Automatic Video-based Classification of Convulsive Epileptic and Functional Seizures
Loading...
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
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
2021-05-17
Department
Major/Subject
Complex Systems
Mcode
SCI3060
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
59+6
Series
Abstract
Functional seizures are often misclassified as epileptic seizures and therefore treated as such, even though the underlying cause is different. Epilepsy has a neurological origin, whereas functional seizures arise from psychological factors. Proper classification allows treating functional seizure patients correctly, using psychotherapy, and faster treatment for urgent epilepsy patients. This thesis presents a novel method for convulsive epileptic and functional seizure classification using optical flow and a random forest model. Optical flow was implemented for oscillation detection from video and features were calculated for oscillation signals ranging from 1 to 7 Hz. Two feature selection methods were employed: the random forest feature importance and statistically significant difference between features of the two seizure types. Three classification and three regression models were trained on 39 seizures from 30 patients for seizure classification. A separate test set consisting of 17 seizures from 10 new patients was utilized for evaluating the performance and reliability of the model. The best results were achieved using feature selection based on statistical significance. The cross-validation accuracy for the binary classification using these oscillation frequency features was 86\%, with a 75\% sensitivity to epileptic seizures and an 89\% specificity to functional seizures. The test accuracy for a completely unseen set of patients was 82\%. Based on the results it is evident that video-based and non-invasive seizure monitoring provides a cost-effective method for convulsive epileptic and functional seizure classification. Furthermore, it allows the opportunity for home monitoring, reducing hospital resources and ensuring comfort for the patient. Based on the results of this thesis, it is apparent that further classification of seizure types into categories defined by the International League Against Epilepsy must be done prior to training a machine learning model in order to achieve a more accurate classification for all patients.Toiminnalliset kohtaukset luokitellaan usein epileptisiksi, ja sen vuoksi niitä hoidetaan epileptisinä kohtauksina, vaikka kohtauksille on eri syyt. Epilepsialla on neurologinen lähtökohta ja toiminnalliset kohtaukset kumpuavat psykologisista lähtökohdista. Kohtausten tarkka luokittelu mahdollistaa toiminnallisten kohtausten hoitamisen oikein psykoterapian avulla. Näin myös kiireelliset epileptiset potilaat pääsevät oikeaan hoitoon nopeammin. Tässä diplomityössä esitellään uusi mentelmä konvulsiivisten epileptisten ja toiminnallisten kohtausten luokittelemiseksi optisen virtauksen ja satunnaismetsän avulla. Optista virtausta käytettiin oskillaatioiden havaitsemiseen videolta. Näistä oskillaatiosignaaleista laskettiin piirteitä 1 - 7 Hz oskillaatioille koneoppimismalleja varten. Työssä käytettiin kahta piirteenvalintamenetelmää: satunnaismetsän piirteentärkeyttä ja piirteiden tilastollisesti merkitsevää eroavaisuutta kohtaustyyppien välillä. Työssä opetettiin kolme luokittelumallia ja kolme regressiomallia tunnistamaan kohtaukset. Opetusjoukkona käytettiin 30 potilaalta tallennettua 39 kohtausta. Erillistä kymmeneltä potilaalta tallennettua 17 kohtausta käytettiin testijoukkona mallien suorituskyvyn ja luotettavuuden arvioimisessa. Parhaat tulokset saavutettiin käyttäen tilastollista merkitsevyyttä piirteenvalintamenetelmänä. Ristiinvalidointitarkkuudeksi saatiin 86\%, niin että sensitiivisyys epileptisiin kohtauksiin oli 75\% ja spesifisyys toiminnallisiin kohtauksiin käyttäen 89\%. Testitarkkuus erilliselle testijoukolle oli 82\%. Työn tulosten perusteella videopohjainen ja ei-invasiivinen kohtausten monitorointi on kustannustehokas menetelmä konvulsiivisten epileptisen ja toiminnallisten kohtausten luokittelemiseksi. Menetelmä tarjoaa mahdollisuuden kotimonitorointiin, mikä puolestaan vähentää sairaanhoidon kustannuksia ja lisää potilaan mukavuutta. Tulokset osoittavat, että tarkemman luokittelun saavuttamiseksi kohtaustyypit on eroteltava kansainvälisen epilepsia-alan tiedejärjestön International League Against Epilepsy (ILAE) luokkien mukaan ennen koneoppimismallin opettamista.Description
Supervisor
Linna, RikuThesis advisor
Knight, AndrewKeywords
epileptic seizure, functional seizure, seizure classification, random forest, optical flow
