Concept-Drifts Adaptation for EEG Epilepsy Seizure Prediction

Abstract

A administração de medicamentos antiepilépticos ou intervenções cirúrgicas falha em controlar crises em cerca de 30% dos doentes com epilepsia. A previsão de crises é uma estratégia viável para melhorar a qualidade de vida desses doentes, pois pode ser usada em sistemas de intervenção ou alerta. Esses sistemas tentariam evitar a ocorrência de crises ou, pelo menos, diminuir os seus efeitos adversos. Identificar o intervalo pré-ictal, que marca a mudança da atividade cerebral regular para uma crise, é uma parte crítica deste campo de investigação. Embora vários estudos de previsão estejam a usar vários métodos baseados em eletroencefalograma, apenas alguns foram aplicados em dispositivos médicos e nenhum foi clinicamente viável. Estudos recentes mostram que a adaptação a mudanças de conceito é altamente relevante na previsão de crises; portanto, é importante desenvolver métodos capazes de detetar e lidar automaticamente com mudanças de contexto sem intervenção humana. O presente trabalho teve como objetivo avaliar o impacto dos métodos de adaptação automática a mudanças de conceito na predição de crises. Por este motivo, foram realizadas duas análises. A primeira análise visava lidar com os desvios de conceito simplesmente re-treinando o modelo; para tal, foram desenvolvidas duas estratégias para re-treinar (Add-One-Forget-One e Chronological). Estes dois métodos foram comparados com o método de partição mais comum, o Control partitioning. As três estratégias foram testadas na abordagem Control, desenvolvida para prever crises sem incluir mecanismos para adaptação automática a mudanças de conceito. O método com a melhor performance foi usado na segunda análise. A segunda análise testou abordagens para previsão de crises que se adaptam intrinsecamente a variações de conceito durante o processo de aprendizagem do modelo; para isso, foram propostas três abordagens de previsão de crises específicas para cada doente que foram comparadas ao Control (Backwards-Landmark Window, Seizure-batch Regression, and Dynamic Weighted Ensemble) com um horizonte de previsão de crise de 10 minutos. A metodologia proposta combina um conjunto de features lineares univariadas com um classificador baseado em Support Vector Machines e o Firing Power como técnica de pós-processamento para gerar alarmes antes das crises. Considerando um grupo de 37 doentes com Epilépsia do Lobo Temporal da base de dados EPILEPSIAE, a abordagem com melhor performance (Backwards-Landmark Window com Add-One-Forget-One) visou selecionar dados do conceito mais próximo do período pré-ictal da última crise de treino; isso levou a resultados de 0,75 ± 0,33 para sensibilidade e 1,03 ± 1,00 para taxa de falsos positivos por hora. Embora a abordagem com melhor performance tenha validado estatisticamente 89% dos pacientes, é necessário determinar a taxa máxima de falsos positivos apropriada para cada sistema de intervenção.

The administration of antiepileptic drugs or surgical interventions fails to control seizures in about 30% of epileptic patients. Seizure prediction is a viable strategy for enhancing their quality of life because it can be used in intervention or warning systems. These systems would try to stop seizures from happening or, at the very least, lessen their adverse effects. Identifying the preictal interval, which marks the change from regular brain activity to a seizure, is a critical part of this research field. Even though several predictive studies applied various EEG-based methodologies, very few have been applied in medical devices, and none have been clinically applicable. Recent studies have shown that tracking and handling concept drifts is highly relevant in seizure prediction; therefore, it is important to develop methods able to automatically detect and handle changes in context without human intervention. The present work aimed to evaluate the impact of automatic concept drift adapting methods in seizure prediction. For this reason, two analyses were conducted. The first analysis aimed to deal with concept drifts by simply retraining the model; for that, two different iterative retraining strategies were developed (Add-One-Forget-One and Chronological). Those two methods were compared to the most common partition method, the Control partitioning. The three strategies were tested on the Control approach, developed to predict seizure without incorporating intrinsic concept drift adaptation. The method with the best performance was used in the second analysis. The second analysis tested approaches to predicting seizures while intrinsically adapting to concept drifts during the model's learning process; for that, three patient-specific seizure prediction approaches (Backwards-Landmark Window, Seizure-batch Regression, and Dynamic Weighted Ensemble) with a 10-minute seizure prediction horizon were proposed and compared to the Control. The proposed methodology combines a set of univariate linear features with a classifier based on Support Vector Machines and the Firing Power as a post-processing technique to generate alarms before seizures. Considering a group of 37 patients with Temporal Lobe Epilepsy from the EPILEPSIAE database, the best-performing approach (Backwards-Landmark Window with the Add-One-Forget-One method) aimed to select data from the concept closest to the preictal period of the last training seizure; this led to results of 0.75 ± 0.33 for sensitivity and 1.03 ± 1.00 for false positive rate per hour. Even though the best performing approach statistically validated 89% of the patients, it is necessary to determine the maximum false positive rate appropriate for each intervention system., Seizure Prediction, Electroencephalogram, Concept Drifts, Machine Learning