Methods for automatic seizure detection in intensive care : feature selection and evaluation

Epileptic seizure is caused by abnormal electrical activity in the brain. When a seizure is nonconvulsive, external indications of seizure, such as muscle contractions, are not visible. Nonconvulsive seizures can be detected only by measuring electrical signals of the brain with electroencephalogram (EEG). Nonconvulsive seizures are common in intensive care unit (ICU). Detection of seizures is important, because delay in diagnosis and duration of seizures have association to mortality and morbidity. For diagnosis, EEG needs to be reviewed by an experienced reader. Analysis of EEG signals is burdensome and time-taking. There is a need for automatic detection method for seizures in intensive care. In this study, seizure markings of two certified EEG readers in EEG records of 50 ICU patients were compared. The agreement between the readers was moderate. Seizure periods agreed by experts and data from 55 ICU patients without seizures were used for searching features from EEG that could distinguish seizure activity from non-seizure activity. 18 features were computed in several time windows from two two-dimensional EEG feature spaces. In addition, spectral features and spike rate were computed from EEG signal. Feature selection was performed with optimizing method. Feature combinations of 5, 7, and 10 features were formed and their performance was compared in an independent data set of EEG records of 40 ICU patients, including patients with and without seizures. 5-feature-model had the best performance among the models. 5-feature-model detected in the independent data set all 11 patients with unequivocal seizures. Median sensitivity over patients was 0.90 and median false positive rate was 0.56 false positives per hour. Results are promising, but further development is needed for reducing false positive detections.

Una crisi epilettica è causata da un attività elettrica anormale nel cervello. Quando una crisi è non convulsiva, manifestazioni esterne della crisi, come la contrazione dei muscoli, non sono visibili. Le crisi non convulsive possono essere rilevate solo con la misurazione dei segnali elettrici del cervello con l’elettroencefalogramma (EEG). Le crisi non convulsive sono comune nella unità di terapia intensiva (UTI). Il rilevamento delle crisi è importante perché il ritardo della diagnosi e la durata delle crisi incidono fortemente sulla mortalità e morbosità. Per la diagnosi, l’EEG richiede l’analisi da parte di un neurofisiologo. L'analisi dell'EEG è onerosa e richiede tanto tempo. C’è un bisogno per un metodo automatico per il rilevamento delle crisi nell’UTI. In questo studio, le etichette delle crisi forniti da due neurofisiologi esperti nelle registrazioni EEG da 50 pazienti nell’UTI sono state confrontate. L’accordo tra di due esperti è stato moderato. Le combinazioni di 5, 7, e 10 caratteristiche sono state formate e la performance tra loro è stata confrontata in un set di dati indipendente costituiti dalle registrazioni EEG di 40 soggetti, con o senza crisi. Il modello di 5 caratteristiche ha avuto la performance migliore tra i modelli. I periodi delle crisi su cui gli esperti sono stati d’accordo e i dati da 55 soggetti nell’UTI senza crisi sono stati utilizzati per la ricerca delle caratteristiche EEG che potessero distinguere I periodi con le crisi dai periodi senza crisi. 18 caratteristiche sono state calcolate nelle diverse finestre temporali da due spazi bidimensionali delle caratteristiche EEG. Inoltre, caratteristiche spettrali e il rateo degli spike sono stati calcolati dal segnale EEG. La selezione delle caratteristiche è stata fatta con un metodo di ottimizzazione. Il modello di 5 caratteristiche ha rilevato tutti i 11 pazienti con le crisi non convulsive. La sensitività mediana è stata 0.90 e il rateo dei falsi positivi mediano è stato 0.56 falsi positive in un ora. I risultati sono promettenti, però è richiesto un ulteriore sviluppo per ridurre i rilevamenti falsi positive.