Prediction of epileptic seizure based on image information derived from focal electrodes and deep classifiers

Detalhes bibliográficos
Autor(a) principal: Pires, Joana Filipa da Silva
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Texto Completo: https://hdl.handle.net/10316/117854
Resumo: Dissertação de Mestrado em Engenharia Biomédica apresentada à Faculdade de Ciências e Tecnologia
id RCAP_53ff84b35d2b2bdf7487c128a271b8cf
oai_identifier_str oai:estudogeral.uc.pt:10316/117854
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Prediction of epileptic seizure based on image information derived from focal electrodes and deep classifiersPrevisão de crises epiléticas baseada em informações de imagens derivadas de elétrodos focais e classificadores profundosEpilepsySeizure PredictionDeep LearningImage ProcessingEEGEpilepsiaPrevisão de CrisesDeep LearningProcessamento de ImagensEEGDissertação de Mestrado em Engenharia Biomédica apresentada à Faculdade de Ciências e TecnologiaOf all patients with epilepsy, 30\% cannot have complete seizure control with the help of Anti-Epileptic Drugs (AEDs) or surgery. Hence, to improve the lives of these patients, it is important to find new treatment strategies. One promising approach is seizure prediction.The main goal of this thesis is to develop a seizure prediction algorithm that focuses on images generated from EEG time series data collected using focal electrodes.The reviewed literature shows that some studies about this theme have already produced strong results. This shows the potential of this approach in the epileptic seizure prediction area. Using focal EEG data from nine patients of the EPILEPSIAE database, images were generated through ten different methods. Their discriminative power was assessed by computing Area Under the Curve (AUC) values for four metrics derived from the images. Additionally, the images were used to train and test an AlexNet model for each patient and image generation method, using a pre-ictal period of 40 minutes.The results regarding the discriminative power quantification demonstrated that the images exhibited some discriminative ability, with all the best average AUC values of more than half of the patients above 0.75 and the values of the remaining patients exceeding 0.60.Regarding the model performances, five out of the nine patients studied obtained strong results, with most of the methods outperforming a random predictor and Sensitivity (SS) equal to 50% or 100% and False Prediction Rate per Hour (FPR/h) values below 0.15. Also, one of these patients achieved a perfect performance, characterized by a SS of 100% and a FPR/h of 0 for three of the statistically validated methods.Additionally, the performance results did not completely align with the discriminative power findings, indicating that this discriminative power quantification approach could not reliably be used to select the best features for training.Comparing the obtained results with the literature is challenging due to differences in the methodologies used. Nevertheless, the results of those studies, as well as the ones of this work, seem to be promising. This highlights the potential of this approach to epileptic seizure prediction and shows the significance of this work for future research in this area.Cerca de 30% dos pacientes com epilepsia não conseguem controlar completamente as suas crises com medicamentos antiepiléticos ou cirurgias. Assim, é fundamental procurar novas estratégias de tratamento para melhorar a qualidade de vida destes pacientes, tendo a previsão de crises se mostrado uma abordagem promissora.O principal objetivo desta tese é desenvolver um algoritmo de previsão de crises que usa imagens geradas a partir de dados de eletroencefalograma coletados a partir de eletrodos focais.A literatura mostra que já existem estudos sobre este tema que obtiveram resultados positivos, o que mostra o grande potencial desta abordagem de previsão de crises epiléticas.Neste estudo, foram utilizados dados de eletroencefalograma do eletrodo focal de nove pacientes da base de dados EPILEPSIAE. A partir destes dados, foram geradas imagens usando dez métodos diferentes. O poder discriminativo das imagens foi obtido através da análise dos valores Area Under the Curve (AUC) para quatro métricas derivadas das imagens. Além disso, estas imagens foram utilizadas para treinar e testar um modelo AlexNet para cada paciente e método de criação deimagens, utilizando um pre-ictal de 40 minutos.Os resultados relacionados à quantificação do poder discriminativo demonstraram que as imagens exibiram alguma habilidade de discriminação, com os melhores valores médios de AUC de mais de metade dos pacientes acima de 0.75 e os valores dosdemais pacientes superiores a 0.60.Os resultado dos modelos mostraram que cinco dos nove pacientes estudados apresentaram bons desempenhos, com a maioria dos métodos tendo melhor desempenho do que o random predictor e alcançando uma Sensitivity (SS) de 50% ou 100% e valores de False Prediction Rate per Hour (FPR/h) inferiores a 0.15. Um dos pacientes, em particular, apresentou um desempenho perfeito em três dos métodos estastiticamente validados, com uma SS de 100% e FPR/h de 0. Adicionalmente, o desempenho dos modelos não correspondeu inteiramente aos resultados obtidos pelo poder discriminativo, indicando que esta abordagem de quantificação da habilidade discriminativo não poderia ter sido utilizada de forma confiável para selecionar as melhores features para o treino.Comparar os resultados obtidos na literatura com os deste estudo é complicado devido às diferenças existentes nas metodologias usadas. No entanto, tanto os resultados destes estudos como os obtifos nesta tese mostraram-se promissiores. Isto destaca o potencial desta abordagem para a previsão de crises epiléticas e mostra a importância deste trabalho para futuras pesquisas nesta área.FCT2024-09-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://hdl.handle.net/10316/117854https://hdl.handle.net/10316/117854TID:203826647engPires, Joana Filipa da Silvainfo:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-02-07T14:42:04Zoai:estudogeral.uc.pt:10316/117854Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T06:11:44.577295Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Prediction of epileptic seizure based on image information derived from focal electrodes and deep classifiers
Previsão de crises epiléticas baseada em informações de imagens derivadas de elétrodos focais e classificadores profundos
title Prediction of epileptic seizure based on image information derived from focal electrodes and deep classifiers
spellingShingle Prediction of epileptic seizure based on image information derived from focal electrodes and deep classifiers
Pires, Joana Filipa da Silva
Epilepsy
Seizure Prediction
Deep Learning
Image Processing
EEG
Epilepsia
Previsão de Crises
Deep Learning
Processamento de Imagens
EEG
title_short Prediction of epileptic seizure based on image information derived from focal electrodes and deep classifiers
title_full Prediction of epileptic seizure based on image information derived from focal electrodes and deep classifiers
title_fullStr Prediction of epileptic seizure based on image information derived from focal electrodes and deep classifiers
title_full_unstemmed Prediction of epileptic seizure based on image information derived from focal electrodes and deep classifiers
title_sort Prediction of epileptic seizure based on image information derived from focal electrodes and deep classifiers
author Pires, Joana Filipa da Silva
author_facet Pires, Joana Filipa da Silva
author_role author
dc.contributor.author.fl_str_mv Pires, Joana Filipa da Silva
dc.subject.por.fl_str_mv Epilepsy
Seizure Prediction
Deep Learning
Image Processing
EEG
Epilepsia
Previsão de Crises
Deep Learning
Processamento de Imagens
EEG
topic Epilepsy
Seizure Prediction
Deep Learning
Image Processing
EEG
Epilepsia
Previsão de Crises
Deep Learning
Processamento de Imagens
EEG
description Dissertação de Mestrado em Engenharia Biomédica apresentada à Faculdade de Ciências e Tecnologia
publishDate 2024
dc.date.none.fl_str_mv 2024-09-30
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 https://hdl.handle.net/10316/117854
https://hdl.handle.net/10316/117854
TID:203826647
url https://hdl.handle.net/10316/117854
identifier_str_mv TID:203826647
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:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833602610187206656

Registros relacionados