Automated seizure detection for neonatal EEG
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Doctoral thesis (article-based)
| Defence date: 2023-01-25
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
Major/Subject
Mcode
Degree programme
Language
en
Pages
94 + app. 56
Series
Aalto University publication series DOCTORAL THESES, 198/2022
Abstract
Epileptic seizures damage the developing brain. Therefore, newborns with high risk of seizures must be continuously monitored to ensure that seizures are detected as quickly as possible. Reliable detection of seizures requires multichannel electroencephalography recordings to be analyzed by experienced clinical experts, such as neurophysiologists. Since this expertise is not always available, there is a demand for automatic seizure detection methods. The challenge in the development of neonatal seizure detection algorithms has been threefold: 1) to define features that best represent the characteristics of neonatal seizures, 2) to find a comprehensive suite of measures to assess the goodness of the algorithm and define its potential utility in clinical practice, and 3) to overcome the lack of open-access data sets that hinders algorithm development. In this thesis, features were defined for detecting the non-stationary periodic characteristics of neonatal seizures in both time and joint time–frequency domains. These features, after excluding outliers, were integrated by a support vector machine incorporated in a neonatal seizure detection algorithm. This algorithm was compared to alternative methods of seizure detection, such as the deep convolutional neural network. To accurately assess algorithm performance, measures for generalizability, non-inferiority to the annotation of the human expert, and clinical relevance were developed. Generalizability was assessed as the consistency of performance between training (through cross-validation) and unseen independent data. Non-inferiority was estimated by comparing the inter-observer agreement of human experts only to a composite human expert/algorithm agreement. Clinical relevance measures evaluated clinically relevant interpretations of algorithm annotation such as short-term seizure burden. The developed measures proved highly discriminatory for seizures, the final algorithm generalized to unseen data, was non-inferior to human annotation with increased diversity in the training data set and provided a clinically relevant interpretation of the recordings. These performance measures comprehensively assess the goodness and clinical efficacy of the algorithm. The data set used to train the proposed algorithm as well as the original algorithm have been made openly accessible to facilitate seizure detector development and comparisons in the future.Sellaiset vastasyntyneet lapset, joilla on suuri riski epileptisille kohtauksille, tarvitsevat kriittistä hoitoa, sillä kohtausten tiedetään vahingoittavan kehittyviä aivoja. Kohtauksia havainnoidaan mittaamalla vastasyntyneen aivosähkökäyrää, josta neurofysiologit tunnistavat kohtaukselle ominaisia signaalipiirteitä. Vaadittavaa neurofysiologista asiantuntemusta ei kuitenkaan aina ole saatavilla, joten tutkimusten tulkintaan tarvitaan automaattisia menetelmiä. Vastasyntyneiden kohtauksia tunnistavien algoritmien kehitys on haastavaa monista syistä. Kohtauksia aivojen normaalista taustatoiminnasta erottelevien signaalipiirteiden tunnistus on vaativaa, algoritmin suorituskykyä monipuolisesti mittaavista suureista ei ole yhteistä näkemystä, ja lisäksi olemassa olevien algoritmien keskinäinen luotettava vertailu ei ole ollut mahdollista avoimien aineistojen puutteen vuoksi. Tässä väitöskirjassa kehitettiin menetelmiä vastasyntyneiden aivosähkökäyrän automaattiseen tulkintaan. Kompleksisten signaalipiirteiden ja koneoppimismenetelmien avulla epileptisiä kohtauksia saatiin erotettua taustasignaalista. Tutkimuksessa kehitetyt uudet signaalipiirteet yhdistettynä aiempien tutkimusten mukaisten signaalipiirteiden kanssa muodostavat algoritmin, joka tukivektorikoneita hyödyntäen luokittelee aivosähkökäyrän signaalia kohtauksiin ja taustasignaaliin. Tutkimuksessa kokeiltiin myös erilaisia luokittimia. Osatöissä tutkittiin muun muassa konvoluutioneuroverkon etuja signaalipiirteiden automaattisessa erottelussa, sekä erilaisia poikkeavien signaalipiirteiden erottelumenetelmiä. Lisäksi tutkittiin useita suorituskykyä mittaavia menetelmiä. Algoritmin suoriutumista vertailtiin myös kahden aineiston välillä. Asiantuntijan suorittama luokittelu toimi vertailukohtana algoritmin tuottamalle luokittelulle. Usean asiantuntijan luokitteluja toisiinsa vertailemalla saatiin referenssiarvo, jonka avulla mitattiin, onko algoritmin luokittelu ihmisasiantuntijoista poikkeava. Lisäksi tutkimuksessa vertailtiin algoritmin luokittelemien kohtausten määrää ja kestoa asiantuntijan vastaaviin luokitteluihin, joiden perusteella arvioitiin algoritmin kliinistä hyötyä. Kehityksessä käytetty aineisto ja alkuperäinen algoritmi julkaistiin lopuksi avoimeen käyttöön. Tutkimuksessa kehitetyt menetelmät erottelivat kohtauksia signaalista aiempia menetelmiä tarkemmin, ja lopullisen algoritmin suorituskyvyn taso oli kehitykseen ja testaamiseen käytetyillä aineistoilla yhtenevä. Algoritmin tuottama arvio kohtauksista oli kliinisesti merkittävä, ja luokittimen kehitykseen käytetyn aineiston diversiteettiä lisäämällä todettiin, että luokittelu ei merkittävästi poikkea asiantuntijan luokittelusta.Description
Supervising professor
Parkkonen, Lauri, Prof., Aalto University, Department of Neuroscience and Biomedical Engineering, FinlandThesis advisor
Stevenson, Nathan, Dr., QIMR Berghofer Medical Research Institute, AustraliaVanhatalo, Sampsa, Prof., Helsinki University Hospital and University of Helsinki, Finland
Other note
Parts
-
[Publication 1]: Karoliina Tapani, Sampsa Vanhatalo and Nathan J. Stevenson. Incorporating spike correlations into an SVM-based neonatal seizure detector. In European Medical and Biological Engineering Conference, Nordic-Baltic Conference on Biomedical Engineering and Medical Physics, pages 322–325, June 2017.
DOI: 10.1007/978-981-10-5122-7_81 View at publisher
-
[Publication 2]: Karoliina Tapani, Sampsa Vanhatalo and Nathan J. Stevenson. Timevarying EEG correlations improve automated neonatal seizure detection. International Journal of Neural Systems, volume 29, issue 04, pages 1850030, May 2019.
DOI: 10.1142/S0129065718500302 View at publisher
-
[Publication 3]: Nathan J. Stevenson, Karoliina Tapani, Leena Lauronen and Sampsa Vanhatalo. A dataset of neonatal EEG recordings with seizure annotations. Scientific data, volume 6, issue 1, pages 1–8, March 2019.
DOI: 10.1038/sdata.2019.39 View at publisher
-
[Publication 4]: Nathan J. Stevenson, Karoliina Tapani, and Sampsa Vanhatalo. Hybrid neonatal EEG seizure detection algorithms achieve the benchmark of visual interpretation of the human expert. In 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pages 5991–5994, July 2019.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202206153813DOI: 10.1109/EMBC.2019.8857367 View at publisher
-
[Publication 5]: Karoliina Tapani, Päivi Nevalainen, Sampsa Vanhatalo and Nathan J. Stevenson. Validating an SVM-based neonatal seizure detection algorithm for generalizability, non-inferiority and clinical efficacy. Computers in Biology and Medicine, volume 145, pages 105399, March 2022.
DOI: 10.1016/j.compbiomed.2022.105399 View at publisher