Ein Algorithmus für die automatisierte Detektion von epileptischen Anfällen in Langzeit-Oberflächen-EEG-Ableitungen für den klinischen Routineeinsatz

Zusammenfassung

Vor Kurzem haben wir einen effizienten und robusten Algorithmus für die „Offline”-Detektion von epileptischen Anfällen in Langzeit-EEG-Oberflächenableitungen entwickelt, der an 19 Patienten getestet wurde [1]. Das Ziel der vorliegenden Studie war die Effizienz der Methode an einem größeren Patientenkollektiv zu evaluieren, wobei keine Vorkenntnisse über die spezifischen Anfälle benötigt werden. Für die Detektion der charakteristischen Veränderungen im Anfallsmuster wurde die Kurzzeit-Fourier-Transformation für die Berechnung der integrierten Power im EEG für zwei Frequenzbänder (3–12 Hz, 12–18 Hz) verwendet. Diese Größe wurde für drei verschiedene, standardisierte Multi-Kanal Anfallsmontagen (gegen Referenz Fz-Cz-Pz, „common-average”, bipolare Längsreihe) für die rechte und linke Hemisphäre berechnet. Für alle Patienten wurden dieselben Parameter verwendet. Alle EEG-Daten des gesamten Monitorings wurden analysiert, wobei eine geeignete Methode für die Artefakterkennung angewandt wurde. Die charakteristischen Größen Sensitivität und Selektivität (Anzahl der falsch-positiven Ereignisse pro Stunde, FPH) wurden bestimmt. In die Studie wurden 45 Patienten mit therapierefraktärer Epilepsie eingeschlossen. Insgesamt wurden 7 161 h EEG aufgezeichnet, 302 Anfälle mit zahlreichen Anfallsmustern untersucht. Die höchste Sensitivität mit 80,6% erreichte die Referenzmontage Fz-Cz-Pz im Frequenzband 3–12 Hz. Die entsprechende Selektivität war 0,21/h. Die beiden anderen Detektionsmontagen ergaben erheblich niedrigere Werte für die Sensitivität. Der entwickelte Algorithmus kann für die Detektion epileptischer Anfälle in Langzeit-EEG-Oberflächenableitungen routinemäßig eingesetzt werden und ist daher in der Lage einen signifikanten Beitrag für die präoperative Epilepsiediagnostik zu leisten.

Abstract

Very recently we described an efficient and robust algorithm for the offline-detection of epileptic seizures for long-term scalp EEG recordings in 19 patients [1]. The aim of this present study was to evaluate the performance of the algorithm on a larger number of patients with different types of seizures and without requiring any a priori information about the seizures. For the detection of characteristic electrographic changes of the seizures we have developed an algorithm based on short-time Fourier transform (STFT) for the computation of the integrated EEG power in two frequency bands (3–12 Hz, 12–18 Hz). The integrated power has been calculated for three different standardised multi-channel seizure detection montages (referenced against the average Fz-Cz-Pz, common average, bipolar) for the right and left hemispheres, respectively. For the calculations, the same fixed parameters have been used for all patients. An appropriate method for artefact rejection has been applied. In the study all EEG data recorded from the patients have been analysed. The seizure performance sensitivity and selectivity (number of false-positive errors/h, FPH) have been determined. 45 patients suffering from intractable epileptic seizures were included in the study. A total of 7 161 h of scalp recordings containing 302 seizures were investigated. The highest averaged sensitivity has been obtained for the referenced Fz-Cz-Pz montage in the frequency band 3–12 Hz and was 80.6%, while the selectivity FPH was 0.21/h. The other seizure detection montages yielded lower values for the sensitivity. The proposed method for the detection of epileptic seizures might be able to make a significant contribution to the diagnostic gain of long-term scalp EEG monitoring during presurgical evaluation.

Schlüsselwörter

EEG - Epilepsie - präoperative Epilepsiediagnostik - Detektion von epileptischen Anfällen - Zeit-Frequenz-Analyse

Key words

EEG - epilepsy - presurgical evaluation - seizure detection - time frequency analysis

Literatur

• 1 Hopfengärtner R, Kerling F, Bauer V. et al . Clin Neurophysiol. 2007;  118 2332-2343
• 2 Gotman J. Automatic recognition of epileptic seizures in the EEG.  Electroenceph Clin Neurophysiol. 1982;  54 530-540
• 3 Gotman J. Automatic seizure detection: improvements and evaluation.  Electroenceph Clin Neurophysiol. 1990;  76 317-324
• 4 Qu H, Gotman J. Improvement in seizure detection performance by automatic adaptation to the EEG of each patient.  Electroenceph Clin Neurophysiol. 1993;  86 79-87
• 5 Panych LP, Wada JA, Janicijevic RD. et al . Computer assisted operation of a facility for the long term monitoring of seizure patients.  Am J EEG Technol. 1988;  28 211-229
• 6 Murro AM, King DW, Smith JR. et al . Computerized seizure detection of complex partial seizures.  Electroenceph Clin Neurophysiol. 1991;  79 330-333
• 7 Harding GW. An automated seizure monitoring system for patients with indwelling recording electrodes.  Electroenceph Clin Neurophysiol. 1993;  86 428-437
• 8 Osorio I, Frei MG, Giftakis J. et al . Performance reassessment of a real-time seizure detection on long ECoG series.  Epilepsia. 2002;  43 1522-1535
• 9 Khan YU, Gotman J. Wavelet-based automatic seizure detection in intracerebral electroencephalogram.  Clin Neurophysiol. 2003;  114 ((5)) 898-908
• 10 Gardner AB, Krieger AM, Vachtsevanos G. et al . One-Class Novelty Detection for Seizure Analysis from Intracranial EEG.  Journal of Machine Learning Research. 2006;  7 1025-1044
• 11 Dumermuth HG, Molinari L. Spectral analysis of the EEG. Some fundamentals revisited and some open problems.  Neuropsychobiol. 1987;  17 85-99
• 12 Hopfengärtner R, Greim V, Kerling F. et al . Klin Neuro. 2008;  39 41-108
• 13 Niedermeyer E, Lopes Da Silva F. Electroencephalography: Basic Principles, Clinical Applications, and Related Fields. 4th edn. Baltimore: Lippincott Williams & Wilkins 1999
• 14 Webber WRS, Lesser RP, Richardson RT. et al . An approach to seizure detection using an artificial neural network.  Electroenceph Clin Neurophysiol. 1996;  98 250-272
• 15 Salinsky MC. A practical analysis of computer based seizure detection during continuous video-EEG monitoring.  Electroenceph Clin Neurophysiol. 1997;  103 445-449
• 16 Gabor AJ. Seizure detection using a self-organizing neural network: validation and comparison with other detection strategies.  Clin Neurophysiol. 1998;  107 27-32
• 17 Wilson SB, Scheuer ML, Emerson RG. et al . Seizure detection: evaluation of the Reveal algorithm.  Clin Neurophysiol. 2004;  115 ((10)) 2280-2291
• 18 Saab ME, Gotman J. A system to detect the onset of epileptic seizures in scalp EEG.  Clin Neurophysiol. 2005;  116 427-442

Korrespondenzadresse