Per VC: Entwicklung einer Verarbeitungskette des maschinellen Lernens zur Erkennung epileptischer Anfälle auf Basis von 3D-Beschleunigungs- und Herzratendaten

Epilepsien sind gekennzeichnet durch das wiederholte Auftreten epileptischer Anfälle, die bei den Betroffenen zu (teilweise lebensgefährlichen) Verletzungen führen können. Entsprechend besteht ein großes Interesse an einer automatisierten Erkennung dieser Anfälle, durch die z. B. Angehörige alarmiert werden können.
In dieser Arbeit wurde eine Verarbeitungskette des maschinellen Lernens für die Erkennung von tonisch-klonischen Anfällen (engl. "tonic clonic seizures", TCS) entwickelt, da dieser Anfallstyp mit einem erhöhten Risiko für Verletzungen sowie unerwartete Todesfälle (engl. "sudden unexpected death in epilepsy", kurz: SUDEP) assoziiert wird. Als Grundlage dafür dienten die 3D-Beschleunigungs- sowie Photoplethysmographie(PPG)-basierten Herzratendaten, die im Rahmen des Projektes EPItect mithilfe eines In-Ohr-Sensors aufgenommen wurden. Für die Erkennung wurden die Klassifikationsverfahren Naive Bayes, k-Nearest-Neighbour (KNN), lineare Support Vector Machines (SVM) und Adaboost.M1 jeweils mit und ohne kostensensitives Lernen genutzt. Die gewählten Verfahren wurden sowohl in einer unimodalen Variante (lediglich auf den Beschleunigungsfeatures) als auch in einer multimodalen Variante (auf einer Kombination der Beschleunigungs- und Herzratenfeatures) in Weka trainiert und evaluiert. Dafür wurden etwa 1.400 Stunden an Daten von 17 Patienten genutzt, die im betrachteten Zeitraum 23 TCS und 22 andere Anfälle erlitten haben. Diese Daten wurden ganztägig am Universitätsklinikum Bonn aufgenommen. Als Referenzstandard dienten Videoaufnahmen und Elektroenzephalografie (EEG).
Es konnte gezeigt werden, dass sich durch die multimodale Methode bessere Ergebnisse erzielen lassen als durch die unimodale Methode. Die besten Ergebnisse haben die multimodalen Varianten von Naive Bayes (ohne kostensensitives Lernen) und KNN (mit kostensensitivem Lernen) erzielt mit einer Sensitivität von 100\% auf den acht Anfällen im vom Trainingsdatensatz unabhängigen Testdatensatz und einer durchschnittlichen Erkennungslatenz von acht bzw. zehn Sekunden bei einer Fehlalarmrate von jeweils etwa 138 Fehlalarmen pro 24 Stunden.