EEG Epilepsy Seizure Prediction: the Post-Processing Stage as a Chronology

Abstract

A possibilidade de prever crises é um aspeto encorajador para os 30% dos doentes epiléticos que não podem ser tratados nem com medicamentos anticonvulsivos nem através de procedimentos cirúrgicos. De forma a melhorar a qualidade de vida destes indivíduos podem ser criados algoritmos para incorporar dispositivos de aviso na eminência de uma crise ou para integrar sistemas que desarmam um ataque, por exemplo através de eletroestimulação cerebral. Tais algoritmos são baseados na identificação do período pré-ictal, caracterizado por ser um estado de transição entre a atividade cerebral normal e a crise.Embora já existam muitos estudos de previsão com diferentes abordagens baseadas no Eletroencefalograma (EEG), nenhum atingiu a aplicabilidade clínica, sendo poucos aqueles que foram implementados em dispositivos médicos. Para além disso, os algoritmos que mais potencial apresentam levam a sistemas de caixa-negra, não estando os médicos dispostos a tomar decisões de alto risco a partir deles.O presente trabalho propõe o desenvolvimento de um algoritmo de previsão de crises específico para cada doente, utilizando técnicas de pós-processamento para explorar, dentro do período pré-ictal, a existência de um conjunto de eventos cronológicos de atividade cerebral. Esta complexidade temporal pode ser estudada diretamente através de abordagens de Aprendizagem Profunda, penalizando a interpretabilidade. A metodologia proposta combina um conjunto de features lineares univariadas com um classificador baseado em Máquinas de Vetores de Suporte (SVM) e técnicas de pós-processamento, de forma a gerar alarmes antes dos ataques. O estudo foi realizado em 36 doentes com Epilepsia do Lobo Temporal (TLE) da base de dados EPILEPSIAE e consistiu no desenvolvimento de duas abordagens diferentes de pós-processamento assentes no conceito de temporalidade. Foi testado um total de 106 crises num total de 1533.8 horas de dados. O desempenho de cada método foi apresentado para um conjunto de valores de Período de Ocorrência da Crise (SOP). A melhor performance foi alcançada para um SOP de 10 minutos. Apesar da significância estatística alcançada ser de 69% (25 de 36 pacientes), estudos futuros devem investigar a Taxa de Falsos Positivos por Hora (FPR/h) máxima para cada estratégia de intervenção, a fim de avaliar a aplicabilidade desta metodologia.

The possibility of predicting seizures is an encouraging aspect for the 30% of epileptic patients who cannot be treated either with anticonvulsant drugs or through surgical procedures. In order to improve the quality of life of these individuals, algorithms can be created to incorporate warning devices when a seizure is imminent or to integrate systems that disarm a seizure, for example through cerebral electrostimulation. Such algorithms are based on the identification of the pre-ictal period, characterized by being a state of transition between normal brain activity and the seizure.Although there are already many predictive studies with different approaches based on the Electroencephalogram (EEG), none have achieved clinical applicability, with few being implemented in medical devices. In addition, the algorithms that have the most potential lead to black-box systems and physicians are not willing to make high-risk decisions from them.The present work proposes the development of a patient-specific seizure prediction algorithm using post-processing techniques to explore, within the pre-ictal period, the existence of a set of chronological events of brain activity. This temporal complexity can be studied directly through Deep Learning approaches, penalizing interpretability. The proposed methodology combines a set of univariate linear features with a classifier based on Support Vector Machines (SVM) and post-processing techniques, to generate alarms before seizures.The study was carried out in 36 patients with Temporal Lobe Epilepsy (TLE) from the EPILEPSIAE database and consisted of the development of two different post-processing approaches based on the concept of temporality. A total of 106 seizures were tested, comprising a total of 1533.8 hours. The performance of each method was presented for a set of Seizure Occurrence Period (SOP) values. The best performance was achieved for a 10-minute SOP. Despite having obtained a statistical significance of 69% (25 in 36 patients), future studies must investigate the maximum False Positive Rate per Hour (FPR/h) for each intervention strategy, to assess the applicability of this methodology.