Epilepsy Seizure Prediction Based on HRV Analysis

Abstract

It is estimated that, for about one-third of patients with epilepsy taking anti-epileptic drugs, these do not prevent seizures. Thus, seizure prediction arises as a potential solution to mitigate the burden of epilepsy on these patients and caretakers.Seizure prediction models heavily rely on knowledge regarding pre-seizure precursors and, therefore, on the proper characterization of the preictal interval. The standard state-of-the-art approach for preictal definition consists in performing a discrete grid-search on a range of intervals and choosing the one leading to the best prediction performance. However, this approach is sub-optimal due to the inability to address the heterogeneity of the seizure generation processes. Thus, applying unsupervised learning methods (namely clustering techniques) to accurately characterize the preictal interval has been recently proposed.As the main source of neurological information, the Electroencephalogram (EEG) has been widely used in seizure prediction. Additionally, among other biosignals, the Electrocardiogram (ECG) has been extensively referred as an important non-cerebral source of pre-seizure alterations. This is an attractive alternative due to the ease and comfort of acquisition of this signal in a real-life setting.The present study aimed at developing seizure prediction models that integrate information about preictal intervals obtained from clustering. We compared the performance of prediction models integrating seizure-specific preictal grid-search with the models built using preictal clustering information. The models were built using Heart Rate Variability (HRV) features extracted from ECG signals acquired during pre-surgical monitoring in a group of 41 patients with temporal lobe epilepsy (stored in the EPILEPSIAE database).Analysis of the model performance in terms of sensitivity and False Positive Rate per Hour (FPR/h) revealed statistically significant differences only for the FPR/h. Specifically, in some cases, we observed lower FPR/h when using information of the preictal intervals identified with clustering. Both approaches performed unsatisfactorily, with 36.26±41.76 % sensitivity, 0.72±1.53h-1 FPR/h, and models performing above chance for 41.5% of patients (when using information from clustering).In conclusion, even though using information of preictal intervals obtained with unsupervised learning methods led to improved results in some patients, more studies are required to infer about the advantages of using seizure-specific preictal information obtained with unsupervised methods to develop seizure prediction models.

Estima-se que, para cerca de um-terço dos pacientes com epilepsia que tomam fármacos anti-epiléticos, estes não previnam crises. Deste modo, a previsão de crises surge como uma potencial solução para mitigar o fardo da epilepsia para estes doentes e cuidadores.Os modelos de previsão de crises dependem fortemente de conhecimento relativo a percursores pré-crise e, portanto, da caracterização apropriada do intervalo pré-ictal. A abordagem padrão do estado-da-arte para a definição do pré-ictal consiste na realização de uma grid-search discreta numa gama de intervalos seguida da escolha daquele que leva à melhor performance de previsão. No entanto, esta abordagem ́e subótima devido à incapacidade de abordar a heterogeneidade do processo de geração de crises. Por conseguinte, foi recentemente proposta a aplicação de métodos de aprendizagem não supervisionada (mais especificamente, técnicas de clustering) para caracterizar com precisão o intervalo pré-ictal.Tratando-se da fonte primária de informação neurológica, o Eletroencefalograma (EEG) tem sido amplamente utilizado em previso de crises. Adicionalmente, entre outros biossinais, o Eletrocardiograma (ECG) tem sido extensivamente referido como uma importante fonte não cerebral de alterações pré-crise. Esta ́e uma alternativa atrativa dada a facilidade e conforto de aquisição deste sinal numa situação da vida real.O presente estudo teve como objetivo o desenvolvimento de modelos de previsão de crises que integram informação sobre os intervalos pré-ictais obtida a partir de clustering. Comparámos a performance de modelos de previsão que incorporam grid-search do pré-ictal específica para cada crise reportada no estado-da-arte com modelos construídos utilizando informação de pré-ictal obtida com técnicas de clustering. Os modelos foram construídos utilizando características da Variabilidade do Ritmo Cardíaco extraídas de sinais ECG adquiridos durante a monitorização pré-cirúrgica num grupo de 41 pacientes com epilepsia do lobo temporal (armazenados na base de dados EPILEPSIAE).A análise da performance dos modelos em termos de sensibilidade e Taxa de Falsos Positivos por Hora (FPR/h) revelou diferenças estatisticamente significativas apenas para a FPR/h. Mais especificamente, em alguns casos, observámos FPR/h mais baixa quando utilizada a informação de intervalos pré-ictais identificada através de clustering. Ambas as abordagens revelaram performance insatisfatória, tendo sido obtida se sensibilidade de 36.26±41.76 %, FPR/h de 0.72±1.53 h-1, e performance superior ao acaso para 41.50 % dos doentes (utilizando informação obtida com clustering).Em conclusão, apesar de a utilização de informação de clustering sobre atividade pré-ictal ter levado a melhorias nos resultados em alguns casos, são necessários mais estudos para inferir sobre as vantagens de utilizar informação de pré-ictal específica para cada crise obtida a partir de técnicas de clustering para desenvolver modelos de previsão de crises.