Математическая модель для выявления эпилептических приступов на записи ЭЭГ

Обложка

Цитировать

Полный текст

Аннотация

Цель настоящего исследования — анализ возможности использования сверточных нейронных сетей в качестве модели для выявления эпилептических приступов на реальных данных ЭЭГ. Методы. Для частотно-временного анализа используется вейвлет-анализ. Для локализации эпилептических разрядов задача их детектирования была сведена к задаче классификации и использовалась модель нейронной сети архитектуры ResNet18. Были использованы техники для аугментации и балансировки рассматриваемого датасета биомедицинских данных. Результаты. Сверточная нейронная сеть может быть успешно применена для выявления эпилептических приступов, предложен метод постобработки результатов первичного детектирования для улучшения качества работы модели. Показано, что разработанная модель демонстрирует высокую точность по сравнению с другими методами, основанными на классических алгоритмах машинного обучения. Значение метрики F1-score достигает 0.44, что является высоким значением при классификации реальных биологических данных. Заключение. Представленная модель на основе сверточной нейронной сети для выявления эпилептических приступов на записи ЭЭГ может стать основной в системах поддержки принятия врачебных решений врача-эпилептолога.

Об авторах

Сергей Игоревич Назариков

Балтийский Федеральный Университет им. И. Канта

ORCID iD: 0000-0002-7056-3373
SPIN-код: 2843-9247
г. Калининград, ул. А.Невского, 14

Список литературы

  1. Megiddo I., Colson A., Chisholm D., Dua T., Nandi A., Laxminarayan R. Health and economic benefits of public financing of epilepsy treatment in India: An agent-based simulation model // Epilepsia. 2016. Vol. 57, no. 3. P. 464–474. doi: 10.1111/epi.13294.
  2. Sander J. W. The use of antiepileptic drugs–principles and practice // Epilepsia. 2004. Vol. 45, no. s6. P. 28–34. doi: 10.1111/j.0013-9580.2004.455005.x.
  3. Ghosh S., Sinha J. K., Khan T., Devaraju K. S., Singh P., Vaibhav K., Gaur P. Pharmacological and therapeutic approaches in the treatment of epilepsy // Biomedicines. 2021. Vol. 9, no. 5. P. 470. doi: 10.3390/biomedicines9050470.
  4. Tatum W. O., Mani J., Jin K., Halford J. J., Gloss D., Fahoum F., Maillard L., Mothersill I., Beniczky S. Minimum standards for inpatient long-term video-EEG monitoring: A clinical practice guideline of the international league against epilepsy and international federation of clinical neurophysiology // Clinical Neurophysiology. 2022. Vol. 134. P. 111–128. DOI: 10.1016/ j.clinph.2021.07.016.
  5. Карпов О. Э., Храмов А. Е. Информационные технологии, вычислительные системы и искусственный интеллект в медицине. М.: ДПК Пресс, 2022. 480 с.
  6. Sutton R. T., Pincock D., Baumgart D. C., Sadowski D. C., Fedorak R. N., Kroeker K. I. An overview of clinical decision support systems: benefits, risks, and strategies for success // npj Digital Medicine. 2020. Vol. 3. P. 17. doi: 10.1038/s41746-020-0221-y.
  7. Roy Y., Banville H., Albuquerque I., Gramfort A., Falk T. H., Faubert J. Deep learning-based electroencephalography analysis: a systematic review // Journal of Neural Engineering. 2019. Vol. 16, no. 5. P. 051001. doi: 10.1088/1741-2552/ab260c.
  8. Chen Z., Lu G., Xie Z., Shang W. A unified framework and method for EEG-based early epileptic seizure detection and epilepsy diagnosis // IEEE Access. 2020. Vol. 8. P. 20080–20092. doi: 10.1109/ACCESS.2020.2969055.
  9. Mousavi S. R., Niknazar M., Vahdat B. V. Epileptic seizure detection using AR model on EEG signals // In: 2008 Cairo International Biomedical Engineering Conference. 18-20 December 2008, Cairo, Egypt. New York: IEEE, 2009. P. 1–4. doi: 10.1109/CIBEC.2008.4786067.
  10. Wang D., Miao D., Xie C. Best basis-based wavelet packet entropy feature extraction and hierarchical EEG classification for epileptic detection // Expert Systems with Applications. 2011. Vol. 38, no. 11. P. 14314–14320. doi: 10.1016/j.eswa.2011.05.096.
  11. Vanabelle P., Handschutter P. D., Tahry R. E., Benjelloun M., Boukhebouze M. Epileptic seizure detection using EEG signals and extreme gradient boosting // The Journal of Biomedical Research. 2020. Vol. 34, no. 3. P. 228–239. doi: 10.7555/JBR.33.20190016.
  12. Karpov O. E., Khoymov M. S., Maksimenko V. A., Grubov V. V., Utyashev N., Andrikov D. A., Kurkin S. A., Hramov A. E. Evaluation of unsupervised anomaly detection techniques in labelling epileptic seizures on human EEG // Applied Sciences. 2023. Vol. 13, no. 9. P. 5655. DOI: 10.3390/ app13095655.
  13. Zhao W., Zhao W., Wang W., Jiang X., Zhang X., Peng Y., Zhang B., Zhang G. A novel deep neural network for robust detection of seizures using EEG signals // Computational and Mathematical Methods in Medicine. 2020. Vol. 2020. P. 9689821. doi: 10.1155/2020/9689821.
  14. Asif U., Roy S., Tang J., Harrer S. SeizureNet: Multi-spectral deep feature learning for seizure type classification // In: Kia S. M., Mohy-ud-Din H., Abdulkadir A., Bass C., Habes M., Rondina J. M., Tax C., Wang H., Wolfers T., Rathore S., Ingalhalikar M. (eds) Machine Learning in Clinical Neuroimaging and Radiogenomics in Neuro-oncology. MLCN RNO-AI 2020 2020. Vol. 12449 of Lecture Notes in Computer Science. Cham: Springer, 2020. P. 77–87. doi: 10.1007/978-3-030- 66843-3_8.
  15. Andrzejak R. G., Schindler K., Rummel C. Nonrandomness, nonlinear dependence, and nonstationarity of electroencephalographic recordings from epilepsy patients // Phys. Rev. E. 2012. Vol. 86, no. 4. P. 046206. doi: 10.1103/PhysRevE.86.046206.
  16. Shoeb A. H. Application of Machine Learning to Epileptic Seizure Onset Detection and Treatment. PhD Thesis. Massachusetts: Massachusetts Institute of Technology, 2009. 162 p.
  17. Hwang S., Park S., Kim D., Lee J., Byun H. Mitigating inter-subject brain signal variability FOR EEG-based driver fatigue state classification // In: ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 06-11 June 2021, Toronto, ON, Canada. New York: IEEE, 2021. P. 990–994. doi: 10.1109/ICASSP39728.2021.9414613.
  18. Homan R. W. The 10-20 electrode system and cerebral location // American Journal of EEG Technology. 1988. Vol. 28, no. 4. 1988. P. 269–279. doi: 10.1080/00029238.1988.11080272.
  19. Hramov A. E., Koronovskii A. A., Makarov V. A., Maximenko V. A., Pavlov A. N., Sitnikova E. Wavelets in Neuroscience. Cham: Springer, 2021. 384 p. doi: 10.1007/978-3-030-75992-6.
  20. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks // In: Pereira F., Burges C. J., Bottou L., Weinberger K. Q. (eds) Advances in Neural Information Processing Systems 25. NIPS, 2012. P. 1097–1105.
  21. Deng J., Dong W., Socher R., Li L.-J., Li K., Fei-Fei L. ImageNet: A large-scale hierarchical image database // In: 2009 IEEE Conference on Computer Vision and Pattern Recognition. 20-25 June 2009, Miami, FL, USA. New York: IEEE, 2009. P. 248–255. doi: 10.1109/CVPR.2009.5206848.
  22. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 27-30 June 2016, Las Vegas, NV, USA. New York: IEEE, 2016. P. 770–778. doi: 10.1109/CVPR.2016.90.
  23. Hendrycks D., Lee K., Mazeika M. Using pre-training can improve model robustness and uncertainty // In: Proceedings of the 36th International Conference on Machine Learning. Vol. 97. Long Beach, California. PMLR, 2019. P. 2712–2721.
  24. Zhang H., Cisse M., Dauphin Y. N., Lopez-Paz D. mixup: Beyond empirical risk minimization // In: 6th International Conference on Learning Representations. 30 Apr-3 May 2018, Vancouver, BC, Canada. ICLR (Poster), 2018. P. 1–13.
  25. Park D. S., Chan W., Zhang Y., Chiu C.-C., Zoph B., Cubuk E. D., Le Q. V. SpecAugment: A simple data augmentation method for automatic speech recognition // In: Proc. Interspeech 2019. 15–19 September 2019, Graz, Austria. Interspeech, 2019. P. 2613–2617. doi: 10.21437/Interspeech. 2019-2680.
  26. Karpov O. E., Afinogenov S., Grubov V. V., Maksimenko V., Korchagin S., Utyashev N., Hramov A. E. Detecting epileptic seizures using machine learning and interpretable features of human EEG // The European Physical Journal Special Topics. 2023. Vol. 232, no. 5. P. 673–682. doi: 10.1140/epjs/ s11734-022-00714-3.
  27. Karpov O. E., Grubov V. V., Maksimenko V. A., Kurkin S. A., Smirnov N. M., Utyashev N. P., Andrikov D. A., Shusharina N. N., Hramov A. E. Extreme value theory inspires explainable machine learning approach for seizure detection // Scientific Reports. 2022. Vol. 12, no. 1. P. 11474. doi: 10.1038/s41598-022-15675-9.
  28. Cortes C., Vapnik V. Support-vector networks // Machine Learning. 1995. Vol. 20, no. 3. P. 273–297. doi: 10.1007/BF00994018.
  29. Hramov A. E., Maksimenko V. A., Pisarchik A. N. Physical principles of brain–computer interfaces and their applications for rehabilitation, robotics and control of human brain states // Physics Reports. 2021. Vol. 918. P. 1–133. doi: 10.1016/j.physrep.2021.03.002.
  30. Pisarchik A. N., Maksimenko V. A., Hramov A. E. From novel technology to novel applications: Comment on “An integrated brain-machine interface platform with thousands of channels” by Elon Musk and Neuralink // Journal of Medical Internet Research. 2019. Vol. 21, no. 10. P. e16356. doi: 10.2196/16356.
  31. Maksimenko V. A., van Heukelum S., Makarov V. V., Kelderhuis J., Luttjohann A., Koronovskii A. A., Hramov A. E., Luijtelaar G. Absence seizure control by a brain computer interface // Scientific Reports. 2017. Vol. 7, no. 1. P. 2487. doi: 10.1038/s41598-017-02626-y.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».