Estudo da aplicação das redes neurais pulsadas em sistemas personalizados de detecção de períodos pré-ictais com base em sinais cardíacos

Abstract

Milhões de pessoas sofrem com condições neurológicas crônicas, sendo a epilepsia a terceira mais comum, afetando cerca de 50 milhões de indivíduos da população mundial. O uso de sistemas de detecção precoce para crises epilépticas ainda é um desafio nos tempos atuais, pois geralmente requer a aquisição de sinais com sensores posicionados no couro cabeludo (eletroencefalograma), o que pode ser dispendioso e imprático para a coleta no dia-a-dia. Estudos têm mostrado potencial capacidade de utilizar sinais cardíacos (eletrocardiograma) como entrada para sistemas de predição de crises epilépticas pela sua relação fisiológica e, também, pela simplicidade de aquisição do sinal. Isso apresenta uma potencial capacidade de complementar a terapia por neuromodulação no implante de dispositivos estimuladores do nervo vago (VNS) em pacientes refratários ao tratamento de epilepsia. A viabilidade de implementação VNS com identificação de eventos epilépticos demanda duas características conflitantes: elevada capacidade de processamento e baixo consumo de energia. Na presente dissertação de mestrado é investigada a aplicação de redes neurais pulsadas para a detecção de eventos pré-ictais utilizando sinais cardíacos com o objetivo de validar essa solução para o desenvolvimento de estimuladores implantáveis com operação sob demanda. Além da arquitetura da rede, são estudadas as estratégias de conversão de redes neurais artificiais, a escolha de atributos do sinal de ECG e as estratégias de treinamento, em particular, o efeito do treinamento personalizado para cada paciente. Como resultado, converteu-se uma rede neural clássica em uma rede neural pulsada (SNN) capaz de inferir a detecção precoce de eventos epilépticos a partir dos sinais cardíacos de um banco de dados de pacientes com acurácias de 99.79%, 100% e 99.79% para períodos ictal, normal e pré-ictal, respectivamente. O desempenho observado é equiparável ou mesmo superior aos obtidos com modelos convencionais reportados na literatura. A robustez dos resultados sugere a viabilidade do desenvolvimento de hardware neuromórfico para identificação e tratamento da epilepsia. A implementação de algoritmos de classificação em redes neurais pulsadas tem potencial aplicação em soluções vestíveis ou implantáveis na área de saúde, com desempenhos análogos às redes clássicas e consumo de energia até três ordens de grandeza menor.

Abstract: Millions of people suffer from chronic neurological conditions, with epilepsy being the third most common, affecting around 50 million of the world's population. The use of early detection systems for epileptic seizures is still a challenge today, as it generally requires the acquisition of signals with sensors positioned on the scalp (electroencephalogram), which can be expensive and impractical for daily collection. Studies have shown the potential of using cardiac signals (electrocardiogram) as input for epileptic seizure prediction systems, due to their physiological relationship and the simplicity of signal acquisition. This has the potential to complement neuromodulation therapy in the implantation of Vagus Nerve Stimulator (VNS) devices in patients refractory to epilepsy treatment. The feasibility of implementing VNS with epileptic event identification requires two conflicting characteristics: high processing capacity and low power consumption. This master's thesis investigates the application of spiking neural networks for the detection of epileptic events using cardiac signals with the aim of validating this solution for the development of implantable stimulators with on-demand operation. In addition to the network architecture, artificial neural network conversion strategies, the choice of ECG signals attributes, and training strategies are studied, particularly the effect of personalized training for each patient. As a result, a classical neural network was converted into a spiking neural network capable of inferring the early detection of epileptic events from the cardiac signals of a databse of patients was implemented with accuracies of 99.79%, 100% e 99.79% for ictal, interictal, and pre-ictal periods, respectively. The perfomance observed is comparable or even superior to that obtained with conventional models reported in the scientific literature. The robustness of the results suggests the feasibility of developing neuromorphic hardware for the identification and treatment of epilepsy. The implementation of classification algorithms in spiking neural networks has potential application in wearable or implantable solutions in the health area, with perfomance similar to classical networks and energy consumption up to three orders of magnitude lower.