Efficient Deep Learning Algorithms for Robust Prediction of Epileptic Seizures

La prédiction des crises est importante pour les personnes atteintes d’épilepsie pharmacorésistante, qui peuvent ne pas bien répondre aux médicaments antiépileptiques (AEDs). Pour ces patients, elle améliore considérablement la sécurité en permettant aux individus de prendre des mesures de précaution ou des interventions alternatives contre les blessures potentielles associées à des crises inattendues. De plus, la prédiction des crises permet de minimiser le recours à des médicaments qui peuvent avoir de graves effets secondaires. De nombreux AEDs s’accompagnent de divers effets secondaires qui peuvent affecter la qualité de vie des patients. En permettant un meilleur timing et en réduisant la dose de médicament grâce à une prédiction précise, les patients peuvent ressentir moins d’effets secondaires tout en maintenant un contrôle efficace des crises. Les dispositifs portables ou implantables sont donc essentiels dans la prise en charge de l’épilepsie, car ils permettent une surveillance continue et en temps réel des signaux d’électroencéphalogramme (EEG). Cette capacité permet de détecter les schémas précurseurs des crises, ce qui permet de déclencher des alertes et des interventions précoces susceptibles d’améliorer l’autonomie et la qualité de vie des patients. Cette thèse porte sur un moteur de prédiction de crises d’épilepsie robuste adapté aux dispositifs médicaux portables afin d’explorer des approches pratiques pour aider les patients épileptiques à obtenir des informations de prédiction de crises à temps. L’objectif principal de ce travail est le développement de méthodes performantes, économes en énergie et interprétables pour la prédiction des crises dans des dispositifs portables à ressources limitées qui peuvent potentiellement convenir à une utilisation quotidienne. Le principal défi de ce travail réside dans le compromis entre performances et consommation d’énergie, mettant en évidence un dilemme permanent dans les dispositifs médicaux portables à ressources limitées. De plus, l’objectif principal de ce travail est divisé en trois objectifs, qui sont mis en oeuvre étape par étape.

Abstract

Seizure prediction is vital for people with drug-resistant epilepsy, who may not respond well to antiepileptic drugs (AEDs). For these patients, it significantly improves safety by allowing individuals to take precautionary measures or alternative interventions against potential injuries associated with unexpected seizures. In addition, seizure prediction helps minimize the reliance on medications that can have severe side effects. Many AEDs come with various side effects, which can affect patient quality of life. By enabling better timing and reducing medication dosage through precise prediction, patients can experience fewer side effects while maintaining effective seizure control. Thus, wearable or implantable devices are critical in epilepsy management because they provide continuous and real-time electroencephalogram (EEG) signal monitoring. This capability allows for detecting precursory seizure patterns, enabling early warnings and interventions that can improve patient autonomy and quality of life. This thesis focuses on a robust epileptic seizure prediction engine tailored for wearable medical devices to explore practical approaches to help epileptic patients obtain seizure prediction information in time. This work’s core aim is to develop high-performance, energy-efficient, and interpretable methods for seizure prediction in resource-limited wearable devices that can potentially be suitable for daily use. The main challenge of this work lies in the trade-off between performance and energy consumption, highlighting an ongoing dilemma in resourcelimited wearable medical devices. Furthermore, the core aim of this work is divided into three objectives, which are implemented step by step.