Diagnosticarea problemelor neurodegenerative pe baza analizei EEG (Electroencefalogramei) Student: Ana-Ilinca MUNTEANU Conducători Științifici: Prof…. [302505]

PROIECT DE DIPLOMĂ

Diagnosticarea problemelor neurodegenerative pe baza analizei EEG (Electroencefalogramei)

Student: [anonimizat]-Ilinca MUNTEANU

Conducători Științifici: Prof. Dr. Ing. Georgeta Mihaela NEAGU

Drd. Ing. Alexandra-Maria TĂUȚAN

București

Iulie 2018

(MODEL PENTRU CUPRINS)

[anonimizat] 1% [anonimizat]. [] – n2017 Epilepsia este o problemă neurologică datorită căreia pacienții sufera crize ce rezultă în convulsii musculare și chiar în pierderea cunoștiinței în unele cazuri. [] – Kwan2011 Epilepsia este o boală neurodegenerativa „due to abnormal bustle in the brain of human beings”. [] – Bhattacharyya2016 [anonimizat], [anonimizat]. Un studiu realizat în Franța estimează că aproximativ 22.5% [anonimizat]. [anonimizat], calitate a [anonimizat]. [] – Kwan2011

Aproximativ 20% din pacienții cu epilepsie primară generalizată și 60% [anonimizat], și astfel devin candidați pentru intervenție chirugicală. Epilepsia focală este o formă a epilepsiei în care debutul crizei epileptice apare într-o zonă limitată a creierului. [] – Empirical Mode

Porțiunea din creier ce cauzează crizele epileptice se numește focus epileptogenic („epileptogenic foci”). [anonimizat], [anonimizat]/crizelor epileptice la pacienți. [anonimizat], aceasta fiind o procedură clinică subiectivă. [] – n2017

Semnalele electroencefalografice (EEG) sunt utilizate pentru diagnosticarea activităților creierului. „The positron emission tomography (PET), singlephoton emission computed tomography (SPECT)” și Rezonanța Magnetică Nucleară (RMN) pot fi utilizate pentru localizarea zonei epileptice. [] – Bhattacharyya2016 [anonimizat] „semnale EEG focale”, [anonimizat] „semnale EEG nefocale”. [] – Empirical Mode Inspecția vizuală a înregistrărilor EEG pentru detecția regiunilor focale și nefocale este o activitate ce consumă timp și este predispusă la eroarea umană. Prin urmare, o [anonimizat] o [anonimizat]. [] – Bhattacharyya2016

[anonimizat]. Clasificarea automată a [anonimizat]. [anonimizat]. interictal și focal vs. nefocal a fost studiată de mulți cercetători. [anonimizat] a [anonimizat] s-a obținut încă o acuratețe de 100%. [] – Sharma2016

Detecția diferențelor subtile și vitale în semnalele EEG este dificilă atunci când este realizată doar prin inspecție vizuală. [anonimizat], o face și mai dificilă. [] – Sharma2016 Determinarea focusului epileptogenic este esențială pentru tratarea epilepsiei focale farmacorezistente. Aceasta necesită separarea corectă a semnalelor EEG focale și nefocale. Astfel, un sistem inteligent ce poate detecta și diferenția semnalele EEG focale și nefocale, poate ajuta clinicianul în stabilirea diagnosticului.

În această lucrare am folosit baza de date EEG Bern-Barcelona [8] și am utilizat semnalele disponibile pentru dezvoltarea unui algoritm de clasificare automată a semnalelor EEG focale și nefocale. Metoda prezentată în această lucrare se bazează pe caracterizarea semnalului EEG și a undelor cerebrale, utilizând Transformata Fourier Rapida, Transformata Wavelet Discreta, precum și funcții statistice și entropii, în vederea obținerii unor caracteristici specifice fiecărui tip de semnal, focal și nefocal, ce ar putea conduce la o clasificare a celor două. În urma obținerii caracteristicilor, acestea au fost clasate utilizând t-test, iar cele care au îndeplinit anumite condiții, au fost introduse în clasificatorul SVM (Support Vector Machine), a cărui acuratețe de clasificare a fost determinată.

2. EPILEPSIA

Fiziologia care stă la baza crizelor epileptice este aceea de activitate hipersincronă a neuronilor, ce cauzează modificări anormale ale activităților senzorii și motorii. Astfel, apare un val de energie neașteptat și puternic, în locul descărcărilor de energie obișnuite ale celulelor din creier. Acest lucru este cauzat de funcționarea defectuasă a sistemului electrofiziologic al creierului. []-Sharma2016

Deși au fost dezvoltate mai mult de 10 noi medicamente anti-epileptice în ultimul deceniu, aproape o treime din pacienții epileptici prezintă rezistență la medicamente. Aproximativ 20% din pacienții cu epilepsie primară generalizată și până la 60% din pacienții cu epilepsie focală (Fig. 2.1) dezvoltă rezistență la medicamente pe parcursul bolii, care pentru mulți persistă pe tot parcursul vieții. La orice moment de timp, pacienții cu epilepsie farmacorezistentă au de două până la zece ori mai multe șanse de a muri, în comparație cu populația generală. „Decesul brusc și neașteptat” este cel mai frecvent tip de deces la pacienții cu epilepsie farmacorezistentă. Riscul acestui tip de deces crește atunci când pacienții au o frecvență mai mare a crizelor convulsive. [] – CCJournal

Fig. 2.1 Diferența dintre epilepsia focală și epilepsia generalizată http://blog.getnugg.com/medical-marijuana-and-epilepsy/

2.1. Definiția epilepsiei farmacorezistente

Liga Internațională Împotriva Epilepsiei a dezvoltat recent o definiție globală a epilepsiei farmacorezistente. Această definiție este formată din două nivele ierarhice. Nivelul 1 furnizează o schemă generală pentru categorizarea rezultatului fiecărei intervenții terapeutice, ca fiind fie eliberatoare de convulsii, fie ca eșec, pe baza unor criterii standard. Nivelul 2 definește epilepsia farmacorezistentă ca fiind un eșec a două sau mai multe încercări terapeutice medicamentoase anti-epileptice tolerate, alese corespunzător și administrate corect, pentru eliberarea de convulsii. Deși rezistența la medicamente poate scădea în timp, cu o rată de 4% pe an la adulți, și o rată mai mare la copii, recidivarea crizelor este frecventă, sugerând un parcurs fluctuant. [] – Kwan2011

2.2. Mecanisme posibile ce stau la baza epilepsiei farmacorezistente

2.2.1. Medicamentele nu ating zona țintită

„Ipoteza transportului” sugerează că rezistența la medicamente poate fi atribuită cu „to overexpression of multidrug efflux transporters at the epileptic focus.??”

2.2.2. Alterarea țintei medicamentului

„Ipoteza țintei” sugerează că alterarea la nivel celular a țintei medicamentelor anti-epileptice conduce la o reducere a senzitivității acestora la tratament.

2.2.3. Medicamentele ratează țintele reale

Medicamentele anti-epileptice actuale sunt intenționate numai pentru a preveni crizele și nu pentru a ținti anumite procese patogene în pacienți. [] – Kwan2011

2.3. Tipuri de rezistențe la medicamente

2.3.1. Rezistența la medicamente „de novo”

La unii pacienți, rezistența la medicamente apare încă de la prima criza, înainte de administrarea oricărui medicament anti-epileptic. Majoritatea pacienților la care primul medicament nu dă rezultate, vor fi adesea rezistenți la majoritatea sau chiar la toate medicamentele anti-epileptice.

2.3.2. Rezistența la medicamente progresivă

La unii pacienți, epilepsia este inițial ținută sub control, dar apoi, gradual devine refractară (??).

2.3.3. Rezistența la medicamente alternantă

La unii pacienți, epilepsia alternează de la farmacorezistentă la farmacoreceptivă („pharmacoresponsive”??). [] – CCJournal

2.4. Principii de gestionare

2.4.1. Excluderea pseudo-rezistenței

Pseudo-rezistența, în care crizele persistă deoarece boala nu a fost tratată corect, trebuie corectată sau exclusă înainte de a afirma că un anumit tratament medicamentos a eșuat. Acest fenomen poate apărea în mai multe situații (Tabel 2.1), dintre care diagnosticarea greșita este cea mai comună. Condițiile care sunt asemănătoare crizelor epileptice includ aritmii cardiace, dereglări metabolice și alte probleme neurologice cu manifestări episodice (ex: migrene).

Tabel 2.1 Motive ale apariției pseudo-rezistenței la terapia medicamentoasă anti-epileptică.

2.4.2. Abordare generală

Odată ce un pacient a fost diagnosticat cu epilepsie farmacorezistentă, un plan de tratament personalizat trebuie formulat pentru a limita orice deteriorare cognitivă sau orice probleme psihosociale. Terapia nemedicamentoasă, precum chirurgia epileptică, ar trebui luată în considerare. De asemenea, condițiile comun asociate cu epilepsia farmacorezistentă, precum anxietate, depresie, tulburări cognitive și de memorie, ar trebui identificate și tratate.

2.4.3. Terapia nemedicamentoasă

Pacienții cu epilepsie farmacorezistentă trebuie evaluați din timp pentru tratament chirurgical. Lobectomia temporala (Fig. 2.2) („temporal lobectomy”??), s-a dovedit a fi superioară medicației în eliberarea de convulsii la 70% din adulții cu epilepsie de lob temporal farmacorezistentă. Alte proceduri potențial curative includ rezecția leziunilor structurale, precum tumorile gliale sau malformațiile vasculare. [] – Kwan2011

Fig. 2.2. Etapele lobectomiei temporale https://medivisuals1.com/anterior-temporal-lobectomy-r1539703xv1g.aspx

2.5. Rezecția chirurgicală în epilepsia farmacorezistentă

Sir Victor Horsley, un neurochirurg britanic, a fost pionierul chirurgiei epileptice în anul 1886, când a publicat un raport despre rezecția chirurgicală corticală de succes, care a condus la reducerea crizelor epileptice la trei pacienți (Horsley, 1886). [] – 10.1.1

Chirurgia epileptică este indicată pentru pacienții cu crize focale care nu răspund terapiei cu medicamente anti-epileptice, formată din două sau mai multe medicamente. [] – Jobst2015

Scopul intervenției chirurgicale este de a elimina predispoziția pacientului la crize spontane, prin rezecția focusului epileptogen. [] – CCJournal

Atunci când s-a identificat zona de debut a crizelor, rezecția acesteia poate fi benefică pacienților care suferă de epilepsie farmacorezistentă. Aceste operații pot implica rezecția structurilor mediale ale lobului temporal, incluzând amigdala, hipocampus, precum și rezecția neocortexului temporal. Rezecția unor porțiuni din creier pentru a trata epilepsia trebuie să îndeplinească un echilibru, prin îndepărtarea unei cantități suficiente de țesut bolnav pentru a opri crizele, minimizând riscurile de afectare neurologică. În general, rezecții mai complete ale leziunilor sunt mai eficiente decât rezecții parțiale. [] – Jobst2015

Chirurgia de rezecție nu este fără riscuri, însă riscul este mult mai mic, decât cel prezentat de epilepsia necontrolată în timp. [] – CCJournal

2.5.1. Rezultate cognitive

Deficitele cognitive ce apar în urma chirurgiei epileptice, sunt în general deficite de vorbire, acestea fiind un efect advers al rezecției lobului temporal stâng. Declinul cognitiv asociat cu operația este similar declinului ce apare în timp datorită crizelor epileptice. [] – Jobst2015

2.5.2. Rezultate psihiatrice

Eliberarea de convulsii este asociată cu rezultate psihiatrice mai bune, iar pacienții care au scăpat de crizele epileptice arată o ameliorare a depresiei. [] – Jobst2015

2.5.3. Rezultate raportate la calitatea vieții

Calitatea vieții se îmbunătățește semnificativ după operație, absența crizelor epileptice fiind cel mai important factor ce conduce la îmbunătățirea acesteia. [] – Jobst2015

2.5.4. Mortalitate și morbiditate

Mortalitatea operatorie variază de la 0.1% la 0.5%, mortalitatea fiind mai mare în cazul intervențiilor extratemporale (1.4%), decât în intervențiile de lob temporal (0.4%). Complicații neurologice temporare apar la aproximativ 10% din pacienți, și sunt mai probabile în cazul copiilor și în cazul pacienților operați extratemporal. Complicații neurologice permanente apar la aproximativ 5% din pacienți. Aproape jumătate din acestea sunt defecte ale câmpului vizual, asociate cu rezecția de lob temporal, însă sunt relativ bine tolerate de pacienți. De asemenea, vârsta avansată reprezintă un risc de complicații crescut. Plasarea electrozilor intra-cranieni crește riscul de complicații, precum infecții neurologice, hemoragii sau presiune intra-craniană crescuta. Totuși, mortalitatea și morbiditatea asociată chirurgiei epileptice este comparabilă cu cea a operațiilor de înlocuire de genunchi sau de șold. [] – Jobst2015

2.6. Zona epileptogenă

Zona epileptogenă (Fig. 2.3) este definită ca fiind „zona minimă din cortex ce trebuie rezectată (inactivată sau complet eliminată) pentru a obține eliberarea de convulsii.

Fig. 2.3. Diagrama arată zona de debut a crizelor, zona de potențial debut a crizelor și zona ce trebuie rezectată chirurgical pentru a obține eliberarea de convulsii.

Fig. 2.4 și Fig. 2.5 ilustrează rezecții chirurgicale ce nu au rezultat în absența crizelor, fie datorită rezecției incomplete a zonei de debut a crizelor (Fig. 2.4), fie datorită rezecției incomplete a zonei de potențial debut a crizelor (Fig. 2.5).

Fig. 2.4. Această diagramă ilustrează rezecția chirurgicală ce nu a condus la absența crizelor, datorită rezecției incomplete a zonei de debut a crizelor.

Fig. 2.5. Această figură ilustrează rezecția chirugicală ce nu a condus la absența crizelor, datorită rezecției incomplete a zonei de potențial debut a crizelor.

[] – 10.1.1

ELECTROENCEFALOGRAFIA

Electroencefalograful (EEG) a fost descoperit de psihiatrul german, Hans Berger, în anul 1929. EEG-ul continuă să joace un rol important în diagnosticarea și gestionarea pacienților cu tulburări convulsive, deoarece este o metodă convenabilă și relativ ieftină de a investiga manifestările fiziologice ale excitabilității corticale anormale, care stau la baza epilepsiei. Totuși, EEG-ul are și un număr de limitări. Activitatea electrică înregistrată de electrozii plasați pe scalp sau pe suprafața creierului reflectă o sumă a potențialelor post-sinaptice excitatorii și inhibitorii, în dendritele neuronilor piramidali în straturile superficiale ale creierului. Porțiuni mari ale creierului, de ordinul câtorva centimetrii pătrați, trebuie să se activeze sincron pentru ca potențialul generat să fie înregistrat de electrozii plasați pe scalp. Propagarea activității electrice de-a lungul căilor fiziologice poate conduce la o părere greșită, legată de locația din care provine acea activitate electrică. [] – ii2

Există două tehnici utilizate pentru observarea activității creierului, Electroencefalograful (EEG) și Rezonanța magnetică funcțională (fMRI). fMRI măsoară activitatea electrică a creierului, indirect, înregistrând schimbări în curgerea sângelui. În schimb, semnalele electroencefalografice sunt măsurate direct ca potențiale ale activității electrice a creierului. Aceste semnale pot fi înregistrate prin plasarea unor electrozi fie pe scalpul (înregistrări extra-craniene), fie direct pe creierul pacientului (înregistrări intra-craniene). Semnalele EEG pot fi utilizate în detectarea bolilor neurologice, precum epilepsie, autism, ADHD, depresie, etc. fMRI are o rezoluție spațială mai bună decât cea a EEG-ului, însă, EEG are o rezoluție în timp mult mai bună. În plus, stabilirea diagnosticului utilizând EEG este mult mai puțin costisitoare decât utilizând fMRI, acest lucru fiind important în țările subdezvoltate. Semnalele EEG pot fi utilizate în detectarea zonelor epileptogene, care contribuie la apariția crizelor epileptice.

În cazul epilepsiei focale, înregistrările conțin două tipuri de semnale EEG: semnale focale și semnale nefocale. Semnalele EEG focale sunt înregistrate din zone ale creierului unde sunt detectate primele semnale ictale, iar semnalele EEG nefocale sunt înregistrate din zone ale creierului neimplicate în debutul crizelor epileptice. [] – Sharma2016

Electroencefalografia invazivă (Fig. 3.1) utilizează electrozi de adâncime (inserați chirurgical sub ghidare prin RMN stereotactic) și electrozi subdurali (“strips or grids??”, ultima necesitând craniotomie pentru plasare). Stimularea corticală poate fi realizată cu oricare tip de electrod. Selecția și plasarea electrozilor este determinată de locația zonei epileptogene. În general, porțiuni mari din cortex sunt acoperite de electrozi subdurali. Electrozii de adâncime sunt mai potriviți pentru zone epileptogene localizate mai adânc în creier. Riscurile electroencefalografiei invazive, precum hemoragie, deteriorare corticală, depind de tipul și numărul de electrozi. [] – ii2

Fig. 3.1 Tipuri de electrozi pentru monitorizarea EEG invazivă https://www.aboutkidshealth.ca/Article?contentid=2056&language=English

Scopul clinic ale acestor înregistrări intra-craniene este de a localiza zonele din creier unde debutează crizele epileptice și de a evalua dacă pacientul poate beneficia de rezecția neurochirurgicală a acestor părți ale creierului. [33] – H. G.Wieser,W. T.Blume,G. Fish, E. Goldensohn, A. Hufnagel, D. King, M. R. Sperling, and H. L¨uders, Epilepsia 42, 282 (2001).

Semnalele EEG pot fi caracterizate prin amplitudine și prin variațiile în frecvență. S-a observat că amplitudinea semnalului crește odată ce starea de conștiință trece de la stare de alertă la somn adânc. Fiecare semnal EEG conține cinci unde cerebrale: beta, alfa, teta, delta și gamma, care ocupă fiecare o anumită bandă de frecvențe (vezi Tabel 3.1). [] – Bhattacharyya2016

Tabel 3.1 Banda de frecvențe corespunzătoare fiecărei unde cerebrale

Semnalul EEG conține o gamă largă de componente de frecvența, dintre care doar gama cuprinsă între 0.5 – 30 Hz este de interes clinic și fiziologic. În general undele cerebrale pot fi clasificate, ca făcând parte din 5 grupuri de unde:

Undele Delta (<4 Hz): acestea apar doar în timpul somnului adânc la adulți. Altfel, indică prezența unor patologii.

Undele Teta (4 – 8 Hz): acestea apar la copii și sugari sănătoși, precum și în timpul somnului și a stărilor de amețeală la adulți. Semnalul EEG al unui adult sănătos și treaz conține o cantitate foarte mică de unde teta. Altfel, prezența unei activități teta ridicate, sugerează prezența unor condiții patologice.

Undele Alfa (8 – 14 Hz): acestea apar atunci când pacientul este relaxat, cu ochii deschiși și cu o activitate mentală redusă. Apar majoritar în regiunea occipitală a cortexului. Somnul sau eforturile mentale, blochează apariția undelor alfa.

Undele Beta (14 – 30 Hz): acestea apar predominant atunci când pacientul are o activitate mentală sporită (ex: realizare de calcule matematice). Apar majoritar în regiunea frontală și centrală a cortexului.

Undele Gamma (30 – 60 Hz): acestea au banda cu cele mai înalte frecvențe, și de obicei nu sunt de interes fiziologic și clinic, astfel că sunt filtrate în timpul procesării semnalului EEG. [6] Kellaway P. An orderly approach to visual analysis: characteristics of the normal EEG of adults and children. In: Daly D, Pedley T, editors. Current practice of clinical electroencephalography, 2nd ed. New York, NY: Raven Press, 1990:139-99.

Fig. 3.2 Undele cerebrale în timp https://www.researchgate.net/publication/281801676_Correlation_of_EEG_Images_and_Speech_Signals_for_Emotion_Analysis/figures?lo=1

Inspecția vizuală a semnalelor EEG permite neuro-fizicienilor experimentați să identifice zonele epileptogene. Totuși, aceasta implică subiectivitate, consumă mult timp și este predispusă la erori. Deoarece 60% din pacienții cu epilepsie focală devin farmacorezistenți, intervenția chirurgicală pentru îndepărtarea zonelor epileptogene este necesară, aceasta fiind ultima lor șansă la o viață normală. Deci, determinarea corectă a acestor zone este foarte importantă. Detectarea automată a semnalelor EEG focale și nefocale se poate realiza prin metode de procesare de semnal. [] – Sharma2016

Interpretarea electroencefalogramei este o „artă” subiectivă, fără reguli obiective și cu o mare variabilitate între neuro-fizicienii care o realizează. [] – 10.1.1

4. DESCRIEREA BAZEI DE DATE

Semnalele EEG analizate fac parte din baza de date EEG „Bern-Barcelona”, aceasta fiind cea mai mare bază de date publică ce conține semnale EEG de la pacienți cu epilepsie farmacorezistentă. [] – Sharma2016 Aceasta include mai mult de 80 de ore de date electroencefalografice intra-craniene obținute de la cinci pacienți ce suferă de epilepsie farmacorezistentă cu debut focal. [8] din ses comunicari

Aceste înregistrări au fost realizate înainte și independent de acest studiu, ca parte a procesului de diagnosticare a acestor pacienți. Toți cei cinci pacienți aveau epilepsie farmacorezistentă de lob temporal de lungă durată („longstanding pharmacoresistant temporal lobe epilepsy”) și erau candidați pentru chirurgie epileptică („epilepsy surgery”). Studiile neinvazive nu au permis localizarea neechivocă a zonelor din creier unde debutau crizele epileptice, numite „zone de debut epileptic”, și toți pacienții au fost nevoiți să li se înregistreze EEG intra-cranian la Departamentul de Neurologie al Universității din Bern. Semnale EEG multicanal au fost înregistrate folosind „intracranial strip and depth electrodes”, toate fiind fabricate de AD-TECH (Racine, WI,USA). Un electrod de referință extra-cranian a fost plasat între pozițiile Fz și Pz 10/20 (Fig. 4.1). Semnalele EEG au fost eșantionate fie cu 512 fie cu 1024 Hz, în funcție de numărul de canale cu care au fost înregistrate (dacă au fost înregistrate cu mai mult sau cu mai puțin de 64 de canale). [33]

Analiza retrospectivă a datelor EEG a fost aprobată de comitetul de etică a Kantonului din Bern. În plus, toți pacienții și-au dat consimțământul în scris, conform căruia datele monitorizării lor EEG pot fi folosite în scopuri de cercetare. Acele semnale EEG care au fost înregistrate cu o rată de eșantionare de 1024Hz au fost sub-eșantionate la 512Hz, înaintea unei analize ulterioare. [3]- Andrzejak

Fig. 4.1 Sistemul internațional 10-20 de plasare a electrozilor pe scalp, pentru înregistrarea semnalelor EEG https://en.wikipedia.org/wiki/10%E2%80%9320_system_(EEG)

Datorită acestor înregistrări EEG intra-craniene, zonele din creier unde debutau crizele epileptice au putut fi localizate la toți cei cinci pacienți. În plus, aceste zone au putut fi rezectate chirurgical fără pericolul unor deficite neurologice ce ar fi fost inacceptabile pentru pacienți. Toți cei cinci pacienți au avut rezultate chirugicale bune. La trei pacienți s-a obținut eliberarea de crize epileptice, iar doi pacienți au avut doar „auras??”, dar fără alte crize după operație, corespunzând clasei 1 și 2 conform clasificării Ligii Internaționale Împotriva Epilepsiei a rezultatului chirurgical [33].

[33] – H. G.Wieser,W. T.Blume,G. Fish, E. Goldensohn, A. Hufnagel, D. King, M. R. Sperling, and H. L¨uders, Epilepsia 42, 282 (2001).

Ca și „canale EEG focale” s-au definit acele canale care au detectat primul semnal EEG ictal, conform inspecției vizuale realizată de cel puțin doi neurologi, care sunt și „board-certified electroencephalographers??”. Deși analiza vizuală nu este o abordare obiectivă, analizarea comună/împreună cu alți neurologi permite reducerea interpretării subiective. În plus, analiza EEG vizuală este în prezent încă cea mai importantă tehnică de luare a deciziilor clinice.

Toate celelalte canale incluse în înregistrări au fost clasificate ca și „canale EEG nefocale”. S-au selectat în mod aleator 3750 de perechi de semnale înregistrate simultan x și y, din „piscina” tuturor semnalelor măsurate pe canale EEG focale. În acest scop, s-au împărțit întâi înregistrările în ferestre de timp de 20 de secunde, corespunzând cu 10240 de eșantioane. Înregistrările crizelor epileptice și trei ore după ultima criză au fost excluse. Pentru fiecare pereche de semnale în parte, s-a ales apoi în mod aleator unul din cei cinci pacienți, unul din canalele EEG focale ale pacientului respectiv (pentru semnalul x), și un canal vecin acestuia (pentru canalul y).

Această selecție aleatoare a fost realizată utilizând un generator uniform de numere aleatoare („uniform random number generator”). Înainte de a fi incluse în baza de date, perechea de semnale a fost inspectată/examinată vizual. În cazul în care aceasta conținea artefacte de măsurare proeminente, perechea de semnale era eliminată. Contaminările moderate de la rețeaua de alimentare cu 50 Hz, nu au reprezentat un criteriu de excludere. Nu s-a aplicat niciun criteriu de selecție clinică, precum prezența sau absența activității epileptice. În final, perechile de semnal EEG focal au fost stocate în ordinea în care au fost selectate („drawn”).

Originea semnalelor (numele pacientului, canalul) nu au fost stocate. În același fel, s-au selectat în mod aleator 3750 de perechi de semnale nefocale, de pe canalele nefocale. Acest proces este reprezentat în Fig. 4.2. Exemple de perechi de semnale sunt prezentate în Fig.4.3 și Fig.4.4.

Fig. 4.2. Procesul de selecție a semnalelor în urma căruia s-a format baza de date, conținând perechi de semnale focale și perechi de semnale nefocale. [3]

Fig. 4.3. Exemple de perechi de semnale focale.

Fig. 4.4. Exemple de perechi de semnale nefocale.

[3] – Ralph G. Andrzejak, Kaspar Schindler, and Christian Rummel, “Nonrandomness, nonlinear dependence, and nonstationarity of electroencephalographic recordings from epilepsy patients”, PHYSICAL REVIEW E 86, 046206 (2012)

Motivele utilizării acestei baze de date sunt:

Disponibilitatea publică

Volumul considerabil, necesar pentru a realiza o analiză statistică în vederea obținerii unor caracteristici discriminante

Utilizarea ei în literatura de specialitate (vezi ref. 4,5,8,10 din lucrarea das2016.pdf). [2]-Das

În această lucrare, sunt utilizate 750 de seturi de date EEG focale, numite „Data_F_Ind0001 – Data_F_Ind750”, precum și 750 de seturi de date EEG nefocale, numite „Data_N_Ind0001 – Data_N_Ind750”, pentru testarea algoritmului propus.

5. METODE DE PRELUCRARE A SEMNALULUI EEG

5.1 CONCEPTE TEORETICE

5.1.1. Transformata Wavelet Discreta (TWD)

Deoarece semnalul EEG este un semnal nestaționar tranzitoriu, cele mai potrivite pentru analiza acestuia, sunt tehnicile în timp-frecvență, precum Transformata Wavelet (TW). Comparativ cu alte metode în timp și frecventa, TW nu necesită cvasi-staționaritatea datelor (“does not require the quasi-stationarity of the data”??). TW ne dă în mod simultan atât reprezentarea în timp a semnalului, cât și reprezentarea în frecvență a acestuia, ceea ce permite analiza corectă a caracteristicilor tranzitorii ale semnalului [4]. TW acționează precum un microscop matematic, fiind astfel foarte eficientă în analizarea oscilațiilor foarte mici generate de semnalele provenite de la creier [5].

Transformata Fourier (TF) se aplică pentru a extrage informația de frecvență dintr-un semnal periodic, netranzitoriu. Spectrul de frecvențe rezultat în urma TF nu este localizat în timp. În contrast (Fig. 5.1), TW este o metodă mai bună pentru analiza semnalelor tranzitorii, precum semnalul EEG, deoarece se obțin atât informații de frecvență, cât și informații de timp.

Fig. 5.1. Ilustrarea diferenței dintre informația furnizată de TF și informația furnizată de TW.

Dacă f(t) este o funcție integrabilă în timp t, atunci Transformata Wavelet Continuă (TWC) (Ec.(1)) a lui f(t) este definită ca:

(1)

unde a, b ∈R, a≠0, R reprezintă mulțimea numerelor reale, iar ‘*’ reprezintă conjugarea complexă.

În Ec.(1), a se numește parametru de scalare, care obține conținutul local de frecvență („acquires the local frequency content”??), iar b se numește parametru de translație, care translatează funcția Wavelet de bază („wavelet basis function”??) la momentul de timp t=b și momentele de timp vecine.

În plus, dacă funcția Wavelet de bază (Ec.(2)) are o durată finită, atunci informația de frecvență obținută de către TW este localizată în timp.

(2)

În Ec.(2), funcția Wavelet devine mai îngustă când a crește, și este deplasată în timp atunci când b este variat.

Dacă scala a și translația b au valori discrete, atunci se obține Transformata Wavelet Discretă (TWD) (Ec.(5)). În TWD, parametrii a și b sunt adesea bazați pe puteri ale lui doi, și se numesc scală și translație diadică (”the parameters a and b are often based on powers of two and called dyadic scales and translations”??) (Ec.(4)):

for all j, k Z (4)

În acest caz, Ec.(2) devine:

for all j, k Z (5)

TW își adaptează dimensiunea ferestrei în funcție de frecvență. Când folosim TW pentru a descompune un semnal, funcția Wavelet acționează ca și fereastră, la fiecare scala. Astfel, rezoluția în timp se îmbunătățește, cu cât scala a scade [5].

Prima operație pe care TWD o realizează, este trecerea simultană a semnalului x[n] printr-un filtru trece-jos și un filtru trece-sus, ambele filtre având frecvența de tăiere egală cu un sfert din frecvența de eșantionare Fs a semnalului original x[n]. Ieșirea filtrului trece-jos se numește coeficient de aproximare (A1) al primului nivel de descompunere, iar ieșirea filtrului trece-sus se numește coeficient de detaliu (D1) al primului nivel de descompunere. Semnalele rezultate au jumătate din banda de frecvență a semnalului original, deci pot fi sub-eșantionate cu doi, folosind regula lui Nyquist („The output signals have half the frequency bandwidth of the original signal, so they can be down-sampled by two, according to Nyquist rule”??) [4]. Fig. 5.2 ilustrează descompunerea unui semnal x[n] pe 3 nivele.

Fig. 5.2. Descompunerea wavelet pe 3 nivele a unui semnal. La fiecare nivel al procesului de descompunere, rezoluția în timp este înjumătățită prin sub-eșantionare, iar rezoluția în frecvență este dublată prin filtrare.

Fig. 5.3 ilustrează cum fiecare coeficient corespunde unei benzi de frecvență specifice:

Fig. 5.3. Coeficienții A1, D1, A2, D2, A3 și D3 reprezintă conținutul de frecvență al semnalului original x[n] în benzile 0–Fs/4, Fs/4–Fs/2, 0–Fs/8, Fs/8–Fs/4, 0–Fs/16 and Fs/16– Fs/8.

Daubechies este familia de funcții Wavelet ortogonale cea mai des utilizată, deoarece satisface condiția de admisibilitate, permițând astfel reconstrucția semnalului original din coeficienții Wavelet („The Daubechies’ family of wavelet functions is one of the most frequently used orthogonal wavelets, which satisfies the admissibility conditions, hence allowing reconstruction of the original signal from the wavelet coefficients”??) [5]. În această lucrare, s-au utilizat Daubechies Wavelet discrete de ordin 4 pentru analiza semnalelor EEG epileptice.

5.1.2. Transformata Fourier Rapida (TFR)

Transformata Fourier (TF) (Ec.(6)) a semnalului x(t) separă un semnal în sinusoidele constituente, de diferite frecvențe, și este dată de ecuația:

(6)

unde Ω=2πf (f este frecvența în Hz).

Datele obținute în urma aplicării TWD servesc ca intrare a TFR (Fast Fourier Transform – FFT). TFR este un algoritm ce calculează Transformata Fourier Discreta (TFD) a unei secvențe. Noțiunea de “Transformată Fourier Discretă” (TFD) se referă la faptul că, atât în domeniul timp, cât și în domeniul frecvență, se operează cu secvențe (semnale discrete). Fiind dată secvența unidimensională {x0,x1,…,xN-1}, TFD (Ec.(7)) este secvența definită de relația:

(7)

cu k = 0,1,…,N-1. [Formulele 6+7 sunt luate din indrumarul la PSB]

5.1.3. Media statistică (=Sample mean??)

(„The sample mean may be estimated from a group of samples, xi, where i is sample number, using the formula below. Given n data points, x1, x2,…, xn:”???)

Media eșantionului (Ec.(8)) poate fi estimată dintr-un grup de eșantioane, xi, unde i este numărul eșantionului, folosind formula de mai jos. Se dau n puncte de date, x1,x2,…,xn:

(8)

[sursa: cartea de statistica de la prof. Ungureanu]

5.1.4. Median (=Sample median??)

(„Another useful measure for summarizing the central tendency of a population is the sample median. The median value of a group of observations or samples, xi, is the middle observation when samples, xi, are listed in descending order. Note that if the number of samples, n, is odd, the median will be the middle observation. If the sample size, n, is even, then the median equals the average of two middle observations.”???) [sursa: cartea de statistica de la prof. Ungureanu]

Valoarea mediană a unui grup de observații sau de eșantioane, xi, este observația din mijloc, atunci când eșantioanele xi sunt ordonate descrescător. Dacă numărul de eșantioane n este impar, atunci valoarea mediană va fi observația din mijloc. Dacă numărul de eșantioane n este par, atunci valoarea mediană este egală cu valoarea medie a celor două observații din mijloc.

5.1.5. Varianța (=Sample variance??)

(„Sample variance, s2, is defined as the “average distance of data from the mean” and the formula for estimating s2 from a collection of samples, xi, is” ???) [sursa: cartea de statistica de la prof. Ungureanu]

Varianța s2 este definită ca fiind distanța medie a datelor față de medie, iar formula (Ec.(9)) prin care se estimează s2 dintr-o colecție de eșantioane xi este:

(9)

5.1.6. Deviația standard (=Sample standard deviation??)

(„Sample standard deviation, s, which is more commonly referred to in describing the variability of the data is: … (same units as original samples).”???) [sursa: cartea de statistica de la prof. Ungureanu]

Deviația standard s, este dată de formula (Ec.(10)):

(având aceeași unitate ca și eșantioanele originale) (10)

5.1.7. Entropia

Entropia este o măsură generică a dezorganizării unui sistem. [] – phdws

Entropia Shannon medie (Average Shannon Entropy):

Dacă, coeficientul de detaliu al descompunerii Wavelet ce corespunde unei sub-benzi este dat de secvența D, atunci entropia Shannon S a sub-benzii este dată de relația (Ec.(11)):

(11)

Aici, D(j) este al j-lea eșantion din secvența D, iar L este lungimea secvenței. Dacă Sx și Sy sunt entropiile Shannon corespunzătoare canalelor x și y, atunci entropia Shannon medie este dată de relația (Ec.(12)):

(12)

[] – sharma2016

Entropia Log energy medie:

Dacă, coeficientul de detaliu al descompunerii Wavelet ce corespunde unei sub-benzi este dat de secvența D, atunci entropia Log energy este dată de relația (Ec.(13)):

(13)

unde D(j) este al j-lea eșantion din secvența D, iar L este lungimea secvenței. Entropia Log energy medie se calculează conform Ec.(12). [] – sharma2016

5.1.8. Algoritmul Student’s t-test

Caracteristicile obținute prin metodele 5.1.3-5.1.7 sunt clasate folosind algoritmul de clasare Student’s t-test, iar rezultatele acestuia sunt apoi furnizate clasificatorului de semnale Support Vector Machine. Utilizând t-test s-au clasat și selectat caracteristicile, pentru a reduce cantitatea de date furnizate clasificatorului și pentru a reduce informațiile redundante. [] – sharma2016

Caracteristicile au fost selectate pentru clasificare, numai dacă au respectat ipoteza, conform căreia H=1, iar p<0.01, unde H este rezultatul logic al testării ipotezei, și este 1 dacă s-a respins ipoteza nulă, sau 0 dacă nu s-a respins ipoteza nulă, iar p este un scalar cu valori între 0-1, și reprezintă probabilitatea “of observing a test statistic as extreme as, or more extreme than, the observed value under the null hypothesis??”. [] – AutomaticDetectionOfEpileptic

Student’s t-test evaluează media unei populații, și o utilizează pentru a determina discriminarea între două grupuri. Rezultatul testului constă în valoarea p, obținută pentru fiecare caracteristică, a celor două clase, testată. Pentru a clasa caracteristicile, este utilizată valoarea p. Caracteristicile cu un p cât mai mic, și obligatoriu mai mic decât 0.01, sunt considerate a avea o abilitate de discriminare între cele două clase mai bună. [] – sharma2015

5.1.9. Support Vector Machine (SVM)

Support Vector Machine (SVM) este un tip de tehnică de machine learning supervizată și se comportă ca un clasificator binar non-probabilistic, utilizat pentru clasificarea eșantioanelor în diferite clase. Un hiperplan este realizat pentru a separa două clase diferite. În cazul nostru, cele două clase vor fi semnalele focale și semnalele nefocale. Scopul algoritmului SVM este de a identifica un hiperplan de separare optim, care permite maximizarea distanței de la oricare dintre cele două clase la hiperplan. [] – sharma2014

5.1.10. Măsuri de performanță

Performanța clasificatorului SVM este evaluată calculând senzitivitatea (SEN), specificitatea (SPF) și acuratețea (ACC). Dacă TP (true pozitiv) este numărul de semnale EEG focale identificate corect ca și semnale EEG focale, TN (true negativ) este numărul de semnale EEG nefocale clasificate corect ca semnale EEG nefocale, FP (fals pozitiv) este numărul de semnale EEG nefocale clasificate greșit ca semnale EEG focale, iar FN (fals negativ) este numărul de semnale EEG focale clasificate greșit ca semnale EEG nefocale, atunci expresiile matematice ale parametrilor ce măsoară performanța clasificatorului sunt:

SEN = ( TP / ( TP + FN ) ) x 100 %

SPF = ( TN / ( TN + FP ) x 100 %

ACC = ( TP + TN ) / ( TP + TN + FP + FN) x 100 % [] – n2017

5.2 ALGORITM PROPUS

Toată procesarea a fost realizată în Matlab R2016a 64-bit. Abordarea propusă este rezumată în următoarele etape:

5.2.1. Normalizarea datelor

Normalizarea este efectuată prin ajustarea amplitudinii semnalului la (±1). Acest lucru s-a realizat calculând valoarea absolută a semnalului, apoi determinând valoarea maximă a acestui rezultat, iar în final, împărțind semnalul inițial la valoarea maximă obținută.

5.2.2. Filtrarea datelor

Undele cerebrale apar în timpul activității celulelor creierului și au o bandă de frecvență cuprinsă între (0.5-30) Hz. Semnalul trebuie filtrat înainte analizei undelor EEG, și astfel s-a aplicat un filtru eliptic trece-bandă de ordinul 4, între 0.5-30Hz, pentru a elimina frecvențele nedorite. Semnalul filtrat conține doar undele EEG (beta, alfa, teta, delta).

5.2.3. Descompunerea datelor folosind TWD

Transformata Wavelet Discretă (TWD) este o metodă foarte bună de separare a undelor cerebrale, deoarece ea pastrează o rezoluție excelentă atât în frecvență, cât și în timp. TWD funcționează asemenea unor filtre (Fig. 5.4), unde semnalul S este divizat în două benzi, numite semnal de aproximare A și semnal de detaliu D, ambele la frecvențe specifice [1].

Fig. 5.4. În timpul TWD, semnalul original S este trecut prin două filtre, trece-jos și trece-sus, iar rezultatele sunt coeficienții de aproximare A și coeficienții de detaliu D.

Datele obținute după normalizare și filtrare servesc ca intrare a descompunerii TWD. La fiecare nivel de descompunere, sub-eșantionarea va conduce la obținerea a jumătate din numărul de eșantioane. Procedura de descompunere a datelor EEG în 8 nivele este ilustrată în Fig. 5.5. În această lucrare, s-a realizat descompunerea pe 8 nivele utilizând funcția wavelet Daubechies de ordinul 4 (Fig. 5.6). Fiecare nivel poate caracteriza banda de frecvențe corespunzătoare uneia dintre undele EEG cerebrale.

Fig. 5.5. Algoritmul de descompunere al TWD

Fig. 5.6. Daubechies Wavelet și funcția de scalare de ordinul 4

5.2.4. Aplicarea TFR pe fiecare nivel al descompunerii TWD

Calcularea TFR a fiecărui nivel de descompunere al TWD ne arată ce frecvențe sunt cuprinse în fiecare coeficient de detaliu și în fiecare coeficient de aproximare. Am aplicat TFR doar pentru coeficienții de detaliu, deoarece aceștia conțin frecvențele mici, corespunzătoare undelor cerebrale.

5.2.5. Analiza statistică a undelor cerebrale în vederea diferențierii între semnalele EEG focale și semnalele EEG nefocale

Pentru a permite o diferențiere între semnalele EEG focale și semnalele EEG nefocale, am aplicat metode statistice, prin care am caracterizat cele patru unde cerebrale (beta, alfa, teta, delta). Am aplicat cele cinci funcții mean, median, var, std, wentropy (Shannon si Log energy) deja existente în Matlab pe:

Semnalele focale și nefocale “raw”/neprelucrate

Semnalele focale și nefocale în urma filtrării

Reprezentarea în timp a fiecărei unde – corespunde coeficienților de descompunere wavelet.

Densitatea Spectrală de Putere (Power Spectral Density) a fiecărei unde – obținută în urma aplicării TFR.

5.2.6. Clasificarea semnalelor EEG focale și nefocale utilizând t-test și SVM

După extragerea caracteristicilor semnalelor EEG focale și nefocale, acestea au fost clasate folosind t-test și au fost utilizate de algoritmul SVM pentru clasificarea semnalelor focale și nefocale. În final, s-a evaluat performanța clasificatorului, ținând cont în principal de acuratețe. Eficiența algoritmului propus în diferențierea semnalului EEG focal de cel nefocal este astfel studiată.

Fig. 5.7 rezumă fluxul de lucru aplicat software pentru caracterizarea undelor EEG și pentru clasificarea semnalelor EEG.

Fig. 5.7. Schema grafică a algoritmului propus

6. REZULTATE ȘI DISCUȚII

Caracterizarea semnalelor EEG focale și nefocale consta în 4 etape: (a) Normalizarea și filtrarea semnalului EEG, (b) descompunerea Wavelet a semnalului obținut, (c) aplicarea TFR pe fiecare nivel al TWD și (d) diferențierea între semnalele EEG focale și nefocale.

Algoritmul a fost rulat pentru 750 de seturi de date focale și 750 de seturi de date nefocale. Imaginile prezentate în continuare corespund canalului x focal al setului de date “Data_F_Ind0002.txt”, respectiv canalului x nefocal al setului de date “Data_N_Ind0002.txt”.

Primul pas a constat în reprezentarea semnalelor x focal și x nefocal în timp (Fig. 6.1), înainte de normalizare și filtrare. Apoi, am aplicat TFR, pentru a vedea spectrul de frecvență al semnalului (Fig. 6.2). Următorul pas a constat în normalizarea semnalului EEG (Fig. 6.3), urmata de filtrarea acestuia, aplicând un filtru trece-bandă 0.5-30 Hz Eliptic de ordin 4 (Fig. 6.4). Apoi, am reprezentat semnalul filtrat (Fig. 6.5) și spectrul de frecvență, pentru a vedea dacă filtrarea a avut efectul dorit (Fig. 6.6).

Fig. 6.1. Semnal x original focal și nefocal în timp

Fig. 6.2. Spectrul de frecvență al semnalului original x focal și nefocal

Fig. 6.3. Semnal x focal și nefocal normalizat, cu amplitudine ajustată la (±1) µV

Fig. 6.4. Caracteristica de frecvență a filtrului Eliptic trece-bandă [0.5 30] Hz

Fig. 6.5. Semnal x focal și nefocal filtrat

Fig. 6.6. Spectrul de frecvență al semnalului x focal și nefocal filtrat

În continuare, am obținut descompunerea semnalului aplicând TWD pe ambele semnale (focal și nefocal), pe 8 nivele, folosind funcția Daubechies de ordin 4, și am obținut coeficienții de aproximare și de detaliu (Fig. 6.7, 6.8, 6.9, 6.10).

Fig. 6.7. Reprezentarea în timp a coeficientului de aproximare A4, corespunzând nivelului 4 al descompunerii, precum și a coeficienților de detaliu D1, D2, D3 și D4 ai semnalului x focal normalizat și filtrat.

Fig. 6.8. Reprezentarea în timp a coeficienților de detaliu D5, D6, D7 și D8 ai semnalului x focal normalizat și filtrat.

Fig. 6.9. Reprezentarea în timp a coeficientului de aproximare A4, corespunzând nivelului 4 al descompunerii, precum și a coeficienților de detaliu D1, D2, D3 și D4 ai semnalului x nefocal normalizat și filtrat.

Fig. 6.10. Reprezentarea în timp a coeficienților de detaliu D5, D6, D7 și D8 ai semnalului x nefocal normalizat și filtrat.

Apoi, am aplicat TFR pe fiecare din cei opt coeficienți de detaliu (D1-D8), și am reprezentat spectrul de frecvențe al fiecăruia (Fig. 6.11, 6.12, 6.13, 6.14, 6.15, 6.16, 6.17, 6.18), pentru a vedea banda de frecvență conținută de fiecare, și pentru a putea identifica astfel undele EEG cerebrale (beta, alfa, teta și delta).

Fig. 6.11. Coeficientul de detaliu D1 corespunde unei benzi de frecvențe cuprinse între 80-240 Hz.

Fig. 6.12. Coeficientul de detaliu D2 corespunde unei benzi de frecvențe cuprinse între 20-180 Hz

Fig. 6.13. Coeficientul de detaliu D3 corespunde unei benzi de frecvențe cuprinse între 20-60 Hz si 70-100 Hz.

Fig. 6.14. Coeficientul de detaliu D4 corespunde unei benzi de frecvențe cuprinsă între 14-30 Hz, aceasta fiind și banda de frecvențe a undelor beta.

Fig. 6.15. Coeficientul de detaliu D5 corespunde unei benzi de frecvențe cuprinsă între 8-14 Hz, aceasta fiind și banda de frecvențe a undelor alfa.

Fig. 6.16. Coeficientul de detaliu D6 corespunde unei benzi de frecvențe cuprinsă între 4-8 Hz, aceasta fiind și banda de frecvențe a undelor teta.

Fig. 6.17. Coeficientul de detaliu D7 corespunde unei benzi de frecvențe <4 Hz, aceasta fiind și banda de frecvențe a undelor delta.

Fig. 6.18. Coeficientul de detaliu D8 corespunde unei benzi de frecvențe cuprinse între 0.5-3 Hz.

Conform Tabelului 6.1, doar rezultatele corespunzătoare TFR ale coeficienților de detaliu D4, D5, D6 și D7 sunt de interes, deoarece doar acestea surprind benzile de frecvențe ale undelor cerebrale.

Tabel 6.1 Sub-benzile D4, D5, D6 și D7 surprind benzile de frecvență corespunzătoare undelor cerebrale beta, alfa, teta și delta.

În Fig. 6.19 am evidențiat avantajul folosirii familiei de funcții Daubechies, și anume, că permite reconstrucția perfectă a semnalului x original focal și nefocal, din coeficienții Wavelet.

Fig. 6.19. Semnalul x reconstruit este identic cu semnalul x original normalizat și filtrat.

După cum se poate observa din Fig. 6.14-6.17, toate undele cerebrale au putut fi extrase, folosind Transformata Wavelet Discretă. Se poate observa, că în cazul celor două seturi de date “Data_F_Ind0002.txt” și “Data_N_Ind0002.txt” analizate, pentru undele delta, densitatea spectrală de putere a semnalului x focal este mai mare, având o valoare medie de 3e-04, în timp ce densitatea spectrală de putere a semnalului x nefocal are o valoare medie mai mică, de 1.9189e-04. Și în cazul undelor teta, densitatea spectrală de putere a semnalului x focal este mai mare, având o valoare medie de 2.6197e-04, în timp ce densitatea spectrală de putere a semnalului x nefocal are o valoare medie mai mică, de 2.0925e-04. Același observații se aplică și în cazul undelor alfa, unde valoarea medie a densității spectrale de putere a semnalului x focal este de 2.7685e-04, fiind mai mare decât valoarea medie a densității spectrale de putere a semnalului x nefocal, egală cu 2.3378e-04. În cazul undelor beta, diferențele nu mai sunt la fel de mari, valoarea medie a densității spectrale de putere a semnalului x focal fiind de 2.2977e-04, iar cea a semnalului x nefocal, fiind un pic mai mică, 2.2817e-04.

În continuare, am aplicat algoritmul pentru 750 de seturi de date focale și pentru 750 de seturi de date nefocale, și pentru fiecare în parte, atât pentru semnalul x, cât și petru semnalul y, am extras caracteristici, calculând media statistică, medianul, varianța, deviația standard, entropia Shannon si entropia Log energy, ale semnalului în timp neprelucrat, ale semnalului în timp filtrat, ale densității spectrale de putere (DSP), corespunzătoare fiecărei unde cerebrale (beta, alfa, teta, delta), precum și ale reprezentării în timp a undelor cerebrale (coeficienții de detaliu D4-D7).

După obținerea caracteristicilor, am folosit t-test pentru a le clasa după cum urmează:

Dacă H=1 și p<0.01, atunci caracteristica respectivă a fost utilizată mai departe pentru clasificare.

Dacă H=0 și p≥0.01, atunci caracteristica respectivă nu a fost utilizată pentru clasificare.

În Tabelul 6.2 sunt prezentate rezultatele clasării utilizând t-test, cu portocaliu fiind marcate caracteristicile ce au îndeplinit condițiile și au fost folosite ulterior pentru clasificare. Practic, cu cât valoarea p este mai mica decât 0.01, cu atât caracteristica respectivă permite o diferențiere mai bună între semnalul focal și semnalul nefocal.

Tabel 6.2 Rezultatele clasării în urma aplicării t-test

Astfel, pentru clasificarea utilizând algoritmul SVM s-au utilizat următoarele combinații de caracteristici:

Pentru clasificarea semnalelor EEG focale și nefocale neprelucrate, s-au utilizat medianul, deviația standard și entropia Log energy.

Pentru clasificarea semnalelor EEG focale și nefocale filtrate, s-au utilizat deviația standard, entropia Shannon și entropia Log energy.

Pentru clasificarea undelor beta focale și nefocale în timp, s-au utilizat variația, deviația standard, entropia Shannon și entropia Log energy.

Pentru clasificarea undelor alfa focale și nefocale în timp, s-au utilizat variația, deviația standard, entropia Shannon și entropia Log energy.

Pentru clasificarea undelor teta focale și nefocale în timp, s-au utilizat deviația standard și entropia Log energy.

Pentru clasificarea undelor delta focale și nefocale în timp, s-au utilizat medianul, varianța, deviația standard, entropia Shannon și entropia Log energy.

Pentru clasificarea densității spectrale de putere a undelor beta focale și nefocale, s-au utilizat toate caracteristicile.

Pentru clasificarea densității spectrale de putere a undelor alfa focale și nefocale, s-au utilizat toate caracteristicile.

Pentru clasificarea densității spectrale de putere a undelor teta focale și nefocale, s-au utilizat media, deviația standard și entropia Shannon.

Pentru clasificarea densității spectrale de putere a undelor delta focale și nefocale, s-au utilizat toate caracteristicile.

În total s-au utilizat 10 SVM-uri, pentru clasificarea semnalelor focale și nefocale. Pentru antrenarea clasificatorului, s-au utilizat 80% din date, adică 600 de valori ale caracteristicilor focale, și 600 de valori ale caracteristicilor nefocale. Pentru testarea clasificatorului, s-au utilizat restul de valori, adică 150 de valori ale caracteristicilor focale și 150 de valori ale caracteristicilor nefocale. Acuratețea clasificării a fost calculată utilizând toate caracteristicile odată, utilizând doar câte o caracteristică sau utilizând combinații ale acestora. Rezultatele evaluării performanței de clasificare sunt dispuse în Tabelele 6.3-6.12, cu portocaliu fiind marcată combinația pentru care s-a obținut cea mai mare acuratețe de clasificare.

Tabel 6.3 Rezultatele clasificării semnalelor EEG focale și nefocale neprelucrate

Tabel 6.4 Rezultatele clasificării semnalelor EEG focale și nefocale filtrate

Tabel 6.5 Rezultatele clasificării undelor beta focale și nefocale în timp

Tabel 6.6 Rezultatele clasificării undelor alfa focale și nefocale în timp

Tabel 6.7 Rezultatele clasificării undelor teta focale și nefocale în timp

Tabel 6.8 Rezultatele clasificării undelor delta focale și nefocale în timp

Tabel 6.9 Rezultatele clasificării densității spectrale de putere a undelor beta focale și nefocale

Tabel 6.10 Rezultatele clasificării densității spectrale de putere a undelor alfa focale și nefocale

Tabel 6.11 Rezultatele clasificării densității spectrale de putere a undelor teta focale și nefocale

Tabel 6.12 Rezultatele clasificării densității spectrale de putere a undelor delta focale și nefocale

Astfel, în urma clasificării semnalelor EEG focale și nefocale s-au obținut următoarele valori maxime ale acurateței:

Pentru clasificarea semnalelor EEG focale și nefocale neprelucrate, s-a obținut o acuratețe maximă de 57.3%, în cazul în care s-au folosit pentru clasificare doar valorile furnizate de caracteristica entropie Log energy.

Pentru clasificarea semnalelor EEG focale și nefocale filtrate, s-a obținut o acuratețe maximă de 51.3%, în cazul în care s-au folosit pentru clasificare doar valorile furnizate de caracteristica entropie Shannon.

Pentru clasificarea undelor beta focale și nefocale în timp, s-a obținut o acuratețe maximă de 64%, în patru situații diferite: când s-au utilizat pentru clasificare fie doar valorile furnizate de caracteristica entropie Shannon, fie toate caracteristicile, fie valorile furnizate de caracteristicile variație, deviație standard și entropie Shannon, fie valorile furnizate de caracteristicile deviație standard și entropie Shannon.

Pentru clasificarea undelor alfa focale și nefocale în timp, s-a obținut o acuratețe maximă de 65.6%, în cazul în care s-au folosit pentru clasificare doar valorile furnizate de caracteristica entropie Shannon.

Pentru clasificarea undelor teta focale și nefocale în timp, s-a obținut o acuratețe maximă de 50.3%, în cazul în care s-au utilizat pentru clasificare doar valorile furnizate de caracteristica deviație standard.

Pentru clasificarea undelor delta focale și nefocale în timp, s-a obținut o acuratețe maximă de 61.6%, în cazul în care s-au utilizat pentru clasificare doar valorile furnizate de caracteristica deviație standard.

Pentru clasificarea densității spectrale de putere a undelor beta focale și nefocale, s-a obținut o acuratețe maximă de 59.3%, în trei situații diferite: când s-au utilizat pentru clasificare fie valorile furnizate de caracteristicile medie, median, variație și deviație standard, fie valorile furnizate de caracteristicile median, variație și deviație standard, fie valorile furnizate de caracteristicile variație și deviație standard.

Pentru clasificarea densității spectrale de putere a undelor alfa focale și nefocale, s-a obținut o acuratețe maximă de 64.6%, în cinci situații diferite: când s-au utilizat pentru clasificare fie doar valorile furnizate de caracteristica entropie Shannon, fie valorile furnizate de caracteristicile medie, median, variație, deviație standard și entropie Shannon, fie valorile furnizate de caracteristicile median, variație, deviație standard și entropie Shannon, fie valorile furnizate de caracteristicile variație, deviație standard și entropie Shannon, fie valorile furnizate de caracteristicile deviație standard și entropie Shannon.

Pentru clasificarea densității spectrale de putere a undelor teta focale și nefocale, s-a obținut o acuratețe maximă de 50.3%, în toate situațiile, mai puțin în cea în care s-au utilizat pentru clasificare valorile furnizate doar de caracteristica medie.

Pentru clasificarea densității spectrale de putere a undelor delta focale și nefocale, s-a obținut o acuratețe maximă de 62%, în trei situații diferite: când s-au utilizat pentru clasificare fie doar valorile furnizate de caracteristica deviație standard, fie valorile furnizate de caracteristicile median, variație și deviație standard, fie valorile furnizate de caracteristicile variație și deviație standard.

7. CONCLUZII

Caracterizarea si diferentierea undelor cerebrale a fost realizata, utilizand reprezentarea in timp si frecventa, obtinuta datorita Transformatei Wavelet Discrete, impreuna cu Transformata Fourier Rapida. Utilizand densitatea spectrala de putere si reprezentarea in timp a fiecarei unde, s-a realizat discriminarea intre semnalul focal si nefocal.

The authors concluded that focal EEG signals were distinct from nonfocal EEG signals in that they are less consistent with an underlying linear stochastic process and rather reflect some properties of a coupled nonlinear deterministic dynamics

An automated 520 method for identification of EEG signals into FC and NFC of EEG signals significantly helps in clinical diagnosis as manual classification is time-consuming, tedious and prone to human errors. Computer-aided diagnosis (CAD) based techniques are fast, cost-effective and have objective diagnostic capabilities. Thus they assist in providing second opinion to clinicians in performing diagnosis. 525 In future, the classification accuracy may be improved by using better nonlinear features and better classifiers. Our system can be deployed in a clinical setting for epileptic patients for automatic localization and detection of focal epilepsy.

[]- Sharma2016

The method proposed in this paper can be helpful for neurologists in determining the area corresponding to the focal epileptic seizure. It would be of interest to develop new features in order to improve accuracy of classification between focal and non-focal EEG signals.

[] – Empirical Mode

Biomedical signals are known for the great variability between different subjects. [] – WAN

CONCLUZII: Epilepsy surgery reduced seizure activity in randomized clinical trials when compared with continued medical therapy.

Epilepsy surgery is more likely than continued medical treatment to result in a seizure-free outcome.

Epilepsy surgery are effective and provide a means for treating patients with epilepsy not well controlled with medical therapy. Epilepsy surgery has good perioperative outcomes, and its long-term neurologic complications are manageable.

[] – Jobst2015

8. BIBLIOGRAFIE

[1]

[2]