Faculteit Toegepaste Wetenschappen

Vakgroep Elektronica en Informatiesystemen

Voorzitter: Prof. dr. Ir. J. Van Campenhout

Detectie van epileptische

hersenactiviteit m.b.v. het EEG.

door Kristof Verbrugghen

Promotor: Prof. dr. I. Lemahieu

Co-promotor: Prof. dr. Ir. R. Van de Walle

Thesisbegeleider: Ir. P. Van Hese

Afstudeerwerk ingediend tot het behalen van de graad van licentiaat

in de informatica, optie: informatie- en communicatietechnologie

Academiejaar 2002–2003

Toelating tot bruikleen

De auteur geeft de toelating dit afstudeerwerk voor consultatie beschikbaar te stellenen delen van het afstudeerwerk te copieren voor persoonlijk gebruik. Elk ander gebruikvalt onder de beperkingen van het auteursrecht, in het bijzonder met betrekking tot deverplichting de bron uitdrukkelijk te vermelden bij het aanhalen van resultaten uit ditafstudeerwerk.

Kristof Verbrugghen 27 augustus 2003

i

Dankwoord

Graag zou ik iedereen willen bedanken die heeft bijgedragen tot de verwezenlijking van diteindwerk. In de eerste plaats wens ik mijn thesisbegeleider Ir. Peter Van Hese te bedankenvoor de uitstekende begeleiding, het vele geduld om mijn vragen te beantwoorden, deteksten van mijn thesis te corrigeren, en voor de vele nuttige tips. Verder zou ik ookProf. dr. Ignace Lemahieu en Prof. dr. ir. Rik Van de Walle willen bedanken om mede kans te geven dit interessante onderwerp te mogen uitwerken. Tevens wil ik mijn dankbetuigen aan de assisten en professoren aanwezig op de proefthesisvoordrachten voor hunopbouwende kritiek en tips voor de presentatie.

Tenslotte wil ik mijn ouders bedanken die me de kans gegeven hebben om Informaticate studeren en me steeds aangemoedigd hebben om mijn vier jaar succesvol af te sluiten.Dank u!

Kristof.

ii

Detectie van epileptische hersenactiviteit m.b.v. het EEG.

doorKristof Verbrugghen

Afstudeerwerk ingediend tot het behalen van de graad van licentiaat in de informatica,optie: informatie- en communicatietechnologie

Academiejaar 2002–2003

Universiteit GentFaculteit Toegepaste Wetenschappen

Promotor: Prof. dr. I. Lemahieu

Samenvatting

Epilepsie is een afwijking van het centraal zenuwsysteem, waarbij de electrische ritmesvan de hersenen de neiging hebben om ongebalanceerd te raken. Een van de techniekenom epilepsie te detecteren maakt gebruik van het electro-encefalogram (EEG). Een EEGis een voorstelling van de zwakke electrische activiteit die de hersenen veroorzaken enwordt bekomen door het opmeten van de potentiaalverschillen tussen elektrodes die op dehoofdhuid (of in de schedel) worden aangebracht. EEG opnames kunnen uren tot zelfsverschillende dagen duren, zodat we een immense hoeveelheid data moeten verwerken.Om de neuroloog veel werk te besparen is er nood aan automatische detectiesystemen,die de data kunnen reduceren. In deze thesis wordt nagegaan in welke mate de temporeleinformatie van de golven op een EEG-kanaal kan gebruikt worden om epileptische activiteitte detecteren. Er wordt bijgevolg maar met 1 kanaal tegelijkertijd gewerkt.

In hoofdstuk 1 wordt een algemene inleiding gegeven over epilepsie en de diagnoseervan. Het EEG en zijn functie bij detectie van epileptische activiteit worden eveneensbesproken. Op het einde van het hoofdstuk wordt de doelstelling van deze thesis gefor-muleerd. Hoofdstuk 2 bevat de literatuurstudie over dit onderwerp. Er wordt een overzichtgegeven van de verschillende soorten detectiemethoden in de literatuur en de manierwaarop we de prestaties van deze methoden onderling kunnen vergelijken. Vervolgensworden de detectiemethoden gebaseerd op temporele informatie van de golven in detailbesproken. Het derde hoofdstuk handelt over de implementaties van de verschillende me-thoden en de daarbij opgetreden moeilijkheden. In hoofdstuk 4 worden de resultaten vande implementaties uitgebreid besproken. Tenslotte bevat hoofdstuk 5 het algemene besluitvan deze thesis.

Trefwoorden: EEG, epilepsie, signaalverwerking, temporele detectiemethoden.

iii

Inhoudsopgave

1 Inleiding 11.1 Wat is epilepsie? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1.1 Definitie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.1.2 Verschillende types aanvallen . . . . . . . . . . . . . . . . . . . . . . 11.1.3 Diagnose van epilepsie . . . . . . . . . . . . . . . . . . . . . . . . . . 31.1.4 Remedies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.2 Het EEG in detail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51.2.1 Wat is een EEG? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51.2.2 Epileptische kenmerken in het EEG . . . . . . . . . . . . . . . . . . 71.2.3 EEG golven volgens frequentie . . . . . . . . . . . . . . . . . . . . . 81.2.4 Speciale vormen van EEG-opname . . . . . . . . . . . . . . . . . . . 9

1.3 Samenvatting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101.4 Doelstelling thesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101.5 Inhoud thesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2 Methodes in de literatuur 122.1 Geschiedenis van detectie van epilepsie m.b.v. het EEG . . . . . . . . . . . 12

2.1.1 Gebruikte technieken . . . . . . . . . . . . . . . . . . . . . . . . . . . 122.1.2 Korte geschiedenis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2 Testen van automatische detectiemethoden . . . . . . . . . . . . . . . . . . 132.2.1 Specificiteit/sensitiviteit . . . . . . . . . . . . . . . . . . . . . . . . . 132.2.2 ROC-curves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.3 Visuele spikedetectie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142.3.1 Visuele methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142.3.2 Betrouwbaarheid van de experts . . . . . . . . . . . . . . . . . . . . 15

2.4 De Gotman methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162.4.1 Achtergrond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162.4.2 De methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.5 Gotman-uitbreidingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222.5.1 Achtergrond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222.5.2 Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.6 Data-reductie in detectiesysteem van James . . . . . . . . . . . . . . . . . . 232.6.1 Achtergrond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232.6.2 Datareductie met behulp van regelgebaseerd systeem . . . . . . . . . 23

2.7 Meer-stadia systeem van Dingle . . . . . . . . . . . . . . . . . . . . . . . . . 242.7.1 Achtergrond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

iv

2.7.2 De methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252.7.3 Detectie met behulp van een expertsysteem . . . . . . . . . . . . . . 27

2.8 Twee Stadia methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282.8.1 Achtergrond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282.8.2 Stadium 1: de lineaire voorspeller . . . . . . . . . . . . . . . . . . . 282.8.3 Stadium 2: detectie . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.9 Conclusie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3 Implementatie 313.1 Implementatieschema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313.2 Energie van een EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313.3 Gotman-implementatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 323.4 James-implementatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333.5 Dingle-implementatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333.6 Twee Stadia-implementatie . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

4 Resultaten 364.1 Energie van een EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.1.1 Energie van 1 kanaal . . . . . . . . . . . . . . . . . . . . . . . . . . . 364.1.2 Gemiddelde energie van alle kanalen . . . . . . . . . . . . . . . . . . 37

4.2 Segmenten en Sequenties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384.3 Invloed van de parameters van golven op detectie . . . . . . . . . . . . . . . 40

4.3.1 Kanaalselectie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 404.3.2 De amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 404.3.3 De scherpte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 434.3.4 De duur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4.4 Datareductie in methode van James . . . . . . . . . . . . . . . . . . . . . . 474.5 Methode van Dingle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 484.6 Twee Stadia methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

5 Besluit 52

v

Lijst van figuren

1.1 Zijaanzicht van de hersenen . . . . . . . . . . . . . . . . . . . . . . . . . . . 31.2 Positie electroden op het hoofd . . . . . . . . . . . . . . . . . . . . . . . . . 61.3 EEG-fragment van patient 449 . . . . . . . . . . . . . . . . . . . . . . . . . 71.4 (1) EEG-montage (2) Posities van de electroden op het hoofd . . . . . . . . 81.5 EEG-fragment tijdens een epileptische aanval . . . . . . . . . . . . . . . . . 91.6 Typische EEG-golfvormen voor de verschillende frequentiebanden. . . . . . 101.7 Typische video-EEG-opstelling. . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.1 False Positives en False Negatives . . . . . . . . . . . . . . . . . . . . . . . . 142.2 ROC-curves van twee detectiemethoden I en II . . . . . . . . . . . . . . . . 152.3 Segmenten en sequenties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182.4 Pseudoduur van een golf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192.5 Limieten van de relatieve amplitude in functie van de pseudoduur. . . . . . 202.6 Parameters bij de methode van Dingle . . . . . . . . . . . . . . . . . . . . . 252.7 Helling van halfgolven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262.8 Voorspellingsfout bij een EEG . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.1 Implementatieschema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4.1 Vergelijking EEG met energie . . . . . . . . . . . . . . . . . . . . . . . . . . 374.2 Artefact met hoge energiewaarde, uiterst links. . . . . . . . . . . . . . . . . 374.3 ROC-curves van de energie-detectiemethode . . . . . . . . . . . . . . . . . . 384.4 ROC-curve van de gemiddelde energie-detectiemethode . . . . . . . . . . . . 394.5 Weergave van de tragere golven . . . . . . . . . . . . . . . . . . . . . . . . . 394.6 Segmenten vs. Sequenties in amplitudedetectie . . . . . . . . . . . . . . . . 414.7 Overzicht methoden Amplitude-detectie . . . . . . . . . . . . . . . . . . . . 424.8 Overzicht methoden Amplitude-detectie 2 . . . . . . . . . . . . . . . . . . . 444.9 Scherpte van een top . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 444.10 Overzicht scherpte-detectie . . . . . . . . . . . . . . . . . . . . . . . . . . . 454.11 Overzicht scherpte-detectie 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 454.12 Overzicht duur-detectie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464.13 Probleem bij de pseudoduur-berekening . . . . . . . . . . . . . . . . . . . . 474.14 ROC-curve Dinglemethode . . . . . . . . . . . . . . . . . . . . . . . . . . . 494.15 ROC-curves eerste stadium voor 4 kanalen . . . . . . . . . . . . . . . . . . . 504.16 ROC-curves eerste stadium voor kanaal F8-T8 . . . . . . . . . . . . . . . . 514.17 ROC-curves Twee Stadia methode voor kanaal T8-P8. . . . . . . . . . . . . 51

vi

Lijst van tabellen

2.1 Verband scherpte en amplitude van de halfgolven . . . . . . . . . . . . . . . 21

4.1 Reduceren van data na combineren tot segmenten en sequenties. . . . . . . 404.2 Max. specificiteit bij Amplitude detectie . . . . . . . . . . . . . . . . . . . . 434.3 Maximum specificiteit bij de duurtesten . . . . . . . . . . . . . . . . . . . . 47

vii

Hoofdstuk 1

Inleiding

1.1 Wat is epilepsie?

1.1.1 Definitie

Epilepsie is een afwijking van het centraal zenuwsysteem, vooral van de hersenen. Onszenuwstelsel is een communicatienetwerk in ons lichaam dat elke gedachte, emotie, hetgeheugen en beweging controleert. Zenuwen door het ganse lichaam werken zoals tele-foonlijnen en laten zo de hersenen toe om met elk deel van ons lichaam te communicerend.m.v. electrische signalen. Bij epilepsie hebben de electrische ritmes van de hersenen deneiging om ongebalanceerd te raken, want resulteert in epileptische aanvallen [14].

De hersenen werken met behulp van electrische impulsen. Normaal genereren de herse-nen continu kleine electrische impulsen in een ordelijk patroon. Deze impulsen gaan langseen netwerk van zenuwencellen, neuronen genaamd, in de hersenen en door het ganselichaam met behulp van chemische boodschappers, genaamd neurotransmitters. Een aan-val ontstaat wanneer de zenuwcellen van de hersenen ‘misvuren’ en er een plotse ongecon-troleerde opwelling van electrische activiteit ontstaat in het brein.

Een concept dat heel belangrijk is met betrekking tot epilepsie is het feit dat ver-schillende gebieden in de hersenen instaan voor verschillende functies. Als er aanvallenontstaan in een bepaald gebied van het brein, dan zullen de initiele symptomen van de aan-val hoogstwaarschijnlijk waarneembaar zijn in de functies van dat gebied. De rechterkantvan de hersenen controleert de linkerzijde van het lichaam, en de linkerkant controleert derechterzijde van het lichaam. Dus als er een aanval plaatsheeft in de rechterkant van dehersenen in het gebied dat de beweging van de duim coordineert, dan kan de aanval totgevolg hebben dat de patient de linkerduim of hand (ongecontroleerd) gaat bewegen.

1.1.2 Verschillende types aanvallen

Aanvallen kunnen verschillende gedaanten aannemen: er zijn verschillende soorten epilep-sie [1]. Er zijn echter zo veel verschillende aanvallen dat neurologen nog steeds bezigzijn met het classificeren van de aanvallen. Er zijn twee grote hoofdcategorien, namelijk:gegeneraliseerde aanvallen en partiele aanvallen. Het verschil tussen deze categorien isde uitgestrektheid van de aanval over de hersenen. Bij gegeneraliseerde aanvallen is erverspreide ontlading in beide zijden van het brein tegelijkertijd. Erfelijke factoren zijn be-langrijk bij vele van dit soort aanvallen. Bij partiele aanvallen is sprake van een electrische

1

ontlading in een beperkt gebied van de hersenen. Sommige zijn veroorzaakt door hoofd-wonden, een hersenontsteking, een beroerte, of een tumor, maar in de meeste gevallen isde oorzaak onbekend.

Deze hoofdcategorien kunnen op hun beurt worden onderverdeeld, afhankelijk van deduur en kenmerken van de aanval:

Gegeneraliseerde Aanvallen

• afwezigheidsaanvallen:

– duur: 10 tot 20 seconden, beginnen en eindigen abrupt

– kenmerken: korte perioden van staren. Patient beseft niet dat hij/zij een aanvalgehad heeft. Van staren tot knipperen en rollen met de ogen.

• ongewone afwezigheidsaanvallen

– duur: 5 tot 30 seconden, gradueel begin en einde

– kenmerken: patient staart, maar reageert nog een beetje.

• myoclonische aanvallen

– duur: kort

– kenmerken: korte, schokachtige samentrekking van een spier of een groep spieren.

• atonische aanvallen

– duur: ≤ 15 sec

– kenmerken: spieren verliezen plots alle kracht, de patient laat dingen vallen ofvalt op de grond, maar blijft bij bewustzijn.

• tonische aanvallen

– duur: ≤ 20 sec

– kenmerken: lichaam, armen of benen maken plots verstijvende bewegingen.

• clonische aanvallen

– duur: varierend

– kenmerken: ritmisch trekkende beweging van de armen of benen, soms aanbeide kanten van het lichaam

• tonisch-clonische aanvallen

– duur: meestal 1 tot 3 min.

– kenmerken: combinatie van tonische fase en clonische fase. Alle spieren ver-stijven, lucht wordt langs de stembanden geperst en veroorzaakt een uitroep ofgrom. De patient verliest het bewustzijn en valt neer. De patient kan op tongof kaak gebeten hebben. Persoon kan een beetje blauw in het gezicht uitslaan.Vervolgens komt de clonische fase: de armen en vaak ook benen beginnen snelen ritmisch samen te trekken. Na een paar minuten vertraagt het samentrekkenen stopt uiteindelijk. Het bewustzijn keert dan terug.

2

Figuur 1.1: Zijaanzicht van de hersenen.

Partiele Aanvallen

• eenvoudige partiele aanvallen

– duur: kort

– kenmerken:

1. motorische aanvallen: verandering in spieractiviteit, abnormale bewegin-gen.

2. zintuig aanvallen: een van de zintuigen verandert, geuren ruiken die er nietzijn, geluiden horen, etc.

3. autonome aanvallen: veranderingen in het zenuwsysteem dat de lichaams-functies controleert; raar of onaangenaam gevoal in maag, borst, etc. ;verandering in hartslag of ademhaling

4. psychische aanvallen: veranderen hoe iemand denkt, voelt of dingen er-vaart.

• complexe partiele aanvallen

– duur: tussen 30 sec en 2 min.

– kenmerken: de aanvallen starten meestal in een kleine zone van de temporale offrontale kwab van de hersenen (zie figuur 1.1), en beınvloeden dan snel anderedelen van de hersenen die de alertheid en bewustzijn beınvloeden.

• secundaire gegeneraliseerde aanvallen

– duur: enkele minuten

– kenmerken: begint vanuit een partiele aanval; een vlaag van electrische activiteitin een beperkte zone spreidt zich uit over het ganse brein.

1.1.3 Diagnose van epilepsie

De diagnose van epilepsie gebeurt in verschillende stappen [14].

3

Medische geschiedenis

De arts moet alles weten wat er gebeurd is voor, tijdens en na de aanvallen.

Medisch onderzoek

Bepaalde medische problemen kunnen eveneens aanvallen veroorzaken, dus de dokter zaleen algemeen medisch onderzoek verrichten. Met dit onderzoek en enkele laboratoriatestskan de arts zien of lever, nieren en andere organen normaal functioneren.

Neurologisch onderzoek

Via een neurologisch onderzoek wordt bepaald of de hersenen en het zenuwstelsel goedfunctioneren. De neuroloog zal eerst checken of de patient al problemen gehad heeftdie kunnen wijzen op een hersenafwijking. Vervolgens zal hij het functioneren van despieren, zintuigen en reflexen controleren en kijkt uit voor coordinatieproblemen. Eenander onderdeel van het onderzoek is een test van de mentale capaciteiten, zoals hetherinneren van woorden, rekenen en objecten benoemen.

Tests om epilepsie te detecteren en onderzoeken

Een neuroloog zal vervolgens de patient aan een EEG (electroencefalogram, zie paragraaf1.2) onderwerpen, en afhankelijk van het soort aanvallen misschien nog enkele anderetesten.

• Het EEG: meten van potentiaalverschillen in de hersenen (zie paragraaf 1.2).

• Hersenbeelden: epilepsie kan veroorzaakt worden door afwijkingen in de structuurvan de hersenen zoals teveel vocht, littekenweefsel, probleem met de bloedvaten,. . . Door beelden te maken van de hersenen kunnen we deze oorzaken opsporen.

– CT(cat) scan (= Computed Tomography): Met behulp van een CT scan ver-krijgen we een beeld van de hersenen waarop afwijkingen zoals inkrimping vande hersenen, littekenweefels, beroerte, tumor en bloedvaatproblemen te zienzijn.

– MRI (= Magnetic Resonance Imaging): Met behulp van een sterke magneetwordt de spin van atomen in het lichaam, in dit geval de hersenen, veranderd.Vervolgens worden de veranderingen in het magnetisch veld opgemeten wan-neer de atomen terug hun oorspronkelijke positie innemen. De beelden zijn heelnuttig voor het identificeren van littekenweefsel, zones van abnormale hersen-ontwikkeling, hersentumors, etc.

– SPECT (= Single-Photon Emission Computed Tomography): Geeft de bloed-doorstroming in de hersenen weer.

– PET (= Positron Emission Tomography): Geeft weer hoeveel glucose of zuur-stof er is opgenomen door de verschillende delen van de hersenen.

– MRS (= Magnetic Resonance Spectroscopy): Onderzoekt de signalen van ele-menten zoals koolstof en fosfor.

– ultrasound : Bloed of vocht detecteren in het brein van een baby.

4

Condities die verward kunnen worden met epilepsie

• flauwvallen

• laag suikergehalte

• slaapproblemen

• paniekaanvallen

• psychische aanvallen

• afwijkingen bij kinderen

Verkeerde diagnose bij oudere patienten

Aanvallen bij +65 patienten worden niet altijd opgemerkt door de omgeving, en dezepatienten hebben vaak meerdere problemen zodat 1 diagnose vaak niet genoeg is om allesymptomen te verklaren.

1.1.4 Remedies

Epileptische aanvallen worden zoveel mogelijk onder controle gehouden met behulp vanmedicijnen. In 25 % procent van de gevallen is dit echter niet echt effectief. In ditgeval kan er resectieve heelkunde worden overwogen wanneer we te maken hebben metpartiele epilepsie. Dit wil zeggen dat men het deel van de hersenen dat verantwoordelijkis voor de epileptische aanvallen, de zgn. epileptogene zone of focus, operatief zal ver-wijderen. Alvorens over te gaan tot deze zware ingreep moet eerst de epileptogene zonegeıdentificeerd worden. Vervolgens worden er verscheidene onderzoeken uitgevoerd (zie1.1.3) om de functie van dit stuk hersenen te bepalen en te zien of het kan weggenomenworden. Tenslotte zal men voor de ingreep nog een intercraniele EEG-registratie uitvoe-ren. Hierbij worden er openingen in de schedel gemaakt en worden de electroden binneninde schedel aangebracht. Het EEG dat we zo verkrijgen bevat weinig of geen artefactenmeer, aangezien het niet afhangt van de beweging van de spieren op het hoofdoppervlak ofde slechte geleiding van de schedel. Bijgevolg kan deze EEG-registratie beschouwd wordenals de ‘gouden standaard’ voor het localiseren van de epileptogene focus. Wanneer alleuitgevoerde tests een gunstig resultaat weergeven, d.i. dezelfde epileptogene zone wordtaangeduid, wordt er overgegaan tot de ingreep, en is de patient met grote kans verlost vanzijn epilepsie.

1.2 Het EEG in detail

1.2.1 Wat is een EEG?

Een EEG, afkorting voor electro-encefalogram, is een registratie van electrische potenti-aalverschillen [14]. Als gevolg van de electrische activiteit van de neuronen in de hersenenontstaat er een electrische potentiaalverdeling op het hoofdoppervlak die varieert in detijd. Bij een electro-encefalogram gaan we deze potentiaalverdeling registreren met be-hulp van electroden op de hoofdhuid. De 21 electroden worden op vaste posities op hethoofdoppervlak aangebracht volgens het zgn. 10-20 systeem.

5

Figuur 1.2: Zijaanzicht en bovenaanzicht van de EEG-electroden op het hoofd geposition-eerd volgens het 10-20 systeem.

Deze posities worden gevonden door bepaalde verbindingslijnen op het hoofd tussenhet nasion, het inion, en tussen de pre-auculaire punten, in stukken te verdelen met alslengte 10 of 20% van de totale lengte. Deze punten zijn duidelijk herkenbare punten op deschedel: het nasion is het punt net boven de neus bij de overgang naar het voorhoofd. Hetinion is het knobbeltje dat voelbaar is in het midden aan de achterkant van de schedel.De pre-auculaire punten worden gedefineerd als de inspringing net boven het kraakbeendat de uitwendige ooropening bedekt (zie figuur 1.2). Men kan ook nog 6 extra electrodenaanbrengen op andere posities op de schedel, nl. drie links en drie rechts, om meer kans tehebben om kleine en/of diepe golven te ontdekken in de hersenen.

Het EEG toont het tijdsverloop van de potentiaalverschillen tussen een aantal gekozenelectrodeparen (zie figuur 1.3). De montage van het EEG geeft aan voor welke electrode-paren het corresponderende signaal in het EEG afgebeeld wordt (zie figuur 1.4). De termEEG wordt dan gebruikt als een benaming voor een set EEG-signalen of -kanalen, diebepaald worden door de montage.

Voor de namen van de electroden wordt gebruik gemaakt van alfanumerieke afkortingendie aangegeven waar de electroden geplaatst zijn:

• F = (Eng. : frontal) frontaal

• Fp = (Eng. : frontopolar) frontopolair

• T = (Eng. : temporal) temporaal

• C = (Eng. : central) centraal

• P = (Eng. : parietal) parietaal

• O = (Eng. : occipital) occipitaal

• A = (Eng. : auricular) oorelectrode

6

0 1 2 3 4 5 6 7 8 9 10

T10−TP10

FT10−T10

T9−TP9

FT9−T9

P8−O2

T8−P8

F8−T8

Fp2−F8

P7−O1

T7−P7

F7−T7

Fp1−F7

P4−O2

C4−P4

F4−C4

Fp2−F4

P3−O1

C3−P3

F3−C3

Fp1−F30 uV

tijd(s)

Figuur 1.3: Een EEG-fragment van 10 seconden van patient 449.

De electroden in deze hersenzones worden verder nog genummerd: even nummers aan derechterkant van het hoofd, oneven nummers aan de linkerkant. Het label ‘z’ betekent datde electrode zich bevindt op de middenlijn van het hoofd.

Analoge electro-encefalografietoestellen registereren het EEG met behulp van pennenop papier dat met een constante snelheid voorbijschuift. De uitwijking van de pennenis evenredig met het potentiaalverschil tussen het corresponderende electrodepaar. Demontage kan bij deze toestellen op electro-mechanische wijze aangepast worden. Moderneelectro-encefalografietoestellen bemonsteren de gemeten EEG-signalen met een gegevenbemonsteringsfrequentie die kan varieren van 100 Hz tot 1 kHz. Bij deze toestellen wordthet potentiaalverloop aan elke electrode gemeten ten opzichte van een vaste referentie-electrode: hierdoor kan na afloop van de registratie de hersenactiviteit bestudeerd wordenmet eender welke montage. Men kan immers voor elk gekozen electrodekoppel het verschilberekenen van de twee EEG-signalen corresponderend met de beide electroden. Een grootvoordeel van deze digitale electro-encefalografietoestellen is dat ze toelaten om de EEG-signalen digitaal te verwerken.

1.2.2 Epileptische kenmerken in het EEG

We kunnen onderscheid maken tussen twee verschillende soorten EEG bij een epilep-siepatient: ictaal EEG en interictaal EEG. Ictaal EEG is het EEG gemeten tijdens eenaanval. De overmatige en synchrone electrische activiteit van de hersencellen tijdens eenepileptische aanval zijn meestal waar te nemen als ritmische signaalvormen in het EEG meteen periodiciteit tussen 5 en 7 Hz. (fig. 1.5). Interictaal EEG is het EEG gemeten wanneerde patient geen aanval heeft (fig. 1.3). Doorgaans is de amplitude van ictale EEG-signalen

7

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

FT9

T9

TP9

F7

T7

P7

FP1

F3

C3

P3

O1

FPz

Fz

Cz

Pz

Oz

FP2

F4

C4

P4

O2

F8

T8

P8

FT10

T10

TP10

23

20

25

3

5

6

1

2

4

7

8

22

17

18

19

27

9

10

12

15

16

11

13

14

24

21

26

Figuur 1.4: (1) EEG-montage (2) Posities van de electroden op het hoofd (bovenaanzicht)

duidelijk hoger dan van interictale EEG-signalen. Het EEG is pas diagnostisch waardevolwanneer er tijdens de aanval geen stuiptrekkingen plaatsvinden. De electrische spierac-tiviteit zal immers het EEG-signaal enorm verstoren: de zgn. EMG-artefacten (EMG =electro-myogram).

Niet alleen het ictaal EEG bevat epileptische kenmerken, ook het interictaal EEG vaneen epilepsiepatient vertoont epileptische kenmerken, meestal in de vorm van kortdurendepieken met een hoge amplitude. Deze pieken worden meestal veroorzaakt door electrischeactiviteit in dezelfde hersenzones die verantwoordelijk zijn voor de epileptische aanvallen.We maken onderscheid tussen drie soorten pieken naargelang hun duur en vorm:

• spikes, met een duur tussen 20 en 70 ms;

• sharp waves, met een duur tussen 70 en 200 ms;

• spike-wave complexen, bestaande uit een spike gevolgd door een langdurende golf.

1.2.3 EEG golven volgens frequentie

Alfa-golven

Alfa-golven zijn de golven met een frequentie tussen 7.5 Hz en 13 Hz (zie fig. 1.6). Dezegolven komen vooral voor bij het sluiten van de ogen en bij het rusten, en verdwijnenweer door het openen van de ogen of door het werken van de hersenen bv. denken, reke-nen, . . . Het zijn de meest voorkomende golven bij normale ontspannen volwassenen. Zezijn vooral na het 13e levensjaar aanwezig, waarbij ze de hersengolven tijdens het rustendomineren.

Beta-golven

Beta-golven zijn golven met een frequentie van 14 Hz of groter (zie fig. 1.6). Dit is ‘snelle’activiteit. Het wordt beschouwd als het dominante ritme bij personen die alert zijn of hunogen open hebben. Het kan afwezig of gereduceerd zijn in gebieden waar de hersenschorsbeschadigd is.

8

0 1 2 3 4 5 6 7 8 9 10

Pz −Oz Cz −Pz Fz −Cz Fpz −Fz

T10 −TP10FT10−T10 T9 −TP9 FT9 −T9 T6 −O2 T4 −T6 F8 −T4 Fp2 −F8 T5 −O1 T3 −T5 F7 −T3 Fp1 −F7 P4 −O2 C4 −P4 F4 −C4 Fp2 −F4 P3 −O1 C3 −P3 F3 −C3 Fp1 −F3

tijd (s)

400 uV

Figuur 1.5: EEG-fragment van tien seconden tijdens een epileptische aanval.

Theta-golven

Theta-golven hebben een frequentie tussen 3.5 Hz en 7.5 Hz (zie fig. 1.6), en wordtbeschouwd als ‘trage’ activiteit. Het is abnormaal bij bewuste volwassenen, maar is perfectnormaal bij kinderen tot 13 jaar of tijdens de slaap.

Delta-golven

Delta-golven zijn golven met een frequentie van 3 Hz of lager (zie fig. 1.6). Ze hebbenvaak een hoge amplitude en zijn traag. Het is het dominante ritme in kinderen tot 1 jaaren in bepaalde stadia van de slaap.

1.2.4 Speciale vormen van EEG-opname

‘ambulatory’ EEG Langdurige EEG-opname d.m.v. een draagbaar toestel, dat de patienttoelaat om vrij rond te wandelen.

video-EEG Het gedrag van een patient voor, tijdens en na een aanval kan nuttige infor-matie leveren over het type epilepsie, de hersenzones die betrokken zijn bij de aanval,etc. Bijgevolg is het dus nuttig om de patient een aantal dagen te observeren. Bijeen video-EEG monitoring, die meestal plaatsvindt in een hospitaal, wordt het EEGvan een patient continu opgemeten en tegelijkertijd wordt alles geregistreerd meteen videocamera. Een monitoringstoestel bevat een videoverwerkingseenheid die devideobeelden van de patient combineert met het EEG, en bevat videorecorders omdeze videobeelden op te slaan. De patient verblijft gemiddeld 3 tot 5 dagen op een

9

Beta

Alfa

Theta

Delta

Figuur 1.6: Typische EEG-golfvormen voor de verschillende frequentiebanden.

monitoringseenheid om de kans te vergroten op het registreren van epileptische aan-vallen (fig. 1.7). De gigantische hoeveelheid aan videodata maakt het onmogelijk omalles visueel te controleren. Daarom bevat het monitoringsysteem enkele hulpmid-delen die de data reduceert tot de relevante stukken d.w.z. enkel die fragmenten metmogelijke epileptische kenmerken. Zo kan een patient met een druk op de knop latenweten dat hij/zij een epileptische aanval voelt opkomen. Een verwerkingseenheidcontroleert de data op de aanwezigheid van typische ictale en interictale epileptischekenmerken met behulp van aanvals- en spike-detectie algoritmen die het onderwerpvan deze thesis vormen. Op deze manier wordt de relevante data er uitgefilterd,zodat de neurologen enkel deze data hoeven te controleren.

1.3 Samenvatting

Bij het detecteren van epilepsie is vooral het EEG van groot belang. Wanneer een patientwordt onderworpen aan een video-EEG monitoring moeten we in staat zijn om 3 tot5 dagen aan EEG-data te verwerken. Het is onmogelijk om dit allemaal te laten doendoor neurologen, dus is er nood aan een automatisch detectiesysteem. Dit systeem hoeftniet in ware-tijd te gebeuren, dus complexe berekeningen zijn mogelijk. Het doel vandit automatisch systeem is het gevoelig reduceren van data op zodanige wijze dat deinteressante stukken, d.w.z. EEG met epileptische kenmerken, behouden blijven. Dezeoverblijvende data kunnen dan tenslotte gecontrolleerd worden door neurologen om eendiagnose te maken.

1.4 Doelstelling thesis

In deze thesis worden de reeds bestaande detectiemethoden uit de literatuur beschreven.De belangrijke methoden in het tijdsdomein worden geımplementeerd in MATLAB enindien mogelijk aangepast en/of gecombineerd.

10

Figuur 1.7: Typische video-EEG-opstelling.

1.5 Inhoud thesis

Na een uitgebreide inleiding over epilepsie en de noodzaak tot geautomatiseerde detectiein het eerste hoofdstuk, wordt in het tweede hoofdstuk ingegaan op de bestaande metho-den in de literatuur. De verschillende soorten detectiemethodes worden kort besproken.Vervolgens wordt er dieper ingegaan op de temporele methoden en de wijze waarop wedeze detectiemethodes onderling vergelijken. In hoofdstuk drie worden de belangrijksteimplementaties en de bijhorende opgetreden problemen besproken. De resultaten van deimplementaties en bijhorende tests worden uitgebreid besproken in het vierde hoofdstuk.Het algemene besluit wordt tenslotte geformuleerd in het laatste hoofdstuk.

11

Hoofdstuk 2

Methodes in de literatuur

2.1 Geschiedenis van detectie van epilepsie m.b.v. het EEG

2.1.1 Gebruikte technieken

Er zijn verschillende methoden ontwikkeld die gebruikt kunnen worden om epileptischehersenactiviteit te ontdekken [6]:

1. Patroonherkenning: wanneer de kruiscorrelatie (cross-correlation) van het EEG meteen patroon een vooropgestelde grenswaarde overschrijdt spreken we van een detec-tie.

2. Voorspellingsmethoden: men stelt een wiskundig model op om het EEG te voor-spellen. Er is sprake van een detectie wanneer het verschil van het EEG met zijn voor-spelde waarde (waarbij we veronderstellen dat de achtergrond vast is) een bepaaldedrempelwaarde overschrijdt.

3. Mimetische methoden: de neuroloog wordt nagebootst. Meerdere parameters vande golf worden berekend en voor elke parameter wordt een grenswaarde opgesteld.Wanneer al deze grenswaarden worden overschreven hebben we een detectie.

4. Neurale netwerken: met grote hoeveelheden EEG wordt een neuraal netwerk getraindom epileptische hersenactiviteit te detecteren.

5. Expertsystemen: de kennis en redenering van een EEG-expert wordt zo goed mo-gelijk nagebootst.

In deze thesis gaan we ons concentreren op de temporele methoden. We bekijken dus 1kanaal en maken geen (of weinig) gebruik van verbanden tussen meerdere kanalen. Bijde temporele methoden maken we gebruik van de morfologie van de spikes en half waves,dus vooral de mimetische methoden. Heel veel detectiesystemen bestaan echter uit eencombinatie van methoden.

2.1.2 Korte geschiedenis

De allereerste detectiemethoden van epileptische spikes maakten gebruik van de morfologievan de spikes. In 1949 werd epileptische activiteit voor het eerst onderverdeeld in spikes

12

en sharp waves door Jasper en Kershman: een spike heeft een duur van 10 tot 50 msecen sharp waves een duur van 50 tot 500 msec [8]. In de literatuur blijkt dat deze cijfersvoor de duur niet door iedereen wordt overgenomen: de meeste artikels gebruiken dewaarden 20 - 70 msec voor spikes en 70-200 msec voor sharp waves. In de jaren 70 werdvooral geexperimenteerd met combinaties van amplitude, duur en scherpte. De scherptewordt beschouwd als het belangrijkste kenmerk voor de detectie, maar het blijkt niet tevolstaan om de detectie enkel te baseren op de scherpte. In 1976 publiceerde Gotman[8] een artikel waarin een methode uitgelegd wordt die probeert om al het goede uit dereeds bestaande detectiemethodes te combineren tot 1 methode. Het artikel is een vande belangrijkste referentieartikels op het gebied van detectiemethoden gebaseerd op demorfologie van spikes. De methoden na 1976 gebruiken meestal de definities van Gotmanvoor de parameters van golven, of definieren zelf een variant. Voor een verder overzichtvan methodes verwijzen we naar [16].

2.2 Testen van automatische detectiemethoden

2.2.1 Specificiteit/sensitiviteit

Om de ontwikkelde automatische detectiemethoden te testen en vergelijken worden ertwee termen ingevoerd: specificiteit en sensitiviteit. Een systeem wordt getest op EEG’sdie eveneens door een of meerdere EEG-experts werden bekeken. De detecties van despecialisten beschouwen we dan als correct, en het is de bedoeling om de methode zogoed mogelijk dezelfde waarden te laten teruggeven. Om nu de resultaten van de detec-tiemethode en de EEG-experts te vergelijken wordt de specificiteit en de sensitiviteit vande methode berekend. Noemen we de events waarvan we zeker zijn dat ze epileptische ac-tiviteit voorstellen ED’s (epileptiform discharges), dan berekenen we deze termen als volgt:

sensitiviteit =aantal ED′s gedetecteerd door PC

totaal aantal ED′s(2.1)

specificiteit =aantal ED′s gedetecteerd door PC

totaal aantal events gedetecteerd door PC(2.2)

De sensitiviteit toont het percentage van correcte events gedetecteerd door de com-puter, dus de kans dat het systeem een spike zal detecteren. Het is een maat voor hetaantal ‘false positives’. Een ‘false positive’ is een gedetecteerd event dat geen ED is. Despecificiteit toont welk percentage van de detecties correcte events (ED’s) waren, dus dekans dat het systeem een niet-spike niet zal markeren. Het is een maat voor het aan-tal ‘false negatives’. Een ‘false negative’ is een ED die niet gedetecteerd werd door hetsysteem.

In figuur 2.1 zien we een voorbeeld: een kleine momentopname van wat er gebeurtbij het testen van een detectiemethode nl. het vergelijken van de detectietijdstippen vande automatische methode met de detectietijdstippen van de neuroloog. Bovenaan wordenvier events (door de neuroloog gemarkeerd) afgebeeld die op een bepaald ogenblik in detijd voorvallen. Onderaan worden de events afgebeeld die door de automatische detec-tiemethode zijn gemarkeerd. We zeggen dat een event gedetecteerd is door de methode

13

Events

FN

ok ok ok FP FP

1s

Neuroloog

Detectiemethode

Figuur 2.1: Weergave van False Positives en False Negatives bij testen van een detec-tiemethode.

wanneer de methode detectie(s) gemaakt heeft die binnen een sector van 1 seconde ge-centreerd rond dit event liggen. Er wordt dus een kleine marge toegelaten omdat er somsverschillende extrema naast elkaar liggen, waarvan er slechts 1 aangeduid wordt door deexpert. Wanneer er een event correct gedetecteerd is staat er ‘ok’ in de figuur. Er wer-den ook events gedetecteerd door de methode die niet in de buurt van een event bovenonze tijdsas liggen, dit is een false positive (FP). Wanneer een event boven de tijdsas nietgedetecteerd werd spreken we van een false negative (FN). De ideale situatie voor eenautomatisch systeem of expert is een sensitiviteit en specificiteit van 1, d.w.z. dat alleevents correct zijn gedetecteerd en er zijn geen niet-spikes gemarkeerd als spike.

2.2.2 ROC-curves

Al de automatische detectiesystemen zijn afhankelijk van 1 of meerdere parameters. Wan-neer we deze parameters laten varieren verkrijgen we verschillende (sensitiviteit, specificiteit)-koppels voor elke mogelijke combinatie van waarden voor de parameters. Wanneer we dezeuitzetten in een grafiek, verkrijgen we zogenaamde ROC-curves (ROC = Receiver Opera-ting Characteristic). Als we de ROC-curves uitzetten van twee methoden kunnen we zienwelke methode het beste presteert: de methode die het dichtst bij het optimale punt (1,1)komt is de beste methode.

Op figuur 2.2 zien we de ROC-curves uitgezet voor twee methoden I en II. Bij eenwelbepaalde sensitiviteit is de specificiteit van methode I steeds lager dan de specificiteitvan methode II. Bijgevolg is methode II een betere detectiemethode.

2.3 Visuele spikedetectie

2.3.1 Visuele methode

Neurologen of epilepsiespecialisten evalueren het EEG visueel ofwel op monitor ofwel oppapier. Epileptische activiteit in de vorm van spikes en sharp waves wordt gemarkeerd.

14

0 0.5 1 1.50

0.5

1

1.5ROC− curve

sensitiviteit

spec

ifici

teit

II

I

Figuur 2.2: ROC-curves van twee detectiemethoden I en II

Aangezien er geen duidelijke definitie van spike of sharp wave is, hanteert de EEG specialisteen eigen subjectieve definitie: een geısoleerde triangulaire golf die duidelijk onderscheid-baar is van de achtergrond, en met een scherpe top en stijle hellingen [7]. De specialistgaat dus af op wat hij ziet, en kan bepaalde zaken anders beoordelen dan een andereEEG-specialist. Bijgevolg verschillen de resultaten van een scoring door EEG-specialistenonderling soms veel. Om automatische detectiemethodes te testen zal men gebruik makenvan EEG dat reeds door een of meerdere EEG-specialisten visueel is gescoord. De detectie-tijdstippen van de specialist worden beschouwd als zijnde ‘gold standard’, wat wil zeggendat er met grote zekerheid epileptische activiteit plaatsvindt op deze tijdstippen. Wanneerer in deze thesis gesproken wordt over gold standard bedoelen we de detectietijdstippenvan de expert. Bij de bronlokalisatie van epilepsie heeft gold standard eveneens een anderebetekenis. Wanneer verscheidene (uitwendige) tests geen uitsluitsel geven over de positievan de epileptogene zone, kan er overgegaan worden tot de ‘golden standard’-methode nl.het gebruik van intracraniele electroden om EEG te registreren. Dit wordt enkel maargebruikt indien er geen andere methoden meer beschikbaar zijn omdat deze methode eenchirurgische ingreep vergt en heel onaangenaam voor de patient kan zijn.

2.3.2 Betrouwbaarheid van de experts

Wanneer we de resultaten van verschillende experts onderling gaan vergelijken dan merkenwe dat er vaak een groot verschil is [15, 17]. Het aantal gedetecteerde events verschillenenorm. Slechts een klein percentage van alle events wordt door alle experts gemarkeerd[15]. Studies vergelijken vaak het aantal gedetecteerde events van de experts, maar deexperts zelf houden geen rekening met het aantal events. Wanneer we studies bekijkenover die indruk over het gehele EEG vergelijken dan is de overeenkomst veel groter (72-84 %) dan de overeenkomst tussen aantal events [8]. De studie van Webber et Al. [15]toont gelijkaardige resultaten op de overeenkomt op het gebied van de lokatie van deevents. Elke expert heeft zijn eigen stijl van beoordelen. Er zijn heel wat factoren diedeze stijl beıvloeden zoals training, opmerkzaamheid, anticipatie, motivatie . . . Klinischeervaring en voorkeur zijn heel belangrijke factoren in het bepalen wat een event is en wat

15

niet. Sommige experts geven de voorkeur aan een striktere definitie, terwijl anderen eeniets lossere definitie van een event gebruiken. De reden waarom er geen exacte definitiekan gegeven worden aan een event, is het feit dat deze epileptische activiteit ontstaat alssom van potentialen gegenereerd door een onbepaald aantal cellen in de hersenen. Bijgevolg is dit bij elke epilepsiepatient (licht) verschillend. De exacte morfologie van eenepileptische spike hangt af van verschillende factoren zoals het aantal betrokken cellen, defysische relatie tussen deze cellen en de electroden, het juiste type van aanvalsreactie in deindividuele cellen, de variatie in soorten en aantal hersencellen, en het soort activiteit vande naburige hersencellen. Bijgevolg is de kans klein dat twee epileptische spikes identiekzijn. Dit zorgt er voor dat het vrijwel onmogelijk is om een perfect regelgebaseerd systeemte ontwerpen. Een spike-detectiesysteem kan echter wel nuttig zijn als het een antwoordprobeert te geven op de vragen die ook een EEG-expert stelt:

1. Is er epileptische activiteit aanwezig in het EEG?

2. Hoeveel focussen zijn er?

3. Waar bevinden deze zich?

4. Wat is het relatief aantal spikes in elke zone?

5. Zijn er verbanden tussen de bronzones?

6. Wat is de ordegrootte van het aantal aanwezig spikes?

De sensitiviteit en selectiveit van het automatisch detectiesysteem zal afhangen van decriteria die gebruikt worden om epileptische spikes te detecteren. De detectiemethodewordt dan aangepast zodat het voldoet aan de vooropgestelde eisen voor sensitiviteit enselectiviteit.

2.4 De Gotman methode

2.4.1 Achtergrond

Het artikel waarin Dr. J. Gotman zijn methode beschreef werd in 1976 gepubliceerd [8].Dr. Gotman bestudeerde eerst de reeds gepubliceerde methoden die gebruik maakten vande morfologie van een epileptische spike om spikedetectie te doen. Hij poogde de ideeenuit deze artikels te combineren met eigen originele inbreng om zodanig zelf een systeemop te bouwen dat in staat is om ons informatie te verschaffen over de interictale activiteitaanwezig in een EEG. De ontwikkelingscriteria zijn de volgende:

1. Het systeem moet in staat zijn om 16 kanalen in ware tijd te verwerken, zodat analysevan lange opnames mogelijk is.

2. Het systeem zou geen problemen mogen kennen met de meest voorkomende arte-facten zoals EMG en oogbewegingen.

3. Het systeem moet als eindresultaat een relatief eenvoudig overzicht geven van deaanwezige epileptische activiteit in het verwerkte EEG.

4. Een classificatie van gedetecteerde events moet teruggegeven worden indien mogelijk.

16

De opzet is een heuristische, waarbij empirisch afgeleide kenmerken zo efficient mogelijkberekend worden door een computerprogramma. Spikes en sharp waves worden afgekorttot SSW.

2.4.2 De methode

De basiskenmerken

SSW’s worden gedetecteerd door een sequentiele patroonherkenningstechniek. Als eerstestap worden bepaalde kenmerken van het signaal berekend. Met een eenvoudige test opdeze kenmerken kunnen we al een groot deel van de data verwijderen die hoogstwaarschijn-lijk geen epileptische activiteit bevatten. De overgebleven stukjes EEG worden vervolgensopnieuw getest met nog scherpere grenswaarden voor bepaalde kenmerken. Zo blijvenuiteindelijk de stukken EEG over met epileptische activiteit en/of met artefacten die heelgelijkend zijn op SSW’s.

Segmenten en sequenties Eerst gaan we het EEG-signaal verdelen in segmenten (ziefiguur 2.3). Een segment is de sectie tussen twee opeenvolgende amplitude-extrema. Hetwordt gekenmerkt door zijn duur, amplitude en richting. Segmenten veranderen dus steedsvan richting. Tijdens langere golven kunnen er echter storingen optreden waarbij de am-plitude schommelt. Bijgevolg zal zo’n golf niet als 1 segment worden weergegeven. Alsoplossing tot dit probleem voert Gotman sequenties, combinaties van segmenten, in zo-dat de trage frequentiegolf duidelijk terug gevormd wordt (zie figuur 2.3). Een sequentieeindigt wanneer er een segment wordt gevonden dat niet behoort tot de sequentie. Devolgende regels worden gebruikt om sequenties uit segmenten te vormen:

• Een sequentie met richting X (stijgend of dalend) mag geen segment S bevatten metrichting -X dat groter is dan een van de twee aangrenzende segmenten van S.

• Een sequentie met richting X mag geen segment met richting -X bevatten met eenduur groter dan of gelijk aan 30 msec of met relatieve amplitude groter of gelijk aan2.

Parameterextractie van een golf

Wat is een golf? Een golf wordt gedefinieerd als een set van twee segmenten, tweesequenties of een segment en een sequentie. Beide elementen moeten aangrenzend entegengesteld van richting zijn. Een deel van een golf noemt met een half-golf. Doordat eengolf kan bestaan uit zowel segmenten als sequenties kunnen we zowel de onderlinge tragegolf als de de snelle activiteit onderzoeken.

In figuur 2.3 zien we een EEG-fragment van 200 samples met corresponderende verde-ling in segmenten en sequenties. Golven in de figuur zijn ondermeer: ABC, BCD, CDE,. . . (segment–segment); CDK, ADE (segment–sequentie) en ADK (sequentie–sequentie).

Achtergrondamplitude Dr. Gotman [8] gebruikt de absolute waarde van de ampli-tude van het signaal niet, maar gebruikt daarentegen de verhouding van absolute waardevan de amplitude tot de achtergrondamplitude, de zogenaamde relatieve amplitude. De

17

300 320 340 360 380 400 420 440 460 480 500−40

−20

0

20EEG

300 320 340 360 380 400 420 440 460 480 500−40

−20

0

20Segmenten

300 320 340 360 380 400 420 440 460 480 500−40

−20

0

20

tijd

Sequenties

A

B

C

D

E

F

G

H

I J

K

A

D

K

Figuur 2.3: Bovenaan: een EEG-golf van 200 samples lang. Midden: de representatie vande EEG-golf m.b.v. segmenten. Onderaan: representatie m.b.v. sequenties.

achtergrondactiviteit wordt gedefinieerd als: ‘elke EEG activiteit die de achtergrond re-presenteert waarin een gegeven normaal of abnormaal patroon optreedt en van welke dezeonderscheidbaar is’. De achtergrondamplitude op een bepaald ogenblik wordt gedefinieerdals de gemiddelde amplitude van de sequenties van de 5 seconden EEG die voorafgaanaan dat ogenblik. Gotman vermeldt dat het beter zou zijn om een gemiddelde te nemenvan activiteit voor en na het ogenblik, maar dit maakt de implementatie een heel stukingewikkelder. De duur van 5 seconden is een compromis tussen een stabiele achtergronden een snel aanpassende achtergrond.

In de implementatie wordt de achtergrondamplitude niet op elk tijdstip berekend, maarom de 1/3 seconde zodat de berekeningen niet te lang worden. Verder is de achtergrond-amplitude geen echt gemiddelde over de amplitudes van de voorgaande sequenties, maareen iets lagere waarde dan het echte gemiddelde: in plaats van de som van amplitudeste delen door het aantal sequenties wordt de som gedeeld door het aantal sequenties pluseen constante. De amplitude van een halfgolf (segment of sequentie) wordt vervolgensberekend als de verhouding van de absolute amplitude ten opzichte van de achtergrond-amplitude. De relatieve amplitude is een waarde gelegen tussen 0 en 20. Tenslotte wordenSSW’s niet meegerekend in het berekenen van de achtergrondamplitude. Hierdoor kunnenwe ook SSW’s detecteren wanneer deze frequent voorkomen.

Scherpte De scherpte van de golf wordt door Gotman berekend als de tweede afgeleidevan het signaal. Ook ditmaal wordt de achtergrondamplitude gebruikt om te normaliseren,net zoals gebeurde bij de amplitude. Om het rekenwerk iets te beperken wordt de scherpteenkel berekend voor de top van een golf gebruikmakend van 15 msec voor en na de top,en niet voor elk punt. De relatieve scherpte neemt een waarde aan tussen 0 en 5.

18

Pseudoduur Gotman maakt geen gebruik van de gewone duur van een halfgolf, maardefinieert een eigen parameter, de pseudoduur, die efficienter is om het onderscheid temaken tussen spike of sharp wave en andere golven.

Duur

1/2 duur

Pseudoduur

Figuur 2.4: Pseudoduur van een golf

De pseudoduur wordt berekend als volgt. Het punt dat net op de helft van normaleduur van de halfgolf ligt wordt berekend. Het snijpunt van de rechte door de top en ditpunt met de X-as wordt bepaald. De pseudoduur wordt nu gedefinieerd als de tijd tussenhet tijdstip van de top en dit snijpunt. Uit de pseudoduur kunnen we ook nog informatieafleiden in verband met de vorm van de halfgolf (zie figuur 2.4), daardoor is de pseudoduurnuttiger dan de gewone duur om te gebruiken.

De basisattributen van de golf De attributen van een golf zijn de relatieve amplitudeen de pseudoduur van zijn twee halfgolven, de relatieve scherpte aan de top en de totaleduur (de som van de duur van de halfgolven). De relatieve amplitude en duur van de derdehalfgolf wordt eveneens gebruikt in deze methode. De derde halfgolf wordt gedefinieerdals de sequentie die volgt op de golf.

Het detectiealgoritme

De kanalen worden een voor een verwerkt. Het signaal wordt vervolgens in segmentenen sequenties ingedeeld. Wanneer er een segment of sequentie compleet is, dan wordende volgende stappen overlopen. Wanneer er niet voldaan is aan een voorwaarde kan menovergaan naar de volgende halfgolf.

1. Is de relatieve amplitude van de vorige en de huidige halfgolf boven een vooropgesteldegrenswaarde? Een relatieve amplitude van 4 is vereist voor een halfgolf om beschouwdte worden als een deel van een SSW.

2. Liggen de pseudoduren van beide halfgolven onder de correcte limietwaarde? Dewaarden waaraan de pseudoduur van een golf moet voldoen in functie van zijn re-latieve amplitude wordt weergegeven in figuur 2.5. Het gebied ABCD omvat de

19

0 50 100 150 200 250 3000

5

10

15

20

25

30

pseudoduur (ms)

Rel

atie

ve A

mpl

itude

A B

C

D

E

F

G

H

Figuur 2.5: Limieten van de relatieve amplitude in functie van de pseudoduur.

correcte waarden voor de eerste halfgolf, gebied AEFGH bevat de correcte waardenvoor de tweede halfgolf.

3. Zijn de relatieve amplitudes groot genoeg, gegeven de relatieve scherpte van de golf?De verbanden waaraan de relatieve scherpte en de relatieve amplitude moet voldoenom deel uit te maken van een SSW staan in tabel 2.1.

Deze tabel geeft de grenswaarden weer voor de amplitude van de eerste, tweede enderde halfgolf voor een gegeven scherpte. Om een SSW te zijn moet de golf bijgevolgvoldoen aan een van de horizontale lijnen in de tabel. In de tabel werd de absolutegrenswaarde vier van de relatieve amplitudes afgetrokken.

4. Is de totale duur van de golf groter of gelijk aan een minimum waarde (35 msec)?

Wanneer er op alle bovenstaande vragen positief geantwoord kan worden dan beschouwenwe de golf als een mogelijk SSW.

Artefacten

Soms gebeurt het dat bepaalde golven geklasseerd worden als SSW’s terwijl ze dit niet zijn.We hebben dan vrijwel zeker te maken met artefacten zoals spieractiviteit, oogknipper-artefacten en scherpe alfa-activiteit. Om deze te verwijderen moeten we onze overgeblevendata nog verder verwerken.

• SpieractiviteitBij spieractiveit zijn de relatieve amplitude en relatieve scherpte van de meeste gol-ven klein. Maar heel plots worden zowel de scherpte als de amplitude heel hoog tenopzichte van de achtergrondactiviteit. De meeste van deze golven geven geen pro-blemen bij ons detectiemethode omdat ze meestal heel kort zijn en niet gedetecteerd

20

Scherpte Amplitude Amplitude Amplitudevan de 1e halfgolf van de 2e halfgolf van de 3e halfgolf

0 ≤ 3 ≤ 4 –1 1 ≤ 4 –

≤ 2 ≤ 32 0 1 ≤ 4

1 1 ≤ 20 2 ≤ 20 ≤ 3 –

≤ 1 ≤ 2 –≤ 3 0 0 ≤ 4

0 1 ≤ 20 2 –1 1 –

sum ≤ 4 –

Tabel 2.1: Verband scherpte en amplitude van de halfgolven

worden. Soms echter heeft een van die golven een langere duur en wordt die gede-tecteerd. Het wordt niet aanzien als SSW wanneer in de onmiddelijke omgeving (1/3sec) van deze golf zich een groot aantal segmenten met hoge amplitude bevinden,wat duidt op spieractiviteit.

• OogknipperartefactenOogknipperartefacten zijn meestal te lang om gedetecteerd te worden als SSW, maarze vertonen meestal wel de specifieke kenmerken van een SSW d.i. snel stijgendeeerste halfgolf, trager stijgende tweede halfgolf en een scherpe top. Een golf wordtals oogknipperartefact aanzien wanneer voldaan is aan alle van de volgende voor-waarden:

– komt voor in een frontaal kanaal

– positieve polariteit

– een duur langer dan 150 msec

– er treedt een golf met gelijkaardige amplitude op het overeenkomstige contralat-erale kanaal (cfr. inleiding)

Nadeel hiervan is dat wanneer er een sharp wave optreedt op deze kanalen, dat dezekan verwijderd worden als oogknipperartefact.

• Alfa-activiteitPlots optredende alfa-activiteit kan de kenmerken vertonen van een SSW, zekerwanneer de alfa scherp is. Deze golven zullen worden herkend als alfa-activiteitwanneer ze deel uitmaken van een sectie met een dominante frequentie van 8-12 Hz.

21

2.5 Gotman-uitbreidingen

2.5.1 Achtergrond

De originele Gotman-methode [8] was niet ontwikkeld om heel lange opnamen van EEGte beoordelen, daarom publiceerde Gotman in 1979 uitbreidingen voor de methode zodatze beter bruikbaar werd bij langdurige EEG’s [9]. Er treden bij langdurige EEG-opnamesenkele problemen op die van minder belang zijn bij korte stukjes EEG:

• Er treden veel meer artefacten op. Bij langdurige EEG-opnames mag de patientnormaal gezien bewegen, zodat er bewegingsartefacten optreden.

• De rekentijd van de automatische detectiesystemen is vaak heel groot. Bij een grotehoeveelheid aan EEG-data is het bijgevolg belangrijk om de rekentijd zo kort mo-gelijk te houden.

2.5.2 Methode

De basismethode is de Gotman-methode beschreven in de vorige paragraaf. De detectiegebeurd op basis van kenmerken van de golf: duur, amplitude en scherpte relatief tenopzichte van de achtergrond. Vervolgens worden nog EMG activiteit, scherpe alfa ac-tiviteit en oogknipperartefacten geelimineerd.Om deze methode te kunnen toepassen bij lange EEG-opnames worden er enkele veran-deringen ingevoerd:

1. Wanneer de Gotman-methode een SSW ontdekt op tijdstip t slaan we het stuk EEGdie dit SSW bevat op: alle kanalen van het EEG beginnende bij t− 1.3 seconden tott + 1.3 seconden worden opgeslagen. Wanneer het monitoren gedaan is, kunnen aldeze secties opnieuw worden bekeken.

2. EMG, scherpe alfa-activiteit en oogknipperartefacten werden reeds verwijderd doorde Gotman-methode. Een extra procedure wordt ingevoerd om artefacten veroor-zaakt door grote bewegingen te verwijderen. Wanneer een SSW gedetecteerd wordtop tijdstip t, onderzoeken we alle kanalen vanaf tijdstip t− 0.5 seconden tot tijdstipt + 0.5 seconden om te bepalen of de kanalen in die periode verzadigd geweest zijnover een periode van tenminste 100 msec. Verzadiging treedt op wanneer het sig-naal boven ±350µV zit. Deze verzadiging treedt namelijk op bij grote bewegingen.Wanneer het stukje EEG aan deze voorwaarden voldoet, wordt het aanzien als be-wegingsartefact en niet meer als SSW. Het is best om alle kanalen te testen en nietenkel het kanaal waarin de SSW werd gedetecteerd.

Deze uitbreiding laat toe om de Gotmanmethode te gebruiken bij langdurende EEG-opnames.

22

2.6 Data-reductie in detectiesysteem van James

2.6.1 Achtergrond

In 1999 publiceren C.J. James et al. [10] een detectiemethode die bestaat uit drie verschil-lende stadia, gebruikmakend van een regelgebaseerd systeem en neurale netwerken:

1. Bepaalde parameters van het EEG worden berekend en vervolgens vergeleken metgrenswaarden. Kandidaat-epileptische golven worden doorgegeven aan het tweedestadium.

2. Een getraind neuraal netwerk classificeert de data uit het eerste stadium door middelvan sets van gewichtsvectoren gebaseerd op de parameters berekend in stadium 1.Deze twee stadia worden per kanaal uitgevoerd.

3. Het derde stadium combineert de output van de vorige stadia met behulp van eenvaaglogisch regel-gebaseerd systeem. Met behulp van vaaglogica probeert men delogica van een EEG-expert te imiteren.

In deze thesis concentreren we ons op de methoden die gebruik maken van de morfologischekenmerken van de epilepetische spikes en sharp-waves. We gaan dus enkel dieper in op heteerste stadium van deze methode. De geınteresseerde lezer kan meer details over stadiumtwee en drie lezen in het artikel van C.J. James et al. [10].

2.6.2 Datareductie met behulp van regelgebaseerd systeem

Het eerste stadium van deze methode heeft niet als doel om als detectiemethode gebruiktte worden. Het is de bedoeling om de data te reduceren.

Parameterextractie van een golf

Eerst worden de relatieve minima en maxima van het EEG gedetecteerd met een een-voudig algoritme. Een CED (candidate epileptiform discharge) wordt gedefineerd als 200ms EEG rond een top gecentreerd. Vervolgens worden uit deze CED enkele parametersafgeleid:

1. Amplitude Ap: Verschil tussen de waarde van de top en het vlottend gemiddelde.Onder vlottend gemiddelde verstaan we de gemiddelde waarde van het EEG over 75ms gecentreerd rond de top (zie figuur 2.6).

2. Duren D1, D2, en D3: D1 en D2 zijn de duur van resp. de eerste en de tweedehalfgolf. D3 is de som van beide duren. De duur van een halfgolf is de tijd tussende top en het punt waar de helling 60 % veranderd of van richting veranderd.

3. Helling S1 en S2: Voor golven van korte duur (d.i. D1 < 20ms of D2 < 20ms)wordt de helling tussen twee opeenvolgende toppen berekend, voor de langere golvengebruiken we een kleinste kwadraten benadering gebaseerd op 4 datapunten (zonderde top).

4. Scherpte Sp: de som van de helling van de eerste en tweede halfgolf.

23

De datareductie

Na het berekenen van de parameters van de golven worden deze vergeleken met vooropgesteldegrenswaarden. De gebruikte grenswaarden in het artikel zijn: AMin

p = 16.8 µV , DMin1 =

(= DMin2 ) = 10 ms, DMax

1 (= DMax2 ) = 150 ms, DMin

3 = 20ms, DMax3 = 250 ms,

SMinp = 1.26µV/ms. Dit wordt voor elk kanaal apart berekend. Wanneer een golf alle

drempelwaarden overschrijdt wordt de top van die golf de primaire top genoemd. Wanneerdit gebeurd, worden alle CED’s op de andere kanalen (binnen 50 ms rond de primaire top)gecombineerd tot een CEV (candidate epileptiform event), zelfs als de grenswaarden op dieandere kanalen niet overschreden zijn! Verder worden er nog drie contextuele parametersberekend uit een segment van 1s rond de top van elke CED, waarbij de 200 ms van deCED zelf niet meegerekend worden:

1. Gemiddelde amplitude A: Het RMS (Root Mean Square) gemiddelde tussen het EEGen een vlottend gemiddelde berekend over een venster van 75 ms. De gemiddeldeamplitude wordt berekend met formule 2.3, waarbij EEG(x) de waarden van eenkanaal van het EEG op tijdstip x voorstelt en flMean(x) het vlottend gemiddeldeover 75 ms rond tijdstip x van datzelfde kanaal.

2. Gemiddelde duur D: De gemiddelde top-tot-top duur van de halfgolven. Halfgolvenmet een topamplitude kleiner dan 4.2µV worden niet meegerekend.

3. Gemiddelde helling S: De gemiddelde grote van de helling tussen twee opeenvolgendedatapunten.

A =

√√√√ 1160

t−80∑x=t−100

(EEG(x) − flMean(x))2 +t+100∑

x=t+20

(EEG(x) − flMean(x))2, (2.3)

Wanneer dit allemaal berekend is wordt het volgende doorgegeven aan het neuralenetwerk:

1. CED: Epileptische activiteit onder de vorm van spikes of sharp waves heeft eengemiddelde duur van 70 tot 200 ms. Een belangrijke karakteristiek van epileptischeactiviteit is echter de trage golf die meestal volgt op de spike. De top van de golfbevindt zich ongeveer binnen een derde van het CED en de trage golf in de overigetwee derden. Daarom gebruikt men een venster van 205 ms, met de top rond eenderde van het venster.

2. De contextuele informatie: de drie contextuele parameters (A, D, S) voor elke CED

3. Een vlag: deze wordt aangezet wanneer de CED alle grenswaarden overschrijdt.

2.7 Meer-stadia systeem van Dingle

2.7.1 Achtergrond

Met behulp van een mimetische methode wordt er een eerste grote schifting gedaan [6].De gevonden detecties worden vervolgens nog door een expertsysteem beoordeeld of ze

24

epileptisch zijn of niet. De methode maakt gebruik van spatiale en temporele informatievan het EEG. We concentreren ons echter op het gebruik van temporele informatie in dezemethode.Om epileptische van niet-epileptische informatie te onderscheiden maken de EEG-expertsgebruik van spatiale en temporele contextinformatie. De spatiale context van een golfbevat ondermeer de aanwezigheid van synchrone golven op aaneengrenzende kanalen, deachtergrondactiviteit op alle kanalen, en aanwezige artefacten. De temporele context vaneen golf is de achtergrondactiviteit waarop deze golf plaatsvindt en het voorkomen vanandere verdachte golven met gelijkaardige distributie in het EEG. Een expertsysteem isde ideale manier om deze informatie te representeren.

2.7.2 De methode

Parameterextractie van een golf

Het EEG wordt eerst verdeeld in halfgolven met behulp van een extrema-detectie algo-ritme. Vervolgens worden verscheidene parameters berekend van de golf en zijn halfgolven:

0 20 40 60 80 100 120−20

−15

−10

−5

0

5

10

15Parameters in de methode van Dingle

t

Amplitude

Offset

EEG

Vlottend Gemiddelde

D1 D2D3

Figuur 2.6: Parameters bij de methode van Dingle

1. Duur van een golf : de som van de duur van de twee halfgolven (Fig. 2.6). Deduur van een halfgolf wordt gedefinieerd als de duur van de top tot het punt waarde helling van de halfgolf snel verandert (van richting veranderen of 50% afname vande helling). De helling wordt berekend over drie punten (15 ms).

2. Amplitude van een golf : verschil tussen de top en een vlottend gemiddelde (degemiddelde EEG waarde over 75 ms gecentreerd op de top) (Fig. 2.6). Het verschiltussen het vlottend gemiddelde en de X-as noemt met de offset.

25

3. Scherpte van de top: is de som van de grootte van de tophelling van elk van beidehalfgolven. De tophelling van een halfgolf is gedefinieerd als:

• de top-naar-top helling wanneer de halfgolfduur minder dan 20 ms is,• berekend door middel van een kleinste kwadraten schatting gebaseerd op vier

punten (zonder de top) (Fig. 2.7).

0 2 4 6 8 10 12 14 16 180

2

4

6

8

10

12

14

16

t

Helling van halfgolven

S1 S2

Gedetecteerde top

Figuur 2.7: Helling van halfgolven: S1, S2

Typisch voor epileptische activiteit is dat het duidelijk herkenbaar is ten opzichte vande achtergrond in het EEG. Daarom is het nodig om ook parameters van de achtergrondte berekenen, zodat we de de parameters van de golf kunnen vergelijken met de achter-grondparameters. Dingle [6] berekent 4 achtergrondparameters:

1. De achtergrondamplitude: het gemiddelde verschil tussen het EEG en het vlot-tend gemiddelde. Op deze manier zal trage activiteit niet veel bijdragen tot deachtergrond activiteit.

2. De achtergrondhelling: de gemiddelde grootte van de helling van het EEG tussentwee opeenvolgende punten.

3. De achtergrondduur: de gemiddelde top-naar-top duur van de halfgolven

4. Het achtergrondritme: wordt bepaald door twee parameters nl. de variatiecoefficient(standaard afwijking / gemiddelde) van de duur van de halfgolven en de vari-atiecoefficient van de halfgolfamplitudes.

In het artikel van Dingle et al. [6] worden alle achtergrondparameters berekend over 1 secgecentreerd op de golf die we beschouwen.

26

Vervolgens worden de absolute parameters van de golf vergeleken met de achtergrond-parameters. Daartoe gaan we de relatieve amplitude en relatieve scherpte gaan bepalen.De relatieve amplitude van een golf wordt berekend door de amplitude van de golf te delendoor de achtergrondamplitude. De relatieve scherpte wordt bekomen door de scherpte vande golf te delen door de achtergrondscherpte. De achtergrondduur en het achtergrondritmewordt gebruikt door het tweede stadium, het expertsysteem, om de achtergrondactiviteitte bepalen. Met behulp van statistische analyse worden passende grenswaarden bepaaldvoor deze parameters.

Dingle werkt met een twee-grenswaarden systeem: wanneer een golf de grenswaardenoverschrijdt, dan worden alle golven op alle kanalen in de naburige omgeving van deze golfopnieuw geevalueerd met lagere grenswaarden. Het doel van dit systeem is met behulp vande hogere grenswaarden minstens 1 epileptische spike te detecteren op een kanaal wanneerer een event plaatsheeft. De lagere grenswaarden laten dan toe om de andere, minderduidelijke, spikes op de andere kanalen te detecteren.

Een expertsysteem wordt vervolgens gebruikt om de redenering van een EEG-expert nate bootsen. Hiertoe hebben we de spatiale context van de golven nodig waarin epileptischeactiviteit werd gedetecteerd: bv. activiteit op andere nabijgelegen kanalen. Bijgevolgworden de karakteristieken van de achtergrond zoals amplitude, helling, duur en ritmeopgeslagen bij elke epileptische spike of sharp-wave.

2.7.3 Detectie met behulp van een expertsysteem

Het expertsysteem wordt gebruikt om de kennis en redenering van een EEG-expert teimiteren. Een expert markeert vooral events, en kijkt dus niet specifiek naar de verschil-lende epileptische spikes op elk kanaal. Verder klasseert hij deze events als zijnde focaal(partieel) of non-focaal (gegeneraliseerd). De expert maakt naast amplitude, scherpte etc.gebruik van contextuele informatie om epileptische events van artefacts te kunnen onder-scheiden. Bijgevolg moet dit verband eveneens gebruikt worden in een automatisch detec-tiesysteem. De parameters van de golf worden gecombineerd met de spatiale informatie(locatie van electroden op het hoofd, storingen op een kanaal, aanwezigheid van epileptis-che activiteit of artefacten op andere kanalen) en temporele informatie (aanwezigheid vanabnormale activiteit tijdens het EEG).

Een expertsysteem past regels toe op feiten en data, waaruit nieuwe feiten wordenafgeleid. Op deze manier komen we dan tot conclusies. Het expertsysteem in deze meer-stage methode bevat feiten over de locatie van de electroden en de kanaalafgeleiden voorelke montage. De eerste taak van het expertsysteem is het elimineren van artefacten alsgevolg van spiersamentrekkingen, oogknipperingen en positieverandering van de electro-den. Een aantal regels in het expertsysteem elimineren deze artefacten:

1. Een groep spikes ontstaan doordat spieractiviteit wordt gedetecteerd wanneer deachtergrondactiviteit op elk kanaal een hoge frequentie ( ≥ 25Hz) en hoge amplitude(achtergrondamplitude ≥ 12.6µV ) heeft. Alle golven binnen een bereik van 200 msdie aan bovenstaande karakteristieken voldoen worden verwijderd.

2. Een oogknipperartefact wordt gedetecteerd wanneer het vlottend gemiddelde ( ≥80µV ) duidelijk zakt op ten minste twee frontale kanalen. Opnieuw worden allegolven binnen de 200 ms op de frontale kanalen met deze karakteristieken als artefactaanzien.

27

3. Beweging van een electrode wordt gedetecteerd wanneer de offset van het vlottendgemiddelde de grens van 50µV voor meer dan 400 ms overschijdt en er een maximumoffset van minstens 100µV bereikt wordt. Alle golven binnen 200 ms die aan dezevoorwaarden voldoen worden aanzien als artefact.

Wanneer golven deel blijken uit te maken van de achtergrondactiviteit worden ze eveneensverwijderd.

Een volgende taak van het expertsysteem is het onderscheid maken tussen focale enniet-focale events. Meer details zijn te vinden in Dingle et al. [6] p. 1264 - 1265. Aangeziendit gebruik maakt van spatiale informatie gaan we hier niet verder op in.

2.8 Twee Stadia methode

2.8.1 Achtergrond

Zoals de naam van de methode [7] al zegt bestaat het uit twee stadia. Het eerste elimineertal zoveel mogelijk data, het tweede gebruikt een regelgebaseerd systeem zoals Gotman omde overblijvende data nog verder uit te dunnen.

2.8.2 Stadium 1: de lineaire voorspeller

Het eerste stadium van deze methode is gebaseerd op een lineaire voorspeller van hetEEG, die voorgaande waarden van het EEG gebruikt om een waarde te voorspellen vanhet actuele EEG. Wanneer we het verschil nemen van het EEG en het voorspelde signaalverkrijgen we de voorspellingsfout (zie figuur 2.8). Doordat spikes onverwachte amplitude-wijzigingen veroorzaakt in het EEG, zijn ze onvoorspelbaar voor onze lineaire voorspeller.Bijgevolg is de voorspellingsfout bij het optreden van een spike groot. De voorspeller diegebruikt wordt om het EEG-signaal te beschrijven is een zogenaamd lineaire autoregressiefproces en is alsvolgt gedefinieerd:

y(t) =L∑

i=1

aiy(t − i) + σ(t), (2.4)

waarbij y(t) de signaalamplitude op een gegeven moment t voorstelt, L de orde van hetpredictiemodel , ai (i=1, . . . , L) de coefficienten van het model en σ(t) witte ruis metgemiddelde nul. Een model met orde 15 werd voorgesteld door [11]. We kunnen demodelcoefficienten van het model eenvoudigweg met de computer gaan berekenen via devergelijkingen van Yule Walker. Omdat de eigenschappen van een EEG-signalen metde tijd veranderen, worden ook de modelcoefficienten aangepast om de 4 seconden. Omeen positieve en vloeiende functie te krijgen werd de voorspellingsfout gekwadrateerd enuitgemiddeld over enkele datapunten. Vervolgens werd deze bewerkte voorspellingsfoutvergeleken met de gekwadrateerde en uitgemiddelde voorspellingsfout van een groter aan-tal naburige punten van het EEG. Wanneer deze verhouding een bepaalde grenswaardeovertreedt dan zeggen we dat er een spike gedetecteerd werd. De grenswaarde gebruiktdoor Dumpelmann [7] is 5.0.

28

0 200 400 600 800 1000 1200 1400 1600 1800 2000−100

−50

0

50

100

150EEG−fragment

0 200 400 600 800 1000 1200 1400 1600 1800 2000−100

−50

0

50

100

150Voorspelde EEG−fragment

0 200 400 600 800 1000 1200 1400 1600 1800 20000

5

10

15Voorspellingsfout

A)

B)

C)

Figuur 2.8: (A) EEG fragment van 2000 ms, (B) Voorspelde EEG fragment, (C) Corre-sponderende voorspellingsfout

2.8.3 Stadium 2: detectie

Het tweede deel van deze methode is een regelgebaseerd detectiesysteem analoog aanhet Gotmansysteem. Er wordt dus gebruik gemaakt van de morfologie van een spike.Dumpelmann maakt gebruik van de volgende kenmerken:

1. de duur van het stijgende deel van de spike: < 100ms,

2. de duur van het dalende deel van de spike: < 120ms,

3. (amplitudeverschil tussen het max. en voorgaande min. )/(duur van het stijgende deel) :> 7.5/ms,

4. (amplitudeverschil tussen het max. en volgende min. )/(duur van het dalende deel) :< −5.0/ms,

5. tweede afgeleide aan de top: > −0.3/ms2, en

6. (duur van het dalende deel van de spike)/(duur van het stijgende deel van de spike) :> 1.15

Voor elke spike werden al de bovenstaande waarden bewaard samen met het kanaal en tijd-stip van de top van de spike, zodat ze nog kunnen gebruikt worden voor verder onderzoekvan de data.

29

2.9 Conclusie

Als eerste zijn de voorgaande methoden slechts een selecte greep uit het aantal gepub-liceerde detectiemethoden in de literatuur. Er blijken enorm veel varianten en combi-naties van dezelfde methode te bestaan, elk met zijn specifieke combinatie van parametersen bijhorende limietwaarden.

Ten tweede blijkt uit de literatuurstudie dat de temporele gegevens van een golf vooralgebruikt worden om de data te reduceren. De complexe methoden bestaan meestal uitmeerdere stadia, waarvan de beginstadia’s steeds tot intentie hebben om de data zoveelmogelijk te reduceren zonder verlies aan significante informatie. Enkel oudere methodenzoals Gotman [8] gebruiken enkel temporele informatie voor het detecteren van epileptischeinformatie. We verwachten dan ook geen uitstekende resultaten wanneer deze methodengeımplementeerd zijn, tenzij voor het Twee Stadia systeem waar men een totaal anderemanier gebruikt om de data te reduceren nl. met behulp van een lineaire voorspeller.

30

Hoofdstuk 3

Implementatie

3.1 Implementatieschema

Alle programma’s werden geschreven in Matlab 6.5 Release 13. De data die ik tot mijnbeschikking heb zijn twee stukken EEG van 20 min van twee verschillende patienten 449en 350. Deze zijn door neurologen gecontroleerd en de tijdstippen van events die doorde neurologen zijn gedetecteerd zijn eveneens ter beschikking. Vervolgens wordt een de-tectiemethode geımplementeerd zoals de Gotman methode. De detectiemethodes hiergeımplementeerd zijn temporele methodes, dit wil zeggen dat we slechts 1 kanaal tegelijkbeschouwen. De methode maakt dus alleen gebruik van de kenmerken van een golf en nietvan verbanden met andere kanalen. Wanneer we de detectiemethode toepassen op eenkanaal, dan geeft de methode een aantal detectietijdstippen terug. Het ideaal is dat dezeidentiek zouden zijn met de events gedetecteerd door de neurologen. Met behulp van eenprogramma (calcss) gaan we de tijdstippen gemarkeerd door de expert vergelijken met detijdstippen gemarkeerd door ons detectiesysteem. Het programma geeft de sensitiviteiten specificiteit van de methode terug (zie paragraaf 2.2.1). Elke detectiemethode heeftmeerdere parameters/drempelwaarden die kunnen varieren. We laten de drempelwaardenvarieren en voor elke combinatie berekenen we de sensitiviteit en specificiteit om de bestecombinatie van drempelwaarden te vinden. Deze kan uitgezet worden in een ROC-curvewaarop we dan kunnen aflezen wat de best mogelijke prestatie van dit detectiesysteem is,en welke drempelwaarden daarvoor gebruikt moeten worden. Dit wordt toegepast voorelke geımplementeerde detectiemethode (zie ook figuur 3.1).

3.2 Energie van een EEG

Als eerste implementatie gaan we kijken of de energie van een EEG eventueel gebruiktkan worden ter detectie van epileptische hersenactiviteit. Het wordt in geen enkele me-thode beschreven in hoofdstuk 2, maar het kan misschien gebruikt worden om de data tereduceren. De energie van een signaal wordt gedefinieerd als:

E =∫ +∞

−∞|x(t)|2 dt (3.1)

E =+∞∑−∞

|x[t]|2 (3.2)

31

Detectie Algoritme

afh. van parameter

x

Detectie-

tijdstippen

Vergelijk

EEG

events

Temporeel

1 kanaal

Sensitiviteit

Specificiteit

Gotman

Twee Stadia Systeem

Wavelets

...

x varieert ROC-curves

Figuur 3.1: Implementatieschema.

waarbij x(t) een EEG-kanaal voorstelt in functie van de tijd. We werken met een eindigaantal discrete gegevens, dus moeten we de tweede definitie gebruiken en aanpassen. Inde gemaakte implementatie maken we gebruik van een venster van 50 datapunten dat weover het EEG laten glijden in stappen van 5 datapunten. In elk venster bereken we deenergie over de 50 datapunten. De energie wordt opgeslagen in een matrix, die we dankunnen vergelijken met het originele signaal. Twee varianten werden geprogrammeerd:een programma dat de energie van alle kanalen apart berekend en een progamma dat eengemiddelde maakt van de energie op de 27 kanalen.

3.3 Gotman-implementatie

Bij de implementatie van de methode beschreven in paragraaf 2.4 kwamen er verscheideneproblemen aan het licht, vooral te wijten aan de onduidelijkheid van het artikel. Omgebruik te kunnen maken van de tabel en grafiek die de verbanden van de verschillendegrenswaarden van de parameters weergeeft, moeten we de parameters ook op exact dezelfdemanier berekenen als in het artikel. Het artikel [8] omschrijft bepaalde parameters heelvaag, en sommige termen worden niet eens gedefineerd. De opgedoken problemen zijn:

1. de definitie van scherpte: eerst wordt scherpte gedefinieerd als de tweede afgeleidevan het signaal (enkel berekend voor de top van de golf). Vervolgens vermeldt deauteur dat de scherpte berekend wordt gebruik makende van 15 ms voor en na detop. Dit zou er dan op wijzen dat er gebruik gemaakt wordt van de helling van deeerste en tweede halfgolf.

2. derde halfgolf: wanneer we dezelfde definitie zouden gebruiken als voor de eerste ende tweede halfgolf, dan zou de derde halfgolf de sequentie of segment moeten zijn

32

die volgt op de tweede halfgolf. Wanneer deze tweede halfgolf echter een segment isdan kan het zijn dat het volgende segment nog deel uitmaakt van eenzelfde sequentieals het voorgaande segment. Bijgevolg zou de tweede en derde halfgolf deel kunnenuitmaken van dezelfde sequentie.

De enige die hierover uitsluitsel kunnen geven zijn de auteurs van het artikel Gotmanet Al. [8]. Na contact opgenomen te hebben via email verkreeg ik het volgende antwoordop bovenstaande problemen van Dr. Gotman:

1. De afgeleide van het signaal werd benaderd als het verschil van de signalen.

2. De term ‘halfgolf’ is gedefinieerd in de methode. Wanneer we zoeken naar een spikeonderzoeken we de karakteristieken van drie opeenvolgende halfgolven om uit temaken of het een spike kan zijn.

Er is bijgevolg nog geen oplossing voor het tweede probleem.

3.4 James-implementatie

De methode van James [10] bestaat uit drie stadia, waarvan enkel het eerste stadiumonderzocht wordt in het kader van deze thesis. Het eerste stadium is gebaseerd op pa-rameters die uit het EEG worden berekend. Vervolgens zal men de berekende parametersvergelijken met vooropgestelde grenswaarden. Op deze wijze kan men heel wat data uiteen EEG elimineren. Een uitgebreidere weergave van deze methode vindt u in paragraaf2.6.

Bij de implementatie wordt er gebruik gemaakt van twee programma’s: james.m endetectionJames.m. We werken in de implementatie slechts met 1 kanaal, maar dit is inprincipe eenvoudig herhaalbaar voor de andere kanalen van het EEG. Het programmajames.m vertrekt van het originele EEG en verdeelt het EEG in segmenten. Vervolgensworden er een aantal parameters van de golven berekend: de duur van de eerste halfgolf,de duur van de tweede halfgolf, de amplitude van de golf en de scherpte van de golf. Demethode geeft dan een matrix terug met zes rijen: twee rijen met de positie en de waardevan de segmenten, en vier rijen met de hierboven beschreven berekende parameters.

Het programma detectionJames.m zal de matrix, teruggegeven door het programmajames.m, doorlopen en de verschillende parameters toetsen aan vooropgestelde drempel-waarden (zie ook 2.6.2). Wanneer alle parameters van een golf voldoen aan de voorwaardendan wordt de positie van de golf in een matrix bijgehouden. Wanneer alle data doorlopenzijn wordt een 1xn matrix teruggeven, waarbij n het aantal golven voorstelt die voldoenaan de drempelwaarden.

3.5 Dingle-implementatie

De methode van Dingle (zie ook 2.7) bestaat net als de methode van James uit meerderestadia. Het eerste stadium maakt gebruik van berekende parameters van golven en bij-horende drempelwaarden om de data te reduceren. Vervolgens wordt een expertsysteemgebruikt om de uiteindelijke detectie te verwezenlijken op basis van de resterende data.

In deze thesis onderzoeken we enkel de temporele informatie van een EEG. Bijgevolgwerd enkel het eerste stadium geimplementeerd. Ook in deze methode werken we met 1

33

kanaal van het EEG. Dezelfde methode kan dan tevens voor de andere kanalen gebruiktworden. De programmeerstructuur is analoog als bij de James-methode. Het programmadingle.m verwerkt het originele EEG. Het EEG wordt eerst in segmenten verdeeld envervolgens worden bepaalde parameters van de golven berekend. Het resultaat wordt inde vorm van een matrix weergegeven die bestaat uit 6 rijen:

• Rij 1: positie in het originele EEG

• Rij 2: waarde in het originele EEG

• Rij 3: duur van de eerste halfgolf

• Rij 4: duur van de tweede halfgolf

• Rij 5: amplitude

• Rij 6: scherpte van de top

Merk op dat we dezelfde parameters berekenen als in de methode van James. Deamplitude en scherpte van een golf worden op identieke wijze berekend. De duur van eenhalfgolf is bij de methode van James gewoon de duur tussen de twee extrema van eenhalfgolf, terwijl de duur bij de methode van Dingle iets ingewikkelder is (zie definitie in2.7.2).

Het tweede programma detectionDingle.m verwerkt de teruggeven matrix, en zal deparameters vergelijken met bepaalde grenswaarden. Er zijn geen vaste grenswaarden ver-meld in het artikel zodat we zelf de grenswaarden laten varieren om te bepalen welke hetbest zijn.

3.6 Twee Stadia-implementatie

Deze methode heeft twee stadia die gebruik maken van de temporele informatie van hetEEG. Beide stadia werden dan ook geımplementeerd.

In het eerste stadium wordt gebruik gemaakt van een voorwaartse lineaire voorspeller(zie ook 2.8.2):

y(t) =15∑i=1

aiy(t − i) + σ(t), (3.3)

De lineaire voorspeller berekent de verwachtte amplitude op basis van een aantal reedsgekende amplitudes. De modelcoefficienten ai worden berekend met de zogenaamde ver-gelijkingen van Yule Walker. We hoeven echter niet dieper in te gaan op de implementatiehiervan, want de ‘Signal Processing Toolbox’ van MATLAB voorziet reeds een procedureom de modelcoefficienten van een lineaire voorspeller met behulp van Yule Walker op telossen. De procedure ‘lpc’ heeft de volgende syntax:

a = lpc(x, p), (3.4)

waarbij p de orde is van het model (15 in ons geval) en x de matrix is met de waardenvan de reeds gekende amplituden in kolommen. Lpc geeft een modelcoefficient terug voorelke kolom in de rijen van matrix x. Wat met een gewone programmeertaal heel wat lijneningewikkelde code zou vergen wordt door middel van Mathlab in een enkele lijn geklaard.

34

Het tweede stadium werd niet geımplementeerd zoals in het originele artikel [7] werdbeschreven. Het artikel bevat te weinig detailinformatie om gebruik te kunnen maken vande limietwaarden. Er is namelijk geen informatie beschikbaar over wat we beschouwen alseen golf (waar begint en eindigt de golf?) en hoe we de amplitude berekenen. Aangeziende reeds geımplementeerde methode van Dingle analoog is aan het tweede stadium inde methode, gebruiken we deze methode als tweede stadium. Het omvat echter mindercriteria dan het originele stadium, dus de efficientie wordt iets lager verwacht. Om hetmogelijk te maken om meerdere methoden te testen als tweede stadium, werd er gebruikgemaakt van de doorsnede tussen de resultaten van het eerste stadium en het tweedestadium. Dit brengt echter enkele problemen met zich mee, die verder in de thesis zullenbesproken worden (zie paragraaf 4.6).

35

Hoofdstuk 4

Resultaten

4.1 Energie van een EEG

4.1.1 Energie van 1 kanaal

Met behulp van het programma Energie1 werd een energiematrix berekend die de energiebevat van het EEG. We kunnen dan de kanalen van het EEG vergelijken met hun re-spectievelijke energie. Een stuk EEG van 1000 samples gecentreerd rond een spike, werdsamen met de bijhorende energie geplot. In figuur 4.1 zien we een stuk EEG uit kanaalF8-T8 gecentreerd rond een spike op tijdstip 2.5. Het is duidelijk dat de energie hoger ligtwanneer er een spike optreedt. Bijgevolg kunnen we de energie al zeker gebruiken om dedata te reduceren. In figuur 4.2 hebben we opnieuw een stuk EEG met centraal een spikeop positie 2.5. We merken tevens op dat bij het begin van ons fragment EEG er een groteuitwijking in amplitude is in het EEG. Dit is een artefact dat eveneens een grote energieblijkt te hebben. Wanneer we de drempelwaarde voor detectie hoog leggen, zoals in figuur4.2 gebeurd is, markeren we deze golf als mogelijk epileptisch en is het mogelijk dat echtespikes gemist worden omdat de drempelwaarde te hoog ligt.

Vergelijken we nu figuur 4.1 en figuur 4.2 onderling, dan zien we dat we twee verschil-lende grenswaarden gebruikt hebben. Het is eenvoudig in te zien dat er enig statistischonderzoek nodig is om de ideale grenswaarde te bepalen waaraan alle spikes minstens vol-doen. Doordat er spikes met iets lagere energie zijn kunnen we de drempelwaarde nietecht hoog leggen, zodat vele artefacten ook zullen gedetecteerd worden.

In figuur 4.3 zijn de ROC-curves van de energie-detectiemethode getest op de 20 ver-schillende kanalen in EEG 449 geplot. We laten de drempelwaarde varieren en berekenenvoor elke drempelwaarde de overeenkomende sensitiviteit en specificiteit (zie paragraaf2.2.1). We zetten deze uit voor elk kanaal en verkrijgen zo de overeenkomstige ROC-curves. We bemerken dat de hoogste waarden bereikt worden in de kanalen F8-T8, T8-P8en T10-TP10. Dit zijn de kanalen waarin de spikes het duidelijkst te herkennen zijn.

De conclusie is dat we met behulp van energie geen noemenswaardig onderscheid kun-nen maken tussen artefacten en epileptische golven in de meeste kanalen. In een drietalkanalen bereiken we wel een vrij goede selectie maar nog niet genoeg om van een goed de-tectiealgoritme te kunnen spreken. Het kan wel gebruikt worden om de data te reducerenmits een goede keuze van de drempelwaarde. In combinatie met een andere methode kandit wel een uitstekend resultaat opleveren.

36

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

1

58 uV

F8−

T8

EEG kanaal F8−T8 met spike op positie 2.5

0 20 40 60 80 100 120 140 160 1800

2

4

6

8x 10

4 Energie

drempelwaarde

Figuur 4.1: Vergelijking EEG (boven) met energie (onder) bij een spike op tijdstip 2.5

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

1

103 uV

F8−

T8

EEG kanaal F8−T8 met spike op positie 2.5

0 20 40 60 80 100 120 140 160 1800

2

4

6

8x 10

4 Energie

drempelwaarde

Figuur 4.2: Artefact met hoge energiewaarde, uiterst links.

4.1.2 Gemiddelde energie van alle kanalen

Ook de gemiddelde energie van de kanalen werd uitgerekend voor patient 449, en opnieuwlaten we de grenswaarde varieren in 500 stappen van 1 tot de maximumwaarde die optreedtbij de energie. De ROC-curve die zo verkregen wordt is weergegeven in fig.4.4. Het isduidelijk dat deze methode nooit een specificiteit van 0.5 haalt. Bijgevolg lijkt het weinignuttig om de gemiddelde energie van de kanalen te berekenen.

37

0 0.5 10

0.5

1 FP1−F3

0 0.5 10

0.5

1 F3−C3

0 0.5 10

0.5

1 C3−P3

0 0.5 10

0.5

1 P3−O1

0 0.5 10

0.5

1 FP2−F4

0 0.5 10

0.5

1 F4−C4

0 0.5 10

0.5

1 C4−P4

0 0.5 10

0.5

1 P4−O2

0 0.5 10

0.5

1 FP1−F7

0 0.5 10

0.5

1 F7−T7

0 0.5 10

0.5

1 T7−P7

0 0.5 10

0.5

1 P7−O1

0 0.5 10

0.5

1 FP2−F8

0 0.5 10

0.5

1 F8−T8

0 0.5 10

0.5

1 T8−P8

0 0.5 10

0.5

1 P8−O2

0 0.5 10

0.5

1 FT9−T9

0 0.5 10

0.5

1 T9−TP9

0 0.5 10

0.5

1 FT10−T10

0 0.5 10

0.5

1 T10−TP10

Figuur 4.3: ROC-curves van de energiegebaseerde detecties van 20 EEG-kanalen in EEG449

4.2 Segmenten en Sequenties

Het is de bedoeling om na te gaan of we spikes kunnen detecteren met behulp van despecifieke kenmerken van een golf zoals amplitude, scherpte en duur. Vooraleer we dezekenmerken kunnen berekenen moeten we eerst vastleggen wat een golf is. Een EEG-kanaalheeft echter geen (zacht) golvende vorm zoals bijvoorbeeld een sinus-grafiek, maar heefteen grillig verloop met heel veel grote en kleine pieken. De kleinere piekjes zijn meestalstoringen die optreden tijdens een langere golf. Er is bijgevolg behoefte aan een methodeom een EEG-kanaal zodanig te verdelen dat we duidelijk de golven kunnen onderscheiden:kleinere amplitudes op de grote tragere golven moeten weggewerkt worden. De methodedie hiervoor gebruikt wordt is het verdelen in segmenten en sequenties. Fig. 4.5 illustreertdit. De bovenste figuur is het originele EEG-kanaal. Dit kanaal wordt dan onderverdeeldin sequenties (middelste figuur). Met behulp van een spline-benadering (onderste curve)kunnen we de onderliggende trage golven weergeven: de kleinere piekjes zijn nu weg en degrotere tragere golven blijven over. De regels voor het vormen van segmenten en sequentieszijn uitgelegd in het artikel van Gotman [8] (zie ook paragraaf 2.4.2).

Het verdelen in segmenten is eenvoudig: de opeenvolgende minima en maxima worden

38

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

sensitiviteit

spec

ifici

teit

Figuur 4.4: ROC-curve van de detectiemethode gebaseerd op de gemiddelde energie vanalle kanalen voor EEG van patient 449

gedetecteerd en opgeslagen. De uitgevoerde testen maakten duidelijk dat het programmaVerdeelSegment(kanaal) perfect werkt.

Vervolgens moeten de segmenten in het programma verdeelSequenties(segmenten) gecom-bineerd worden tot sequenties, die dan uiteindelijk het beginpunt, toppunt en eindpuntvan de golf moeten voorstellen. Twee versies van verdeelSequenties zijn geımplementeerd:verdeelSequenties(segmenten) en verdeelSequenties2(segmenten). Beiden implementerende definities gegeven in paragraaf 2.4.2 met het enige verschil dat verdeelSequenties heelwat eenvoudiger en sneller is dan de tweede versie doordat we de voorwaarde dat de re-latieve amplitude groter of gelijk aan 2 moet zijn hebben weglaten. De berekening van derelatieve amplitude vergt teveel tijd en na testen bleek dat de segmenten bijna niet werdengecombineerd tot sequenties zodat we hier geen voordeel uit halen.

0 10 20 30 40 50 60 70 80 90 100−40

−20

0

20

40

0 10 20 30 40 50 60 70 80 90 100−40

−20

0

20

40

0 10 20 30 40 50 60 70 80 90 100−40

−20

0

20

40

t

t

t

A)

B)

C)

Figuur 4.5: Een EEG-kanaal (A) onderverdeeld in sequenties (B). Een spline-benaderingvan de sequenties wordt weergegeven in (C).

39

Tabel 4.1 geeft weer in welke mate we de EEG data reduceren door sequenties tevormen. Gemiddeld blijft slechts 12 % van de originele EEG-data over na het verdelen insequenties.

# datapunten # datapunten # datapuntenin EEG in segmenten in sequenties

100 28 8500 136 661000 283 1292000 559 2435000 1404 61010000 2836 125020000 5721 254750000 14681 6475100000 29018 12793

Tabel 4.1: Reduceren van data na combineren tot segmenten en sequenties.

In het verdere testwerk zal er steeds gebruik gemaakt worden van bovenstaande matlab-programma’s.

4.3 Invloed van de parameters van golven op detectie

Om te weten welke parameters de meeste invloed hebben bij de detectie van epileptischespikes kunnen we een detectie op basis van 1 parameter gaan verrichten. De belangrijkstekenmerken van golven zijn: de amplitude, de duur en de scherpte.

4.3.1 Kanaalselectie

Een EEG bevat verschillende kanalen die allemaal kunnen getest worden met de methodesuit de komende paragrafen. De programma’s zijn echter niet in staat om in ware tijd tewerken, wat wil zeggen dat we onmogelijk de data kunnen verwerken tegen de snelheidwaarmee ze gecreeerd worden. Afhankelijk van de kracht van de computer kunnen sommigedetectiemethodes uren tot zelfs dagen duren voor een stuk EEG van amper 20 minuten.Bijgevolg is het onpraktisch om de testen op elk kanaal van een EEG te gaan uitvoeren.Met behulp van een programma PlotDingleData, dat een optie bevat om het EEG tetonen op de plaatsen waar er zich een spike voordoet, hebben we bepaald in welke kanalende spikes het duidelijkst herkenbaar zijn. Bij beide patienten 449 en 350 betrof het dekanalen Fp2-F8, F8-T8 en T8-P8. We gaan onze methode daarom vooral op deze kanalenuittesten en tevens op een kanaal waar de spikes (visueel) minder duidelijk zijn (nl. kanaalP4-O2).

4.3.2 De amplitude

Eerst onderzoeken we de invloed van de amplitude van een golf op de detectie. Een typischkenmerk van een spike is dat het een onverwachtte piek is in een EEG. Het is dus een

40

uitschieter in amplitude ten opzichte van de omliggende amplitudes. Dit betekent dus datwe geen gebruik kunnen maken van de absolute amplitude (de waarden in het EEG). Wan-neer we gebruik willen maken van de amplitude moeten we een parameter berekenen voorelke golf die weergeeft in welke mate de amplitude ‘past’ in de omgeving. We hebben duseen verhouding nodig tussen de absolute amplitude en een maat van de achtergrondam-plitude. In de literatuur wordt steeds gebruik gemaakt van een vlottend gemiddelde overeen bepaald aantal milliseconden om de achtergrondamplitude te berekenen. Het aantalmilliseconden/datasamples varieert in de verschillende artikels: van 75 msec (15 samples)in de methode van Dingle [6] tot 5 seconden (1000 samples) in de methode van Gotman[8]. Verder kan het berekend worden over een venster gelegen rond de top waarvan we deachtergrondamplitude willen bepalen, ofwel op basis van voorafgaande data.

Een eerste test was de invloed van het gebruik van segmenten of sequenties op dedetectie. In fig. 4.6 zien we links de detectie op basis van de relatieve amplitude metbehulp van segmenten en rechts de detectie met behulp van sequenties. Het gebruiktekanaal bij deze test is P4-O2 van het EEG van patient 449. Het verschil tussen beidegrafieken is niet merkbaar. Dit betekent dat we er goed aan doen om met behulp vansequenties te werken, zodat we minder data moeten verwerken (zie ook tabel 4.1). In debesproken tests wordt dus steeds gebruik gemaakt van sequenties tenzij anders vermeld.

0 0.2 0.4 0.6 0.8 10

0.2

0.4

0.6

0.8

1

sens

spec

m.b.v. segmenten

0 0.2 0.4 0.6 0.8 10

0.2

0.4

0.6

0.8

1

sens

spec

m.b.v. sequenties

Figuur 4.6: Detectie op basis van relatieve amplitude met behulp van segmenten (links)en sequenties (rechts).

Vervolgens hebben we de verschillende definities van de amplitude uitgetest voorstukken EEG van twee patienten. De relatieve amplitude in de drie methodes wordtberekend zoals in respectievelijk formule 4.1, 4.2 en 4.3. Methode 1 wordt gedefinieerd inhet artikel van Dingle [6]. De andere twee methoden zijn variaties. De index i stelt hettijdstip in het EEG voor, terwijl x[i] de waarde is van het EEGkanaal op tijdstip i.

relatieve amplitude1(i) = absolute amplitude(i) − 115

i+7∑t=i−7

x[t], (4.1)

41

0 0.2 0.4 0.6 0.8 10

0.5

1 Amplitude Methode 1

0 0.2 0.4 0.6 0.8 10

0.5

1 Amplitude Methode 2

0 0.2 0.4 0.6 0.8 10

0.5

1 Amplitude Methode 3

0 0.2 0.4 0.6 0.8 10

0.5

1 Amplitude Methode 1

0 0.2 0.4 0.6 0.8 10

0.5

1 Amplitude Methode 2

0 0.2 0.4 0.6 0.8 10

0.5

1 Amplitude Methode 3

Patiënt 449 Patiënt 350

Figuur 4.7: Detectie van epilepsie op basis van de amplitude van de golven. De amplitudewerd op drie verschillende manieren berekend voor twee patienten.

relatieve amplitude2(i) = absolute amplitude(i) − 11001

i+500∑t=i−500

x[t], (4.2)

relatieve amplitude3(i) = absolute amplitude(i) − 11001

i∑t=i−1000

x[t], (4.3)

Het resultaat hiervan wordt weergegeven in Fig. 4.7. De linkerkolom geeft de resultatenvan het EEG van patient 449, de rechterkolom de resultaten van patient 350. We hebbeneen stukje EEG-kanaal van 50000 samples genomen voor deze testen. Het gebruikte stukjeEEG van patient 449 bevat 31 spikes, dat van patient 350 bevat er slechts 6.

Het is duidelijk te merken dat methode 2 en 3 bijna exact dezelfde ROC-curve weergevenbij beide patienten. Volgens deze testresultaten maakt het dus weinig verschil of we 1000samples gecentreerd rond onze top of 1000 samples voorafgaand aan de top gebruiken omde achtergrondamplitude te berekenen. Dit is te verklaren doordat het EEG kanaal in hetalgemeen gezien een zelfde patroon zal vertonen. Aangezien we met een groot aantal da-tapunten werken is de kans groot dat we ongeveer hetzelfde patroon zien wanneer de tweebereiken (i-500 tot i+500 en i-1000 tot i) mekaar grotendeels overlappen. Bij een detectieis het de bedoeling om zoveel mogelijk data te elimineren zodat we minder data moetencontroleren op epileptische activiteit. Dit betekent dat een sensitiviteit van 1 ideaal zouzijn (er gaan geen spikes verloren) in combinatie met een zo hoog mogelijke specificiteit.In tabel 4.2 is de maximale specificiteit en de corresponderende drempelwaarde voor deamplitude uitgezet die we kunnen bereiken wanneer de sensitiviteit 1 is.

De 3 methodes geven alle drie analoge resultaten. In de eerste drie methodes bereken

42

Methode Specificiteit Limiet Amplitude1 0.13 14.32 0.13 18.83 0.13 18.8

Tabel 4.2: Maximum specificiteit bij de verschillende amplitude-implementaties wanneerde sensitiviteit 1 is.

we de amplitude als een verschil van een absolute amplitude en een vlottend gemiddelde.Een andere mogelijke methode is de verhouding te nemen van de absolute amplitude en deachtergrondamplitude zoals gebeurt in de Gotman-methode (zie 2.4). Methode zes (4.6)is een methode analoog aan degene die gebruikt wordt door Gotman [8]. Gotman gebruiktenkel de amplituden van de sequenties en maakt dus geen gebruik meer van de origineledata voor het berekenen van de achtergrondamplitude. We hebben opnieuw drie variantengetest:

relatieve amplitude4(i) =absolute amplitude(i)∑i+7

t=i−7waardeEEG(i)

15

, (4.4)

relatieve amplitude5(i) =absolute amplitude(i)∑i+500

t=i−500waardeEEG(i)

1001

, (4.5)

relatieve amplitude6(i) =absolute amplitude(i)∑i

t=i−1000waardeEEG(i)

1001

, (4.6)

De resultaten van deze methoden worden getoond in figuur 4.8. Wat duidelijk op-valt is dat deze methoden beduidend minder goede resultaten opleveren voor patient 350dan de eerste drie methodes. Voor onze andere patient verkrijgen we ongeveer dezelfdecurves als bij de eerste drie methoden. Enkele grafieken zijn niet compleet doordat demaximumwaarde van de amplitude in de tests niet hoog genoeg lag voor die specifieke me-thode. Bij hogere amplituden zou de curve compleet getekend worden. Bij een sensitiviteitvan 1 bereiken we eveneens een specificiteit van 0.13 voor de drie methoden.

4.3.3 De scherpte

De scherpte van de top wordt in de meeste artikels omschreven als de belangrijkste pa-rameter van een golf voor het detecteren van epileptische activiteit in EEG’s. De scherptewordt in bijna alle methoden berekend als de tweede afgeleide van het signaal aan de top.Een andere mogelijkheid is om effectief de hoek te berekenen tussen de twee rechten diede hellingen aanduiden zoals in figuur 4.9. Deze methode wordt echter zelden gebruikten vergt ook meer rekenkracht. De differentie-operator zit standaard in Matlab waardoordeze heel efficient en snel is. Bijgevolg is enkel de eerste methode geımplementeerd.

De tests werden uitgevoerd op een stuk EEG van patienten 449 en 350. De resulterendeROC-curves worden weergegeven in figuur 4.10. Bij patient 449 zien we dezelfde curveterugkomen als bij de amplitudetesten (paragraaf 4.3.2): vrij lage specificiteit bij alle waar-den van de sensitiviteit en een piekje bij lage sensitiviteit. De maximum specificiteit diewe kunnen behalen bij een sensitiviteit van 1 is 0.13 bij een drempelwaarde van 54.87 voor

43

0 0.2 0.4 0.6 0.8 10

0.5

1Amplitude Methode1b

0 0.2 0.4 0.6 0.8 10

0.5

1Amplitude Methode 2b

0 0.2 0.4 0.6 0.8 10

0.5

1Amplitude Methode 3b

0 0.2 0.4 0.6 0.8 10

0.5

1Amplitude Methode 1b

0 0.2 0.4 0.6 0.8 10

0.5

1Amplitude Methode 2b

0 0.2 0.4 0.6 0.8 10

0.5

1Amplitude Methode 3b

Patiënt 449 Patiënt 350

Figuur 4.8: Detectie van epilepsie op basis van amplitude van de golven. De ampli-tude werd op drie verschillende manieren (Formules 4.4, 4.5 en 4.6) berekend voor tweepatienten.

0 2 4 6 8 10 12 14 16 180

2

4

6

8

10

12

14

16S1 S2

A

Figuur 4.9: De scherpte van de top van een golf.

de scherpte. Bij patient 350 zien we echter een totaal andere curve. Bij een sensitiviteitvan 0.33 gaat de specificiteit naar 1. Bij hoge sensitiviteit verkrijgen we een heel lagewaarde van de specificiteit: met een drempelwaarde van 69.98 voor de scherpte krijgen we

44

0 0.2 0.4 0.6 0.8 10

0.2

0.4

0.6

0.8

1

sens

spec

0 0.2 0.4 0.6 0.8 10

0.2

0.4

0.6

0.8

1

sens

spec

Patiënt 449 Patiënt 350

Figuur 4.10: Spikedetectie met behulp van de scherpte van golven bij patient 449 (links)en 350 (rechts).

een specificiteit van 0.05 bij een sensitiviteit van 1. Dit is de maximum specificiteit die wekunnen bereiken met een maximum sensitiviteit.

Dingle [6] gebruikt nog een andere definitie voor de scherpte: er worden twee rechtenberekend die de helling van respectievelijk de eerste en tweede halfgolf voorstellen. De somvan de richtingscoefficienten van deze rechten is een maat voor de scherpte van de top. Ookdeze definitie werd geımplementeerd en de ROC-curves van de testen zijn weergegeven infiguur 4.11. We zien ongeveer dezelfde curves als in figuur 4.10, waaruit we kunnen con-cluderen dat beide definities dezelfde impact hebben op detectie van epileptische activiteit.De maximale specificiteit die bereikt wordt bij sensitiviteit 1 is 0.13 bij een drempelwaardevan 2.73 voor de scherpte bij patient 449 en 0.05 bij een drempelwaarde van 2.62 bij patient350. Deze maat voor de scherpte is dus iets beter dan de eerste definitie (4.3.3).

0 0.2 0.4 0.6 0.8 10

0.2

0.4

0.6

0.8

1

0 0.2 0.4 0.6 0.8 10

0.2

0.4

0.6

0.8

1

Figuur 4.11: Spikedetectie met behulp van de scherpte van golven bij patient 449 (links)en 350 (rechts) zoals gedefineerd in de methode van Dingle.

45

4.3.4 De duur

De duur van een golf is de meest eenvoudig te berekenen parameter wanneer we de een-voudigste definitie gebruiken, nl. het verschil tussen het einde en het begin van de golf.Vaak wordt er naast de volledige duur van de golven ook gebruik gemaakt van de duurvan de eerste en tweede halfgolf. Dit werd geımplementeerd en getest op een stuk EEGvan 50000 datapunten (250 seconden) van patienten 449 en 350.

De resultaten zijn weergegeven in figuur 4.12. Het is duidelijk dat de ROC-curvesvoor patient 350 bedroevend laag zijn. Aangezien er weinig spikes zitten in het gebruiktestuk EEG, moeten we ze al bijna allemaal detecteren om goede resultaten te bekomen.Bij patient 449 zien we echter totaal andere curves. Bij detectie met behulp van de duurvan de halfgolven krijgen we geen hoge waarden voor de specificiteit. Ze blijft wel vrijconstant net onder de 0.20. Bij detectie met de volledige duur van een golf zien we bij lagesensitiviteit wel een specificiteit die naar 1 gaat. De maximum-specificiteit en de bijhorendedrempelwaarde voor de duur wanneer de sensitiviteit 1 is, worden weergegeven in tabel4.3. We verkrijgen analoge resultaten als in de tests voor scherpte en amplitude (Tabel4.2). De identieke resultaten voor de eerste en tweede halfgolf zijn geen verrassingen. Doorde specifieke aard van het detectiemechanisme, nl. het feit dat de tweede halfgolf steeds deeerste halfgolf vormt voor de volgende golf, is het logisch dat we dezelfde detecties krijgen.

0 0.2 0.4 0.6 0.8 10

0.5

1Totale Duur (patiënt 449)

0 0.2 0.4 0.6 0.8 10

0.5

1Duur Eerste Halfgolf

0 0.2 0.4 0.6 0.8 10

0.5

1Duur Tweede Halfgolf

0 0.2 0.4 0.6 0.8 10

0.5

1Totale Duur (patiënt 350)

0 0.2 0.4 0.6 0.8 10

0.5

1Duur Eerste Halfgolf

0 0.2 0.4 0.6 0.8 10

0.5

1Duur Tweede Halfgolf

Figuur 4.12: Spikedetectie met behulp van de duur van golven en halfgolven bij patient449 (links) en 350 (rechts).

Een opvallende ontbrekende bij de voorgaande definities is wellicht de pseudoduur,gedefinieerd in paragraaf 2.4. De pseudoduur werd eveneens geımplementeerd maar er iseen onverwachts probleem opgedoken. Figuur 4.13 geeft het probleem weer. De golf diewe hier beschouwen begint op tijdstip 3 en eindigt op tijdstip 14. De top ligt op tijdstip

46

Patient 449 Patient 350Totale Duur Spec. 0.13 0.03

lim. 10.992 16.992Duur 1e Halfgolf Spec. 0.13 0.04

lim. 6.9955 13Duur 2e Halfgolf Spec. 0.13 0.04

lim. 0.9955 13

Tabel 4.3: Maximum specificiteit bij de duurtesten bij een sensitiviteit van 1.

9. We zien een tweede top op t = 12 die iets lager ligt dan de top van de golf. Bijgevolggaat het segment en sequentie algoritme deze top verwijderen: de sequentie loopt dan vant = 9 tot t = 14. D1 is de pseudoduur van de eerste halfgolf. Wanneer we nu echter dedefinitie van de pseudoduur bij de tweede halfgolf toepassen duikt het probleem op. Hetmidden van de sequentie blijkt op de tweede top te liggen, zodat de rechte door de top ende waarde in het midden van de sequentie zo goed als evenwijdig loopt met de tijdas. Depseudoduur gaat dus naar oneindig. Mogelijke oplossingen zijn dan het invoeren van degewone duur (zie eerste paragraaf) op plaatsen waar de pseudoduur naar oneindig gaat,ofwel het snijpunt kiezen met het vlottend gemiddelde in plaats van met de originele curve.De originele definitie van de pseudoduur levert problemen, waardoor de pseudoduur werdafgevoerd in verdere testen.

0 2 4 6 8 10 12 14 16 180

2

4

6

8

10

12

14

16

t

D1

Figuur 4.13: Probleem bij het berekenen van de pseudoduur van een golf.

4.4 Datareductie in methode van James

Wanneer we datareductie willen bekomen met behulp van de morfologische eigenschappenvan de golven moeten we de drempelwaarden laag genoeg leggen opdat de sensitiviteit1 of heel dicht tegen 1 is. Dit betekent dat er zo weinig mogelijk spikes en sharp wavesworden gemist. Met een sensitiviteit van 1 hebben we enkel overbodige data weggesmeten

47

en de resterende data bevat nog alle epileptische activiteit. Voor het EEG van patient 449verkrijgen we een sensitiviteit van 1 en een specificiteit van 0.12 wanneer we de methodetoepassen op kanaal F8-T8. Dit is het kanaal waarop de epileptische hersenactiviteit hetduidelijkst te herkennen is. Analoog verkrijgen we voor patient 350 een sensitiviteit van0.61 en een specificiteit van 0.28, eveneens met de methode op kanaal F8-T8 toegepast.Dit laatste resultaat toont aan dat deze datareductie nog zeker niet ideaal is. Bij bepaaldedata zoals het EEG van patient 350 wordt er teveel epileptische activiteit weggesmeten.

4.5 Methode van Dingle

De methode van Dingle (zie paragraaf 2.7) heeft meerdere stadia, enkel het eerste stadiumis echter gebaseerd op temporele informatie van het EEG. Het is bedoeld om de data tereduceren en bestaat uit een opeenvolging van verschillende parameters die aan bepaaldegrenswaarden moeten voldoen. De berekende parameters zijn de duur, de amplitude ende scherpte van een golf. De implementatie van dit stadium werd bespreken in paragraaf3.5.

Als eerste test (programma detectionDingle) werden de berekende parameters onder-worpen aan de grenswaarden uit de methode van James (zie 2.6.2). We verkregen eensensitiviteit van 0.93 en een specificiteit van 0.14. Voor data-reductie is dit dus aanvaard-baar, wat ook het doel is van dit eerste stadium.

Een tweede test (programma detectionDingle2) was het gebruiken van de parameter-waarden bekomen bij het individueel testen van de verschillende parameters (zie paragraaf4.3). Door gebruik te maken van deze waarden kunnen we de sensitiviteit op 1 houdenen proberen om een zo hoog mogelijke specificiteit te verkrijgen. De verwachting is datbepaalde golven geelimineerd worden op basis van 1 parameter. Sommige golven zullenbijvoorbeeld niet voldoen aan de drempelwaarde voor de duur en wel voor alle anderedrempelwaarden, terwijl andere golven aan alle drempelwaarden voldoen behalve de am-plitudedrempel. Zo verkrijgen we dus een grotere specificiteit. De testresultaten vallenechter opnieuw tegen. We verkregen een maximale specificiteit van 0.13 bij een sensitiviteitvan 1 voor patient 449.

In een laatste test (programma detectionDingle3) varieren we de verschillende drem-pelwaarden en berekenen we voor elke combinatie van parameters de sensitiviteit en speci-ficiteit. De amplitude varieert tussen de waarden 13 en 15 (stap 0.5), de scherpte varieerttussen 2 en 3 (stap 0.1), de duur van de eerste halfgolf varieert van 20 tot 30 (stap 0.2)terwijl de duur van de tweede halfgolf varieert tussen de waarden 20 en 40 (stap 0.2).Aangezien er nu 4 verschillende parameters varieren en een ROC-curve bepaald wordtdoor 1 varierende parameter, zouden we honderden ROC-curves bekomen wat niet echtoverzichtelijk is. Aangezien we gewoon willen weten welke waarden van sensitiviteit enspecificiteit bereikt worden hebben we genoeg aan het weergeven van de punten (sen-sitiviteit,specificiteit) met kruisjes. De resultaten van deze test worden weergegeven infiguur 4.14. We merken opnieuw op dat de waarden voor de specificiteit heel laag liggen.De maximale specificiteit bij een sensitiviteit is 0.15 met drempelwaarden 14 voor de am-plitude, 2.7 voor de scherpte en 20 voor de duur van de twee halfgolven. De specificiteitligt dus iets hoger dan bij de andere tests, maar is nog zeker niet bijzonder.

48

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

sens

spec

Figuur 4.14: Sensitiviteit en specificiteit bij de Dingle-methode wanneer de verschillendeparameters varieren.

4.6 Twee Stadia methode

Het eerste stadium van deze methode betreft een lineaire voorspeller. Door het verschil teberekenen van een kanaal van het EEG met zijn voorspelde waarde krijgen we een voor-spellingsfout (zie ook fig. 2.8). Op plaatsen waar de curve onverwachtse pieken vertoont zalde lineaire voorspeller andere waarden voorspeld hebben, waardoor de voorspellingsfoutgroot is.

Om de efficientie van het eerste stadium te bepalen laten we een drempelwaarde voorde voorspellingsfout varieren. We hebben dit getest voor 4 verschillende kanalen uit hetEEG van patient 449: P4-O2, Fp2-F8, F8-T8 en T8-P8. De laatste drie kanalen zijnde kanalen waarop de epileptische activiteit het duidelijkst visueel te zien is. Het eerstekanaal is een willekeurig ander kanaal waarop de spikes minder goed te zien zijn. Wezien vooral bij kanaal T8-P8 een mooie curve. Hieruit blijkt dat de resultaten van dezemethode enorm varieert naargelang het gekozen kanaal. Slechts 1 kanaal van de 20 in eenEEG geeft ons een gewenste curve. In fig. 4.16 werd het volledige kanaal F8-T8 gebruiktvoor het eerste stadium. Het resultaat is uitstekend.

Vervolgens werd er getest met een tweede stadium: de methode van Dingle (zie ookparagraaf 2.7) werd gebruikt als tweede stadium. In figuur 4.17 zien we de ROC-curves vanhet eerste stadium en de twee stadia methode naast mekaar. De tests werden uitgevoerdop kanaal T8-P8 van het EEG van patient 449. Merk op dat we nooit een sensitiviteitvan 1 bereiken. Dit is een gevolg van de specifieke implementatie van de methode. Ertreedt namelijk een randverschijnsel op aan het einde van het kanaal waardoor er eenaantal datapunten geen voorspelde waarden krijgen in het eerste stadium. Wanneer er indit stuk epileptische activiteit optreedt zal deze nooit gedetecteerd worden waardoor desensitiviteit nooit 1 zal halen. We zien dat de rechtse curve iets hoger ligt dan de linkse(vrij duidelijk te zien bij hoge waarden van de sensitiviteit). Dus het tweede stadiumbrengt een lichte verbetering van detectie met zich mee.

49

0 0.5 10

0.2

0.4

0.6

0.8

1Kanaal P4−02

0 0.5 10

0.2

0.4

0.6

0.8

1Kanaal Fp2−F8

0 0.5 10

0.2

0.4

0.6

0.8

1Kanaal F8−T8

0 0.5 10

0.2

0.4

0.6

0.8

1Kanaal T8−P8

Figuur 4.15: De ROC-curves voor kanalen P4-O2, Fp2-F8, F8-T8 en T8-P8 na het eerstestadium.

Tenslotte hebben we ook de parametertesten (paragrafen 4.3.2, 4.3.3 en 4.3.4)als tweedestadium gebruikt. Dit bleek echter niet te werken doordat we een doorsnede (intersect)nemen van de beide stadia. Wanneer een van beide methodes de detecties een paar mil-liseconden vroeger maakt dan de andere methode, dan zal de doorsnede van de resultatenzo goed als leeg zijn. Bijgevolg moet er een nieuw programma worden ontworpen dat metvenstertjes rond de detectietijdstippen werkt en controleert of de detectietijdstippen vande andere methode in die vensters liggen.

50

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

sens

spec

Figuur 4.16: De ROC-curve voor kanaal F8-T8 na het eerste stadium.

0 0.2 0.4 0.6 0.8 10

0.2

0.4

0.6

0.8

1

sens

spec

0 0.2 0.4 0.6 0.8 10

0.2

0.4

0.6

0.8

1

sens

spec

Figuur 4.17: ROC-curve van het eerste stadium op kanaal T8-P8 van het EEG van patient449 (links) en ROC-curve van de Twee Stadia methode op hetzelfde kanaal (rechts)

51

Hoofdstuk 5

Besluit

Het doel van deze thesis was een studie maken over de toepasbaarheid van detectiemetho-den in het tijdsdomein voor detectie van epileptische activiteit met behulp van het EEG.De invloed van de verschillende parameters van een golf op een detectiemethode werdengetest. Reeds gekende detectiemethoden werden geimplementeerd in MATLAB, getest enonderling vergeleken.

Er blijken al veel wetenschappelijke artikels gepubliceerd te zijn over detectie vanepilepsie. Oudere methoden maken meestal enkel gebruik van temporele informatie vangolven om epileptische spikes te detecteren. De recenter gepubliceerde detectiemethodenbestaan steeds uit meerdere stadia waarvan meestal 1 stadium gebaseerd is op temporeleinformatie. Er worden heel wat verschillende definities gegeven voor de drie belangrijksteparameters van een golf, nl. de amplitude, de duur en de scherpte. Bijna alle methodenzijn gebaseerd op het gebruiken van drempelwaarden voor deze drie en andere specifiekeparameters (zoals bijvoorbeeld de duur van een halfgolf, bepaalde verhoudingen van pa-rameters, etc. ).

De uitgevoerde tests toonden aan dat de verschillende definities voor de parametersvan een golf gelijkwaardig zijn aan elkaar. De verschillende parameters bleken weiniginvloed te hebben op de detectie, zelfs indien ze gecombineerd werden gebruikt. Tweemethoden zijn wel heel beloftevol gebleken, nl. de energie van een kanaal en vooral delineaire voorspeller. De detectie is echter enorm afhankelijk van de kanaalkeuze in hetEEG. Slechts 1 of 2 kanalen geven uitstekende resultaten terug. Methodes om het bestekanaal te selecteren, of om de kanalen te combineren bestaan reeds zodat niet steeds allekanalen moeten worden gebruikt bij detectie. Een groot nadeel aan al deze methoden isde rekenintensiviteit. Het verwerken van 20 min EEG kan uren duren.

Er is nog veel onderzoek mogelijk op dit gebied. Een combinatie van energie en linairevoorspeller met spatiale detectiemethoden (methoden die gebruik maken van alle kanalen)zou wel eens fraaie resultaten kunnen opleveren. De zoektocht naar detectiemethoden dieniet te rekenintensief zijn, zodat op termijn reele tijdsdetectie mogelijk is, is nog steedsopen.

52

Bibliography

[1] Epilepsy.com. http://www.epilepsy.com is een betrouwbare website, een verenigdinitiatief van verschillende universiteiten om de epilepsiepatient in te lichten overzijn/haar ziekte.

[2] M.A. Black and R.D. Jones. Sensitivity and selectivity for continues perception values– a comment. Electroencephalography and Clinical Neurophysiology, 106:457–459,1998.

[3] M.A. Black, R.D. Jones, G.J. Caroll, A.A. Dingle, I.M. Donaldson, and P.J. Parkin.Real-time detection of epileptiform activity in the eeg: A blinded clinical trial. ClinicalElectroencephalography, 31(3):122–130, 2000.

[4] D.E. Blum. Computer-based electroencephalography: technical basics, basis for newapplications and potential pitfalls. Electroencephalography and Clinical Neurophysi-ology, 106:118–126, 1998.

[5] G.E. Chatrian, L. Bergamini, M. Dondey, D.W. Klass, M. Lennox-Buchtal, and I. Pe-tersen. A glossary of terms most commonly used by clinical electroencephalographers.Electroencephalography and Clinical Neurophysiology, 37:538–548, 1974.

[6] A.A. Dingle, R.D. Jones, G.J. Caroll, and W.R. Fright. A multistage system to detectepileptiform activity in the eeg. In IEEE Transactions on Biomedical Engineering,volume 40, pages 1260–1286, december 1993.

[7] M. Dumpelmann and C.E. Elger. Visual and automatic investigation of epileptiformspikes in intracranial eeg recordings. Epilepsia, 40(3):275–285, 1999.

[8] J. Gotman and P. Gloor. Automatic recognition and quantification of interictal epilep-tic activity in the human scalp eeg. Electroencephalography and Clinical Neurophysi-ology, 41:513–529, 1976.

[9] J. Gotman, J.R. Ives, and P. Gloor. Automatic recognition of interictal epileptic activ-ity in prolonged eeg recordings. Electroencephalography and Clinical Neurophysiology,46:510–520, 1979.

[10] J.J. James, R.D. Jones, R.D. Bones, and G.J. Caroll. Detection of epileptiformdischarges in the eeg by a hybrid system comprising mimetic, self-organised artificialneural network, and fuzzy logic stages. Clinical Neurophysiology, 110:2049–2063, 1999.

[11] F. Lopes da Silva, A. Dijk, and H. Smits. Detection of nonstationarities in eegsusing the autoregressive model: an application to the eegs of epileptics. CEAN:Computerized EEG analysis, pages 180–199, 1975.

53

[12] T. Pietila, S. Vapaakoski, U. Nousiainen, A. Varri, H. Frey, V. Hakkinen, andY. Neuvo. Evaluation of a computerized system for recognition of epileptic activityduring long-term eeg recording. Electroencephalography and Clinical Neurophysiology,90:438–443, 1994.

[13] F. Sartoretto and M. Ermani. Automatic dectection of epileptiform activity by single-level wavelet analysis. Clinical Neurophysiology, 110:239–249, 1999.

[14] Gert Van Hoey. Detectie en bronlokalisatie van epileptische hersenactiviteit met behulpvan EEG-signalen. PhD thesis, University of Ghent, 2000.

[15] W.R.S. Webber, B. Litt, R.P. Lesser, R.S. Fisher, and I. Bankman. Automatic eegspike detection: what should the computer imitate? Electroencephalography andClinical Neurophysiology, 87:364–373, 1993.

[16] S.B. Wilson and R. Emerson. Spike detection: A review and comparison of algorithms.Clinical Neurophysiology, 113:1873–1881, 2002.

[17] S.B. Wilson, R.N. Harner, F.H. Duffy, B.R. Tharp, M.R. Nuwer, and M.R. Sperling.Spike detection.i. correlation and reliability of human experts. Electroencephalographyand Clinical Neurophysiology, 98:186–198, 1996.

54