Deep Learning Approach for Postprocessing Regularization in Seizure Preduction

L'épilepsie est considérée parmi l'une des maladies neurologiques les plus couramment diag-nostiquées. Cette condition est caractérisée par l'apparition de crises non provoquées. Près du tiers des patients épileptiques sont pharmaco-résistants. Ainsi, des traitements alternatifs sont considérés, tels que la chirurgie ou la stimulation électrique. Pour atténuer les dommages chroniques de la stimulation électrique programmée, il faut prévoir l'épisode de crise pour déployer sélectivement toute technique préventive. La prévision des crises a été un grand défi pour les neuroscientifiques et les ingénieurs au cours des dernières décennies. Bien que le domaine de l'intelligence artificielle ait connu une percée remarquable au cours des dernières années, la prédiction des crises est toujours difficile en raison de la quantité limitée de données relatives aux patients. De plus, la plupart des résultats des études de prévision des crises ne peuvent être comparés en raison de l'aspect unique du signal d'électroencéphalogramme (EEG) d'un patient. La prévision des crises est basée sur la discrimination de la phase « pré-ictale », qui est une phase transitoire (30-60 min) qui se produit avant l'apparition de la crise. Les classificateurs d'apprentissage automatique sont entraînés à partir de mesures soigneusement choisies du signal EEG et sont optimisées pour distinguer la phase « pré-ictal de l'activité EEG normale (phase inter-ictale). En raison du rapport signal-bruit élevé de l'enregistrement EEG, la plupart des classificateurs sont enclins à produire de fausses alarmes. Par conséquent, l'étape de régularisation post-traitement est recommandée pour une meilleure optimisation. Les méthodes de régularisation appliquées dans la prévision de crise sont la technique de puissance de tir et le filtre Kalman. Ces méthodes sont, au mieux, des estimateurs quadratiques linéaires. Dans cette étude, nous proposons d'appliquer des méthodes plus personnalisées et spécifiques aux patients; ces méthodes apprennent la meilleure fonction de régularisation uniquement à partir des données. Nous avons prouvé que le réseau neuronal à longue mémoire à court terme (LMCT) peut apprendre une fonc-tion de régularisation optimisée en fonction de chaque individu. Nos modèles ont été formés et testés sur Epilepsy ecosystem database [1].

Abstract

Epilepsy is considered among the most commonly diagnosed neurological diseases. It is a condition characterized by the occurrence of unprovoked seizures. Almost third of epilepsy patients are drug-resistants. Thus, alternative treatments are considered, such as surgery or electrical stimulation. To mitigate the chronic harm of prescheduled electrical stimulation, one needs to forecast the seizure episode to selectively deploy any preventive technique. Seizure forecasting has been a great challenge for neuroscientists and engineers in the last decades. Although the Artificial Intelligence realm has witnessed a remarkable breakthrough in the last few years, seizure prediction is still challenging due to the limited amount of patient data. Additionally, most findings of seizure prediction studies cannot be benchmarked due to the patient-specific aspect of electroencephalogram (EEG) signal. Seizure prediction is based on discriminating the preictal phase, which is a transitional phase (30-60 min) that occurs prior to the seizure onset. Machine learning classifiers are trained on carefully selected measures of the EEG signal, and optimized to distinguish the preictal phase from the normal EEG activity (interictal phase). As a result of the high signal to noise ratio (SNR) in the EEG recording, most classifiers are prone to produce false alarms. Therefore, post-processing regularization step is recommended for a better optimization. The regularization methods applied in seizure prediction are firing power technique and Kalman filter. These methods are, at best, a linear quadratic estimators. In this study, we proposed applying more customized and patient-specific methods that learn the best regularization function purely from data. We proved that Long Short-Term Memory (LSTM) neural network can learn an optimized regularization function based on each individual. Our models were trained and tested on Epilepsy ecosystem database [1].