Detekce epileptických záchvatů ve videozáznamech laboratorních hlodavců

Abstract

Epilepsia, chronická neurologická porucha postihujúca približne 70 miliónov ľudí na celom svete, sa vyznačuje predovšetkým opakujúcimi sa záchvatmi, ktoré sú prechodnými epizódami abnormálnej, nadmernej alebo synchrónnej aktivity neurónov v mozgu. Na zlepšenie pochopenia a detekcie epilepsie sa často využívajú zvieracie modely mesiotemporálnej epilepsie (mTLE), ktoré sú dobre zavedeným modelom tejto poruchy, pretože dokážu replikovať kľúčové aspekty ochorenia, vrátane spontánnych záchvatov. V tejto štúdii boli analyzované bočné pohľady na videá potkanov vystavených intrahippokampálnemu tetanovému toxínu, čo je dobre zavedená metóda na indukciu mTLE. Táto diplomová práca si kladie za cieľ otestovať použiteľnosť pokročilých softvérových nástrojov, vrátane DeepLabCut (DLC) a Variational Animal Motion Embedding (VAME), na sledovanie telesných pohybov a identifikáciu behaviorálnych vzorcov spojených so záchvatmi. DLC bol testovaný na schopnosť odhadovať polohy častí tela potkanov počas všeobecného správania a záchvatov. Modely DLC trénované na jednom potkanovi vykazovali dobré výsledky, ale mali problémy s generalizáciou medzi rôznymi potkanmi, najmä počas záchvatov. Pridanie špecifických snímok zo záchvatov znížilo chyby v testovacích snímkach zo záchvatov, ale malo obmedzený dopad na generalizáciu v rámci tréningovej množiny. Kombinácia údajov z viacerých potkanov významne zlepšila výkon, pričom kombinovaný model dosiahol najnižšie chyby. Periférne časti tela vykazovali vyššiu chybovosť. Odstránenie bodov s nízkou dôverou (p-cutoff) zlepšilo konzistenciu, ale úplne nevyriešilo problémy s generalizáciou. Detekované časti tela boli následne spracované pomocou VAME, ktorý klastroval behaviorálne vzorce do motívov. VAME bol testovaný na detekciu záchvatového správania ako samostatných motívov, ale ukázal len obmedzený úspech, pričom nehierarchické klastrovanie nedokázalo spoľahlivo izolovať záchvaty kvôli výzvam, ako je nerovnováha tried a detekcia zriedkavých udalostí. Tieto zistenia poskytujú náhľad na silné a slabé stránky použitia DLC a VAME na automatickú detekciu záchvatov. Keďže výsledky VAME neboli dostatočné na spoľahlivú detekciu záchvatov, bola vykonaná frekvenčná analýza pohybov predných končatín. Pomocou pozičných údajov z DLC bola analyzovaná výkonová spektrálna hustota pohybu predných končatín počas záchvatových a nezáchvatových období. Významné rozdiely v oscilačných vzoroch, najmä v rozsahu 215 Hz na osi Y, demonštrovali relevantnosť charakteristík frekvenčnej domény pre rozlišovanie záchvatového správania. Na základe týchto poznatkov bola vyvinutá metóda detekcie záchvatov na sledovanie vzorcov v priebehu záchvatov. Aj keď detektor predstavuje krok k využitiu poznatkov o behaviorálnych prejavoch záchvatov na detekciu záchvatov, jeho súčasný výkon zdôrazňuje významné oblasti vyžadujúce ďalšie zlepšenie. DLC ukázal spoľahlivý výkon pri sledovaní, ale čelil problémom s generalizáciou medzi rôznymi potkanmi a vyššou mierou chýb pri periférnych častiach tela. VAME nedokázal spoľahlivo detekovať záchvaty a frekvenčný detektor, hoci interpretovateľný, vykazoval obmedzený praktický výkon. Tieto zistenia zdôrazňujú potrebu vývoja alebo testovania nových metód, ako sú napríklad metódy učenia s učiteľom, na dosiahnutie robustných a praktických systémov na automatickú detekciu záchvatov.

Epilepsy, a chronic neurological disorder affecting approximately 70 million people worldwide, is predominantly characterized by recurrent seizures, which are transient episodes of abnormal, excessive, or synchronous neuronal activity in the brain. To advance the understanding and detection of epilepsy, animal models of mesial temporal lobe epilepsy (mTLE) are often employed due to their ability to replicate key aspects of the disorder, including spontaneous seizures. Side-view videos of rats subjected to the intrahippocampal tetanus toxin, a well-established method for inducing mTLE, were analyzed in this study. This thesis aims to test the applicability of advanced software tools, including DeepLabCut (DLC) and Variational Animal Motion Embedding (VAME), to track body movements and identify behavioral patterns associated with seizures. DLC was tested for its ability to estimate body part positions in rats during general behaviors and seizures. DLC models trained on a single rat performed well but struggled with cross-rat generalization, especially during seizures. Adding seizure-specific frames reduced errors in seizure test frames but had limited impact on generalization to the training dataset. Combining data from multiple rats significantly improved performance, with the combined model achieving the lowest errors. Peripheral body parts showed higher error. Removing points estimated with low confidence (p-cutoff) improved consistency but did not fully resolve generalization issues. Detected body parts were then passed to VAME which clustered behavioral patterns into motifs. VAME was tested for detecting seizure behaviors as distinct motifs but showed limited success, with unsupervised clustering failing to isolate seizures reliably due to challenges such as class imbalance and rare event detection. These findings provide insights into the strengths and limitations of using DLC and VAME for automated seizure detection. As VAME results were insufficient for reliable seizure detection, a frequency-based analysis of forelimb movements was conducted. Using positional data from DLC, the power spectral density of forelimb motion was analyzed across seizure and non-seizure periods. Significant differences in oscillatory patterns, particularly in the 215 Hz range on the Y-axis, demonstrated the relevance of frequency-domain features for distinguishing seizure behaviors. Building on these insights, a seizure detection method was developed to track "patterns of within-seizure temporal evolution.. While the detector represents a step toward leveraging knowledge of behavioral manifestations of seizures for seizure detection, its current performance highlights significant areas requiring further improvement. DLC showed reliable tracking performance but faced challenges on cross-rat generalization and higher error rates for peripheral body parts. VAME failed to detect seizures reliably, and the frequency-based detector, though interpretable, showed limited practical performance. These findings emphasize the need to develop or test new methods, such as supervised approaches, to achieve robust and practical automated seizure detection systems.