A carregar...
Publicação
Development of an algorithm for the automatic detection of artifacts in neonatal electroencephalography
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.16 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Todos os dias, bebés recém-nascidos são admitidos em inúmeras Unidades de Cuidados Intensivos Neonatais (UCIN). As causas para estas admissões passam principalmente por nascimentos prematuros ou outros tipos de complicações durante o parto, como é o caso da asfixia.
Visto que quaisquer complicações durante o parto podem levar a Acidentes Vasculares Cerebrais (AVC’s) ou outro tipo de danos no cérebro, os recém-nascidos são admitidos por períodos de tempo que podem chegar às 72 horas. Neste período de admissão, os bebés do hospital pediátrico de Utrecht, nos Países Baixos, são acompanhados por uma equipa de médicos e enfermeiros sempre presente, ao mesmo tempo que são altamente monitorizados, tanto em termos da sua atividade cerebral – através de eletroencefalografia (EEG) – como de outros parâmetros fisiológicos, como o ritmo cardíaco - eletrocardiografia (ECG) -, função respiratória ou mesmo oxigenação cerebral através de espetroscopia do infravermelho próximo (Near Infra-red Spectroscopy – NIRS).
Dadas as longas aquisições dos vários parâmetros fisiológicos, dos quais a atividade cerebral medida através de EEG é tida em especial foco nesta dissertação, é normal que ocorram perturbações nas leituras, sejam essas perturbações de origem fisiológica ou não. Assim sendo, os artefactos, i.e., os períodos de informação de EEG que não representam corretamente a atividade cerebral do indivíduo, corrompem a integridade da aquisição de dados, podendo mesmo levar a decisões erradas no que diz respeito ao diagnóstico do paciente ou a opções terapêuticas. Um dos grandes obstáculos neste campo é o facto de muitos artefactos terem um carácter periódico e altamente rítmico e serem comummente identificados como convulsões pelos algoritmos de deteção de convulsões, levando muitas vezes à administração de medicação excessiva e/ou errada nos pacientes na UCIN.
Atualmente já existem algoritmos de deteção de artefactos em EEG, os quais se baseiam principalmente em características espaciais dos sinais de EEG – às quais não é possível recorrer neste caso, visto que se usam apenas dois canais bipolares – ou na Análise de Componentes Independentes (ICA), a qual separa os sinais de EEG nos diferentes componentes presentes no sinal. Como já foi referido, com apenas dois canais de EEG não se torna viável aplicar esta análise porque o resultado seria demasiado reduzido para ser possível alcançar uma decisão de confiança. Estes algoritmos já desenvolvidos focam-se principalmente nos artefactos mais comummente presentes nos dados, como os da atividade ocular, muscular e cardíaca.
Posto isto, o projeto desenvolvido na presente dissertação propõe um novo método de deteção de artefactos em sinais de EEG neonatal. Atualmente podem ser encontrados no EEG da UCIN sete tipos diferentes de artefactos:
- Ondas Sinusoidais – ondas que se assemelham em tudo à função matemática sinusoidal e que têm uma frequência característica entre os 1.5 Hz e os 3 Hz; - Ondas tipo PED (Periodic Epileptiform Discharges) – estas ondas assemelham-se a ondas características de episódios epiléticos, mas devido ao facto de possuírem uma forma diferente e não terem causa fisiológica conhecida são consideradas como artefactos;
- Ondas Zeta – ondas delta (com frequência inferior a 4 Hz) com uma forma de serra e que se encontram no EEG durante períodos de tempo reduzidos;
- Oscilações de Alta Frequência – embora não tenham uma frequência particularmente alta para os valores que o EEG pode atingir, estes artefactos são caracterizados por uma onda sinusoidal constante com uma frequência entre os 8 Hz e os 11 Hz;
- Atividade Muscular – como o nome indica, a atividade muscular na cabeça dos recém-nascidos pode influenciar a leitura dos elétrodos, introduzindo uma aquisição com maior frequência e de menor amplitude;
- Atividade Cardíaca – o campo elétrico do batimento cardíaco é conduzido até ao escalpe, onde se encontram os elétrodos agulha, influenciando a leitura dos mesmos e levando a um sinal de EEG que se assemelha bastante à de um ECG;
- Movimento/Deslocação dos Elétrodos – Quando os bebés são movidos ou quando se administra algum tipo de medicação pode haver deslocamento dos elétrodos colocados no escalpe e a leitura pode atingir valores demasiado elevados, que não têm justificação fisiológica.
Desta forma, o algoritmo para deteção de artefactos desenvolvido focou-se primeiramente na criação de sete algoritmos individuais, cada um especializado nas características de cada um dos artefactos mencionados acima. Para cada algoritmo individual foi criada uma base de dados de EEG de cinco sujeitos, que serviu para o treino e para o teste de cada algoritmo. O EEG de cada sujeito tinha aproximadamente 30 minutos e eram períodos com uma forte presença de artefactos. Estes períodos foram selecionados especialmente para este projeto e todos os artefactos presentes nos dados foram marcados manualmente por uma médica especializada, de forma a que os algoritmos tivessem um golden standard para que fosse possível comparar os seus resultados e otimizar cada algoritmo. Desta forma, foram considerados neste projeto aquisições de EEG de 28 sujeitos diferentes: cinco para cada algoritmo, à exceção do algoritmo para a Atividade Muscular que teve apenas três sujeitos e o do Movimento, que não necessitou de nenhum.
Durante o desenvolvimento de cada algoritmo foram sempre considerados os resultados de Sensibilidade e Especificidade através da comparação com as marcações manuais do golden standard da base de dados de treino e teste, de forma a otimizar cada algoritmo e obter sempre os melhores resultados possíveis.
Para os três primeiros artefactos (Ondas Sinusoidais, tipo PED e Zeta) os algoritmos baseiam-se no cálculo da correlação do sinal com uma onda substituta que tem uma forma igual à do artefacto em questão. Quando a correlação for superior a um determinado valor limite definido pelo utilizador, o algoritmo considera a presença desse artefacto, indicando-o no resultado final. Estes valores limites são diferentes para cada algoritmo devido às características de cada artefacto e à forma como cada algoritmo foi desenvolvido. O algoritmo para as Oscilações de Alta Frequência tem como base a compressão no tempo do sinal de EEG, de forma a obter um sinal semelhante ao de aEEG (EEG de amplitude integrada), o qual permite uma identificação mais fácil do artefacto, método este que é utilizado de forma semelhante para o artefacto da Atividade Cardíaca. O algoritmo para a Atividade Muscular baseia-se numa função que calcula a distância entre pontos consecutivos, visto que este consiste num sinal com menor amplitude, mas com variações de valores mais abruptas entre pontos consecutivos, permitindo identificar os períodos de sinal artefactual. Por fim, o algoritmo para o artefacto de Movimento e/ou Deslocação dos Elétrodos baseia-se no valor máximo absoluto que o EEG pode tomar. Desta forma, no início do algoritmo o utilizador deve introduzir a idade do sujeito em questão e para cada valor (entre 23 e 42 semanas gestacionais) haverá valores máximos e mínimos aceites na literatura como fisiologicamente normal. Se o EEG estiver acima ou abaixo (respetivamente) desses limites, é considerado como artefactual.
Após o desenvolvimento de todos os algoritmos individuais, estes foram combinados num só algoritmo de deteção de artefactos em EGG neonatal. Este algoritmo final requer apenas que o utilizador indique a idade do sujeito em que o EEG foi adquirido e que artefacto é que pretende detetar. Desta forma, o algoritmo ainda não é totalmente independente do utilizador, pois confia que o mesmo fará uma rápida avaliação visual do sinal a analisar e que consegue identificar qual o artefacto presente no EEG, permitindo ao algoritmo identificar com maior exatidão os períodos em que os artefactos se iniciam e terminam.
De forma a analisar os resultados finais do algoritmo de deteção de artefactos, foram calculadas as taxas de Verdadeiros Positivos, Falsos Positivos e Falsos Negativos. O algoritmo final, englobando todos os algoritmos individuais, obteve uma taxa de Verdadeiros Positivos de 92,4% ± 7,5%, uma taxa de Falsos Positivos de 34,9% ± 19,8% e uma taxa de Falsos Negativos de 7,7% ± 7,5%.
Como se pode observar pelas percentagens obtidas, o algoritmo conseguiu identificar corretamente mais de 90% dos artefactos presentes nos dados, o que se traduz numa deteção correta e de confiança. A taxa dos Falsos Positivos ainda poderá ser foco de otimização, uma vez que é passível de ser reduzida através de mais dados para treinar e testar os algoritmos, conduzindo então a uma maior precisão dos valores limite que separam os períodos artefactuais daqueles que correspondem a atividade cerebral verdadeira. Já a percentagem dos Falsos Negativos, ou seja, as vezes que o algoritmo não detetou um artefacto quando este estava de facto presente no sinal, não é excessivamente alta e foi considerada reduzida o suficiente pelo pessoal médico quando estes resultados lhes foram apresentados.
O projeto apresentado nesta dissertação propõe então um primeiro passo no desenvolvimento do primeiro algoritmo que considera sete artefactos distintos, pelo que ainda há tópicos que merecem otimização – como os valores limite definidos -, havendo também a necessidade da inclusão de mais dados de sujeitos diferentes para poder treinar e testar os algoritmos individuais, de forma a evitar o sobre-ajuste dos métodos aos dados disponíveis.
Artifacts - erroneous information in the acquisition of the brain activity – in the EEG reading of newborns that are admitted in the NICU is a major problem that can have serious consequences, both in diagnostic and therapeutic-related decisions, as some artifacts can easily be mistaken for seizures, leading to wrongful administration of medication. These artifacts can have various origins and its manual identification in the EEG trace is highly time-consuming, reason why there is the need to develop an algorithm that can automatically detect the artifacts in the EEG acquisitions. The algorithm developed in this dissertation proposes to detect seven distinct types of artifacts commonly found in neonatal EEG: Sinus waves, PED-Like waves, Zeta waves, High Frequency Oscillations, ECG, EMG and Movement/Electrode Displacement artifacts. Each one of these artifacts has its own specific features that allow it to be identified, usually through a visual assessment of the raw EEG signal, so the overall algorithm is based on seven individual algorithms, each focusing on one artifact, highlighting those characteristics and selecting the periods of data that correspond to artifactual EEG. Each individual algorithm had a training/testing set of data that was selected by an experienced doctor who manually annotated all the artifacts present in the EEG signal, so that the algorithms could have a golden standard to compare its results to. Periods of 30-minute EEG were considered from 28 different subjects as a training/testing set of data – five for each subject, minus EMG that only had three and Movement had none. These periods were selected due to a strong present of artifacts in it. The final detection algorithm had a True Positive rate of 92.4% (±7.5%) and a False Negative rate of 7.7% (±7.5%). The algorithm still requires user input in the selection of which artifact is to be detected in the data, but this algorithm is the first step in a method that comprises this many different artifacts into one detection tool, reason why there is still room for improvement in the methods developed.
Artifacts - erroneous information in the acquisition of the brain activity – in the EEG reading of newborns that are admitted in the NICU is a major problem that can have serious consequences, both in diagnostic and therapeutic-related decisions, as some artifacts can easily be mistaken for seizures, leading to wrongful administration of medication. These artifacts can have various origins and its manual identification in the EEG trace is highly time-consuming, reason why there is the need to develop an algorithm that can automatically detect the artifacts in the EEG acquisitions. The algorithm developed in this dissertation proposes to detect seven distinct types of artifacts commonly found in neonatal EEG: Sinus waves, PED-Like waves, Zeta waves, High Frequency Oscillations, ECG, EMG and Movement/Electrode Displacement artifacts. Each one of these artifacts has its own specific features that allow it to be identified, usually through a visual assessment of the raw EEG signal, so the overall algorithm is based on seven individual algorithms, each focusing on one artifact, highlighting those characteristics and selecting the periods of data that correspond to artifactual EEG. Each individual algorithm had a training/testing set of data that was selected by an experienced doctor who manually annotated all the artifacts present in the EEG signal, so that the algorithms could have a golden standard to compare its results to. Periods of 30-minute EEG were considered from 28 different subjects as a training/testing set of data – five for each subject, minus EMG that only had three and Movement had none. These periods were selected due to a strong present of artifacts in it. The final detection algorithm had a True Positive rate of 92.4% (±7.5%) and a False Negative rate of 7.7% (±7.5%). The algorithm still requires user input in the selection of which artifact is to be detected in the data, but this algorithm is the first step in a method that comprises this many different artifacts into one detection tool, reason why there is still room for improvement in the methods developed.
Descrição
Tese de mestrado integrado em Engenharia Biomédica e Biofísica, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2017
Palavras-chave
Deteção de artefactos EEG neonatal Teses de mestrado - 2017