Relevanz der Klassifikation iktualer Muster in einer EEG-Datenbank für die Entwicklung und Evaluation von Algorithmen zur automatisierten Detektion von Anfallsmustern

Wiederholt wurden Algorithmen zur Detektion von Anfallsmustern im Oberflächen-EEG entwickelt. Aufgrund der polymorphen Gestalt iktualer EEG-Muster ist die Sensitivitität und Spezifität dieser Algorithmen bislang nicht für alle Anwendungen ausreichend. In der vorliegenden Studie wird untersucht, ob eine Klassifikation von Anfallsmustern in einer Langzeit-EEG-Datenbank dazu beitragen kann, die selektive Leistungsfähigkeit von Klassifikatoren zu untersuchen und basierend hierauf zu einer Optimierung der automatischen Anfallsdetektion durch Kombination von Klassifikatoren beizutragen. 60 periiktuale EEG-Datenblöcke einer Dauer von je 180min bei Patienten mit fokalen und generalisierten Epilepsien unter Verwendung von Oberflächenelektroden, die anhand des 10:20-Systems appliziert waren, wurden visuell von 3 erfahrenen EEGisten klassifiziert hinsichtlich ihrer initial prominenten Morphologie. Diese wurde eingeteilt in (1) rhythmische sharp-waves, (2) Amplitudendekrement, (3) rhythmische delta-Aktivität, (4) rhythmische theta-Aktivität und (5) rhythmische beta-Aktivität. Zur Anfallsdetektion werden zwei Algorithmen, basierend auf der Wavelet-Transformation, für die Merkmalsextraktion sowie Supportvektormaschinen und Selbstorganisierenden Karten für die Klassifikation eingesetzt. Die beiden eingesetzten Algorithmen zeigen in Abhängigkeit vom vorliegenden iktualen EEG-Muster unterschiedliche Sensitivität und Spezifität. Dies wird an Beispielen demonstriert. Die Verwendung einer Datenbank, die eine separate Betrachtung von EEG-Anfallsmustern verschiedener Morphologie gestattet, kann beitragen zur Evaluation sinnvoller Kombinationen von Algorithmen zur Anfallsdetektion.