Seizure prediction based on Long Short Term Memory Networks

Detalhes bibliográficos
Autor(a) principal: Pinto, Rodrigo Emanuel de Sousa
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/82981
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_0cd1b8ca4d8af5f1152aa22d593f4cf6
oai_identifier_str oai:estudogeral.uc.pt:10316/82981
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Seizure prediction based on Long Short Term Memory NetworksPrevisão de crises epiléticas baseada em redes Long Short Term MemoryEpilepsiaPrevisãoLSTMSeizuresEpilepsyPredictionLSTMDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaA epilepsia é uma doença neurológica que afeta milhões de pessoas em todo o mundo. Cerca de um terço delas é farmaco-resistente e não podem ser submetidas a cirurgia; sua doença é chamada de epilepsia refratária, e uma crise pode acontecer a qualquer momento, em qualquer lugar. Esses pacientes refratários poderiam beneficiar de dispositivos de previsão de crises, mas os métodos atuais para a previsão de crises não são suficientemente bons para aplicações clínicas. Apresentamos e avaliamos a capacidade de dois tipos de arquiteturas de redes neurais artificiais para previsão crises a partir de caracteristícas extraídas de registos eletroencefalograma (EEG): Long Short Term Memory (LSTM) e Convolutional Long Short Term Memory (C-LSTM). Para demonstrar a utilidade clínica dos nossos modelos, eles são avaliados usando dados EEG extensos e contínuos. O estudo considera 105 pacientes da European Epilepsy Database, 87 com registos EEG no couro cabeludo e 18 com registos invasivos. Os dados incluem: 1087 crises, das quais 203 são utilizadas para avaliação out-of-sample e uma duração total de gravação de 19959 horas, das quais 3991 horas são usadas para avaliação out-of-sample. Nós extraímos do sinal EEG 22 características univariadas baseadas em janelas de 5 segundos.Para todos os pacientes, com registo no couro cabeludo e invasivo, nossos modelos LSTM alcançaram uma sensibilidade média de 29.28% e um FPR médio de 0.58/h. Eles previram corretamente 52 de 203 (25.62%) crises, no conjunto de teste. Observa-se que para 5 dos 105 pacientes (4.8%) foi alcançado um desempenho ótimo com sensibilidade >= 50% e FPR <= 0.1/h. Desempenho perfeito com 100% de sensibilidade e 0/h FPR foi alcançado para 2 (1.9%) pacientes.Para todos os pacientes, com registo no couro cabeludo e invasivo, nossos modelos C-LSTM alcançaram uma sensibilidade média de 28.17% e um FPR médio de 0.64/h. Eles previram corretamente 54 de 203 (26.60%) crises, no conjunto de teste. Observa-se que para 2 dos 105 pacientes (1.9%) foi alcançado um desempenho ótimo com sensibilidade > = 50% e FPR <= 0.15/h foi alcançado.Desempenho perfeito com 100% de sensibilidade e 0/h FPR foi alcançado para 0 (0,0%) pacientes.Os resultados não foram satisfatórios, obtivemos piores resultados ao comprar com um estudo usando a mesma base de dados, mas baseado em Support Vector Machines (SVMs). Dado que, em teoria, as LSTMs são um modelo melhor que as SVMs quando dados sequenciais são considerados, esperávamos o contrário.No futuro, esperamos experimentar co sinal EEG bruto. Esperamos que as LSTMs possam capturar melhores dependências temporais a partir sinal bruto, uma vez que compactar 5 segundos de informação em um único valor leva a uma grande perda de informações. Também será considerada uma melhor abordagem de selecionamento de dados de treinamento, de forma a abranger um ciclo diurno/noturno completo para capturar melhor as variações do sinal ao longo do dia.Epilepsy is a neurological disease affecting millions of people worldwide. About one third of them are pharmaco-resistant and cannot be submitted to surgery; their disease is called refractory epilepsy, and a seizure can happen any time, anywhere. These refractory patients would benefit from seizure prediction devices, but the current methods for seizure prediction are not good enough for clinical applications. We present and evaluate the capacity of two types of deep artificial neural networks architectures to learn how to predict seizures with data extracted from electroencephalogram (EEG): Long Short Term Memory (LSTM) and Convolutional Long Short Term Memory (C-LSTM). To demonstrate clinical usefulness of our models, they are evaluated using long and continuous out of sample records. The study considers 105 patients from the European Epilepsy Database, 87 with scalp recordings and 18 with invasive recordings. The data includes: 1087 seizures, from which 203 are used for out-of-sample evaluation, and a total recording duration of 19959 hours, from which 3991 hours are used for out-of-sample evaluation. We extracted 22 univariate features based on 5 second windows from the EEG signal.For all patients, scalp and invasive, our LSTM models achieved an average sensitivity of 29.28% and an average FPR of 0.58/h. We predicted 52 out of 203 (25.62%) seizures on the testing set. It is observed that for 5 out of 105 (4.8%) patients, optimal test performance with sensitivity >= 50% and FPR <= 0.15/h was achieved. Perfect performance with 100% sensitivity and 0/h FPR was achieved for 2 (1.9%) patients.For all patients, scalp and invasive, our C-LSTM models achieved an average sensitivity of 28.17% and an average FPR of 0.64/h. We predicted 54 out of 203 (26.60%) seizures on the testing set. It is observed that for 2 out of 105(1.9%) patients, optimal test performance with sensitivity >= 50% and FPR <= 0.15/h was achieved. Perfect performance with 100% sensitivity and 0/h FPR was achieved for 0 (0.0%) patients.The results were not satisfactory, we achieved worse results when making a comparison with a study using the same database but based on support vector machines (SVMs). Given that, in theory, the LSTMs are a method expected to perform better than the SVMs when sequential data is involved, we were expecting the opposite.In the future we expect to experiment with raw EEG signal. We expect that the LSTMs will be able to capture better temporal dependencies on raw signal, since compacting 5 seconds of information into a single value leads to a great loss on information. A better approach for selecting training data, in a way that it covers a full day/night cycle to better capture intra day variations, will also be considered.Universidade de Coimbra - Bolsa de licenciado durante 3 meses.2017-09-22info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/82981http://hdl.handle.net/10316/82981TID:202125599engPinto, Rodrigo Emanuel de Sousainfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2019-06-02T14:33:28Zoai:estudogeral.uc.pt:10316/82981Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:04:49.067480Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Seizure prediction based on Long Short Term Memory Networks
Previsão de crises epiléticas baseada em redes Long Short Term Memory
title Seizure prediction based on Long Short Term Memory Networks
spellingShingle Seizure prediction based on Long Short Term Memory Networks
Pinto, Rodrigo Emanuel de Sousa
Epilepsia
Previsão
LSTM
Seizures
Epilepsy
Prediction
LSTM
title_short Seizure prediction based on Long Short Term Memory Networks
title_full Seizure prediction based on Long Short Term Memory Networks
title_fullStr Seizure prediction based on Long Short Term Memory Networks
title_full_unstemmed Seizure prediction based on Long Short Term Memory Networks
title_sort Seizure prediction based on Long Short Term Memory Networks
author Pinto, Rodrigo Emanuel de Sousa
author_facet Pinto, Rodrigo Emanuel de Sousa
author_role author
dc.contributor.author.fl_str_mv Pinto, Rodrigo Emanuel de Sousa
dc.subject.por.fl_str_mv Epilepsia
Previsão
LSTM
Seizures
Epilepsy
Prediction
LSTM
topic Epilepsia
Previsão
LSTM
Seizures
Epilepsy
Prediction
LSTM
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2017
dc.date.none.fl_str_mv 2017-09-22
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/82981
http://hdl.handle.net/10316/82981
TID:202125599
url http://hdl.handle.net/10316/82981
identifier_str_mv TID:202125599
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133939842940928

Registros relacionados