Development of an Epileptiform Spike Detector

Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

Helsinki University of Technology | Diplomityö
Checking the digitized thesis and permission for publishing
Instructions for the author

Authors

Date

2009

Department

Lääketieteellisen tekniikan ja laskennallisen tieteen laitos

Major/Subject

Lääketieteellinen tekniikka

Mcode

Tfy-99

Degree programme

Language

en

Pages

60

Series

Abstract

Monitoring of the most crucial parameters describing the status of patients heart and lungs are already fully automated in modern intensive care unit (ICU) patient monitoring. However, many of the ICU patients also suffer from neurological complications, which are associated with increasing mortality rates and longer medical ICU and hospital lengths of stay. Electroencephalogram (EEG) is widely used method to monitor these complications, but it is one of the last routine clinical procedures to be fully automated. Epilepsy is the name of a brain disorder. It is characterized by epileptic seizures, which are recurrent and unpredictable interruptions of normal brain function. Seizure prediction and early recognition are primary research priorities in development of an automated EEG monitoring. Typical features in the EEG activity that are characteristic to epilepsy are spikes, sharp waves and bursts of spike and wave. That is why detecting these spikes and sharp waves is one way trying to observe EEG seizure. The aim of this master's thesis is to develop an automated single channel epileptiform spike detector. Easy measurement setup, which restricts the number of measuring electrodes, is a demand for any monitoring system to be accepted in routine use in the ICU. In this work a new spike detection method is introduced. This method uses both wavelet and sequential analysis to identify features characteristic for epileptiform spikes. Obtained results were 88.4% sensitivity and 90.4% positive predictive value in the case of test data. Clinical applicability of the developed spike detector was evaluated using two different data sets containing 152 patients in total.

Potilaan kannalta tärkeimpien sydämen ja keuhkojen tilaa kuvaavien parametrien monitorointi on jo täysin automatisoitu nykyaikaisessa tehohoitoympäristössä. Moni tehohoidossa oleva potilas kärsii kuitenkin myös neurologisista komplikaatioista, jotka ovat yhteydessä kohonneeseen kuolleisuuteen ja pidempiin hoitojaksoihin tehohoidossa ja sairaalassa. Aivosähkökäyrä (EEG) on laajalti käytetty menetelmä näiden komplikaatioiden havaitsemiseen, mutta se on viimeisiä rutiinitoimenpiteitä, joita ei ole täysin automatisoitu modernissa tehohoidossa. Epilepsiaksi kutsutaan aivojen sairautta. Sille ovat ominaisia epileptiset kohtaukset, jotka ovat toistuvia ja ennustamattomia normaalin aivotoiminnan häiriöitä. Epileptisen kohtauksen ennustaminen ja aikainen havaitseminen ovat tärkeimpiä tutkimuskohteita automaattisen EEG-monitoroinnin kehittämisessä. Tyypillisiä piirteitä EEG:ssä epileptisen kohtauksen aikana ovat piikit, terävät aallot ja piikin ja sitä seuraavan aallon purskeet. Näiden piikkien ja terävien aaltojen havaitseminen on yksi keino epileptisen kohtauksen havaitsemiseksi. Tämän työn tarkoituksena on kehittää automatisoitu yksikanavainen piikkidetektori. Helppo mittausjärjestely on vaatimus jokaiselle monitorointijärjestelmälle tehohoidossa, joka rajoittaa käytössä olevien EEG kanavien määrää. Tässä työssä esitellään uudenlainen menetelmä epileptisten piikkien havaitsemiseksi. Menetelmä käyttää sekä wavelet-analyysiä että sekventiaalista analyysiä piikeille tyypillisten piirteiden havaitsemiseksi. Menetelmällä saavutettiin 88.4 % sensitiivisyys ja 90.4 % selektiivisyys testidatalle. Menetelmän kliinistä soveltuvuutta evaluoitiin kahdella eri data ryhmällä, jotka koostuivat yhteensä 152 potilaasta.

Description

Supervisor

Meriläinen, Pekka

Thesis advisor

Särkelä, Mika

Keywords

EEG, EEG, epilepsy, epilepsia, seizure, epileptinen kohtaus, spike detector, piikkidetektori, wavelet analysis, wavelet-analyysi, ROC curve, ROC-käyrä

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-2020120555733

Collections

[dipl] Teknillinen korkeakoulu / TKK