Towards Adaptive Seizure Prediction using Automatic Electroencephalogram Denoising and Deep Learning Approaches

Abstract

A previsão de crises tem como objetivo antecipar eventos raros conhecidos como crises epilépticas. O estado da arte é baseado em eletroencefalogramas (EEGs) e apresenta vários desafios. Primeiramente, a aquisição de longo termo leva a vários artefactos ruidosos, que devem ser reduzidos. Devido ao vasto conjunto de dados, esta redução deve ser automática. Em segundo lugar, o risco de crise varia ao longo do tempo. Os modelos de previsão de crises devem ser capazes de se ajustar a novas distribuições de dados. Por fim, segundo a literatura, os modelos devem ser específicos a cada doente, limitando a otimização dos mesmos, particularmente no caso das redes neuronais de aprendizagem profunda (DNNs), que requerem muitas amostras. Transfer learning surge como uma solução permitindo a exploração de diversas crises de múltiplos doentes mantendo o requisito do treino personalizado. O objetivo da tese é contribuir para o avanço de modelos adaptativos de previsão de crises usando DNNs. A investigação concentrou-se na redução automática do ruído em EEGs, na adaptação dos modelos de previsão ao longo do tempo e no uso de transfer learning para otimizar os modelos baseados em DNNs. Esta tese compreende três contribuições. A primeira contribuição é um conjunto de dados com EEGs com ruído reduzido. Para criar estes dados, foi desenvolvido um algoritmo de remoção de artefactos com uma parte automática e uma manual. A parte automática remove erros experimentais, enquanto a parte manual consiste em decompor os EEGs usando a análise independente de componentes (ICA), inspecionar visualmente e remover fontes não relacionadas com o cérebro. Os dados foram obtidos de doentes com epilepsia da base de dados EPILEPSIAE. O conjunto de dados pré-processado contém 612,88 horas com 77.426 componentes independentes (ICs) e está disponível publicamente. A segunda contribuição envolve o desenvolvimento de modelos de remoção de artefactos de EEGs baseados em DNNs, compreendendo um modelo de reconstrução de EEG e um classificador de ICs. O modelo de reconstrução de EEG, baseado em redes neuronais convolucionais de aprendizagem profunda, remove efetivamente o ruído de dezanove canais de EEG, alcançando uma raíz do erro médio quadrático (RMSE) de 4,83 uV, uma RMSE relativa de 0,52, um coeficiente de correlação de Pearson de 0,86 e uma diferença da relação sinal-ruído de 8,81. O baixo tempo computacional (0,29 segundos para reconstruir 10 minutos de dados) possibilita o seu uso em cenários quase em tempo real, como em sistemas de alerta de crises. O classificador de ICs incorpora informação espetral, espacial e temporal das ICs. Foram usados os dados preparados na primeira contribuição e um conjunto de dados externo, contendo ICs adquiridos em ambientes controlados. Ao aplicar ambos os conjuntos, observou-se que a informação temporal é decisiva. O uso exclusivo das séries temporais produz resultados comparáveis ao uso de informação espetral e espacial. Uma abordagem de transfer learning melhorou o desempenho, aumentando a média geométrica entre sensibilidade e especificidade de 92,98% para 94,18%. Apesar dos resultados obtidos, a implementação em tempo real continua desafiadora devido à complexidade do ICA. A terceira contribuição envolve o ajuste de modelos de previsão de crises. Foi estudado o impacto da redução de ruído de EEGs e da adaptação dos modelos ao longo do tempo para possíveis mudanças de conceito. Foram desenvolvidos modelos usando redes neuronais artificiais (ANNs) com features extraídas manualmente e DNNs usando janelas de EEG como input. A redução de ruído e o ajuste dos modelos após cada nova crise melhoraram o desempenho destes, embora sem significância estatística. Ao comparar a complexidade do modelo, as DNNs previram metade das crises previstas pelas ANNs, apresentando um rácio de falsos positivos por hora (FPR/h) médio cerca de três vezes inferior. Em seguida, foi desenvolvida uma abordagem de transfer learning, usando um autoencoder convolucional profundo treinado com dados de EEG de 41 doentes da base de dados EPILEPSIAE. Os pesos aprendidos foram transferidos para uma DNN utilizada como base do modelo de previsão. A esta DNN foram adicionadas uma camada long short-term memory bidirecional e um classificador. Esta DNN foi personalizada para 24 doentes do Centro de Epilepsia de Universitätsklinikum Freiburg. Os resultados mostraram que o pré-treino das camadas convolucionais reduziu significativamente a FPR/h mantendo a capacidade da previsão de crises. A exploração da redução automática de ruído, reaprendizagem temporal, complexidade do modelo e transfer learning usando doentes de outra base de dados evidenciou que vários detalhes ainda precisam ser aprimorados antes de obter modelos de previsão de crises robustos. Os investigadores devem continuar a pesquisar para obter melhores abordagens, dado que a inovação dos modelos de previsão pode potencialmente transformar a perceção da epilepsia.

Seizure prediction aims to anticipate rare events known as epileptic seizures. State of the art methods are based on electroencephalograms (EEGs) and present several challenges. Firstly, long-term acquisition leads to several noisy artefacts, which must be reduced. Due to the large amount of data, this reduction must be automatically performed. Secondly, seizure risk varies over time. Seizure prediction models should be able to adjust themselves to adapt to new data distributions. Lastly, according to the literature, models must be patient-specific, limiting their optimisation, particularly for deep neural networks (DNNs) that require many samples to achieve peak performance. Transfer learning emerges as a solution, enabling the exploration of diverse seizures from multiple patients while maintaining the patient-specific optimisation requirement. The thesis aims to advance adaptive seizure prediction models using DNNs. Research focused on denoising EEGs automatically, adapting prediction models over time, and using transfer learning to optimise DNN-based models. This thesis comprises three main contributions. The first contribution is a dataset with denoised EEGs. To create this dataset, an artefact removal algorithm that incorporates automatic and manual parts was built. The automatic part removes experimental errors, while the manual part consists in decomposing the EEGs using independent component analysis (ICA), visually inspecting and removing the non-brain related sources. Data were obtained from patients with epilepsy available in the EPILEPSIAE database. The preprocessed dataset contains 612.88 hours of data with 77,426 independent components (ICs) and is publicly available. The second contribution involves the development of deep learning-based EEG artefact removal models, comprising an EEG reconstruction model and an IC classifier. The EEG reconstruction model, based on a deep convolutional neural network (DCNN), effectively removed noise from nineteen EEG channels, achieving a root mean squared error (RMSE) of 4.83 uV, a relative root mean squared error (RRMSE) of 0.52, a Pearson correlation coefficient (PCC) of 0.86, and a signal-to-noise (SNR) difference of 8.81. Its low computational time (0.29 seconds to reconstruct 10 minutes of data) makes it possible to use it in quasi-real-time scenarios, e.g., in seizure prediction warning systems. The IC classifier incorporates spectral, spatial, and temporal information of ICs. The dataset prepared in the first contribution and an external dataset, containing ICs obtained from controlled acquisition environments, were used. Applying both datasets, it was found that temporal information is crucial. Exclusively using time series yields comparable results to using both spectral and spatial information. A transfer learning approach further enhanced performance, increasing the geometric mean between sensitivity and specificity from 92.98% to 94.18%. Despite the obtained results, real-time deployment remains challenging due to the computational time required by the ICA. The third contribution involves tuning seizure prediction models. The impact of denoising EEGs and adapting models over time to possible concept drifts were studied. Models using artificial neural networks (ANNs) with handcrafted features and DNNs using EEG time series as input were developed. Denoising data and retraining models after each new seizure improved performance, though without statistical significance. Comparing model complexity, DNNs predicted half the seizures predicted by the feature-based models while presenting an average false prediction rate per hour (FPR/h) about three times lower. A transfer learning approach was then developed, using a deep convolutional autoencoder (DCAE) trained on EEG data from 41 patients from the EPILEPSIAE database. Its weights were transferred to a DNN used as the basis of the seizure prediction model, and a bidirectional long short-term memory layer and a classifier layer were added. It was personalised for 24 patients from the Epilepsy Center of the Universitätsklinikum Freiburg. Results showed that pretraining the convolutional layers significantly reduced false alarms while maintaining the seizure prediction ability. The exploration of automatic denoising, temporal retraining, model complexity, and transfer learning using patients from another database evidenced that several details still need to be improved before obtaining robust seizure prediction models. Researchers must continue studying to obtain better approaches because the breakthrough of seizure prediction models can potentially transform the perception of epilepsy within society.