrode ECochG-Signale direkt in der Cochlea messen. Wir sind in der Lage, diese Aufnahmen während und zu jedem Zeitpunkt nach der Implantation durchzuführen. Die Analyse und Interpretation von ECochG-Signalen ist jedoch nicht trivial. Zur Unterstützung der wissenschaftlichen Gemeinschaft stellen wir unseren intracochleären ECochG-Datensatz zur Verfügung, der aus 4.924 Signalen besteht, die von 46 Ohren mit einem Cochlea-Implantat aufgezeichnet wurden. Wir sammelten Daten entweder unmittelbar nach dem Einsetzen der Elektrode oder postoperativ bei Probanden mit akustischem Resthörvermögen. Dieser Datendeskriptor soll der Forschungsgemeinschaft Zugang zu unserem umfassenden elektrophysiologischen Datensatz und unseren Algorithmen ermöglichen. Es umfasst alle Schritte von der Rohdatenerfassung über die Signalverarbeitung bis hin zur objektiven Analyse mittels Deep Learning. Darüber hinaus sammelten wir demografische Daten der Probanden, Hörschwellen, subjektive Lautstärkepegel, Impedanztelemetrie, radiologische Befunde und die Klassifizierung von ECochG-Signalen.

Die Elektrocochleographie (ECochG) misst elektrophysiologische Innenohrpotentiale als Reaktion auf akustische Stimulation. Diese Potenziale spiegeln den Zustand des Innenohrs wider und liefern wichtige Informationen über seine Restfunktion. ECochG ist ein Oberbegriff, der vier verschiedene Signalkomponenten abdeckt, d. h. i) die Mikrophonie der Cochlea (CM, Reaktion der äußeren Haarzellen), ii) die Neurophonie des Hörnervs (ANN, Reaktion der frühen neuralen und inneren Haarzellen) und iii) die zusammengesetzte Wirkung Potenzial (CAP, frühe Hörnervenreaktion) und iv) das summierende Potenzial (SP, hauptsächlich innere Haarzellenreaktion)1,2,3,4,5.

Bei Cochlea-Implantat-Patienten (CI) können wir mithilfe der Implantatelektrode ECochG-Signale direkt in der Cochlea messen. Die Messungen können während und nach der Implantation durchgeführt werden. Studien haben gezeigt, dass während des Implantationsprozesses abrupte Signaländerungen durch traumatische Kräfte verursacht werden können6,7,8,9,10,11,12,13,14. Daher können Echtzeit-ECochG-Spuren die haptische Wahrnehmung des Chirurgen ergänzen6,8,9,10,11,15,16,17,18,19,20. ECochG kann auch in der postoperativen Phase nützlich sein, wenn Patienten möglicherweise die verbleibende Cochlea-Funktion verlieren21,22. Am häufigsten treten solche Verluste in den ersten sechs bis zwölf Monaten nach einer Implantation auf23,24,25 aufgrund verschiedener intracochleärer Faktoren (z. B. Immunantwort auf die Elektrode, intracochleäre Entzündungsreaktionen und intracochleäre Narbengewebebildung)14,26, 27. Allerdings sind die zugrunde liegenden Mechanismen noch immer kaum verstanden und erfordern weitere Forschung24. Zusammenfassend lässt sich sagen, dass ECochG-Messungen bei CI-Empfängern während und nach einer Implantation die Gesundheit der Cochlea abbilden und daher ein großes Potenzial haben, unser Verständnis der Cochlea-Funktion als Reaktion auf die Implantatelektrode zu verbessern.

Die Interpretation von ECochG-Signalen ist jedoch nicht trivial und erfordert Training. Die Signalamplitude und das Signal-Rausch-Verhältnis (SNR) können von Person zu Person stark variieren. Darüber hinaus werden die Morphologie und Latenz von ECochG-Spuren durch die verbleibenden neurosensorischen Zellen beeinflusst10,28,29,30.

Bis vor Kurzem basierte die Auswertung der ECochG-Signale auf der visuellen Analyse durch Experten. Dieser Ansatz hat mehrere Nachteile, z. B. ist ein hohes Maß an Erfahrung erforderlich, und eine von Experten abhängige Analyse kann zu einer mangelnden Reproduzierbarkeit führen, was die Anwendung dieser Messungen einschränkt. Wir haben zuvor eine auf maschinellem Lernen basierende, objektive Methode eingeführt, um festzustellen, ob ein ECochG-Signal vorhanden ist oder nicht31. Dabei markierten drei Experten mehr als 4.000 ECochG-Signale, um den maschinellen Lernalgorithmus (bestehend aus Vorverarbeitungsschritten und einem Convolutional Neural Network, CNN) zu trainieren und zu testen.

Das Ziel dieses Datendeskriptors besteht darin, der Forschungsgemeinschaft Zugriff auf unseren umfassenden elektrophysiologischen Datensatz und unsere Algorithmen zu bieten (d. h. Rohdaten mit Zugriff bis auf die Ebene einer einzelnen Epoche, Vorverarbeitungs- und SNR-Verbesserungsalgorithmen, visuell gekennzeichnete Daten durch drei unabhängige menschliche Experten). , und das geschulte Deep-Learning-Netzwerk AlexNet)31. Ergänzt werden diese Daten durch die gemessenen Hörschwellen, subjektive Lautstärkedaten, demografische Daten, Impedanztelemetriemessungen und radiologische Parameter.

Zu den möglichen Anwendungen dieses Datensatzes gehören unter anderem (i) die Verfeinerung und weitere Nutzung des Deep-Learning-Netzwerks31, (ii) die Verbesserung der Vorverarbeitungs- und SNR-verbessernden Algorithmen und der Datenanalyse16,31,32,33, ( iii) Korrelation von ECochG-Signalkomponenten und Impedanzmessungen mit Hörschwellen15,16,21,22,34, (iv) Längsschnittauswertung und Wiederholbarkeitsbewertung von ECochG-Daten21 und (v) Korrelation von Mehrfrequenz- und Breitband-ECochGs mit reinen Ton-ECochGs und Hörschwellen35.

Die in diesem Deskriptor präsentierten Daten wurden in einer Studie gesammelt, die von unserem lokalen institutionellen Prüfungsausschuss (Kantonale Ethikkommission Bern, BASEC ID 2019-01578) genehmigt wurde. Alle Teilnehmer gaben vor der Teilnahme ihr schriftliches Einverständnis und stimmten der Verwendung ordnungsgemäß anonymisierter Daten zu.

Wir haben ECochG-Spuren von 41 erwachsenen Probanden (n = 46 Ohren) aufgezeichnet, die ein Cochlea-Implantat (MED-EL, Innsbruck, Österreich) verwendeten. Das Durchschnittsalter der Probanden betrug 58 Jahre (SD = 17,4 Jahre, Bereich: 21 bis 86 Jahre). Reintonaudiogramme wurden in einer zertifizierten Akustikkammer mit einem klinischen Audiometer (Interacoustics, Middelfart, Dänemark) durchgeführt. Die Hörschwellen wurden entweder unmittelbar präoperativ (Kohorte A) oder, im Falle postoperativer Messungen (Kohorte B), am Tag der ECochG-Messung erhoben. Wir haben Reinton-Luftleitungs-Hörschwellen in dB-Hörpegel (HL) bei 125, 250, 500, 750, 1000, 1500, 2000 und 4000 Hz ermittelt. Für Kohorte A haben wir nur Probanden mit einer Hörschwelle bei 500 Hz von 100 dB Hörpegel (HL) oder besser eingeschlossen. Für Kohorte B berücksichtigten wir nur Probanden mit stabilem akustischem Hörvermögen sechs Monate oder länger nach der Implantation. Das akustische Gehör galt als stabil, wenn die Hörschwellen um weniger als 10 dB schwankten. In Kohorte B kategorisierten die Probanden die Lautstärke des akustischen Reizes gemäß Abb. 136.

Kategorien subjektiver Lautstärke. Probanden aus Kohorte B ordneten jede akustische Reizintensität einer dieser Kategorien zu.

ECochG-Aufzeichnungen wurden mit der Forschungssoftware MED-EL Maestro (Versionen 8.03 AS und 9.03 AS) durchgeführt. Der akustische Reiz wurde von einem Dataman 531-Wellenformgenerator (Dataman, Maiden Newton, UK) erzeugt und von einem Etymotic ER-3C-Wandler (Etymotic, Grove Village, IL, USA) in Ton umgewandelt. Der akustische Reiz wurde über die MED-EL MAX-Schnittstelle ausgelöst. Weitere Einzelheiten finden Sie unter 19.

Wir haben ECochG-Signale als Reaktion auf reine Ton-, Klick- und SPL-Chirp-Stimuli gemessen (siehe Tabelle 1 und Abb. 2). Wir haben zwei Polaritäten (Kondensation, CON und Rarefaction, RAR) und jeweils 100 Wiederholungen (Epochen) aufgezeichnet. Alle ECochG-Aufzeichnungen wurden in einer stabilen Elektrodenposition gemessen; entweder im Operationssaal nach abgeschlossener Elektrodeneinführung (Kohorte A, 25 Ohren, der Messaufbau finden Sie in19,37) oder im postoperativen Setting (Kohorte B, 21 Ohren) in einer zertifizierten Akustikkammer. Wir haben dabei ECochG-Spuren an den Elektroden 1 (oberste Elektrode), 4, 7 und 10 und als Reaktion auf drei verschiedene Schallintensitätspegel (über dem Schwellenwert, nahe dem Schwellenwert, unter dem Schwellenwert) gemessen. Die Intensitätsstufen wurden anhand der vor dem Experiment gemessenen individuellen Hörschwellen berechnet. Unser Ziel war es, Reaktionen mit unterschiedlichen SNRs hervorzurufen. Um Längsschnittdaten für Kohorte B zu erhalten, haben wir die ECochG-Aufzeichnung dreimal wiederholt: i) mindestens 6 Monate nach dem Einsetzen; ii) innerhalb von 2 bis 48 Stunden nach der ersten Messung; und iii) 2 bis 4 Monate nach der ersten Messung.

Elektrische Signale (links) und akustische Signale (rechts), die vom Wellenformgenerator bzw. Wandler erzeugt werden: A) reiner 500-Hz-Ton, B) Klick, C) SPL-Chirp v1 und D) SPL-Chirp v2-Stimulus. Beachten Sie die unterschiedliche Skalierung der Zeitachsen (X-Achse). Die Amplitudenachsen (Y-Achse) wurden normalisiert. Akustische Signale wurden mit einem Kopf- und Rumpfsimulator (Typ 5128-C-111, Brüel & Kjær, Virum, Dänemark) und einem Audioanalysator (XL2, NTi Audio AG, Schaan, Lichtenstein) gemessen. Elektrische Signale wurden mit einem Oszilloskop (TDS 1002B, Tektronix, Beaverton OR, USA) gemessen.

Um ECochG-Signale vorzuverarbeiten, haben wir die folgenden Schritte implementiert (siehe 31 für weitere Details): i) bei Bedarf Entfernung von Stitching-Artefakten; ii) Anwendung einer Gauß-gewichteten Mittelungsmethode, angepasst an33, um unkorrelierte Epochen zu entfernen; und iii) Anwendung eines Butterworth-Bandpassfilters zweiter Ordnung im Vorwärts-Rückwärts-Filtermodus (Grenzfrequenzen bei 10 Hz/5 kHz für die visuelle Analyse und 100 Hz/5 kHz für die objektiven Algorithmen). Das SNR wurde mit der ±-Mittelungsmethode38 berechnet. Die oben genannten Vorverarbeitungsschritte wurden mit dem Python-Skript do_preprocessing.py durchgeführt, das unter 39 verfügbar ist.

Zur weiteren Analyse haben wir die verschiedenen ECochG-Signalkomponenten berechnet. Wir haben das CM-Signal hervorgehoben, indem wir die CON- und RAR-Antworten subtrahiert haben40. Da das subtrahierte Ergebnis auch andere ECochG-Anteile enthalten kann, sprechen wir im Folgenden vom „CM/DIF“-Signal32. Wir haben das ANN-Signal berechnet, indem wir die ECochG-Reaktion zum CON- und RAR-Stimulus addierten3. Im folgenden Text bezeichnen wir sie als „ANN/SUM“-Antwort.

Für die visuelle Analyse wurden die Daten von drei unabhängigen Experten mit mehrjähriger Erfahrung auf diesem Gebiet beschriftet. Die Daten wurden mithilfe von Labelbox41 präsentiert, das eine Abbildung darstellt, die i) die CM/DIF-Spur, ii) die ANN/SUM-Spur, iii) die CON- und RAR-Spuren und iv-vi) ihre entsprechenden Fast Fourier Transform (FFT)-Magnitudenspektren zeigt. Ein Beispiel ist in Abb. 3 dargestellt. Während des Kennzeichnungsprozesses lag der Schwerpunkt auf der Identifizierung von CM/DIF-Antworten und deren binärer Kennzeichnung (ECochG-Antwort sichtbar/nicht sichtbar). Dadurch waren die Experten gezwungen, ein Urteil zu fällen; andernfalls war es nicht möglich, mit der nächsten Signalverfolgung fortzufahren. Bei der Kennzeichnung der ANN/SUM- und CAP-Antworten kann jedoch bei Unklarheiten die Antwort übersprungen werden. Um eine Verzerrung der Beurteilung zu vermeiden, diskutierten die Prüfer ihre Bewertung nicht. Signale, die von zwei Untersuchern als sichtbare CM/DIF-Reaktionen und vom dritten Untersucher als Rauschen klassifiziert wurden, wurden ein zweites Mal präsentiert. Erst wenn alle drei Experten ein Signal als sichtbar bewerteten (in der zweiten Runde), wurde es als solches markiert. Dies wurde durchgeführt, um Volatilitätsfehler zu vermeiden. Schließlich haben wir die gekennzeichneten Antworten verwendet, um den in31 vorgestellten Deep-Learning-Algorithmus zu trainieren.

Die visuelle Analyse der ECochG-Spuren wurde anhand von sechs Unterdiagrammen durchgeführt. A) CM/DIF-Spur, C) ANN/SUM-Spur, E) CON- und RAR-Spuren und B, D, F) ihre FFT-Spuren. Die grauen vertikalen Linien zeigen den Stimuluszeitraum an. Die gestrichelten vertikalen Linien geben die erwartete Häufigkeit der Antwort an.

Vor jeder Messsitzung führten wir Impedanztelemetriemessungen durch. Wir haben die vom Hersteller empfohlenen Standardeinstellungen der Aufnahmen verwendet. Zur Stimulation wurde ein ladungsausgeglichener, rechteckiger zweiphasiger kathodischer erster Impuls mit einer Dauer von 26,67 μs und einer Amplitude von 302,4 cu (eine Stromeinheit, cu, entspricht etwa einem μA) verwendet, was zu einer Stimulationsladung von 8,06 qu (einer) führte Die Ladungseinheit qu entspricht ungefähr einem nC)42. Das Spannungspotential wurde am Ende der anodischen Phase in Bezug auf die Erdungselektrode am Implantatgehäuse gemessen43,44.

Anatomische Merkmale wurden aus den Computertomographie (CT)-Scans mit Otoplan (Version 1.02, CAScination, Bern, Schweiz)45 extrahiert. Es wurden CT-Bilder mit einer Schichtdicke von 0,3 mm oder weniger verwendet. Es wurden Marker zur Definition der Cochlea gesetzt (A-Wert, Abstand zwischen dem runden Fenster und der kontralateralen Wand der Cochlea, B-Wert, Breite der Cochlea senkrecht zum A-Wert, H-Wert, Abstand von der basalen Windung zum apikalen Zentrum) 46,47.

Alle im Rahmen dieses Forschungsprojekts erstellten Daten sind über das Dryad-Repository39 zugänglich. Der Datensatz wird in der Bern ECochG SQL-Datenbank gespeichert und besteht aus sieben Tabellen, wie in Abb. 4 dargestellt. Auf jede Tabelle kann einzeln zugegriffen werden. Alle Tabellen außer der Analysetabelle verwenden das gemeinsame Attribut „Subjekt-ID“, das zum Verbinden der Tabellen verwendet werden kann.

Die Bern ECochG-Datenbank enthält sieben Tabellen.

Die demografischen Daten des Probanden werden in der Tabelle „Demografische Daten“ gespeichert. Eine Liste aller Attribute ist in Tabelle 2 verfügbar. Die Probanden-ID wird als XX_Y gespeichert, wobei XX für Post-Insertion (PI) oder Post-Operation (PO) steht und Y eine aufsteigende Zahl für jeden Probanden ist. Das Python-Skript demographics.py veranschaulicht, wie auf die demografischen Daten zugegriffen wird.

Die Hörschwellen der Probanden werden in der Tabelle Hörschwellen gespeichert. Eine Liste aller Attribute finden Sie in Tabelle 3. Für Kohorte A geben wir unmittelbare, präoperative und 3–5 Wochen postoperative Hörschwellen an. Für Kohorte B listen wir die Hörschwelle vor der ersten postoperativen ECochG-Aufzeichnung (postoperativ) und vor der dritten postoperativen Aufzeichnung (postoperativ 2) auf. Im Falle einer fehlenden Hörschwelle haben wir die Felder leer gelassen.

Die Tabelle ECochG enthält alle ECochG-Rohdaten. Eine Auflistung aller Attribute finden Sie in Tabelle 4. Das Messdatum gibt an, wann die Messung durchgeführt wurde. Die Messsitzung gibt an, zu welcher Sitzung die Messung gehört (0: nach dem Einsetzen, Kohorte A, 1–3: postoperative Messungen, Kohorte B). Die Messnummer ist eine aufsteigende Zahl für jede Sitzung. Der Reiztyp gibt an, welcher akustische Reiz für die Aufnahme verwendet wurde. Die Reizdauer gibt die Dauer des akustischen Reizes in Millisekunden (ms) an. Die Polarität gibt an, ob ein CON- oder RAR-Stimulus verwendet wurde. Die akustische Amplitude des Reizes wird in dB-Hörpegel (dB HL) für reine Töne oder in dB Spitzenäquivalentschalldruckpegel dB pe SPL für Klick- und SPL-Chirp-Stimulus29 angegeben. Das Aufnahmefenster zeigt die Länge der Aufnahme in ms an. Die Messverzögerung gibt die Verzögerung zwischen dem Beginn des akustischen Reizes und dem Beginn des Messfensters an. In den meisten Fällen ist die Messverzögerung auf 1 ms eingestellt. Timeaxis und Signal sind Numpy-Arrays, die als JSON-Strings48,49 gespeichert sind. Die Zeitachse wurde als 1 × N-Array gespeichert, wobei N die Zeitabtastwerte angibt. Das Signal wurde als M × N gespeichert, wobei M die aufgezeichneten Epochen und N die Aufzeichnungsproben angibt. Die subjektive Lautstärke stellt die Lautstärke des akustischen Reizes dar, wie sie von den Probanden (Kohorte B) wahrgenommen wird. Die verfügbaren Antworten sind in Abb. 1 dargestellt.

Die vorverarbeitete Tabelle enthält Daten, die nach den Vorverarbeitungsschritten generiert wurden. Die Attribute sind in Tabelle 5 aufgeführt. Das Signal wird durch s gekennzeichnet.

Die Analysetabelle enthält die visuelle und objektive Analyse der Signale. Die analysierten Signale bestehen aus einem Paar CON- und RAR-Aufzeichnungen. Die Aufzeichnungen können anhand der Id nachverfolgt werden, die als XX_Y.SESSION_NR.NR_CON.NR_RAR dargestellt wird. Dabei steht XX für PO oder PI, Y für die inkrementelle Identifikationsnummer des Probanden, SESSION_NR für die Sitzungsnummer und NR_CON und NR_RAR für die Messnummern (z. B. besteht PO_1.1.010.011 aus den Aufzeichnungen Nr. 10 und Nr. 11 des postoperativen Probanden). 1 bzw. Sitzung 1).

Die Analyse wurde für die Komponenten CM/DIF (DIF), ANN/SUM (SUM) und CAP durchgeführt. ECochG-Komponenten wurden von den Prüfern (l1 – l3) und dem Deep-Learning-Algorithmus (DL) gekennzeichnet.

Eine objektive Analyse der CM/DIF-Signale ist nur für reine Tonreize verfügbar. Unbeschriftete Komponenten wurden leer gelassen. Tabelle 6 zeigt eine Übersicht aller in der Analysetabelle verfügbaren Attribute.

Die Anatomietabelle enthält die anatomischen Merkmale. Eine Liste aller Attribute finden Sie in Tabelle 7. Der Typ gibt an, ob die anatomischen Merkmale aus präoperativen oder postoperativen CT-Bildern extrahiert wurden. Die Form der Cochlea wird durch die A-, B- und C-Werte sowie die Cochlea-Ductus-Länge (CDL)46 angezeigt. Allgemeine Statistiken zu den anatomischen Merkmalen sind in Tabelle 8 aufgeführt

Die Tabelle Telemetrie enthält die aufgezeichneten Werte bei klinischen Routine-Telemetriemessungen. Eine Liste aller Attribute finden Sie in Tabelle 9. Die klinischen Impedanzen stellen die Impedanzen von den Elektroden (1 bis 12) zur Erdungselektrode dar. Allgemeine Statistiken zu klinischen Impedanzen sind in Tabelle 10 aufgeführt

Das ECochG-System wurde vom Hersteller kalibriert. An den aufgezeichneten Rohdaten wurden keine Änderungen vorgenommen. Um die Zuverlässigkeit der Messungen in Kohorte A zu erhöhen, verwendeten wir sterile Ohrstöpsel zur Aufzeichnung und wandten die in37 dargestellten Richtlinien an. In Kohorte B verglichen wir vor jeder Messsitzung die mit der ECochG-Hardware gemessenen Hörschwellen mit dem Audiogramm. Auf diese Weise konnten wir überprüfen, ob die Ohrstöpsel richtig platziert waren. Zu diesem Zweck verwendeten wir die maßgeschneiderte Software AcousticStimulatorGUI, erhältlich bei39. Diese Software interagiert direkt mit dem Dataman-Wellenformgenerator und ermöglicht die Verwendung individueller akustischer Reize. Die Software mit der entsprechenden Hardware wurde auf einem Kopf- und Rumpfsimulator (Brüel & Kjær, Typ 5128, Nærum, Dänemark) kalibriert. Die AcousticStimulatorGUI wurde mit unserer Hardware kalibriert. Die Verwendung dieser Software zusammen mit anderer Hardware erfordert eine Neukalibrierung. Die Kalibrierungsparameter können in der GetFrequencyOffset-Methode der Dataman-Klasse angepasst werden.

Um das Herunterladen zu erleichtern, wurde die Datenbank in sieben Datenteile und die leere Datenbank Bern_ECochG aufgeteilt. Jeder Teil wird als .sql-Datei gespeichert und kann einzeln in die Bern_ECochG-Datenbank importiert werden. Wir empfehlen, alle Teile herunterzuladen und mit sqlitebrowser zusammenzusetzen, der unter https://sqlitebrowser.org/ verfügbar ist. Die bereitgestellten Python-Skripte funktionieren nur, wenn die Datenbank vollständig zusammengestellt ist. Die Python-Skripte zeigen, wie auf die Datenbank zugegriffen wird. Neben den Python-Skripten wird eine .yml-Datei bereitgestellt, um alle Abhängigkeiten zum Ausführen der Skripte zu installieren.

Der zur Erstellung und Verarbeitung der präsentierten Daten verwendete Code wird in39 bereitgestellt oder ist Teil von Open-Source-Repositories48,49,50,51,52,53.

Davis, H. et al. Summierende Potenziale der Cochlea. The American Journal of Physiology 195, 251–261, https://doi.org/10.1152/AJPLEGACY.1958.195.2.251 (1958).

Artikel CAS PubMed Google Scholar

Zheng, XY, Ding, DL, McFadden, SL & Henderson, D. Beweise dafür, dass innere Haarzellen die Hauptquelle für cochleäre Summationspotentiale sind. Hearing Research 113, 76–88, https://doi.org/10.1016/S0378-5955(97)00127-5 (1997).

Artikel CAS PubMed Google Scholar

Snyder, RL & Schreiner, CE Die auditorische Neurophonie: Grundlegende Eigenschaften. Hörforschung 15, 261–280, https://doi.org/10.1016/0378-5955(84)90033-9 (1984).

Artikel CAS PubMed Google Scholar

Chertoff, M., Lichtenhan, J. & Willis, M. Durch Klicken und Zwitschern hervorgerufene menschliche zusammengesetzte Aktionspotentiale. The Journal of the Acoustical Society of America 127, 2992, https://doi.org/10.1121/1.3372756 (2010).

Artikel ADS PubMed PubMed Central Google Scholar

Scott, WC et al. Das zusammengesetzte Aktionspotential bei Probanden, die ein Cochlea-Implantat erhalten. Otologie und Neurotologie: offizielle Veröffentlichung der American Otological Society, der American Neurotology Society [und] der European Academy of Otology and Neurotology 37, 1654, https://doi.org/10.1097/MAO.0000000000001224 (2016).

Artikel Google Scholar

Campbell, L. et al. Intraoperative Cochlea-Response-Telemetrie in Echtzeit sagt den Erhalt des Hörvermögens bei Cochlea-Implantationen voraus. Otology and Neurotology 37, 332–338, https://doi.org/10.1097/MAO.0000000000000972 (2016).

Artikel PubMed Google Scholar

Dalbert, A. et al. Extra- und intracochleäre Elektrocochleographie bei Cochlea-Implantat-Trägern. Audiology & Neurootology 20, 339–348, https://doi.org/10.1159/000438742 (2015).

Artikel Google Scholar

Weder, S. et al. Auf dem Weg zu einem besseren Verständnis der Elektrocochleographie: Analyse von Echtzeitaufzeichnungen. Ohr und Hören 1560–1567, https://doi.org/10.1097/AUD.0000000000000871 (2020).

Weder, S. et al. Echtzeitüberwachung während der Cochlea-Implantation: Erhöhung der Genauigkeit der Vorhersage von Resthörergebnissen. Otology and Neurotology 42, E1030–E1036, https://doi.org/10.1097/MAO.0000000000003177 (2021).

Artikel PubMed Google Scholar

Bester, C. et al. Die Cochlea-Mikrofonlatenz sagt die Funktion der äußeren Haarzellen in Tiermodellen und klinischen Populationen voraus. Hörforschung 398, https://doi.org/10.1016/J.HEARES.2020.108094 (2020).

Bester, C. et al. Durch Elektrokochleographie ausgelöste Intervention bewahrt erfolgreich Resthörvermögen während der Cochlea-Implantation: Ergebnisse einer randomisierten klinischen Studie. Hörforschung 108353, https://doi.org/10.1016/J.HEARES.2021.108353 (2021).

Id, AB et al. Klinische Erfahrungen mit der intraoperativen Elektrocochleographie bei Cochlea-Implantat-Empfängern und ihr Potenzial zur Reduzierung von Einführtraumata und zur Verbesserung des postoperativen Hörerhalts. PLOS ONE 17, e0266077, https://doi.org/10.1371/JOURNAL.PONE.0266077 (2022).

Artikel Google Scholar

Adunka, OF et al. Rundfenster-Elektrocochleographie vor und nach dem Einsetzen der Cochlea-Implantat-Elektrode. Das Laryngoskop 126, 1193–1200, https://doi.org/10.1002/LARY.25602 (2016).

Artikel PubMed Google Scholar

Radeloff, A. et al. Intraoperatives Monitoring mittels Cochlea-Mikrofonik bei Cochlea-Implantat-Patienten mit Resthörvermögen. Otology and Neurotology 33, 348–354, https://doi.org/10.1097/MAO.0B013E318248EA86 (2012).

Artikel PubMed Google Scholar

Dalbert, A. et al. Beurteilung der Cochlea-Funktion während der Cochlea-Implantation mittels extra- und intracochleärer Elektrocochleographie. Frontiers in Neuroscience 12, 18, https://doi.org/10.3389/FNINS.2018.00018/BIBTEX (2018).

Artikel PubMed PubMed Central Google Scholar

Krüger, B., Büchner, A., Lenarz, T. & Nogueira, W. Amplitudenwachstum der intracochleären Elektrocochleographie bei Cochlea-Implantat-Benutzern mit Resthörvermögen. The Journal of the Acoustical Society of America 147, 1147–1162, https://doi.org/10.1121/10.0000744 (2020).

Artikel ADS PubMed Google Scholar

Aebischer, P. et al. In-vitro-Untersuchung der Geschwindigkeit und des Ausrichtungswinkels beim Einsetzen von Cochlea-Implantat-Elektrodenarrays. IEEE-Transaktionen zur biomedizinischen Technik 69, 129–137 (2021).

Artikel PubMed Google Scholar

Krüger, B., Büchner, A., Lenarz, T. & Nogueira, W. Elektrisch-akustische Interaktionsmessungen bei Cochlea-Implantat-Trägern mit ipsilateralem Resthörvermögen mittels Elektrocochleographie. The Journal of the Acoustical Society of America 147, 350, https://doi.org/10.1121/10.0000577 (2020).

Artikel ADS PubMed Google Scholar

Schürch, K. et al. Durchführung einer intracochleären Elektrocochleographie während der Cochlea-Implantation. JoVE (Journal of Visualized Experiments) e63153, https://doi.org/10.3791/63153 (2022).

Wijewickrema, S., Bester, C., Gerard, J.-M., Collins, A. & O'Leary, S. Automatische Analyse der Cochlea-Reaktion mithilfe von Elektrocochleographiesignalen während einer Cochlea-Implantat-Operation. PLoS ONE 17, e0269187, https://doi.org/10.1371/JOURNAL.PONE.0269187 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Haumann, S. et al. Überwachung der Innenohrfunktion während und nach dem Einsetzen eines Cochlea-Implantats mittels Elektrocochleographie. Trends in Hearing 23, 233121651983356, https://doi.org/10.1177/2331216519833567 (2019).

Artikel Google Scholar

Koka, K., Saoji, AA & Litvak, LM Elektrocochleographie bei Cochlea-Implantat-Empfängern mit Resthörvermögen: Vergleich mit audiometrischen Schwellenwerten. Ear and Hearing 38, e161–e167, https://doi.org/10.1097/AUD.0000000000000385 (2017).

Artikel PubMed Google Scholar

Mertens, G., Punte, AK, Cochet, E., Bodt, MD & Heyning, PVD Langzeit-Follow-up der Hörerhaltung bei Patienten mit elektrisch-akustischer Stimulation. Otology and Neurotology 35, 1765–1772, https://doi.org/10.1097/MAO.0000000000000538 (2014).

Artikel PubMed Google Scholar

Gantz, BJ, Hansen, M. & Dunn, CC Rezension: Klinische Perspektive auf den Hörerhalt bei der Cochlea-Implantation, die Erfahrung der University of Iowa. Hörforschung 108487, https://doi.org/10.1016/J.HEARES.2022.108487 (2022).

Wimmer, W., Sclabas, L., Caversaccio, M. & Weder, S. Cochlea-Implantat-Elektrodenimpedanz als potenzieller Biomarker für Resthörvermögen. Frontiers in Neurology 0, 1305, https://doi.org/10.3389/FNEUR.2022.886171 (2022).

Artikel Google Scholar

Nadol, JB, O'Malley, JT, Burgess, BJ & Galler, D. Zelluläre immunologische Reaktionen auf die Cochlea-Implantation beim Menschen. Hearing Research 318, 11–17, https://doi.org/10.1016/J.HEARES.2014.09.007 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Choi, CH & Oghalai, JS Vorhersage der Auswirkungen einer Cochleafibrose nach der Implantation auf das Restgehör. Hörforschung 205, 193–200, https://doi.org/10.1016/J.HEARES.2005.03.018 (2005).

Artikel PubMed PubMed Central Google Scholar

Kim, JS, Tejani, VD, Abbas, PJ & Brown, CJ Postoperative Elektrocochleographie von Hybrid-Cochlea-Implantat-Benutzern: Ein alternatives Analyseverfahren. Hörforschung 370, 304–315, https://doi.org/10.1016/J.HEARES.2018.10.016 (2018).

Artikel PubMed PubMed Central Google Scholar

Polak, M. et al. In-vivo-Zeitverzögerungen der Basilarmembran beim Menschen. Brain Sciences 12, 400, https://doi.org/10.3390/BRAINSCI12030400 (2022).

Artikel PubMed PubMed Central Google Scholar

Lorens, A. et al. Cochlea-Mikrofonik bei Hörerhaltungs-Cochlea-Implantatträgern. The Journal of International Advanced Otology 15, 345, https://doi.org/10.5152/IAO.2019.6334 (2019).

Artikel PubMed PubMed Central Google Scholar

Schürch, K. et al. Objektivierung der intracochleären Elektrocochleographie mittels maschinellem Lernen. Frontiers in Neurology 0, 1785, https://doi.org/10.3389/FNEUR.2022.943816 (2022).

Artikel Google Scholar

Fitzpatrick, DC et al. Rundfenster-Elektrocochleographie kurz vor der Cochlea-Implantation: Zusammenhang mit den Ergebnissen der Worterkennung bei Erwachsenen. Otology and Neurotology 35, 64–71, https://doi.org/10.1097/MAO.0000000000000219 (2014).

Artikel PubMed Google Scholar

Kumaragamage, CL, Lithgow, BJ & Moussavi, ZK Untersuchung einer neuen gewichteten Mittelungsmethode zur Verbesserung des SNR von Elektrocochleographie-Aufzeichnungen. IEEE Transactions on Biomedical Engineering 63, 340–347, https://doi.org/10.1109/TBME.2015.2457412 (2016).

Artikel PubMed Google Scholar

Shaul, C. et al. Elektrische Impedanz als Biomarker für die Pathologie des Innenohrs nach einer lateralen Wand- und perimodiolären Cochlea-Implantation. Otologie und Neurotologie: offizielle Veröffentlichung der American Otological Society, der American Neurotology Society [und] der European Academy of Otology and Neurotology 40, E518–E526, https://doi.org/10.1097/MAO.0000000000002227 (2019).

Artikel Google Scholar

Saoji, AA et al. Multifrequenz-Elektrocochleographie-Messungen können zur Überwachung und Optimierung der Elektrodenplatzierung während einer Cochlea-Implantat-Operation verwendet werden. Otology and Neurotology 40, 1287–1291, https://doi.org/10.1097/MAO.0000000000002406 (2019).

Artikel PubMed Google Scholar

Rasetshwane, DM et al. Kategoriale Lautstärkeskalierung und Konturen gleicher Lautstärke bei Zuhörern mit normalem Hörvermögen und Hörverlust. The Journal of the Acoustical Society of America 137, 1899–1913, https://doi.org/10.1121/1.4916605 (2015).

Artikel ADS PubMed PubMed Central Google Scholar

Schürch, K. et al. Erhöhung der Zuverlässigkeit der Echtzeit-Elektrocochleographie während der Cochlea-Implantation: eine standardisierte Richtlinie. Europäisches Archiv für Oto-Rhino-Laryngologie 1, 1–11, https://doi.org/10.1007/S00405-021-07204-7 (2022).

Artikel Google Scholar

Drongelen, WV Signalverarbeitung für Neurowissenschaftler (Elsevier, 2018).

Schürch, K. et al. Ein intracochleärer Elektrocochleographie-Datensatz – von Rohdaten bis zur objektiven Analyse mithilfe von Deep Learning. Dryade, https://doi.org/10.5061/dryad.70rxwdc1x (2023).

Dallos, P., Cheatham, MA & Ferraro, J. Cochlear-Mechanik, Nichtlinearitäten und Cochlear-Potenziale. The Journal of the Acoustical Society of America 55, 597, https://doi.org/10.1121/1.1914570 (2005).

Artikel Google Scholar

Etikettenbox. Etikettenbox. https://labelbox.com (2022).

Zierhofer, CM, Hochmair, IJ & Hochmair, ES Das fortschrittliche Cochlea-Implantat combi 40+. Otology & Neurotology 18 (1997).

Sanderson, AP, Rogers, ET, Verschuur, CA & Newman, TA Nutzung routinemäßiger klinischer Maßnahmen, um Strategien für eine bessere Hörleistung bei Cochlea-Implantat-Benutzern zu entwickeln. Frontiers in Neuroscience 13, 1048, https://doi.org/10.3389/FNINS.2018.01048/BIBTEX (2019).

Artikel Google Scholar

Aebischer, P., Meyer, S., Caversaccio, M. & Wimmer, W. Intraoperative impedanzbasierte Schätzung der Einführtiefe des Cochlea-Implantat-Elektrodenarrays. IEEE Transactions on Biomedical Engineering 68, 545–555, https://doi.org/10.1109/TBME.2020.3006934 (2021).

Artikel PubMed Google Scholar

Rathgeb, C. et al. Klinische Anwendbarkeit einer präoperativen Methode zur Vorhersage der Winkelinsertionstiefe für die Cochlea-Implantation. Otology & Neurotology 40, 1011–1017 (2019).

Artikel Google Scholar

Anschuetz, L. et al. Vorhersage der Einführtiefe eines Cochlea-Implantats: eine Studie zur Genauigkeit des Schläfenbeins. Otology & Neurotology 39, e996–e1001 (2018).

Artikel Google Scholar

Wimmer, W. et al. Halbautomatische Cochleostomie-Ziel- und Einführungsbahnplanung für die minimalinvasive Cochlea-Implantation. BioMed Research International 2014 (2014).

Rossum, GV & Drake, FL Python 3 Referenzhandbuch (CreateSpace, 2009).

Harris, CR et al. Array-Programmierung mit Numpy. Nature 2020 585:7825 585, 357–362, https://doi.org/10.1038/s41586-020-2649-2 (2020).

Artikel CAS Google Scholar

Paszke, A. et al. Pytorch: Eine leistungsstarke Deep-Learning-Bibliothek im Imperativ-Stil. In Wallach, H. et al. (Hrsg.) Advances in Neural Information Processing Systems, vol. 32 (Curran Associates, Inc., 2019).

Virtanen, P. et al. SciPy 1.0: Grundlegende Algorithmen für wissenschaftliches Rechnen in Python. Nature Methods 17, 261–272, https://doi.org/10.1038/s41592-019-0686-2 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Hunter, JD Matplotlib: Eine 2D-Grafikumgebung. Computing in Science & Engineering 9, 90–95, https://doi.org/10.1109/MCSE.2007.55 (2007).

Artikel ADS Google Scholar

Pedregosa, F. et al. Scikit-learn: Maschinelles Lernen in Python. Journal of Machine Learning Research 12, 2825–2830 (2011).

MathSciNet MATH Google Scholar

Referenzen herunterladen

Die Autoren danken Marek Polak und seinem Team von MED-EL, Österreich, für ihre Unterstützung.

Klinik für HNO, Kopf- und Halschirurgie, Inselspital, Universitätsspital Bern, Universität Bern, Bern, Schweiz

Klaus Schürch, Wilhelm Wimmer, Marco Caversaccio, Georgios Mantokoudis, Tom Gawliczek & Stefan Weder

Hörforschungslabor, ARTORG Center for Biomedical Engineering Research, Universität Bern, Bern, Schweiz

Klaus Schürch, Wilhelm Wimmer, Marco Caversaccio & Stefan Weder

Klinik für Hals-Nasen-Ohrenheilkunde, Kopf- und Halschirurgie, Universitätsspital Zürich, Universität Zürich, Zürich, Schweiz

Adrian Dalbert

Support Center for Advanced Neuroimaging (SCAN), Universitätsinstitut für Diagnostische und Interventionelle Neuroradiologie, Inselspital, Universitätsspital Bern, Universität Bern, Bern, Schweiz

Christian Rummel

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben zu dieser Arbeit beigetragen. KS entwickelte das Messsystem, schrieb Software für die Analyse, beteiligte sich an der Datenerfassung, beschriftete die Daten und verfasste und genehmigte die endgültige Version dieses Manuskripts. WW stellte Aufsicht und Ressourcen zur Verfügung und erstellte und genehmigte die endgültige Fassung dieses Manuskripts. CR und MC stellten Aufsicht und Ressourcen zur Verfügung. AD hat die Daten beschriftet. GM stellte Aufsicht und Ressourcen zur Verfügung und beteiligte sich an der Datenerfassung. TG extrahierte die anatomischen Merkmale. SW entwarf die Studie, beschriftete die Daten, beteiligte sich an der Datenerhebung und genehmigte die endgültige Version dieses Manuskripts.

Korrespondenz mit Stefan Weder.

Die Autoren bestätigen, dass sie keiner Organisation oder Organisation mit finanziellem Interesse (z. B. Honorare, Bildungsstipendien, Teilnahme an Rednerbüros, Mitgliedschaft, Anstellung, Beratungsunternehmen, Aktienbesitz oder andere Kapitalbeteiligungen) oder Expertenzugehörigkeit angehören oder daran beteiligt sind Zeugenaussagen oder Patentlizenzvereinbarungen) oder nichtfinanzielles Interesse (wie persönliche oder berufliche Beziehungen, Zugehörigkeiten, Kenntnisse oder Überzeugungen) an dem in diesem Manuskript behandelten Thema oder den Materialien.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Schürch, K., Wimmer, W., Dalbert, A. et al. Ein intracochleärer Elektrocochleographie-Datensatz – von Rohdaten bis zur objektiven Analyse mithilfe von Deep Learning. Sci Data 10, 157 (2023). https://doi.org/10.1038/s41597-023-02055-9

Zitat herunterladen

Eingegangen: 27. September 2022

Angenommen: 08. März 2023

Veröffentlicht: 22. März 2023

DOI: https://doi.org/10.1038/s41597-023-02055-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt