Epileptic seizure detection and prediction based on spatiotemporal EEG data and deep machine learning (EPI-DEEP)

Abstract

Conhecida como uma das doenças neurológicas mais comuns, a epilepsia afeta 1% da população mundial. Para 30% dos pacientes diagnosticados com epilepsia, não há tratamento ou medicação viável para evitar a ocorrência de crises. Esse tipo de epilepsia é chamado de epilepsia resistente a medicamentos. Isso significa que integridade física desses pacients pode estar comprometida a qualquer momento, o que pode colocar suas vidas em risco. Para essas pessoas, todo esforço bem-sucedido em prever ou detectar crises epilépticas tem o potencial de melhorar significativamente suas vidas.Esse assunto tem sido explorado na literatura bastante extensivamente, principalmente quando se trata de analisar características temporais e dados extraídos de vários electrodos. No entanto, existem muito poucos estudos que se concentram também em explorar as relações espaciais entre electrodos. A nossa ideia é explorar o potencial das relações espaciais entre os electrodos, através de mapas de electrodos, a fim de criar um modelo que possa prever ou detectar crises, possivelmente com melhor desempenho do que as já existentes. Nesse sentido, este projecto de tese aplicará técnicas de aprendizagem computacional profunda ao problema de detecção ou previsão de crises epilépticas, usando mapas de eletrodos derivados de dados do eletroencefalograma (EEG).Nosso modelo final é um detector de crises realista, que deve produzir alertas para crises em tempo real, usando redes neurais convolucionais em dados brutos de EEG. Esta tese explora os vários desafios da construção de um modelo capaz de alta sensibilidade e detecção precoce de um sistema como esse.Esta tese foi conduzida usando dados de EEG incluídos na European Epilepsy Database (banco de dados EPILEPSIA).

Known as one of the most common neurological disorders, epilepsy affects 1% of the world’s population. For 30% of epilepsy diagnosed patients, there is no viable treatment or medication to prevent the occurrence of seizures. This type of epilepsy is called drug resistant epilepsy. This means that their physical integrity is compromised, which eventually may put their lives at risk. For these people, every successful effort in predicting or detecting seizure events has the potential to significantly improve their lives.This subject has been explored in literature quite extensively, particularly when it comes to analyzing temporal features and data retrieved from various electrodes. However, there aver very few studies that focus also on exploring the spatial relations between electrodes. Our idea is to explore the potential of spatial relations between electrodes, through electrode maps, in order to create a model that can predict or detect seizures, possibly with better performance than already existing ones. Towards that end, this thesis project will be applying deep learning techniques to the problem of detecting or predicting epileptic seizures, using electrode maps derived from electroencephalogram (EEG) data.Our final model is a realistic seizure detector that is expected to produce alerts for seizures in real time using convolutional neural networks on raw EEG data. This thesis explores the various challenges of building a model capable of high sensitivity and early detection for a system like this.This thesis was conducted using scalp EEG data comprised in the European Epilepsy Database (EPILEPSIA database).