Signal quality improvement and long-term heart-brain interactions in patients with epilepsy

Abstract

Η επιληψία είναι μια ευρέως διαδεδομένη ασθένεια - όπου 5% των ανθρώπων σε όλο τον κόσμο μπορεί να έχουν κρίσεις καθημερινά. Εκτιμάται ότι υπάρχουν περίπου 7.000-8.000 άτομα με επιληψία στην Κύπρο, εκ των οποίων περίπου το 30% είναι ανθεκτικά στα φάρμακα. Παρά το γεγονός ότι η επιστημονική κοινότητα συνεχώς διεξάγει έρευνα για τη βελτίωση των αλγορίθμων πρόβλεψης / ανίχνευσης κρίσεων οι οποίοι βασίζονται σε συνεχείς μετρήσεις ήλεκτρο-εγκεφαλογραφημάτων (ΗΕΓ) από το 1970, η απόδοση των μεθόδων αυτών είναι συχνά υπό αμφισβήτηση για πολλούς λόγους. Ένας από τους πιο σημαντικούς παράγοντες για την επιτυχή ανίχνευση και πρόβλεψη επιληπτικών κρίσεων είναι η ποιότητα του σήματος. Στο ΗΕΓ υπάρχει θόρυβος από διάφορες πηγές, ο οποίος σε αρκετές περιπτώσεις είναι δύσκολο να αφαιρεθεί. Ως εκ τούτου, στο πρώτο μέρος της παρούσας διατριβής, έχουμε αναπτύξει και εφαρμόσει αλγορίθμους για την αυτόματη ανίχνευση και απομάκρυνση των θορύβου που οφείλεται σε μυϊκές διαταραχές. Η απόδοση της μεθόδου εξετάστηκε σε συνθετικά δεδομένα και σε καταγραφές ΗΕΓ από ασθενείς με επιληψία. Συνολικά, τα αποτελέσματα δείχνουν ότι οι προτεινόμενοι αλγόριθμοι είναι κατάλληλοι και αποτελεσματικοί για την αφαίρεση του θορύβου λόγω μυϊκών διαταραχών από το ΗΕΓ χωρίς την ανάγκη για επίβλεψη από νευροφυσιολόγους ή την ταυτόχρονη καταγραφή ηλεκτρομυογραφήματος. Στη συνέχεια, εξετάσαμε τα πειραματικά δεδομένα μακράς διάρκειας που καταγράφηκαν στο Ινστιτούτο Νευρολογίας και Γενετικής, προκειμένου να εξετάσουμε τα χαρακτηριστικά των λειτουργικών δικτύων του εγκεφάλου καθώς και της συσχέτισης αυτών με τις επιληπτικές κρίσεις. Παρατηρήσαμε ότι τα δίκτυα αυτά μεταβάλλεται με την πάροδο του χρόνου με συγκεκριμένες περιοδικότητες. Συγκεκριμένα, χρησιμοποιήσαμε μεθόδους γράφων και ανακαλύψαμε ότι εκτός από την κιρκαδικό ρυθμό (24ωρη περίοδος), υπάρχουν και άλλες σημαντικές περιοδικότητες που κυμαίνονται μεταξύ 1,5 και 25 ωρών σε όλους τους ασθενείς. Οι περιοδικότητες αυτές (24 ώρες, 12 ώρες, 5.4 ώρες και 3.6 ώρες) συσχετίζονται καθαρά με την εμφάνιση των κρίσεων, γεγονός που δείχνει τη σημασία των δικτύων στην επιληψία. Οι αλληλεπιδράσεις καρδιάς-εγκεφάλου είναι υπαρκτές και μπορεί να συσχετιστούν με την εκδήλωση επιληπτικών κρίσεων. Στην παρούσα εργασία δείξαμε ότι οι συζεύξεις μεταξύ όλων των συχνοτήτων του ΗΕΓ και της μεταβλητότητας του καρδιακού ρυθμού μπορεί να παρατηρηθεί πριν και μετά την κρίση. Τα αποτελέσματα είναι ενθαρρυντικά και η περαιτέρω έρευνα είναι απαραίτητη για την παροχή χρήσιμων πληροφοριών για την κατασκευή βελτιωμένων αλγορίθμων ανίχνευσης /πρόβλεψης επιληπτικών κρίσεων.

Epilepsy is a widespread disease – up to 5% of people in the world may have at least one seizure in their lives. It is estimated that around 7,000-8,000 people with epilepsy exist in Cyprus, of which about 30% are drug-resistant. Despite the fact that the scientific community has been continuously performing research towards improvement of seizure prediction/detection algorithms based on continuous EEG measurements since the 1970s, the performance of these methods is often questioned for different reason. One of the most important factors for successfully detecting and/or predicting seizures is signal quality. EEG is contaminated by several artifacts, of which the most difficult to remove are perhaps muscle artifacts. Therefore, in the first part of the present thesis, we have developed and implemented supervised and unsupervised algorithms for automatic detection and removal of muscle artifacts (MA). The performance of the proposed methods was examined on realistic simulation data and scalp EEG recordings obtained from patients with epilepsy. Overall, the results suggest that the proposed algorithms may be proven valuable in removing muscle artifacts from long-term EEG recordings without the need for marking by expert neurophysiologists, recording reference EMG signals and visual inspection by the user. Subsequently, we examined long-duration EEG data recorded at the Cyprus Institute of Neurology and Genetics (CING) in order to investigate the properties of functional brain networks in patients with epilepsy. We observed that these networks vary over time in a periodic fashion. Specifically, we used graph-theoretic measures that quantify network characteristics, such as average degree, and revealed that in addition to the effect of the circadian rhythm (24hr), which is evident on these measures, there exist other important periodicities ranging between 1.5 and 25 hours in almost all patients. The functional brain network periodicities (24hr, 12hr, 5.4hr, 3.6hr) were found to be significantly correlated to the occurrence of seizures (particularly shorter periodicities) indicating the importance of quantifying long-term properties of functional brain networks in epilepsy. Finally, we examined heart-brain interactions around the occurrence of epileptic seizures using time-frequency signal analysis. We have shown that correlative couplings between the (modulated) all bands-activity of an EEG channel of interest and the heart rate variability (HRV) signal can be observed in the preictal and postictal periods which suggest coupling between the seizure-associated cortical processes (‘epileptic network’) and the central autonomic network (CAN). The results are promising and further investigation is needed on long-term EEG-ECG data in order to examine time-varying correlations between the EEG signal and HRV, that will potentially provide valuable information for implementing improved seizure detection/prediction algorithms.