DOI: https://doi.org/10.1038/s41598-024-52551-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38316856
تاريخ النشر: 2024-02-05
المؤلف: Thorir Mar Ingolfsson وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه الورقة البحثية إطارًا جديدًا لاكتشاف النوبات والفنون في أجهزة تخطيط الدماغ الكهربائي القابلة للارتداء، مع معالجة قيود طرق المراقبة التقليدية في إدارة الصرع. حقق خوارزمية اكتشاف النوبات المقترحة، المستندة إلى الأشجار المعززة بالتدرج (XGBoost)، معدلات حساسية متوسطة بلغت 65.27% و57.26% على مجموعة بيانات CHB-MIT ومجموعة بيانات خاصة، على التوالي، مع الحفاظ على معدل إيجابيات كاذبة منخفض أقل من 0.58 FP/h. ومن الجدير بالذكر أن 60% من المرضى لم يعانوا من إيجابيات كاذبة، مما يدل على إمكانية تطبيق الإطار في العالم الحقيقي. أظهر مكون اكتشاف الفنون دقة متقدمة بلغت 93.95% على مجموعة بيانات TUH-EEG Artifact Corpus، وأدى دمج كلا نظامي الاكتشاف إلى تقليل كبير بنسبة 96% في الإنذارات الكاذبة.
تم تحسين الإطار لمنصة الطاقة المنخفضة للغاية المتوازية (PULP)، مما يسمح بمراقبة ممتدة مع عمر بطارية يصل إلى 300 ساعة. تشمل اتجاهات البحث المستقبلية تكييف الأساليب لمختلف الأجهزة القابلة للارتداء، واستكشاف الأساليب المدفوعة بالذكاء الاصطناعي التي تستفيد من الفنون المعلوماتية، ودمج إطار الاكتشاف مع أنماط الإشارات الحيوية الأخرى لتعزيز التخصص وتقليل الإيجابيات الكاذبة. تؤكد الدراسة على أهمية اكتشاف الفنون في مراقبة تخطيط الدماغ الكهربائي القابل للارتداء، مشيرة إلى أن الفنون قد توفر أيضًا رؤى تشخيصية قيمة في تحديد النوبات.
الطرق
في هذا القسم، يوضح المؤلفون منهجيتهم لاكتشاف النوبات وتحليل الفنون باستخدام بيانات تخطيط الدماغ الكهربائي من مجموعتي بيانات CHB-MIT وPEDESITE. بناءً على النتائج السابقة التي أظهرت فعالية تركيب الأقطاب المخفضة ونموذج AdaBoost، يوسع المؤلفون تحليلهم ليشمل جميع تسجيلات تخطيط الدماغ الكهربائي المتاحة من مجموعة بيانات CHB-MIT ويستكشفون أداء الأشجار المعززة بالتدرج، وبالتحديد XGBoost، باستخدام الأقطاب الزمنية فقط. كما يقدمون مجموعة بيانات PEDESITE، التي توفر سيناريو سريري أكثر تمثيلاً لاكتشاف النوبات، مع مراقبة مستمرة للمرضى البالغين المعرضين لخطر النوبات التوترية المعممة.
لتحليل الفنون، يستخدم المؤلفون مجموعة بيانات TUH EEG، وبالتحديد مجموعة TUAR الفرعية، التي تتضمن 310 ملف EEG مشروح. يركزون على تردد عينة ثابت يبلغ 250 هرتز لاستخراج الميزات ويعتبرون ثلاثة أساليب تصنيف: التصنيف الثنائي (BC)، التصنيف متعدد التسميات (MC)، وتصنيف متعدد الفئات-متعدد المخرجات (MMC). يختلف كل نهج في كيفية تصنيف نوافذ الزمن بناءً على وجود الفنون عبر القنوات. يقترح المؤلفون أيضًا إطارًا متكاملًا يجمع بين اكتشاف النوبات والفنون، مع معالجة تحدي نقص مجموعات البيانات الموصوفة لكلا الحالتين من خلال الاستفادة من التحليل الإحصائي والتحقق من نتائجهم على مجموعة بيانات Temple University Event Corpus (TUEV).
النتائج
تظهر نتائج الدراسة تقدمًا كبيرًا في اكتشاف النوبات وتصنيف الفنون باستخدام أنظمة تخطيط الدماغ الكهربائي ذات القنوات المنخفضة. تحقق الطريقة المقترحة معدل إيجابيات كاذبة متفوق (FP/h)، وهو أمر حاسم لقبول المرضى، مع الحفاظ على مستويات حساسية تنافسية. على الرغم من أن المزيد من التحسينات ضرورية لتحقيق الهدف المتمثل في إيجابية كاذبة واحدة في اليوم، إلا أن العديد من الموضوعات لم تعاني من إيجابيات كاذبة، مما يدل على فعالية النهج.
تم تعزيز دقة اكتشاف الفنون بشكل ملحوظ من خلال استخدام تركيب Temporal Central Parasagittal (TCP)، حيث تفوقت الأشجار المعززة بالتدرج على الأشجار الإضافية بنسبة 1.4% في الدقة لنماذج بحجم L1. أدى تحسين المصنفات المعززة بالتدرج لمعالج GAP9، بما في ذلك إدارة الذاكرة وتقنيات التقليم، إلى تحقيق دقة تبلغ 93.3% لأفضل نموذج أداء، مع الحد الأدنى من فقدان الدقة أثناء التقليم العدواني. يعمل الإطار الشامل، الذي يدمج استخراج الميزات، واكتشاف الفنون، واكتشاف النوبات، بكفاءة على منصة GAP9، محققًا أوقات معالجة سريعة واستهلاك طاقة منخفض، مما يتيح وظائف ممتدة لجمع البيانات المستمرة وتصنيفها.
المناقشة
في هذه الدراسة، يحلل المؤلفون اكتشاف النوبات والفنون باستخدام مجموعتين من البيانات: مجموعة بيانات CHB-MIT ومجموعة بيانات PEDESITE الجديدة. تتضمن مجموعة بيانات PEDESITE، التي تم جمعها خلال التقييمات السريرية الروتينية في وحدة مراقبة الصرع، مراقبة شاملة للمرضى باستخدام أقطاب تخطيط الدماغ الكهربائي على فروة الرأس. تلتزم الدراسة بالإرشادات الأخلاقية وتستخدم منهجية شاملة لتحليل البيانات، بما في ذلك استخراج الميزات باستخدام تحويل الموجات المتقطعة (DWT) وتحويل فورييه السريع (FFT). يعتبر DWT فعالًا بشكل خاص في التقاط كل من الميزات الترددية والزمنية، بينما يؤدي الجمع بين DWT وFFT إلى نتائج مثالية لمهام التصنيف.
يطبق المؤلفون نهج تعزيز التدرج، باستخدام خوارزمية XGBoost، لاكتشاف النوبات. يستكشفون تقنيات التحقق من صحة النموذج المختلفة، بما في ذلك التحقق المتقاطع Leave-One-Out (LOOCV) والتحقق المتقاطع Walk-Forward (WFCV)، لتقييم أداء النموذج. تشير النتائج إلى أن حجم نافذة زمنية يبلغ 4 ثوانٍ يحسن الحساسية والتخصص عبر كلا مجموعتي البيانات، محققًا حساسية متوسطة تبلغ 65.27% ومعدل إيجابيات كاذبة أقل من 0.58 في الساعة. علاوة على ذلك، تسلط الدراسة الضوء على أهمية دمج نموذج اكتشاف الفنون لتقليل الإنذارات الكاذبة بشكل كبير عند تصنيف بيانات تخطيط الدماغ الكهربائي، مما يظهر أنه بينما قد يتم تصنيف بعض بيانات النوبات بشكل خاطئ كفنون، تظل الحساسية العامة غير متأثرة إلى حد كبير. تشير النتائج إلى أن الإطار المقترح قابل للتطبيق في التطبيقات الحياتية، لا سيما في سيناريوهات النوم حيث تكون الإيجابيات الكاذبة ضئيلة.
DOI: https://doi.org/10.1038/s41598-024-52551-0
PMID: https://pubmed.ncbi.nlm.nih.gov/38316856
Publication Date: 2024-02-05
Author(s): Thorir Mar Ingolfsson et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research paper presents a novel framework for detecting seizures and artifacts in wearable electroencephalography (EEG) devices, addressing the limitations of traditional monitoring methods in epilepsy management. The proposed seizure detection algorithm, based on Gradient Boosted Trees (XGBoost), achieved average sensitivity rates of 65.27% and 57.26% on the CHB-MIT and a private dataset, respectively, while maintaining a low false positive rate of less than 0.58 FP/h. Notably, 60% of patients experienced no false positives, indicating the framework’s potential for real-world application. The artifact detection component demonstrated a state-of-the-art accuracy of 93.95% on the TUH-EEG Artifact Corpus dataset, and the integration of both detection systems resulted in a significant 96% reduction in false alarms.
The framework is optimized for a Parallel Ultra-Low Power (PULP) platform, allowing for extended monitoring with a battery life of up to 300 hours. Future research directions include adapting the methods for various wearable devices, exploring AI-driven approaches that leverage informative artifacts, and integrating the detection framework with other biosignal modalities to enhance specificity and reduce false positives. The study emphasizes the importance of artifact detection in wearable EEG monitoring, suggesting that artifacts may also provide valuable diagnostic insights into seizure identification.
Methods
In this section, the authors detail their methodology for seizure detection and artifact analysis using EEG data from the CHB-MIT and PEDESITE datasets. Building on previous findings that demonstrated the efficacy of a reduced electrode montage and the AdaBoost model, the authors expand their analysis to include all available EEG recordings from the CHB-MIT dataset and explore the performance of Gradient Boosted Trees, specifically XGBoost, using only temporal electrodes. They also introduce the PEDESITE dataset, which offers a more representative clinical scenario for seizure detection, featuring continuous monitoring of adult patients at risk of generalized tonic-clonic seizures.
For artifact analysis, the authors utilize the TUH EEG Corpus, specifically the TUAR subset, which includes 310 annotated EEG files. They focus on a constant sampling frequency of 250 Hz for feature extraction and consider three classification approaches: Binary Classification (BC), Multilabel Classification (MC), and Multiclass-Multioutput Classification (MMC). Each approach varies in how it labels time windows based on the presence of artifacts across channels. The authors also propose an integrated framework that combines seizure and artifact detection, addressing the challenge of the lack of datasets labeled for both conditions by leveraging statistical analysis and validating their results on the Temple University Event Corpus (TUEV).
Results
The results of the study demonstrate significant advancements in seizure detection and artifact classification using low-channel EEG systems. The proposed method achieves a superior false positive rate (FP/h), crucial for patient acceptance, while maintaining competitive sensitivity levels. Although further refinements are necessary to meet the target of one false positive per day, many subjects experienced no false positives, indicating the effectiveness of the approach.
Artifact detection accuracy was notably enhanced through the use of a Temporal Central Parasagittal (TCP) montage, with Gradient Boosting outperforming Extra Trees by 1.4% in accuracy for L1-sized models. The optimization of Gradient Boosted Classifiers for the GAP9 processor, including memory management and pruning techniques, resulted in a 93.3% accuracy for the best-performing model, with minimal accuracy loss during aggressive pruning. The comprehensive framework, which integrates feature extraction, artifact detection, and seizure detection, operates efficiently on the GAP9 platform, achieving rapid processing times and low power consumption, thereby enabling extended functionality for continuous data acquisition and classification.
Discussion
In this study, the authors analyze seizure and artifact detection using two datasets: the CHB-MIT dataset and the novel PEDESITE dataset. The PEDESITE dataset, collected during routine clinical evaluations in an epilepsy monitoring unit, involves extensive patient monitoring with scalp-EEG electrodes. The study adheres to ethical guidelines and employs a comprehensive methodology for data analysis, including the extraction of features using Discrete Wavelet Transform (DWT) and Fast Fourier Transform (FFT). The DWT is particularly effective in capturing both frequency and temporal features, while the combination of DWT and FFT yields optimal results for classification tasks.
The authors implement a Gradient Boosting approach, specifically using the XGBoost algorithm, for seizure detection. They explore various model validation techniques, including Leave-One-Out Cross-Validation (LOOCV) and Walk-Forward Cross-Validation (WFCV), to assess model performance. The results indicate that a temporal window size of 4 seconds optimizes sensitivity and specificity across both datasets, achieving an average sensitivity of 65.27% and a false positive rate of less than 0.58 per hour. Furthermore, the study highlights the importance of incorporating an artifact detection model to significantly reduce false alarms when classifying EEG data, demonstrating that while some seizure data may be misclassified as artifacts, the overall sensitivity remains largely unaffected. The findings suggest that the proposed framework is feasible for real-life applications, particularly in sleep scenarios where false positives are minimal.