Detekce epileptiformních výbojů v EEG záznamech pacientů s epilepsií pomocí algoritmů hlubokého učení

Abstract

Interiktální epileptiformní výboje (IED) jsou významným indikátorem epilepsie v EEG záznamech a jejich detekce je zásadní pro správnou diagnostiku. Diplomová práce se zabývá automatickou detekcí IED pomocí metod hlubokého učení. Vyvinutý software je implementován v programovacím jazyce Python a skládá se ze dvou hlavních částí: předzpracování signálu a klasifikace pomocí hluboké neuronové sítě vytvořené na základě upravené architektury VGG16. Validace byla provedena na reálných EEG záznamech zahrnujících 10 pacientů s epilepsií a 53 jedinců z kontrolní skupiny. Výsledná detekce dosáhla hodnoty přesnosti 82 % pro dvousekundové úseky signálu tzv. epochy obsahující IED. Přesnost pro epochy s fyziologickou mozkovou aktivitou vyšla 99,6 %. Dále byl model testován na simulovaných EEG záznamech s úrovněmi poměru signálu k šumu (SNR) v rozmezí od -9 dB do 3 dB, přičemž optimální fungování bylo zaznamenáno pro SNR v rozmezí -3 dB až 3 dB. Průměrná přesnost detekce epoch obsahujících IED dosáhla hodnoty 95,9 %, zatímco průměrná přesnost detekce fyziologických epoch činila 93,8 %. Vyvinutý software lze na základě jeho modulární architektury snadno rozšířit, případně použít naučené modely na detekci interiktálních epileptiformních výbojů na nové neoznačené EEG záznamy.

Interictal epileptiform discharges (IEDs) are significant indicators of epilepsy in EEG recordings, and their detection is essential for accurate diagnosis. This thesis focuses on the automatic detection of IEDs using deep learning methods. The developed software is implemented in the Python programming language and consists of two main components: signal preprocessing and classification using a deep neural network based on a modified VGG16 architecture. Validation was performed on real EEG recordings, including data from 10 patients with epilepsy and 53 individuals from the control group. The resulting detection achieved an accuracy of 82 % for two-second signal segments, referred to as epochs, containing IEDs. The accuracy for epochs with physiological brain activity was 99.6 %. Additionally, the model was tested on simulated EEG data with signal-to-noise ratio (SNR) levels ranging from -9 dB to 3 dB, with optimal performance observed in the SNR range of -3 dB to 3 dB. The average detection accuracy for epochs containing IEDs reached 95.9 %, while the average accuracy for detecting physiological epochs was 93.8 %. Due to its modular architecture, the developed software can be easily extended and adapted for new EEG data, enabling the use of pre-trained models for detecting IEDs in previously unlabeled recordings.