Identification of active electrodes that record task-relevant neurophysiological activity is needed for clinical and industrial applications as well as for investigating brain functions. We developed an unsupervised, fully automated approach to classify active electrodes showing event-related intracranial EEG (iEEG) responses from 115 patients performing a free recall verbal memory task. Our approach employed new interpretable metrics that quantify spectral characteristics of the normalized iEEG signal based on power-in-band and synchrony measures. Unsupervised clustering of the metrics identified distinct sets of active electrodes across different subjects. In the total population of 11,869 electrodes, our method achieved 97% sensitivity and 92.9% specificity with the most efficient metric. We validated our results with anatomical localization revealing significantly greater distribution of active electrodes in brain regions that support verbal memory processing. We propose our machine-learning framework for objective and efficient classification and interpretation of electrophysiological signals of brain activities supporting memory and cognition.

• MeSH
• algoritmy MeSH
• biomedicínské inženýrství metody   trendy   MeSH
• datové soubory jako téma MeSH
• elektroencefalografie metody   MeSH
• elektrofyziologické jevy MeSH
• elektrokortikografie * metody   MeSH
• epilepsie diagnóza   patofyziologie   psychologie   MeSH
• evokované potenciály fyziologie   MeSH
• implantované elektrody * MeSH
• kognice fyziologie   MeSH
• krátkodobá paměť fyziologie   MeSH
• lidé MeSH
• mapování mozku metody   MeSH
• mozek diagnostické zobrazování   fyziologie   MeSH
• plnění a analýza úkolů * MeSH
• retrospektivní studie MeSH
• senzitivita a specificita MeSH
• strojové učení bez učitele * MeSH
• verbální chování fyziologie   MeSH
• Check Tag
• lidé MeSH
• Publikační typ
• časopisecké články MeSH
• práce podpořená grantem MeSH
• Research Support, U.S. Gov't, Non-P.H.S. MeSH
• validační studie MeSH