Automatic detection of epileptic spikes in the EEG utilizing clustering methods

Abstract

Epilepsie ist eine chronische Hirnfunktionsstörung, die sich durch wiederkehrende Anfälle auszeichnet und damit die Lebensqualität der Patienten massiv beeinträchtigt. Die Krankheit ist mit einer Prävalenz von ungefähr 1% der Weltbevölkerung die häufigste neurologische Erkrankung. Zur Diagnose von Epilepsie wird das Elektroenzephalogramm (EEG) visuell vom medizinischen Personal untersucht um sogenannte epileptische Spikes - interiktale pathologische Muster - zu finden, die je nach Typ der Krankheit eine charakteristische Ausprägung haben. Die gefundenen Spikes werden zusammen mit anderen klinisch relevanten Parametern verwendet um den epileptischen Anfallsherd im Gehirn zu lokalisieren.<br />In dieser Diplomarbeit wird eine neue Methode präsentiert mit der man automatisch epileptische Spikes im EEG zuverlässig erkennen kann. Die Methode verbindet die Vorteile von patienten-adaptiven Ansätzen mit den Vorteilen von Mehr-Kanal-Ansätzen, die die räumliche Ausbreitung der Spikes ausnutzen. Die hier vorgeschlagene Methode besteht aus drei Stufen: 1) kanalweise Erkennung von eindeutigen Spikes mit vordefinierten Kriterien, die unabhängig vom Patienten sind, 2) Gruppierung der detektierten Spikes, und 3) Erkennung der Spikes unter Berücksichtigung aller Kanäle mithilfe eines statistischen Hypothesentests. Im ersten Detektionsschritt werden die Spitzen anhand von Merkmalen erkannt, die die Morphologie der Spikes beschreiben, z. B. Steilheit und Ausprägung der Spitze. Die Merkmale werden vordefinierten aufeinanderfolgenden Zeitintervallen entnommen, die auf die typischen Phasen der Spikes zugeschnitten sind. Im Anschluss werden die Spikes durch hierarchische Clustermethoden anhand morphologischer Merkmale und ihres Ursprungs, der mithilfe von Quellenlokalisation geschätzt wird, gruppiert. Die gefundenen Gruppen werden dann dem Benutzer präsentiert, der die Möglichkeit hat, Gruppen die eindeutig Artefakte repräsentieren abzuwählen. Im letzten Schritt wird eine auf einem statistischen Hypothesentest basierende Erkennungsmethode verwendet, die Vorwissen nutzt, das aus den verbliebenen Gruppen bezogen wird.<br />Die vorgeschlagene Methode wurde mit den EEGs von drei PatientInnen getestet, die in einer Epilepsy Monitoring Unit untersucht wurden. Die Spikes wurden von erfahrenen EEG-Experten annotiert. Die experimentellen Resultate haben die Vorteile des mehrstufigen Ansatzes bestätigt.<br />Verwendet man ausschließlich die initiale Detektionstufe (Stufe 1), dann ergibt sich eine Sensitivität (Richtig-Positiv-Rate) von 47% mit einer Fehlalarmrate von 20 Falsch-Positiven pro Stunde für den ersten Patienten. Mit der dreistufigen Erkennungsmethode erhält man eine Sensitivität von 67% bei einer gleichbleibenden Fehlalarmrate. Eine weitere wichtige Kenngröße für diese Anwendung ist die Präzision, der Anteil der Richtig-Positiven an den gesamten Detektionen. Diese Kenngröße ist besonders aussagekräftig wenn man die erkannten Spikes für eine Fokuslokalisation verwenden möchte, die möglichst nur mit echten Spitzen durchgeführt werden sollte. In den Experimenten erreicht die Präzision der initialen Stufe einen Wert von 86%. Mit der letzten Erkennungsstufe steigt sie um 4% auf insgesamt 90% und damit enthalten die Detektionen fast ausschließlich echte Spikes. Die Experimente mit den anderen zwei Patienten ergaben ähnliche Werte für Sensitivität und Fehlalarmrate. Die Präzision war bei beiden niedriger als für den ersten Patienten.<br />

Epilepsy is a chronic dysfunction of the brain characterized by recurrent seizures heavily affecting the quality of patient's life. With a prevalence of approximately 1% among world's population it is one of the most common neurological disorders. As a part of the current clinical standard procedure during the diagnosis of epilepsy the electroencephalogram (EEG) is visually examined by medical experts in order to find so called epileptic spikes - an interictal pathological pattern characterizing the type of the disease. These spikes are then used together with other clinical relevant parameters to localize the epileptic focus.<br />In this thesis, a novel method is proposed that automatically detects typical epileptic spikes in the EEG. The method combines the advantages of patient-adaptive approaches with the advantages of multi-channel approaches exploiting the spatial distribution of spikes. The proposed method consists of three steps: 1) channel wise detection of clear spikes with rather generic pre-defined conditions independent of the particular patient, 2) clustering of the detected spikes, and 3) multi-channel detection by utilizing statistical hypothesis testing.<br />In the first detection step the spikes are detected based on features describing the morphology of the spike, e. g. the slope and the sharpness. The features are derived from pre-defined subsequent time-intervals corresponding to phases of the spike. Next, hierarchical clustering methods are applied to the morphological spike features and to the results of state of the art source localization techniques. The obtained clusters are then presented to a user who is able to de-select artifact clusters containing clear false positive detections. In the last step the final spike detection is performed via statistical hypothesis testing with prior knowledge obtained from the previously found clusters which were not de-selected by the user.<br />The proposed method was applied to the EEG recorded from three patients in an epilepsy monitoring unit. The spikes were annotated by experienced EEG experts. The experimental results confirm the advantages of the multi-step spike detection method. Using only the initial spike detection (step 1) a sensitivity (true positive rate) of 47% with a false detection rate of 20 false detections per hour for the first patient was obtained. With the proposed 3-step spike detection method an overall sensitivity of 67% was yielded while keeping same false detection rate. Another important performance measure for this application is given by the precision, the portion of true positives in the detections. This measure is particular useful for the case of source localization which should be done with true spikes only.<br />In the experiments the precision with the initial spike detection was 86%. With the final spike detector it increased by 4%, i. e. an overall precision of 90% was obtained, meaning that almost all detections were true positives. The experiments with the other two patients resulted in similar sensitivity values for almost same false alarm rates, whereas the precision was below the value for the first patient.<br />