IT201700014354A1 - Elaborazione dati elettrofisiologici per la definizione dell’integrità del sistema nervoso trigeminale e masticatorio. - Google Patents
Elaborazione dati elettrofisiologici per la definizione dell’integrità del sistema nervoso trigeminale e masticatorio.Info
- Publication number
- IT201700014354A1 IT201700014354A1 IT102017000014354A IT201700014354A IT201700014354A1 IT 201700014354 A1 IT201700014354 A1 IT 201700014354A1 IT 102017000014354 A IT102017000014354 A IT 102017000014354A IT 201700014354 A IT201700014354 A IT 201700014354A IT 201700014354 A1 IT201700014354 A1 IT 201700014354A1
- Authority
- IT
- Italy
- Prior art keywords
- value
- test
- trigeminal
- data
- difference
- Prior art date
Links
- 210000000653 nervous system Anatomy 0.000 title claims description 23
- 238000012545 processing Methods 0.000 title claims description 14
- 238000012360 testing method Methods 0.000 claims description 130
- 210000001847 jaw Anatomy 0.000 claims description 48
- 230000036461 convulsion Effects 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 42
- 230000011514 reflex Effects 0.000 claims description 40
- 230000000763 evoking effect Effects 0.000 claims description 38
- 238000010606 normalization Methods 0.000 claims description 26
- 206010001497 Agitation Diseases 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000011084 recovery Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 230000007170 pathology Effects 0.000 claims description 17
- 230000002146 bilateral effect Effects 0.000 claims description 15
- 210000003169 central nervous system Anatomy 0.000 claims description 15
- 238000000968 medical method and process Methods 0.000 claims description 15
- 208000002193 Pain Diseases 0.000 claims description 13
- 208000028911 Temporomandibular Joint disease Diseases 0.000 claims description 13
- 230000002401 inhibitory effect Effects 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 claims description 11
- 210000003205 muscle Anatomy 0.000 claims description 11
- 210000001548 stomatognathic system Anatomy 0.000 claims description 10
- 230000000926 neurological effect Effects 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 9
- 206010016059 Facial pain Diseases 0.000 claims description 8
- 230000008449 language Effects 0.000 claims description 8
- 238000011002 quantification Methods 0.000 claims description 8
- 230000003750 conditioning effect Effects 0.000 claims description 7
- 230000001095 motoneuron effect Effects 0.000 claims description 6
- 230000001055 chewing effect Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000002964 excitative effect Effects 0.000 claims description 4
- 206010043220 Temporomandibular joint syndrome Diseases 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000009527 percussion Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000000642 iatrogenic effect Effects 0.000 claims description 2
- 230000008587 neuronal excitability Effects 0.000 claims description 2
- 230000001575 pathological effect Effects 0.000 claims description 2
- 230000006690 co-activation Effects 0.000 claims 2
- 230000009885 systemic effect Effects 0.000 claims 2
- 230000002547 anomalous effect Effects 0.000 claims 1
- 210000004373 mandible Anatomy 0.000 claims 1
- 238000012067 mathematical method Methods 0.000 claims 1
- 230000001404 mediated effect Effects 0.000 claims 1
- 230000003955 neuronal function Effects 0.000 claims 1
- 210000003901 trigeminal nerve Anatomy 0.000 claims 1
- 239000003550 marker Substances 0.000 description 66
- 230000006870 function Effects 0.000 description 35
- 238000004364 calculation method Methods 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 13
- 210000000966 temporal muscle Anatomy 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 206010006514 bruxism Diseases 0.000 description 8
- 230000002093 peripheral effect Effects 0.000 description 8
- 230000000638 stimulation Effects 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 210000002161 motor neuron Anatomy 0.000 description 7
- 238000010200 validation analysis Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 5
- 238000011990 functional testing Methods 0.000 description 5
- 210000005036 nerve Anatomy 0.000 description 5
- 210000003625 skull Anatomy 0.000 description 5
- 230000002747 voluntary effect Effects 0.000 description 5
- 230000004064 dysfunction Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000001154 skull base Anatomy 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 206010070834 Sensitisation Diseases 0.000 description 3
- 208000008963 Transient myeloproliferative syndrome Diseases 0.000 description 3
- 230000036982 action potential Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 210000005013 brain tissue Anatomy 0.000 description 3
- 230000001054 cortical effect Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 210000004884 grey matter Anatomy 0.000 description 3
- 208000013403 hyperactivity Diseases 0.000 description 3
- 238000007917 intracranial administration Methods 0.000 description 3
- 210000001352 masseter muscle Anatomy 0.000 description 3
- 201000006417 multiple sclerosis Diseases 0.000 description 3
- 210000004699 muscle spindle Anatomy 0.000 description 3
- 230000003040 nociceptive effect Effects 0.000 description 3
- 230000001936 parietal effect Effects 0.000 description 3
- 208000029340 primitive neuroectodermal tumor Diseases 0.000 description 3
- 230000008313 sensitization Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 206010044652 trigeminal neuralgia Diseases 0.000 description 3
- 206010019233 Headaches Diseases 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 208000019695 Migraine disease Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000003502 anti-nociceptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000000133 brain stem Anatomy 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000002001 electrophysiology Methods 0.000 description 2
- 230000007831 electrophysiology Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000001339 gustatory effect Effects 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000001320 hippocampus Anatomy 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003447 ipsilateral effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 210000003784 masticatory muscle Anatomy 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 206010027599 migraine Diseases 0.000 description 2
- 238000009448 modified atmosphere packaging Methods 0.000 description 2
- 201000009489 neurilemmoma of the fifth cranial nerve Diseases 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 210000001428 peripheral nervous system Anatomy 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003238 somatosensory effect Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000024171 trigeminal schwannoma Diseases 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- BFCDFTHTSVTWOG-PXNSSMCTSA-N (1r,2s)-2-(octylamino)-1-(4-propan-2-ylsulfanylphenyl)propan-1-ol Chemical compound CCCCCCCCN[C@@H](C)[C@H](O)C1=CC=C(SC(C)C)C=C1 BFCDFTHTSVTWOG-PXNSSMCTSA-N 0.000 description 1
- 208000006373 Bell palsy Diseases 0.000 description 1
- 208000003163 Cavernous Hemangioma Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000003164 Diplopia Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010013142 Disinhibition Diseases 0.000 description 1
- 206010013911 Dysgeusia Diseases 0.000 description 1
- 206010020852 Hypertonia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 206010028391 Musculoskeletal Pain Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 208000000112 Myalgia Diseases 0.000 description 1
- 208000033383 Neuroendocrine tumor of pancreas Diseases 0.000 description 1
- 102000003797 Neuropeptides Human genes 0.000 description 1
- 108090000189 Neuropeptides Proteins 0.000 description 1
- 206010036105 Polyneuropathy Diseases 0.000 description 1
- 238000004617 QSAR study Methods 0.000 description 1
- PPTYJKAXVCCBDU-UHFFFAOYSA-N Rohypnol Chemical compound N=1CC(=O)N(C)C2=CC=C([N+]([O-])=O)C=C2C=1C1=CC=CC=C1F PPTYJKAXVCCBDU-UHFFFAOYSA-N 0.000 description 1
- 208000008312 Tooth Loss Diseases 0.000 description 1
- 208000010641 Tooth disease Diseases 0.000 description 1
- 208000036826 VIIth nerve paralysis Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 208000004064 acoustic neuroma Diseases 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000001800 adrenalinergic effect Effects 0.000 description 1
- 230000001618 algogenic effect Effects 0.000 description 1
- 210000004727 amygdala Anatomy 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 229960000623 carbamazepine Drugs 0.000 description 1
- FFGPTBGBLSHEPO-UHFFFAOYSA-N carbamazepine Chemical compound C1=CC2=CC=CC=C2N(C(=O)N)C2=CC=CC=C21 FFGPTBGBLSHEPO-UHFFFAOYSA-N 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011281 clinical therapy Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 210000003252 cranial fossa middle Anatomy 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000002999 depolarising effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000003291 dopaminomimetic effect Effects 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 210000004491 foramen ovale Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 210000005153 frontal cortex Anatomy 0.000 description 1
- 230000001240 fusimotor Effects 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 239000000076 hypertonic saline solution Substances 0.000 description 1
- 230000002990 hypoglossal effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000000627 locus coeruleus Anatomy 0.000 description 1
- 208000024714 major depressive disease Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 201000005518 mononeuropathy Diseases 0.000 description 1
- 210000000337 motor cortex Anatomy 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 208000013465 muscle pain Diseases 0.000 description 1
- 230000010004 neural pathway Effects 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 210000000929 nociceptor Anatomy 0.000 description 1
- 108091008700 nociceptors Proteins 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 201000002851 oromandibular dystonia Diseases 0.000 description 1
- 210000003455 parietal bone Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000003239 periodontal effect Effects 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 230000007824 polyneuropathy Effects 0.000 description 1
- 208000037920 primary disease Diseases 0.000 description 1
- 230000000272 proprioceptive effect Effects 0.000 description 1
- 230000001107 psychogenic effect Effects 0.000 description 1
- 210000001609 raphe nuclei Anatomy 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 108020003175 receptors Proteins 0.000 description 1
- 230000036279 refractory period Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002336 repolarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004189 reticular formation Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000862 serotonergic effect Effects 0.000 description 1
- OGPIIGMUPMPMNT-UHFFFAOYSA-M sodium meclofenamate (anhydrous) Chemical compound [Na+].CC1=CC=C(Cl)C(NC=2C(=CC=CC=2)C([O-])=O)=C1Cl OGPIIGMUPMPMNT-UHFFFAOYSA-M 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000001779 taste bud Anatomy 0.000 description 1
- 210000003582 temporal bone Anatomy 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000542 thalamic effect Effects 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 210000000427 trigeminal ganglion Anatomy 0.000 description 1
- 208000020049 trigeminal nerve disease Diseases 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000001515 vagal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000001720 vestibular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Description
“ELABORAZIONE DATI ELETTROFISIOLOGICI PER LA DEFINIZIONE DELL’INTEGRITÀ DEL SISTEMA NERVOSO TRIGEMINALE E MASTICATORIO”
Descrizione
Settore della tecnica
La presente invenzione si riferisce al settore medico. Più in dettaglio la presente invenzione si riferisce ad un dispositivo medicale comprendente delle peculiari componenti che permettono di fornire informazioni sia qualitative che quantitative in merito all’integrità strutturale del sistema nervoso trigeminale e neuro masticatorio. Il detto dispositivo si riferisce più specificatamente al settore medico della gnatologia ed in particolare ad un nuovo paradigma denominato “Neuro Gnatologia Funzionale” (NGF).
Stato dell’arte
La sequenza dei test Neuro Gnatologici Funzionali da eseguire sul paziente è una delle procedure fondamentali del processo NGF e che inequivocabilmente deve essere eseguita step by step rispettando l’ordine descritto. Variazioni nella sequenza porterebbero a dati distorti e non significativi nella quantificazione dell’integrità del sistema trigeminale, nella diagnostica e nelle terapie cliniche del sistema masticatorio.
Come precedentemente menzionato il fulcro su cui si edifica tutto il progetto NGF è la quantificazione della componente organico-funzionale del sistema nervoso trigeminale. Organico perché si ha la necessità di comprendere l’entità della simmetria anatomo-funzionale per poi confrontarla con la simmetria esclusivamente funzionale, quella dinamica, volontariamente modulabile dal soggetto alle richieste ambientali. Comprendendo e quantificando questa componente organico-strutturale attraverso la stimolazione bilaterale massimale e sincrona delle radici trigeminali possiamo risalire all’Energia Neuronale massimale Assoluta Evocabile (mANEE) del singolo soggetto (dato individuale) e stabilirne la simmetria di lato. Questo dato inconfutabile ed immutabile in condizioni di salute viene considerato come Valore assoluto di riferimento e dunque:
Valore di Normalizzazione
Questo parametro è il nodo di convergenza di tutti i dati provenienti dai più disparati test elettrofisiologici masticatori come il jaw jerk, il periodo silente meccanico, elettrico, ecc., che verrà di seguito descritto.
La stimolazione transcraniale elettrica (eTCS) di entrambe le radici trigeminali induce una risposta neuromuscolare chiamata “Potenziale Evocato Motorio bilaterale della Radice trigeminale” (bRoot-MEPs). Può essere effettuata con tutti i dispositivi EMG dotati di due stimolatori elettrici indipendenti e software per potenziali evocati somatosensitivi e motori (strumenti tipicamente da laboratori di neurofisiologia). Questo step è fondamentale per la procedura NGF sia per l’analisi dell’integrità del sistema nervoso trigeminale compreso la diagnostica nei dolori oro facciali, cefalee e disfunzioni dell’Articolazione Temporomandibolare (di seguito denominato Integrità del Sistema Trigeminale), per i trattamenti riabilitativi masticatori (Riabilitazioni Masticatorie) ma anche per la determinazione della posizione spaziale dei mascellari denominata Centricità Neuro Evocata (NEC).
Prima di passare alla descrizione del processo neurognatologico si discuterà delle motivazioni che hanno indotto la messa a punto di tale processo medicale.
Integrità del sistema trigeminale: Per quanto riguarda l’integrità del sistema nervoso trigeminale bisognerebbe riferirsi al concetto dei “Sistemi Complessi” che operano in modalità stocastica e cioè non lineare. Questo sta a significare che il sistema dovrebbe essere analizzato e descritto nella sua interezza più che segmentato e se proprio fosse necessario discretizzarlo, immediatamente dopo va ricostruito nella sua interezza per interpretarne il proprio “Comportamento Emergente” (CE). Per esempio la fisiopatologia precisa della nevralgia del trigemino rimane oscura. Questo disturbo provoca estremo e sporadico bruciore o dolore improvviso sulla faccia simile a shock che dura da pochi secondi a minuti e può essere fisicamente e mentalmente invalidante. Più di un ramo del nervo può essere influenzato dalla malattia. Malgrado questa descrizione clinica ci sono delle varianti estreme come quella di un caso clinico pubblicato in cui una donna di 55 anni che presentava un dolore sul lato sinistro del viso per 10 anni resistente a carbamazepina. Il corneal reflex era assente sul lato sinistro, la risonanza magnetica ha mostrato una massa ponto-cerebellare sinistra epidermoidale (CPA) che coinvolgeva il nervo V e il ganglio di Gasser e che si estendeva nella fossa cranica media. La nevralgia trigeminale, perciò, può essere causata da masse epidermoidali ponto-cerebellari che, anche se rare, possono essere diagnosticate precocemente con test elettrofisiologici trigeminali. [1] Oltre a disturbi nevralgici possiamo incontrare patologie intracraniche che simulano manifestazioni cliniche forvianti come per esempio un bruxismo dentario. Un caso clinico recentemente pubblicato ha mostrato come un bruxismo sottovalutato dai dentisti può celare un danno cerebrale di gravità elevata come un cavernoma pineale che con l’alterazione elettrolitica e neuropeptidica determini una ipereccitabilità del sistema nervoso centrale con conseguente ipertonia diffusa e bruxismo. Una serie di test elettrofisiologici trigeminali avrebbe diagnosticato questo disturbo con un notevole anticipo temporale. [9]
Un altro esempio esplicativo può riguardare i tumori neuroectodermici primitivi (PNETs) che comprendono un gruppo di aggressivi tumori embrionali scarsamente differenziati che si verificano nel Sistema Nervoso Centrale quali l’area ponto-cerebellare primaria (CPA). Il PNET è un’entità estremamente rara. [2] È importante avere la conoscenza di questa patologia ed essere in grado di distinguerla da altri tumori CPA che si verificano comunemente, come gli Schwannomi vestibolari e trigeminali. Fu descritto un caso clinico di un giovane maschio che presentava diplopia e intorpidimento del viso. La risonanza magnetica ha mostrato una massa CPA con una diagnosi provvisoria di schwannoma trigemino, il paziente fu sottoposto ad intervento chirurgico. [3] Sicuramente la manifestazione clinica è l’evento avanzato della progressione del malattia e la risonanza magnetica è l’indagine conclusiva ma nella fase avanzata della malattia, mentre i test elettrofisiologici trigeminali possono essere determinanti nelle prime fasi antecedenti la manifestazione clinica.
Anche disturbi non comuni dovrebbe essere scandagliati in profondità. Per esempio nella cura dei pazienti con alterazioni del gusto, la valutazione clinica dovrebbe includere l’esame completo dei nervi cranici e, in particolare, i test gustativi. I metodi neurofisiologici, come riflesso corneale e masseterino consentono la sperimentazione di percorsi trigemino-facciali e trigeminotrigeminali. I moderni metodi di imaging (MRI e tomografia computerizzata) consentono la delineazione delle strutture neuroanatomiche che sono coinvolte nel gusto e la loro relazione con la base cranica. Da un punto di vista neurologico, disturbi gustativi possono derivare da un danno a tutto il percorso gustativo neurale, dalle papille gustative attraverso il sistema nervoso periferico (nervo facciale, glossofaringeo e vagale) ed il centrale (tronco cerebrale, talamo) fino alla sua rappresentazione all’interno del corteccia cerebrale. Un gran numero di cause devono essere considerate, ad esempio farmaci e agenti fisici, disturbi cerebrovascolari e lesioni talamiche, processi occupanti spazio pontino, in particolare i tumori che comprimono l’area ponto-cerebellare e il forame giugulare della base cranica, fratture, trauma cranico della base del cranio, isolate mononeuropatie craniche (paralisi di Bell) o polineuropatia, epilessia, demenza, sclerosi multipla e depressione maggiore. [4, 5] Anche in questi casi i test elettrofisiologici trigemino-trigeminali, trigemino-facciali e trigemino ipoglosso posso essere di rapida efficacia diagnostica.
Trattamento di riabilitazione masticatoria: Anche se di entità relativamente ed apparentemente meno grave, i decenni che ci hanno preceduto riguardanti gli assiomi, scuole di pensiero e metodologie empiriche e soggettive riguardanti le riabilitazioni del sistema masticatorio, dalla protesi all’ortodonzia, hanno prodotto una miriade di metodologie focalizzanti il problema dentario senza espandere le proprie conoscenze a distretti seppur distanti ma assolutamente determinanti quali il sistema nervoso centrale e periferico. Per esempio gli ortodontisti non si sono mai chiesti cosa succede a livello del sistema nervoso centrale quando si spostano i denti. Un recente studio eseguito su topi riguardo i movimenti ortodontici dei denti (OTM) ha dimostrato che nelle prime fasi, ovviamente, questo movimento provoca dolore transitorio e cambiamenti nella occlusione dentale ma che può portare ad input somatosensoriali alterati e cambiamento nei modelli di masticazione. [6] I cambiamenti neuroplastici documentati in un recente studio [7] possono riflettere i cambiamenti sensomotori adattativi in risposta all’ambiente alterato nella cavità orale indotta da movimenti ortodontici. Anche se gli autori sono stati molto eleganti nelle conclusioni c’è da dire che questo studio ha evidenziato una possibile modalità di adattamento del sistema nervoso centrale senza comunque assicurare una reversibilità dei risultati. Tuttavia questo studio si focalizza sul sistema nervoso centrale e periferico masticatorio e della faccia: che dire se i cambiamenti occlusali fossero in grado di determinare alterazioni anche organiche di centri nervosi che apparentemente nulla hanno a che fare con il sistema masticatorio trigeminale come l’ippocampo, amigdala, nuclei della base, ecc.? La nostra conoscenza dovrebbe approfondirsi anche in questi argomenti visto che oggi abbiamo i mezzi tecnici per farlo. Tanto è vero che uno straordinario studio ha dimostrato che i disturbi masticatori, derivante dalla perdita di denti o in conseguenza ad estrazioni, o disarmonie occlusali idiopatiche o iatrogene, inducono cambiamenti patologici nell’ippocampo e deficit di apprendimento e memoria. [8]
Queste ultime ricerche mettono in crisi il vecchio paradigma riabilitativo focalizzato sull’estetica del sorriso disinteressandosi delle conseguenze anche gravi da un punto di vista neurofisiologico ma quello che più distingue il cambiamento paradigmatico è la necessità di un nuovo modello di logica del linguaggio. Un modello paradigmatico che espande le conoscenze diagnostiche e terapeutiche decodificando il linguaggio elettrofisiologico criptato del cervello. Ogni cambiamento che i dentisti apportano allo stato occlusale dovrebbe essere correlato con l’interpretazione dei segnali criptati che il cervello invia all’esterno. Ciò vuol dire che nel caso precedentemente esposto, il bruxismo in un linguaggio naturale potrebbe essere scambiato con un disturbo odontoiatrico mentre se decriptando il linguaggio macchina cerebrale attraverso elettrofisiologia trigeminale (nel caso specifico usando il ciclo di recupero del riflesso inibitorio masseterino) è possibile correlare i cambiamenti periferici con gli adattamenti centrali. [9]
Per fare ciò dobbiamo impiegare l’elettrofisiologia trigeminale in quanto il primum movens è quello di determinare un dato oggettivo neuro anatomofunzionale della simmetria trigeminale denominato Indice NGF.
Fin qui si è parlato del coinvolgimento del sistema nervoso centrale nei cambiamenti occlusali indotti da terapie riabilitative ma, ovviamente, ciò succede anche per i disordini temporomandibolari (TMDs) in cui può coesistere una disarmonia occlusale.
È stato notato, infatti, che i pazienti TMDs hanno dimostrato una disfunzione delle prestazioni motorie e una ridotta capacità cognitiva nei test neuropsichici. Un recente studio è stato realizzato per esplorare l’attività neurale spontanea, attraverso risonanza magnetica funzionale, nei pazienti con TMDs che presentavano discrepanze tra relazione centrica (CR) [10] e Massima Intercuspidazione (MI) [11], prima e dopo trattamento di stabilizzazione con splint. I risultati suggeriscono che i pazienti TMDs con discrepanza CR-MI hanno mostrato significativa diminuzione dell’attività cerebrale nella corteccia frontale e la stabilizzazione occlusale attraverso splint ha mostrato un recupero funzionale in queste aree corticali.
Ora il problema si trasferisce a come trovare questa centricità spaziale occlusale che ripristina anche la normale funzione cerebrale e quali sono i test elettrofisiologici di riferimento a cui relazionare le modifiche spaziali occlusali. Sicuramente i riflessi trigeminali hanno un’essenziale portata informativa in quanto sono molto sensibili ai cambiamenti meccanici occlusali essendo i recettori periodontali, periostei ed i fusi neuromuscolari estremamente sensibili a queste variazioni. Stiamo, tuttavia, parlando dell’aspetto periferico e cioè degli input periferici che viaggiano verso il sistema nervoso centrale per essere analizzati e re-inviati come riflessi funzionali eccitatori e/o inibitori quali il jaw jerk, il periodo silente meccanico, elettrico e così via. Manca però un dettaglio fondante ed inconfutabile sia per la quantificazione dell’asset spaziale riabilitativo sia per il dato elettrofisiologico trigeminale. Questi riflessi possono essere evocati se a monte co-esiste un reclutamento moto neuronale trigeminale capace di depolarizzare in modo massimale i motoneuroni di 1°ordine che di conseguenze attivano i motoneuroni di 2° ordine nei nuclei motori trigeminali. Questo fenomeno può essere considerato come due facce della stessa medaglia in quanto se si è in presenza di una congrua occlusione gli input periferici permettono un massimale ed assoluto reclutamento motoneurale mentre viceversa si avrà uno sbilanciamento dei sistemi (periferico vs centrale). È essenziale perciò, quantificare a priori, la mANEE, la sincronicità e la simmetria anatomo-funzionale. Questo passaggio è considerato il cuore del progetto: quello di determinare un dato elettrofisiologico oggettivo ed inconfutabile a cui riferire le risposte neuromotorie riflesse e/o EMG volontarie, detto anche “Fattore di Normalizzazione” da cui si genererà lo “Indice NGF”. Contestualmente questo processo elettrofisiologico determina, anche, una posizione spaziale dei mascellari per ripristinare l’equilibrio motoneurale periferico del sistema masticatorio, manovra chiamata appunto “Neuro Centricità Evocata”, “NEC” da Neuro Evoked Centricity.
Breve descrizione dei disegni
Al solo fine di meglio chiarire l’invenzione e senza con ciò volerne limitare l’ambito ed i settori in cui essa può trovare applicazione, di seguito si descriveranno alcune realizzazioni particolari, con riferimento anche ai disegni allegati. In essi:
- la figura 1 è uno schema a blocchi generale del processo Trigeminal Neural Network secondo la ppvv;
- la figura 2 mostra la disposizione degli elettrodi sul cranio e la distribuzione di campi elettrici all’interno del tessuto cerebrale intracranica;
- la figura 3 mostra la saturazione del segnale EMG evocato dalla radice trigeminale e registrato sul massetere ipsilaterale alla stimolazione. Notare l’andamento decrescente della latenza all’aumentare dell’amperaggio e quello incrementale dell’ampiezza fino a saturazione;
- la figura 4 mostra i tracciati EMG evocati, relativi alla saturazione e alla simmetria dei potenziali evocati motori trigeminali registrati contemporaneamente sui muscoli temporali e masseteri. La traccia superiore corrisponde al massetere destro e la traccia inferiore al sinistro per tutti i test;
- la figura 5 è una rappresentazione schematica della rilevazione del tracciato relativo al jaw jerk;
- la figura 6 è una rappresentazione schematica della rilevazione del tracciato relativo al Mechanic Silent Period;
- la figura 7 è una rappresentazione schematica della rilevazione del tracciato relativo al Ciclo di recupero del riflesso inibitorio masseterino;
- la figura 8 riporta la rete con in entrata gli input dei test elettrofisiologici con i relativi dati calcolati ed in output l’indice della rete neurale ottenuto;
- la figura 9 è una rappresentazione schematica di una curva Gaussiana da cui rilevare il grado di accuratezza dell’Indice NGF secondo l’invenzione.
Muscolo temporale: L’impiego delle registrazioni dal muscolo temporale è un’opportunità ambita sia dai clinici che dai ricercatori. Le risposte EMG sia volontarie, riflesse e dirette sono simili per tutti i muscoli innervati dal trigemino come sempre è stato fatto per il massetere ma i vantaggi sono notevoli. Principalmente la registrazione avviene senza incollare elettrodi sul viso del paziente perché il supporto è già inserito nel caschetto neurognatologico (oggetto di una domanda di brevetto depositata contestualmente alla presente), mentre l’unico svantaggio incontrato è la vicinanza degli elettrodi attivi alla sorgente di corrente cioè il catodo sulla linea vertice meato acustico. La deriva della corrente erogata, ovviamente, ha un duplice effetto quello di diffondersi nelle circuiterie dei pre-amplificatori e di essere trasferita dagli elettrodi di registrazione. Questo fenomeno determina un artefatto rumoroso che rende difficile l’individuazione di alcuni punti importanti del tracciato come la latenza all’onset. Per ovviare a questo inconveniente è necessario implementare il sistema dei seguenti step procedurali: la schermatura dell’elettrodo registrante, individuare il miglior riferimento elettrodico, requisiti hardware e software.
Requisiti hardware: Per riuscire a registrare dal muscolo temporale ed avere l’opportunità di una perfetta registrazione come dal muscolo massetere ma con minime manovre dell’operatore in quanto gli elettrodi sono già posizionati sul caschetto neurognatologico (oggetto di una domanda di brevetto depositata contestualmente alla presente), sono necessari degli accorgimenti tecnologici di cui non tutti gli elettromiografi da neurologia sono equipaggiati.
Dati sperimentali
DESCRIZIONE A BLOCCHI
Per ogni test che verrà descritto l’acquisizione viene eseguita da un EMG device per potenziali evocati ma la sequenza dei test deve essere rigorosamente rispettata come mostrato nella schema a blocchi (Fig. 1). Il primo e fondamentale test è bilateral Root-MEPs (fattore di normalizzazione anatomo-funzionale) e successivamente il jaw jerk, il periodo silente meccanico ed il ciclo di recupero del Riflesso Inibitore Masseterino che corrispondono alla serie di riflessi trigeminali evocati I dati acquisiti e selezionati vengono elaborati in un algoritmo che restituisce un Valore oggettivo di integrità del sistema trigeminale denominato “Indice NGF” e ulteriormente finalizzato attraverso rete neurale mathlab. Le fasi verranno descritte di seguito ed i codici sorgenti in appendice. Più in particolare il blocco 1 corrisponde alla rappresentazione dell’intero processo medicale NGF costituito da un caschetto NGF (oggetto di una domanda di brevetto depositata contestualmente alla presente), da un EMG device per potenziali evocati e da una serie di test elettrofisiologici. Da qui il termine di Trigeminal Neural Network.
In particolare nel blocco 2 viene riportato il principale e fondamentale test che rappresenterebbe per ogni individuo la propria simmetria anatomo-funzionale. Detto test è denominato bilateral Root-MEPs. Tali informazioni sono inviate in ingresso alla procedura di attuazione del calcolo statistico del blocco 5 e precisamente al numeratore.
Al blocco 3 sono inseriti tutti i test relativi ai riflessi trigeminali quali il jaw jerk, i periodi silenti che andranno in ingresso al blocco 5 relativo al calcolo dell’indice NFG ed in particolare al denominatore.
I dati provenienti dal blocco 4 corrispondenti al test per l’eccitabilità del sistema nervoso trigeminale saranno l’input del blocco 5.
Il blocco 6 sta ad indicare l’integrazione delle diverse unità interagenti per condurre alla tabellazione di uscita 7 che è relativa ai dati oggettivi provenienti dalla rete neurale trigeminale.
Step 1: bilateral Root-MEPs Per visualizzare la distribuzione del campo elettrico all’interno del tessuto cerebrale intracranico riportiamo, in figura 2, un’analisi effettuata attraverso un generico processo di elementi finiti (FE, metodo SimNibs), solo come modello descrittivo (dati non riportati) [12]. In breve, i modelli FE riferiti a questo studio, consistono in circa 1,7 milioni di tetraedri. La risoluzione della Mesh è stata selettivamente migliorata nelle regioni della GrayMatter (GM), White Materia (WM), del cranio e del Fluido Cerebro (CSF) con un volume tetraedrico medio di 1 mm<3>. Le conducibilità elettriche sono state assegnate a diversi tipi di tessuto [13] in cui σ (cute) = 0.465 S / m, σ (cranio) = 0.010 S / m, σ (CSF) = 1.654 S / m, σ (GM) = 0.276 S / m, e σ (WM) = 0.126 s / m [14].
La figura 2 mostra la disposizione degli elettrodi (Figura 2A), la corrente massima si diffonderà sotto i catodi (in colore rosso) nella corteccia parietale (Figura 2B), mentre nella regione della base cranica vicino alla radice motore trigeminale raggiunge solo una piccola quantità di corrente (Figura 2C, frecce nere). Figura 2D mostra la densità di corrente che si diffonde sotto il cranio. Si sottolinea la minima quantità di corrente elettrica all’interno del tessuto cerebrale necessaria per saturare la radice trigeminale motoria rispetto alla quantità necessaria per evocare una risposta della corteccia motoria trigeminale sotto il catodo e questo è uno dei motivi che ci hanno spinto a scegliere questo tipo di risposta evocata (assolutamente periferica) piuttosto che quella corticale (con soglia superiore, minore stabilità e meno focalizzata).
Da questo approccio si è giunti alla conclusione che, vista l’emergenza della radice trigeminale nel forame ovale e la distanza dalla parte ossea parietale e dall’area corticale parietale, il posizionamento del catodo va considerato più caudale immediatamente sopra al margine superiore dell’orecchio. In questo modo è possibile anche bypassare le fibre muscoli del temporale. La posizione del catodo perciò sarà approssimativamente a 13-15 cm rispetto alle linee guida standard per la Root-MEPs e sarà delimitato dal margine superiore dell’orecchio. Safety
Considerando i limiti di sicurezza, l’energia erogata per ogni singolo impulso nella nostra applicazione si deve seguire la seguente formula:
2.5 mJ per impulso. L’utilizzo in erogazione simultanea dei due elettrostimolatori risulta, da un punto di vista di safety, che i limiti sono stati dieci volte inferiori a quelli indicati nella normativa IEC.
Gli elettrodi sono disposti come descritto di seguito: l’anodo in comune ai due elettrostimolatori viene collocato al vertice (box a), mentre un elettrodo catodico è stato posto su ogni lato a 13-15 cm lungo la congiungente vertice - meato acustico nella regione parietale bilateralmente. (box b) a destra e c) sinistra) come accennato prima. Lo stimolo elettrico consiste in un’onda quadra con durata di 250 µs ad una tensione di ≅300 V e corrente massima di 100 mA.
Saturazione Potenziale di Azione Evocato dei Root-MEPs
Quindi la prima procedura, essenziale per il dispositivo, è quella di verificare la saturazione della risposta motoria della radice trigeminale.
A 20 mA, 30mA e 40 mA possiamo osservare una latenza di 2.4 ms, 2.4 ms e 2.3 ms rispettivamente, ma aumentando l’amperaggio si può osservare una diminuzione della latenza fino a 2.1 ms a 50 mA, 2 ms a 70 mA e 1.9 ms a 80 mA, 90 mA e 100 mA (Figura 3).
Queste differenze di latenza fino a raggiungere densità di corrente massimale dipendono dalle componenti capacitive e di resistenza dei tessuti al flusso di corrente.
La saturazione del segnale elettrofisiologico evocato dalla radice trigeminale è il primo passo assoluto ed obbligatorio da eseguire, ancor prima di interpretazione clinica. Raggiunta la saturazione della radice l’ampiezza dà gli stessi risultati.
Infatti, quando l’elettrostimolatore arriva ad erogare impulsi di 80 mA, 90 mA e 100 mA, l’ampiezza P-P si stabilizza a 4.6 mV (Figura 3). Il valore di ampiezza di 4.6 mV (ovviamente l’ampiezza può essere scelta all’area integrale o viceversa, a seconda dello scopo dello studio) e l’insorgenza della latenza di 1.9 ms sono da considerarsi il Valore massimale Assoluto di Energia Neurale Evocato dal sistema motorio trigeminale ed è denominato “mANEE” da maximum Absolute Neural Energy Evoked.
Siamo in grado ora di registrare simultaneamente i potenziali evocati motori delle due radici trigeminali dai muscoli masseterio ma attraverso la realizzazione del caschetto neurognatologico si è potuto inserire un supporto per la registrazione dai muscoli temporali (come da domanda di brevetto depositata contestualmente alla presente).
La procedura di registrazione dai temporali, però, richiede un settaggio ed una particolare funzione software che non hanno tutti gli elettromiografi in commercio.
Acquisizione
L’acquisizione del tracciato elettrofisiologico deibRoot-MEPs registrato sui muscoli temporali deve prevedere le seguenti disposizioni elettrodiche e le impostazioni di settaggio: la disposizione degli elettrodi registranti dei muscoli temporali che prevedono un elettrodo attivo sul corpo del muscolo e quello di riferimento sul bordo dell’osso temporale. Il comune a cui gli elettrodi fanno riferimento può essere posizionato sulla fronte o, se l’artefatto non è riducibile, sul lobo dell’orecchio su ciascun lato.
I filtri passa alto devono essere aperti a 0.1 Hz per dare massima potenza capacitiva ai condensatori interni al preamplificatore nell’assorbire il massimo possibile della corrente di dispersione.
Il dispositivo EMG deve essere impostato di default a 2 ms di time division, 2 mV per divisione e una larghezza di banda del filtro di 0.1 Hz - 2 kHz. Verranno memorizzate tutte le tracce per calcolarne la latenza e l’area integrale per ciascun lato. È stata esclusa nel presente brevetto l’analisi dell’ampiezza per semplificarne la procedura clinica e tuttavia, quest’ultima viene ottimamente sostituita dall’analisi dell’area integrale.
Elaborazione
La finestra temporale di acquisizione si presenta nella seguente forma (Fig. 4) a) Come anticipato il software è in grado di riconoscere automaticamente la latenza all’onset pesando tutti i punti del tracciato dallo stimolo trigger per circa 2 ms. Nell’intorno di 1.5-2.5 ms calcola l’allontanamento dei valori dall’offset e ne determina una serie di punti in cui gli incrementi di voltaggio marcano la latenza all’onset con il Marker A (MkA). Contestualmente pesa i punti sul tracciato in ascesa e ne analizza il massimo valore prima della fase discendente dell’onda determinandone il picco massimo positivo indicandolo con MkBe contestualmente ne ripete la funzione per il picco inferiore negativo MkC.
Il software perciò elabora, marca, memorizza e quantifica i seguenti dati: la latenza all’onset (MkA) per il Ch1 (massetere o temporale destro) e per il Ch2 (massetere o temporale sinistro)
b) In questo step il software traccia una linea retta passante per l’isoelettrica di ogni traccia intersecando la fase discendente del potenziale d’azione Root-MEPs da cui determina una semiarea superiore ed una inferiore generando, in modulo, un’area integrale superiore (A) e inferiore (B) per il Ch1 e (C e D) per il Ch2 e le moltiplica per due determinando l’area integrale massimale della Root-MEPs per il muscolo di destra e per il contro laterale (Fig. 4).
c) L’area integrale registrata e calcolata per la Root-MEPs di ogni lato rappresenterà la mANEE del sistema trigeminale.
Step 2: Jaw Jerk: Malgrado il martelletto piezoelettrico in uso per il riflesso mandibolare non fornisca una riproducibilità controllata ed una quantificazione dell’intensità dello stimolo, registrazioni simultanee dei due lati sono considerati un metodo essenziale per la valutazione accurata ed accettabile dell’asimmetria di lato. L’asimmetria nella latenza è molto piccola, va da 0 a 1 ms con una media di 0.13 ms (SD 0.17) in 131 soggetti normali [10]. Anche se nella neuropatia del trigemino o la sclerosi multipla il jaw jerk può essere ritardato da diversi millisecondi, asimmetrie di latenza di anche 0.8 ms sono state considerate come un limite superiore di normalità in studi neurologici [15].
In precedenti studi sul jaw jerk nei pazienti con disfunzione cranio-mandibolare, furono selezioni pazienti con disturbi unilaterali. Questo ci ha permesso di identificare un lato affetto in cui era presente un ritardo in latenza ed un’ampiezza inferiore sul lato della deviazione mandibolare e del dolore.
Anche se la forza massima di chiusura mandibolare nelle disfunzioni craniomandibolari può essere ridotta fino alla metà rispetto ai gruppi di controllo [16], diversi ricercatori propongono che l’iperattività muscolare è uno dei meccanismi chiave nelle disfunzioni cranio-mandibolari, e che l’iperattività dei muscoli masticatori sia di origine centrale nel sistema nervoso. Un’attività corticale o del sistema reticolare anomala accrescerebbe l’eccitabilità dei motoneuroni direttamente attraverso il sistema corticobulbare, o indirettamente attraverso la modulazione dei riflessi multisinaptici attraverso la formazione reticolare laterale.
La causa iniziale potrebbe essere lo stress, fattori psicogeni, o una malattia primaria del sistema nervoso centrale [17], come nei casi di distonia oromandibolare [18]. Le afferenze del Gruppo II dalla divisione del trigemino mascellare e mandibolare esercitano una potente inibizione sui motomeuroni dei muscoli masticatori, attraverso circuiterie riflesse sinaptiche e polisinaptiche. Una caratteristica notevole dei riflessi mandibolari, tuttavia, è la loro simmetria bilaterale. Il jaw jerk è comunemente assente nei pazienti con sclerosi multipla.
In alcuni pazienti affetti da SM la latenza risulta prolungata in alcuni assente e quindi questo riflesso può essere a volte essenziale per l’individuazione di lesioni del tronco cerebrale nella SM e quantomeno ne risulterebbe più efficace la terapia.
Acquisizione
Il riflesso mandibolare si evoca percuotendo il mento con un martelletto neurologico triggerato che determina l’acquisizione delle tracce EMG (Fig. 5). I segnali EMG vengono acquisiti su due canali per i muscoli temporali destro e sinistro o in alternativa i masseteri per una time/window di 5 ms, 100 μV per division ed i filtraggi settati a filter bandwidth 50 Hz - 2 kHz. Devono essere eseguiti almeno 3 trials di 10 test ciascuno e memorizzati per l’elaborazione. Elaborazione del segnale acquisito
La finestra temporale di acquisizione si presenta nella seguente forma:
a) Il software è in grado di riconoscere automaticamente la latenza all’onset pesando tutti i punti del tracciato dallo stimolo trigger per circa 10 ms. Nell’intorno di 5-15 ms calcola l’allontanamento dei valori dall’offset e ne determina il primo della salita di Voltaggio marcando la latenza all’onset con il marker A (MkA). Contestualmente pesa i punti sul tracciato in ascesa e ne analizza il massimo valore, a circa 15-20 ms, prima della fase discendente dell’onda determinandone il picco massimo (MkB) e contestualmente ne ripete la funzione per il picco inferiore negativo (MkB).
Il software procede alla marcatura, memorizzazione e quantificazione dei i seguenti dati: la latenza all’onset (MkA) per il Ch1 ed il Ch2 calcolandone la differenza di lato.
b) Nello stesso modo sopradescritto per labRoot-MEPs il software traccia una linea retta passante per l’isoelettrica per ogni traccia intersecando la fase ascendente e discendente del potenziale d’azione del jaw jerk da cui divide una semiarea superiore (A) ed una inferiore (B) generando semiaree per il Ch1 e (C e D) per il Ch2 e le moltiplica per due determinando l’area integrale massimale del jaw jerk.
Step 3: Mechanical silent period: Il jaw jerk è un riflesso eccitatorio a breve latenza che può essere evocato da uno stiramento dei muscoli elevatori mandibolari attraverso una percussione del mento con un martello neurologico triggerato. L’eccitazione dei motoneuroni � dalle afferenze dei fusi neuromuscolari è l’unica spiegazione generalmente accettata. Quando questo tipo di stimolo meccanico è applicato durante attivazione volontaria EMG, ad esempio, stringendo i denti, il jaw jerk si sovrappone all’attività ed è seguito da un periodo di assenza o di depressione dell’attività elettromiografica, il cosiddetto periodo di silenzio masseterino [20] denominato MSP. Il MSP ha suscitato particolare interesse poiché si è dimostrato che la durata SP si prolunga nei pazienti con DTM. [21, 22] Questo periodo di depressione o assenza dell’attività EMG può essere causato da influenze inibitorie attive di vario tipo, ma anche essere una pausa causata da sincronizzazione dei motoneuroni � dopo l’iniziale volley efferente.
Rimangono poco chiari i criteri di valutazione clinica. In realtà esiste ancora molta confusione sia per la misurazione che per i valori riportati che variano notevolmente in diversi studi. Klineberg e collaboratori provocando una percussione sul mento attraverso l’impiego di un solenoide standardizzato generando un movimento verticale il più possibile parallelo alle fibre della parte superficiale del muscolo massetere, in 10 soggetti sani durante l’attività isometrica masseterina (stringendo i denti) analizzarono il periodo silente meccanico. Il riflesso evocò il classico jaw jerk a breve latenza (media, 8.3 ms) seguito da un SP (media latenza, 15.9 ms, durata media, 42.6 ms). La durata SP varia notevolmente, non solo tra i soggetti, ma anche all’interno di singoli individui. [23]
Acquisizione
La finestra temporale di acquisizione si presenta nella seguente forma:
L’acquisizione del tracciato elettrofisiologico del riflesso inibitorio mandibolare registrato sui muscoli temporali e/o masseteri destro e sinistro viene visualizzata nella finestra di acquisizione con una time division di 20/40 ms e viene divisa in due aree quella Pre-Analysis e quella Post-Analysis dallo start di acquisizione generato dal trigger hammer (Figura 6). La finestra temporale di acquisizione si compone, perciò, dei seguenti componenti elettrofisiologici: una componente volontaria EMG nella fase Pre-Analysis mentre nella fase Post-Analysis è presente:
1. una componente riflessa eccitatoria dovuta al jaw jerk (riflesso rettificato); 2. un periodo di silenzio elettrico determinato dalla inibizione totale dei motoneuroni �;
3. una componente di eccitabilità motoneurale che tiene conto di contenuti volontari e facilitatori involontari denominata Attività Rebaund che si genera immediatamente dopo il periodo silente.
Elaborazione del segnale acquisito
a) Nella figura 6 si descrive lo step di rilevazione ed analisi dei dati elettrofisiologici. Il tracciato grezzo si presenta come in figura 6 con le tracce dei canali Ch1 e Ch2 sovrapposte, rettificate e filtrate nel processo di smoothing.
b) Quantificazione dell’area Post-Analisi: In questa fase si calcola l’area integrale sottesa nella fase post-analisi per una durata di 160 ms su entrambi i lati e la si rapporta, per ciascun lato, all’Area Integrale evocata ipsilateralmente della Root-MEPs (step 1). Lo stesso procedimento, ovviamente, verrà eseguito per il tracciato contro laterale. In questo modo si bypassa il riferimento classico dell’area pre-analysis sostituendolo con l’area integrale assoluta della Root-MEPs ipsilaterale.
c) In questo modo la visione del fenomeno non è più focalizzato al singolo elemento relativo alla determinazione della durata del silenzio elettrico EMG ma ad una interpretazione di insieme del fenomeno che somma l’eccitabilità del jaw jerk, il grado o forza inibitoria del periodo silente ed in ultimo la reattività nella ripresa EMG con l’area rebound. Il tutto, comunque, sempre correlato alla Root-MEPs. In conclusione la visione d’insieme del processo di analisi restituisce il profilo del Comportamento Emergente dell’intero sistema.
Step 4: ciclo di recupero del periodo silente elettrico mandibolare, Fig. 7
Il dolore emicranico in generale sembra essenzialmente essere associato ad una “sensitization” del sistema trigeminale nocicettivo con coinvolgimento delle strutture mesencefaliche anti-nocicettive quali la sostanza periacqueduttale, il locus coeruleus ed i nuclei del raphe che hanno un effetto modulatore sui nuclei sensitivi trigeminali. [24]
L’effetto modulatore discendente da questi nuclei è stato evidenziato attraverso studi sperimentali sull’animale e il temporaneo effetto di “sensitization” trigeminale durante l’attacco emicranico è stato dimostrato clinicamente attraverso studi elettrofisiologici. [25] L’ipotesi più accreditata sembra considerare la disfunzione del nuclei mesencefalici anti-nocicettivi come causa di una disinibizione del sistema nocicettivo trigeminale. [26]
Il dolore orofacciale, comprese le algie da disordini temporomandibolari (TMD s) sembra avere un effetto di modulazione sui riflessi mandibolari da stiramento. Studi elettrofisiologici hanno dimostrato che il dolore sperimentalmente indotto attraverso infusione di soluzione ipertonica salina al 5% nel massetere, determina un aumento dell’ampiezza picco-picco del jaw jerk. Questo effetto facilitatorio, sembrerebbe relazionato ad aumentata sensibilità del sistema fusimotorio il quale, contestualmente, causa rigidità muscolare. [27]
Si sono succeduti altri studi sull’animale nel dolore muscolare sperimentalmente indotto, dimostrando che l’attivazione dei nocicettori muscolari influenzano marcatamente le proprietà propriocettive dei fusi neuromuscolari attraverso una via neuronale centrale [28] e comunque, il lavaggio della sostanza algogena locale determina un ritorno alla normalità dei riflessi tendinei.
Nel dolore da TMDs si assiste ad una dicotomia tra scuole di pensiero: una che propone un effetto di “iperattività” del sistema nervoso centrale (CNS) [29], l’altra che depone per una normale eccitabilità del sistema nervoso trigeminale.
[30]
Il bruxismo è di solito creduto essere correlato ai tipi di dolore muscoloscheletrico come il dolore da TMDs ma anche alla cefalea muscolo-tensiva. Pochi studi hanno effettivamente cercato di caratterizzare il dolore associato al bruxismo e cioè ad esaminare le caratteristiche neurobiologiche e fisiologiche dei muscoli della mandibola. In letteratura vi sono alcuni casi clinici e piccoli studi che suggeriscono che alcuni farmaci, legati ai sistemi dopaminergici, serotoninergici ed adrenergici possono sia sopprimere che esacerbare il bruxismo. La maggior parte degli studi farmacologici citati indicano che diverse classi di farmaci possono, infatti, influenzare l’attività muscolare relative al bruxismo senza avere alcun effetto sul Dolore Orofacciale (OP). [31] Sembrerebbe, dunque, che la sensitization del sistema nocicettivo trigeminale, l’effetto facilitatorio sui riflessi da stiramento mandibolari e l’ipereccitabilità del CNS siano fenomeni neurofisiopatogenetici correlabili al dolore del distretto craniofacciale. Contestualmente il ciclo di recupero del periodo silente masseterino mostra il livello di eccitabilità neuronale del sistema trigeminale. Il ciclo di recupero del riflesso inibitorio masseterino (rcMIR) è stato studiato generando coppie di stimoli con identiche caratteristiche, erogate percutaneamente da uno stimolatore elettrico posizionato sulla faccia del paziente nell’area di emergenza del nervo mentoniero. La stimolazione è stata effettuata con stimoli elettrici ad onda quadra di intensità pari a 2.5 volte la soglia del riflesso inibitorio, la quale era in grado di evocare un riflesso inibitorio (MIR) ben definito, composto dai due periodi silenti denominati “Exteroceptive Suppression” (ES) per distinguerli dai Periodi Silenti meccanici (SPs) distinti in un primo periodo silente denominato ES1e un secondo periodo silente denominato ES2intervallati dalla ripresa dell’attività EMG (Attività Interposita IA). Il primo stimolo (S1) viene considerato condizionante ed il secondo (S2) stimolo test. L’intervallo interstimolo tra S1 e S2 è stato settato a 150 ms.
I soggetti sani sono stati istruiti a stringere i propri denti per produrre la massima attività EMG e mantenerla per almeno 3 secondi con l’aiuto di un feedback visivo e sonoro. Dopo 60 secondi di riposo il soggetto ripeteva la contrazione. Il segnale EMG è stato registrato in modalità direttamente rettificata e mediato. La disposizione degli elettrodi registranti fu la stessa impiegata per la registrazione della Root-MEPs, jaw jerk e periodo silente meccanico con la variante che classicamente l’esame viene eseguito sul massetere mentre nel nostro caso, impiegando il caschetto NGF, il muscolo considerato può essere il temporale. I parametri del preamplificatore dovranno essere settati in 50 ms per divisione, 100 �V per divisione e la banda passante dei filtri di 50 Hz -1 kHz.
Elaborazione
a) Come per tutti gli altri test elettrofisiologici trigeminali evocati ed analizzati la procedura rimane la stessa. In figura 7 viene evidenziato l’andamento del riflesso. Il primo stimolo elettrico è denominato S1 o stimolo condizionante. Ne calcola l’area integrale che va dal trigger S1 a 150 ms e che corrisponde al tracciato elettromiografico dove si generano i due periodi silenti (ES1e ES2). Il software seleziona e analizza l’area integrale dal secondo trigger S2 erogato dopo 150 ms dal primo e ne preleva 150 ms dal trigger S2 che corrisponde al tracciato elettromiografico dove si dovrebbero trovare i secondi periodi silenti (ES1e ES2). La genesi del riflesso riflette il periodo refrattario del sistema nervoso, infatti, il secondo periodo silente ES2è costituito da più sinapsi che ovviamente necessitano di più tempo per la ripolarizzazione e questo fenomeno si evince dal fatto che nel tracciato determinato dallo S2 di norma lo ES2non appare con interstimoli < 150 ms. Viene riportato come esempio descrittivo un tipico test eseguito in un soggetto in una condizione di normo-eccitabilità. In figura 7 si può notare una evidente diminuzione del ES2da stimolo test S2 rispetto allo ES2da stimolo condizionante S1.
b) Tra il contenuto dell’area integrale generata da S2 al numeratore e quello di S1 al denominatore si determina il grado di eccitabilità che verrà inserito nel modello matematico per quantificare l’eccitabilità del sistema nervoso trigeminale nei soggetti. Si rimanda alla sezione Indice NGF la descrizione del modello matematico.
Step 5: Indice NGF:
Si determina un indicatore denominato Indice NGF (Indice Neuro Gnatologico Funzionale) che generi un dato oggettivo per quantificare l’integrità del sistema nervoso trigeminale e neuro masticatorio e quindi che discrimini i sani dai malati. Lo studio è stato fatto su 23 soggetti sani e 10 malati a cui vennero eseguiti tutti i test precedentemente descritti.
La caratteristica innovativa e paradigmatica del processo matematico è nel considerare il dato uscente dalla bilateral Root-MEPs (bRoot-MEPs) il fattore di riferimento per tutti i successivi test elettrofisiologici rapportati ad essa.
Il valore dell’Indice NGF è determinato dalla seguente formula:
ORGANIC SYMMETRY E FUNCTIONAL SYMMETRY
Essendo i dati ottenuti dai diversi esami di differenti grandezze (ms per le latenze e per le aree integrali) si è reso necessario applicare un primo algoritmo di normalizzazione.
Tra i tanti a disposizione si è optato per il “line based normalization” con cui è stato possibile distribuire i dati relativi a ciascuna tipologia di test in un intervallo [0, 1].
Il dato normalizzato è restituito dalla seguente formula:
valore normalizzato;
valore destro o sinistro ottenuto dal test effettuato sul paziente;
minimo tra i valori (sia destro che sinistro) dei soggetti sani relativo ad un singolo test;
massimo tra i valori (sia destro che sinistro) dei soggetti sani relativo ad un singolo test.
Per ciascun esame si considerano il massimo ( ed il minimo ( tra i valori destro e sinistro dei 23 soggetti sani.
Il valore normalizzato ( ) è ottenuto sottraendo al valore effettivo misurato (x) il minimo e dividendo per la differenza massimo meno minimo.
Del nuovo valore ottenuto ( ) viene calcolato il valore assoluto.
Per tutte le coppie di valori normalizzati (destro e sinistro) di ciascun test viene calcolato il valore assoluto del delta differenza tra valore destro e sinistro:
Per poter considerare il caso ideale di massima simmetria in cui questa differenza risulti essere pari a 0, il viene preso come esponente del numero di Nepero “e” in modo tale da avere come risultato 1:
Estendendo tale ragionamento a ciascuna delle differenze di tutti i dati ottenuti dai test il rapporto simmetria organica su simmetria funzionale, nel caso ideale di soggetto 100% simmetrico, restituirà un valore pari a 1.
Analizziamo nel dettaglio il numeratore ed il denominatore del rapporto simmetria organica su simmetria funzionale e il fattore moltiplicativo dato dall’eccitabilità.
ORGANIC SYMMETRY
Per n= 1, 2; N=2.
valore assoluto della differenza di latenza normalizzata tra lato destro e sinistro per labRoot-MEPs;
valore assoluto della differenza dell’area integrale normalizzata tra lato destro e sinistro per labRoot-MEPs;
coefficiente moltiplicativo di ciascun esponenziale.
Affinché in condizioni di massima simmetria il valore del numeratore del rapporto simmetria organica su simmetria funzionale risulti essere pari a 1 la somma dei coefficienti moltiplicativi viene posta pari a 1; inoltre, per dare la medesima importanza a ciascuno dei due contributi (latenza e area integrale della
bRoot-MEPs) i due coefficienti sono esattamente uguali.
FUNCTIONAL SYMMETRY
Per m = 1, 2, 3, 4, 5, 6; M=6.
valore assoluto della differenza di latenza normalizzata tra lato destro e sinistro per il jaw jerk;
valore assoluto della differenza dell’area integrale normalizzata tra lato destro e sinistro per il jaw jerk;
valore assoluto della differenza di latenza normalizzata tra lato destro e sinistro per il periodo silente meccanico;
valore assoluto della differenza dell’area integrale normalizzata tra lato destro e sinistro per il periodo silente meccanico;
valore assoluto della differenza di latenza normalizzata tra lato destro e sinistro per il periodo silente elettrico quando lo stimolo fu applicato sul lato destro della faccia;
valore assoluto della differenza della latenza normalizzata tra lato destro e sinistro per il periodo silente elettrico quando lo stimolo fu applicato sul lato sinistro della faccia;
coefficiente moltiplicativo di ciascun esponenziale.
Affinché in condizioni di massima simmetria il valore del denominatore del rapporto simmetria organica su simmetria funzionale risulti essere pari a 1 la somma dei coefficienti moltiplicativi viene posta pari a 1; inoltre, per dare la medesima importanza a ciascuno dei sei contributi (latenza e area integrale del jaw jerk, latenza e area integrale del periodo silente meccanico, latenze del periodo silente elettrico) i sei coefficienti sono esattamente uguali.
EXCITABILITY
S1= valore corrispondente all’area integrale del ciclo di recupero masseterino evocato dallo stimolo condizionante S1;
S2= valore corrispondente all’area integrale del ciclo di recupero masseterino evocato dallo stimolo test S2.
In soggetti sani il valore dell’area integrale S2 è sempre maggiore del valore dell’area integrale S1; in soggetti ipereccitati tale valore eguaglia, o addirittura diventa minore di S1.
Considerando l’eccitabilità come rapporto non è stato necessario applicare alcun criterio di normalizzazione.
Nel gruppo di soggetti sani il rapporto vale in media circa 1.45, tuttavia si passa da un valore minimo di 1.24 ad un massimo di 1.75 (nel caso dei 23 soggetti sani di riferimento). Dato l’elevato campo di variazione si è scelto di calcolare la tangente iperbolica di tale rapporto affinché il coefficiente moltiplicativo del rapporto simmetria organica su simmetria funzionale variasse da 0.85 (per = 1.24) a 0.94 (per = 1.75), quindi tendendo sempre di più a 1 per i soggetti sani, mentre per gli ipereccitati da 0.76 (per S2=S1) in giù (al limite 0) facendo uscire dalla “campana di simmetria” l’Indice NGF del soggetto malato.
Step 6: Descrizione Rete Neurale
Nell’Indice NGF è stato focalizzato l’importante concetto di normalizzazione e cioè di rapportare tutto il sistema funzionale trigeminale alla propria relativa simmetria organica o anatomica attraverso labRoot-MEPs ma l’algoritmo è il primo step di indagine in questo nuovo modello di logica del linguaggio proposto. Questo considera il sistema in un profilo indeterministico e perciò va analizzata la risposta globale del sistema dopo averlo stimolato, da qui il dato oggettivo dell’Indice NGF. Ora se una variabile si sposta in un senso e l’altra nell’altro potrebbero andare in collisione ed annullarsi. Malgrado la sua esattezza immediata tutti i dati così calcolati potrebbero essere pesati singolarmente e discriminati in modo assoluto e specifico tra di loro. Per ottenere questo parametro in più, la rete neurale è un passaggio obbligato.
In pratica la rete in entrata considera tutti gli input dei test elettrofisiologici e precisamente dei dati calcolati, li elabora nei neuroni hidden e restituisce un output o indice della rete neurale.
In figura 8 sono previsti degli ingressi associati rispettivamente a |Δx| latenza bRoot-MEPs (10), |Δx| area integrale bRoot-MEPs (11), |Δx| latenza jaw jerk (12), |Δx| area integrale jaw jerk (13), |Δx| latenza periodo silente meccanico (14), |Δx| area integrale periodo silente meccanico (15), |Δx| latenza periodo silente elettrico da stimolazione destra (16), |Δx| latenza periodo silente elettrico da stimolazione sinistra (17), tangente iperbolica del rapporto di eccitabilità (18) e indice NFG (19).
Con 20 viene indicato invece l’indice della rete neurale.
Le due colonne con i riquadri relativi corrispondono rispettivamente agli ingressi e ai neuroni hidden.
In figura 9 è riportata una curva Gaussiana in cui si può notare il grado di accuratezza dell’Indice NGF, con i soggetti sani in verde e rosso per i malati. Tramite il Trigeminal Neural Network si vuole risolvere un problema di fitting di ingresso-uscita con una rete neurale feed-forward a due strati.
Nei problemi di fitting si utilizza una rete neurale per la mappatura di dati tra un insieme di input numerici e una serie di obiettivi numerici (target).
L’applicazione Neural Fitting seleziona i dati, crea e forma una rete, e valuta le sue prestazioni attraverso l’errore quadratico medio e l’analisi di regressione. La rete fornisce un “Approssimante Universale” di funzioni non lineari che trasformano lo spazio degli ingressi (valori misurati sul paziente) nello spazio delle uscite (diagnosi). L’uscita è costruita come somma pesata di funzioni non lineari. La prerogativa della rete neurale, perciò, sarà quella di verificare ogni variabile che generi un Indice NGF patologico. Questa discriminazione è un ulteriore approfondimento dell’interpretazione clinica in quanto è possibile la sovrapposizione di due patologie che sommano sia i sintomi che gli effetti neurofisiologici.
Una rete feed-forward a due strati con i neuroni nascosti sigma e neuroni di uscita lineari (FITNET), può adattare problemi di mappatura multidimensionali arbitrariamente bene, fornire dati coerenti e può contenere abbastanza neuroni nel suo strato nascosto.
La rete può essere allenata con i seguenti algoritmi:
• Levenberg-Marquardt
• Bayesian Regularization
• Scaled Conjugate Gradient
Per fare questo la rete neurale deve imparare per ciascuna varabile Γ attribuzione del peso specifico che avviene attraverso il traninig della rete:
• Stima dei parametri, ossia il processo che porta alla determinazione dei valori numerici dei pesi;
• Costituito da un procedimento iterativo durante il quale il valore dei pesi viene regolato passo dopo passo fino a che l’errore tra le uscite del modello -ossia i dati misurati - e le uscite del sistema è ragionevolmente piccolo;
• Si riporta il problema alla risoluzione di un problema di minimo della somma degli errori quadratici SSE (Sum of Squared Errors) la cui soluzione avviene mediante l’algoritmo di Levenberg-Marquardt;
• Il modello è validato tramite la tecnica del k-cross validation
Il modello viene raffigurato come una sorta di griglia unita da tre colonne di nodi che sono, partendo da sinistra: i nodi in cui entra ciascuna variabile (x1?..., xn) e che si distribuisce a tutti i nodi della colonna centrale chiamati neuroni hidden. Su questi nodi si opera un addestramento della rete che restituisce un dato pesato al neurone in uscita il quale però riceve anche gli altri dati pesati da tutti gli hidden neurons. A questo punto la segmentazione dei dati, i pesi attribuiti e l’addestramento eseguito sarà in grado di permettere alla rete neurale di discriminare più accuratamente lo stato di salute del soggetto.
Per ogni input del primo strato vengono calcolate le seguenti quantità
Dove b e c sono date dal processo di addestramento rete che permette di aggiustare i pesi in modo che la rete produca le risposte desiderate (sappiamo che con certi valori degli input una persona è sana o affetta da una serie di patologie organiche e/o funzionali).
L’OUTPUT (n) di ogni neurone dello strato intermedio (Hidden neurons) è la tangente iperbolica del suo INPUT.
L’INPUT (n) di ogni neurone dello strato d’uscita (Output neurons) segue la sommatoria
Dove i pesi
e
sono dati dal processo di addestramento.
L’OUTPUT (mi) di ogni neurone dello strato d’uscita
Dove a’’, b’’, c’’ sono dati dal processo di addestramento
Il risultato finale della rete sarà il valore relativo per ciascun soggetto che poi verrà confrontato con il range di valori ottenuto sulla base della media dei valori dei 23 soggetti sani più o meno 3 deviazioni standard.
PROCESSO DI REALIZZAZIONE DEL TRIGEMINAL NEURAL NETWORK
Per la realizzazione e l’addestramento della rete è necessario indicare un set di dati di input e un target.
Input
Sono stati assegnati come input della rete 10 valori per ciascun soggetto (Fig. 8):
(10) valore assoluto della differenza di latenza tra lato destro e sinistro normalizzati per labRoot-MEPs;
(11) valore assoluto della differenza dell’area integrale tra lato destro e sinistro normalizzati per labRoot-MEPs;
(12) valore assoluto della differenza di latenza tra lato destro e sinistro normalizzati per il jaw jerk;
(13) valore assoluto della differenza dell’area integrale tra lato destro e sinistro normalizzati per il jaw jerk;
(14) valore assoluto della differenza di latenza tra lato destro e sinistro normalizzati per il periodo silente meccanico;
(15) valore assoluto della differenza dell’area integrale tra lato destro e sinistro normalizzati per il periodo silente meccanico;
(16) valore assoluto della differenza di latenza tra lato destro e sinistro normalizzati per il periodo silente elettrico destro;
(17) valore assoluto della differenza di latenza tra lato destro e sinistro normalizzati per il periodo silente elettrico sinistro;
(18) tangente iperbolica del valore corrispondente all’area integrale del ciclo di recupero masseterino evocata dallo stimolo test S2 su valore corrispondente all’area integrale del ciclo di recupero masseterino evocata dallo stimolo condizionante S1;
(19) valore del rispettivo Indice NGF.
Tabella 1: Matrice dei dati in input
Target
Ai 33 soggetti è stato attribuito un valore target per permettere alla rete di fare la propria discriminazione nell’addestramento: ai primi 23 soggetti, sani, è stato assegnato un valore pari a 0; agli ultimi 10, malati, un valore pari a 1.
Tabella 2: Vettore target REALIZZAZIONE RETE
La rete utilizzerà il 70 % dei campioni (23) per effettuare il suo training, il 15 % (5) per la validazione e il 15 % (5) per il test.
È auspicabile aumentare i dati in entrata in quanto l’ordine di grandezza per poter considerare validi ed affidabili i risultati ottenuti dovrebbe essere il migliaio di dati per permettere alla rete di avere un centinaio di dati per la validazione e per il testing.
Sebbene sia possibile impostare un qualsiasi numero di neuroni nascosti per creare le interconnessioni tra i vari dati, avendo a che fare con un esiguo numero di variabili in ingresso si è optato per utilizzare lo stesso ordine di grandezza per il settaggio del numero di neuroni nascosti:10.
Dal confronto si è osservato che il miglior algoritmo da utilizzare, sulla base degli strumenti di verifica a disposizione, è il Bayesian Regularization che restituisce un più basso valore di errore quadratico medio e un più alto valore di regressione.
Errore quadratico medio (MSE): è la differenza media quadratica tra le uscite e gli obiettivi. I valori più bassi sono migliori. Zero significa nessun errore.
Regressione (R): misura la correlazione tra le uscite e il target. Un valore di R pari a 1 significa un rapporto stretto, 0 una relazione casuale.
ALGORITMO DI TRAINING DELLA RETE
Bayesian Regularization
Questo algoritmo richiede in genere più tempo, ma può portare a una buona generalizzazione per insiemi di dati difficili, piccoli o rumorosi. La formazione si arresta in base alla minimizzazione del peso adattivo (regolarizzazione).
È una funzione di formazione di rete che aggiorna i valori di peso e di polarizzazione in base all’ottimizzazione Levenberg-Marquardt. Si minimizza una combinazione di errori al quadrato e pesi, e quindi determina la combinazione corretta in modo da produrre una rete che li generalizzi al meglio.
Gli stop di validazione sono disabilitati per default (max_fail = 0) in modo che la formazione può continuare fino quando una combinazione ottimale di errori e pesi viene trova. Tuttavia, alcune minimizzazioni di peso / polarizzazione possono essere raggiunte con tempi di formazione più brevi se la validazione viene abilitata impostando max_fail a 6 o qualche altro valore strettamente positivo.
Limitazioni
Questa funzione utilizza lo Jacobiano per i calcoli, il che presuppone che le prestazioni sono la media o la somma degli errori al quadrato. Pertanto reti addestrate con questa funzione utilizzano necessariamente la funzione di prestazione MSE o SSE.
Bayesian regularization minimizza una combinazione lineare di errori al quadrato e pesi. Inoltre, modifica la combinazione lineare in modo che alla fine della formazione della rete, la risultante ha buone qualità di generalizzazione.
Questa Bayesian regularization avviene alTintemo del algoritmo di Levenberg-Marquardt. La Back-propagation viene utilizzata per calcolare lo Jacobiano jX delle prestazioni rispetto alle variabili di peso e di polarizzazione X. Ogni variabile viene regolata in base al Levenberg-Marquardt:
dove E sono tutti gli errori e I è la matrice identità. [32]
La formazione si interrompe quando si verifica una delle seguenti condizioni: viene raggiunto il numero massimo di epoche (ripetizioni).
il tempo massimo viene superato.
le prestazioni sono ridotte al minimo per Γ obiettivo.
il gradiente delle prestazioni scende al di sotto min_grad.
mu supera mu_max.
Le reti neurali artificiali Bayesian regularization (BRANNs) sono più robuste delle reti back-propagation standard e possono ridurre o eliminare la necessità di una lunga cross-validation. Bayesian regularization è un processo matematico che converte una regressione non lineare in un problema statistico “ben posto” alla maniera di una regressione ridge. Il vantaggio di BRANNs è che i modelli sono robusti e il processo di validazione, che scala come 0(N ) nei normali metodi di regressione, come la back-propagation, non è necessario. Queste reti forniscono soluzioni ad una serie di problemi che sorgono neimodelli QSAR, come la scelta del modello, la robustezza del modello, la scelta del set di validazione, la dimensione dello sforzo di validazione e Γ ottimizzazione dell’ architettura della rete. È difficile arrivare all’overtrain, dal momento che le procedure di prova forniscono un criterio Bayesiano oggettivo per fermare la formazione. È anche difficile arrivare aH’overfit, perché la BRANN calcola e si addestra su una serie di parametri di rete efficaci o pesi, spegnendo efficacemente, di volta in volta, quelli che non sono rilevanti. Questo numero effettivo è di solito considerevolmente inferiore rispetto al numero di pesi in una rete neurale standard interconnessa completamente tramite back-propagation. [33] Dopo l’addestramento è possibile fare una valutazione delle performance della rete valutando:
Performance
Training state
Errar histogram
Regression
Ogni rete generata sarà diversa dall’altra, inoltre allenare più volte la rete genererà risultati diversi a causa di differenti condizioni iniziali e di campionamento.
Per valutare la bontà di ciascuna rete creata e quindi poter scegliere quella più rappresentativa ed affidabile per i nostri scopi, è stato creato un set di pazienti fittizi.
Sono stati presi tutti i dati dei 23 soggetti sani e modificati di volta in volta a seconda del test da effettuare.
Test 1
Viene alterata la differenza della latenza della bilateral Root-MEPs portandola ad un valore di 0.6 ms, valore normativo indice di patologia;
Test 2
Viene alterata la differenza dell’area integrale della bilateral Root-MEPs portandola ad un valore di 3.66 mV/ms, valore normativo indice di patologia; Test 3
Viene alterata la differenza della latenza del jaw jerk portandola ad un valore di 1 ms;
Test 4
Viene alterata la differenza dell’area integrale del jaw jerk portandola ad un valore di 1 mV/ms, valore normativo indice di patologia;
Test 5
Test incrociato in cui viene alterata la differenza dell’area integrale dellabRoot-MEPsa 3.66 mV/ms e contemporaneamente quella del jaw jerk a 1 mV/ms, valori normativi indici di patologia;
Test 6
Viene alterata la differenza dell’area integrale del periodo silente a 2 mV/ms, valore normativo indice di patologia.
Dai 6 test si ottiene un totale di 138 pazienti fittizi.
Tra tutte le reti testate si è scelta quella che, oltre a restituire un risultato il più simile possibile al Target (minimizzando di fatto l’errore), riesca ad individuare come soggetti “non sani” anche il maggior numero di pazienti test facendo ricadere il rispettivo valore al di fuori del range di valori ottenuto sulla base della media dei valori dei 23 soggetti sani più o meno 3 deviazioni standard.
Tabella 3: Confronto target-rete neurale creata Tabella 4: Range di riferimento
Tabella 5: Risultati ottenuti sui test
La rete ha riconosciuto come “non sani” 110 dei 138 pazienti fittizi, con un indice di accuratezza pari all’80 %.
Appendice
CODICI SORGENTI MATHLAB
DATI
function [Database,Sani,Malati,S1,S2]=dati
% File in cui sono contenuti i dati dei test effettuati sui soggetti
% Matrice importata dal file Excel contenente i risultati degli esami<% effettuati sui 33 soggetti dello studio>
Database=[1.9000 1.8000 10.0300 12.0700 6.4200 6.9200 0.6100 0.7400 14.6200 15.0200 6.1100 7.1100 14.5800 15.0600 14.0300 15.0800 8.5000 12.5729
2 2.2000 13.0100 14.0100 7.0300 7.5200 1.5200 2.0500
13.4800 12.4300 16.4200 15.4200 14.8900 15.0800 14.1300 15.0200 11.0254 14.5938
1.6800 1.8000 9.0500 11.0200 8.0800 8.5300 3.4300 3.8200
13.1900 12.5400 18.6300 17.0300 14.7600 14.1200 14.4200 14.1300 7.6695 11.4792
1.8000 1.9200 13.2600 12.6800 7.2200 7.6400 5.6200 6.6100
12.8200 12.0200 15.5100 16.3400 10.8800 11.4900 10.9300 11.9500 10.7458 13.8125
2.3200 2.2600 6.6200 7.8100 8.2000 7.7800 1.1400 1.5200
16.8500 17.2400 16.8100 17.4200 12.0300 12.0100 12.0500 11.0500 5.6102 8.1354
1.8400 1.6800 15.0200 17.2000 8.3500 8.1200 0.8580 1.3000
12.0300 12.4400 6.8200 6.5000 15.9200 15.1300 15.8800 15.0100 12.7288 17.9167
2.3600 2.2000 7.8300 5.5000 8.9400 8.6900 3 2.9100
13.0600 13.0600 9.1400 6.2200 14.6300 14.1600 14.5900 14.1200 4.6610 8.1563
2 2.0400 13.2400 17.5200 8.0300 8.1300 1.0900 1.0200
12.4100 12.0300 6.6100 7.5600 10.9100 11.5000 10.8600 11.4600 11.2203 18.2500
1.7300 1.8000 8.0600 8.2000 7.4900 7.1100 1.3800 1.2400
14.6200 15.4400 10.5300 12.0300 13.4400 13.0200 13.3700 13.0500 6.8305 8.5417
1.8800 1.9800 5.3200 6.5200 6.8800 7.0200 2.2300 2.0500
15.2000 15.1800 8.3800 7.4100 13.9200 14.0400 13.0200 14.0200 4.5085 6.7917
2.2400 2.4800 7.2000 6.7400 8.0500 8.1300 1.5400 1.6200
13.2000 13.5700 5.7300 5.0200 12.8300 12.1200 12.3800 12.1300 5.7119 7.5000
1.8800 1.8000 9.5200 12.0200 7.3900 7.2500 1.2200 1.5100
14.7800 14.0300 2.3800 2.4100 10.9700 11.4900 10.9000 11.5200 8.0678 12.5208
2.3200 2.0400 4.6000 3.7300 7.4800 7.1400 1.7000 1.1200
13.6000 14.4000 5.0500 5.2000 12.5500 12.0300 12.5200 12.0400 3.1610 4.7917
1.8000 1.8500 10.0300 13.0400 7.0200 7.4900 1.0700 1.2600
12.4400 12.0200 4.9200 6.6700 15.9300 15.1400 15.9100 15.2200 8.5000 13.5833
1.8000 1.9000 9.9100 8.0800 7.1000 6.6800 2.0200 2.8800
12.8200 12.0600 15.3800 14.4100 14.6500 14.1700 14.6300 14.0900 6.8475 10.3229
1.6700 1.8400 3.1200 2.5100 8.3300 8.0100 1.0500 1.2300
12.0300 12.4000 3.3500 2.4600 10.0200 11.0100 10.0300 11.0200 2.1271 3.2500
2.0400 2.1400 4.6700 3.9500 7.2100 7.5200 0.3130 0.3250
13.0100 13.0600 5.3800 5.4300 11.0300 11.0600 11.0800 11.0400 3.3475 4.8646
1.8000 1.9200 4.4300 4.3600 8.6700 8.2200 1.8200 1.4000
12.4000 12.0300 7.1000 6.2000 13.9400 13.1700 13.9200 13.1200 3.6949 4.6146
2.2800 2.1200 7.3700 9.3200 6.9200 7.2600 1.2900 1.8000
14.6200 15.4400 6.3800 7.4100 15.6400 15.1600 15.6000 15.1600 6.2458 9.7083
1.8000 1.9000 5.8200 6.0300 6.8600 7.0400 2.1800 3.1000
13.2300 12.4600 5.5800 6.4300 11.0500 11.5500 11.0200 11.4800 4.9322 6.2813
1.7600 1.8400 4.0300 4.2000 6.8900 6.8300 1.2100 0.9050
13.2100 12.5400 6.6900 6.4000 12.0900 13.0500 12.5300 13.0500 3.4153 4.3750
2 2.2000 13.9100 10.9200 6.7800 6.8100 1.6300 1.7000
14.0100 14 12.3700 13.5200 13.0100 14.0200 13.0100 14.0100 9.2542 14.4896
2 1.8000 9.5700 8.2300 7.6000 7.9300 2.0200 2.7700
12.0300 12.4000 5.7200 4.8000 12.8100 12.1000 12.8400 12.1300 6.9746 9.9688
1.8000 2 8.4100 9.6100 8.9100 7.0200 4.0700 2.0200
12.4200 12.0300 2.4300 1.4200 12.5300 13.8200 13.1200 14.2400 27.5100 28.1300
2 1.8400 2.3300 7.3900 0 8.5300 0 0.9700 19.0300
14.0500 3.8800 5.3700 20.0400 17.0200 19.1800 14.8300 6.0100 11.0400
1.7600 1.8400 4.0500 4.2300 7.5300 7.6400 0.5900 2.0500
13.1900 12.4800 23.0200 3.6800 10.0600 11.1000 10.0300 11.0600 10.3100 11.0800
1.8000 1.9200 13.9700 18.9500 8.2200 7.5100 0.7800 0.2200
13.0400 13.0100 11.7200 21.3600 11.0200 11.2400 11.0400 11.0400 5.0400 9.0100
2.3200 2.5600 1.0500 7.8400 0 8.6400 0 1.2100 12.3700
12.0200 2.6800 10.3700 13.8700 13.2100 13.8700 13.1400 3.0700 10.0300
1.8400 1.6800 2.1000 13.0600 7.0400 8.0600 0.5200 2.2400
14.5800 15.3800 13.4900 19.2200 12.5800 12.3100 15.5800 15.1600 5.0600 11.0900
2.2000 2 5.2100 6.1100 7.1500 7.6600 2.0300 0.7500
12.7900 12.0300 7.0200 12.0500 12.7900 12.2400 12.7900 12.1800 15.4700 8.7300
1.8800 1.9700 8.6100 11.5600 9.0600 8.6200 0.6100 1.5800
11.9500 12.1300 1.2600 2.4900 12.1200 12.1600 13.1200 13.1300 8.5200 7.7200
1.9000 1.8000 9.4700 11.3100 7.8700 8.5200 0.1300 0.0700
12.1200 12.2300 3.6900 2.7100 13.0300 13.5700 12.9400 13.1700 8.4600 7.7900
2 2.1000 8.3600 10.2500 7.6300 8.4100 3.3600 4.8100
11.8300 12.5000 6.5500 9.6800 13.0800 14.0100 12.8600 13.4900 4.8400 7.6100];
% Matrice contenente i valori dei test organici e funzionali relativi<ai 23>
% soggetti sani
Sani=[Database(1:23,1:16)];
% Matrice contenente i valori dei test organici e funzionali relativi<ai 10>
% soggetti malati
Malati=[Database(24:33,1:16)];
% Vettori contenenti l'eccitabilità relativa ai 33 soggetti (sani e<malati)>
% soggetti malati
S1=[Database(:,17)];
<S2=[Database(:,18)];>
MASSIMI E MINIMI
function [Min_1,Max_1,Min_2,Max_2,Min_3,Max_3,Min_4,Max_4,Min_5,Max_5,Min_6,Max _6,Min_7,Max_7,Min_8,Max_8]=max_min
% File in cui vengono calcolati i valori massimo e minimo per ciascun test
% effettuato relativamente ai soli soggetti sani
% Viene richiamato il file dati dove sono presenti tutti i risultati<dei>
% test effettuati sui pazienti
[Database,Sani,Malati,S1,S2]=dati;
% Calcolo del Minimo e Massimo RootOnsetLatency<Min_1=min(min(Sani(:,1)),min(Sani(:,2)));>
Max_1=max(max(Sani(:,1)),max(Sani(:,2)));
<% Calcolo del Minimo e Massimo RootIntegral Area>Min_2=min(min(Sani(:,3)),min(Sani(:,4)));
Max_2=max(max(Sani(:,3)),max(Sani(:,4)));
% Calcolo del Minimo e Massimo JawJerkOnsetLatency<Min_3=min(min(Sani(:,5)),min(Sani(:,6)));>
Max_3=max(max(Sani(:,5)),max(Sani(:,6)));
% Calcolo del Minimo e Massimo JawJerkIntegral Area Min_4=min(min(Sani(:,7)),min(Sani(:,8)));
<Max_4=max(max(Sani(:,7)),max(Sani(:,8)));>
<% Calcolo del Minimo e Massimo SilentPeriodOnsetLatency>
Min_5=min(min(Sani(:,9)),min(Sani(:,10)));
Max_5=max(max(Sani(:,9)),max(Sani(:,10)));
<% Calcolo del Minimo e Massimo SilentPeriodIntegral Area>Min_6=min(min(Sani(:,11)),min(Sani(:,12)));
Max_6=max(max(Sani(:,11)),max(Sani(:,12)));
% Calcolo del Minimo e Massimo RecoveryCycleOnsetLatency S1 destra<Min_7=min(min(Sani(:,13)),min(Sani(:,14)));>
Max_7=max(max(Sani(:,13)),max(Sani(:,14)));
% Calcolo del Minimo e Massimo RecoveryCycleOnsetLatency S1 sinistra Min_8=min(min(Sani(:,15)),min(Sani(:,16)));
<Max_8=max(max(Sani(:,15)),max(Sani(:,16)));>
NORMALIZZAZIONE
function [Sani_norm, Malati_norm]=normalization
% Viene richiamato il file dati dove sono presenti tutti i risultati dei
% test effettuati sui pazienti
<[Database,Sani,Malati,S1,S2]=dati;>
<% Viene richiamato il file max_min in cui vengono calcolati i valori>% massimo e minimo per ciascun test effettuato relativamente ai soli % soggetti sani [Min_1,Max_1,Min_2,Max_2,Min_3,Max_3,Min_4,Max_4,Min_5,Max_5,Min_6,Max _6,Min_7,Max_7,Min_8,Max_8]=max_min;
% Viene creata la matrice All contenente i valori dei test organici e % funzionali relativi a tutti i 33 soggetti (sani e malati) All=[Database(1:33,1:16)];
% Per ciascuna colonna vengono normalizzati i dati secondo l'argoritmo<di>
% normalizzazione "line based normalization"
fori = drange(1:23)
<for j = drange(1:2)>
Sa1(i,j)=[abs((All(i,j)-Min_1)/(Max_1-Min_1))];
end
<end>
<fori = drange(1:23)>
for j = drange(3:4)
Sa2(i,j-2)=[abs((All(i,j)-Min_2)/(Max_2-Min_2))];
<end>
end
fori = drange(1:23)
for j = drange(5:6)
<Sa3(i,j-4)=[abs((All(i,j)-Min_3)/(Max_3-Min_3))];>
end
end
<fori = drange(1:23)>
for j = drange(7:8)
Sa4(i,j-6)=[abs((All(i,j)-Min_4)/(Max_4-Min_4))];<end>
end
fori = drange(1:23)
for j = drange(9:10)
<Sa5(i,j-8)=[abs((All(i,j)-Min_5)/(Max_5-Min_5))];>end
end
fori = drange(1:23)
<for j = drange(11:12)>
Sa6(i,j-10)=[abs((All(i,j)-Min_6)/(Max_6-Min_6))]; end
<end>
fori = drange(1:23)
for j = drange(13:14)
Sa7(i,j-12)=[abs((All(i,j)-Min_7)/(Max_7-Min_7))]; end
<end>
<fori = drange(1:23)>
for j = drange(15:16)
Sa8(i,j-14)=[abs((All(i,j)-Min_8)/(Max_8-Min_8))];<end>
end
% Matrice contenente i valori dei test organici e funzionali normalizzati
<% relativi ai 23 soggetti sani>
Sani_norm=[Sa1 Sa2 Sa3 Sa4 Sa5 Sa6 Sa7 Sa8];
fori = drange(24:33)
for j = drange(1:2)
<Ma1(i-23,j)=[abs((All(i,j)-Min_1)/(Max_1-Min_1))];>end
end
fori = drange(24:33)
for j = drange(3:4)
<Ma2(i-23,j-2)=[abs((All(i,j)-Min_2)/(Max_2-Min_2))];>end
end
fori = drange(24:33)
<for j = drange(5:6)>
Ma3(i-23,j-4)=[abs((All(i,j)-Min_3)/(Max_3-Min_3))]; end
end
<fori = drange(24:33)>
for j = drange(7:8)
Ma4(i-23,j-6)=[abs((All(i,j)-Min_4)/(Max_4-Min_4))];
<end>
end
fori = drange(24:33)
for j = drange(9:10)
<Ma5(i-23,j-8)=[abs((All(i,j)-Min_5)/(Max_5-Min_5))];>
end
end
fori = drange(24:33)
<for j = drange(11:12)>
Ma6(i-23,j-10)=[abs((All(i,j)-Min_6)/(Max_6-Min_6))];
end
<end>
fori = drange(24:33)
for j = drange(13:14)
Ma7(i-23,j-12)=[abs((All(i,j)-Min_7)/(Max_7-Min_7))];
end
<end>
<fori = drange(24:33)>
for j = drange(15:16)
Ma8(i-23,j-14)=[abs((All(i,j)-Min_8)/(Max_8-Min_8))];
<end>
end
% Matrice contenente i valori dei test organici e funzionali normalizzati
<% relativi ai 10 soggetti malati>
Malati_norm=[Ma1 Ma2 Ma3 Ma4 Ma5 Ma6 Ma7 Ma8];
INDICE NGF
function [NGF]=indice_NGF
<% File in cui viene calcolato l'Indice NGF per il gruppo di soggetti>% oggetto dello studio
% Viene richiamato il file dati dove sono presenti tutti i risultati dei
<% test effettuati sui pazienti>
[Database,Sani,Malati,S1,S2]=dati;
% Viene richiamato il file normalization dove i valori di ciascun test sono
<% stati normalizzati>
[Sani_norm, Malati_norm]=normalization;
% Viene creata la matrice Norm in cui vengono inseriti i dati relativi<sia>
% ai soggetti sani che a quelli malati
Norm=[Sani_norm
<Malati_norm];>
% Viene calcolata la differenza (destro meno sinistro) per ciascun valore
% normalizzato
Diff=[Norm(:,1)-Norm(:,2) Norm(:,3)-Norm(:,4) Norm(:,5)-Norm(:,6) Norm(:,7)-Norm(:,8) Norm(:,9)-Norm(:,10) Norm(:,11)-Norm(:,12) Norm(:,13)-Norm(:,14) Norm(:,15)-Norm(:,16)];
%Viene calcolato il valore assoluto della matrice Norm<Absdiff=abs(Diff);>
% Funzione per il calcolo dell'Indice NGF
for i = 1:33
NGF(i,1)=[((0.5*exp(Absdiff(i,1)))+(0.5*exp(Absdiff(i,2))))/((1/6*exp( Absdiff(i,3)))+(1/6*exp(Absdiff(i,4)))+(1/6*exp(Absdiff(i,5)))+(1/6*ex p(Absdiff(i,6)))+(1/6*exp(Absdiff(i,7)))+(1/6*exp(Absdiff(i,8))))*(tan h(S2(i)/S1(i)))]';
<end>
REALIZZAZIONE RETE NEURALE
clearall
<closeall>
clc
% File per la creazione della rete neurale
% Vengono richiamate le varie funzioni contenenti i dati relativi ai test
% effettuati sui soggetti, la normalizzazione, il rapporto di eccitabilità
<% e calcolo dell'indice NGF>
[Database,Sani,Malati,S1,S2]=dati;
[Sani_norm, Malati_norm]=normalization;
[NGF]=vettore_indice;
<Tutti=[Sani; Malati];>
All=[Sani_norm; Malati_norm];
Diff=[All(:,1)-All(:,2) All(:,3)-All(:,4) All(:,5)-All(:,6) All(:,7)-All(:,8) All(:,9)-All(:,10) All(:,11)-All(:,12) All(:,13)-All(:,14) All(:,15)-All(:,16)];
Absdiff=abs(Diff);
Rapp=[tanh(S2./S1)];
% Viene creata la matrice Input in cui le prime 8 colonne sono i valori
% assoluti delle differenze dei valori normalizzati di ciascun esame % effettuato sui soggetti, la 9^ colonna contiene la tangente iperbolica
% del rapporto di eccitabilità e lka 10^ colonna il relativo indice<NGF>
Input=[AbsdiffRapp NGF];
% Viene creato il vettore Target che servirà da riferimento per la % creaziuone della rene neurale: i primi 23 elementi sono posti pari a 0
% (soggetti sani), gli ultimi 10 pari a 1 (soggetti malati) Target=[zeros(23,1); ones(10,1)];
RETE NEURALE
function [Y,Xf,Af] = myNeuralNetworkFunction(X,~,~)<%MYNEURALNETWORKFUNCTION neural network simulation function.>
%
% Generated by Neural Network Toolbox function genFunction, 09-Nov-2016 19:09:33.
%
% [Y] = myNeuralNetworkFunction(X,~,~) takes these arguments:
<%>
% X = 1xTS cell, 1 inputs over TS timsteps
% Each X{1,ts} = 10xQ matrix, input #1 at timestep ts.
<%>
% and returns:
% Y = 1xTS cell of 1 outputs over TS timesteps.
<% Each Y{1,ts} = 1xQ matrix, output #1 at timestep ts.>
%
% where Q is number of samples (or series) and TS is the number of<timesteps.>
<%#ok<*RPMT0>>
% ===== NEURAL NETWORK CONSTANTS =====
% Input 1
x1_step1_xoffset =
[0.0493827160493827;0.0046635576282478;0.0119047619047616;0.0019056693 6636494;0;0.00184615384615386;0.00338409475465307;0;0.511174205571515; 0.500512257625111];
x1_step1_gain =
[6.75000000000001;2.9811320754717;1.17757009345794;6.17958783120707;2.
09638554216867;1.68306576903159;3.94;2.70344827586207;4.11586798942304 ;2.71069200964593];
x1_step1_ymin = -1;
% Layer 1
b1 = [-0.015924425529104929;-0.015323383557082395;0.37810962454517094;-0.015662635266788575;0.12122766711117251;
0.39855875612019442;0.97027529830287529;-0.014905702936664753;0.01549733532661424;0.16607594990317162];
IW1_1 = [-0.10463915644248109 -0.05545614535000859 -0.066407055854373412 -0.047397162539139656 0.00013973186787711212 -0.077672311058149951 -0.065120521585304361 0.024501065649060842 0.066487776590863815 0.059628996513228068;-0.1032131648322737 -0.055304457820662636 -0.065623820283086012 -0.04690820552555594 -0.00023598881765779324 -0.077034195965165891 -0.064873102910894917 0.02419660517750059 0.065331078549833166 0.05837330021571871;0.16465727905647068 0.059761316038705353 0.28540838563239568 -0.095344776201062131 0.19136926791510303 -0.069975825427983432 0.25858001874095182 0.095660474064833648 0.032086265055758449 -0.37169874182311469;-0.10404039201813545 -0.05539420711828677 -0.066074385943652836 -0.047199028617974217 -1.3550809309810744e-05 -0.077408788097794334 -0.065014325589858077 0.024375552058880996 0.066009657501743535 0.059097436226971604;0.26718157590613362 0.1150050664693211 -0.0075955290289164675 -0.019125337298811693 -0.10352127652901059 0.056472194154832914 0.14476245606370308 -0.063351631091131913 0.00027118078251756874 0.022235297820761609;0.2935485378314473 -0.64064415512301409 -0.25474268286360791 0.240604105112531 0.51662447328056771 -0.33283789726002433 0.34087207880790055 0.31174398205372145 0.29623638109739087 0.3166785367171428;0.42542443838083388 1.4895562519528129 1.037876937836806 -0.34212143045670962 -0.73732550805853492 0.78510015264205124 -0.17277244325225188 -0.49853102011068723 -1.0399425987850974 -1.3286727430975387;-0.10187969782817057 -0.055161382702537162 -0.064940857893076978 -0.046353963387832466 -0.00060970455001967518 -0.076429232248420492 -0.064701144289204857 0.023935593784282221 0.064129843729442762 0.057241344785064048;0.10364831323185941 0.055352103341763721 0.06585915723535242 0.047064369463628859 0.00011736058510170145 0.077232745520122478 0.064945961101916014 -0.024291145332648558 -0.065691687385104613 -0.058752478874178095;-0.4084971398003257 0.029574114865160504 -0.15377218811964311 -0.12763170261654797 -0.051588837033186521 -0.16882912094989722 0.094723241165019179 -0.079945402399708543 0.42324389809999852 0.23006071735118963];
<% Layer 2>
b2 = 0.057493204546321751;
LW2_1 = [0.22779582460961886 0.22483456640920943 -0.65541360170270357 0.22655425308442281 -0.34039794439395038 0.92154385429689445 2.0572818112795996 0.22208215590904279 -0.22573957800632474 0.68391044646559085];
% Output 1
y1_step1_ymin = -1;
y1_step1_gain = 2;
y1_step1_xoffset = 0;
% ===== SIMULATION ========
% Format Input Arguments
isCellX = iscell(X);
if ~isCellX, X = {X}; end;
<% Dimensions>
TS = size(X,2); % timesteps
if ~isempty(X)
<Q = size(X{1},2); % samples/series>
else
Q = 0;
<end>
<% Allocate Outputs>
Y = cell(1,TS);
% Time loop
for ts=1:TS
% Input 1
Xp1 = mapminmax_apply(X{1,ts},x1_step1_gain,x1_step1_xoffset,x1_step1_ymin); % Layer 1
a1 = tansig_apply(repmat(b1,1,Q) IW1_1*Xp1);
% Layer 2
a2 = repmat(b2,1,Q) LW2_1*a1;
% Output 1
Y{1,ts} = mapminmax_reverse(a2,y1_step1_gain,y1_step1_xoffset,y1_step1_ymin); end
% Final Delay States
Xf = cell(1,0);
<Af = cell(2,0);>
<% Format Output Arguments>
if ~isCellX, Y = cell2mat(Y); end
end
% ===== MODULE FUNCTIONS ========
% Map Minimum and Maximum Input Processing Function
function y = mapminmax_apply(x,settings_gain,settings_xoffset,settings_ymin) y = bsxfun(@minus,x,settings_xoffset);
<y = bsxfun(@times,y,settings_gain);>
y = bsxfun(@plus,y,settings_ymin);
end
% Sigmoid Symmetric Transfer Function
<function a = tansig_apply(n)>
a = 2 ./ (1 exp(-2*n)) - 1;
end
% Map Minimum and Maximum Output Reverse-Processing Function function x = mapminmax_reverse(y,settings_gain,settings_xoffset,settings_ymin) x = bsxfun(@minus,y,settings_ymin);
<x = bsxfun(@rdivide,x,settings_gain);>
x = bsxfun(@plus,x,settings_xoffset);
end
RISULTATI DELLA RETE NEURALE
clearall
closeall
clc
% File che utilizza la rete neurale creata per testarne l'efficacia
% Vengono richiamate le varie funzioni contenenti i dati relativi ai test
% effettuati sui soggetti, la normalizzazione, il rapporto di eccitabilità
% e calcolo dell'indice NGF
<[Database,Sani,Malati,S1,S2]=dati;>
[Sani_norm, Malati_norm]=normalization;
[NGF]=vettore_indice;
<Tutti=[Sani; Malati];>
All=[Sani_norm; Malati_norm];
Diff=[All(:,1)-All(:,2) All(:,3)-All(:,4) All(:,5)-All(:,6) All(:,7)-All(:,8) All(:,9)-All(:,10) All(:,11)-All(:,12) All(:,13)-All(:,14) All(:,15)-All(:,16)];
Absdiff=abs(Diff);
<Rapp=[tanh(S2./S1)];>
<Target=[zeros(23,1); ones(10,1)];>
Input=[Absdiff Rapp NGF];
% Viene richiamato il file della rete neurale<r=myNeuralNetworkFunction(Input')';>
% Viene calcolata la differenza tra il target ed il risultato della rete
Differenza=abs(Target-r);
Ris=[Target r Differenza];
Risultati=[{'Target''Rete''Differenza'}; num2cell(Ris)]
% Viene calcolata la media dei varori in uscita dalla rete relativa ai soli
% soggetti sani
mean1=mean(r(1:23));
% Viene calcolata la deviazione standard dei varori in uscita dalla rete
% relativa ai soli soggetti sani
<std1=std(r(1:23));>
min1=mean1-3*std1;
max1=mean1+3*std1;
% Viene creato il range (media /- 3 deviazioni standard) al di fuori del
% quale il valore relativo ad un soggetto può coonsiderarsi indice di % patologia
RAN=[mean1 std1 min1 max1];
Range=[{'Media''Deviazione standard''Media - 3 deviazioni standars''Media 3 deviazioni standars'}; num2cell(RAN)]
RISULTATI DELLA RETE NEURALE CON NUOVO PAZIENTE
clear all
close all
clc
% File che permette la valutazione degli esami di un nuovo soggetto tramite
% la rete neurale
% Vengono richiamate le varie funzioni contenenti i dati relativi ai<test>
% effettuati sui soggetti, la normalizzazione, il rapporto di eccitabilità
<% e calcolo dell'indice NGF>
[Database,Sani,Malati,S1,S2]=dati;
[Sani_norm, Malati_norm]=normalization;
<[NGF]=vettore_indice;>
Tutti=[Sani; Malati];
All=[Sani_norm; Malati_norm];
Diff=[All(:,1)-All(:,2) All(:,3)-All(:,4) All(:,5)-All(:,6) All(:,7)-All(:,8) All(:,9)-All(:,10) All(:,11)-All(:,12) All(:,13)-All(:,14) All(:,15)-All(:,16)];
<Absdiff=abs(Diff);>
Rapp=[tanh(S2./S1)];
Target=[zeros(23,1); ones(10,1)];
Input=[Absdiff Rapp NGF];
r=myNeuralNetworkFunction(Input')';
mean1=mean(r(1:23));
std1=std(r(1:23));
min1=mean1-3*std1;
max1=mean1+3*std1;
% Viene richiamato il file che permette l'inserimento manuale dei dati<% relativi agli esami svolti su un nuovo paziente>
[Absdiff_n, Rapp_n, NGF_n]=nuovo_paziente;
NP=[Absdiff_n Rapp_n NGF_n];
<rNP=myNeuralNetworkFunction(NP')';>
Nuovo_paziente=[{'Nuovo paziente'}; num2cell(rNP)];
if rNP<=min1 | r_T(i)>=max1
<['Il soggetto molto probabilmente non è sano']>
else
['Il soggetto molto probabilmente è sano']
<end>
DATI TEST
<function [Test]=test>
%File che contiene i dati per effettuare i test sulla rete neurale
% Viene inserita la matrice con tutti i dati relativi ai soggetti sani Sani=[1.9000 1.8000 10.0300 12.0700 6.4200 6.9200 0.6100 0.7400 14.6200 15.0200 6.1100 7.1100 14.5800 15.0600 14.0300 15.0800 2 2.2000 13.0100 14.0100 7.0300 7.5200 1.5200 2.0500 13.4800 12.4300 16.4200 15.4200 14.8900 15.0800 14.1300 15.0200
1.6800 1.8000 9.0500 11.0200 8.0800 8.5300 3.4300 3.8200 13.1900 12.5400 18.6300 17.0300 14.7600 14.1200 14.4200 14.1300 1.8000 1.9200 13.2600 12.6800 7.2200 7.6400 5.6200 6.6100 12.8200 12.0200 15.5100 16.3400 10.8800 11.4900 10.9300 11.9500 2.3200 2.2600 6.6200 7.8100 8.2000 7.7800 1.1400 1.5200 16.8500 17.2400 16.8100 17.4200 12.0300 12.0100 12.0500 11.0500 1.8400 1.6800 15.0200 17.2000 8.3500 8.1200 0.8580 1.3000 12.0300 12.4400 6.8200 6.5000 15.9200 15.1300 15.8800 15.0100 2.3600 2.2000 7.8300 5.5000 8.9400 8.6900 3 2.9100 13.0600 13.0600 9.1400 6.2200 14.6300 14.1600 14.5900 14.1200
2 2.0400 13.2400 17.5200 8.0300 8.1300 1.0900 1.0200 12.4100 12.0300 6.6100 7.5600 10.9100 11.5000 10.8600 11.4600
1.7300 1.8000 8.0600 8.2000 7.4900 7.1100 1.3800 1.2400 14.6200 15.4400 10.5300 12.0300 13.4400 13.0200 13.3700 13.0500 1.8800 1.9800 5.3200 6.5200 6.8800 7.0200 2.2300 2.0500 15.2000 15.1800 8.3800 7.4100 13.9200 14.0400 13.0200 14.0200 2.2400 2.4800 7.2000 6.7400 8.0500 8.1300 1.5400 1.6200 13.2000 13.5700 5.7300 5.0200 12.8300 12.1200 12.3800 12.1300 1.8800 1.8000 9.5200 12.0200 7.3900 7.2500 1.2200 1.5100 14.7800 14.0300 2.3800 2.4100 10.9700 11.4900 10.9000 11.5200 2.3200 2.0400 4.6000 3.7300 7.4800 7.1400 1.7000 1.1200 13.6000 14.4000 5.0500 5.2000 12.5500 12.0300 12.5200 12.0400 1.8000 1.8500 10.0300 13.0400 7.0200 7.4900 1.0700 1.2600 12.4400 12.0200 4.9200 6.6700 15.9300 15.1400 15.9100 15.2200 1.8000 1.9000 9.9100 8.0800 7.1000 6.6800 2.0200 2.8800 12.8200 12.0600 15.3800 14.4100 14.6500 14.1700 14.6300 14.0900 1.6700 1.8400 3.1200 2.5100 8.3300 8.0100 1.0500 1.2300 12.0300 12.4000 3.3500 2.4600 10.0200 11.0100 10.0300 11.0200 2.0400 2.1400 4.6700 3.9500 7.2100 7.5200 0.3130 0.3250 13.0100 13.0600 5.3800 5.4300 11.0300 11.0600 11.0800 11.0400 1.8000 1.9200 4.4300 4.3600 8.6700 8.2200 1.8200 1.4000 12.4000 12.0300 7.1000 6.2000 13.9400 13.1700 13.9200 13.1200 2.2800 2.1200 7.3700 9.3200 6.9200 7.2600 1.2900 1.8000 14.6200 15.4400 6.3800 7.4100 15.6400 15.1600 15.6000 15.1600 1.8000 1.9000 5.8200 6.0300 6.8600 7.0400 2.1800 3.1000 13.2300 12.4600 5.5800 6.4300 11.0500 11.5500 11.0200 11.4800 1.7600 1.8400 4.0300 4.2000 6.8900 6.8300 1.2100 0.9050 13.2100 12.5400 6.6900 6.4000 12.0900 13.0500 12.5300 13.0500 2 2.2000 13.9100 10.9200 6.7800 6.8100 1.6300 1.7000 14.0100 14 12.3700 13.5200 13.0100 14.0200 13.0100 14.0100
2 1.8000 9.5700 8.2300 7.6000 7.9300 2.0200 2.7700 12.0300 12.4000 5.7200 4.8000 12.8100 12.1000 12.8400 12.1300];
% Test 1: dati dei pazienti in cui viene alterata la differenza della % latenza della root portandola ad un valore di 0.6
% R_OL_r=2.4000;
<% R_OL_l=1.8000;>
for i = drange(1:23)
Test_11(i,1)=[2.4];
<Test_12(i,1)=[1.8];>
end
Test_1=[Test_11 Test_12 Sani(:,3:16)];
% Test 2: dati dei pazienti in cui viene alterata la differenza<dell'area>
% integrale della root portandola ad un valore di 3.66
% R_IA_r=8.4100
<% R_IA_l=12.0700>
for i = drange(1:23)
Test_21(i,1)=[8.41];
<Test_22(i,1)=[12.07];>
end
Test_2=[Sani(:,1:2) Test_21 Test_22 Sani(:,5:16)];
% Test 3: dati dei pazienti in cui viene alterata la differenza della<% latenza del jaw jerk portandola ad un valore di 1>
% J_OL_r=5.9200
% J_OL_l=6.9200
<for i = drange(1:23)>
Test_31(i,1)=[5.92];
Test_32(i,1)=[6.92];
<end>
Test_3=[Sani(:,1:4) Test_31 Test_32 Sani(:,7:16)];
% Test 4: dati dei pazienti in cui viene alterata la differenza dell'area
% integrale del jaw jerk portandola ad un valore di 1
<% J_IA_r=0.6100>
% J_IA_l=0.7400
for i = drange(1:23)
Test_41(i,1)=[0.61];
Test_42(i,1)=[0.74];
end
Test_4=[Sani(:,1:6) Test_41 Test_42 Sani(:,9:16)];
% Test 5: dati dei pazienti in cui viene alterata la differenza dell'area
% integrale della root a 3.66 e del jaw jerk a 1
<% R_IA_r=8.4100>
% R_IA_l=12.0700
% J_IA_r=0.6100
<% J_IA_l=0.7400>
Test_5=[Sani(:,1:2) Test_21 Test_22 Sani(:,5:6) Test_41 Test_42 Sani(:,9:16)];
% Test 6: dati dei pazienti in cui viene alterata la differenza<dell'area>
% integrale del periodo silente a 2
% S_IA_r=6.110
% S_IA_l=4.1100
<for i = drange(1:23)>
Test_61(i,1)=[6.11];
Test_62(i,1)=[4.11];
<end>
Test_6=[Sani(:,1:10) Test_61 Test_62 Sani(:,13:16)];
Test=[Test_1; Test_2; Test_3; Test_4; Test_5; Test_6];
NORMALIZZAZIONE TEST
<function [Test_norm]=normalization_test>
% File per la normalizzazione dei dati test
Sani=[1.9000 1.8000 10.0300 12.0700 6.4200 6.9200 0.6100 0.7400 14.6200 15.0200 6.1100 7.1100 14.5800 15.0600 14.0300 15.0800 2 2.2000 13.0100 14.0100 7.0300 7.5200 1.5200 2.0500 13.4800 12.4300 16.4200 15.4200 14.8900 15.0800 14.1300 15.0200
1.6800 1.8000 9.0500 11.0200 8.0800 8.5300 3.4300 3.8200 13.1900 12.5400 18.6300 17.0300 14.7600 14.1200 14.4200 14.1300 1.8000 1.9200 13.2600 12.6800 7.2200 7.6400 5.6200 6.6100 12.8200 12.0200 15.5100 16.3400 10.8800 11.4900 10.9300 11.9500 2.3200 2.2600 6.6200 7.8100 8.2000 7.7800 1.1400 1.5200 16.8500 17.2400 16.8100 17.4200 12.0300 12.0100 12.0500 11.0500 1.8400 1.6800 15.0200 17.2000 8.3500 8.1200 0.8580 1.3000 12.0300 12.4400 6.8200 6.5000 15.9200 15.1300 15.8800 15.0100 2.3600 2.2000 7.8300 5.5000 8.9400 8.6900 3 2.9100 13.0600 13.0600 9.1400 6.2200 14.6300 14.1600 14.5900 14.1200
2 2.0400 13.2400 17.5200 8.0300 8.1300 1.0900 1.0200 12.4100 12.0300 6.6100 7.5600 10.9100 11.5000 10.8600 11.4600
1.7300 1.8000 8.0600 8.2000 7.4900 7.1100 1.3800 1.2400 14.6200 15.4400 10.5300 12.0300 13.4400 13.0200 13.3700 13.0500 1.8800 1.9800 5.3200 6.5200 6.8800 7.0200 2.2300 2.0500 15.2000 15.1800 8.3800 7.4100 13.9200 14.0400 13.0200 14.0200 2.2400 2.4800 7.2000 6.7400 8.0500 8.1300 1.5400 1.6200 13.2000 13.5700 5.7300 5.0200 12.8300 12.1200 12.3800 12.1300 1.8800 1.8000 9.5200 12.0200 7.3900 7.2500 1.2200 1.5100 14.7800 14.0300 2.3800 2.4100 10.9700 11.4900 10.9000 11.5200 2.3200 2.0400 4.6000 3.7300 7.4800 7.1400 1.7000 1.1200 13.6000 14.4000 5.0500 5.2000 12.5500 12.0300 12.5200 12.0400 1.8000 1.8500 10.0300 13.0400 7.0200 7.4900 1.0700 1.2600 12.4400 12.0200 4.9200 6.6700 15.9300 15.1400 15.9100 15.2200 1.8000 1.9000 9.9100 8.0800 7.1000 6.6800 2.0200 2.8800 12.8200 12.0600 15.3800 14.4100 14.6500 14.1700 14.6300 14.0900 1.6700 1.8400 3.1200 2.5100 8.3300 8.0100 1.0500 1.2300 12.0300 12.4000 3.3500 2.4600 10.0200 11.0100 10.0300 11.0200 2.0400 2.1400 4.6700 3.9500 7.2100 7.5200 0.3130 0.3250 13.0100 13.0600 5.3800 5.4300 11.0300 11.0600 11.0800 11.0400 1.8000 1.9200 4.4300 4.3600 8.6700 8.2200 1.8200 1.4000 12.4000 12.0300 7.1000 6.2000 13.9400 13.1700 13.9200 13.1200 2.2800 2.1200 7.3700 9.3200 6.9200 7.2600 1.2900 1.8000 14.6200 15.4400 6.3800 7.4100 15.6400 15.1600 15.6000 15.1600 1.8000 1.9000 5.8200 6.0300 6.8600 7.0400 2.1800 3.1000 13.2300 12.4600 5.5800 6.4300 11.0500 11.5500 11.0200 11.4800 1.7600 1.8400 4.0300 4.2000 6.8900 6.8300 1.2100 0.9050 13.2100 12.5400 6.6900 6.4000 12.0900 13.0500 12.5300 13.0500 2 2.2000 13.9100 10.9200 6.7800 6.8100 1.6300 1.7000 14.0100 14 12.3700 13.5200 13.0100 14.0200 13.0100 14.0100
2 1.8000 9.5700 8.2300 7.6000 7.9300 2.0200 2.7700 12.0300 12.4000 5.7200 4.8000 12.8100 12.1000 12.8400 12.1300];
<% Viene richiamato il file contenente i dati per i test>[Test]=test;
<for i = drange(1:138)>
for j = drange(1:2)
Te1(i,j)=[abs((Test(i,j)-min(min(Sani(:,1)),min(Sani(:,2))))/(max(max(Sani(:,1)),max(Sani(:,2)) )-min(min(Sani(:,1)),min(Sani(:,2)))))];
end
end
for i = drange(1:138)
<for j = drange(3:4)>
Te2(i,j-2)=[abs((Test(i,j)-min(min(Sani(:,3)),min(Sani(:,4))))/(max(max(Sani(:,3)),max(Sani(:,4))<)-min(min(Sani(:,3)),min(Sani(:,4)))))];>
end
end
for i = drange(1:138)
<for j = drange(5:6)>
Te3(i,j-4)=[abs((Test(i,j)-min(min(Sani(:,5)),min(Sani(:,6))))/(max(max(Sani(:,5)),max(Sani(:,6))<)-min(min(Sani(:,5)),min(Sani(:,6)))))];>
end
end
for i = drange(1:138)
<for j = drange(7:8)>
Te4(i,j-6)=[abs((Test(i,j)-min(min(Sani(:,7)),min(Sani(:,8))))/(max(max(Sani(:,7)),max(Sani(:,8))<)-min(min(Sani(:,7)),min(Sani(:,8)))))];>
end
end
for i = drange(1:138)
for j = drange(9:10)
Te5(i,j-8)=[abs((Test(i,j)-min(min(Sani(:,9)),min(Sani(:,10))))/(max(max(Sani(:,9)),max(Sani(:,10<)))-min(min(Sani(:,9)),min(Sani(:,10)))))];>
end
end
for i = drange(1:138)
<for j = drange(11:12)>
Te6(i,j-10)=[abs((Test(i,j)-min(min(Sani(:,11)),min(Sani(:,12))))/(max(max(Sani(:,11)),max(Sani(:, 12)))-min(min(Sani(:,11)),min(Sani(:,12)))))];
end
end
for i = drange(1:138)
<for j = drange(13:14)>
Te7(i,j-12)=[abs((Test(i,j)-min(min(Sani(:,13)),min(Sani(:,14))))/(max(max(Sani(:,13)),max(Sani(:, 14)))-min(min(Sani(:,13)),min(Sani(:,14)))))];
end
end
for i = drange(1:138)
<for j = drange(15:16)>
Te8(i,j-14)=[abs((Test(i,j)-min(min(Sani(:,15)),min(Sani(:,16))))/(max(max(Sani(:,15)),max(Sani(:, 16)))-min(min(Sani(:,15)),min(Sani(:,16)))))];
end
end
% Matrice dei dati dei test normalizzati
Test_norm=[Te1 Te2 Te3 Te4 Te5 Te6 Te7 Te8];
INDICE NGF TEST
function [NGF_T]=vettore_indice_T
% File per il calcolo dell'indice NGF per i "pazienti test"
[Test_norm]=normalization_test;
Diff_T=[Test_norm(:,1)-Test_norm(:,2) Test_norm(:,3)-Test_norm(:,4) Test_norm(:,5)-Test_norm(:,6) Test_norm(:,7)-Test_norm(:,8) Test_norm(:,9)-Test_norm(:,10) Test_norm(:,11)-Test_norm(:,12)<Test_norm(:,13)-Test_norm(:,14) Test_norm(:,15)-Test_norm(:,16)];>
Absdiff_T=abs(Diff_T);
S1=[8.5000; 11.0254; 7.6695; 10.7458; 5.6102; 12.7288; 4.6610;
11.2203; 6.8305; 4.5085; 5.7119; 8.0678; 3.1610; 8.5000; 6.8475;
2.1271; 3.3475; 3.6949; 6.2458; 4.9322; 3.4153; 9.2542; 6.9746;
27.5100; 6.0100; 10.3100; 5.0400; 3.0700; 5.0600; 15.4700; 8.5200; 8.4600; 4.8400];
S2=[12.5729; 14.5938; 11.4792; 13.8125; 8.1354; 17.9167; 8.1563;
18.2500; 8.5417; 6.7917; 7.5000; 12.5208; 4.7917; 13.5833; 10.3229; 3.2500; 4.8646; 4.6146; 9.7083; 6.2813; 4.3750; 14.4896; 9.9688;
28.1300; 11.0400; 11.0800; 9.0100; 10.0300; 11.0900; 8.7300; 7.7200; 7.7900; 7.6100];
<S1_T=[S1; S1; S1; S1; S1; S1];>
S2_T=[S2; S2; S2; S2; S2; S2];
for i = 1:138
NGF_T(i,1)=[((0.5*exp(Absdiff_T(i,1)))+(0.5*exp(Absdiff_T(i,2))))/((1/ 6*exp(Absdiff_T(i,3)))+(1/6*exp(Absdiff_T(i,4)))+(1/6*exp(Absdiff_T(i, 5)))+(1/6*exp(Absdiff_T(i,6)))+(1/6*exp(Absdiff_T(i,7)))+(1/6*exp(Absd iff_T(i,8))))*(tanh(S2_T(i)/S1_T(i)))]';
<end>
RISULTATI RETE NEURALE SUI TEST
clear all
close all
<clc>
% File per effettuare la valutazione dei risultati generati dalla rete % neurale creata per valutarne l'efficacia
% Vengono richiamate le varie funzioni contenenti i dati relativi ai test
% effettuati sui soggetti, la normalizzazione, il rapporto di eccitabilità
% e calcolo dell'indice NGF
<[Database,Sani,Malati,S1,S2]=dati;>
[Sani_norm, Malati_norm]=normalization;
[NGF]=vettore_indice;
Tutti=[Sani; Malati];
All=[Sani_norm; Malati_norm];
Diff=[All(:,1)-All(:,2) All(:,3)-All(:,4) All(:,5)-All(:,6) All(:,7)-All(:,8) All(:,9)-All(:,10) All(:,11)-All(:,12) All(:,13)-All(:,14) All(:,15)-All(:,16)];
Absdiff=abs(Diff);
<Rapp=[tanh(S2./S1)];>
<Target=[zeros(23,1); ones(10,1)];>
Input=[Absdiff Rapp NGF];
r=myNeuralNetworkFunction(Input')';
mean1=mean(r(1:23));
<std1=std(r(1:23));>
min1=mean1-3*std1;
max1=mean1+3*std1;
% Vengono richiamati i file relativi ad dati test [Test_norm]=normalization_test;
Diff_T=[Test_norm(:,1)-Test_norm(:,2) Test_norm(:,3)-Test_norm(:,4) Test_norm(:,5)-Test_norm(:,6) Test_norm(:,7)-Test_norm(:,8) Test_norm(:,9)-Test_norm(:,10) Test_norm(:,11)-Test_norm(:,12) Test_norm(:,13)-Test_norm(:,14) Test_norm(:,15)-Test_norm(:,16)];
Absdiff_T=abs(Diff_T);
Rapp_T=[Rapp(1:23,1); Rapp(1:23,1); Rapp(1:23,1); Rapp(1:23,1);
<Rapp(1:23,1); Rapp(1:23,1)];>
[NGF_T]=vettore_indice_T;
TEST=[Absdiff_T Rapp_T NGF_T]; r_T=myNeuralNetworkFunctionBR102(TEST')';
Ris_T=[r_T(1:23,:) r_T(24:46,:) r_T(47:69,:) r_T(70:92,:)<r_T(93:115,:) r_T(116:138,:)];>
Risultati_T=[{'Test 1' 'Test 2' 'Test 3' 'Test 4' 'Test 5' 'Test 6'}; num2cell(Ris_T)]
<n=0;>
for i = 1:138
if r_T(i)<=min1 | r_T(i)>=max1
n=n+1;
end
end
Riconosciuti=['Sono stati riconosciuti ' num2str(n) ' su 138 pazienti<test']>
FUNCTION ROOT
function root
letturaR=csvread('bRoot-MEPs.TXT')/1000;
<Size=size(letturaR);>
S=Size(1,1);
T=[1:S];
<% Valore in ms di un campione>
camp=2*10/S;
% Campioni in una divisione da 2 ms
<Div=round(S/10);>
tempo=[T*camp];
% Traccia bRoot-MAPs destra
for i = 1:S
TRmd(i,1)=[mean(letturaR(i,1:3))];
<end>
<% Primo marker>
a1=round((2*Div)+(3*Div/4));
b1=round(7*Div/2);
<[A1d,T1dd]=min(TRmd(a1:b1));>
T1d=a1+T1dd-1;
% Secondo marker
a2=3*Div;
<b2=S;>
[A2d,T2dd]=max(TRmd(a2:b2));
T2d=a2+T2dd-1;
% Quarto marker
<a4=3*Div;>
b4=S;
[A4d,T4dd]=min(TRmd(a4:b4));
<T4d=a4+T4dd-1;>
% Terzo marker
<Z=zeros(S,1);>
[Txd,Axd]=polyxpoly(T,TRmd,T,Z);
for i=1:size(Txd)
<if Txd(i)<T2d>
else
T3d=round(Txd(i));
<A3d=TRmd(floor(T3d));>
break
end
<end>
<% Calcolo valori>
q1d=cumtrapz(TRmd(T2d:T3d))*camp; q2d=cumtrapz(TRmd(T3d:T4d))*camp;
<Integral_area_d=2*(q1d(end)+abs(q2d(end)));>
Latency_d=(T1d-S/5)*camp;
['Il valore della latenza destra è ' num2str(Latency_d)]
<['Il valore dell''area integrale destra è ' num2str(Integral_area_d)]>
% Grafico traccia destra
figure
hold on
title('bRoot-MEPs destra')
xlabel('ms')
ylabel('mv')
<grid on>plot(T1d*camp,A1d,'c+',T2d*camp,A2d,'m+',T3d*camp,A3d,'g+',T4d*camp,A4 d,'r+','linewidth',2)
<legend('Marker 1','Marker 2','Marker 3','Marker 4')>plot(tempo,TRmd,'b')
hold off
% Traccia bRoot-MAPs sinistra
for i = 1:S
<TRms(i,1)=[mean(letturaR(i,4:6))];>
end
% Primo marker
a1=round((2*Div)+(3*Div/4));
<b1=round(7*Div/2);>
[A1s,T1ss]=min(TRms(a1:b1));
T1s=a1+T1ss-1;
% Secondo marker
<a2=3*Div;>
b2=S;
[A2s,T2ss]=max(TRms(a2:b2));
<T2s=a2+T2ss-1;>
<% Quarto marker>
a4=3*Div;
b4=S;
[A4s,T4ss]=min(TRms(a4:b4));
T4s=a4+T4ss-1;
% Terzo marker
Z=zeros(S,1);
<[Txs,Axs]=polyxpoly(T,TRms,T,Z);>
for i=1:size(Txs)
if Txs(i)<T2s
<else>
T3s=round(Txs(i));
A3s=TRms(floor(T3s));
<break>
end
end
% Calcolo valori
<q1s=cumtrapz(TRms(T2s:T3s))*camp;>q2s=cumtrapz(TRms(T3s:T4s))*camp;
Integral_area_s=2*(q1s(end)+abs(q2s(end)));
<Latency_s=(T1s-S/5)*camp;>
['Il valore della latenza sinistra è ' num2str(Latency_s)]
['Il valore dell''area integrale sinistra è '<num2str(Integral_area_s)]>
% Grafico traccia sinistra
figure
hold on
<title('bRoot-MEPs sinistra')>
xlabel('ms')
ylabel('mv')
<grid on>plot(T1s*camp,A1s,'c+',T2s*camp,A2s,'m+',T3s*camp,A3s,'g+',T4s*camp,A4 s,'r+','linewidth',2)
legend('Marker 1','Marker 2','Marker 3','Marker 4')<plot(tempo,TRms,'b')>
hold off
FUNCTION JAW JERK
function jawjerk
<letturaJ=csvread('jaw jerk.TXT')/1000;>
Size=size(letturaJ);
S=Size(1,1);
<T=[1:S];>
% Valore in ms di un campione
camp=5*10/S;
<% Campioni in una divisione da 5 ms>
Div=round(S/10);
tempo=[T*camp];
% Traccia jaw jerk destra
<for i = 1:S>
TJmd(i,1)=[mean(letturaJ(i,1:3))];
end
% Primo marker
a1=round(15*Div/4);
<b1=round(4*Div);>
[A1d,T1dd]=min(TJmd(a1:b1));
T1d=a1+T1dd-1;
% Secondo marker
<a2=3*Div;>
b2=S;
[A2d,T2dd]=max(TJmd(a2:b2));
<T2d=a2+T2dd-1;>
<% Quarto marker>
a4=3*Div;
b4=S;
<[A4d,T4dd]=min(TJmd(a4:b4));>
T4d=a4+T4dd-1;
% Terzo marker
Z=zeros(S,1);
[Txd,Axd]=polyxpoly(T,TJmd,T,Z);
<for i=1:size(Txd)>
if Txd(i)<T2d
else
<T3d=round(Txd(i));>
A3d=TJmd(floor(T3d));
break
end
end
% Calcolo valori
q1d=cumtrapz(TJmd(T2d:T3d))*camp;<q2d=cumtrapz(TJmd(T3d:T4d))*camp;>
Integral_area_d=2*(q1d(end)+abs(q2d(end)));
Latency_d=(T1d-S/5)*camp;
<['Il valore della latenza destra è ' num2str(Latency_d)]>
['Il valore dell''area integrale destra è ' num2str(Integral_area_d)]
% Grafico traccia destra
figure
<hold on>
title('jaw jerk destra')
xlabel('ms')
<ylabel('mv')>
grid on plot(T1d*camp,A1d,'c+',T2d*camp,A2d,'m+',T3d*camp,A3d,'g+',T4d*camp,A4<d,'r+','linewidth',2)>
legend('Marker 1','Marker 2','Marker 3','Marker 4') plot(tempo,TJmd,'b')
<hold off>
% Traccia jaw jerk sinistra
for i = 1:S
TJms(i,1)=[mean(letturaJ(i,4:6))];
<end>
<% Primo marker>
a1=round(15*Div/4);
b1=round(4*Div);
<[A1s,T1ss]=min(TJms(a1:b1));>
T1s=a1+T1ss-1;
% Secondo marker
a2=3*Div;
<b2=S;>
[A2s,T2ss]=max(TJms(a2:b2));
T2s=a2+T2ss-1;
% Quarto marker
<a4=3*Div;>
b4=S;
[A4s,T4ss]=min(TJms(a4:b4));
T4s=a4+T4ss-1;
% Terzo marker
<Z=zeros(S,1);>
[Txs,Axs]=polyxpoly(T,TJms,T,Z);
for i=1:size(Txs)
<if Txs(i)<T2s>
else
T3s=round(Txs(i));
A3s=TJms(floor(T3s));
break
end
<end>
<% Calcolo valori>
q1s=cumtrapz(TJms(T2s:T3s))*camp; q2s=cumtrapz(TJms(T3s:T4s))*camp;
<Integral_area_s=2*(q1s(end)+abs(q2s(end)));>
Latency_s=(T1s-S/5)*camp;
['Il valore della latenza sinistra è ' num2str(Latency_s)]
['Il valore dell''area integrale sinistra è ' num2str(Integral_area_s)]
% Grafico traccia sinistra
figure
<hold on>
title('jaw jerk sinistra')
xlabel('ms')
<ylabel('mv')>
grid on plot(T1s*camp,A1s,'c+',T2s*camp,A2s,'m+',T3s*camp,A3s,'g+',T4s*camp,A4<s,'r+','linewidth',2)>
legend('Marker 1','Marker 2','Marker 3','Marker 4') plot(tempo,TJms,'b')
hold off
FUNCTION SILENT PERIOD
<function silentperiod>
<letturaS=csvread('mecchanic silent period.TXT')/1000;>
Size=size(letturaS);
S=Size(1,1);
<T=[1:S];>
% Valore in ms di un campione
camp=20*10/S;
<% Campioni in una divisione da 20 ms>
Div=round(S/10);
tempo=[T*camp];
% Traccia silent period destra
<for i = 1:S>
TSmd(i,1)=[mean(letturaS(i,1:3))];
end
% Primo marker
A1d=TSmd(2*Div);
T1d=2*Div;
<% Terzo marker>
A3d=TSmd(6*Div);
T3d=6*Div;
% Secondo marker
<a2=round(11*Div/4);>
b2=3*Div;
[A2d,T2dd]=max(TSmd(a2:b2));
<T2d=a2+T2dd-1;>
<qd=cumtrapz(TSmd(T1d:T3d))*camp;>
Integral_area_d=qd(end);
Latency_d=(T2d-T1d)*camp;
<['Il valore della latenza destra è ' num2str(Latency_d)]>
['Il valore dell''area integrale destra è ' num2str(Integral_area_d)]
% Grafico traccia destra
figure
hold on
title('silent period destra')
xlabel('ms')
ylabel('mv')
grid on plot(T1d*camp,A1d,'c+',T2d*camp,A2d,'m+',T3d*camp,A3d,'g+','linewidth'<,2)>
legend('Marker 1','Marker 2','Marker 3')
plot(tempo,TSmd,'b')
hold off
% Traccia silent period sinistra
for i = 1:S
<TSms(i,1)=[mean(letturaS(i,4:6))];>
end
% Primo marker
A1s=TSms(2*Div);
<T1s=2*Div;>
<% Terzo marker>
A3s=TSms(6*Div);
T3s=6*Div;
% Secondo marker
a2=round(11*Div/4);
b2=3*Div;
[A2s,T2ss]=max(TSms(a2:b2));
T2s=a2+T2ss-1;
qs=cumtrapz(TSms(T1s:T3s))*camp;
<Integral_area_s=qs(end);>
Latency_s=(T2s-T1s)*camp;
['Il valore della latenza sinistra è ' num2str(Latency_s)]
<['Il valore dell''area integrale sinitra è ' num2str(Integral_area_s)]>
<% Grafico traccia destra>
figure
hold on
<title('silent period sinistra')>
xlabel('ms')
ylabel('mv')
<grid on>plot(T1s*camp,A1s,'c+',T2s*camp,A2s,'m+',T3s*camp,A3s,'g+','linewidth' ,2)
<legend('Marker 1','Marker 2','Marker 3')>
plot(tempo,TSms,'b')
hold off
FUNCTION RECOVERY CYCLE
function recoverycycle
letturaC=csvread('recovery cycle.TXT')/1000;
Size=size(letturaC);
S=Size(1,1);
T=[1:S];
% Valore in ms di un campione
<camp=50*10/S;>
% Campioni in una divisione da 50 ms
Div=round(S/10);
tempo=[T*camp];
% Traccia recovery cycle destra, stimolazione destra
for i = 1:S
<TCmd(i,1)=[mean(letturaC(i,1:3))];>
end
% Primo marker
A1d=TCmd(floor((2*Div)+(10/camp)));
<T1d=round((2*Div)+(10/camp));>
<% Secondo marker>
a2=2*Div;
b2=3*Div;
<[A2d,T2dd]=min(TCmd(a2:b2));>
T2d=a2+T2dd-1;
% Terzo marker
A3d=TCmd(4*Div);
T3d=4*Div;
% Quarto marker
<A4d=TCmd(floor((4*Div)+(10/camp)));>
T4d=round((4*Div)+(10/camp));
% Quinto marker
A5d=TCmd(6*Div);
<T5d=6*Div;>
<% Calcolo valori>
Latency_dd=(T1d-S/5)*camp;
['Il valore della latenza destra è ' num2str(Latency_dd)]
% Grafico traccia destra, stimolazione destra
figure
hold on
title('recovery cycle destra, stimolazione destra')
xlabel('ms')
ylabel('mv')
grid on plot(T1d*camp,A1d,'c+',T2d*camp,A2d,'k+',T3d*camp,A3d,'g+',T4d*camp,A4<d,'r+',T5d*camp,A5d,'m+','linewidth',2)>
legend('Marker 1','Marker 2','Marker 3','Marker 4','Marker 5') plot(tempo,TCmd,'b')
<hold off>
<% Traccia recovery cycle destra, stimolazione sinistra>
for i = 1:S
TCms(i,1)=[mean(letturaC(i,4:6))];
<end>
<% Primo marker>
A1s=TCms(floor((2*Div)+(10/camp)));
T1s=round((2*Div)+(10/camp));
% Secondo marker
a2=2*Div;
<b2=3*Div;>
[A2s,T2ss]=min(TCms(a2:b2));
T2s=a2+T2ss-1;
% Terzo marker
<A3s=TCms(4*Div);>
T3s=4*Div;
% Quarto marker
A4s=TCms(floor((4*Div)+(10/camp)));
<T4s=round((4*Div)+(10/camp));>
% Quinto marker
A5s=TCms(6*Div);
T5s=6*Div;
% Calcolo valori
Latency_ds=(T1s-S/5)*camp;
<['Il valore della latenza sinistra è ' num2str(Latency_ds)]>
<% Grafico traccia destra, stimolazione sinistra>
figure
hold on
<title('recovery cycle destra, stimolazione sinistra')>
xlabel('ms')
ylabel('mv')
<grid on>plot(T1s*camp,A1s,'c+',T2s*camp,A2s,'k+',T3s*camp,A3s,'g+',T4s*camp,A4 s,'r+',T5s*camp,A5s,'m+','linewidth',2)
<legend('Marker 1','Marker 2','Marker 3','Marker 4','Marker 5')>plot(tempo,TCms,'b')
hold off
% Calcolo eccitabilità
<q1=cumtrapz(TCmd(T1s:T3s))*camp;>
Integral_area_S1=q1(end);
q2=cumtrapz(TCmd(T4s:T5s))*camp;
Integral_area_S2=q2(end);
<['Il valore dell''area integrale S1 è ' num2str(Integral_area_S1)]>['Il valore dell''area integrale S2 è ' num2str(Integral_area_S2)] Bibliografia Dati Sperimentali
1. Roka, Y.B., et al., Cerebellopontine epidermoid presenting with trigeminal neuralgia for 10 years: a case report. Cases J, 2009.2: p.9345.
2. Green, C., B. Dessauvagie, and P. Robbins, Gliosarcoma with a primitive neuroectodermal tumour component. Pathology, 2016.48 Suppl 1: p. S125-S126.
3. Caruso, R., et al., Surgical Approach to the Cavernous Sinus for a Trigeminal Schwannoma Resection: Technical Note and Case Report. Case Rep Surg, 2016.2016: p.
6458189.
4. Pagella, P., L. Jimenez-Rojo, and T.A. Mitsiadis, Roles of innervation in developing and regenerating orofacial tissues. Cell Mol Life Sci, 2014.71(12): p.2241-51.
5. Heckmann, J.G. and C.J. Lang, Neurological causes of taste disorders. Adv Otorhinolaryngol, 2006.63: p.255-64.
6. Long, H., et al., Current advances in orthodontic pain. Int J Oral Sci, 2016.8(2): p.67-75.
7. Avivi-Arber, L., J.C. Lee, and B.J. Sessle, Dental Occlusal Changes Induce Motor Cortex Neuroplasticity. J Dent Res, 2015.94(12): p.1757-64.
8. Ono, Y., et al., Occlusion and brain function: mastication as a prevention of cognitive dysfunction. J Oral Rehabil, 2010.37(8): p.624-40.
9. Frisardi, G., et al., A relationship between bruxism and orofacial-dystonia? A trigeminal electrophysiological approach in a case report of pineal cavernoma. Behav Brain Funct, 2013. 9: p.41.
10. Kimura, J., et al., Human reflexes and late responses. Report of an IFCN committee.
Electroencephalogr Clin Neurophysiol, 1994.90(6): p.393-403.
11. Kubo, K.Y., et al., Masticatory function and cognitive function. Okajimas Folia Anat Jpn, 2010. 87(3): p.135-40.
12. Windhoff, M., A. Opitz, and A. Thielscher, Electric field calculations in brain stimulation based on finite elements: an optimized processing pipeline for the generation and usage of accurate individual head models. Hum Brain Mapp, 2013.34(4): p.923-35.
13. Thielscher, A., A. Opitz, and M. Windhoff, Impact of the gyral geometry on the electric field induced by transcranial magnetic stimulation. Neuroimage, 2011.54(1): p.234-43.
14. Opitz, A., et al., How the brain tissue shapes the electric field induced by transcranial magnetic stimulation. Neuroimage, 2011.58(3): p.849-59.
15. Ongerboer de Visser, B.W., Anatomical and functional organization of reflexes involving the trigeminal system in man: jaw reflex, blink reflex, corneal reflex, and exteroceptive suppression. Adv Neurol, 1983.39: p.727-38.
16. Molin, C., Vertical isometric muscle forces of the mandible. A comparative study of subjects with and without manifest mandibular pain dysfunction syndrome. Acta Odontol Scand, 1972.30(4): p.485-99.
17. Yemm, R., Neurophysiologic studies of temporomandibular joint dysfunction. Oral Sci Rev, 1976.7: p.31-53.
18. Cruccu, G., et al., Masseter inhibitory reflex in movement disorders. Huntington’s chorea, Parkinson’s disease, dystonia, and unilateral masticatory spasm. Electroencephalogr Clin Neurophysiol, 1991.81(1): p.24-30.
19. Simpson, J.W., et al., Arbitrary mandibular hinge axis locations. J Prosthet Dent, 1984.
51(6): p.819-22.
20. Goldberg, L.J., Masseter muscle excitation induced by stimulation of periodontal and gingival receptors in man. Brain Res, 1971.32(2): p.369-81.
21. Widmalm, S.E., The silent period in the masseter muscle of patients with TMJ dysfunction. Acta Odontol Scand, 1976.34(1): p.43-52.
22. Brenman, H.S., M.A. Black, and J.G. Coslet, Interrelationship between the electromyographic silent period and dental occlusion. J Dent Res, 1968.47(3): p.502.
23. Hellsing, G. and I. Klineberg, The masseter muscle: the silent period and its clinical implications. J Prosthet Dent, 1983.49(1): p.106-12.
24. Holle, D., M. Obermann, and Z. Katsarava, The electrophysiology of cluster headache.
Curr Pain Headache Rep, 2009.13(2): p.155-9.
25. Yan, J., et al., Sensitization of dural afferents underlies migraine-related behavior following meningeal application of interleukin-6 (IL-6). Mol Pain, 2012.8: p.6.
26. Hansen, P.O., et al., Human masseter inhibitory reflexes evoked by repetitive electrical stimulation. Clin Neurophysiol, 2002.113(2): p.236-42.
27. Truini, A., et al., Experimental skin pain and muscle pain induce distinct changes in human trigeminal motoneuronal excitability. Exp Brain Res, 2006.174(4): p.622-9.
28. Louca, S., et al., Serotonin, glutamate and glycerol are released after the injection of hypertonic saline into human masseter muscles - a microdialysis study. J Headache Pain, 2014. 15: p.89.
29. Xu, W., et al., Activation of voltage-gated KCNQ/Kv7 channels by anticonvulsant retigabine attenuates mechanical allodynia of inflammatory temporomandibular joint in rats. Mol Pain, 2010.6: p.49.
30. Cruccu, G., G. Frisardi, and D. van Steenberghe, Side asymmetry of the jaw jerk in human craniomandibular dysfunction. Arch Oral Biol, 1992.37(4): p.257-62.
31. Winocur, E., et al., Drugs and bruxism: a critical review. J Orofac Pain, 2003.17(2): p.99-111.
32. Fonti Mathlab
33. Bayesian Regularization of Neural Networks, Frank Burden & Dave Winkler, Chapter 3, D. S. Livingstone (ed), Artificial Neural network: Methods and Protocols, 2008 Humana Press, a part of Springer Science Business Media
Claims (10)
- RIVENDICAZIONI 1. Processo medicale impiegato nell’analisi dell’integrità anatomo-funzionale del sistema nervoso trigeminale e masticatorio basato su un dispositivo meccanico detto Caschetto Neuro Gnatologico Funzionale, un dispositivo elettromiografico per potenziali evocati ed un processo computerizzato matematico necessario per la realizzazione di un dato oggettivo ed inconfutabile in grado di quantificare l’integrità del sistema nervoso trigeminale detto Indice Neuro Gnatologico Funzionale (Indice NGF), il processo, dal posizionamento elettrodico all’esecuzione dei test determinando dapprima il grado di simmetria anatomo-funzionale attraverso l’esecuzione dei potenziali evocati motori delle due radici trigeminali e contestualmente analizzandone la sincronicità e la simmetria di lato, detto processo medicale essendo caratterizzato dal fatto di implementare l’interpretazione dei linguaggi criptati neurofisiopatologici e neurognatologici basandosi sull’interlavoro di tre processi operativi attinenti a tre distinte macroaree: I- quella neurologica ed in particolare il campo del Dolore Orofacciale in cui rientrano una serie di patologie neurologico-sistemiche che interferiscono con le funzioni neuronali generali; II- quella masticatoria in cui si spazia dai disturbi dell’Articolazione Temporomandibolare (TMDs) all’integrità neuromotoria delle riabilitazioni masticatorie; e III- la macroarea corrispondente all’implementazione di sistemi statisticomatematici di reti neurali in grado di interpretare il linguaggio criptato elettrofisiologico come linguaggio articolato in un sistema complesso.
- 2. Processo medicale impiegabile nell’analisi dell’integrità anatomo-funzionale del sistema nervoso trigeminale secondo la rivendicazione 1 caratterizzato dal fatto di introdurre, con riferimento alla macroarea neurologica un nuovo paradigma nell’interpretazione clinica neurofisiopatologica nel campo delle patologie neurologiche e sistemiche che coinvolgono il sistema trigeminale sia idiopatiche che iatrogene, detto modello interpretativo considerando l’analisi del dato elettrofisiologico come un elaborato di un sistema complesso in cui tutte le componenti, che di per se sono anche componenti complesse, interagiscono per determinare un “Comportamento Emergente” del sistema stesso, detto modello essendo raffigurabile nei sistemi indeterministici in cui la quantificazione del proprio stato biologico può essere dedotto solo dopo essere stato stimolato da un trigger esterno di varia natura, su detta base essendo costituito. Per questo motivo si è costruito detto processo medicale in cui il sistema trigeminale viene osservato con una visione di insieme Comportamento Emergente – e contestualmente con un approccio indeterministico trigger elettrici e/o meccanici – tale approccio di sistema complesso indeterministico risiedendo nel cuore del processo che è costituito dall’“Indice NGF” rifinito dalla rete neurale e che si edifica dall’elaborazione dei dati elettrofisiologici evocati clinicamente dai triggers: con le fasi operative che seguono: i- Step 1: esecuzione di almeno un serie di trials mediati dei bilateral Root-MEPs, per quantificare la simmetria, sincronicità e la massima Energia Assoluta Neurale Evocabile (mANEE) dalle radici trigeminali. ii- Step 2: esecuzione di una serie di riflessi trigeminali quali il jaw jerk evocato attraverso una percussione sul mento con un martelletto neurologico triggerato, il quale evidenzia il livello di simmetria di lato del riflesso intra ed interindividuale. iii- Step 3: esecuzione del Mechanical Silent Period, costituito dal jaw jerk come riflesso eccitatorio a breve latenza e da un periodo di assenza o di depressione dell’attività elettromiografica, corrispondente al periodo silente masseterino propriamente detto; iv- Step 4: esecuzione del ciclo di recupero del riflesso inibitorio masseterino da cui è possibile derivare il livello di eccitabilità neuronale del sistema trigeminale, l’effetto facilitatorio sui riflessi da stiramento mandibolari e l’ipereccitabilità a livello del CNS come fenomeni neurofisiopatogenetici essendo correlabili al dolore del distretto craniofacciale. v- Step 5: i dati grezzi derivanti dai test sopradescritti sono computerizzati per determinare un indicatore denominato “Indice NGF” che stabilisce in modo oggettivo ed inconfutabile l’integrità del sistema nervoso trigeminale e neuro masticatorio, attraverso un metodo matematico incentrato sulla Normalizzazione della simmetria funzionale rispetto alla simmetria organica, per questo motivo l’algoritmo dell’Indce NGF vedendo al numeratore l’elaborazione dei dati elettrofisiologici derivanti dai bilateral Root-MEPs (bRoot-MEPs) come “Fattore di Normalizzazione” e una serie di successivi test elettrofisiologici (riflessi trigeminali) al denominatore, l’algoritmo essendo implementato dalla quantificazione dello stato di eccitabilità del sistema nervoso Centrale (CNS) moltiplicando il rapporto per il dato uscente dal ciclo di recupero del riflesso inibitorio masseterino. vi- Step 6: esecuzione del fitting di ingresso-uscita tramite trigeminal Neural Network, con una rete neurale feed-forward a due strati.
- 3. Processo medicale impiegabile nell’analisi dell’integrità anatomo-funzionale del sistema nervoso trigeminale e del sistema masticatorio secondo la rivendicazione 1 caratterizzato da una prima Normalizzazione dei dati, essendo i dati ottenuti dai diversi esami di differenti grandezze – ms per le latenze e per le aree integrali – oggetto di un primo algoritmo di normalizzazione, quale il “line based normalization” con cui è possibile distribuire i dati relativi a ciascuna tipologia di test in un intervallo [0, 1], il dato normalizzato essendo restituito dalla seguente formula: con valore normalizzato; valore destro o sinistro ottenuto dal test effettuato sul paziente; minimo tra i valori, sia destro che sinistro, dei soggetti sani relativo ad un singolo test; massimo tra i valori (sia destro che sinistro) dei soggetti sani relativo ad un singolo test, per ciascun esame considerandosi il massimo ( ed il minimo ( tra i valori destro e sinistro degli N soggetti sani, ed il valore normalizzato ( ) essendo ottenuto sottraendo al valore effettivo misurato (x) il minimo e dividendo per la differenza massimo meno minimo, essendo calcolato il valore assoluto del nuovo valore ottenuto ( ), e per tutte le coppie di valori normalizzati (destro e sinistro) di ciascun test il valore assoluto del delta differenza tra valore destro e sinistro: Considerando il caso ideale di massima simmetria in cui questa differenza risulti essere pari a 0, il viene preso come esponente del numero di Nepero “e” in modo tale da avere come risultato 1: ed estendendo tale procedura a ciascuna delle differenze di tutti i dati ottenuti dai test il rapporto simmetria organica su simmetria funzionale, nel caso ideale di soggetto 100% simmetrico, restituendo un valore pari a 1.
- 4. Processo medicale impiegabile nell’analisi dell’integrità anatomo-funzionale del sistema nervoso trigeminale e del sistema masticatorio secondo la rivendicazione 1 caratterizzato dall’elaborazione della Simmetria Organica derivante dai dati dei (bRoot-MEPs): per n= 1, 2; N=2. valore assoluto della differenza di latenza normalizzata tra lato destro e sinistro per labRoot-MEPs; valore assoluto della differenza dell’area integrale normalizzata tra lato destro e sinistro per labRoot-MEPs; coefficiente moltiplicativo di ciascun esponenziale, affinché in condizioni di massima simmetria il valore del numeratore del rapporto simmetria organica su simmetria funzionale risulti essere pari a 1 la somma dei coefficienti moltiplicativi viene posta pari a 1; inoltre, per dare la medesima importanza a ciascuno dei due contributi – latenza e area integrale dellabRoot-MEPs – i due coefficienti siano esattamente uguali:
- 5. Processo medicale impiegabile nell’analisi dell’integrità anatomo-funzionale del sistema nervoso trigeminale e del sistema masticatorio secondo la rivendicazione 1 caratterizzato dall’elaborazione della Simmetria Funzionale derivante dai dati dei riflessi trigeminali: per m = 1, 2, 3, 4, 5, 6; M=6, essendo valore assoluto della differenza di latenza normalizzata tra lato destro e sinistro per il jaw jerk; valore assoluto della differenza dell’area integrale normalizzata tra lato destro e sinistro per il jaw jerk; valore assoluto della differenza di latenza normalizzata tra lato destro e sinistro per il periodo silente meccanico; valore assoluto della differenza dell’area integrale normalizzata tra lato destro e sinistro per il periodo silente meccanico; valore assoluto della differenza di latenza normalizzata tra lato destro e sinistro per il periodo silente elettrico quando lo stimolo fu applicato sul lato destro della faccia; valore assoluto della differenza della latenza normalizzata tra lato destro e sinistro per il periodo silente elettrico quando lo stimolo fu applicato sul lato sinistro della faccia; coefficiente moltiplicativo di ciascun esponenziale, affinché in condizioni di massima simmetria il valore del denominatore del rapporto simmetria organica su simmetria funzionale risulti essere pari a 1 la somma dei coefficienti moltiplicativi essendo posta pari a 1; ed inoltre, per dare la medesima importanza a ciascuno dei sei contributi -latenza e area integrale del jaw jerk, latenza e area integrale del periodo silente meccanico, latenza e area integrale del periodo silente elettrico- i sei coefficienti essendo esattamente uguali:
- 6. Processo medicale impiegabile nell’analisi dell’integrità anatomo-funzionale del sistema nervoso trigeminale e del sistema masticatorio secondo la rivendicazione 1 caratterizzato dall’elaborazione della Eccitabilità del Sistema Nervoso Centrale derivante dai dati del ciclo di recupero del Riflesso Inibitorio Masseterino con: S1= valore corrispondente all’area integrale del ciclo di recupero masseterino evocata dallo stimolo condizionante S1; ed S2= valore corrispondente all’area integrale del ciclo di recupero masseterino evocata dallo stimolo test S2; in soggetti sani il valore dell’area integrale S2 essendo sempre maggiore del valore dell’area integrale S1; in soggetti ipereccitati tale valore eguagliando, o addirittura diventando minore di S1, considerando l’ipereccitabilità come rapporto non essendo stato necessario applicare alcun criterio di normalizzazione e tenendo conto che nel gruppo di soggetti sani il rapporto vale in media circa 1.45, passando da un valore minimo di 1.24 ad un massimo di 1.75 (nel caso dei 23 soggetti sani di riferimento), dato l’elevato campo di variazione si calcola la tangente iperbolica di tale rapporto affinché il coefficiente moltiplicativo del rapporto simmetria organica su simmetria funzionale varia da 0.85 – per = 1.24 – a 0.94 – per = 1.75 –, quindi tendendo sempre di più a 1 per i soggetti sani, mentre per gli ipereccitati da 0.76 – per S2=S1 – in giù, al limite 0, facendo uscire dalla “campana di simmetria” l’Indice NGF del soggetto malato.
- 7. Processo medicale impiegabile nell’analisi del sistema neuromotorio masticatorio secondo la rivendicazione 1 caratterizzato dal fatto di essere in grado di selezionare patologie organico-funzionali neurologiche e sistemiche nel campo del Dolore Orofacciale superando il limite del protocollo diagnostico attualmente in uso denominato TMJ/RDC con un cambiamento determinante nel protocollo stesso relativo alla discriminazione non solo dei pazienti con TMJ disorders con e/o senza dolore ma soprattutto pazienti con dolore orofacciale (OP) non di origine Temporomandibolare, essendo tale target sul TMJ/RDC raggiungibile con un processo medico elettrofisiologico trigeminale e gnatologico in grado di restituire un dato oggettivo tipo Indice NGF.
- 8. Processo medicale impiegabile nell’analisi del sistema neuromotorio masticatorio secondo ciascuna delle rivendicazioni precedenti caratterizzato dal fatto che l’esecuzione dei potenziali evocati motori trigeminali bilaterali (bilateral Root-MEPs) oltre ad evidenziare la simmetria, sincronicità e mANEE è contestualmente in grado di far elevare la mandibola dalla posizione fisiologica di riposo all’occlusione Centrica Occlusale, tale posizione spaziale così determinata essendo sovrapponibile alla coattivazione neuromotoria dei processi masticatori naturali essendo evocata da tutti i muscoli innervati dal nervo trigemino e dunque generanti una coattivazione neuromotoria evocata, tale procedura ulteriore essendo basata sulla “Centricità Neuro Evocata” NEC, la relazione spaziale 3D intermascellare registrata attraverso l’esecuzione del NEC essendo riportata in articolatore previa trasferimento dell’arco facciale mascellare determinato con caschetto Neuro Gnatologico Funzionale.
- 9. Processo medicale impiegabile nell’analisi dell’integrità anatomo-funzionale del sistema nervoso trigeminale e del sistema masticatorio secondo ciascuna delle rivendicazioni precedenti caratterizzato dal fatto che per interpretare il “Comportamento Emergente” di un sistema complesso biologico che opera in modalità stocastica ed indeterministica, non costituendo le procedure classiche cliniche e di analisi dei dati di laboratorio segmentati e disconnessi tra loro, un percorso ideale ed efficace per la difficoltà di analizzare simultaneamente tutti i dati in uscita connessi tra loro, si esegua l’implementazione di una rete neurale con un algoritmo clinico di valutazione in grado di selezionare con un dettaglio ancor più accurato l’eventuale nodo anomalo, l’indice NGF essendo un passaggio di riferimento basilare per la rete neurale in quanto entra come dato univoco l’“Indice NGF” e potendo generare una sorta di smoothing tra i vari dati – dati provenienti da 4 test elettrofisiologici – e potendo di conseguenza sfuggire un singolo elemento o dato patologico, per cui nella rete neurale oltre all’Indice NGF entrano i singoli � per ciascun test eseguito, per la creazione e l’addestramento della trigeminal neural network sono indicati un set di dati di input e un target, in particolare per l’input, assegnando come ingresso della rete dieci valori per ciascun soggetto: valore assoluto della differenza di latenza tra lato destro e sinistro normalizzati per labRoot-MEPs; valore assoluto della differenza dell’area integrale tra lato destro e sinistro normalizzati per labRoot-MEPs; valore assoluto della differenza di latenza tra lato destro e sinistro normalizzati per il jaw jerk; valore assoluto della differenza dell’area integrale tra lato destro e sinistro normalizzati per il jaw jerk; valore assoluto della differenza di latenza tra lato destro e sinistro normalizzati per il periodo silente meccanico; valore assoluto della differenza dell’area integrale tra lato destro e sinistro normalizzati per il periodo silente meccanico; valore assoluto della differenza di latenza tra lato destro e sinistro normalizzati per il periodo silente elettrico destro; valore assoluto della differenza dell’area integrale tra lato destro e sinistro normalizzati per il periodo silente elettrico sinistro; tangente iperbolica del valore corrispondente all’area integrale del ciclo di recupero masseterino evocata dallo stimolo test S2 su valore corrispondente all’area integrale del ciclo di recupero masseterino evocata dallo stimolo condizionante S1; valore del rispettivo Indice NGF; e per il target agli n soggetti attribuendo un valore target per permettere alla rete di eseguire la propria discriminazione nell’addestramento: ai primi n - m soggetti, sani, viene assegnato un valore pari a 0; e agli ultimi m, malati, un valore pari a 1, l’inserimento di questo set di dati e questo target di confronto essendo il migliore tra tutti quelli utilizzati nelle varie prove eseguite, in cui sono state testate varie combinazione input/target.
- 10. Processo medicale impiegabile nell’analisi dell’integrità anatomo-funzionale del sistema nervoso trigeminale e del sistema masticatorio secondo ciascuna delle rivendicazioni precedenti caratterizzato dal fatto che per testare l’efficacia della rete neurale, oltre all’errore quadratico medio – come differenza media quadratica tra le uscite e gli obiettivi in cui i valori più bassi sono migliori – e regressione – misura la correlazione tra le uscite e il target – viene realizzato un set di pazienti test, per valutare la bontà di ciascuna rete creata e quindi poter scegliere quella più rappresentativa ed affidabile essendo creato un set di pazienti fittizi, ed essendo presi tutti i dati degli n soggetti sani e modificati di volta in volta a seconda del test da effettuare. Test 1 viene alterata la differenza della latenza della bilateral Root-MEPs portandola ad un valore di 0.6 ms, valore normativo indice di patologia; Test 2 viene alterata la differenza dell’area integrale della bilateral Root-MEPs portandola ad un valore di 3.66 mV/ms, valore normativo indice di patologia; Test 3 viene alterata la differenza della latenza del jaw jerk portandola ad un valore di 1 ms; Test 4 viene alterata la differenza dell’area integrale del jaw jerk portandola ad un valore di 1 mV/ms, valore normativo indice di patologia; Test 5 test incrociato in cui viene alterata la differenza dell’area integrale della bRoot-MEPsa 3.66 mV/ms e contemporaneamente quella del jaw jerk a 1 mV/ms,, valori normativi indici di patologia; Test 6 viene alterata quindi la differenza dell’area integrale del periodo silente a 2 mV/ms, valore normativo indice di patologia, e dai sei test ottenendosi un totale di m pazienti fittizi, tra tutte le reti testate, selezionando quella che, oltre a restituire un risultato il più simile possibile al Target – minimizzando di fatto l’errore – riesca ad individuare come soggetti “non sani” anche il maggior numero di pazienti test facendo ricadere il rispettivo valore al di fuori del range di valori ottenuto sulla base della media dei valori degli N soggetti sani più o meno tre deviazioni standard (Tabella 4), la rete riconoscendo come “non sani” un numero di pazienti fittizi, con un indice di accuratezza pari all’80 % (Tabella 5).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102017000014354A IT201700014354A1 (it) | 2017-02-09 | 2017-02-09 | Elaborazione dati elettrofisiologici per la definizione dell’integrità del sistema nervoso trigeminale e masticatorio. |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102017000014354A IT201700014354A1 (it) | 2017-02-09 | 2017-02-09 | Elaborazione dati elettrofisiologici per la definizione dell’integrità del sistema nervoso trigeminale e masticatorio. |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| IT201700014354A1 true IT201700014354A1 (it) | 2018-08-09 |
Family
ID=60182831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| IT102017000014354A IT201700014354A1 (it) | 2017-02-09 | 2017-02-09 | Elaborazione dati elettrofisiologici per la definizione dell’integrità del sistema nervoso trigeminale e masticatorio. |
Country Status (1)
| Country | Link |
|---|---|
| IT (1) | IT201700014354A1 (it) |
-
2017
- 2017-02-09 IT IT102017000014354A patent/IT201700014354A1/it unknown
Non-Patent Citations (1)
| Title |
|---|
| FRISARDI G CHESSA G: "The Reliability of the Bilateral Trigeminal Roots-motor Evoked Potentials as an Organic Normalization Factor: Symmetry or Not Symmetry?", DENTISTRY, vol. s2, no. 01, 1 January 2014 (2014-01-01), XP055440541, DOI: 10.4172/2161-1122.S2-005 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tremblay et al. | Clinical utility and prospective of TMS–EEG | |
| Tichko et al. | Frequency-dependent fine structure in the frequency-following response: The byproduct of multiple generators | |
| Roß et al. | Temporal integration in the human auditory cortex as represented by the development of the steady-state magnetic field | |
| JP6110948B2 (ja) | 脳の異なる領域の間の病的な相互作用を判定するために使用される位相分布を調べる装置 | |
| US10933213B2 (en) | Device and method for hearing threshold-adapted acoustic stimulation | |
| Hammer et al. | Evaluating the tongue-hold maneuver using high-resolution manometry and electromyography | |
| RU2428110C2 (ru) | Система и способ для диагностики нарушений деятельности ствола головного мозга | |
| JP2017521129A (ja) | 認知機能を回復するシステム及び方法 | |
| Pape et al. | Playing and listening to tailor-made notched music: cortical plasticity induced by unimodal and multimodal training in tinnitus patients | |
| Voigt et al. | Intracortical microstimulation differentially activates cortical layers based on stimulation depth | |
| Gabr et al. | Speech processing in children with cochlear implant | |
| Popescu et al. | Adaptive changes in the neuromagnetic response of the primary and association somatosensory areas following repetitive tactile hand stimulation in humans | |
| Dai et al. | A causal link between left supplementary motor area and auditory-motor control of vocal production: evidence by continuous theta burst stimulation | |
| CN103989482A (zh) | 用于幻听检测的声音刺激器及用于幻听检测的装置 | |
| Ryun et al. | Cortical maps of somatosensory perception in human | |
| IT201700014354A1 (it) | Elaborazione dati elettrofisiologici per la definizione dell’integrità del sistema nervoso trigeminale e masticatorio. | |
| Gómez et al. | A Neuromotor to acoustical jaw-tongue projection model with application in Parkinson’s disease hypokinetic dysarthria | |
| Richardson et al. | Respiratory responses to two voice interventions for Parkinson's disease | |
| TWI813222B (zh) | 用於評估疼痛敏感度的大腦活動量測方法與系統 | |
| D’Ausilio et al. | Transcranial Magnetic Stimulation in Speech and Language Research | |
| Simpson et al. | Auditory magnetic evoked responses | |
| Nishimura et al. | Region-dependent Millisecond Time-scale Sensitivity in Spectrotemporal Integrations in Guinea Pig Primary Auditory Cortex | |
| IT201700014346A1 (it) | Sistema di neuro gnatologia funzionale per la definizione dell’integrità del sistema nervoso trigeminale e masticatorio e per la determinazione dei rapporti intermascellari neurocentrici evocati. | |
| De Moor | TMS-EEG AS A TOOL TO STUDY THE NEUROMODULATORY EFFECTS OF THETA BURST STIMULATION | |
| Aguiar | Development and In-Vivo Testing of a Smart Prosthesis to Restore Dental Proprioceptivity |