Epileptic seizure prediction using Deep Learning techniques

A epilepsia é uma das doenças cerebrais mais comuns e incapacitantes, afetando cerca de 1% da população mundial. Esta doença ocasiona sintomas chamados de crises epilépticas devido à atividade cerebral anormal, as quais podem variar de pequenos desvios de atenção à perda total de consciência. Dado o caráter inesperado de uma crise epiléptica, sua predição acarretaria em uma melhoria da qualidade de vida do paciente, bem como ajudaria no tratamento. Um método auxiliar amplamente utilizado para realizar o diagnóstico clínico da epilepsia, bem como seu monitoramento, é o eletroencefalograma (EEG). Os sinais de EEG são obtidos por meio do posicionamento de eletrodos no couro cabeludo dos pacientes e então aferindo-se a diferença de potencial entre eles gerado pela atividade cerebral. A tarefa de predizer uma crise epiléptica pode ser definida como classificar e diferenciar dois períodos distintos do EEG de um paciente epiléptico: o período pré-ictal e o período interictal. O uso de técnicas de Deep Learning (DL) são muito promissoras para essa tarefa, uma vez que representam o estado da arte para várias outras tarefas de classificação de dados temporais. Este trabalho tem como objetivo desenvolver e implementar algoritmos de DL aplicados a sinais de EEG para predizer crises epilépticas. O algoritmo deve detectar e diferenciar o período pré-ictal do interictal com precisão e antecedência. Para isso, será utilizado o conjunto de dados publicamente disponíveis do CHB-MIT. Ainda, este trabalho preparará para trabalhos futuros o banco de dados do Hospital das Clínicas da FMRPUSP, que contém sinais de EEG de mais de 1.820 pacientes. Este trabalho implementou cinco arquiteturas de DL diferentes para predição de crises: redes MLP, CNN, Bi-LSTM, Transformer e Vision Transformer. A fim de adaptar as duas últimas para uso com sinais temporais multi-canais, área ainda inexplorada pelas mesmas, foram desenvolvidos dois modelos denominados de Temporal Multi-channel Transformer (TMC-T) e Temporal Multi-channel Vision Transformer (TMC-ViT). O modelo TMC-ViT aqui desenvolvido atingiu os melhores resultados, com acurácia de 98,95% e taxa de falso alarme de 0,0007 por hora, superando as redes CNN que representam o estado da arte nessa tarefa necessitando de um menor tempo de treinamento. Ainda, os resultados obtidos esclareceram dúvidas em aberto quanto à definição clínica do período pré-ictal e em relação ao balanceamento dos dados.Epilepsy is one of the most common and disabling neurological diseases, affecting about 1% of world population. This disease causes symptoms called epileptic seizures due to abnormal brain activity, which can vary from small deviations of attention to total loss of consciousness. Given the unexpected nature of an epileptic seizure, its prediction would result in an improvement in the patient\'s quality of life, as well as it would help in the treatment. An auxiliary method widely used to perform the clinical diagnosis of epilepsy, as well as its monitoring, is the electroencephalogram (EEG). EEG signals are obtained through the positioning of electrodes on the scalp of patients and gauging the potential difference between them generated by brain activity. The task of predicting an epileptic seizure can be defined as classifying and differentiating two distinct periods of an epileptic patient\'s EEG: the preictal period and the interictal period. The use of Deep Learning (DL) techniques are very promising for this task, since they represent the state-of-the-art for several other tasks of temporal data classification. This work aims to develop and implement Deep Learning algorithms applied to EEG signals to predict epileptic seizures. The algorithm must detect and differentiate the preictal period from the interictal period accurately and in advance. For this, the CHB-MIT publicly available dataset will be used. Furthermore, this work will prepare the FMRP-USP Hospital das Clínicas database for future work, which contains EEG signals from more than 1,820 patients. This work implemented five different DL architectures to seizure prediction: MLP, CNN, Bi-LSTM, Transformer and Vision Transformer. In order to adapt the latter two for use with multichannel temporal signals, an area still unexplored by them, two models called Temporal Multi-channel Transformer (TMC-T) and Temporal Multi-channel Vision Transformer (TMC-ViT) were developed. The TMC-ViT model achieved the best results, with an accuracy of 98.95% and a false alarm rate of 0.0007 per hour, surpassing the CNN networks that represent the state-of-the-art in this task, requiring less time in training. Furthermore, the results obtained clarified open questions regarding the clinical definition of the preictal period and regarding the balance of data