Development of classification methods for real-time seizure prediction

Abstract

In the last decades, the scientific community has made enormous efforts to understand the basic mechanisms underlying the generation of epileptic seizures. The analysis of the pre-ictal dynamics among different brain regions has been shown as an important source of information towards the understanding of the spatio-temporal mechanisms. This study, partially a contribution to the EPILEPSIAE project, aims the prediction of unforeseeable and uncontrollable epileptic seizures. Ultimately, the successful development of seizure prediction algorithms represents a fundamental step towards the creation of closed-loop intervention systems, which would improve the quality of life of epileptic patients. The first part of this study aims the development of a patient-specific seizure prediction algorithm based on machine learning with high sensitivity and low false positives rate. The dynamical changes of the brain activity are analyzed using a high dimensional feature set obtained from both scalp and intracranial multichannel electroencephalogram (EEG). The features represent low complexity measures, implementable in real-time scenarios and the classification was performed using cost sensitive support vector machines (SVM). The proposed method was tested in 216 patients of the multicenter EPILEPSIAE database and presented statistical significant results for a small group of patients. We have also analyzed different optimization strategies such as feature selection, feature reduction (classical multidimensional scaling) and post-processing (moving average filter and Kalman filter) in order to improve the results. We addressed the characterization of the EEG spatio-temporal patterns and the classification of specific brain states. The method proposed, based on the segmentation of topographic maps and on a statistical framework (hidden Markov models), shows promising results for the identification of a pre-ictal stage. Lastly, we present a novel approach to characterize the pre-ictal period using multi-way models. Using the PARAFAC model, the EEG data is decomposed in rank-one tensors. It is hypothesized that one of the components represents variations related to the pre-ictal period. Using the high-order data representation, we have also proposed a method to detect the variability of the data using incremental tensor analysis. The conclusions of this study sustain the hypothesis that epileptic seizures (of a group of patient) are predictable. Concerning the methodologies proposed to analyze the space-time-frequency domain, we hope that the suggested approaches point towards new directions in the field of research of seizure prediction.

Nas últimas décadas, a comunidade científica tem vindo a desenvolver grandes esforços no sentido de compreender os mecanismos básicos responsáveis pelo desencadeamento de crises epilépticas. A análise da dinâmica entre diferentes regiões do cérebro humano mostrou que esta pode ser uma importante fonte de informação para explicar a génese das crises. Enquadrado no projeto europeu EPILEPSIAE, este estudo visa o desenvolvimento de um algoritmo de previsão de crises epilépticas cujo sucesso representaria um passo fundamental na criação de sistemas de intervenção malha fechada e uma melhoria da qualidade de vida dos doentes com epilepsia. O trabalho de investigação permitiu, numa primeira fase, o desenvolvimento de um algoritmo específico para cada paciente baseado em métodos de aprendizagem computacional com elevada sensibilidade e baixa taxa de falsos alarmes. As variações da dinâmica cerebral de cada paciente são analisadas através de um conjunto de características calculadas através de electroencefalografia (EEG) multicanal de escalpe ou intracraniano. Estas características representam medidas de relativa pouca complexidade, facilmente implementáveis em temporeal. A classificação é realizada através de máquinas de vectores de suporte com custo assimétrico. A metodologia proposta foi testada num conjunto de 216 pacientes pertencentes a diferentes centros de epilepsia (da base de dados europeia EPILEPSIAE) apresentando resultados de previsão estatisticamente significativos para um reduzido número de pacientes. Posteriormente analisamos o impacto de métodos de seleção de características, redução de características e estratégias de regularização da saída dos classificadores (aplicando os filtros de média móvel e de Kalman) tendo em vista a melhoria dos resultados obtidos. A caracterização dos padrões espaço-temporais do sinal EEG e a classificação dos estados cerebrais relacionados com a epilepsia foi um dos procedimentos metodológicos usados. Baseado na segmentação dos mapas topográficos e no modelo estatístico modelo escondido de Markov, o método proposto demonstra resultados promissores na identificação e caracterização do estado pré-ictal. Por fim, apresentamos uma nova metodologia para a caracterização do período pré-ictal usando tensores de 3ª ordem. Usando o modelo de decomposição PARAFAC, as componentes espaço, tempo e frequência do sinal EEG são decompostas em bases de vectores no espaço tridimensional. Hipotetizamos que uma das bases tridimensionais resultantes representa as variações relacionadas com os processos pré-ictais. Usando a representação tridimensional dos dados (espaço, tempo e características do sinal EEG), propomos um método que permite identificar variações na estrutura de dados. As conclusões deste estudo sustentam, a nosso ver, a hipótese de que as crises epilépticas (de um determinado número) de pacientes com epilepsia podem ser previstas. Relativamente às metodologias de análise espaço-temporais, expectamos que a abordagens metodológica apresentada aponte para novas direções no estudo de previsão de crises epiléticas.