Machine learning and EEG in epilepsy

Amaç: Bu çalışma derin öğrenmenin epilepsi tanılayabilme yetisini incelemektedir. Apatolojik hastaların tanısı uzun süren ve pahalı EEG ile yapılır. Araştırmacılar daha hızlı sonuçlara ulaşmak için be¬yin bağlantısallıkları ağlarına çizge kuramı ölçütlerini uygulamışlardır. Ancak epilepsi tanısı için doğrudan bağlantısallık verileri üzerinden bir derin öğrenme çalışması henüz yapılmamıştır. Yöntem: Evrişimli Sinir Ağı (CNN) algoritması; 30 kontrol ve 30 epilepsi tanılı denekten oluşan grubun 50 sn. interiktal dinlenme-hali yüzey EEG kayıtlarından elde edilen yönlendirilmiş Granger nedensellik (GC) bağlantısallık ölçütlerine uygulanmıştır. Ayrıca, aynı EEG verileri ile bir uzun kısa süreli bellek ağı (LSTM) algoritması eğitilmiştir. Tanı başarımı k-katlı çapraz geçerlilik doğrulaması yaklaşımı ile belirlenmiştir. Bulgular: Bağlantısallık azalmaları en çok frontal bölgelerde delta bandında, artışları ise en çok frontalden posterior bölgeye sol yan gama bandında oluşmuştur. CNN; FP1, F3 ve P3 elektrotlarını kullanarak, delta ve gama bantlarını içeren yönlendirilmiş GC matrisleri üzerinde eğitildiği zaman en yüksek doğruluğa (%82) ulaşmıştır. Özellikle LSTM, aynı elek-trotlar ile en yüksek %70 doğruluğa ulaşmıştır. Diğer elektrot türevleri, farklı normalize edilmiş GC verileri ile sadece belirli doğruluklar sağlamıştır. %90'lık yüksek doğruluk oranına ise en verimli üç veri hazırlama yönteminden ortaya çıkan CNN tahminlerini birleştirerek ulaşılmıştır. Sonuç: CNN, verilerin doğru işlenmesi halinde GC matrislerinden epileptik özellikler bulabilmektedir. Çoklu epileptik özelliklerden faydalanmak için, farklı tahminler hibrid bir sınıflandırıcı ile birleştirilebilir. Öneriler: Bu çalışmada ulaşılan yüksek doğruluk, kullanılan yaklaşımın kliniklerde değerli bir yardımcı olabileceğini göstermektedir.