Previsão de crises epiléticas utilizando características univariativas e Stacked Autoencoders

Abstract

Neste estudo propõe-se em alternativa aos classificadores clássicos uma abordagem usando stacked autoencoders para prever crises epilépticas. Os testes foram efetuados sobre eletroencefalogramas (EEG) de 84 doentes com elétrodos no escalpe e 19 com elétrodos intracranianos da European Epilepsy Database, totalizando de 16960 horas de registo e 1062 crises anotadas.O estudo parte da extração prévia de 22 características univariativas dos sinais EEG, sobre as quais é treinada uma rede neuronal, composta por um número variável de autoencoders, para diferenciar entre épocas relacionadas com o período pré-crise (preictal) de outras épocas. OS dados de cada doente foram particionados em três segmentos: treino, teste e validação. O segmento de treino corresponde ao EEG até ao final da terceira crise registada, o teste corresponde às quarta e quinta crises, e a validação ao restante EEG, contendo pelo menos uma crise. Foram considerados quatro períodos de ocorrência de crise: 10, 20, 30, e 40 minutos. O período mínimo de intervenção definiu-se como 10 segundo e a duração do período postictal como 10 minutos. Os modelos desenvolvidos foram avaliados em termos da sensibilidade e false predition rate (FPR). Foi efetuada validação estatística por comparação com o preditor aleatório. O particionamento de dados efetuado em conjunto com a validação estatística leva à avaliação realista dos preditores desenvolvidos.Foram obtidos resultados superiores ao do preditor aleatório para 5 dos 84doentes (aproximadamente 6%) com elétrodos no escalpe, com sensibilidade média de 17.79% e FPR médio de 0.88/h. Dos 19 doentes com elétrodos intracranianos a mesma condição verificou-se para 4 deles (aproximadamente 21%), com sensibilidade média de 16.02% e FPR médio de 0.27/h.Este estudo prova assim que é possível, pelo menos para uma parte dos doentes, prever crises com performance suficiente para aplicação clínica, bem como tenta ainda, estratificar e estruturar os doentes e crises segundo as suas características e sucesso na previsão.

In this study, we propose alternatively to classical classifiers an approach using staked autoencoders in order to predict epileptic seizures. The tests were performed over electroencephalograms (EEG) of 84 patients with scalp electrodes and 19 patients with intracranial electrodes from the European Epilepsy Database, totalling 16960 hours of records and 1062 registered seizures.The study starts from the extraction of 22 univariative features from the EEG signals, upon which was trained an artificial neural network, composed by a variable number of autoencoders, to perform the distinct between segments related with the pre-seizure (preictal) period and other segments. The data fromeach patient was partitioned in three sets: train, test and validation. The train set contains the first three seizures, the test the fourth and fifth seizures, and the validation the remaining seizures (at least one). Four preictal duration periods were considered: 10, 20, 30 and 40 minutes. The intervention period of defined as 10 seconds. The postictal state duration was 10 minutes. The models developed were evaluated by assessing the sensitivity and false prediction rate (FPR). Statistical validation was performed by comparison with an analytical random predictor.The partitioning of the data performed conjugated with the statistical validation results in a realist evaluation of the predictors developed.Statistical significant results were obtain for 4 of the 84 patients with scalp electrodes, and the average sensitivity was 17.49% and the average FPR ware0.88/h. From 19 patients with intracranial electrodes he same condition was verified on 3, with average sensitivity of 12.59% and average FPR of 0.18/h.This study proves that is possible, at least for a portion of the patients, predict seizure with enough performance for clinic application, as well as still tries to stratify and structure the patients and seizures according to their characteristics and prediction success.