Low-complexity measures for epileptic seizure prediction and early detection based on classification

Abstract

This thesis concerns the problems of epileptic seizure prediction and detection. We analyzed multichannel intracranial electroencephalogram (iEEG) and surface electroencephalogram (sEEG) recordings of patients suffering from refractory epilepsy, to access the brain state in real time by using relevant EEG features and computational intelligence techniques, and aiming for detection of pre-seizure state (in the case of prediction) or seizure onset times (in the case of detection). Our main original contribution is the development of a novel relative bivariate spectral power feature to track gradual transient changes prior to ictal events for real-time seizure prediction. Furthermore a novel robust and generalized measure for early seizure detection is developed, aimed to be used in closed-loop neurostimulation systems. The development of a general platform embeddable on a transportable low-power-budget device is of utmost importance, for real time warning to patients and their relatives about the impending seizure or beginning of an occurring seizure. The portable device can also be integrated to work in conjunction with a closed-loop neurostimulation or fast-acting drug injection mechanism to eventually disarm the impending seizure or to suppress the just-occurring seizure. Therefore, in this thesis we try to meet the dual-objective of developing algorithms for seizure prediction and early seizure detection that provide high sensitivity and low number of false alarms, fulfilling the requirements of clinical applications, while being low computational cost. To seek the first objective, a patient-specific seizure prediction was developed based on the extraction of novel relative bivariate spectral power features, which were then preprocessed, dimensionally reduced, and classified using a machine-learning algorithm. The introduced feature bears low complexity, and was discriminated using the powerful support vector machine (SVM) classifier. We analyzed the preictal EEG dynamics across different brain regions and throughout several frequency bands, using relative bivariate features to uncover the underlying mechanisms ending in epileptic seizures. The suggested prediction system was evaluated on long-term continuous sEEG and iEEG recordings of 24 patients, and produced statistically significant results with average sensitivity of 75.8% and false prediction rate of 0.1 per hour. Furthermore a novel statistical method was developed for proper selection of preictal period, and also for the evaluation of predictive capability of features, as well as for the predictability of seizures. The method uses amplitude distribution histograms (ADHs) of the features extracted from the preictal and interictal iEEG and sEEG recordings, and then calculates a criterion of discriminability among two classes. The method was evaluated on spectral power features extracted from monopolar and bipolar iEEG and sEEG recordings of 18 patients, in overall consisting of 94 epileptic seizures. To approach the objective of early seizure detection, we have formulated power spectral density (PSD) of bipolar EEG signal in the form of a measure of neuronal potential similarity (NPS) between two EEG signals. This measure encompasses the phase and amplitude similarities of two EEG channels in a simultaneous fashion. The NPS measure was then studied in several narrow frequency bands to find out the most relevant sub-bands involved in seizure initiations, and the best performing ratio of two NPS measures for seizure onset detection was determined. Evaluating on long-term continuous iEEG recordings of 11 patients with refractory partial epilepsy (overall of 1785 h and 183 seizures) the results showed high performance, while requiring a very low computational cost. On average, we could achieve a sensitivity of 86.3%, a low false detection rate (FDR) of 0.048/h, and a mean detection latency of 14.2s from electrographic seizure onsets, while in average preceding clinical onsets by 1.1s. Apart from the above mentioned primary objectives, we introduced two new and robust methods for offline or real-time labelling of epileptic seizures in long-term continuous EEG recordings for further studies. Methods include mean phase coherence estimated from bandpass filtered iEEG signals in specific frequency bands, and singular value decomposition (SVD) of bipolar iEEG signals. Both methods were evaluated on the same dataset employed in the previous study and demonstrated sensitivity of 84.2% and FDR of 0.09/h for sub-band mean phase coherence, and sensitivity of 84.1% and FDR of 0.05/h for bipolar SVD, on average. Most of this work was established in collaboration with the EPILEPSIAE project, aimed to predict of pharmacoresistant epileptic seizures. The developed methods in this thesis were evaluated by the accessibility of long-term continuous multichannel EEG recordings of more than 275 patients with refractory epilepsy, referred to as The European Epilepsy Database. This database was collected by the three clinical centers involved in EPILEPSIAE, and contains well-documented metadata. The results of this thesis are backing the hypothesis of the predictability of most of epileptic seizures using linear bivariate spectral-temporal brain dynamics. Moreover, the promising results of early seizure detection sustain the feasibility of integrating the proposed method with closed-loop neurostimulation systems. We hope the developed methods could be a step forward towards the clinical applications of seizure prediction and onset detection algorithms.

Esta tese versa os problemas de predição e de deteção de crises epiléticas. Analisa-se o eletroencefalograma multicanal intracraniano (iEEG) e de superfície (sEEG) de pacientes que sofrem de epilepsia refratária, para a estimação em tempo real do estado cerebral, usando características relevantes do EEG e técnicas de inteligência computacional, ambicionando a deteção do estado pré-ictal (no caso de previsão) ou dos instantes de início de uma crise (no caso de deteção). A principal contribuição original é o desenvolvimento de uma característica de potência espectral bivariada relativa para captar as mudanças transitórias graduais que levam a crises e que poderão ser usadas para previsão em tempo real. Além disso, é desenvolvida uma nova medida, robusta e generalizada para a deteção precoce, destinada a ser utilizada em sistemas de neuro estimulação em malha fechada. O desenvolvimento de uma plataforma geral possível de ser integrada num dispositivo transportável, energeticamente económico, é de grande relevância para o aviso em tempo real do doente e dos seus próximos sobre a eminência da ocorrência de uma crise. O dispositivo transportável também pode ser usado em malha fechada com um neuro estimulador ou com um dispositivo de injeção rápida de um fármaco que desarme eventualmente a crise em curso. Por isso nesta tese persegue-se o objectivo de desenvolver algoritmos para previsão mas também para deteção de crises. Em ambos os casos, pretende-se que os algoritmos tenham uma elevada sensibilidade e uma baixa taxa de falsos positivos, tornando viável a sua utilização clínica. Para o objectivo de previsão, desenvolveu-se um método de previsão personalizado baseado na extração de uma característica nova, denominada de potência relativa espectral bivariada, que foi submetida a pre-processamento, redução de dimensão e classificação com Máquinas de Vetores de Suporte (SVM). Esta nova característica, de baixa complexidade, é computacionalmente simples, mas permite a análise da dinâmica do EEG preictal em diferentes regiões do cérebro e ao longo de várias bandas de frequência, de modo a descobrir os mecanismos subjacentes às crises epiléticas. O sistema de previsão obtido foi avaliado em registos contínuos de sEEG e iEEG de 24 pacientes, e produziu resultados estatisticamente significativos com sensibilidade média de 75.8% e taxa de predição falsa de 0.1 por hora. Além disso, foi desenvolvido um novo método estatístico para a seleção apropriada do período preictal, e também para a avaliação da capacidade preditiva das características, assim como para a própria previsibilidade das crises. O método utiliza os histogramas de distribuição de amplitude (ADHS) das características extraídas nos períodos pré-ictal e ictal dos registos de iEEG e sEEG e, em seguida, calcula um critério de discriminabilidade entre as duas classes. O método foi avaliado nas características de potencia espectral extraídas de registos iEEG e sEEG, monopolares e bipolares de 18 pacientes, consistindo num número total de crises epilépticas de 94. O segundo objetivo, a deteção precoce de crises, foi abordado através da formulação da densidade de potência espectral (PSD) de canais de EEG bipolares na forma de uma medida da similaridade do potencial neuronal (NPS) entre dois sinais de EEG. Esta medida usa as similaridades entre as fases e as amplitudes de dois canais de EEG de um modo simultâneo. A medida NPS foi estudada em várias bandas estreitas de frequência de modo a descobrir-se quais as sub-bandas mais envolvidas na inicialização das crises; buscou-se assim a melhor razão entre duas NPS do ponto de vista da deteção precoce. Avaliadas em iEEG contínuos de longa duração de 11 doentes com epilepsia refratária parcial (num total de 1785 h e 183 crises), os resultados apresentam um desempenho com sensibilidade de 86.3% e taxa de deteção falsa (FDR) de 0.048/h, uma latência de 14.2s em relação ao início eletrográfico, sendo uma crise detetada em média 1.1s antes da sua manifestação clínica. Para além dos objetivos principais referidos acima, introduziram-se dois novos métodos, robustos, para etiquetagem em diferido e em tempo real das crises em registos contínuos de EEG de longa duração para estudos posteriores. Esses métodos incluem a coerência de fase média (mean phase coherence) estimada a partir de registos iEEG em bandas de frequência específicas (usando filtros passa-banda), e a decomposição em valores singulares (SVD) de sinais iEEG bipolares. Ambos os métodos foram avaliados no mesmo conjunto de dados do estudo anterior e apresentaram, em média, uma sensibilidade de 84.2% e um FDR de 0.09/h para a coerência de fase média calculada para as sub-bandas, e sensibilidade de 84.1% e FDR de 0.05/h para a metodologia que usa a decomposição SVD bipolar. Grande parte deste trabalho foi feito no âmbito do projeto EPILEPSIAE, visando a previsão de crises em doentes epiléticos fármaco-resistentes. Os métodos desenvolvidos nesta tese aproveitaram a acessibilidade aos dados bem documentados de mais de 275 pacientes que constituem a Base de Dados Europeia de Epilepsia (European Epilepsy Database), provenientes dos três centros hospitalares participantes no projeto. Os resultados desta tese apoiam a hipótese da previsibilidade da maioria das crises epiléticas usando dinâmicas cerebrais bivariadas lineares espetrais e temporais. Além disso os resultados são promissores relativamente à deteção precoce de crises e sustentam a fazibilidade da integração desses métodos com técnicas de neuroestimulação em malha fechada. Esperamos que os métodos desenvolvidos resultem num avanço no que respeita à aplicação clínica de algoritmos de previsão e deteção de crises.