Analyse quantitative de l'EEG intracrânien humain et apprentissage automatique des caractéristiques pour la prédiction des crises épileptiques

Objectif : Le but de cette étude est de développer un système efficace et fiable de prédiction des crises d'épilepsie en utilisant des données d'EEG intracrânien (iEEG), en particulier pour les personnes souffrant d'épilepsie résistante aux médicaments. La procédure de prédiction doit fournir des résultats précis suffisamment rapidement pour alerter les patients sur les crises imminentes.Méthodes : Nous analysons quantitativement les données d'iEEG humain afin d'obtenir des informations sur le comportement du cerveau humain avant et entre les crises d'épilepsie. Nous présentons ensuite une méthode de prétraitement efficace permettant de réduire la taille des données et de convertir les données sériées temporelles d'iEEG en un format similaire à celui d'une image, qui peut être utilisé comme entrée pour des réseaux neuronaux convolutifs (CNN). Ensuite, nous proposons un algorithme de prédiction des crises qui utilise des CNNs multi-échelles coopératifs pour l'apprentissage automatique des caractéristiques des données d'iEEG.Résultats : 1) Les canaux d'iEEG contiennent des informations complémentaires, et il n'est pas recommandé d'exclure individuellement ces canaux pour conserver l'information spatiale nécessaire à une prédiction précise des crises épileptiques. 2) L'analyse en composantes principales (PCA) traditionnelle n'est pas une méthode fiable pour la réduction des données d'iEEG dans la prédiction des crises. 3) Les caractéristiques manuellement élaborées (hand-crafted) des données d'iEEG peuvent ne pas être adaptées à une performance fiable de prédiction des crises, car les données varient entre les patients et au fil du temps chez le même patient. 4) Les résultats de la prédiction des crises montrent que notre algorithme surpassent les méthodes existantes avec une sensibilité moyenne de 87,85 % et un score AUC de 0,84.Conclusion : Comprendre le comportement du cerveau humain avant les attaques épileptiques et loin de celles-ci facilite la conception améliorée de prédicteurs de crises épileptiques.Signification : Des algorithmes précis de prédiction des crises peuvent avertir les patients sur la prochaine attaque épileptique, leur permettant ainsi d'éviter toute activité dangereuse. Les médicaments pourraient alors être administrés pour interrompre la crise imminente et minimiser le risque de blessure.