EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary Approach

Detalhes bibliográficos
Autor(a) principal: Coelho, Tiago André Cruz
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/93933
Resumo: Trabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
id RCAP_f8d60ac18a6283b1c8d26fa9b882ef0f
oai_identifier_str oai:estudogeral.uc.pt:10316/93933
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary ApproachPrevisão de Crises Epiléticas EEG: Uma Abordagem Evolucionária Multi-ObjetivoEpilepsiaProcessamento de EEGPrevisão de crisesAlgoritmos evolucionáriosEpilepsyEEG processingSeizure predictionEvolutionary algorithmsTrabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e TecnologiaCerca de 30% dos doentes epiléticos não conseguem obter uma supressão eficaz das crises a longo prazo após administração de fármacos anticonvulsivantes. Para estes indivíduos, a previsão de crises foi identificada como uma abordagem promisora, que utiliza algoritmos de previsão para alertar o paciente atempadamente e permitir que sejam tomadas medidas preventivas. A determinação do período pré-ictal, no qual o cérebro transita de um estado normal para um de hiperexcitabilidade, é considerado um passo crítico. Apesar da abundância de abordagens baseadas no Eletroencefalograma (EEG), muitas não atingem a aplicabilidade clínica à custa de uma capacidade de generalização insuficiente. Além do mais, vários estudos recentes têm adotado métodos baseados em Deep Learning que, apesar de atingirem um desempenho significativo em relação aos classificadores tradicionais, resultam na perda de interpretabilidade clínica, dificultando a sua implementação em dispositivos médicos. O presente trabalho consistiu no desenvolvimento de um esquema de previsão baseado em dados de monitorização pré-cirúrgica da base de dados EPILEPSIAE, aplicando Algoritmos Evolucionários Multi-Objetivo (MOEA) para otimização de modelos. Nomeadamente, foram experimentadas três implementações diferentes: MOGA, NSGA-II e um SMS-EMOA modificado. Cada um otimizou um conjunto de modelos de previsão específicos para cada paciente, procurando gerar um conjunto ótimo de features computacionalmente leves para treinar um classificador baseado em Máquinas de Vetores de Suporte (SVM). Considerando um grupo de 36 doentes com Epilepsia do Lobo Temporal (TLE), a metodologia proposta alcançou um desempenho estatisticamente significativo para 19%, 30% e 14% considerando o previsor aleatório e 89%, 83% e 86% usando análise surrogate, respetivamente, para cada MOEA. Foram também obtidos valores geralmente baixos para a Taxa de Falsos Positivos por Hora (FPR/h), sendo que um terço dos doentes apresentou valores abaixo de 0.15, que é um requisito para aplicabilidade em contexto real. Estes resultados demonstram a possibilidade de identificar o período pré-ictal e, simultaneamente, manter a interpretabilidade dos modelos, o que poderá contribuir para aprofundar a compreensão das dinâmicas cerebrais e melhorar a capacidade preditiva.An estimated 30% of epileptic patients cannot achieve effective long-term seizure suppression after antiepileptic drug administration. For these individuals, seizure prediction has been identified as a promising approach, making use of prediction algorithms to alert the patient in a timely manner and allow for preventive measures to be taken. The determination of the pre-ictal period, in which the brain transitions from a normal state to a seizure, is considered a critical step. Despite the abundance of approaches based on the Electroencephalogram (EEG) signal, many fail to achieve real-world applicability on account of insufficient generalization capability. Moreover, recent studies have began to adopt Deep Learning methods, which despite attaining remarkable performance when compared to traditional classifiers, result in a loss of clinical interpretability, hindering their implementation on medical devices. This work concerns the development of a prediction scheme based on pre-surgical monitoring data from the EPILEPSIAE database, employing Multi-Objective Evolutionary Algorithms (MOEAs) for model optimization. Namely, we experimented with three different implementations: MOGA, NSGA-II and a modified SMS-EMOA. Each one optimized a set of patient-specific prediction models, aiming to generate an optimal set of computationally light features to train a Support Vector Machine (SVM) classifier. Considering a group of 36 patients suffering from Temporal Lobe Epilepsy (TLE), the proposed methodology performed above chance for 19%, 30% and 14% considering the random predictor and 89%, 83% and 86% using surrogate analysis, respectively, for each MOEA. Generally low False Positive Rate per Hour (FPR/h) scores were also obtained, with a third of all patients presenting average values lower than 0.15, which is a requirement for real-life applicability. These results demonstrate the possibility of identifying the pre-ictal period while maintaining model interpretability, which may contribute to a better understanding of brain dynamics and enhance predictive performance.2020-11-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/93933http://hdl.handle.net/10316/93933TID:202687708engCoelho, Tiago André Cruzinfo: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:RCAAP2022-05-25T10:24:36Zoai:estudogeral.uc.pt:10316/93933Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:12:47.313716Repositório 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 EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary Approach
Previsão de Crises Epiléticas EEG: Uma Abordagem Evolucionária Multi-Objetivo
title EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary Approach
spellingShingle EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary Approach
Coelho, Tiago André Cruz
Epilepsia
Processamento de EEG
Previsão de crises
Algoritmos evolucionários
Epilepsy
EEG processing
Seizure prediction
Evolutionary algorithms
title_short EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary Approach
title_full EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary Approach
title_fullStr EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary Approach
title_full_unstemmed EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary Approach
title_sort EEG Epilepsy Seizure Prediction: A Multi-Objective Evolutionary Approach
author Coelho, Tiago André Cruz
author_facet Coelho, Tiago André Cruz
author_role author
dc.contributor.author.fl_str_mv Coelho, Tiago André Cruz
dc.subject.por.fl_str_mv Epilepsia
Processamento de EEG
Previsão de crises
Algoritmos evolucionários
Epilepsy
EEG processing
Seizure prediction
Evolutionary algorithms
topic Epilepsia
Processamento de EEG
Previsão de crises
Algoritmos evolucionários
Epilepsy
EEG processing
Seizure prediction
Evolutionary algorithms
description Trabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
publishDate 2020
dc.date.none.fl_str_mv 2020-11-10
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/10316/93933
http://hdl.handle.net/10316/93933
TID:202687708
url http://hdl.handle.net/10316/93933
identifier_str_mv TID:202687708
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_ 1799134023161741312

Registros relacionados