Machine Learning and EEG in Epilepsy
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Amaç: Bu çalışma derin öğrenmenin epilepsi tanılama potan¬siyelini incelemektedir. Apatolojik hastaların tanısı uzun süren ve pahalı EEG takibini içermektedir. Yeni yak-laşımlar daha hızlı sonuçlara ulaşmak için hastaların be¬yinlerinin değişmiş bağlantısallıkları olmasını kullanmışlardır. Araştırmacılar çizge kuramsal ağ ölçümle-rinden çıkarsama yoluyla %90 üzeri tanı doğruluğuna erişmiş¬lerdir. Ancak epilepsi ta-nısı için doğrudan bağlantısallık verileri üzerinden bir derin öğrenme çalışması henüz yapılmamıştır. Yöntem: Evrişimli Sinir Ağı (CNN) algorit¬ması; 30 kontrol ve 30 epilepsi tanılı denekten oluşan grubun 50 sn. dinlenme-yüzeysel EEG kayıtlarında elde edilen yönlendirilmiş Granger nedensellik (GC) bağlantısallık ölçütlerine uygulan-mıştır. Ayrıca, aynı EEG verileri ile bir uzun kısa süreli bellek ağı (LSTM) algoritma-sını eğitilmiştir. Tanı başarımı k-katlı çapraz geçer¬lilik doğrulaması yaklaşımı ile belir-lenmiştir. Bulgular: Bağlantısallık azalmaları en çok frontal bölgelerde delta bandında, artışları ise en çok frontalden posterior bölgeye doğru sol yan gama bandında oluşmuş-tur. CNN; FP1, F3 ve P3 elektrotlarını kullana¬rak, delta ve gama bantlarını içeren yön-lendirilmiş GC matrisleri üzerinde eğitildiği zaman en yük-sek doğruluğa (%82) ulaşmıştır. Özellikle LSTM, aynı elek¬trotlar ile en yüksek %70 doğruluğa ulaşabilmiş-tir. Diğer elektrot türevleri, farklı normalize edilmiş GC verileri ile sadece belirli doğru-luklar sağlamıştır. %90'lık yüksek doğruluk oranına ise (F1) en verimli üç veri hazırla-ma yönteminden ortaya çıkan CNN tahminlerini birleştirerek ulaşılmıştır. Sonuç: Ge-nel bir CNN, verilerin doğru işlenmesi halinde GC matrislerinden epileptik özellikler bulabilmekte¬dir. Çoklu epileptik özelliklerden faydalanmak için, farklı tahminler hibrid bir sınıflan¬dırıcı ile birleştirilebilir. Öneriler: Bu çalışmada ulaşılan yüksek doğruluk, kullanılan yaklaşımın kliniklerde değerli bir yardımcı olabileceğini göstermek¬tedir. Purpose: This study investigates the ability of deep learning to improve epilepsy diagnosis. Without pathology diagnosis involves long and costly EEG monitoring. To achieve faster immediate diagnosis, novel approaches exploit altered brain connectivity in patients. Researchers achieved diagnosis accuracies above 90% by deriving graph theoretical network metrics. However, diagnosis by deep learning, directly on connectivity data, was not yet studied. Methods: A convolutional neural network (CNN) algorithm was applied on directed Granger causality (GC) connectivity measures, which were derived from 50 seconds of resting-state surface EEG recordings from a group of 30 subjects with epilepsy and a 30 subject control group. The same EEG data was also used to train a long-short-term-memory (LSTM). Performance was determined with a k-fold cross validation approach. Results: Largest connectivity reductions occurred in frontal regions in the delta band, and largest increase occurred in the gamma band for left lateralized connectivity from frontal to posterior regions. The CNN achieved highest accuracy (82%) with directed GC matrices that included delta and gamma frequency bands, using the FP1, F3 and P3 electrodes. Notably, the LSTM achieved highest accuracy (70%) on the same electrodes. Other electrode combinations only showed significant accuracies with differently normalized GC data. A high accuracy of 90% (F1-score 90%) was achieved by fusing the CNN predictions that resulted from the three best performing data preparation methods. Conclusions: A generic CNN algorithm is able to detect epileptic features from GC matrices, provided that the data is prepared appropriately. To exploit multiple epileptic features, different predictions can be fused into a hybrid classifier. Recommendations: The high accuracy achieved in this study shows that this approach could prove a valuable aid for clinicians.
Collections