Characterization and detection of epileptic seizures based on actigraphy data

Abstract

Epilepsy is a severe medical condition affecting millions of people in the world. Detection and prediction of epileptic events is an open problem and an active field of research in the medical and neuroscience communities. Patients with epilepsy are monitored at the service of Neurology from the Hospital de Santa Maria in Lisbon for long periods where huge amount of data, such as EEG, ECG and video, is collected in order to capture the appropriated number of epileptic episodes needed to characterize the disease. These episodes, impossible to predict, are random and sparse in time which makes the task of analysis difficult and time consuming. In this thesis an actigraphy device (an accelerometer) was designed and assembled to be plugged into the amplifier used in the hospital to collected the EEG signals. This way the activity of the patient on his non-dominant wrist (usually the left one) is recorded and stored simultaneously with the other signals acquired during the exam avoiding to perform the usual complex procedure of signal alignment and sampling frequency adjustment. Algorithms for detection of specific movement patterns were designed in order to automatically detect epileptic seizures with associated movement disturbances. The goal is to perform an automatic annotation of the data collected during exam and help the technical staff in its analysis. In the future these algorithms will be used in ambulatory systems to identify and record epileptic seizures in normal life conditions of the patients. Two prototypes were produced and tested at the hospital with real patients and the algorithms for movement detection and epileptic seizure identification were designed, implemented and tested using synthetic and real data. The EEG data from the patients were annotated and classified manually by the technicians where all the paroxysmal events were identified and used for training and testing as ground truth information. A total of 62 events from 4 patients, checked by the medical doctor, where used to train the detector and validate the algorithm. An accuracy of more than 98% was achieved in detecting movements and among them more than 84% were correctly classified as epileptic seizures. The two prototypes are installed at the hospital where more data are being collected.

A epilepsia é uma condição médica grave que afeta milhões de pessoas no mundo. A detecção e previsão de crises epilépticas é um problema em aberto e um campo ativo de pesquisa nas comunidades médica e de neurociência. Os pacientes com epilepsia são monitorizados no serviço de Neurologia do Hospital Santa Maria em Lisboa durante longos períodos, durante o qual uma grande quantidade de dados, tais como EEG, ECG e vídeo, é recolhida a fim de detectar o número necessário de crises epilépticas necessário para caracterizar a doença. Estes episódios, impossíveis de prever, são aleatórios e dispersos no tempo o que torna a tarefa de análise difícil e demorada. Nesta tese foi projetado e montado um dispositivo de actigrafia (um acelerómetro) para ser conectado ao amplificador usado no hospital para adquirir os sinais de EEG. Desta forma, a actividade motora do paciente é gravada e armazenada simultaneamente com os outros sinais adquiridos durante o exame evitando a realização do procedimento habitual e complexo de alinhamento de sinal e ajuste da frequência de amostragem, usando o dispositivo no pulso não-dominante (usualmente a esquerdo). Dois algoritmos para detecção de padrões de movimento específicos foram concebidos a fim de detectar automaticamente crises epilépticas com distúrbios de movimento associados. O objetivo é realizar uma anotação automática dos dados recolhidos durante o exame e ajudar os técnicos na análise. Futuramente, estes algoritmos iram ser utilizados em sistemas ambulatórios para identificar e registar as crises epilépticas em condições normais de vida dos pacientes. Dois protótipos foram produzidos e testados no hospital com pacientes reais e os algoritmos de detecção de movimento e identificação de crise epiléptica foram concebidos, implementados e testados utilizando dados sintéticos e reais. Os dados de EEG adquiridos nos pacientes foram anotados e classificados manualmente pelos técnicos nos quais foram identificados e utilizados para treino e testes todos os eventos paroxísticos. Um total de 62 eventos adquiridos a partir de 4 pacientes, verificados pelo médico, foram utilizados para treinar o detector e validar o algoritmo. Uma precisão de superior a 98% foi atingida na detecção de movimentos e entre eles mais de 84% foram corretamente classificados como crises epilépticas. Os dois protótipos estão instalados no hospital onde mais dados estão a ser adquiridos.