Epilepsy Seizure Prediction Based on HRV Analysis

Detalhes bibliográficos
Autor(a) principal: Silva, Beatriz Martinho Cardoso da
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/98023
Resumo: Dissertação de Mestrado Integrado em Engenharia Biomédica apresentada à Faculdade de Ciências e Tecnologia
id RCAP_330b01f5534d41ff3c6ca98afb7ec402
oai_identifier_str oai:estudogeral.uc.pt:10316/98023
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Epilepsy Seizure Prediction Based on HRV AnalysisPrevisão de Crises Epiléticas com Base em Análise da Variabilidade do Ritmo CardíacoEpilepsySeizure predictionElectrocardiogramPreictal intervalEpilepsiaPrevisão de crisesElectrocardiogramaIntervalo pré-ictalDissertação de Mestrado Integrado em Engenharia Biomédica apresentada à Faculdade de Ciências e TecnologiaIt is estimated that, for about one-third of patients with epilepsy taking anti-epileptic drugs, these do not prevent seizures. Thus, seizure prediction arises as a potential solution to mitigate the burden of epilepsy on these patients and caretakers.Seizure prediction models heavily rely on knowledge regarding pre-seizure precursors and, therefore, on the proper characterization of the preictal interval. The standard state-of-the-art approach for preictal definition consists in performing a discrete grid-search on a range of intervals and choosing the one leading to the best prediction performance. However, this approach is sub-optimal due to the inability to address the heterogeneity of the seizure generation processes. Thus, applying unsupervised learning methods (namely clustering techniques) to accurately characterize the preictal interval has been recently proposed.As the main source of neurological information, the Electroencephalogram (EEG) has been widely used in seizure prediction. Additionally, among other biosignals, the Electrocardiogram (ECG) has been extensively referred as an important non-cerebral source of pre-seizure alterations. This is an attractive alternative due to the ease and comfort of acquisition of this signal in a real-life setting.The present study aimed at developing seizure prediction models that integrate information about preictal intervals obtained from clustering. We compared the performance of prediction models integrating seizure-specific preictal grid-search with the models built using preictal clustering information. The models were built using Heart Rate Variability (HRV) features extracted from ECG signals acquired during pre-surgical monitoring in a group of 41 patients with temporal lobe epilepsy (stored in the EPILEPSIAE database).Analysis of the model performance in terms of sensitivity and False Positive Rate per Hour (FPR/h) revealed statistically significant differences only for the FPR/h. Specifically, in some cases, we observed lower FPR/h when using information of the preictal intervals identified with clustering. Both approaches performed unsatisfactorily, with 36.26±41.76 % sensitivity, 0.72±1.53h-1 FPR/h, and models performing above chance for 41.5% of patients (when using information from clustering).In conclusion, even though using information of preictal intervals obtained with unsupervised learning methods led to improved results in some patients, more studies are required to infer about the advantages of using seizure-specific preictal information obtained with unsupervised methods to develop seizure prediction models.Estima-se que, para cerca de um-terço dos pacientes com epilepsia que tomam fármacos anti-epiléticos, estes não previnam crises. Deste modo, a previsão de crises surge como uma potencial solução para mitigar o fardo da epilepsia para estes doentes e cuidadores.Os modelos de previsão de crises dependem fortemente de conhecimento relativo a percursores pré-crise e, portanto, da caracterização apropriada do intervalo pré-ictal. A abordagem padrão do estado-da-arte para a definição do pré-ictal consiste na realização de uma grid-search discreta numa gama de intervalos seguida da escolha daquele que leva à melhor performance de previsão. No entanto, esta abordagem ́e subótima devido à incapacidade de abordar a heterogeneidade do processo de geração de crises. Por conseguinte, foi recentemente proposta a aplicação de métodos de aprendizagem não supervisionada (mais especificamente, técnicas de clustering) para caracterizar com precisão o intervalo pré-ictal.Tratando-se da fonte primária de informação neurológica, o Eletroencefalograma (EEG) tem sido amplamente utilizado em previso de crises. Adicionalmente, entre outros biossinais, o Eletrocardiograma (ECG) tem sido extensivamente referido como uma importante fonte não cerebral de alterações pré-crise. Esta ́e uma alternativa atrativa dada a facilidade e conforto de aquisição deste sinal numa situação da vida real.O presente estudo teve como objetivo o desenvolvimento de modelos de previsão de crises que integram informação sobre os intervalos pré-ictais obtida a partir de clustering. Comparámos a performance de modelos de previsão que incorporam grid-search do pré-ictal específica para cada crise reportada no estado-da-arte com modelos construídos utilizando informação de pré-ictal obtida com técnicas de clustering. Os modelos foram construídos utilizando características da Variabilidade do Ritmo Cardíaco extraídas de sinais ECG adquiridos durante a monitorização pré-cirúrgica num grupo de 41 pacientes com epilepsia do lobo temporal (armazenados na base de dados EPILEPSIAE).A análise da performance dos modelos em termos de sensibilidade e Taxa de Falsos Positivos por Hora (FPR/h) revelou diferenças estatisticamente significativas apenas para a FPR/h. Mais especificamente, em alguns casos, observámos FPR/h mais baixa quando utilizada a informação de intervalos pré-ictais identificada através de clustering. Ambas as abordagens revelaram performance insatisfatória, tendo sido obtida se sensibilidade de 36.26±41.76 %, FPR/h de 0.72±1.53 h-1, e performance superior ao acaso para 41.50 % dos doentes (utilizando informação obtida com clustering).Em conclusão, apesar de a utilização de informação de clustering sobre atividade pré-ictal ter levado a melhorias nos resultados em alguns casos, são necessários mais estudos para inferir sobre as vantagens de utilizar informação de pré-ictal específica para cada crise obtida a partir de técnicas de clustering para desenvolver modelos de previsão de crises.2021-11-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/98023http://hdl.handle.net/10316/98023TID:202922510engSilva, Beatriz Martinho Cardoso dainfo: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:RCAAP2022-05-25T04:09:00Zoai:estudogeral.uc.pt:10316/98023Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:15:57.181081Repositório 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 Epilepsy Seizure Prediction Based on HRV Analysis
Previsão de Crises Epiléticas com Base em Análise da Variabilidade do Ritmo Cardíaco
title Epilepsy Seizure Prediction Based on HRV Analysis
spellingShingle Epilepsy Seizure Prediction Based on HRV Analysis
Silva, Beatriz Martinho Cardoso da
Epilepsy
Seizure prediction
Electrocardiogram
Preictal interval
Epilepsia
Previsão de crises
Electrocardiograma
Intervalo pré-ictal
title_short Epilepsy Seizure Prediction Based on HRV Analysis
title_full Epilepsy Seizure Prediction Based on HRV Analysis
title_fullStr Epilepsy Seizure Prediction Based on HRV Analysis
title_full_unstemmed Epilepsy Seizure Prediction Based on HRV Analysis
title_sort Epilepsy Seizure Prediction Based on HRV Analysis
author Silva, Beatriz Martinho Cardoso da
author_facet Silva, Beatriz Martinho Cardoso da
author_role author
dc.contributor.author.fl_str_mv Silva, Beatriz Martinho Cardoso da
dc.subject.por.fl_str_mv Epilepsy
Seizure prediction
Electrocardiogram
Preictal interval
Epilepsia
Previsão de crises
Electrocardiograma
Intervalo pré-ictal
topic Epilepsy
Seizure prediction
Electrocardiogram
Preictal interval
Epilepsia
Previsão de crises
Electrocardiograma
Intervalo pré-ictal
description Dissertação de Mestrado Integrado em Engenharia Biomédica apresentada à Faculdade de Ciências e Tecnologia
publishDate 2021
dc.date.none.fl_str_mv 2021-11-18
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/10316/98023
http://hdl.handle.net/10316/98023
TID:202922510
url http://hdl.handle.net/10316/98023
identifier_str_mv TID:202922510
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_ 1799134055934984192

Registros relacionados