Unsupervised Preictal Estimation Based on Dimensionality Reduction using Deep Learning

Abstract

About 21 million people suffer from \gls{DRE}, meaning that for this cohort there are no \glspl{AED} that can suppress their seizures. An alternative for them would be seizure prediction, to alert them enough time in advance so they can take preventive measures. The most important step to properly predict a seizure is to determine the preictal period, in which the brain transitionsfrom a normal state to a pre-seizure state. Recent studies have highlighted the inter- and intra-patient preictal variability, indicating the heterogeneity of the seizure generation process. Despite numerous approaches based on the \gls{EEG} signal, many of them lack sufficient generalization capability, which limits their real-world applicability. In recent times, \gls{DL} methods have been adopted, and they achieve a better performance compared to traditional classifiers. The selection of accurate preictal intervals, obtained through unsupervised learning, has demonstrated the potential to train supervised prediction models, avoiding the assumption of a fixed preictal interval for all seizures within the same patient. Unsupervised learning methods also offer promising ways for exploring preictal alterations on a seizure-specific scale, providing valuable insights into the dynamic nature of seizures.In this study, the goal is to estimate the preictal period, which precedes the seizure onset using unsupervised methods. The data were collected from a group of 41 patients with drug-resistant temporal lobe epilepsy undergoing pre-surgical evaluation. From the EPILEPSIAE database, 227 seizures were analyzed. The chosen approach consisted of the use of a deep autoencoder to reduce the dimensionality of \gls{EEG} data signals. Subsequently, clustering methods were applied and the preictal was assessed. This study is particularly relevant since the entire pipeline was unsupervised and automatic.It was possible to assess the preictal period in 25\% of them, which corresponds to 68\% of the patients. The duration of this interval varies for seizures either among patients or within the same patient. The preictal clusters manifested a seizure-specific profile with varying duration (58.63 ± 36.87 minutes) and starting time before seizure onset (69.67 ± 35.83 minutes). The results demonstrate the potential of applying clustering methods to \gls{EEG} signals and may enable further studies concerning the assessment of the use of preictal seizure-specific knowledge in seizure prediction models.

Estima-se que 21 milhões de pessoas sofram de Epilepsia Resistente aos Medicamentos (ERD), o que significa que para este grupo não existem medicamentos antiepilépticos capazes de suprimir as suas crises. Uma boa alternativa para eles seria a previsão de crises, para os alertar com tempo suficiente para que possam tomar medidas preventivas. O passo mais importante para prever corretamente uma crise é determinar o período pré-ictal, no qual o cérebro transita de um estado normal para um estado pré-convulsivo.Estudos recentes têm destacado a variabilidade pré-ictal inter- e intra-paciente, indicando a heterogeneidade do processo de geração das crises. Apesar das numerosas abordagens baseadas no sinal do eletroencefalograma (EEG), muitas delas não têm capacidade de generalização suficiente, o que limita a sua aplicabilidade no mundo real. Nos recentemente, foram adoptados métodos de aprendizagem profunda (Deep Learning - DL), que alcançam bom desempenho em comparação com os classificadores tradicionais. A seleção de intervalos pré-ictais precisos, obtidos através de aprendizagem não supervisionada, demonstrou o potencial para treinar modelos de previsão supervisionados, evitando o pressuposto de um intervalo pré-ictal fixo para todas as crises num mesmo doente. Os métodos de aprendizagem não supervisionada também oferecem formas promissoras de explorar as alterações pré-ictais numa escala específica das crises, fornecendo informações valiosas sobre a natureza dinâmica das crises.Neste estudo, o objetivo é estimar o período pré-ictal, que precede o início da crise, utilizando métodos não supervisionados. Os dados foram recolhidos de um grupo de 41 doentes com epilepsia do lobo temporal resistente a fármacos, submetidos a avaliação pré-cirúrgica. A partir da base de dados EPILEPSIAE, foram analisadas 227 crises. A abordagem escolhida consistiu na utilização de um deep autoencoder para reduzir a dimensionalidade dos dados do EEG, sem nenhuma extração de features. Posteriormente, foram aplicados métodos de clustering e o pré-ictal foi avaliado. Este estudo é particularmente relevante, uma vez que o processo inteiro foi não supervisionado e automático.Foi possível avaliar o período pré-ictal em 25\% das crises, o que corresponde a 68\% dos pacientes. A duração deste intervalo varia consoante as crises, quer entre doentes, quer dentro do mesmo doente. Os clusters pré-ictais manifestaram um perfil específico para cada crise, com duração média de 58,63 ± 36,87 minutos e tempo de início antes da crise de 69,67 ± 35,83 minutos. Os resultados demonstram o potencial da aplicação de métodos de clustering a sinais de EEG e podem permitir estudos adicionais relativos à avaliação da utilização de conhecimentos específicos de crises pré-ictais em modelos de previsão de crises.