Pattern recognition in brain networks to characterize preictal states

Epilepsy is one of the most common neurological disorders that affects over 50 million people worldwide. It is characterized by recurrent seizures, which are the result of excessive electrical discharges that generate disruptions in brain activity. In most epileptic patients the seizures are infrequent and so they are of unpredictable occurrence. Therefore, antiseizure medicines can reduce the number of seizure incidences in the patient. Unfortunately, for 30% of the people with epilepsy, seizures persist despite the use of this treatment, increasing the risk of injuries, premature death and reducing the patient’s quality of life. The aim of the present work is to develop a patient-specific AI-based pipeline integrating functional connectivity analysis applied to epileptic brain networks, to accurately identify the non-seizure period (interictal) and the time interval immediately preceding the seizure onset (preictal state), and therefore detect a potential seizure onset. In the present study, 17 patients, from the EPILEPSIAE database, with recordings available for at least 8-9 hours before the seizure onset were selected. The patient’s recordings were sEEG. Feature Extraction, Feature Preprocessing, Feature Selection, Machine Learning and Deep Learning Application, and Model training and Evaluation, constitute the main pipeline blocks. Five Machine Learning and Deep Learning algorithms were selected for evaluation: Random Forest (RF), Support Vector Machines Classifier (SVC), XGBoost (XGB), Convolutional Neural Networks (CNN), and Long Short-Term Memory (LSTM). To enhance the performance of the classification algorithms to different temporal contexts, three preictal windows of 40, 60, and 80 minutes were evaluated. An F1 score greater than 60% was achieved by 11/17 patients, and with the preferred preictal window among subjects being the 80-minute interval.

L'epilessia è uno dei disturbi neurologici più comuni che colpisce oltre 50 milioni di persone in tutto il mondo. È caratterizzata da convulsioni ricorrenti, che sono il risultato di scariche elettriche eccessive che generano interruzioni dell'attività cerebrale. Nella maggior parte dei pazienti epilettici le convulsioni sono poco frequenti e quindi sono di insorgenza imprevedibile. Pertanto, i farmaci antiepilettici possono ridurre il numero di episodi di convulsioni nel paziente. Purtroppo, per il 30% delle persone con epilessia, le convulsioni persistono nonostante l'uso di questo trattamento, aumentando il rischio di lesioni, morte prematura e riducendo la qualità della vita del paziente. Lo scopo della present tesi è quello di sviluppare un AI-based pipeline specifica per ogni paziente che integri l'analisi della connettività funzionale applicata alle reti cerebrali epilettiche, per identificare con precisione il periodo non convulsivo (interictale) e l'intervallo di tempo immediatamente precedente l'insorgenza della crisi (stato preictale), e quindi rilevare una potenziale insorgenza convulsiva. Nel presente studio, sono stati selezionati 17 pazienti, dal database EPILEPSIAE, con registrazioni disponibili per almeno 8-9 ore prima dell'insorgenza delle crisi. Le registrazioni del paziente erano sEEG. L'estrazione delle funzionalità, la pre-elaborazione delle funzionalità, la selezione delle funzionalità, l'applicazione di Machine Learning e Deep Learning, l'addestramento e la valutazione dei modelli costituiscono i principali blocchi del pipeline proposto. Per la valutazione sono stati selezionati cinque algoritmi di Machine Learning e Deep Learning: Random Forest (RF), Support Vector Machines Classifier (SVC), XGBoost (XGB), Convolutional Neural Networks (CNN) e Long Short-Term Memory (LSTM). Per migliorare il rapporto degli algoritmi di classificazione in diversi contesti temporali, sono state valutate tre finestre preictali di 40, 60 e 80 minuti. Un punteggio F1 score superiore al 60% è stato raggiunto da 11/17 pazienti e con la finestra preictale preferita tra i soggetti è l'intervallo di 80 minuti.