EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary Approach

Abstract

Cerca de 30% dos doentes epiléticos não conseguem obter uma supressão eficaz das crises a longo prazo após administração de fármacos anticonvulsivantes. Para estes indivíduos, a previsão de crises foi identificada como uma abordagem promisora, que utiliza algoritmos de previsão para alertar o paciente atempadamente e permitir que sejam tomadas medidas preventivas. A determinação do período pré-ictal, no qual o cérebro transita de um estado normal para um de hiperexcitabilidade, é considerado um passo crítico. Apesar da abundância de abordagens baseadas no Eletroencefalograma (EEG), muitas não atingem a aplicabilidade clínica à custa de uma capacidade de generalização insuficiente. Além do mais, vários estudos recentes têm adotado métodos baseados em Deep Learning que, apesar de atingirem um desempenho significativo em relação aos classificadores tradicionais, resultam na perda de interpretabilidade clínica, dificultando a sua implementação em dispositivos médicos. O presente trabalho consistiu no desenvolvimento de um esquema de previsão baseado em dados de monitorização pré-cirúrgica da base de dados EPILEPSIAE, aplicando Algoritmos Evolucionários Multi-Objetivo (MOEA) para otimização de modelos. Nomeadamente, foram experimentadas três implementações diferentes: MOGA, NSGA-II e um SMS-EMOA modificado. Cada um otimizou um conjunto de modelos de previsão específicos para cada paciente, procurando gerar um conjunto ótimo de features computacionalmente leves para treinar um classificador baseado em Máquinas de Vetores de Suporte (SVM). Considerando um grupo de 36 doentes com Epilepsia do Lobo Temporal (TLE), a metodologia proposta alcançou um desempenho estatisticamente significativo para 19%, 30% e 14% considerando o previsor aleatório e 89%, 83% e 86% usando análise surrogate, respetivamente, para cada MOEA. Foram também obtidos valores geralmente baixos para a Taxa de Falsos Positivos por Hora (FPR/h), sendo que um terço dos doentes apresentou valores abaixo de 0.15, que é um requisito para aplicabilidade em contexto real. Estes resultados demonstram a possibilidade de identificar o período pré-ictal e, simultaneamente, manter a interpretabilidade dos modelos, o que poderá contribuir para aprofundar a compreensão das dinâmicas cerebrais e melhorar a capacidade preditiva.

An estimated 30% of epileptic patients cannot achieve effective long-term seizure suppression after antiepileptic drug administration. For these individuals, seizure prediction has been identified as a promising approach, making use of prediction algorithms to alert the patient in a timely manner and allow for preventive measures to be taken. The determination of the pre-ictal period, in which the brain transitions from a normal state to a seizure, is considered a critical step. Despite the abundance of approaches based on the Electroencephalogram (EEG) signal, many fail to achieve real-world applicability on account of insufficient generalization capability. Moreover, recent studies have began to adopt Deep Learning methods, which despite attaining remarkable performance when compared to traditional classifiers, result in a loss of clinical interpretability, hindering their implementation on medical devices. This work concerns the development of a prediction scheme based on pre-surgical monitoring data from the EPILEPSIAE database, employing Multi-Objective Evolutionary Algorithms (MOEAs) for model optimization. Namely, we experimented with three different implementations: MOGA, NSGA-II and a modified SMS-EMOA. Each one optimized a set of patient-specific prediction models, aiming to generate an optimal set of computationally light features to train a Support Vector Machine (SVM) classifier. Considering a group of 36 patients suffering from Temporal Lobe Epilepsy (TLE), the proposed methodology performed above chance for 19%, 30% and 14% considering the random predictor and 89%, 83% and 86% using surrogate analysis, respectively, for each MOEA. Generally low False Positive Rate per Hour (FPR/h) scores were also obtained, with a third of all patients presenting average values lower than 0.15, which is a requirement for real-life applicability. These results demonstrate the possibility of identifying the pre-ictal period while maintaining model interpretability, which may contribute to a better understanding of brain dynamics and enhance predictive performance.