Automatic seizure detection using a two-dimensional EEG feature space
No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2011
Major/Subject
Lääketieteellinen tekniikka
Mcode
Tfy-99
Degree programme
Language
en
Pages
[10] + 61
Series
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.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.Description
Supervisor
Ilmoniemi, RistoThesis advisor
Särkelä, MikaKeywords
EEG, epileptinen kohtaus, epilepsia, wavelet-analyysi, Hilbert-muunnos, tehohoito, EEG, seizure, epilepsy, wavelet analysis, Hilbert transform, ICU
