Towards the characterisation of the preictal state using neuro-cardiovascular information and unsupervised learning

Abstract

Durante muitos anos, a maior fonte de informação acerca alterações pré-crise foi a electroencefalografia (EEG). Os modelos de previsão comuns visam distinguir actividade cerebral do estado interictal, de padrões do estado preictal. Dado que não existe uma definição clínica do intervalo preictal, estes modelos são tipicamente desenvolvidos usando um intervalo preictal fixo artificialmente definido. Estudos recentes reportam a seleccão de um intervalo preictal de entre um conjunto de intervalos fixos de acordo com o desempenho de previsão. Os resultados mostram uma grande variabilidade do intervalo preictal entre doentes e entre crises anotadas para o mesmo doente, evidenciando a heterogeneidade do processo de geração de crises epilépticas. Assim, treinar modelos de previsão de crises usando a informação correcta acerca do início do intervalo preictal evitaria assumir a existência de um intervalo fixo para todas as crises e doentes. Esta informação pode ser explorada usando métodos de aprendizagem não-supervisionada aplicados a cada crise.Padrões pre-crise foram também observados em sinais não-neurológicos como é o caso da electrocardiografia (ECG). Ao potencial valor de previsão destes biosinais, acrescenta o conforto da sua aquisição em ambulatório. Actualmente estão a ser desenvolvidos dispositivos de monitorização vestíveis com base em alterações pre-crise detectadas em parâmetros cardíacos, incluindo ritmo cardíaco e variabilidade do ritmo cardíaco (acrónimo em inglês HRV).O problema da identificação do intervalo preictal em dados neuro-cardiovasculares foi abordado com recurso aos métodos de aprendizagem não-supervisionada. Os dados analisados nesta tese foram adquiridos durante a fase de avaliação pré-cirúrgica de 41 doentes com epilepsia refractária do lobo temporal. Este conjunto de dados, proveniente da base de dados EPILEPSIAE, contém sinais de EEG de escalpe e ECG adquiridos em simultâneo.A primeira contribuição desta tese consistiu na análise da HRV com vista à avaliação da respectiva capacidade de identificação do intervalo preictal. Extraiu-se informação que caracteriza a dinâmica linear e não-linear dos sinais de HRV. Métodos não-supervisionados foram aplicados aos dados de cada crise. Assumiu-se que os padrões de preictal iriam ocorrer predominantemente nas duas horas que precedem o início da crise. O estado preictal, identificado em 90% dos doentes e 41% das crises, ocorreu 62.7±36.7 minutos antes do início da crise e durou 14.2±18.8 minutos.Na segunda contribuição, características univariadas, lineares e não-lineares, assim como características multivariadas foram extraídas dos sinais de EEG de escalpe. Um método de redução da dimensionalidade foi aplicado aos dados de cada crise, seguido da identificação do intervalo preictal com métodos não-supervisionados. Os padrões de preictal, identificados em 90% dos doentes e 51% das crises, manifestaram-se de forma distinta entre crises, com grande variabilidade em termos de duração (22.9±21.0 minutos) e localização antes do início da crise (47.6±27.3 minutos). A análise das características univariadas lineares revelou a existência de vários grupos de amostras ao longo das 4.5 horas de dados analisadas para cada crise, sugerindo uma dinâmica de multi-estados.A última contribuição consistiu na avaliação do impacto do uso das anotações dos intervalos preictais (obtidas nas contribuições anteriores) no desempenho de previsão de modelos desenvolvidos com base em dados de EEG e HRV, separadamente. Os modelos de previsão baseados em EEG e HRV foram comparados com modelos de controlo homólogos em que o preictal é seleccionado de acordo com o desempenho. Os resultados mostram que usar anotações de preictal, específicas à crise, aumentou o número de doentes com desempenho de previsão estatisticamente significativo, em ambas as modalidades. A sensibilidade e a taxa de falsos alarmes por hora também melhoraram. Por último, os modelos baseados em EEG mostraram significância estatística para um maior número de doentes, comparando com os modelos baseados em HRV. Após comparar o desempenho dos quatro modelos dois a dois, não se encontraram diferenças estatisticamente significativas.A procura de padrões preictais usando métodos não-supervisionados em dados de EEG e ECG demonstrou ser possível identificar um estado preictal, específico à crise, em alguns doentes e em algumas crises registadas para o mesmo doente. O uso desta informação, quando disponível, dispensa a definição de um intervalo preictal fixo durante o desenvolvimento de modelos de previsão, podendo melhorar o desempenho dos mesmos. Os resultados também incentivam o desenvolvimento de modelos de previsão com base na actividade cardíaca. Dispositivos de monitorização vestíveis que integrem tais modelos surgem como alternativas não-invasivas que permitem a monitorização de crises epilépticas de forma menos aparatosa e passível de ser usada no dia-a-dia dos doentes.

Pre-seizure alterations have been long captured in the electroencephalography (EEG) trace. Typical seizure prediction models aim at discriminating interictal brain activity from pre-seizure patterns. The lack of a preictal clinical definition implicitly imposes an imprecision that is the artificial consideration of a fixed interval in the vast majority of studies. Recent studies reporting preictal interval selection among a range of fixed intervals show inter- and intra-patient preictal variability, reflecting the heterogeneity of the seizure generation process. Obtaining accurate labels of the preictal interval can be used to train supervised prediction models and, hence, avoid assuming a fixed preictal interval for all seizures within the same patient. Unsupervised learning methods hold great promise for exploring preictal alterations on a seizure-specific scale.Additionally, pre-seizure patterns were also observed in non-neurological biosignals, such as electrocardiography (ECG). The potential prediction value stemming from these signals is further heightened by the comfort of their ambulatory collection. Wearable devices based on preictal changes in cardiac parameters, including heart rate and heart rate variability (HRV), are some of the focuses of current research. The problem of the preictal identification on brain-heart data was here addressed using unsupervised learning methods. The data were collected from a group of 41 patients with drug-resistant temporal lobe epilepsy undergoing presurgical evaluation. This dataset, provided by the EPILEPSIAE database, comprised scalp EEG and ECG signals acquired simultaneously.This thesis's first contribution consisted of exploring HRV to investigate the discriminative power of its features in identifying the preictal interval. Information characterising the linear and nonlinear dynamics of the HRV signals was analysed. Unsupervised learning methods were applied to each seizure in the HRV feature dataset. Preictal patterns were assumed to manifest predominantly in the two hours before seizure EEG onset. Distinguishable preictal behaviour was identified in 90% of the patients and 41% of the seizures. The preictal intervals occurred 62.7±36.7 minutes before seizure onset and lasted for 14.2±18.8 minutes.In the second contribution, multivariate and univariate linear and nonlinear features were extracted from scalp EEG signals. Nonlinear dimensionality reduction was performed for each group of features and each seizure. Similarly to the previous contribution, different clustering methods were applied in searching for preictal clusters. Preictal patterns were identified in 90% of the patients and 51% of the inspected seizures. The preictal clusters manifested a seizure-specific profile with varying duration (22.9±21.0 minutes) and starting time before seizure onset (47.6±27.3$ minutes). Analysis of the reduced univariate linear features evidenced the existence of multiple clusters across the analysed 4.5 hours of data before the seizure onset, suggesting the presence of multistate dynamics.The last contribution consisted of evaluating the impact of using preictal interval information from the first two contributions on the performance of prediction models developed for EEG and HRV separately. Performance of the EEG- and HRV-based models were compared to the homologous control seizure prediction models that use only grid-search to define preictal intervals. Results showed that using seizure-specific preictal labels increased the number of patients with performance above chance level, for both modalities. Seizure sensitivity and false positive rate per hour also improved with this information. Lastly, EEG-based models achieved above chance performance in more patients, when compared to HRV-based models. It is worth noting that the pairwise differences among the performance measures for all four models were not statistically significant. Searching for preictal patterns on both the EEG and the ECG traces using unsupervised methods showed that it is possible to identify seizure-specific preictal signatures for some patients and some seizures within the same patient. Using this information, when available, avoids the need to assume a fixed preictal interval in seizure prediction models and might improve prediction performance. Findings also encourage the development of cardiac-based prediction wearable devices that provide a less cumbersome option for seizure monitoring and control in day-to-day settings.