Titelaufnahme

Titel
Spike detection with Hidden Semi-Markov Event Sequence Models in EEG data / Claudia Igler
VerfasserIgler, Claudia
Begutachter / BegutachterinRattay, Frank
Erschienen2013
Umfang99 S. : graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2013
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Epilepsie / epileptiformes EEG / Statistische Modelle / Hidden-Semi Markov Modell / Spike Detektion / automatisierte Detektion epileptischer Muster / Viterbi-Algorithmus
Schlagwörter (EN)epilepsy / epileptiform EEG / statistical models / Hidden-Semi Markov model / spike detection / automated detection of epileptic patterns / Viterbi-algorithm
URNurn:nbn:at:at-ubtuw:1-46983 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Spike detection with Hidden Semi-Markov Event Sequence Models in EEG data [1.07 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Epilepsie gehört zu den häufigsten neurologischen Krankheiten weltweit und wird verursacht durch exzessives Feuern von Nervenzellen im Gehirn. Die betroffenen Hirnregionen und die daraus resultierenden Erscheinungsformen der Krankheit variieren sehr stark, was sowohl die Diagnose, als auch die Behandlung erheblich erschwert. Das wichtigste Hilfsmittel stellt das Elektroenzephalogramm (EEG) dar, indem es epileptogene Muster sichtbar, welche entweder mit einem bestimmten Typ der Krankheit in Verbindung gebracht werden können oder möglicherweise sogar auf einen spezifischen Ursprungsort, den epileptischen Fokus, hindeuten. Patienten bei denen ein epileptischer Fokus ausgemacht werden kann, stellen möglichen Kandidaten für eine Operation dar, vor allem wenn Medikamente nicht zur Anfallsfreiheit führen oder schwere Nebenwirkungen hervorrufen.

Eine manuelle Durchsicht und Beurteilung von EEG Daten erfordern viel Zeit und Erfahrung, weshalb eine automatische Detektion eine vorteilhafte Alternative darstellen könnte. Im Folgenden wird ein Überblick über das große Angebot an verschiedenen Algorithmen, welche über die Jahre studiert wurden, gegeben. Das EpiScan Modul, das zur online Anfallsdetektion dient, und die mögliche Einführung der Chirplet Transformation in das Modul, werden im Detail beschrieben. Der Hauptteil beschäftigt sich aber mit einem Spikedetektionssystem das auf einem statistischen Modell, dem Hidden Semi-Markov Event Sequence Model (HSMESM), basiert. Der Hauptvorteil dieses Ansatzes besteht in der statistischen Modellierung der Dauer der möglichen Zustände (im Falle von Spikes: Anstieg, Spitze und Abfall). In der Testphase zeigte der Algorithmus bessere Resultate als die jetzige Methode bezüglich der Detektion von unterschiedlichen Spikemorphologien und -weiten. Variation der Dauer des Spikes bis hin zu steilen Wellen konnten erkannt werden ohne dass der ursprüngliche Parametersatz angepasst werden musste oder falsche Alarme ausgelöst wurden. Sogar ungewöhnliche Formen, wie beispielsweise Doppelspitzen, stellten kein Problem für das HSMESM Modell dar. Außerdem wurde die Fähigkeit des HSMESM Ansatzes andere epileptiforme EEG Aktivitäten, wie etwa Polyspikes und Vertexwellen, zu erkennen, ebenfalls getestet und zeigt vielversprechende Ergebnisse. Speziell für Polyspikes wurden aber in manchen Fällen mehr falsche Alarme ausgegeben. Dieses Thema könnte durch Anpassung des Vorverarbeitungsprozesses behoben werden, da das Fenster, das in der Erstellung der Eventsequenz verwendet wird, zu groß ist, um geeignete Events für die Detektion von Polyspikes zu generieren.

Zusammenfassung (Englisch)

Epilepsy is one of the most common neurological disorders world-wide caused by excessive neuronal discharges in the brain. The affected regions of the brain and the resulting manifestations of the disease are very diverse and render diagnosis as well as treatment difficult. The main tool represents the electroencephalography (EEG) by visualizing epileptic patterns that can be either associated with a specific type of epilepsy or even show the area of origin, called epileptic focus. Patients that have a distinct epileptic focus are possible candidates for epilepsy surgery especially if anti-epileptic drugs fail to make them seizure free or result in serious adverse reactions. As manual EEG viewing requires both, a high amount of experience and time, automated detection procedures appear to be provide valuable alternatives in this field. A short summary of the wide range of different algorithmic approaches that have been studied over the years are presented. The EpiScan module for online seizure detection with possible introduction of chirplet transform to the method is discussed in more depth. However, the main part focuses on a spike detection system based on statistical means through Hidden Semi-Markov Event Sequence Models (HSMESM). The main advantage of this approach lies with the statistical modeling of the duration probabilities of the possible states (for spikes: Rise, Peak and Fall). During testing the algorithm provided better results than the current approach regarding detection of different spike morphologies and width.

Variations in duration of the spike up to sharp waves could be recognized without adjustment of the parameter set or triggering of false alarms and even unusual shapes, like double-peaks, did not pose a problem to the HSMESM model. In addition, the ability of the HSMESM approach to detect other epileptiform EEG activities, such as polyspikes and vertex waves, was examined as well and showed promising outcomes.

However, especially for polyspikes more false alarms were elicited in some cases. This issue could be addressed by adaption of the preprocessing as the windows used for building the event sequence are too large to yield appropriate events for polyspike detection.