Quantitative Analyse des menschlichen intrakraniellen EEG und automatisches Merkmalslernen zur Vorhersage epileptischer Anfälle

Ziel: Das Ziel dieser Studie besteht darin, ein effizientes und zuverlässiges Vorhersagesystem für epileptische Anfälle unter Verwendung von intrakraniellen EEG-Daten (iEEG) zu entwickeln, insbesondere für Menschen mit medikamentenresistenter Epilepsie. Das Vorhersageverfahren soll genaue Ergebnisse in ausreichend kurzer Zeit liefern, um Patienten vor bevorstehenden Anfällen zu warnen.Methoden: Wir führen eine quantitative Analyse der menschlichen iEEG-Daten durch, um Einblicke in das Verhalten des menschlichen Gehirns vor und zwischen epileptischen Anfällen zu gewinnen. Danach stellen wir eine effiziente Vorkonditionsierungsmethode vor, die die Datenmenge reduziert und die zeitliche iEEG-Datenreihe in ein bildähnliches Format konvertiert, das als Eingabe für Faltungsneuronale Netze (CNNs) verwendet werden kann. Zudem schlagen wir einen Anfallsvorhersagealgorithmus vor, der kooperative mehrskalige CNNs zur automatischen Merkmalslernen von iEEG-Daten nutzt.Ergebnisse: 1) Die iEEG-Kanäle enthalten ergänzende Informationen, und das Ausschließen einzelner Kanäle ist nicht ratsam, um die räumliche Information beizubehalten, die für eine genaue Vorhersage epileptischer Anfälle erforderlich ist. 2) Die traditionelle Hauptkomponentenanalyse (PCA) ist keine verlässliche Methode zur Reduktion von iEEG-Daten im Kontext der Anfallsvorhersage. 3) Manuell erstellte iEEG-Merkmale sind möglicherweise nicht geeignet für eine zuverlässige Vorhersageleistung von Anfällen, da sich die iEEG-Daten sowohl zwischen verschiedenen Patienten als auch über die Zeit bei demselben Patienten unterscheiden. 4) Die Ergebnisse der Anfallsvorhersage zeigen, dass unser Algorithmus bestehende Methoden durch einen durchschnittlichen Sensitivitätswert von 87,85 % und einem AUC-Wert von 0,84 übertrifft.Schlussfolgerung: Ein tieferes Verständnis des Verhaltens des menschlichen Gehirns vor und weit entfernt von Anfallssituationen ermöglicht bessere Entwürfe von epileptischen Anfallsvorhersagesystemen.Bedeutung: Genauere Vorhersagealgorithmen können Patienten vor dem nächsten Anfall warnen, sodass sie gefährliche Aktivitäten vermeiden können. Medikamente könnten dann verabreicht werden, um den bevorstehenden Anfall abzuwenden und das Risiko einer Verletzung zu minimieren.