A comparison framework for optimizing seizure prediction from reduced scalp EEG channels based on spectral features and DNN meta-learning

Abstract

Epileptogenesis and unprovoked recurrent seizure are the main obstacles posed in the study of epilepsy. Recent studies are focusing on non-invasive methods for the prediction of seizure onset. Limitations of most seizure prediction methods include a need for a reduced and personalized scalp electrode selection, a model algorithm capable of training with small data samples, and more flexible computational resources. To tackle these limitations, this study presents a patient-specific reduced scalp channel selection for seizure prediction based on model-agnostic meta-learning (MAML). MAML is used to optimize a deep neural network (DNN) trained on a reduced and personalized set of electrodes. The implemented MAML prediction model learns patterns in the preictal and ictal states from each selected group of subject-dependent electrodes. Sequential feature selection (SFS) and empirical ensemble mode decomposition (EEMD) are used to select and extract feature vectors from the most significant electrodes. The EEMD extracted all intrinsic mode oscillatory functions (IMFs) in the segmented frame in the preictal and interictal states. Sixteen IMFs per channel were obtained, and Relief filtered the IMFs with the most significant features to fit the prediction model at different horizon times. The power spectral density in the preictal region exhibits higher values than in the interictal transition, confirming the presence of signature patterns of the preictal stage. These distinctive values in the IMF oscillations were consistent across all horizon times, resulting in a small number of gradient updates for an optimized model. The experiment results yield an average sensitivity and specificity of 91% and 90%, respectively. The False Positive Rate per hour (FPR/h) over three-horizon times was measured as 0.26. This work demonstrates that the proposed non-invasive method represents a compelling alternative to reducing the number of channels in the scalp EEG with a horizon time from 5 minutes to 1 hour.

La epileptogénesis y las convulsiones recurrentes no provocadas son los principales obstáculos que se plantean en el estudio de la epilepsia. Estudios recientes se centran en métodos no invasivos para la predicción de las convulsiones. Las limitaciones de la mayoría de los métodos de predicción de convulsiones incluyen la necesidad de una selección de electrodos para el cuero cabelludo reducida y personalizada, un algoritmo modelo capaz de entrenar con pequeñas muestras de datos y recursos computacionales más flexibles. Para hacer frente a estas limitaciones, este estudio presenta una selección de canal de cuero cabelludo reducida específica del paciente para la predicción de convulsiones basada en el meta-aprendizaje agnóstico del modelo (MAML, del inglés model-agnostic meta-learning). MAML se utiliza para optimizar una red neuronal profunda (DNN) entrenada en un conjunto reducido y personalizado de electrodos. El modelo de predicción MAML implementado aprende patrones en los estados preictal e ictal de cada grupo seleccionado de electrodos dependientes del sujeto. La selección de características secuenciales (SFS) y la descomposición de modo de conjunto empírico (EEMD) se utilizan para seleccionar y extraer vectores de características de los electrodos más importantes. El EEMD extrajo todas las funciones oscilatorias de modo intrínseco (IMFs) en el marco segmentado en los estados preictal e interictal. Se obtuvieron dieciséis IMFs por canal y Relief filtró los IMFs con las características más significativas para ajustar el modelo de predicción en diferentes tiempos de horizonte. La densidad espectral de potencia en la región preictal exhibe valores más altos que en la transición interictal, lo que confirma la presencia de patrones característicos de la etapa preictal. Estos valores distintivos en las oscilaciones de las IMFs fueron consistentes en todos los tiempos del horizonte, lo que resultó en una pequeña cantidad de actualizaciones de gradiente para un modelo optimizado. Los resultados del experimento arrojan una sensibilidad y especificidad promedio de 91% y 90%, respectivamente. La Tasa de falsos positivos por hora (FPR/h) en tiempos de tres horizontes se midió como 0,26. Este trabajo demuestra que el método no invasivo propuesto representa una alternativa convincente para reducir el número de canales en el EEG del cuero cabelludo con un horizonte de predicción de 5 minutos a 1 hora.