Modelos de aprendizado de máquina no estudo e previsão de crises epilépticas

Abstract

A epilepsia é uma doença que afeta em torno de 50 milhões de pessoas em todo o mundo. É caracterizada por crises recorrentes que podem ser de diferentes tipos podendo levar a prejuízos à vida dessas pessoas. Estima-se que cerca de um terço dos pacientes com epilepsia tenham crises refratária aos medicamentos, disponíveis. Epilepsia refratária pode causar danos cerebrais afetando a qualidade de vida do paciente. Às vezes o tratamento para cessar as crises destes pacientes é cirúrgico com a remoção do tecido cerebral afetado. Para estes pacientes com epilepsia refratária, a previsão das crises poderia ser importante para que atuações possam ser feitas no intuito de impedir a ocorrência das mesmas. Técnicas de previsão de crises usando modelagem matemática e aprendizado de máquina têm sido exploradas com bons resultados, embora nem sempre com um modelo online que possa prever essas crises em tempo real. Neste trabalho avaliamos o desempenho de um modelo de aprendizado profundo treinado com dados de EEG de conjuntos de dados abertos, utilizando diferentes técnicas de pré-processamento para prever a ocorrência das crises. Os modelos foram treinados para que a previsão pudesse ser feita em um intervalo de até 30 minutos antes de sua ocorrência. Diferentes modelos foram treinados com 4 métodos de pré-processamento: transformada de onduletas, transformada de onduletas + filtro AR, transformada de onduletas + filtro de onduletas e acoplamento fase-amplitude. Todos os modelos usaram a mesma rede neural convolucional, com entradas adaptadas. A performance m´edia (AUC) dos modelos atingiu 81,5%, 80,5%, 80,7% e 94,3%, respectivamente, e o último modelo atingiu 100% de performance para alguns indivíduos. Os resultados mostram que é possível prever essas crises com precisão e em tempo real, possibilitando que a engenharia de dispositivos possa ser utilizadas por pessoas e auxiliá-las na identificaççao e no manejo das crises.

Epilepsy is a disease that affects approximately 50 million of people worldwide; it’s characterized by spontaneous recurrent seizures that can go undetected of different types that can impair the quality of life of these patients. It is estimated that about one third of patients with epilepsy have refractory seizures: seizures resistant to available medication. The refractory epilepsy can cause damage to the brain, affecting their quality of life. For some of these patients, the surgical treatment this affected brain tissue removal can help to decrease de seizure frequency. For the patients with refractory epilepsy, prediction of seizures would be important to find a way to stop the occurrence of the seizures. Seizure prediction techniques using mathematical modeling and machine learning have been explored with good results, even though not always with an online model that can predict these seizures in real time. In this work, we assess the performance of a deep learning model trained with EEG data from open datasets, utilizing different preprocessing techniques to predict the occurrence of seizures. The models were trained so that the prediction could be made within a 30-minute interval before its occurrence. Different models were trained with 4 preprocessing methods: wavelet transform, wavelet transform + AR filter, wavelet transform + wavelet filter and phase-amplitude coupling. All the models used the same convolutional neural network, with inputs adapted. Average AUC score of the models reached 81.5%, 80.5%, 80.7% and 94.3%, respectively, and the last model reached 100% AUC score for some subjects. The results show that it is possible to predict these seizures with both precision and in real time, enabling the engineering of gadgets that can be carried by people and help them in the identification and management of seizures.