Feasibility of Electroencephalography-Based Detection of Single-Flash Microperimetry Stimuli: A Proof-of-Concept Study

Deze proof-of-concept studie toont aan dat het mogelijk is om met behulp van een BiLSTM-deeplearningmodel individuele microperimetrie-prikkelresponsen te detecteren in occipitale EEG-signaal, zelfs zonder hardware-synchronisatie en bij afwezigheid van patiëntrespons.

De kern

De "Geheime Code" van je Oog: Hoe een Brein-Scanner Ziet wat je Ziet

Stel je voor dat je een oogarts bezoekt om je gezichtsvermogen te testen. Normaal gesproken moet je dan op een scherm kijken en op een knop drukken elke keer dat je een klein lichtje ziet. Het probleem? Soms ben je moe, afgeleid, of misschien is het lastig om te praten (bijvoorbeeld bij kinderen of ouderen). Dan is de test niet betrouwbaar.

De onderzoekers in dit artikel hebben een slimme, nieuwe manier bedacht om te kijken of je echt iets ziet, zonder dat je hoeft te praten of te drukken. Ze gebruiken een EEG-hoofdband (een soort hoed met sensoren die je hersengolven leest) en een kunstmatige intelligentie (een slim computerprogramma).

Hier is hoe het werkt, vertaald in alledaagse termen:

1. De Uitdaging: Een Flits in een Storm

Normaal gesproken zijn hersensignalen heel zwak, alsof je probeert een fluisterend gesprek te horen in een drukke fabriekshal.

• De Flits: De oogarts gebruikt een apparaat (een microperimeter) dat korte lichtflitsen op je netvlies projecteert.
• Het Probleem: Deze flitsen zijn niet perfect gesynchroniseerd met de EEG-hoed. Het is alsof je probeert een foto te maken van een rennende hond, maar je camera heeft een trage sluiter. Je weet niet precies op welk milliseconde de flits precies op je oog viel.
• De Oplossing: In plaats van te proberen de exacte timing te vinden, hebben de onderzoekers een slim computerprogramma (Deep Learning) gebruikt. Dit programma is als een detective die niet naar één specifiek moment kijkt, maar naar het gehele verhaal van de hersensignalen.

2. De Methode: De "Brein-Scanner"

De onderzoekers hebben twee gezonde vrijwilligers gevraagd om een oogtest te doen terwijl ze een EEG-hoofdband droegen.

• De Sensoren: Ze hebben sensoren precies achter op het hoofd geplaatst, boven het visuele centrum van de hersenen (waar je het zien verwerkt). Dit is als het plaatsen van een microfoon precies boven een zanger in plaats van ergens in de zaal.
• De Data: Het programma keek naar stukjes hersensignalen van 600 milliseconden. Het vroeg zich af: "Zie ik hier een patroon dat lijkt op 'ik heb net iets gezien' of is dit gewoon ruis?"

3. Het Resultaat: De "Geheime Code" Kraken

Het slimme programma (een zogenaamd BiLSTM-model) slaagde erin om de flitsen te detecteren, zelfs zonder perfecte timing.

• Helder Licht: Als de flitsen fel waren, kon het programma in 80% van de gevallen zeggen: "Ja, hier is een lichtje opgeflitst!" Dit is alsof je in een donkere kamer een felle zaklamp ziet branden.
• Zacht Licht: Als de flitsen heel zacht waren, werd het moeilijker. Het programma werd dan een beetje onzeker, net als iemand die probeert een kaarsvlam te zien in een zonnige dag.
• De Locatie: Het bleek dat sensoren precies achter op het hoofd (bij de occipitale lob) het beste werkten. Sensoren aan de zijkant of bovenop deden het minder goed. Het is alsof je een radio beter kunt vangen als je de antenne precies op de juiste plek zet.

4. Waarom is dit belangrijk? (De "Waarom"-Vraag)

Stel je voor dat je een auto wilt testen, maar de bestuurder is niet in staat om te zeggen of hij de remmen voelt.

• Huidige situatie: Oogartsen zijn afhankelijk van wat de patiënt zegt ("Ik zag het wel", "Ik zag het niet"). Als de patiënt niet meewerkt, is de test waardeloos.
• De toekomst: Met deze techniek kan de computer zelf zeggen: "De hersenen reageerden op dit lichtje, dus de patiënt zag het wel."
• Voor wie? Dit is een droomscenario voor mensen die niet goed kunnen praten of reageren: baby's, mensen met dementie, of mensen die erg moe zijn. Het maakt de oogtest objectief. Je hoeft niet meer te vertrouwen op wat iemand zegt, maar op wat hun brein doet.

Conclusie: Een Eerste Stap

Dit onderzoek is nog een "bewijs van concept". Het is alsof iemand voor het eerst heeft laten zien dat je een boot kunt bouwen van hout, maar de boot is nog niet groot genoeg om over de oceaan te varen.

• Het werkt nu nog niet perfect voor elke patiënt.
• De timing moet nog nauwkeuriger worden (zoals het synchroniseren van een orkest).
• Maar het bewijst wel één ding: Je hersenen "schreeuwen" dat je iets ziet, zelfs als je mond het niet doet. En met de juiste technologie kunnen we die schreeuw nu horen.

Kortom: De onderzoekers hebben laten zien dat je met een slim computerprogramma en een hoofdband kunt "luisteren" naar je ogen, zonder dat je zelf hoeft te praten. Een grote stap naar oogtests die voor iedereen werken, ongeacht hun leeftijd of conditie.

Technische samenvatting

Probleemstelling

Microperimetrie (MP) is een cruciale klinische test voor het beoordelen van maculaire functie, met name bij aandoeningen zoals leeftijdsgebonden maculadegeneratie (AMD) en diabetische macula-oedeem (DME). Een fundamentele beperking van de huidige MP-methoden is echter hun afhankelijkheid van subjectieve patiëntreacties (het indrukken van een knop bij het waarnemen van een lichtflits). Dit leidt tot onbetrouwbaarheid bij populaties met cognitieve beperkingen, vermoeidheid, ouderen of kinderen, wat de testresultaten kan verstoren.

Bestaande objectieve methoden, zoals multifocale visuele evoked potentials (mfVEP) of pupillografische perimetrie (mfPOP), vereisen vaak gespecialiseerde hardware, specifieke stimulusontwerpen (zoals flickerpatronen) en geoptimaliseerde omgevingen die moeilijk te integreren zijn in bestaande klinische MP-werkstromen. De vraag die deze studie beantwoordt, is of het mogelijk is om de neurale respons op de standaard klinische MP-stimuli (enkele, langdurige flitsen) te detecteren via elektro-encefalografie (EEG), zelfs onder niet-ideale synchronisatieomstandigheden, zonder afhankelijk te zijn van de patiëntreactie.

Methodologie

Dit proefproject (proof-of-concept) gebruikte een combinatie van EEG-opnames en diep leren om stimuli te detecteren.

• Data-acquisitie:

  • Deelnemers: Twee gezonde proefpersonen (1 man, 1 vrouw) met normaal gezichtsvermogen.
  • Apparatuur: Een Nidek-MP1 apparaat voor de microperimetrie en een 8-kanaals OpenBCI Ultracortex headset voor EEG-opnames.
  • Stimuli: Enkele flitsen met twee intensiteitsniveaus: hoog (0-4 dB, 50-127 cd/m²) en laag (16 dB, 3,2 cd/m²). De flitsduur was 200 ms.
  • Synchronisatie: Er was geen hardware-synchronisatie tussen de MP en de EEG. Synchronisatie werd offline uitgevoerd door MP-schermvideo's in slow-motion te analyseren (met DataVyu software), wat een tijdsfout van ongeveer 250 ms introduceerde.

• Signaalverwerking:

  • Preprocessing: De EEG-data (250 Hz) werden gefilterd (bandpass 4–49 Hz) om drift en spierartefacten te verwijderen.
  • Referentie: Common Median Reference (CMR) werd toegepast om globale ruis te verminderen.
  • Segmentatie: De data werden opgedeeld in 600 ms vensters rondom de geschatte stimulus-offset. Dit langere venster (in plaats van de gebruikelijke 300 ms voor VEP) was noodzakelijk vanwege de timing-onzekerheid en de langere stimulusduur.
  • Normalisatie: Z-score normalisatie werd toegepast.

• Deep Learning Model:

  • Een Bidirectional Long Short-Term Memory (BiLSTM) architectuur werd ontwikkeld om de tijdsafhankelijke patronen in de EEG-segmenten te decoderen.
  • Het model bestond uit twee gestapelde BiLSTM-lagen met dropout-lagen om overfitting te voorkomen.
  • Doel: Binair classificeren van EEG-segmenten als "stimulus aanwezig" of "stimulus afwezig".
  • Training: Per trial werden de data gesplitst in training (70%), validatie (15%) en test (15%).

Belangrijkste Bijdragen

1. Feasibility van Enkele Flitsen: Het bewijs leveren dat EEG kan worden gebruikt om individuele, niet-herhalende microperimetrie-flitsen te detecteren, zonder de noodzaak van signaal-averaging (gemiddelden over vele trials).
2. Onafhankelijkheid van Patiëntreactie: Het aantonen dat stimulusregistratie mogelijk is puur op basis van corticale activiteit, wat een oplossing biedt voor subjectieve testfouten.
3. Toepassing van BiLSTM: Het succesvol toepassen van een sequentieel deep learning-model om de complexe, tijdsverspreide neurale responsen van langdurige (200 ms) stimuli te detecteren, in plaats van te vertrouwen op traditionele VEP-pieken (zoals P100) die bij deze stimuli vaak ontbreken.
4. Elektrode-configuratie: Het identificeren dat occipitale kanalen (O1, O2) de beste prestaties leveren voor stimulusdetectie, in overeenstemming met de neuroanatomie van het visuele cortex.

Resultaten

• Algemene Prestatie: Het model presteerde significant beter dan toeval. Voor hoog-intensiteit stimuli bereikte de detectienauwkeurigheid ongeveer 80%.
• Intensiteitseffect:
  • Hoog-intensiteit: Consistente prestaties met een hoge specificiteit (81-96%), wat aangeeft dat het model "niet-stimulus" segmenten zeer goed herkent. De sensitiviteit varieerde echter, wat wijst op een trade-off tussen het detecteren van stimuli en het vermijden van valse alarmen.
  • Laag-intensiteit: De prestaties waren veel variabeler (nauwkeurigheid 58-79%) en lager. De sensitiviteit daalde soms tot 7%, wat aangeeft dat zwakke neurale signalen bij lage intensiteit moeilijk te onderscheiden zijn van ruis zonder hardware-synchronisatie.
• Elektrode-configuratie: Combinaties van de occipitale kanalen O1 en O2 presteerden over het algemeen beter dan combinaties met pariëtale kanalen of Oz. Het toevoegen van Oz verlaagde vaak de prestaties door artefacten (oog/muskelruis). Het gebruik van alle 8 kanalen tegelijk leverde geen betere resultaten op dan de geselecteerde occipitale subset, waarschijnlijk door de toevoeging van irrelevante ruis.
• Beperkingen: De studie omvatte slechts twee proefpersonen en 12 trials. De prestaties waren binnen-trainingsdata (niet cross-subject), wat de generaliseerbaarheid beperkt.

Significantie en Toekomstperspectief

Deze studie is een belangrijke stap in de ontwikkeling van objectieve microperimetrie. Hoewel de huidige resultaten nog niet klaar zijn voor directe klinische toepassing, bewijzen ze het concept dat EEG een waardevolle aanvulling kan zijn op bestaande MP-werkstromen.

• Klinische Impact: Een EEG-gestuurde detectie zou de testbetrouwbaarheid kunnen verhogen bij patiënten die niet kunnen communiceren of niet consistent kunnen reageren (bijv. kinderen, ouderen, cognitief gehandicapten). Het zou ook de frequentie van "catch-trials" (blindvlek-stimuli) kunnen vergroten zonder de aandacht van de patiënt te verstoren.
• Technische Richting: Voor een klinische implementatie zijn verdere verbeteringen nodig, met name:
  • Hardware-synchronisatie: Om de timing-onzekerheid van 250 ms te reduceren naar milliseconden (bijv. via fotodiodes).
  • Grotere cohorts: Validatie op een grotere en diverse patiëntpopulatie.
  • Geavanceerde Architecturen: Het onderzoeken van hybride CNN-LSTM-modellen voor betere ruimtelijk-temporale feature-extractie.

Concluderend biedt deze paper het eerste bewijs dat EEG-signalen, zelfs onder beperkte omstandigheden, de neurale responsen op enkele microperimetrie-flitsen kunnen reflecteren, wat de weg effent voor een objectieve, patiënt-onafhankelijke functionaliteitstest voor het netvlies.