Matthias Dümpelmann (Freiburg i. Br. / DE), Maria de los Angeles Castillo-Rodriguez (Freiburg i. Br. / DE), Farrokh Manzouri (Freiburg i. Br. / DE), Eva Isabel Martinez Lizana (Freiburg i. Br. / DE), Martin Hirsch (Freiburg i. Br. / DE), Andreas Schulze-Bonhage (Freiburg i. Br. / DE)
Abstract-Text (inklusive Referenzen und Bildunterschriften)
Fragestellung:
Neue Devices für ultra long-term EEG-Aufzeichnungen mit Oberflächen- oder Subskalpelektroden haben im Vergleich zu konventionellen EEG Systemen eine kleine Kanalzahl. Das schränkt die Möglichkeiten zur automatischen Artefaktunterdrückung ein, die für die Auswertung von Anfällen während des ultra long-term Monitorings extrem wichtig ist. Daher wird die Frage untersucht, ob Methoden aus dem Bereich des Deep-Learnings Artefakte besser unterdrücken können als konventionelle lineare Filter und dabei gleichzeitig epilepsietypische Muster besser bewahren können.
Methoden:
Die Unterdrückung von Elektromyogram (EMG)-Artefakten mit Hilfe eines Convolutional Neural Networks und eines Autoencoder Ansatzes wurde mit der Performanz von linearen Tiefpassfiltern mit Eckfrequenzen von 30, 45 und 70 Hz verglichen. Oberflächen-EEG-Aufzeichnungen von subklinischen Anfällen mit temporalen Ursprung wurden für das Trainieren der Netzwerke verwendet. Diese Aufzeichnungen enthalten epileptische Anfallsaktivität bei einem geringen Level an Störsignalen. EMG-Aufzeichnungen aus einer öffentlichen Datenbank wurden mit 3 verschiedenen Amplitudenfaktoren zu diesen Aufzeichnungen hinzu addiert. Dieses mit EMG versehen EEG diente als Eingangssignal für die Deep Learning Methoden, während das reine EEG als Zielsignal für das Training der Netzwerke verwendet wurde.
Ergebnisse:
Das Convolutional Neural Network erzielte für unabhängige Testdaten eine Verbesserung des Signal-Rausch-Verhältnisses von 7.07, 7.35, 8.04 auf 11.97, 12.95 und 13.91 für die verschiedenen Niveaus des hinzugefügten EMG-Signals. Für den Autoencoder betrugen die Verbesserungen des Signal-Rausch-Verhältnisses 8.60, 8.96 und 9.50. Der beste lineare Filter verbesserte die Werte nur auf 8.08, 8.43 und 9.09. Das Convolutional Neural Network erhöhte die Korrelation zwischen dem Original und dem artefaktbehafteten Signal von 0.22, 0.28, 0.38 auf 0.75, 0.80 und 0.85. Der Autoencoder verbesserte die Korrelation auf Werte von 0.32, 0.39 und 0.50. Der beste lineare Filter erzielte Korrelationen von maximal 0.28, 0.35 und 0.47.
Schlussfolgerungen:
Methoden aus dem Deep Learning, insbesondere ein Convolutional Neural Network können den Einfluss von EMG-Artefakten besser unterdrücken als konventionelle lineare Filter. In den nächsten Schritten werden Experten visuell den Erhalt von epileptischer Anfallsaktivität in den bereinigten Signalen prüfen und der Einfluss der Signalverbesserung auf automatische Anfallsdetektionen wird untersucht werden.