Sleep-Awake Cycle Evaluation from Long-term EEG Data: Assessing the Impact in Epilepsy Seizure Prediction

Abstract

Approximately 30% of epileptic patients are unable to achieve seizure control through antiepileptic drug administration or surgical procedures.Seizure prediction is a promising approach to improve their quality of life due to its applicability in warning or intervention systems.These systems would attempt to prevent the occurrence of seizures or, at least, reduce their side effects.A core aspect for this research field is the identification of the preictal period, which represents the transition from normal brain activity to a seizure.Although this field has been moving forward over the years, current electroencephalogram seizure prediction algorithms fail to attain real-life applicability.Although recent findings show that the circadian cycle holds great interest in seizure dynamics, and that neglecting this information may severely affect the performance of prediction algorithms, few studies have addressed this topic.The present study aimed to ascertain the impact of the incorporation of vigilance states (sleep/wakefulness) in seizure prediction.Considering 33 patients with nocturnal frontal lobe epilepsy from the CAP Sleep database, a subject-independent sleep-awake classifier was developed and achieved satisfactory results (0.94±0.01 for sensitivity and 0.93±0.03 for specificity).According to the vigilance states of 17 drug-resistant epilepsy patients from the EPILEPSIAE database obtained through the sleep-awake model, four different patient-specific seizure prediction approaches were proposed with a 5-minute seizure prediction horizon.The best performing approach considered the transitions between vigilance states in the post-processing phase, which led to results of 0.54±0.36 for sensitivity and of 4.96±11.40 for the false positive rate per hour, with an average seizure occurrence period of 31 minutes.Despite statistically validating 71% of patients, the maximum false positive rate acceptable for each intervention system must be investigated in order to ascertain the applicability of the present study.

Aproximadamente 30% dos doentes epilépticos são incapazes de atingir o controlo de crises através da administração de medicamentos antiepilépticos ou de procedimentos cirúrgicos.A previsão de crises é uma abordagem promissora para melhorar a qualidade de vida destes doentes devido à sua aplicabilidade em sistemas de aviso ou de intervenção.Estes sistemas pretendem prevenir a ocorrência de crises ou, pelo menos, reduzir os efeitos colaterais.Um aspeto fucral para este campo de investigação é a identificação do período pré-ictal, que representa a transição de uma atividade cerebral normal para uma crise.Apesar da evolução ao longo dos anos e com base no electroencefalograma, os algoritmos de previsão de crises existentes não conseguem atingir aplicabilidade clínica.Embora negligenciar a informação dos estados dormir/acordado possa afetar negativamente a performance desses algoritmos, e apesar de ser sabido que os ciclos circadianos influenciam significativamente a ocorrência de crises, apenas alguns estudos tiveram em conta este problema.O presente estudo pretende averiguar o impacto da incorporação dos estados de vigilância (dormir/acordado) na previsão de crises.Considerando 33 doentes com epilepsia nocturna do lobo frontal da base de dados CAP Sleep, um classificador de sono foi desenvolvido e atingiu resultados satisfatórios (0.94±0.01 de sensibilidade e 0.93±0.03 de especificidade).Depois, foram testadas quatro abordagens de previsão de crises, nas quais se usaram 17 doentes epilépticos resistentes à medicação. Nestas abordagens foram incorporados os estados de vigilância, obtidos com o classificador anteriormente desenvolvido. Todas as abordagens são especificas para cada doente e têm um horizonte de previsão de crise de 5 minutos. A melhor implementação teve em conta as transições entre os estados de vigilância na fase de pós-processamento, levando a resultados de 0.54±0.36 para a sensibilidade e de 4.96±11.40 para a taxa de falsos positivos por hora, com um tempo médio de 31 minutos para o período de ocorrência da crise.Apesar de ter validado estatisticamente 71% dos doentes, o valor máximo de falsos positivos aceitável para cada sistema de intervenção deve ser investigado de modo a averiguar a aplicabilidade do presente estudo.