Feature relevance analysis for preictal electroencephalography classification

Abstract. Epilepsy is a disorder that a ects the central nervous system and it is characterized by un-predicted disruption of normal brain activity that leads to recurrent seizures. Additionally, epilepsy is one of the most common neurological diseases worldwide according to World Health organization (WHO), a ecting 1 % of world population. Around 30 % of this popu-lation however su er from drug resistant epilepsy and must live with eventual seizures which a ict their quality of life. Electroencephalogram test is currently the main tool to diagnose epilepsy which enables neurologists to determine the states of an epileptic brain. This test can be contrasted with video-telemetry and other biomarkers such as Magnetic Resonance Imaging (MRI) to ndthe seizure focus. These recordings nevertheless could take hours and sometimes days which could be burdensome to analyze. As a result, computational techniques have been proposed to detect and predict seizures. Most of these techniques have therefore implemented feature extraction using methods of amplitude, frequency and multivariate analysis in order to reduce the input space, and then classi cation methods mainly based on machine learning techniques. So far the results that have been obtained have shown similar rates of classi cation. Therefore in this thesis, a methodology for anticipating a seizure was proposed. This metho- dology used a database that belongs to Neurocentro from Pereira and two research groups: Gaunal group and GCYPDS, both from Universidad Nacional de Colombia. This database, contains the information (reports and evaluations) of a set of patients with di eret types of epilepsies but people who su ered recurrent seizures. This methodology is developed by means of the selection of the most relevant features using a metric of the maximum separability of the classes which are the epileptic brain states (preictal, ictal and interictal). This approach allowed us to improve the classi cation performance using di erent types of classiers in order to identify the zones likely to be related with the moment prior to a seizure onset. In addition, this methodology highlights the performance of Partial Least Squares techniques that relate information which is as important for brain activity as to the epileptic brain states. Two frameworks were implemented in order to see di erences between two distinct domains such as the raw data (time domain) and frequency related representation. Finally, classi cation rates were measured from the classi ers carried out for preictal and interictal classi cation. Particularly, the highest performances were given by the partial least squares regression and in the parietal and occipital lobes which are the lobes related to somatosensory information (sensitivity of 88 ; 24 %) and visual information, respectively. These results make sense according to the subjective premonitory or aura symptoms manifested before a seizure in most of the epileptic patientsResumen: La epilepsia es un trastorno que afecta el sistema nervioso central y se caracteriza por la interrupción de la actividad cerebral normal llevando a convulsiones recurrentes. Adicionalmente, es una de las enfermedades neurológicas más comunes en el mundo según la Organización Mundial de la Salud (OMS), afectando el 1 % de la población mundial. De este porcentaje de población, alrededor del 30% no pueden ser tratados y deben vivir con estos ataques que ocurren sin previo aviso. En términos de diagnóstico, la principal herramienta de evaluación de la epilepsia es el electroencefalograma (EEG), el cual permite detectar la presencia de los estados epilépticos cerebrales los cuales son generalmente contrastados con video-telemetría y otros biomarcadores como Imágenes de Resonancia Magnética (MRI) con el fin de encontrar el foco de los ataques. No obstante, estos registros pueden tomar horas y en algunos casos días de duración, los cuales pueden ser difíciles de analizar por el neurólogo experto. En consecuencia, las técnicas computacionales pueden mejorar de manera precisa la detección y predicción de ataques. Por su parte, la predicción de ataques epilépticos puede significar una mejora significativa en la calidad de vida de las personas y puede también disminuir la probabilidad de accidentes o lesiones generadas por los ataques. Adicionalmente, la mayoría de aplicaciones para la detección y predicción de ataques han implementado extracción de características por medio de métodos de análisis de amplitud, frecuencia, univariados y multivariados para reducción de dimensionalidad; y métodos de clasificacio ́n principalmente basados en técnicas de aprendizaje de máquinas. Por lo tanto, en esta tesis se presenta una metodología para anticipar la ocurrencia de un ataque usando una base de datos colombiana, la cual pertenece a dos grupos de investigación de la Universidad Nacional de Colombia; y el Neurocentro de Pereira. Esta base de datos, contiene información (reportes y evaluaciones) de un conjunto de pacientes con diferentes tipos de epilepsia pero personas que sufren ataques recurrentes. Esta metodología es desarrollada por medio de la selección de las características más relevantes usando una métrica de la máxima separabilidad de las clases las cuales son los estados epilépticos cerebrales (preictal, ictal e interictal). Este procedimiento permitió mejorar el comportamiento de la clasificación usando diferentes clasificadores con el fin de identificar las zonas que son más probables de relacionarse con el momento previo a la ocurrencia de un ataque. Asimismo, esta metodología resalta el comportamiento de las técnicas relacionadas con mínimos cuadrados parciales las cuales relacionan la información que es tan importante para la actividad eléctrica cerebral como para los estados epilépticos cerebrales. Por otro lado, con el fin de encontrar diferencias en dominios diferentes de los datos se utilizaron los datos originales y una representación de los datos relacionados con información basada en el dominio de la frecuencia. Finalmente, las tasas de clasificación fueron medidas a partir de la aplicación de los clasificadores de los estados preictal e interictal. Particularmente, los mayores comportamientos se obtuvieron por la aplicación de la regresión por mínimos cuadrados principalmente en los lóbulos parietal y occipital, los cuales están relacionados con la información somatosensorial y de información visual, respectivamente. Estos resultados tienen sentido de acuerdo con los síntomas premonitorios o aura que subjetivamente los pacientes con epilepsia experimentan antes de la ocurrencia de una crisis.Maestrí