Un conjunto de datos de electrococleografía intracoclear | Difusor de ventilación Wenzhou Co., Ltd

Scientific Data volumen 10, Número de artículo: 157 (2023) Citar este artículo

630 Accesos

1 Altmetric

Detalles de métricas

La electrococleografía (ECochG) mide los potenciales electrofisiológicos del oído interno en respuesta a la estimulación acústica. Estos potenciales reflejan el estado del oído interno y brindan información importante sobre su función residual. Para los receptores de implantes cocleares (CI), podemos medir las señales ECochG directamente dentro de la cóclea usando el electrodo del implante. Podemos realizar estas grabaciones durante y en cualquier momento después de la implantación. Sin embargo, el análisis y la interpretación de las señales ECochG no son triviales. Para ayudar a la comunidad científica, proporcionamos nuestro conjunto de datos ECochG intracoclear, que consta de 4924 señales registradas de 46 oídos con un implante coclear. Recopilamos datos inmediatamente después de la inserción de los electrodos o después de la operación en sujetos con audición acústica residual. Este descriptor de datos tiene como objetivo proporcionar a la comunidad de investigación acceso a nuestro completo conjunto de datos y algoritmos electrofisiológicos. Incluye todos los pasos, desde la adquisición de datos sin procesar hasta el procesamiento de señales y el análisis objetivo mediante Deep Learning. Además, recopilamos datos demográficos de los sujetos, umbrales de audición, niveles de volumen subjetivos, telemetría de impedancia, hallazgos radiográficos y clasificación de señales ECochG.

En pacientes con implante coclear (IC), usando el electrodo del implante, podemos medir las señales ECochG directamente dentro de la cóclea. Las mediciones se pueden realizar durante y después de la implantación. Durante el proceso de implantación, los estudios han demostrado que los cambios bruscos de señal pueden ser causados por fuerzas traumáticas6,7,8,9,10,11,12,13,14. Por lo tanto, los trazos ECochG en tiempo real pueden complementar la percepción háptica del cirujano6,8,9,10,11,15,16,17,18,19,20. ECochG también puede ser útil en la fase postoperatoria, donde los pacientes pueden perder la función coclear residual21,22. Más comúnmente, tales pérdidas ocurren durante los primeros seis a doce meses después de la cirugía de implante23,24,25 debido a diferentes factores intracocleares (p. ej., respuesta inmune al electrodo, reacciones inflamatorias intracocleares y formación de tejido cicatricial intracoclear)14,26, 27 Sin embargo, los mecanismos subyacentes siguen siendo poco conocidos y requieren más investigación24. En resumen, en los receptores de IC, durante y después de la cirugía de implante, las mediciones de ECochG mapean la salud coclear y, por lo tanto, tienen un gran potencial para mejorar nuestra comprensión de la función coclear en respuesta al electrodo de implante.

La interpretación de las señales ECochG, sin embargo, no es trivial y requiere entrenamiento. La amplitud de la señal y la relación señal-ruido (SNR) pueden variar mucho entre individuos. Además, la morfología y la latencia de las trazas de ECochG se ven afectadas por las células neurosensoriales restantes10,28,29,30.

Hasta hace poco, la evaluación de las señales ECochG se basaba en el análisis visual realizado por expertos. Este enfoque tiene varias desventajas, por ejemplo, se necesita un alto nivel de experiencia y el análisis dependiente de expertos puede conducir a una falta de reproducibilidad, lo que limita la aplicación de estas mediciones. Previamente introdujimos un método objetivo basado en el aprendizaje automático para determinar si una señal ECochG está presente o no31. Por lo tanto, tres expertos etiquetaron más de 4000 señales ECochG para entrenar y probar el algoritmo de aprendizaje automático (que consta de pasos de preprocesamiento y una red neuronal convolucional, CNN).

El objetivo de este descriptor de datos es proporcionar a la comunidad de investigación acceso a nuestro completo conjunto de datos electrofisiológicos y algoritmos (es decir, datos sin procesar con acceso a un nivel de época único, preprocesamiento y algoritmos de mejora de SNR, datos etiquetados visualmente por tres expertos humanos independientes , y la red de aprendizaje profundo capacitada AlexNet)31. Estos datos se complementan con los umbrales de audición medidos, datos de volumen subjetivo, datos demográficos, medidas de telemetría de impedancia y parámetros radiográficos.

Las aplicaciones potenciales de este conjunto de datos incluyen, pero no se limitan a (i) refinamiento y mayor uso de la red de aprendizaje profundo31, (ii) mejora de algoritmos de preprocesamiento y mejora de SNR y análisis de datos16,31,32,33, ( iii) correlación de componentes de señal ECochG y mediciones de impedancia con umbrales de audición15,16,21,22,34, (iv) evaluación longitudinal y evaluación de repetibilidad de datos ECochG21, y (v) correlación de ECochG multifrecuencia y de banda ancha con puro ECochG de tono y umbrales de audición35.

Los datos presentados en este descriptor se recopilaron en un estudio que fue aprobado por nuestra junta de revisión institucional local (Comité de Ética Cantonal de Berna, BASEC ID 2019-01578). Todos los participantes dieron su consentimiento por escrito y consentimiento para el uso de datos debidamente anonimizados antes de la participación.

Registramos trazas ECochG de 41 sujetos adultos (n = 46 oídos) utilizando un implante coclear (MED-EL, Innsbruck, Austria). La edad media de los sujetos fue de 58 años (SD = 17,4 años, rango: 21 a 86 años). Los audiogramas de tonos puros se realizaron en una cámara acústica certificada con un audiómetro clínico (Interacoustics, Middelfart, Dinamarca). Los umbrales de audición se recopilaron inmediatamente antes de la operación (cohorte A) o, en el caso de las mediciones posoperatorias (cohorte B), el día de la medición de ECochG. Obtuvimos umbrales de audición de conducción aérea de tonos puros en dB nivel de audición (HL) a 125, 250, 500, 750, 1000, 1500, 2000 y 4000 Hz. Para la cohorte A, solo incluimos sujetos con un umbral de audición a 500 Hz de 100 dB de nivel de audición (HL) o mejor. Para la cohorte B, solo consideramos sujetos con audición acústica estable seis meses o más después de la implantación. La audición acústica se consideró estable si los umbrales de audición variaban menos de 10 dB. En la cohorte B, los sujetos categorizaron el volumen del estímulo acústico de acuerdo con la Fig. 136.

Categorías de sonoridad subjetiva. Los sujetos de la cohorte B clasificaron la intensidad de cada estímulo acústico en una de estas categorías.

Los registros de ECochG se realizaron con el software de investigación MED-EL Maestro (versiones 8.03 AS y 9.03 AS). El estímulo acústico fue generado por un generador de forma de onda Dataman 531 (Dataman, Maiden Newton, Reino Unido) y convertido en sonido por un transductor Etymotic ER-3C (Etymotic, Grove Village, IL, EE. UU.). El estímulo acústico se activó a través de la interfaz MED-EL MAX. Más detalles están disponibles en19.

Medimos las señales ECochG en respuesta al estímulo de tono puro, clic y chirrido SPL (consulte la Tabla 1 y la Fig. 2). Registramos dos polaridades (condensación, CON y rarefacción, RAR) y 100 repeticiones (épocas) cada una. Todos los registros de ECochG se midieron en una posición de electrodo estable; ya sea en el quirófano después de completar la inserción del electrodo (cohorte A, 25 oídos, la configuración de medición se puede encontrar en 19,37) o en un entorno posoperatorio (cohorte B, 21 oídos) en una cámara acústica certificada. Por lo tanto, medimos las trazas de ECochG en los electrodos 1 (la mayoría del electrodo apical), 4, 7 y 10 y en respuesta a 3 niveles de intensidad de sonido diferentes (nivel superior al umbral, nivel cercano al umbral, nivel inferior al umbral). Los niveles de intensidad se calcularon utilizando los umbrales de audición individuales medidos antes del experimento. Nuestro objetivo era evocar respuestas con diferentes SNR. Para la cohorte B, para obtener datos longitudinales, repetimos el registro de ECochG tres veces: i) al menos 6 meses después de la inserción; ii) dentro de las 2 a 48 horas posteriores a la primera medición; y iii) 2 a 4 meses después de la primera medición.

Señales eléctricas (izquierda) y señales acústicas (derecha) generadas por el generador de forma de onda y el transductor, respectivamente: A) tono puro de 500 Hz, B) clic, C) SPL chirp v1 y D) estímulo SPL chirp v2. Tenga en cuenta las diferentes escalas de los ejes de tiempo (eje X). Los ejes de amplitud (eje Y) se normalizaron. Las señales acústicas se midieron utilizando un simulador de cabeza y torso (Tipo 5128-C-111, Brüel & Kjær, Virum, Dinamarca) y un analizador de audio (XL2, NTi Audio AG, Schaan, Lichtenstein). Las señales eléctricas se midieron con un osciloscopio (TDS 1002B, Tektronix, Beaverton OR, EE. UU.).

Para preprocesar las señales ECochG, implementamos los siguientes pasos (consulte 31 para obtener más detalles): i) si es necesario, eliminación de artefactos de unión; ii) la aplicación de un método de promediación con ponderación gaussiana adaptado de 33 para eliminar épocas no correlacionadas; y iii) aplicación de un filtro de paso de banda Butterworth de segundo orden en modo de filtrado hacia adelante y hacia atrás (frecuencias de corte a 10 Hz/5 kHz para el análisis visual y 100 Hz/5 kHz para los algoritmos objetivos). La SNR se calculó mediante el método de promedio ±38. Los pasos de preprocesamiento anteriores se realizaron con el script de Python do_preprocessing.py, que está disponible en39.

Para un análisis más detallado, calculamos los diferentes componentes de la señal ECochG. Resaltamos la señal CM restando las respuestas CON y RAR40. Dado que el resultado sustraído también puede contener otros componentes ECochG, nos referiremos al término señal "CM/DIF" en el siguiente texto32. Calculamos la señal ANN sumando la respuesta ECochG a los estímulos CON y RAR3. Para el siguiente texto, nos referiremos a él como respuesta "ANN/SUM".

Para el análisis visual, los datos fueron etiquetados por tres expertos independientes con varios años de experiencia en el campo. Los datos se presentaron utilizando Labelbox41 presentando una figura que muestra i) la traza CM/DIF, ii) la traza ANN/SUM, iii) las trazas CON y RAR, y iv-vi) sus correspondientes espectros de magnitud de transformada rápida de Fourier (FFT). En la Fig. 3 se muestra un ejemplo. Durante el proceso de etiquetado, la atención se centró en la identificación de las respuestas CM/DIF y su etiquetado binario (respuesta ECochG visible/no visible). Por lo tanto, los expertos se vieron obligados a emitir un juicio; de lo contrario, no fue posible continuar con la siguiente traza de señal. Sin embargo, para el etiquetado de las respuestas ANN/SUM y CAP, en caso de ambigüedad, se podría omitir la respuesta. Los examinadores no discutieron su evaluación para evitar sesgos en la evaluación. Las señales que fueron clasificadas como respuestas CM/DIF visibles por dos examinadores y como ruido por el tercer examinador se presentaron por segunda vez. Solo que si los tres expertos calificaban una señal como visible (en la segunda ronda), se marcaba como tal. Esto se hizo para evitar errores de volatilidad. Finalmente, usamos las respuestas etiquetadas para entrenar el algoritmo de aprendizaje profundo presentado en 31.

El análisis visual de las trazas de ECochG se realizó utilizando seis subparcelas. A) traza CM/DIF, C) traza ANN/SUM, E) trazas CON y RAR, y B, D, F) sus trazas FFT. Las líneas verticales grises indican el período de estímulo. Las líneas verticales discontinuas indican la frecuencia esperada de la respuesta.

Antes de cada sesión de medición, realizamos mediciones de telemetría de impedancia. Utilizamos la configuración predeterminada de las grabaciones, recomendada por el fabricante. Se usó un primer pulso catódico bifásico rectangular de carga balanceada con una duración de 26,67 μs y una amplitud de 302,4 cu (una unidad de corriente, cu, es equivalente a aproximadamente un μA) para la estimulación, lo que resultó en una carga de estimulación de 8,06 qu (una unidad de carga, qu, equivale aproximadamente a un nC)42. El potencial de voltaje se midió al final de la fase anódica con respecto al electrodo de tierra ubicado en el alojamiento del implante43,44.

Las características anatómicas se extrajeron de las tomografías computarizadas (TC) utilizando Otoplan (ver. 1.02, CAScination, Berna, Suiza)45. Se utilizaron imágenes de TC con un grosor de corte igual o inferior a 0,3 mm. Se establecieron marcadores para definir la cóclea (valor A, distancia entre la ventana redonda y la pared contralateral de la cóclea, valor B, ancho de la cóclea perpendicular al valor A, valor H, distancia del giro basal al centro apical) 46,47.

Todos los datos creados durante este proyecto de investigación son accesibles desde el repositorio Dryad39. El conjunto de datos se almacena en la base de datos Bern ECochG SQL y consta de siete tablas, como se muestra en la Fig. 4. Se puede acceder a cada tabla individualmente. Todas las tablas, excepto la tabla de análisis, usan el atributo de identificación de sujeto común, que se puede emplear para conectar las tablas.

La base de datos Bern ECochG contiene siete tablas.

Los datos demográficos del sujeto se almacenan en la tabla Demografía. Una lista de todos los atributos está disponible en la Tabla 2. El ID del sujeto se almacena como XX_Y, donde XX es post-inserción (PI) o post-operatorio (PO) e Y es un número incremental para cada sujeto. El script de Python demográficos.py ilustra cómo acceder a los datos demográficos.

Los umbrales de audición de los sujetos se almacenan en la tabla Umbrales de audición. Puede encontrar una lista de todos los atributos en la Tabla 3. Para la cohorte A, proporcionamos umbrales de audición inmediatos, preoperatorios y de 3 a 5 semanas después de la operación. Para la cohorte B, enumeramos el umbral de audición antes del primer registro ECochG postoperatorio (postoperatorio) y antes del tercer registro postoperatorio (postoperatorio 2). En caso de que falte un umbral de audición, dejamos las celdas en blanco.

La tabla ECochG contiene todos los datos sin procesar de ECochG. Puede encontrar una lista de todos los atributos en la Tabla 4. La fecha de medición muestra cuándo se realizó la medición. La sesión de medición indica a qué sesión pertenece la medición (0: post-inserción, cohorte A, 1–3: mediciones postoperatorias, cohorte B). El número de medición es un número ascendente para cada sesión. tipo de estímulo indica qué estímulo acústico se utilizó para la grabación. La duración del estímulo indica la duración del estímulo acústico en milisegundos (ms). La polaridad indica si se utilizó un estímulo CON o RAR. La amplitud acústica del estímulo se expresa en dB de nivel de audición (dB HL) para tonos puros o en dB de nivel de presión sonora equivalente pico dB pe SPL para estímulos de clic y chirrido SPL29. La ventana de grabación indica la duración de la grabación en ms. El retardo de medición especifica el retardo entre el inicio del estímulo acústico y el inicio de la ventana de medición. En la mayoría de los casos, el retraso de la medición se establece en 1 ms. Timeaxis y Signal son matrices Numpy almacenadas como cadenas JSON48,49. El Timeaxis se almacenó como una matriz de 1 × N, donde N indica las muestras de tiempo. La señal se almacenó como M × N, donde M indica las épocas registradas y N indica las muestras de grabación. El volumen subjetivo representa el volumen del estímulo acústico tal como lo perciben los sujetos (cohorte B). Las respuestas disponibles se muestran en la figura 1.

La tabla preprocesada contiene datos generados después de los pasos de preprocesamiento. Los atributos se enumeran en la Tabla 5. La señal se indica mediante s.

La tabla de Análisis contiene el análisis visual y objetivo de las señales. Las señales analizadas consisten en un par de grabaciones CON y RAR. Las grabaciones se pueden rastrear usando el Id, que se representa como XX_Y.SESSION_NR.NR_CON.NR_RAR. Donde XX es PO o PI, Y representa el número de identificación incremental del sujeto, SESSION_NR es el número de sesión y NR_CON y NR_RAR representan los números de medición (p. ej., PO_1.1.010.011 consta de los registros n.° 10 y n.° 11 del sujeto posoperatorio). 1 y sesión 1, respectivamente).

El análisis se realizó para los componentes CM/DIF (DIF), ANN/SUM (SUM) y CAP. Los componentes de ECochG fueron etiquetados por los examinadores (l1 - l3) y el algoritmo de aprendizaje profundo (DL).

El análisis objetivo de las señales CM/DIF solo está disponible para estímulos de tono puro. Los componentes sin etiquetar se dejaron en blanco. La Tabla 6 muestra una descripción general de todos los atributos disponibles en la tabla Análisis.

La tabla de anatomía contiene las características anatómicas. Puede encontrar una lista de todos los atributos en la Tabla 7. El tipo indica si las características anatómicas se extrajeron de imágenes de TC preoperatorias o posoperatorias. La forma de la cóclea está indicada por los valores A, B y C, y la longitud del conducto coclear (CDL)46. Las estadísticas generales sobre las características anatómicas se muestran en la Tabla 8

La tabla Telemetría contiene los valores registrados durante las mediciones de telemetría de rutina clínica. Puede encontrar una lista de todos los atributos en la Tabla 9. Las impedancias clínicas representan las impedancias de los electrodos (1 a 12) al electrodo de tierra. Las estadísticas generales sobre las impedancias clínicas se muestran en la Tabla 10

El sistema ECochG fue calibrado por el fabricante. No se realizaron cambios en los datos brutos registrados. Para aumentar la confiabilidad de las mediciones en la cohorte A, usamos olivas estériles para registrar y aplicamos las pautas presentadas en37. En la cohorte B, comparamos los umbrales de audición medidos con el hardware ECochG con el audiograma antes de cada sesión de medición. De esta forma, pudimos verificar que las olivas estaban colocadas correctamente. Para ello, utilizamos el software personalizado AcousticStimulatorGUI, disponible en39. Este software interactúa directamente con el generador de formas de onda Dataman y permite el uso de estímulos acústicos personalizados. El software con el hardware correspondiente se calibró en un simulador de cabeza y torso (Brüel & Kjær, tipo 5128, Nærum, Dinamarca). El AcousticStimulatorGUI fue calibrado con nuestro hardware. El uso de este software junto con otro hardware requiere una nueva calibración. Los parámetros de calibración se pueden ajustar en el método GetFrequencyOffset de la clase Dataman.

La base de datos se ha dividido en siete partes de datos y la base de datos vacía Bern_ECochG para facilitar la descarga. Cada parte se guarda como un archivo .sql y se puede importar a la base de datos Bern_ECochG individualmente. Recomendamos descargar todas las piezas y ensamblarlas usando sqlitebrowser disponible en https://sqlitebrowser.org/. Los scripts de Python provistos solo funcionarán cuando la base de datos esté completamente ensamblada. Los scripts de Python muestran cómo acceder a la base de datos. Junto con los scripts de Python, se proporciona un archivo .yml para instalar todas las dependencias para ejecutar los scripts.

El código utilizado para crear y procesar los datos presentados se proporciona en39 o forma parte de repositorios de código abierto48,49,50,51,52,53.

Davis, H. et al. Suma de potenciales de la cóclea. Revista estadounidense de fisiología 195, 251–261, https://doi.org/10.1152/AJPLEGACY.1958.195.2.251 (1958).

Artículo CAS PubMed Google Académico

Zheng, XY, Ding, DL, McFadden, SL y Henderson, D. Evidencia de que las células ciliadas internas son la principal fuente de potenciales de suma coclear. Investigación auditiva 113, 76–88, https://doi.org/10.1016/S0378-5955(97)00127-5 (1997).

Artículo CAS PubMed Google Académico

Snyder, RL & Schreiner, CE La neurofónica auditiva: Propiedades básicas. Investigación auditiva 15, 261–280, https://doi.org/10.1016/0378-5955(84)90033-9 (1984).

Artículo CAS PubMed Google Académico

Chertoff, M., Lichtenhan, J. & Willis, M. Potenciales de acción compuestos humanos evocados por clic y chirrido. Revista de la Sociedad Acústica de América 127, 2992, https://doi.org/10.1121/1.3372756 (2010).

Artículo ADS PubMed PubMed Central Google Scholar

Scott, WC et al. El potencial de acción compuesto en sujetos que reciben un implante coclear. Otología y neurotología: publicación oficial de la Sociedad Estadounidense de Otología, Sociedad Estadounidense de Neurotología [y] Academia Europea de Otología y Neurotología 37, 1654, https://doi.org/10.1097/MAO.0000000000001224 (2016).

Artículo Google Académico

Campbell, L. et al. La telemetría de respuesta coclear en tiempo real intraoperatoria predice la preservación de la audición en la implantación coclear. Otología y Neurotología 37, 332–338, https://doi.org/10.1097/MAO.0000000000000972 (2016).

Artículo PubMed Google Académico

Dalbert, A. et al. Electrococleografía extra e intracoclear en receptores de implantes cocleares. Audiología y Neuro-otología 20, 339–348, https://doi.org/10.1159/000438742 (2015).

Artículo Google Académico

Weder, S. et al. Hacia una mejor comprensión de la electrococleografía: análisis de registros en tiempo real. Oído y audición 1560–1567, https://doi.org/10.1097/AUD.0000000000000871 (2020).

Weder, S. et al. Monitoreo en tiempo real durante la implantación coclear: aumento de la precisión de la predicción de los resultados auditivos residuales. Otología y Neurotología 42, E1030–E1036, https://doi.org/10.1097/MAO.0000000000003177 (2021).

Artículo PubMed Google Académico

Bester, C. et al. La latencia microfónica coclear predice la función de las células ciliadas externas en modelos animales y poblaciones clínicas. Investigación de audiencias 398, https://doi.org/10.1016/J.HEARES.2020.108094 (2020).

Bester, C. et al. La intervención desencadenada por electrococleografía preserva con éxito la audición residual durante la implantación coclear: resultados de un ensayo clínico aleatorizado. Investigación auditiva 108353, https://doi.org/10.1016/J.HEARES.2021.108353 (2021).

Id., AB et al. Experiencias clínicas con electrococleografía intraoperatoria en receptores de implantes cocleares y su potencial para reducir el trauma de inserción y mejorar la preservación auditiva postoperatoria. PLOS UNO 17, e0266077, https://doi.org/10.1371/JOURNAL.PONE.0266077 (2022).

Artículo Google Académico

Adunka, OF et al. Electrococleografía de ventana redonda antes y después de la inserción del electrodo del implante coclear. El laringoscopio 126, 1193–1200, https://doi.org/10.1002/LARY.25602 (2016).

Artículo PubMed Google Académico

Radeloff, A. et al. Monitorización intraoperatoria mediante microfonía coclear en pacientes con implante coclear con audición residual. Otología y Neurotología 33, 348–354, https://doi.org/10.1097/MAO.0B013E318248EA86 (2012).

Artículo PubMed Google Académico

Dalbert, A. et al. Evaluación de la función coclear durante la implantación coclear mediante electrococleografía extra e intracoclear. Fronteras en Neurociencia 12, 18, https://doi.org/10.3389/FNINS.2018.00018/BIBTEX (2018).

Artículo PubMed PubMed Central Google Académico

Krüger, B., Büchner, A., Lenarz, T. & Nogueira, W. Crecimiento de amplitud de la electrococleografía intracoclear en usuarios de implantes cocleares con audición residual. The Journal of the Acoustical Society of America 147, 1147–1162, https://doi.org/10.1121/10.0000744 (2020).

Artículo ADS PubMed Google Scholar

Aebischer, P. et al. Estudio in vitro de la velocidad y el ángulo de alineación en inserciones de guías de electrodos en implantes cocleares. Transacciones IEEE sobre ingeniería biomédica 69, 129–137 (2021).

Artículo PubMed Google Académico

Krüger, B., Büchner, A., Lenarz, T. & Nogueira, W. Mediciones de interacción eléctrico-acústica en usuarios de implantes cocleares con audición residual homolateral usando electrococleografía. Revista de la Sociedad Acústica de América 147, 350, https://doi.org/10.1121/10.0000577 (2020).

Artículo ADS PubMed Google Scholar

Schuerch, K. et al. Realización de electrococleografía intracoclear durante la implantación coclear. JoVE (Diario de Experimentos Visualizados) e63153, https://doi.org/10.3791/63153 (2022).

Wijewickrema, S., Bester, C., Gerard, J.-M., Collins, A. y O'Leary, S. Análisis automático de la respuesta coclear mediante señales de electrococleografía durante la cirugía de implante coclear. PLoS ONE 17, e0269187, https://doi.org/10.1371/JOURNAL.PONE.0269187 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Haumann, S. et al. Monitorización de la función del oído interno durante y después de la inserción del implante coclear mediante electrococleografía. Tendencias en Audiencia 23, 233121651983356, https://doi.org/10.1177/2331216519833567 (2019).

Artículo Google Académico

Koka, K., Saoji, AA & Litvak, LM Electrococleografía en receptores de implantes cocleares con audición residual: comparación con umbrales audiométricos. Oído y audición 38, e161–e167, https://doi.org/10.1097/AUD.0000000000000385 (2017).

Artículo PubMed Google Académico

Mertens, G., Punte, AK, Cochet, E., Bodt, MD y Heyning, PVD Seguimiento a largo plazo de la preservación de la audición en pacientes con estimulación electroacústica. Otología y Neurotología 35, 1765–1772, https://doi.org/10.1097/MAO.0000000000000538 (2014).

Artículo PubMed Google Académico

Gantz, BJ, Hansen, M. & Dunn, CC Revisión: Perspectiva clínica sobre la preservación de la audición en el implante coclear, la experiencia de la universidad de iowa. Investigación auditiva 108487, https://doi.org/10.1016/J.HEARES.2022.108487 (2022).

Wimmer, W., Sclabas, L., Caversaccio, M. & Weder, S. La impedancia del electrodo del implante coclear como biomarcador potencial para la audición residual. Fronteras en Neurología 0, 1305, https://doi.org/10.3389/FNEUR.2022.886171 (2022).

Artículo Google Académico

Nadol, JB, O'Malley, JT, Burgess, BJ & Galler, D. Respuestas inmunológicas celulares a la implantación coclear en humanos. Investigación auditiva 318, 11–17, https://doi.org/10.1016/J.HEARES.2014.09.007 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Choi, CH & Oghalai, JS Predicción del efecto de la fibrosis coclear post-implante en la audición residual. Investigación auditiva 205, 193–200, https://doi.org/10.1016/J.HEARES.2005.03.018 (2005).

Artículo PubMed PubMed Central Google Académico

Kim, JS, Tejani, VD, Abbas, PJ & Brown, CJ Electrococleografía postoperatoria de usuarios de implantes cocleares híbridos: un procedimiento de análisis alternativo. Investigación auditiva 370, 304–315, https://doi.org/10.1016/J.HEARES.2018.10.016 (2018).

Artículo PubMed PubMed Central Google Académico

Polak, M. et al. Retrasos de tiempo de la membrana basilar in vivo en humanos. Ciencias del cerebro 12, 400, https://doi.org/10.3390/BRAINSCI12030400 (2022).

Artículo PubMed PubMed Central Google Académico

Lorens, A. et al. Microfonía coclear en implantes cocleares de preservación auditiva. The Journal of International Advanced Otology 15, 345, https://doi.org/10.5152/IAO.2019.6334 (2019).

Artículo PubMed PubMed Central Google Académico

Schuerch, K. et al. Objetivación de la electrococleografía intracoclear mediante aprendizaje automático. Fronteras en Neurología 0, 1785, https://doi.org/10.3389/FNEUR.2022.943816 (2022).

Artículo Google Académico

Fitzpatrick, DC y col. Electrococleografía de ventana redonda justo antes de la implantación coclear: relación con los resultados del reconocimiento de palabras en adultos. Otología y Neurotología 35, 64–71, https://doi.org/10.1097/MAO.0000000000000219 (2014).

Artículo PubMed Google Académico

Kumaragamage, CL, Lithgow, BJ & Moussavi, ZK Investigación de un nuevo método de promedio ponderado para mejorar el snr de los registros de electrococleografía. IEEE Transactions on Biomedical Engineering 63, 340–347, https://doi.org/10.1109/TBME.2015.2457412 (2016).

Artículo PubMed Google Académico

Shaul, C. et al. La impedancia eléctrica como biomarcador para la patología del oído interno después de la pared lateral y la implantación coclear peri-modiolar. Otología y neurotología: publicación oficial de la American Otological Society, la American Neurotology Society [y] la Academia Europea de Otología y Neurotología 40, E518–E526, https://doi.org/10.1097/MAO.0000000000002227 (2019).

Artículo Google Académico

Saoji, AA et al. Las mediciones de electrococleografía multifrecuencia se pueden utilizar para controlar y optimizar la colocación de electrodos durante la cirugía de implante coclear. Otología y Neurotología 40, 1287–1291, https://doi.org/10.1097/MAO.0000000000002406 (2019).

Artículo PubMed Google Académico

Rasetshwane, DM et al. Escala de sonoridad categórica y contornos de igual sonoridad en oyentes con audición normal y pérdida auditiva. The Journal of the Acoustical Society of America 137, 1899–1913, https://doi.org/10.1121/1.4916605 (2015).

Artículo ADS PubMed PubMed Central Google Scholar

Schuerch, K. et al. Aumento de la confiabilidad de la electrococleografía en tiempo real durante la implantación coclear: una guía estandarizada. Archivos europeos de otorrinolaringología 1, 1–11, https://doi.org/10.1007/S00405-021-07204-7 (2022).

Artículo Google Académico

Drongelen, WV Procesamiento de señales para neurocientíficos (Elsevier, 2018).

Schuerch, K. et al. Un conjunto de datos de electrococleografía intracoclear: desde datos sin procesar hasta análisis objetivos mediante aprendizaje profundo. Dríada, https://doi.org/10.5061/dryad.70rxwdc1x (2023).

Dallos, P., Cheatham, MA & Ferraro, J. Mecánica coclear, no linealidades y potenciales cocleares. The Journal of the Acoustical Society of America 55, 597, https://doi.org/10.1121/1.1914570 (2005).

Artículo Google Académico

Caja de etiquetas. Caja de etiquetas. https://labelbox.com (2022).

Zierhofer, CM, Hochmair, IJ & Hochmair, ES El implante coclear avanzado combi 40+. Otología y Neurotología 18 (1997).

Sanderson, AP, Rogers, ET, Verschuur, CA y Newman, TA Explotación de medidas clínicas de rutina para informar estrategias para un mejor rendimiento auditivo en usuarios de implantes cocleares. Fronteras en Neurociencia 13, 1048, https://doi.org/10.3389/FNINS.2018.01048/BIBTEX (2019).

Artículo Google Académico

Aebischer, P., Meyer, S., Caversaccio, M. y Wimmer, W. Estimación intraoperatoria basada en la impedancia de la profundidad de inserción del conjunto de electrodos del implante coclear. IEEE Transactions on Biomedical Engineering 68, 545–555, https://doi.org/10.1109/TBME.2020.3006934 (2021).

Artículo PubMed Google Académico

Rathgeb, C. et al. Aplicabilidad clínica de un método de predicción de profundidad de inserción angular preoperatoria para implante coclear. Otología y neurotología 40, 1011–1017 (2019).

Artículo Google Académico

Anschuetz, L. et al. Predicción de la profundidad de inserción del implante coclear: un estudio de precisión del hueso temporal. Otología y neurotología 39, e996–e1001 (2018).

Artículo Google Académico

Wimmer, W. et al. Objetivo de cocleostomía semiautomática y planificación de la trayectoria de inserción para la implantación coclear mínimamente invasiva. Investigación BioMed internacional 2014 (2014).

Rossum, GV y Drake, FL Manual de referencia de Python 3 (CreateSpace, 2009).

Harris, CR et al. Programación de matrices con numpy. Nature 2020 585:7825 585, 357–362, https://doi.org/10.1038/s41586-020-2649-2 (2020).

Artículo CAS Google Académico

Paszke, A. et al. Pytorch: una biblioteca de aprendizaje profundo de estilo imperativo y alto rendimiento. En Wallach, H. et al. (eds.) Avances en sistemas de procesamiento de información neuronal, vol. 32 (Curran Associates, Inc., 2019).

Virtanen, P. et al. SciPy 1.0: algoritmos fundamentales para la computación científica en Python. Nature Methods 17, 261–272, https://doi.org/10.1038/s41592-019-0686-2 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Hunter, JD Matplotlib: Un entorno de gráficos 2d. Computación en ciencia e ingeniería 9, 90–95, https://doi.org/10.1109/MCSE.2007.55 (2007).

Artículo ANUNCIOS Google Académico

Pedregosa, F. et al. Scikit-learn: aprendizaje automático en Python. Revista de investigación de aprendizaje automático 12, 2825–2830 (2011).

MathSciNet MATEMÁTICAS Google Académico

Descargar referencias

Los autores desean agradecer a Marek Polak y su equipo de MED-EL, Austria, por su apoyo.

Departamento de Otorrinolaringología, Cirugía de Cabeza y Cuello, Inselspital, Hospital Universitario de Berna, Universidad de Berna, Berna, Suiza

Klaus Schuerch, Wilhelm Wimmer, Marco Caversaccio, Georgios Mantokoudis, Tom Gawliczek y Stefan Weder

Laboratorio de Investigación Auditiva, Centro ARTORG de Investigación en Ingeniería Biomédica, Universidad de Berna, Berna, Suiza

Klaus Schuerch, Wilhelm Wimmer, Marco Caversaccio y Stefan Weder

Departamento de Otorrinolaringología, Cirugía de Cabeza y Cuello, Hospital Universitario de Zúrich, Universidad de Zúrich, Zúrich, Suiza

Adrián Dalbert

Centro de Apoyo para Neuroimagen Avanzada (SCAN), Instituto Universitario de Neurorradiología Diagnóstica e Intervencionista, Inselspital, Hospital Universitario de Berna, Universidad de Berna, Berna, Suiza

cristian rumel

También puede buscar este autor en PubMed Google Scholar

Todos los autores contribuyeron a este trabajo. KS desarrolló el sistema de medición, escribió el software para el análisis, participó en la recopilación de datos, etiquetó los datos y redactó y aprobó la versión final de este manuscrito. WW proporcionó supervisión y recursos y redactó y aprobó la versión final de este manuscrito. CR y MC proporcionaron supervisión y recursos. AD etiquetó los datos. GM proporcionó supervisión y recursos y participó en la recopilación de datos. TG extrajo las características anatómicas. SW diseñó el estudio, etiquetó los datos, participó en la recopilación de datos y aprobó la versión final de este manuscrito.

Correspondencia a Stefan Weder.

Los autores certifican que no tienen afiliaciones ni participación en ninguna organización o entidad con algún interés financiero (como honorarios, becas educativas, participación en oficinas de oradores, membresía, empleo, consultorías, propiedad de acciones u otro interés de capital; y expertos acuerdos de concesión de licencias de patentes o testimonios), o interés no financiero (como relaciones personales o profesionales, afiliaciones, conocimientos o creencias) en el tema o los materiales discutidos en este manuscrito.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Schuerch, K., Wimmer, W., Dalbert, A. et al. Un conjunto de datos de electrococleografía intracoclear: desde datos sin procesar hasta análisis objetivos mediante aprendizaje profundo. Datos científicos 10, 157 (2023). https://doi.org/10.1038/s41597-023-02055-9

Descargar cita

Recibido: 27 de septiembre de 2022

Aceptado: 08 de marzo de 2023

Publicado: 22 de marzo de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt