Automatic seizure detection using a two-dimensional EEG feature space

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Särkelä, Mika
dc.contributor.author Tanner, Antti
dc.date.accessioned 2012-07-02T08:27:49Z
dc.date.available 2012-07-02T08:27:49Z
dc.date.issued 2011
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/3730
dc.description.abstract Epileptinen kohtaus on neurologinen häiriötila, joka ilmenee aivojen epänormaalina sähköisenä toimintana. Joihinkin kohtauksiin liittyy ulkoisia merkkejä, kuten lihaskouristuksia. Kohtauksia, joihin ei liity selkeitä ulkoisia merkkejä, kutsutaan ei-konvulsiiviksi. Ne voidaan tunnistaa vain seuraamalla aivojen sähköistä toimintaa. Ei-konvulsiivisten kohtauksien on osoitettu olevan erityisen yleisiä tehohoitopotilailla - myös sellaisilla potilailla, joilla ei ole aiemmin ollut kohtauksia. Epileptinen kohtaus on pikaista interventiota vaativa vakava tila. Aivosähkökäyrällä (elektroenkefalografia, EEG) voidaan tutkia aivojen sähköistä toimintaa. Datan läpikäynti käsin on aikaavievää, joten tehohoitoon sopivalle, automaattiselle ja reaaliaikaiselle analyysimenetelmälle on suuri tarve. Tässä diplomityössä esitellään kolme menetelmää, jotka soveltuvat signaalipiirteiden evoluution seuraamiseen. Kultakin EEG-kanavalta määritetään kaksi piirrettä: hetkellinen taajuus ja signaalin teho. Ensimmäinen menetelmä mittaa piirreavaruuteen muodostuvan polun pituutta aikatasossa. Toinen menetelmä vertaa kutakin piirreavaruudessa otettua askelta edellisiin askeliin. Kolmannessa menetelmässä määritetään dynaamisesti edellisistä piirrevektoreista konveksi kuori ja tutkitaan kuoren ulkopuolelle osuvia piirrevektoreita. Kolmas menetelmä osoittautui tutkimuksessa parhaaksi. Menetelmällä pystyttiin tunnistamaan 11 tietokannan 19:sta kohtauksista kärsineestä potilaasta. Tietokannassa on EEG-mittauksia 179 tehohoitopotilaalta. Suurin osa vääristä detektioista johtui EEG:ssä näkyvästä lihastoiminnasta, artefaktoista tai alkeellisesta tunnistuslogiikasta. Menetelmän todellista suorituskykyä on liian aikaista arvioida. Menetelmää pitää täydentää EEG-piikit sekä artefaktat luotettavasti tunnistavilla algoritmeilla. fi
dc.description.abstract Epileptic seizures are neurological dysfunctions that are manifested in abnormal electrical activity of the brain. Behavioural correlates, such as convulsions, are sometimes associated with seizures. There are, however, seizures that do not have clear external manifestations. These non-convulsive seizures can be detected only by monitoring brain activity. Accumulating evidence suggests that non-convulsive seizures are particularly common in intensive care units (ICUs), even among patients with no prior seizures. Presence of seizures is a medical emergency that requires fast intervention. Electroencephalogram (EEG) can be used to monitor brain's electrical activity. In EEG, potential differences are measured from different sites on the subject's scalp. Long-term measurements generate a lot of data and manually reviewing all of it is an exhausting task. There is a clear need for an automatic seizure detection method. In this study, three methods are proposed for seizure detection. We compute instantaneous frequency and signal power from EEG and quantify the evolution of these features. The first method measures the length of the path that feature vectors create in the feature space. The second method compares the latest step to the average step. The last method encloses the background activity in a convex hull and classifies epochs that breach the hull. The third method was found to have the best overall performance. It can potentially detect 11 out of 19 seizure patients in the database. The database consists of recordings from 179 ICU patients. Most of the false positive detections were caused by muscle artefact, other signal artefacts, or rudimentary detection logic. The developed methods have good potential in detecting certain types of seizures. Before reporting final performance numbers, the algorithm must be comp lemented with a spike detection algorithm and a proper artefact detection algorithm. en
dc.format.extent [10] + 61
dc.format.mimetype application/pdf
dc.language.iso en en
dc.publisher Aalto-yliopisto fi
dc.publisher Aalto University en
dc.title Automatic seizure detection using a two-dimensional EEG feature space en
dc.title Epileptisten kohtauksien automaattinen tunnistaminen kaksiulotteisessa EEG-piirreavaruudessa fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.department Lääketieteellisen tekniikan ja laskennallisen tieteen laitos fi
dc.subject.keyword EEG fi
dc.subject.keyword epileptinen kohtaus fi
dc.subject.keyword epilepsia fi
dc.subject.keyword wavelet-analyysi fi
dc.subject.keyword Hilbert-muunnos fi
dc.subject.keyword tehohoito fi
dc.subject.keyword EEG en
dc.subject.keyword seizure en
dc.subject.keyword epilepsy en
dc.subject.keyword wavelet analysis en
dc.subject.keyword Hilbert transform en
dc.subject.keyword ICU en
dc.identifier.urn URN:NBN:fi:aalto-201207022696
dc.type.dcmitype text en
dc.programme.major Lääketieteellinen tekniikka fi
dc.programme.mcode Tfy-99
dc.type.ontasot Diplomityö fi
dc.type.ontasot Master's thesis en
dc.contributor.supervisor Ilmoniemi, Risto


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse