Skip to Main Content

Modelling and Data Analysis
2026. Vol. 16, no. 1, 61–73
doi:10.17759/mda.2026160104
ISSN: 2219-3758 / 2311-9454 (online)

Existing methods for extracting features of motor evoked potential: a comparative study

 
Audio is AI-generated
0

PDF (RUS)
Online translation in english
GS
Information
in Google Scholar
Metrics

Abstract

Motor evoked potential (MEP) latencies generated in transcranial magnetic stimulation (TMS) experiments are an important and fundamental physiological parameter for studying the human motor system. Manual annotation of MEPs can be performed, but this is time-consuming and subject to human error, which can lead to problems with automated methods for extracting MEP features. The purpose of this study is to compare existing methods for automated MEP latency determination in terms of their advantages and disadvantages and propose a new method that can improve results. The hypothesis is that we can propose a new automated annotation model that can improve results, or that this model will fail to automatically extract MEP features. Each existing method will be examined in terms of its advantages and disadvantages to identify targeted issues that will be addressed in the proposed model. The results show that all existing methods share a common problem: they are not reproducible to other datasets. This means that each model was focused on extracting MEP features under specific conditions and dataset formats. This study identified relevant challenges that we must consider when developing a new model for automatically annotating MEP features. Therefore, it is recommended to pay attention to every detail to achieve successful results.

General Information

Keywords: motor-evoked potentials (MEPs), transcranial magnetic stimulation (TMS), automatic annotation, deep learning, machine learning

Journal rubric: Data Analysis

Article type: scientific article

DOI: https://doi.org/10.17759/mda.2026160104

Acknowledgements. The author would like to thank E.V. Lyapuntsova, Doctor of Technical Sciences, Professor, for valuable advice in planning the study and discussing the results.

Received 26.12.2025

Revised 15.02.2026

Accepted

Published

For citation: Demigha, Y. (2026). Existing methods for extracting features of motor evoked potential: a comparative study. Modelling and Data Analysis, 16(1), 61–73. (In Russ.). https://doi.org/10.17759/mda.2026160104

© Demigha Y., 2026

License: CC BY-NC 4.0

References

  1. Бигони, К., Кадик-Мельхиор, А., Василиадис, П., Моришита, Т., Хаммель, Ф. С. (2022). Автоматизированный метод определения длительности моторно-вызванных потенциалов в физиологических и патофизиологических условиях // Журнал нейронной инженерии. Т. 19, № 2. DOI: 10.1088/1741-2552/ac636c
    Bigoni, C., Kadik-Melchior, A., Vasiliadis, P., Morishita, T., Hummel, F. C. Automated determination of motor-evoked potential duration in physiological and pathological conditions. Journal of Neural Engineering, 2022, vol. 19, no. 2. DOI: 10.1088/1741-2552/ac636c.
  2. Ливингстон, С. К., Ингерсолл, К. Д. (2008). Внутривидовая надёжность метода транскраниальной магнитной стимуляции для получения моторных вызванных потенциалов // Международный журнал неврологии. Т. 118, № 2. С. 239–256. DOI: 10.1080/00207450701668020
    Livingston, S. C., Ingersoll, C. D. Intrasession reliability of transcranial magnetic stimulation-elicited motor-evoked potentials. International Journal of Neuroscience, 2008, vol. 118, no. 2, pp. 239–256. DOI: 10.1080/00207450701668020.
  3. Милардович, Д., Соуза, В. Х., Зубарев, И., и др. (2023). DelMEP: алгоритм глубокого обучения для автоматизированного определения задержек моторных вызванных потенциалов // Scientific Reports. Т. 13, № 1. Ст. 8225. DOI: 10.1038/s41598-023-34801-9
    Milardovich, D., Souza, V. H., Zubarev, I., et al. DelMEP: A deep learning algorithm for automated motor-evoked potential latency detection. Scientific Reports, 2023, vol. 13, no. 1, article 8225. DOI: 10.1038/s41598-023-34801-9.
  4. Митчелл, Т. М. Машинное обучение : учебник. 1997. URL: https://www.cs.cmu.edu/~tom/mlbook.html
    Mitchell, T. M. Machine Learning. 1997. Available at: https://www.cs.cmu.edu/~tom/mlbook.html (In Russ.).
  5. Нгуен, Д. Т. А., Сяйсянен, Л., Каллиониеми, Э., Карьялайнен, П. А., Риссанен, С. М., Юлкунен, П. Mepfeatx — автоматическое распознавание моторно-вызванных потенциалов при транскраниальной магнитной стимуляции // Рубежи в неврологии. Т. 18. DOI: 10.3389/fnins.2024.1415257
    Nguyen, D. T. A., Saisanen, L., Kallioniemi, E., et al. MepfeatX: Automated recognition of motor-evoked potentials in transcranial magnetic stimulation. Frontiers in Neuroscience, 2025, vol. 18. DOI: 10.3389/fnins.2024.1415257.
  6. Ратнадурай Гиридхаран, С., Гупта, Д., Пал, А., Мишра, А. М., Хилл, Н.-Дж., Кармел, Дж. Б. Мотометрика: инструментарий для аннотирования и эффективного анализа вызванных моторных потенциалов // Границы нейроинформатики. 2019. Т. 13. DOI: 10.3389/fninf.2019.00008
    Ratnadurai Giridharan, S., Gupta, D., Pal, A., Mishra, A. M., Hill, N. J., Carmel, J. B. Motometrics: A toolbox for annotation and efficient analysis of motor evoked potentials. Frontiers in Neuroinformatics, 2019, vol. 13. DOI: 10.3389/fninf.2019.00008.
  7. Соуза, В. Х., Перес, А., Захариас, Л., Баффа, О. Signalhunter: программное обеспечение для анализа и визуализации электрофизиологических данных (версия v1.0.0) [Компьютерная программа]. Zenodo, 2018. DOI: 10.5281/zenodo.1326308
    Souza, V. H., Perez, A., Zacharias, L., Buffa, O. SignalHunter: Software for electrophysiological data analysis and visualization (v1.0.0). Zenodo, 2018. DOI: 10.5281/zenodo.1326308.
  8. Харкель, С., Бейнел, Л., Гайадер, Н., Маренда, С., Дэвид, О., Шовен, А. Cortextool: набор инструментов для обработки измерений возбудимости моторной коры головного мозга с помощью транскраниальной магнитной стимуляции. URL: https://hal.science/hal-01390016
    Harkel, S., Beynel, L., Gaydier, N., Marenda, S., David, O., Chauvin, A. Cortextool: A toolbox for processing motor cortex excitability measurements using transcranial magnetic stimulation. 2016. Available at: https://hal.science/hal-01390016.
  9. Шода, Дж., Видакович, М. Р., Лоринч, Дж., Джеркович, А., Вуйович, И. Новый алгоритм оценки латентности сигналов вызванного моторного потенциала // Труды IEEE. 2020. DOI: 10.1109/9235561
    Šoda, J., Vidaković, M. R., Lorincz, J., Jerković, A., Vujović, I. A novel algorithm for motor-evoked potential latency estimation. IEEE Proceedings, 2020. DOI: 10.1109/9235561.
  10. Эмерсон, Р. Г. (1998). Вызванные потенциалы в клинических исследованиях рассеянного склероза // Журнал клинической нейрофизиологии. Т. 15, № 2. С. 109–116. DOI: 10.1097/00004691-199803000-00003
    Emerson, R. G. Evoked potentials in clinical trials of multiple sclerosis. Journal of Clinical Neurophysiology, 1998, vol. 15, no. 2, pp. 109–116. DOI: 10.1097/00004691-199803000-00003.
  11. Васавани А., Шазер Н., Пармар Н. и др. Внимание — это все, что вам нужно // Advances in Neural Information Processing Systems 30 (NeurIPS 2017): Труды тридцатой ежегодной конференции. Лонг-Бич, 4–9 декабря 2017 г. 2017. С. 5998–6008. URL: https://papers.nips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf(дата обращения: 18.01.2026).
    Vaswani, A., Shazeer, N., Parmar, N., et al. (2017) Attention Is All You Need. Advances in Neural Information Processing Systems 30 Annual Conference on Neural Information Processing Systems 2017, Long Beach, 4-9 December 2017, 5998-6008 - References - Scientific Research Publishing, б. д.
  12. Кингма Д. П., Ба Дж. Adam: метод стохастической оптимизации // Препринт arXiv. 2014. arXiv:1412.6980. URL: https://arxiv.org/abs/1412.6980(дата обращения: 18.01.2026).
    Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. - Google Search, б. д.
  13. Васудеван Р. К., Зиятдинов М., Влчек Л. и др. Готового глубокого обучения недостаточно: требуется бережливость, байесовский подход и причинность // npj Computational Materials. 2021. Т. 7, № 16. https://doi.org/10.1038/s41524-020-00487-0
    Vasudevan, R.K., Ziatdinov, M., Vlcek, L. et al. Off-the-shelf deep learning is not enough, and requires parsimony, Bayesianity, and causality. npj Comput Mater 7, 16 (2021). https://doi.org/10.1038/s41524-020-00487-0
  14. Хуан Ш., Шао Х., Лю Ц., Лю У. В., Чжан Ц., Дэн Л., Лю Ц., Омар Д. М., Тан С. Количественная оценка повреждения спинного мозга при шейной спондилогенной миелопатии: сравнительное исследование методов MAGiC и MUSE-DTI // European Journal of Radiology. 2025. Т. 190, ст. 112214. https://doi.org/10.1016/j.ejrad.2025.112214
    Huang S, Shao H, Liu Q, Liu WV, Zhang Q, Deng L, Liu C, Omar DM, Tang X. Quantitative Assessment of Spinal Cord Injury in Cervical Spondylotic Myelopathy: A Comparison Study of MAGiC and MUSE-DTI. Eur J Radiol. 2025 Sep;190:112214. doi: 10.1016/j.ejrad.2025.112214. Epub 2025 Jun 4. PMID: 40482444.
  15. Сривастава Н., Хинтон Дж., Крижевски А., Суцкевер И., Салахутдинов Р. Dropout: простой способ предотвратить переобучение нейронных сетей // Journal of Machine Learning Research. Т. 15, вып. 56. С. 1929–1958. https://doi.org/10.5555/2627435.2670313
    Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: A Simple Way to Prevent Neural Networks from Overfitting // Journal of Machine Learning Research. 2014. Vol. 15, no. 56. P. 1929–1958.
  16. Румельхарт Д., Хинтон Дж., Уильямс Р. Обучение представлений методом обратного распространения ошибок // Nature. 1986. Т. 323, № 6088. С. 533–536. https://doi.org/10.1038/323533a0
    Rumelhart, D., Hinton, G. & Williams, R. Learning representations by back-propagating errors. Nature 323, 533–536 (1986). https://doi.org/10.1038/323533a0.
  17. Каруана Р. Многозадачное обучение // Machine Learning. 1997. Т. 28, № 1. С. 41–75. https://doi.org/10.1023/A:1007379606734
    Caruana, R. Multitask Learning. Machine Learning 28, 41–75 (1997). https://doi.org/10.1023/A:1007379606734
  18. Крижевски А., Суцкевер И., Хинтон Дж. Э. Классификация ImageNet с помощью глубоких сверточных нейронных сетей // Communications of the ACM. 2017. Т. 60, № 6. С. 84–90. https://doi.org/10.1145/3065386
    Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks // Communications of the ACM. 2017. Vol. 60, no. 6. P. 84–90.
  19. Стивенсон В. Л. Реабилитация на практике: ведение спастичности // Clinical Rehabilitation. 2010. Т. 24, № 4. С. 293–304. https://doi.org/10.1177/0269215509353254
    Stevenson V. L. Rehabilitation in Practice: Spasticity Management // Clinical Rehabilitation. 2010. Vol. 24, no. 4. P. 293–304. 
  20. Халлет М. Транскраниальная магнитная стимуляция и головной мозг человека // Nature. 2000. Т. 406, № 6792. С. 147–150. https://doi.org/10.1038/35018000
    Hallett, M. Transcranial magnetic stimulation and the human brain. Nature 406, 147–150 (2000). https://doi.org/10.1038/35018000.

Information About the Authors

Yousra Demigha, graduate student, National University of Science and Technology "MISIS", Master's student, Research Assistant, Transcranial Magnetic Stimulation (TMC) Laboratory, National Research University Higher School of Economics (HSE), Moscow, Russian Federation, ORCID: https://orcid.org/0009-0008-5563-7849, e-mail: demigha.yousra@mail.ru

Contribution of the authors

Yousra Demigha — collected and analyzed various existing studies on the topic and discussed the results.

Conflict of interest

The authors declare no conflict of interest.

Metrics

 Web Views

Whole time: 0
Previous month: 0
Current month: 0

 PDF Downloads

Whole time: 0
Previous month: 0
Current month: 0

 Total

Whole time: 0
Previous month: 0
Current month: 0