Classification of epileptic against non-epileptic patients using seizure-free EEG records : two machine learning approaches

Epilepsy is one of the most common and disabling neurologic disease, affecting 1% of the worldwide population, including patients of all ages. Sudden and unpredictable seizures can result from an abnormal electrical brain activity occurring in a limited area or involving both the hemispheres with a variety of severities. The outcomes of the seizures might be loss of consciousness, altered responsiveness to stimuli, convulsive movements or sudden brief involuntary muscle contraction. In epileptogenesis the alteration involves different levels of brain, from genes and subcellular mechanisms to broad neuronal circuits. The most common detection method is EEG and the detection algorithms are based on feature extraction and a definition of a threshold which determines the presence or absence of epileptic event. Under suspect epileptic disease clinicians examine the EEG with the information provided by the patient: different procedures are used to induce the epileptic event, even though the diagnosis of the disease requires the manifestation of unprovoked seizures with specific temporal occurrence. Hyperventilation and intermittent photic stimulation are commonly employed to induce epileptic activity. The recognition of epileptic presence in pre-ictal or inter-ictal state could avoid the need to induct the crisis. In the light of this premise, in this study is presented an approach to distinguish seizure-free EEG traces of epileptic and non-epileptic patients. The initial dataset is composed by raw EEGs (19 channels), the data processing workflow includes a time-frequency analysis and the classification step exploiting two different machine learning approaches. The time-frequency analysis based both on wavelet and short-time Fourier transform was used to build the event-related spectral perturbation map representing all the channels of each subject. The map was then either fed directly to a convolutional neural network (CNN approach) or further processed to extract radiomic features which were then used as input for a feedforward neural network (FFNN approach). Both the classification approaches were trained dividing the dataset in training and test set, respectively with a proportion 80-20% for CNN and 70-30% for FFNN. The obtained results hold promise with FFNN (accuracy on test set: 0.80) outperforming the CNN approach (accuracy on test set: 0.54) suggesting that this method should be further investigated for a possible support-system the research and diagnosis of epilepsy.

L’epilessia è una delle più comuni e disabilitanti patologie neurologiche, che interessa l’1% della popolazione mondiale e colpisce persone di tutte le età. Le crisi epilettiche, improvvise e imprevedibili, dipendono da un’anomale scarica neurale che interessa un circoscritto gruppo di neuroni o entrambi gli emisferi cerebrali, dando origine a manifestazioni cliniche di varia gravità. Le crisi possono manifestarsi come perdita di coscienza, alterata risposta agli stimoli esterni, movimenti di tipo convulsivo o brevi contrazioni muscolari spontanee e involontarie. Nell’epilettogenesi le anomalie interessano l’attività neuronale cerebrale a più livelli, a partire da mutazioni genetiche e meccanismi subcellulari fino a ampi circuiti neuronali. Il più comune metodo diagnostico è l’EEG e gli algoritmi di detezione sono basati sull’estrazione di feature e sullo stabilimento di una soglia che determina la presenza o l’assenza dell’evento epilettico. In condizioni di sospetta epilessia i medici valutano il tracciato dell’EEG insieme alle informazioni fornite dai pazienti: sono attuate diverse procedure per indurre l’evento epilettico, tuttavia la diagnosi della malattia richiede il verificarsi di crisi spontanee con specifiche criteri temporali. L’iperventilazione e la stimolazione luminosa intermittente vengono comunemente utilizzate per evocare la crisi epilettica. Il riscontro dell’attività epilettica nello stadio precedente la crisi o in quello inter-critico potrebbe evitare la necessità di indurre la crisi. Alla luce di questa premessa, in questo studio viene presentato un approccio per distinguere tracce di EEG prive di attività epilettica di pazienti con o senza diagnosi di epilessia. Il campione di partenza è costituito da EEG grezzi (19 canali), il flusso di preprocessing dei dati include un’analisi tempo frequenza e la fase di classificazione si compone di due differenti approcci di machine learning. L’analisi tempo-frequenza si basa su un metodo che si colloca tra la trasformata di Wavelet e la trasformata di Fourier a tempo breve e ottiene in uscita una mappa della rappresentazione spettrale specifica di ogni evento temporale per ogni canale di acquisizione. La mappa viene poi sia fornita in ingresso ad una Convolutional Neural Network (approccio CNN) o ulteriormente elaborata per l’estrazione di feature di radiomica usate poi come input per una rete di tipo feed forward (FFNN). Entrambi i metodi di classificazione sono stati allenati dividendo il campione tra allenamento e test, con una proporzione di 80-20% per la CNN e di 70-30% per la FFNN. I risultati ottenuti sono promettenti per la FFNN che ha mostrato un’accuratezza sul test set di 0.82 rispetto alla CNN con una del 0.42, suggerendo che il metodo suggerendo che questo metodo necessita di ulteriori validazioni in quanto può costituire un possibile sistema per supportare la ricerca e la diagnosi dell’epilessia.