Seizure prediction based on Long Short Term Memory Networks

Abstract

A epilepsia é uma doença neurológica que afeta milhões de pessoas em todo o mundo. Cerca de um terço delas é farmaco-resistente e não podem ser submetidas a cirurgia; sua doença é chamada de epilepsia refratária, e uma crise pode acontecer a qualquer momento, em qualquer lugar. Esses pacientes refratários poderiam beneficiar de dispositivos de previsão de crises, mas os métodos atuais para a previsão de crises não são suficientemente bons para aplicações clínicas. Apresentamos e avaliamos a capacidade de dois tipos de arquiteturas de redes neurais artificiais para previsão crises a partir de caracteristícas extraídas de registos eletroencefalograma (EEG): Long Short Term Memory (LSTM) e Convolutional Long Short Term Memory (C-LSTM). Para demonstrar a utilidade clínica dos nossos modelos, eles são avaliados usando dados EEG extensos e contínuos. O estudo considera 105 pacientes da European Epilepsy Database, 87 com registos EEG no couro cabeludo e 18 com registos invasivos. Os dados incluem: 1087 crises, das quais 203 são utilizadas para avaliação out-of-sample e uma duração total de gravação de 19959 horas, das quais 3991 horas são usadas para avaliação out-of-sample. Nós extraímos do sinal EEG 22 características univariadas baseadas em janelas de 5 segundos.Para todos os pacientes, com registo no couro cabeludo e invasivo, nossos modelos LSTM alcançaram uma sensibilidade média de 29.28% e um FPR médio de 0.58/h. Eles previram corretamente 52 de 203 (25.62%) crises, no conjunto de teste. Observa-se que para 5 dos 105 pacientes (4.8%) foi alcançado um desempenho ótimo com sensibilidade >= 50% e FPR <= 0.1/h. Desempenho perfeito com 100% de sensibilidade e 0/h FPR foi alcançado para 2 (1.9%) pacientes.Para todos os pacientes, com registo no couro cabeludo e invasivo, nossos modelos C-LSTM alcançaram uma sensibilidade média de 28.17% e um FPR médio de 0.64/h. Eles previram corretamente 54 de 203 (26.60%) crises, no conjunto de teste. Observa-se que para 2 dos 105 pacientes (1.9%) foi alcançado um desempenho ótimo com sensibilidade > = 50% e FPR <= 0.15/h foi alcançado.Desempenho perfeito com 100% de sensibilidade e 0/h FPR foi alcançado para 0 (0,0%) pacientes.Os resultados não foram satisfatórios, obtivemos piores resultados ao comprar com um estudo usando a mesma base de dados, mas baseado em Support Vector Machines (SVMs). Dado que, em teoria, as LSTMs são um modelo melhor que as SVMs quando dados sequenciais são considerados, esperávamos o contrário.No futuro, esperamos experimentar co sinal EEG bruto. Esperamos que as LSTMs possam capturar melhores dependências temporais a partir sinal bruto, uma vez que compactar 5 segundos de informação em um único valor leva a uma grande perda de informações. Também será considerada uma melhor abordagem de selecionamento de dados de treinamento, de forma a abranger um ciclo diurno/noturno completo para capturar melhor as variações do sinal ao longo do dia.

Epilepsy is a neurological disease affecting millions of people worldwide. About one third of them are pharmaco-resistant and cannot be submitted to surgery; their disease is called refractory epilepsy, and a seizure can happen any time, anywhere. These refractory patients would benefit from seizure prediction devices, but the current methods for seizure prediction are not good enough for clinical applications. We present and evaluate the capacity of two types of deep artificial neural networks architectures to learn how to predict seizures with data extracted from electroencephalogram (EEG): Long Short Term Memory (LSTM) and Convolutional Long Short Term Memory (C-LSTM). To demonstrate clinical usefulness of our models, they are evaluated using long and continuous out of sample records. The study considers 105 patients from the European Epilepsy Database, 87 with scalp recordings and 18 with invasive recordings. The data includes: 1087 seizures, from which 203 are used for out-of-sample evaluation, and a total recording duration of 19959 hours, from which 3991 hours are used for out-of-sample evaluation. We extracted 22 univariate features based on 5 second windows from the EEG signal.For all patients, scalp and invasive, our LSTM models achieved an average sensitivity of 29.28% and an average FPR of 0.58/h. We predicted 52 out of 203 (25.62%) seizures on the testing set. It is observed that for 5 out of 105 (4.8%) patients, optimal test performance with sensitivity >= 50% and FPR <= 0.15/h was achieved. Perfect performance with 100% sensitivity and 0/h FPR was achieved for 2 (1.9%) patients.For all patients, scalp and invasive, our C-LSTM models achieved an average sensitivity of 28.17% and an average FPR of 0.64/h. We predicted 54 out of 203 (26.60%) seizures on the testing set. It is observed that for 2 out of 105(1.9%) patients, optimal test performance with sensitivity >= 50% and FPR <= 0.15/h was achieved. Perfect performance with 100% sensitivity and 0/h FPR was achieved for 0 (0.0%) patients.The results were not satisfactory, we achieved worse results when making a comparison with a study using the same database but based on support vector machines (SVMs). Given that, in theory, the LSTMs are a method expected to perform better than the SVMs when sequential data is involved, we were expecting the opposite.In the future we expect to experiment with raw EEG signal. We expect that the LSTMs will be able to capture better temporal dependencies on raw signal, since compacting 5 seconds of information into a single value leads to a great loss on information. A better approach for selecting training data, in a way that it covers a full day/night cycle to better capture intra day variations, will also be considered.