Spectral power ratios in epileptic seizure prediction

Abstract

1% of the world's population is affected by unpredictable epileptic seizures. These affect the quality of life and are related to increased mortality rates. Prediction of these seizures is vastly researched aiming to improve the quality of life of epileptic patients. Most of the prediction models utilize artificial intelligence. To make these models accurate and precise, there is a need for an efficient feature. The efficient feature results in a prediction model that can accurately predict the start of a seizure. Additionally, the feature should be computationally cheap to process. The epilepsy seizure can be seen as an abnormal amount of neural activation. This change in neural activation can be used to retrieve a feature. This thesis evaluates the performance of spectral power ratio as a feature. The researched spectral power ratio is formed between different frequency sub-bands. Through electroencephalography data of multiple patients, this thesis aims to represent an efficient feature for these future prediction models. The feature's performance is evaluated through the classification accuracy of different machine learning models. The spectral power ratio’s performance in classification is a strong indicator of its possible usefulness in prediction models. It was concluded that the usage of spectral power ratios implicates the possibility of an effective, useful, and computationally cheap feature. The best-performing models were achieved using theta band ratio to a higher frequency band as a feature. This feature resulted in some of the patients’ models achieving over 80% classification accuracy. Concluding a definitive result is affected by artifacts and irregularities across the data. In addition, the noticeable differences between patients in the research affect the result. The potential use of spectral power ratio as a feature needs to be further researched to be used in the epilepsy prediction models. The research shows the feature’s effectiveness may be suited to be part of a larger number of used features in the prediction model. However, it did not implicate a definitive result to be used as the sole feature.

Noin 1 % maailman väestöstä kärsii ennustamattomista epileptisistä kohtauksista. Nämä vaikuttavat ihmisen elämänlaatuun ja ovat yhteydessä lisääntyneeseen kuolleisuuteen. Näiden kohtausten ennustamista tutkitaan paljon epilepsiasta kärsivien elämänlaadun parantamiseksi. Monet näistä ennustusmalleista hyödyntää koneoppimista. Jotta nämä mallit olisivat tarkkoja ja luotettavia, tarvitaan tehokas piirre. Piirre on attribuutti, jota hyödynnetään datan klassifikaatiossa. Tehokas piirre luo ennustusmallin, joka voi ennustaa tarkasti kohtauksen alkamisen. Lisäksi piirteen tulee olla laskennallisesti halpa käsitellä. Tässä opinnäytetyössä arvioidaan spektritehosuhteen suorituskykyä piirteenä. Tutkittu spektritehosuhde muodostetaan eri taajuusosakaistojen välille. Tämä opinnäytetyö hyödyntää useiden potilaiden elektroenkefalografiadataa piirteen muodostamiseen. Tavoitteena on esittää tehokas piirre, jota tulevaisuuden ennustusmallit voivat hyödyntää. Piirteen suorituskykyä arvioidaan erilaisten koneoppimismallien klassifikaatiotarkkuuden avulla. Piirteen klassifikaatiotarkkuus on vahva indikaattori sen mahdollisesta käyttökelpoisuudesta tulevaisuuden ennustusmalleissa. Tutkimus osoitti, että spektritehosuhteet ovat mahdollisesti hyödynnettäviä piirteitä ennustusmalleissa. Spektritehosuhde olisi mahdollisesti tehokas, hyödyllinen ja laskennallisesti halpa piirre. Parhaiten suoriutuvat mallit saavutettiin käyttämällä piirteenä theetakaistan suhdetta korkeampiin taajuuskaistoihin. Tätä piirrettä hyödyntämällä osassa potilaiden malleista saavuttiin yli 80 %:n klassifikaatiotarkkuus. Definitiivisen tuloksen saavuttamiseen vaikutti artefaktit ja datan epäsäännöllisyydet. Lisäksi tutkimuksessa havaitaan potilaiden välisten erojen vaikuttavan tulokseen. Spektritehosuhteen mahdollista käyttöä piirteenä on edelleen tutkittava, jotta sitä voidaan hyödyntää epilepsiakohtauksien ennustusmalleissa. Tutkimus osoitti, että piirteen tehokkuus voi osoittautua yhdeksi hyödylliseksi osaksi suurempaa määrää ennustemallien käytettyjä piirteitä. Tutkimus ei kuitenkaan suoraan tukenut spektritehosuhteen käyttöä ainoana piirteenä ennustusmalleissa.