Детекција епилептиформних активности у ЕЕГ сигналима применом статистичког препознавања облика

Abstract

Епилепсија представља најучесталији поремећај мождане активности и испољава се изненадним и понављајућим нападима који су последица прекомерног и синхроног електричног пражњења великог броја неурона у мозгу које се може у већини случајева визуелно уочити на електроенцефалограму (ЕЕГ). Обзиром да стандардни фармаколошки начин лечења овог поремећаја врло често не даје очекиване резутате најновија истраживања су усмерена у правцу развоја система за директну електричну стимулацију мозга који би се у блиској будућности могли имплантирати у лобању човека и на основу снимљених ЕЕГ сигнала били у стању да најпре предвиде или што је пре могуће детектују епилептични напад а затим га електричном стимулацијом избегну или ставе под контролу односно скрате његово трајање. Један од најкритичнијих делова једног таквог система јесте поуздана техника за детекцију епилептиформних активности у ЕЕГ сигналима чији резултат заправо даље иницира електричну стимулацију. Поред тога поуздана аутоматска техника за детекцију би омогућила и доста бржу и објективнију анализу већ снимљених ЕЕГ сигнала што зна да буде веома напоран посао и захтева ангажовање експерта чиме би такође и евентуалне грешке у анализи биле значајно умањене. Главни циљ истраживања у оквиру ове докторске дисертације јесте развој и тестирање једне нове технике за детекцију епилептиформних активности у ЕЕГ сигналима. Нова техника је заснована искључиво на информацијама садржаним у ЕЕГ сигналима и покушава превазићи одређене недостатке већ постојећих техника и на тај начин дати свој додатни допринос у овој и даље веома атрактивној истраживачкој области. Поред пажљивог издвајања и оптималне селекције обележја из неколико домена и клиничких подопсега ЕЕГ сигнала као кључних корака нова техника обухвата и пројектовање оптималног део по део квадратног класификатора чија је тачност тестирана на сегментима ЕЕГ сигнала снимљених у Центру за епилепсију Универзитета у Бону и који је у поређењу са већ постојећим техникама показао прилично високу тачност и тиме потенцијал за даље тестирање у реалним клиничким условима.

Epilepsy is the most common brain activity disorder characterized by sudden and recurrent seizures. Epileptic seizures are a consequence of excessive and synchronous electrical discharges of a large number of neurons that is in most cases evident in the electroencephalogram (EEG). Since the most common treatment of epilepsy is based on regularly administered medication quite often does not give the expected results, a lot of recent studies have focused on the development of a system for direct electrical stimulation of the brain. In the near future, such a system would be implanted in the head of a patient, and based on the recorded EEG signals, we would at first be able to predict or as soon as possible detect seizures and later on using electrical stimulation avoid or control them. One of the most critical points of such a system is a reliable technique for the detection of epileptiform activities in the EEG signals, whose output in fact triggers the electrical stimulation. In addition, reliable and automatic detection would ensure an objective and facilitating analysis of long-term EEG recordings, which is a very tedious and time-consuming process for an expert. The possibility that the expert could misread the data and fail to make a proper decision would be decreased as well. The main goal of the research within this doctoral disertation is the development and testing of a new technique for the detection of epileptiform activities in the EEG signals. The new technique is based only on information contained in the EEG signals. It aims to overcome some disadvantages of already existing techniques available in the literature, and in that way give its own contribution to the research field that is still attractive. Apart from a very careful and optimal selection of features from a few domains and sub-bands of the EEG signals, as its key steps the new technique also includes the design of an optimal piecewise quadratic classifier whose accuracy is tested on the EEG signals recorded at the Center for Epilepsy, University of Bonn, Germany. The results obtained demonstrated a quite high accuracy in comparison to the existing tecniques, and thus a potential for further testing under real clinical conditions.