Machine learning and signal processing on recognizing epileptic seizure patterns

Abstract

Makine öğrenimi yöntemleri, bir mekanizmanın girdileri ve çıktıları arasında mevcut ancak belirsiz bir ilişkinin olduğu durumlarda öne çıkmaktadır. En yaygın beyin bozukluklarından biri olan epilepsi de böyle bir durumdur. Bu nedenle, makine öğrenme algoritmalarının öngörücü yetenekleri ile birlikte sinyal işleme tekniklerinin açıklayıcı gücünden yararlanmak, EEG kayıtlarından epileptik nöbetleri saptamak ve tahmin etmek için uygun bir yaklaşımdır. Bu çalışma, nöbetleri tespit etmek ve tahmin etmek için iki ayrı ancak uyumlu çerçeve sunar. İlk çerçeve, birkaç sınıflandırıcı ile nöbet aktivitesini tespit etmek için Hilbert titreşim ayrışması ile ayrıştırılan EEG sinyallerinin özellik çıkarılması ve sınıflandırılmasından oluşur. Ayrıca, HVD yönteminin performansları ve diğer geleneksel ayrışma teknikleri karşılaştırılmaktadır. İkinci çerçeve, bir evirişimli sinir ağı ve bir post-proses algoritması kullanarak, preiktal aktiviteyi tespit etmek ve alarmları yükseltmek için sınıflandırma hedefini nöbet öncesi dönemlere kaydırarak ilkinin metodolojisini geliştirmektedir. Her iki çerçevenin bulguları, bağlamda makine öğrenme algoritmaları ile sinyal ayrışmasının ve özellik çıkarmanın uygunluğunu göstermektedir. İlk çerçeve, %100'e ulaşan sınıflandırma doğrulukları ile epileptik nöbetleri güvenilir bir şekilde tespit edeblmektedir. İkinci çerçeve, yaklaşık %90'lık bir ortalama duyarlılık ve 0.02/saate kadar düşen yanlış alarm oranları ile öngörme ve uyarma yapabilir, bu nedenle, HVD yönteminin makine öğrenme algoritmaları ile birlikte etkinliğini gösterirken, literatürde önerilen diğer çerçevelerden daha yüksek performans gösterir.

Machine learning methods thrive in cases where there is a present but obscure relation between the inputs and outputs of a mechanism. Epilepsy, one of the most common brain disorders, is one such case. Leveraging the descriptive power signal processing techniques along with the predictive capabilities of machine learning algorithms is, therefore, a suitable approach to detect and predict epileptic seizures from EEG recordings. This work presents two separate but compatible frameworks in order to detect and predict seizures. The first framework consists of feature extraction and classification of EEG signals decomposed with the Hilbert vibration decomposition in order to detect seizure activity with several classifiers. Also, the performances of the HVD method and other conventional decomposition techniques are compared. The second framework builds upon the methodology of the first one by shifting the classification target to pre-seizure periods to detect preictal activity and raise alarms using a convolutional neural network and a novel post-processing algorithm. The findings of both frameworks indicate the suitability of signal decomposition and feature extraction with machine learning algorithms in the context. The first framework can reliably detect epileptic seizures with classification accuracies reaching 100%. The second framework is able to predict and alert, with a mean sensitivity of approximately 90% and false alarm rates as low as 0.02/h, therefore outperforming other frameworks proposed in the literature, while demonstrating the effectiveness of the HVD method along with machine learning algorithms.