A Multi-Modal Non-Invasive Deep Learning Framework for Progressive Prediction of Seizures

Technische Samenvatting: Een Multi-Modaal Non-Invasief Deep Learning Framework voor Progressieve Voorspelling van Epileptische Aanvallen

Probleemstelling
Epilepsie treft wereldwijd ongeveer 65 miljoen individuen, waarvan een aanzienlijk deel (30–40%) lijdt aan therapieresistente epilepsie die niet beheerst kan worden via traditionele farmacologische interventies. Hoewel bestaande neuromodulatieapparaten (zoals Responsive Neurostimulation en Vagus Nerve Stimulation) succesvol gebruikmaken van de identificatie van aanvallen om therapeutische stimulatie te triggeren, blijft voorspelling van aanvallen een kritieke, onvervulde behoefte. Voorspellende systemen zouden patiënten in staat kunnen stellen om preventieve acties te ondernemen of apparaten kunnen stimulatiepatronen aanpassen om aanvallen volledig te voorkomen.

Echter, het voorspellen van aanvallen kent twee primaire technische uitdagingen:

1. Data-imbalans: Seizure-events zijn schaars in vergelijking met perioden zonder aanvallen, wat leidt tot vertekende trainingsdatasets.
2. Moeilijkheid van Temporele Classificatie: Het nauwkeurig classificeren van de pre-ictale (pre-seizure) periode lang voor de onset (tot wel één uur van tevoren) is moeilijk. Modellen lijden vaak aan een lage sensitiviteit (vals negatieven) voor vroege pre-ictale vensters en een lage specificiteit (vals positieven) naarmate de aanval nadert. Bovelijk vertrouwen de meeste bestaande deep learning (DL) oplossingen op single-modal data (bijv. intracraniële EEG of oppervlakte-EEG alleen), waardoor het potentieel van multi-modale integratie grotendeels onbenut blijft.

Methodologie
De auteurs stellen een gepersonaliseerd, multi-modaal framework voor dat gebruikmaakt van non-invasieve elektro-encefalogram (EEG) en elektro-cardiogram (ECG) signalen. Het systeem is ontworpen als een Body Area Network (BAN) waarbij wearable nodes lokale inferentie uitvoeren en resultaten verzenden naar een gateway die coördineert met een geïmplanteerde Deep Brain Stimulation (DBS) controller.

• Databron: De studie maakt gebruik van data uit het EPILEPSIAE-project, waarbij specifiek 29 patiënten zijn geselecteerd met beschikbare non-invasieve single-channel ECG en oppervlakte-EEG (10–20 systeem) opnames. De dataset bevat langdurige continue opnames met een gemiddelde van 165 uur per patiënt.
• Labelingsstrategie: Om de progressieve aard van voorspelling aan te pakken, definiëren de auteurs een multi-class classificatieschema. De tijd voorafgaand aan een aanval wordt verdeeld in vier intervallen van 15 minuten (0–15, 15–30, 30–45 en 45–60 minuten vóór de onset). Een vijfde klasse vertegenwoordigt de periode zonder aanval (interictaal) (meer dan 90 minuten voorafgaand). Ictale perioden (tijdens de aanval) worden uitgesloten van training.
• Deep Learning Architectuur:
  • Individuele Modaliteiten: Afzonderlijke 1D Convolutional Neural Networks (CNN's) worden getraind voor zowel EEG- als ECG-data. Elk netwerk bestaat uit vier blokken van Conv1D en Max-pooling lagen, gevolgd door dense lagen met ReLU-activatie en een finale Softmax-laag.
  • Loss Function: Om de class imbalance te mitigeren, worden de modellen getraind met de Focal Loss functie.
  • Combiner Model: De outputs (waarschijnlijkheden) van de individuele EEG- en ECG-modellen worden gevoed aan een Logistische Regressie "combiner" model. Dit model integreert de multi-modale waarschijnlijkheden om de uiteindelijke voorspelling te produceren.
• Systeembeperkingen: De architectuur is geoptimaliseerd voor edge-deployment. De inferentie-runtime op een Xilinx KV260 platform bedraagt gemiddeld 20 ms. Het systeem geeft prioriteit aan lightweight modellen om computationele kosten, geheugengebruik en energieverbruik te verlagen, wat het geschikt maakt voor wearable en implanteerbare apparaten.

Belangrijkste Bijdragen

1. Multi-Modale Integratie: Het artikel demonstreert de synergie van het combineren van non-invasieve EEG- en ECG-signalen, waarbij wordt aangetoond dat de gecombineerde aanpak single-modale modellen overtreft in zowel sensitiviteit als specificiteit.
2. Progressieve Voorspelling: In tegen tegenover de binaire seizure/non-seizure classifiers, implementeert dit framework een multi-class algoritme dat in staat is de countdown naar de onset van een aanval te voorspellen in intervallen van 15 minuten tot wel één uur van tevoren.
3. Edge-Geoptimaliseerd Framework: Het systeem is ontworpen voor real-time verwerking op edge-devices, waarbij gebruik wordt gemaakt van ultrasone communicatie binnen de BAN om de data-transmissie overhead te minimaliseren en de batterijduur te verlengen, terwijl ook de privacyproblemen geassocieerd met cloud-gebaseerde oplossingen worden geadresseerd.
4. Gepersonaliseerde Training: De modellen worden individueel voor elke patiënt getraind om rekening te houden met fysiologische variabiliteit, gebruikmakend van een uitgebreide dataset van 2s 29 patiënten.

Experimentele Resultaten
Het systeem werd geëvalueerd met 5-voudige cross-validatie op de dataset van 29 patiënten. De resultaten, gemiddeld over alle patiënten, geven aan:

• Prestatie-metrieken: Het gecombineerde multi-modale model bereikte 95% sensitiviteit, 98% specificiteit en 97% accuratesse.
• Confusion Matrix Analyse: Het systeem vertoonde sterke prestaties bij het identificeren van perioden zonder aanvallen. Hoewel de accuratesse voor specifieke pre-ictale intervallen varieerde, traden fouten voornamelijk op tussen aangrenzende tijdklassen (bijv. het voorspellen van 30–45 minuten wanneer de werkelijke label 45–60 minuten was), wat suggereert dat het model de algemene trend van de naderende aanval goed oppikt.
• Temporele Trends: De accuratesse verbeterde naarmate de voorspelde tijd de onset van de aanval naderde, wat consistent is met de verwachting dat pre-ictale markers duidelijker worden naarmate de gebeurtenis dichterbij komt.

Betekenis en Claims
De auteurs claimen dat dit framework een robuuste oplossing biedt voor de volgende generatie closed-loop neuromodulatie systemen. Door tijdige, granulaire meldingen te bieden (tot een uur van tevoren), stelt het systeem patiënten in staat om zorgverleners te waarschuwen of gevaarlijke activiteiten te vermijden. Verder breidt de integratie van non-invasieve cardiale signalen de reikwijdte van wearable technologieën uit. Het artikel positioneert dit werk als een stap naar het volledig voorkomen van aanvallen door apparaten toe te staan hun stimulatiepatronen aan te passen op basis van de voorspelde waarschijnlijkheid, waarmee men beweegt van reactieve behandeling naar proactieve interventie. De auteurs merken op dat hoewel ruis door dagelijkse activiteiten een bekende factor is, de huidige studie zich richt op de effectiviteit van het multi-modale DL-framework, waarbij de robuustheid tegen ruis in toekomstig onderzoek zal worden onderzocht.