Real-time electroencephalography-based spike detection for suppression of epileptogenic activity with transcranial magnetic stimulation
Loading...
URL
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.
Authors
Date
Department
Major/Subject
Mcode
SCI3059
Degree programme
Language
en
Pages
58 + 3
Series
Abstract
Epilepsy is one of the most common neurological disorders. In epilepsy, some parts of the cortex are hyperexcitable, causing pathologic hypersynchronous bursts of electrical activity called spikes, which can be detected with the electroencephalogram (EEG). Repetitive transcranial magnetic stimulation (rTMS) can decrease cortical excitability, making it a promising approach for treating epilepsy. Consistent delivery of TMS pulses at a specific excitability state, e.g., during or at a fixed latency after an epileptic spike, might lead to effective suppression of the epileptic activity. This Thesis presents a real-time EEG-guided pipeline for spike-time-controlled TMS. A convolutional neural network algorithm, LF-CNN, was trained to classify 120-ms segments of EEG as spike or non-spike activity. The training data set was an EEG recording with 292 spikes, measured from a patient with self-limited epilepsy with centrotemporal spikes (SeLECTS). The trained LF-CNN model was integrated into an in-house real-time EEG-guided TMS software. The implementation classifies the on-going EEG every 10 ms: if the data segment is classified as a spike, a TMS trigger is sent. The real-time implementation was tested with an EEG recording containing 282 spikes from the same patient. Additionally, localization of the epileptogenic locus with dipole fitting was investigated offline. The real-time implementation was able to detect 52% of the spikes, resulting in 6% erroneously sent triggers, i.e., false positives. In offline testing mimicking the real-time behaviour, 99% of the spikes were detected and 11% of the triggers were erroneous. The source localization found an accurate estimate for the epileptogenic locus with only 5 real-time-detected spikes. The presented pipeline allows targeting TMS in a spike-time-controlled fashion with high specificity. The sensitivity of the real-time implementation, as well as the consistency of the TMS trigger latency should still be improved. The investigated source localization should also be included in the implementation. The pipeline is likely to enable EEG-triggered stimulation experiments in epilepsy patients, and provide means to modify epileptogenic activity with TMS.Epilepsia on yksi yleisimmistä neurologisista sairauksista. Epilepsiaa sairastavilla tietyt aivokuoren osat ovat aktivaatioyliherkkiä aiheuttaen hypersynkronisia, piikeiksi kutsuttuja sähköisen toiminnan purkauksia, jotka voidaan havaita aivosähkökäyrässä (EEG). Sarjassa annettava transkraniaalinen magneettistimulaatio (rTMS) voi madaltaa aivokuoren aktivaatioherkkyyttä tehden siitä lupaavan epilepsian hoitokeinon. Jos TMS-pulsseja annetaan aina tietyn aivotilan kohdalla, esimerkiksi piikin aikana, epileptinen aivotoiminta saattaa vaimentua. Tässä diplomityössä esitellään menetelmä reaaliaikaiseen EEG-ohjattuun piikkiperustaiseen TMS:n ajoittamiseen. Konvoluutioneuroverkkoalgoritmi LF-CNN opetettiin luokittelemaan 120 millisekunnin pituisia EEG-osioita joko piikeiksi tai ei-piikeiksi. Opetusdata rakennettiin 292 piikkiä sisältävästä EEG-datasta, joka oli mitattu rolandista epilepsiaa sairastavalta potilaalta. Opetettu LF-CNN-malli integroitiin tutkimusryhmässämme kehitettyyn reaaliaikaiseen EEG--TMS-ohjelmistoon. Toteutus luokittelee EEG-dataa 10 millisekunnin välein, ja mikäli data luokitellaan piikiksi, lähettää ohjelma sähköisen TMS-liipaisinsignaalin. Reaaliaikaista toteutusta testattiin 282 piikkiä sisältävällä, samalta potilaalta mitatulla EEG-datalla. Lisäksi tutkittiin epileptogeenisen alueen paikannusta dipolisovituksen avulla ei-reaaliaikaisesti. Reaaliaikaisen toteutuksen lähettämien liipaisinsignaalien perusteella se havaitsi 52 % piikeistä ja vain 6 % sen lähettämistä signaaleista oli virheellisiä eli ei liittynyt piikkeihin. Ei-reaaliaikainen versio toteutuksesta havaitsi 99 % piikeistä ja 11 % sen lähettämistä signaaleista oli virheellisiä. Paikannus löysi luotettavan arvion epileptogeeniselle alueelle jo 5 piikin datan avulla. Työssä esitelty menetelmä mahdollistaa TMS-pulssien antamisen tarkasti piikeistä riippuvina ajankohtina. Toteutuksen herkkyyttä piikkien havaitsemiselle on vielä parannettava, kuten myös liipaisinsignaalin lähetysajan yhtenäisyyttä suhteessa piikkiin. Lisäksi tutkittu paikannusmenetelmä tulisi toteuttaa reaaliaikaiseksi. Menetelmä mahdollistanee EEG-ohjattuja TMS-kokeita epilepsiapotilailla, ja siten tarjonnee keinoja epileptisen aivotoiminnan muokkaamiseen TMS:n avulla.Description
Supervisor
Renvall, HannaThesis advisor
Lioumis, PantelisMutanen, Tuomas