Menetelmiä automaattiselle epileptisten kohtausten tunnistamiselle: Piirteiden valinta ja arviointi

Abstract

Epileptinen kohtaus aiheutuu aivoissa niiden epänormaalista sähköisestä toiminnasta. Kun kohtaus on ei-konvulsiivinen, ulkoisia merkkejä, kuten lihaskouristuksia, ei havaita. Tästä syystä ei-konvulsiiviset kohtaukset voidaan havaita vain mittaamalla aivojen sähköisiä signaaleja aivosähkökäyrällä (elektroenkefalografia, EEG).

Ei-konvulsiiviset kohtaukset ovat yleisiä tehohoidossa. Niiden havaitseminen on tärkeää, sillä viivästyneellä diagnoosilla ja kohtauksen kestolla on yhteys kuolleisuuteen ja sairastavuuteen. Diagnosointia varten EEG tarvitsee kokeneen neurofysiologin tulkinnan. Signaalin analysointi on raskasta ja aikaa vievää, ja tästä syystä automaattisesta kohtausten havaitsemisesta olisi tehohoidossa apua.

Tässä tutkimuksessa verrattiin kahden neurofysiologin merkintöjä kohtausten ajankohdista 50 tehohoitopotilaalla. Yksimielisyys neurofysiologien välillä oli kohtalainen.

Kohtausajanjaksoja, joista asiantuntijat olivat yksimielisiä, sekä dataa 55 tehohoitopotilaalta, joilla ei ollut kohtauksia, käytettiin sellaisten EEG-piirteiden etsimiseen, joilla voitaisiin erottaa kohtaukset jaksoista ilman kohtauksia. 18 piirrettä laskettiin useilla aikaikkunoilla kahdesta kaksiulotteisesta EEG-piirreavaruudesta. Lisäksi EEG:stä laskettiin spektrimuuttujia sekä piikkien määrä minuutissa. Piirteiden valinta suoritettiin optimisointimenetelmällä.

Piirreyhdistelmät muodostettiin 5, 7 ja 10 piirteellä, ja niiden suorituskykyä vertailtiin itsenäisellä aineistolla, joka muodostui EEG-mittauksista 40 tehohoitopotilaalla, kohtauksilla ja ilman kohtauksia. 5 piirteen mallilla oli paras suorituskyky.

5 piirteen malli havaitsi itsenäisestä aineistosta kaikki 11 potilasta, joilla oli yksiselitteisiä kohtauksia. Mediaanisensitiivisyys potilaiden yli oli 0.90 ja mediaani väärien havaintojen asteesta 0.56 havaintoa tunnissa. Tulokset ovat lupaavia, mutta lisäkehitystä tarvitaan väärien havaintojen vähentämiseksi.

Epileptic seizure is caused by abnormal electrical activity in the brain. When a seizure is nonconvulsive, external indications of seizure, such as muscle contractions, are not visible. Nonconvulsive seizures can be detected only by measuring the electrical signals of the brain with electroencephalogram (EEG).

Nonconvulsive seizures are common in intensive care unit (ICU). Detection of seizures is important, because the delay of diagnosis and duration of seizures have association with mortality and morbidity. For the diagnosis, EEG needs to be reviewed by an experienced reader. The analysis of EEG signals is burdensome and time-taking, and therefore, an automatic detection method for seizures in intensive care would provide a great help.

In this study, seizure markings of two certified EEG readers in EEG records of 50 ICU patients were compared. The agreement between the readers was moderate.

Seizure periods agreed by the experts and data from 55 ICU patients without seizures were used to search features from EEG that could distinguish seizure activity from non-seizure activity. 18 features were computed in several time windows from two two-dimensional EEG feature spaces. In addition, spectral features and spike rate were computed from EEG signal. Feature selection was performed with an optimizing method.

Feature combinations of 5, 7, and 10 features were formed. Their performance was compared in an independent data set of EEG records of 40 ICU patients, including patients with and without seizures. 5-feature-model had the best performance among the models.

5-feature-model detected in the independent data set all 11 patients with unequivocal seizures. Median sensitivity over patients was 0.90 and median false positive rate was 0.56 false positives per hour. Results are promising, but further development is needed for reducing the false positive rate.