Detection of epileptic seizures with the use of convolutional neural networks

• Autorzy: Wiszniewski Przemysław , Kołodziej Marcin , Majkowski Andrzej , Rysz Andrzej

Identyfikatory

DOI

10.15199/48.2023.02.07

Warianty tytułu

PL

Wykrywanie napadów padaczkowych z wykorzystaniem konwolucyjnych sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The purpose of the article is to investigate whether the implementation of a CNN consisting of several layers will allow the effective detection of epileptic seizures. For the research, a publicly available database registered for 4 dogs and 8 people was used. The 1-second iEEG recordings were marked by a neurophysiologist as interictal, early seizure, and seizure. A CNN was trained for each patient individually. Coefficients such as precision, AUC, sensitivity, and specificity were calculated, and the results were compared with the best algorithms published in one of the contests on the Kaggle platform. The average accuracy for the recognition of seizures using CNN is 0.921, the sensitivity is 0.850, and the specificity is 0.927. For early seizures these values are 0.825, 0.782, and 0.828, respectively.

PL

Celem artykułu było zbadanie czy zastosowanie sieci CNN, składającej się z kilku warstw umożliwi skuteczną detekcję napadów epileptycznych. Na użytek badań zastosowano ogólnodostępną bazę danych zarejestrowaną dla 4 psów oraz 8 ludzi. Jednosekundowe zapisy sygnału iEEG zostały oznaczone przez neurofizjologa jako: międzynapadowe, wczesnonapadowe oraz napadowe. Zaproponowano strukturę sieci CNN, a następnie wytrenowano ją dla każdego pacjenta indywidualnie. Zostały wyliczone współczynniki takie jak: trafność, AUC, czułość, specyficzność. Następnie wyniki zostały porównane do osiągniętych w najlepszych algorytmach opublikowanych w konkursie na platformie Kaggle. Średnia skuteczność rozpoznawania napadów z wykorzystaniem sieci CNN wynosi 0.921, czułość 0.850, a specyficzność 0.927. Dla okresów wczesnonapadowych wartości te wynoszą odpowiednio 0.825, 0.782 i 0.828.

Słowa kluczowe

EN

seizure detection; convolutional neural network; iEEG; classification; feature extraction

PL

detekcja napadów epileptycznych; konwolucyjne sieci neuronowe; iEEG; klasyfikacja; ekstrakcja cech

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 2
• Strony: 51--55
• Opis fizyczny: Bibliogr. 26 poz., rys., tab.

Twórcy

autor

Wiszniewski Przemysław

• Warsaw University of Technology, pl. Politechniki 1, 00-661 Warszawa

• https://orcid.org/0000-0002-2336-841X

autor

Kołodziej Marcin

• Warsaw University of Technology, pl. Politechniki 1, 00-661 Warszawa

• https://orcid.org/0000-0003-2856-7298

autor

Majkowski Andrzej

• Warsaw University of Technology, pl. Politechniki 1, 00-661 Warszawa

• https://orcid.org/0000-0002-6557-836X

autor

Rysz Andrzej

• Wojskowy Szpital Kliniczny z Polikliniką SPZOZ w Lublinie Filia w Ełku, Oddział Neurochirurgii, ul. Kościuszki 30,19-300 Ełk

• https://orcid.org/0000-0002-8272-7275

Bibliografia

• [1] H. Oguni, “Diagnosis and treatment of epilepsy,” Epilepsia, vol. 45 Suppl 8, pp. 13–16, 2004, doi: 10.1111/j.0013-9580.2004.458003.x.
• [2] E. Magiorkinis, A. Diamantis, K. Sidiropoulou, and C. Panteliadis, “Highights in the History of Epilepsy: The Last 200 Years,” Epilepsy Res. Treat., vol. 2014, pp. 1–13, Aug. 2014, doi: 10.1155/2014/582039.
• [3] L. J. S. Knutsen and M. Williams, “6.11 - Epilepsy,” in Comprehensive Medicinal Chemistry II, J. B. Taylor and D. J. Triggle, Eds. Oxford: Elsevier, 2007, pp. 279–296. doi: 10.1016/B0-08-045044-X/00171-1.
• [4] A. Ulate-Campos, F. Coughlin, M. Gaínza-Lein, I. S. Fernández, P. L. Pearl, and T. Loddenkemper, “Automated seizure detection systems and their effectiveness for each type of seizure,” Seizure, vol. 40, pp. 88–101, Aug. 2016, doi: 10.1016/j.seizure.2016.06.008.
• [5] B. Byrom, M. McCarthy, P. Schueler, and W. Muehlhausen, “Brain Monitoring Devices in Neuroscience Clinical Research: The Potential of Remote Monitoring Using Sensors, Wearables, and Mobile Devices,” Clin. Pharmacol. Ther., vol. 104, no. 1, pp. 59–71, Jul. 2018, doi: 10.1002/cpt.1077.
• [6] W. J. Bosl, A. Leviton, and T. Loddenkemper, “Prediction of Seizure Recurrence. A Note of Caution,” Front. Neurol., vol. 12, p. 675728, 2021, doi: 10.3389/fneur.2021.675728.
• [7] M. Natu, M. Bachute, S. Gite, K. Kotecha, and A. Vidyarthi, “Review on Epileptic Seizure Prediction: Machine Learning and Deep Learning Approaches,” Comput. Math. Methods Med., vol. 2022, pp. 1–17, Jan. 2022, doi: 10.1155/2022/7751263.
• [8] M. Kołodziej, A. Majkowski, and R. Rak, “A new method of feature extraction from EEG signal for brain-computer interface design,” Przeglkad Elektrotechniczny, Jan. 2010.
• [9] K. Schindler, H. Leung, C. E. Elger, and K. Lehnertz, “Assessing seizure dynamics by analysing the correlation structure of multichannel intracranial EEG,” Brain, vol. 130, no. 1, pp. 65–77, Nov. 2006, doi: 10.1093/brain/awl304.
• [10] M. Borowska and N. Białobłocka, “Multiresolution Analysis of EEG Signals,” Stud. Log. Gramm. Rhetor., vol. 47, Dec. 2016, doi: 10.1515/slgr-2016-0044.
• [11] R. Atangana, D. Tchiotsop, G. Kenne, and L. Djoufack, “EEG Signal Classification using LDA and MLP Classifier,” vol. 9, pp. 14–32, Feb. 2020, doi: 10.5121/hiij.2020.9102.
• [12] K. Singh and J. Malhotra, “Two-layer LSTM network-based prediction of epileptic seizures using EEG spectral features,” Complex Intell. Syst., vol. 8, no. 3, pp. 2405–2418, Jun. 2022, doi: 10.1007/s40747-021-00627-z.
• [13] M. Zhou et al., “Epileptic Seizure Detection Based on EEG Signals and CNN,” Front. Neuroinformatics, vol. 12, p. 95, Dec. 2018, doi: 10.3389/fninf.2018.00095.
• [14] V. Patel, J. Tailor, and A. Ganatra, “Essentials of Predicting Epileptic Seizures Based on EEG Using Machine Learning: A Review,” Open Biomed. Eng. J., vol. 15, no. 1, Oct. 2021, doi: 10.2174/1874120702115010090.
• [15] A. Temko, A. Sarkar, and G. Lightbody, “Detection of seizures in intracranial EEG: UPenn and Mayo Clinic’s Seizure Detection Challenge,” Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu. Int. Conf., vol. 2015, pp. 6582–6585, 2015, doi: 10.1109/EMBC.2015.7319901.
• [16] S. Kovac, V. N. Vakharia, C. Scott, and B. Diehl, “Invasive epilepsy surgery evaluation,” Seizure, vol. 44, pp. 125–136, Jan. 2017, doi: 10.1016/j.seizure.2016.10.016.
• [17] “UPenn and Mayo Clinic’s Seizure Detection Challenge.” https://kaggle.com/competitions/seizure-detection (accessed Aug. 16, 2022).
• [18] S. N. Baldassano et al., “Crowdsourcing seizure detection: algorithm development and validation on human implanted device recordings,” Brain J. Neurol., vol. 140, no. 6, pp. 1680–1691, Jun. 2017, doi: 10.1093/brain/awx098.
• [19] S. Indolia, A. K. Goswami, S. P. Mishra, and P. Asopa, “Conceptual Understanding of Convolutional Neural Network A Deep Learning Approach,” Procedia Comput. Sci., vol. 132, pp. 679–688, Jan. 2018, doi: 10.1016/j.procs.2018.05.069.
• [20] T. Fawcett, “An introduction to ROC analysis,” Pattern Recognit. Lett., vol. 27, no. 8, pp. 861–874, Jun. 2006, doi: 10.1016/j.patrec.2005.10.010.
• [21] A. Tharwat, “Classification assessment methods,” Appl. Comput. Inform., vol. 17, no. 1, pp. 168–192, Jan. 2020, doi: 10.1016/j.aci.2018.08.003.
• [22] Y. Ma and H. He, Imbalanced Learning: Foundations, Algorithms, and Applications. John Wiley & Sons, 2013.
• [23] R. Parikh, A. Mathai, S. Parikh, G. Chandra Sekhar, and R.Thomas, “Understanding and using sensitivity, specificity and predictive values,” Indian J. Ophthalmol., vol. 56, no. 1, pp. 45–50, 2008.
• [24] R. Trevethan, “Sensitivity, Specificity, and Predictive Values: Foundations, Pliabilities, and Pitfalls in Research and Practice,” Front. Public Health, vol. 5, p. 307, 2017, doi: 10.3389/fpubh.2017.00307.
• [25] W. Siblini, J. Fréry, L. He-Guelton, F. Oblé, and Y.-Q. Wang, “Master Your Metrics with Calibration,” in Advances in Intelligent Data Analysis XVIII, Cham, 2020, pp. 457–469. doi: 10.1007/978-3-030-44584-3_36.
• [26] C. K. I. Williams, “The Effect of Class Imbalance on Precision Recall Curves,” Neural Comput., vol. 33, no. 4, pp. 853–857, Apr. 2021, doi: 10.1162/neco_a_01362.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).