Avaliação do uso de redes neurais recorrentes como possível preditora de ataques epiléticos

Abstract

A ocorrência de ataques epiléticos é um problema que dificulta o quotidiano de muitas pessoas que sofrem dessa desordem, podendo causar riscos ao indivíduo e às pessoas à sua volta. A possibilidade de predição de ataques epiléticos poderia trazer uma forma de minimizar os riscos associados a esses ataques. Dado que a epilepsia tem origem em atividades anormais de sinais cerebrais, uma forma de monitoramento desses sinais e, consequentemente, da ocorrência de ataques epiléticos, é a Eletroencefalografia. Através da análise computacional desses dados se desenvolveu uma variação de Rede Neural Artificial Recorrente do tipo Long Short Term Memory de forma a classificar segmentos de sinais de Eletroencefalografia que indiquem a iminência da ocorrência de um evento epilético, segmentos que representam o denominado estado pré-ictal. Com a utilização de uma base de dados de Eletroencefalografia de indivíduos epiléticos obtida no Children’s Hospital Boston pela base de dados Physionet, foram criados grupos de pacientes, então selecionados os canais de Eletroencefalografia em comum e reduzidos para apenas 25% desses com base em estudos sobre redução de canais na determinação de eventos epiléticos. Foram extraídas características temporais e espectrais, sendo elas o valor médio quadrático, desvio padrão, número de picos observados acima de um limiar, Transformada Rápida de Fourier e densidade espectral de potência. Além de utilizar os dados obtidos, foram propostas três técnicas de manipulação de dados, sendo a primeira técnica a sobreposição de dados de entrada de treinamento, a segunda técnica propôs o deslocamento dos valores alvo de treinamento para demarcar manualmente regiões pré-ictais, e a última técnica consistiu na união das duas primeiras. Utilizando os dados de Eletroencefalografia e características extraídas dos mesmos, foi treinada a Rede Neural utilizando a estrutura básica e as três técnicas propostas. Se obteve taxas de acerto da Rede Neural de mais de 99%, entretanto os resultados demonstraram que com a metodologia proposta não foi possível classificar regiões pré-ictais, além da Rede Neural ser fortemente dependente dos padrões de Eletroencefalografia do paciente analisado. Apesar disso se observou que a Rede Neural conseguiu classificar regiões ictais com até 61% de sensitivity (taxa de verdadeiros positivos) e até 99% de specificity (taxa de verdadeiros negativos), demonstrando a capacidade de Redes Neurais Recorrentes do tipo Long Short Term Memory de apreenderem padrões temporais.

The occurence of epileptic seizures is a problem that make everyday life difficult for many people who suffer from this disorder, may causing risks to the subjects and people around them. The possibility of predicting epileptic seizures could bring a way to minimize the risks associated to these attacks. Given the epilepsy has its origins in abnormal activity of brain signals, a way to monitor these signals and, consequently, the occurence of epileptic seizures, is the Electroencephalography. Through computational analysis of these data, a variation of Recurrent Artificial Neural Network of Long Short Term Memory type was developed in such a way to try to classify segments of signals of Electronencephalography that point to the imminence of the occurence of an epileptic seizure, segments which evince the named pre-ictal state. Using a Electroencephalography database of epileptic individuals collected at the Children’s Hospital Boston by the Physionet database, groups of patients were created, then Electroencephalography channels in common were selected and reduced by only 25% based on studies about channel reduction in determination of epileptic events. Temporal and spectral characteristics were extracted, being these the root mean square, standard deviation, number of peaks observed above a threshold, Fast Fourier Transform and power spectral density. Besides using the obtained data, three data manipulation technics were proposed, being the first technique the sobreposition of input training data, the second technique proposed the shift of training target values to manually mark pre-ictal regions, and the last technique consisted in the union of the first two. High accuracies above 99% were obtained from the Neural Network, however the results showed that it wasn’t possible to classify pre-ictal regions by using the proposed methodology, in addition to a strong dependency observed between the Neural Network performance and the Electroenphalographic patterns of analyzed patients. Beyond that it was observed that the Neural Network managed to classify ictal regions with up to 61% sensitivity (true positive rate) and up to 99% specificity (true negative rate), showing the capacity of Recurrent Neural Networks of Long Short Term type to assimilate temporal patterns.