Predikce epileptických záchvatů z nitrolebečního EEG

Abstract

Epilepsie je onemocnění mozku vyznačující se opakovanými záchvaty. Tyto záchvaty ztěžují pacientům život a v některých situacích mohou mít fatální následky. Stále neexistuje spolehlivá metoda, která by epilepsii vyléčila nebo potlačila její příznaky. Nedávné studie potvrdily, že lze v mozkové aktivitě pozorovat změny ještě dříve, než dojde k záchvatu. Tyto změny zatím nebyly popsány. Zatím není ani zjištěné, jak dlouho před blížícím se záchvatem jsou změny pozorovatelné. Cílem této práce je navrhnout postup klasifikace úseků předcházejících epileptickému záchvatu v lidském nitrolebečním záznamu EEG. Tento úsek byl definován jako jedna hodina před záchvatem. Pro optimalizaci a validaci algoritmu byla použita data volně dostupná z portálu ieeg.org. Data od pěti pacientů byla použita pro optimalizaci a další dva datasety pro otestování. Pacienti byli muži i ženy různého věku v rozmezí od 3 do 62 let. Data byla rozdělena na desetiminutové preictal (před záchvatem) a interictal (běžná aktivita) úseky. Bylo vyzkoušeno více přístupů, jak se vypořádat s chybějícími hodnotami v datech, ale nakonec byla pouze nahrazena nulou. Také byl řešen problém s různým počtem vzorků z jednotlivých tříd. Tato nevyváženost byla vyřešena namnožením vzorků z menší třídy pomocí vygenerování nejbližších sousedů. Bylo navrženo okolo padesáti charakteristik a hladovým algoritmem bylo vybráno osm, které byly použity jako příznaky. Z mnoha testovaných klasifikátorů byl vybrán Bagged Trees. S tímto nastavením bylo na nezávislých testovacích datech dosaženo hodnoty plochy pod ROC křivkou rovné 0.8405. Tyto výsledky stále nejsou dostačující pro využití v praxi. A to hlavně z toho důvodu, že není možné zaručit správnou klasifikaci všech úseků předcházejících záchvatu. Je třeba algoritmus ještě optimalizovat a otestovat na větším množství dat, které nejsou zatím k dispozici.

Epilepsy is neurological disease which is characterized by repeated seizures. These seizures make patient life more difficult and in some situation seizure can have fatal consequences. There is still not reliable method to cure epilepsy or eliminate symptoms. Last studies confirmed that there are detectable changes in brain activity before seizure coming. These changes was not describes yet. Even amount of time before seizure in which are changes obvious (preictal segment) is not know. Target of this work is to propose procedure of patient specific classification of preictal segment in human intracranial EEG record. Preictal segments was defined as one hour before seizure. Freely available data from ieeg.org portal were used for optimization and validation algorithm. Data from five patient were used for optimization and two datasets for test. Patients were men and women of different age from 3 to 62 years old. Data were segmented and divided into ten-minute preictal (before seizures) and interictal (normal activity) segments. More approaches how to work with missing values in the data were tried but at the end they were only replaced by zero. Also some methods of solving problem with different amount of samples from each class were proposed. The samples of minority class by generating the nearest neighbors to solve imbalance were multiplied. About fifty characteristic of data were proposed and eight of them were selected as features by greedy algorithm. Bagged trees from many tested classifiers were chosen. With this setting average of area under ROC curve equal 0.8405 on independent test sets was achieved. But this result is still not sufficient for the practice use. Especially because is not possible to assure correct classification of all preictal segments. It is needed to optimize and test the algorithm on bigger amount of data which is not available at this moment.