Identification automatique des crises d'épilepsie : développement d'un système non-invasif

L'épilepsie est une condition neurologique caractérisée par des interruptions non-prévisibles et répétées du fonctionnement normal du cerveau. Présentement, le seul moyen fiable d'arriver à l'identification des crises est à l'aide d'un électroencéphalogramme (EEG). Le suivi à long terme des crises d'épilepsie est cependant difficile par EEG en dehors du milieu hospitalier. Des vêtements intelligents utilisant des capteurs non-invasifs pourraient permettre d'identifier les crises sans avoir recours à l'EEG. En ce sens, un système de cinq appareils sans-fils a été développé afin de permettre un suivi multimodal des signaux physiologiques. L'échange de données est réalisée par Bluetooth Low Energy. Un Raspberry Pi synchronise et enregistre les données en temps réel. Le système comprend un électrocardiogramme mesurant l'activité électrique du coeur et l'impédance pulmonaire, un oxymètre de pouls et des accéléromètres positionnés au niveau des poignets, des chevilles et du tronc. Quatre systèmes ont été livrés au Centre hospitalier de l'Université de Montréal pour l'acquisition de données sur des patients épileptiques. Un algorithme d'apprentissage machine a ensuite été développé afin d'identifier automatiquement les crises. Une sensibilité de 94.7% et une spécificité de 94.1% ont été obtenues sur des données contenant des crises simulées et une crise réelle. Le système sans-fil a aussi démontré une performance suffisante au niveau de l'exactitude des mesures physiologiques et de l'autonomie pour permettre des acquisitions de longue durée chez les patients épileptiques. Ces résultats préliminaires montrent la possibilité d'identifier automatiquement les crises de manière non-invasive à domicile. Une telle technologie pourrait permettre de mesurer l'efficacité à long terme de médicaments pour traiter l'épilepsie. Elle pourrait aussi améliorer la protection des patients en émettant des alertes en cas de crise.

Abstract

Epilepsy is a neurological condition characterized by unpredictable and repeated interruptions of brain function. Currently, the only reliable way to identify seizures is using an electroencephalogram (EEG). Long-term monitoring of epileptic seizures by EEG is however difficult outside the hospital setting. Smart clothing using non-invasive sensors could help identify seizures without resorting to EEG. In this sense, a system of five wireless devices has been developed to allow multimodal monitoring of physiological signals. Data exchange is carried out by Bluetooth Low Energy. The data is synchronized and recorded in real-time on a Raspberry Pi. The system includes an electrocardiogram measuring electrical activity of the heart and pulmonary impedance, a pulse oximeter and accelerometers at the wrists, ankles and trunk. Four systems were delivered to the Centre hospitalier de l'Université de Montréal for data acquisition on epileptic patients. A machine learning algorithm was then developed to automatically identify seizures. A sensitivity of 94.7% and a specificity of 94.1% were obtained on data containing simulated seizures and one real seizure. The wireless system has also demonstrated sufficient performance in terms of physiological measurements accuracy and autonomy to allow long-term acquisitions in epileptic patients. These preliminary results show the possibility of automatically identifying seizures at home in a non-invasive way. Such technology could measure the long-term effiectiveness of drugs used to treat epilepsy. It could also improve patient protection by issuing alerts when seizures occur.