Deep Brain stimulation is an effective treatment for movement disorders such as Parkinson’s disease or essential tremor. Current therapy protocols do not adjust in real-time to the present need for treatment but instead rely on constant stimulation parameters. A novel concept called intelligent adaptive deep brain stimulation triggers stimulation based on decoding of a predefined state, such as movement, in a demand-driven way. Invasive Brain Computer Interfaces were previously presented for decoding behavioral states both using local field potential recordings from depth electrodes, primarily in movement disorder patients, and using electrocorticographic signals in epilepsy patients. Future brain implants may successfully treat different movement disorders using both modalities. A systematic brain signal decoding comparison of the two recording sites within patients was lacking. In this work, we analyzed invasive intraoperative recordings from Parkinson’s disease patients undergoing deep brain stimulation therapy. Subthalamic local field potentials and simultaneous electrocorticographic signals were recorded while the patients were performing a hand-gripping force task. We used these signals to develop a real-time-enabled feature estimation and decoding framework and investigated different hyperparameter-optimized machine learning approaches for the prediction of movement strength. We identified optimal temporal, spatial, and oscillatory decoding components. Our analysis showed for the first time that movement decoding performances of cortical recordings were superior to subcortical ones using different machine learning methods. We found that gradient-boosted decision trees showed the best performances for electrocorticographic recordings, while Wiener filters were optimal for subthalamic signals. Models from single electrode contacts were better performing than methods that combine data from multiple contacts. Decoding performances were negatively correlated to Parkinson's disease-specific symptom scores. Previously, subthalamic beta oscillations were reported to reflect Parkinson’s disease symptom severity, here we found that decoding performances were negatively correlated to elevated subthalamic beta oscillations. Additionally, we developed a movement decoding network that predicted contact-specific movement decoding performances using functional and structural connectivity profiles. In conclusion, we propose a computational framework based on invasive neurophysiology for brain signal decoding and highlight interactions of decoding performances with Parkinson’s disease symptom states, pathological symptom biomarkers, and whole-brain connectivity. This thesis, therefore, constitutes a significant contribution to the development of intelligent personalized medicine for adaptive deep brain stimulation.
Tiefe Hirnstimulation ist eine effektive Behandlung von Bewegungsstörungen wie bei der Parkinson-Krankheit oder dem Essentiellen Tremor. Derzeitige Protokolle passen sich nicht in Echtzeit dem aktuellen Behandlungsbedarf an, sondern beruhen auf konstanten Stimulationsparametern. In einem neuen Therapieverfahren, der „intelligenten adaptiven tiefen Hirnstimulation“, wird die Stimulation bedarfsgerecht anhand eines vordefinierten Zustands, wie beispielsweise der Bewegung, angepasst. Invasive Brain Computer Interfaces konnten in vorigen Studien Verhaltenszustände mit elektrophysiologischen Aufnahmen dekodieren. Hier wurden entweder lokale Feldpotentiale, abgeleitet von Elektroden in tiefen Hirnregionen bei Patient*innen mit Bewegungsstörungen, oder elektrokortikographische Signale, bei Epilepsie-Patient*innen, verwendet. Beide Signal-Modalitäten könnten für zukünftige Hirnimplantate genutzt werden. Ein systematischer Vergleich der jeweiligen Dekodierleistung wurde bei denselben Patient*innen bisher nicht durchgeführt. Hier analysierten wir deshalb intraoperative Aufzeichnungen subthalamischer lokaler Feldpotentiale und gleichzeitige elektrokortikographische Ableitungen von Parkinson-Patient*innen während der Implantation des tiefen Hirnstimulators. Die Patient*innen führten Handbewegungen mit unterschiedlicher Greifkraft aus. Mittels echtzeitfähiger Feature Berechnung und Dekodierung untersuchten wir verschiedene Hyperparameter-optimierte maschinelle Lernverfahren zur Vorhersage der Bewegungsstärke. Wir identifizierten optimale temporale, oszillatorische und lokalisationsspezifische Parameter der Dekodierung. Unsere Studie zeigt zum ersten Mal, dass die Dekodierleistung von kortikalen gegenüber subkortikalen Signalen anhand von verschiedenen maschinellen Lernmethoden deutlich überlegen war. Gradient-boosted decision trees waren für elektrokortikographische Aufzeich-nungen die beste Dekodiermethode, während Wiener Filter für subthalamische Signale am geeignetsten waren. Modelle aus einzelnen Elektrodenkontakten zeigten bessere Dekodierleistungen als Modelle die Daten mehrerer Kontakte kombinierten. Die Dekodierleistung korrelierte negativ mit der Parkinson-Symptomschwere, und korrelierte zusätzlich negativ mit erhöhten subthalamischen Beta-Oszillationen, von denen bereits berichtet wurde, dass sie den Parkinson-Schweregrad widerspiegeln. Zusätzlich entwickelten wir ein Netzwerk für die Vorhersage der kontaktspezifischen Dekodierleistungen anhand von funktionellen und strukturellen Konnektivitätsprofilen. Zusammenfassend stellen wir ein computerbasiertes, neurophysiologisches Framework für die invasive Hirnsignal-Dekodierung vor. Wechselwirkungen der Dekodierleistung wurden mit der Parkinson-Symptomschwere, elektrophysiologischen Biomarkern pathologischer Symptome und der Konnektivität des gesamten Gehirns identifiziert. Diese Dissertation unterstützt daher die Entwicklung intelligenter, personalisierter Medizin für die adaptive tiefe Hirnstimulation.
