De detectie van epileptische aanvallen met Reservoir...

Tim Leysen

Computing op basis van accelerometrieDe detectie van epileptische aanvallen met Reservoir

Academiejaar 2009-2010Faculteit IngenieurswetenschappenVoorzitter: prof. dr. ir. Jan Van CampenhoutVakgroep Elektronica en informatiesystemen

Master in de ingenieurswetenschappen: elektrotechniekMasterproef ingediend tot het behalen van de academische graad van

Begeleiders: Pieter Buteneers, dr. ir. David VerstraetenPromotor: prof. dr. ir. Benjamin Schrauwen

Toelating tot bruikleen

De auteur geeft de toelating deze masterproef voor consultatie beschikbaar te stellen en delen

van de masterproef te kopieren voor persoonlijk gebruik.

Elk ander gebruik valt onder de beperkingen van het auteursrecht, in het bijzonder met be-

trekking tot de verplichting de bron uitdrukkelijk te vermelden bij het aanhalen van resultaten

uit deze masterproef.

Tim Leysen, augustus 2010

Voorwoord

Eerst en vooral wil ik mijn promotor prof. dr. ir. Benjamin Schrauwen bedanken. Mijn

begeleiders ir. Pieter Buteneers en dr. ir. David Verstraeten wil ik bedanken voor hun

begeleiding tijdens het academiejaar. Verder wens ik mijn broer Steven en mijn vrienden

Nick, Levi, Carolus, Jonas en Fay te bedanken voor hun steun tijdens het schrijven van deze

thesis en voor de ontspanning in mijn vrije tijd. Ten slotte wil ik hier ook mijn ouders en hun

partners Marleen en Rudi bedanken omdat ze mij de kans hebben gegeven om deze opleiding

te starten en omdat ze mij altijd zijn blijven steunen.

v

vi

De detectie van epileptische aanvallen met Reservoir

Computing op basis van accelerometrie

door

Tim Leysen

Promotor: prof. dr. ir. Benjamin Schrauwen

Begeleiders: ir. Pieter Buteneers, dr. ir. David Verstraeten

Masterproef ingediend tot het behalen van de academische graad van

Master in de ingenieurswetenschappen: elektrotechniek

Vakgroep Elektronica en informatiesystemen

Voorzitter: prof. dr. ir. Jan Van Campenhout

Faculteit Ingenieurswetenschappen

Academiejaar 2009-2010

Samenvatting

Epilepsie is een van de meest voorkomende neurologische aandoeningen waarvan ongeveer

drie op vier nieuwe gevallen met succes kunnen worden behandeld. Voor de overige groep kan

het opvolgen van de patient belangrijke klinische informatie opleveren. Het opvolgen gebeurt

door EEG registratie op lange termijn in combinatie met het opnemen van videobeelden. Dit

kan echter onaangenaam zijn voor de patient en is bovendien tijdrovend voor het medisch

personeel. Het doel van dit werk is om een automatisch aanvalsdetectie systeem te bouwen

dat bovendien patientvriendelijk is. Daarom wordt gebruik gemaakt van accelerometers. Dit

zijn eenvoudige sensoren waarmee de versnelling van de typische bewegingen die vaak gepaard

gaan met epileptische aanvallen kan worden geregistreerd. De signalen die worden opgemeten

door de accelerometers worden vervolgens geclassificeerd met Reservoir Computing. Dit is

een recente classificatietechniek die gebaseerd is op neurale netwerken en op verschillende

toepassingsgebieden met succes wordt gebruikt.

vii

Trefwoorden

Aanvalsdetectie, Epilepsie, Accelerometrie, Reservoir Computing, Tonisch-clonische aanval-

len

The detection of epileptic seizures using ReservoirComputing based on accelerometry

Tim Leysen

Supervisors: prof. dr. ir. Benjamin Schrauwen, ir. Pieter Buteneers, dr. ir. David Verstraeten

Abstract—In this article an attempt is made at designing an automatedsystem for the detection of epileptic seizures using Reservoir Computing.The seizure detection is based on the typical movement patterns that areoften associated with epileptic seizures. These movement patterns wererecorded using accelerometers.

Keywords—Reservoir Computing, seizure detection, epilepsy, accelerom-etry, tonic-clonic seizures

I. INTRODUCTION

EPILEPSY is a common neurological disorder characterizedby recurrent seizures. Recent studies show that 70% of new

epilepsy cases can be succesfully treated with medication andsurgery is an option in 7-8% of the cases for patients who donot benefit from medication. No treatment is yet available forroughly 25% of the patients [5]. Monitoring of the seizures inthis group allows doctors to gain important clinical informationthat can be used to improve patient-specific treatment. How-ever, long-term monitoring can be uncomfortable for the patientand the processing of large amounts of data is very labour in-tensive and must be done by specialists. This is why an auto-mated seizure detection system can be a useful tool for the careof epilepsy patients.

The detection system proposed in this article uses 3D ac-celerometers. By attaching these sensors to the limbs of a pa-tient the typical movement patterns that are often associatedwith seizures can be recorded. Figure 1 shows a signal of anaccelerometer during three situations: a tonic seizure, a tonic-clonic seizure and normal movement. Each situation shows adifferent movement pattern. This should allow us to distinguishseizures from other types of movement.

To classify the signals generated by the accelerometers Reser-voir Computing was used. Reservoir Computing (RC) is an ap-proach to design and train recurrent neural networks [4]. A ran-dom network of artificial neurons is generated called the reser-voir which is then connected to an input and an output layer. InRC only the weights to the output layer are trained. This is doneby feeding a number of example inputs to the reservoir togetherwith the desired output. The output of the reservoir is then com-pared with the desired output and the weights are trained in orderto minimize an error measure between the two.

Two different systems were designed for the automated detec-tion of seizures: one for tonic-clonic seizures and one for tonicseizures. To evaluate the performance of a detection system theBalanced Error Rate (BER) was used. The output is positive if aseizure occured according to the system and negative if the sys-tem thinks there is no seizure. The output is true if the systemmade a correct prediction and false if it did not. This resultsin true positives (TP), true negatives (TN), false positives (FP)and false negatives (FN). The BER is the average of the error on

Fig. 1: The ACM-signal of a tonic seizure (top), a tonic-clonicseizure (middle) and normal movement (bottom).

samples during a seizure and the error when there is no seizureand can be mathematically written as follows:

BER =1

2

(FN

FN + TP+

FPTN + FP

).

II. TONIC-CLONIC SEIZURE DETECTION

A. The dataset

The dataset that was available for this research contained 6tonic-clonic seizures and 7 tonic seizures from a total of 4 pa-tients. The data was recorded using 5 3D-accelerometers (twoaround the wrists, two around the ankles and one on the ster-num) which resulted in a 15-dimensional signal. A subset fromthis dataset was constructed for training using all 6 episodes witha tonic-clonic seizure and 16 episodes with normal movement ofdifferent types. This new dataset contained 3710 seconds of dataof which 255 were ictal (during a seizure).

B. Preprocessing of the data

Feeding the rough data to the reservoir did not result in aworking system. Therefore it was necessary to preprocess thedata. A first way to do this is to compute a number of signal

features. For this research the first derivative, the variance, twoHjorth parameters (mobility and complexity), the skewness, thekurtosis and the Continuous Wavelet Transform (CWT) wereused. A second way to preprocess the data is to reduce the num-ber of dimensions. Two methods were used to accomplish this.The first is to simply take the root sum of squares (RSS) of all3 signal values for each sensor. The second method that wasused is Principal Component Analysis (PCA). PCA is a populartechnique that transforms a number of possibly correlated vari-ables into a smaller number of uncorrelated variables called theprincipal components.

C. Results

A first number of experiments were done to determine thebest signal features without the use of dimension reduction tech-niques. The first derivative (with a BER of 0,432) and the vari-ance (0,411) were the only features that showed any results. Theother features resulted in a BER around 0,5 which means thesystem doesn’t perform better than a system that generates arandom output.

The two working features were then used to determine if di-mension reduction could further improve the results. For thefirst derivative this was the case for both the RSS (0,270) andPCA when only keeping the first principal component (0,272).Both techniques did not generate better results when the vari-ance was used as a feature. The combination of both featureswas also tested but gave bad results (0,489 with dimension re-duction and 0,433 without).

The BER of the best preprocessing method so far (first deriva-tive and dimension reduction) could be reduced further by opti-mizing the treshold for detection. Figure 2 shows how changingthe treshold can improve the results. The best result (0,226) wasreached when the value of the treshold was set to -0,6.

Fig. 2: An example of how manipulating the treshold can im-prove the detection rate

III. TONIC SEIZURE DETECTION

A. The dataset

For tonic seizure detection a subset of the original dataset wasconstructed that contained 7 episodes with tonic seizures and 16episodes with normal movement of different types.

B. Preprocessing of the data

Four features that were used in [3] for the detection of tonicseizures are introduced. First the slow signal component was

Feature BERfirst derivative 0.432first derivative + RSS 0.270first derivative + PCA 0.272after treshold optimaziation 0.226variance 0.411variance + RSS 0.423variance + PCA 0.421

TABLE I: The best results for tonic-clonic seizure detection.

computed by using a simple low pass filter with cut-off fre-quency 0,5 Hz on the original signal. This slow signal com-ponent was used to calculate the jerk, the variance and the range(the difference between the maximal and the minimal signalvalue). These three features characterize the block pattern thatcan be seen during a tonic seizure (see figure 1). To capture thesmall tremor that is visible on the signal during a seizure thevariance of the fast signal component (the original signal minusthe slow signal component) was calculated.

C. Results

The best results for these features are shown in table II. Thistime the jerk did not generate a good result. PCA was also usedto try and improve the results but it only made the results worse.The author was also not able to succesfully combine a numberof these features.

Feature BERjerk 0,463variance of slow component 0,313range of slow component 0,366variance of fast component 0,407

TABLE II: The best results for tonic seizure detection.

IV. CONCLUSION

The results of both systems are worse than those that wereaccomplished in other studies [3], [1], [2]. It is possible thatthe data that was used for training was too small a subset ofall possible movement patterns. It could also be the case thatthe preprocessing methods that were used in this study were notsuited for this problem.

REFERENCES

[1] G. Becq, S. Bonnet, L. Minotti, M. Antonakios, R. Guillemaud, and P. Ka-hane. Collection and exploratory analysis of attitude sensor data in anepilepsy monitoring unit. Proceedings of the 29th Annual InternationalConference of the IEEE EMBS, Cit Internationale, Lyon, France, 2007.

[2] A. Dalton, S. Patel, A. R. Chowdhury, M. Welsh, T. Pang, S. Schachter,G. Laighin, and P. Bonato. Detecting epileptic seizures using wearablesensor technologies, 2010.

[3] T. Nijsen. Accelerometry based detection of epileptic seizures. PhD thesis,Technische Universiteit Eindhoven, 2008.

[4] D. Verstraeten. Reservoir Computing: Computation with Dynamical Sys-tems. PhD thesis, Faculteit Ingenieurswetenschappen, 2010.

[5] H. Witte, L. Iasemidis, and B. Litt. Special issue on epileptic seizure pre-diction. IEEE Transactions on Biomedical Engineering, 50:537–539, 2003.

Inhoudsopgave

1 Inleiding 1

1.1 Epilepsie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2 Accelerometrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3 Soorten aanvallen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.3.1 Myoclonische aanvallen . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.3.2 Clonische aanvallen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.3.3 Tonische aanvallen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.3.4 Tonisch-clonische aanvallen . . . . . . . . . . . . . . . . . . . . . . . . 7

1.4 Evaluatie van een detectiesysteem . . . . . . . . . . . . . . . . . . . . . . . . 9

2 Reservoir Computing 11

2.1 Neurale netwerken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.1.1 Het neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.1.2 Netwerktopologieen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.1.3 Trainen van neurale netwerken . . . . . . . . . . . . . . . . . . . . . . 15

2.2 Reservoir Computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.2.1 Trainen en testen bij Reservoir Computing . . . . . . . . . . . . . . . 17

2.2.2 Reservoirparameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3 Tonisch-clonische aanvalsdetectie 22

3.1 De dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.1.1 De eerste dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.1.2 De tweede dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3.1.3 De datasets voor de experimenten . . . . . . . . . . . . . . . . . . . . 25

x

Inhoudsopgave xi

3.1.4 Kruisvalidatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3.2 Signaalfeatures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.2.1 Tijdsdomein methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.2.2 Tijd-frequentie methoden . . . . . . . . . . . . . . . . . . . . . . . . . 28

3.2.3 Niet-lineaire methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.2.4 De invloed van de features op het ACM-signaal . . . . . . . . . . . . . 31

3.3 Dimensie-reductie technieken . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.3.1 Principal Component Analysis . . . . . . . . . . . . . . . . . . . . . . 40

3.4 Testen van features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.4.1 Dimensiereductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.4.2 Combinatie van de afgeleide en de activiteit . . . . . . . . . . . . . . . 46

3.5 Optimalisatie van de treshold . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.6 Invloed van de reservoirparameters . . . . . . . . . . . . . . . . . . . . . . . . 49

3.6.1 De spectrale radius en de invoerschaling . . . . . . . . . . . . . . . . . 49

3.6.2 De leakrate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.6.3 De schaling van de bias . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.6.4 De connectiefracties . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3.6.5 Het aantal neuronen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.6.6 De optimale parameters . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.7 Testen op de volledige dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.8 Detectie met een lineaire classifier . . . . . . . . . . . . . . . . . . . . . . . . 55

4 Tonische aanvalsdetectie 56

4.1 De dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.2 Specifieke features voor tonische aanvallen . . . . . . . . . . . . . . . . . . . . 57

4.2.1 De jerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.2.2 De standaardafwijking van de trage signaalcomponent . . . . . . . . . 61

4.2.3 Het verschil tussen de maximale en de minimale signaalwaarde . . . . 61

4.2.4 De standaardafwijking van de snelle signaalcomponent . . . . . . . . . 61

4.3 Testen van de features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

5 Conclusie 70

Inhoudsopgave xii

Bibliografie 71

Tabel met afkortingen

ACM Accelerometrie

ANN Artificieel Neuraal Netwerk

BER Balanced Error Rate

CWT Continuous Wavelet Transform

CVA Cerebrovasculair accident

DWT Discrete Wavelet Transform

ECG Elektrocardiogram

EDF European Data Format

EEG Elektroencephalogram

EMG Elektromyogram

FFT Fast Fourier Transform

FN False Negatives

FP False Positives

MRA Multi-Resolutie Analyse

PCA Principal Component Analysis

RC Reservoir Computing

RNN Recurrent Neuraal Netwerk

RSS Root Sum of Squares

STFT Short Time Fourier Transform

TN True Negatives

TP True Positives

xiii

Hoofdstuk 1

Inleiding

In deze thesis wordt onderzocht of het mogelijk is om een systeem te bouwen dat epileptische

aanvallen kan detecteren op basis van de typische bewegingen die vaak gepaard gaan met

een aanval. In het eerste deel van hoofdstuk 1 wordt de ziekte epilepsie besproken en wordt

verklaard waarom een automatisch detectiesysteem nuttig kan zijn voor zowel de patient als

het medisch personeel. Vervolgens wordt uitgelegd wat accelerometers zijn en hoe het mogelijk

is om daarmee bewegingen te detecteren. Ten slotte worden een aantal verschillende soorten

aanvallen in detail bekeken en wordt aan de hand van het accelerometriesignaal uitgelegd hoe

een aanval kan onderscheiden worden van een andere soort.

In het tweede hoofdstuk wordt uitgelegd wat Reservoir Computing is en hoe het gebruikt kan

worden als classificatiemethode voor dit detectiesysteem. In het derde hoofdstuk wordt vervol-

gens een systeem opgesteld voor de detectie van tonisch-clonische aanvallen. Er wordt vooral

aandacht besteed aan de prestaties van verschillende voorverwerkingsmethoden die inwerken

op de ruwe data afkomstig van de accelerometers. Ten slotte wordt in het laatste hoofdstuk

een systeem opgesteld dat tonische aanvallen kan detecteren. De werkwijze is gelijkaardig

aan die uit het derde hoofdstuk maar er worden nog een aantal voorverwerkingsmethoden

besproken en geevalueerd die specifiek zijn voor dit type aanvallen

1

Hoofdstuk 1. Inleiding 2

1.1 Epilepsie

Epilepsie is een van de meest voorkomende neurologische aandoeningen en komt overal ter

wereld voor bij alle rassen en in elke sociale klasse. Epilepsie kan worden vast gesteld bij

vrouwen en mannen van alle leeftijden maar de incidentie ligt hoger bij jongeren tijdens hun

eerste 20 levensjaren en bij personen die ouder zijn dan 60. De prevalentie bedraagt 4 tot 10

personen per 1000 en wereldwijd lijden ongeveer 50 miljoen mensen aan deze aandoening [8].

In de westerse landen bedraagt het aantal nieuwe diagnoses 40 tot 70 per 100 000 inwoners per

jaar. In ontwikkelingslanden ligt dit cijfer vaak tot twee keer hoger door een groter risico op

situaties die kunnen leiden tot permanente hersenbeschadiging [24] zoals een cerebrovasculair

accident (CVA) en schedeltrauma’s.

Epilepsie is een chronische aandoening en gaat meestal gepaard met typische aanvallen. De

oorzaak van deze aanvallen zijn plotse, meestal korte, abnormale hypersynchrone ontladingen

in een groep hersencellen. Deze ontladingen verhinderen de normale werking van de herse-

nen. De symptomen van een aanval zijn afhankelijk van het gebied in de hersenen waar de

oorsprong van de ontladingen ligt en hoe ver de ontladingen zich verspreiden. Een aanval

kan uiteenlopende vormen aannemen die varieren van een korte afwezigheid van de patient

(absence) tot een reeks ongecontroleerde, spastische bewegingen.

Het meest voorkomende type epilepsie (60% van de gevallen) is idiopathische epilepsie. In dit

geval kan men geen afwijking of beschadiging in de hersenen vinden die verantwoordelijk kan

worden gesteld voor de aanvallen. De oorzaak van dit type is tot nog toe niet gekend. De

oorzaak van secundaire of symptomatische epilepsie is wel gekend en dit type is meestal het

gevolg van hersenschade door een zuurstoftekort of een trauma tijdens de geboorte, een klap

tegen het hoofd, een herseninfectie, een hersenvliesontsteking of een hersentumor.

Uit recente studies blijkt dat 70% van de nieuwe gevallen met succes kan worden behandeld

(de aanvallen worden volledig onderdrukt) met anti-epileptische medicatie. Twee tot vijf

jaar na de start van de behandeling kan men bij kinderen in 70% van de gevallen en bij

volwassenen in 60% van de gevallen stoppen met medicatie zonder herval. Bij patienten die

niet goed reageren op medicatie kan een chirurgische ingreep een oplossing bieden (7-8%).

Voor 25% van de patienten is er echter nog geen effectieve behandeling mogelijk [37].


Het opvolgen van patienten die vaak aanvallen krijgen kan belangrijke klinische informatie

opleveren die gebruikt kan worden voor het verbeteren van de therapie waardoor het leven van

de patient draaglijker kan worden gemaakt [2]. Patienten worden opgevolgd door het registre-

ren van een elektroencephalogram (EEG) in combinatie met het opnemen van videobeelden.

Op basis van deze data kan men aanvallen detecteren die anders niet zouden opgemerkt wor-

den en kan men zowel de duur als het type van de aanvallen bepalen. Het langdurig opvolgen

van patienten op basis van EEG signalen en video data kan echter onaangenaam zijn voor

de patient. Tevens is het analyseren van grote hoeveelheden data zeer arbeidsintensief en

specialistenwerk. Het zou dus nuttig zijn om een automatisch detectiesysteem voor epilepti-

sche aanvallen te ontwikkelen dat zowel betrouwbaar is als patientvriendelijk. In deze scriptie

wordt daarom onderzocht of het mogelijk is om een detectiesysteem te maken dat gebaseerd is

op de typische bewegingen die vaak gepaard gaan met epileptische aanvallen. Hiervoor wordt

gebruik gemaakt van accelerometers.

Figuur 1.1: Een aanval zichtbaar op meerdere kanalen van het EEG


1.2 Accelerometrie

Een accelerometer is een meetapparaat dat een versnelling kan registeren en meten volgens

een bepaalde as. Hierdoor is het mogelijk om de frequentie en de intensiteit van lichaamsbe-

wegingen te meten in 3 richtingen. Een eerste vermelding van het gebruik van accelerometers

voor het opvolgen van lichaamsbewegingen dateert van in de jaren 50 [29], maar door de prijs

en hun omvang duurde het nog tot de jaren 70 voordat men ze vaker begon te gebruiken voor

het detecteren van lichaamsactiviteit [12].

Tegenwoordig worden accelerometers gebruikt in verschillende medische onderzoeksgebieden

zoals ganganalyse [3, 16, 19], preventieve geneeskunde [6, 28], behandeling van de ziekte van

Parkinson [30], revalidatie [11, 32] en fysiotherapie [10]. Voor het detecteren van epileptische

aanvallen wordt traditioneel gebruik gemaakt van EEG signalen [13, 23, 25]. Uit een litera-

tuurstudie bleek dat er tot nu toe nog niet zo veel onderzoek is gedaan naar de detectie van

epileptische aanvallen met behulp van accelerometers. Nochtans is men er wel al in geslaagd

om een werkend detectiesysteem te bouwen [1,7, 20,21].

In [21] werd een detectiesysteem ontworpen op basis van drie-dimensionale accelerometrie

data en video/EEG dat werd toegepast op de data van 18 patienten met een ernstige vorm

van epilepsie. De patienten werden 36 uur lang opgevolgd en in die tijd werden 897 aanvallen

geregistreerd. Vierhonderd achtentwintig aanvallen (48%) werden gedetecteerd met ACM.

Bij 10 van de 18 patienten (56%) werden alle aanvallen gedetecteerd. Voor 3 patienten

kon ACM niet gebruikt worden aangezien zij geen aanvallen vertoonden waarbij bewegingen

voorkwamen. Volgens de auteurs tonen de resultaten aan dat ACM een waardevolle aanvulling

kan zijn op de bestaande methoden om motorische aanvallen te detecteren die niet zichtbaar

zijn op het EEG. Ten slotte vond men ook dat het aantal gedetecteerde aanvallen zeven

keer hoger lag dan het aantal verwachte aanvallen en de aanvallen die geregistreerd werden

door de verpleegsters. Zonder een automatisch detectiesysteem wordt dus een groot aantal

aanvallen niet geregistreerd. Dit betekent dat het mogelijk is dat patienten geen volledig

correcte behandeling krijgen. Een geautomatiseerd detectiesysteem zou dus niet alleen het

werk van het medisch personeel verlichten maar kan eventueel ook leiden tot een betere zorg

voor de patient.


1.3 Soorten aanvallen

Epilepsie wordt gekenmerkt door verschillende type’s aanvallen die ruwweg kunnen ingedeeld

worden in partiele aanvallen en gegeneraliseerde aanvallen. Partiele aanvallen zijn het gevolg

van plaatselijke elektrische ontladingen in de hersenen en de symptomen van deze aanvallen

zijn hierdoor het gevolg van een verstoorde functie van de betrokken hersendelen. Partiele

aanvallen kunnen verder worden onderverdeeld in simpele partiele aanvallen, waarbij geen

bewustzijnsstoornissen optreden en complexe partiele aanvallen waarbij de patient wel een

bewustzijnsverandering ondergaat.

Bij gegeneraliseerde aanvallen vinden de ontladingen plaats in alle hersencellen. Gegenera-

liseerde aanvallen kunnen verder onderverdeeld worden in motorische aanvallen, die geken-

merkt worden door motorische verschijnselen, en absences, waarbij de patient heel kort in een

verminderde staat van bewustzijn verkeert. Aangezien we met accelerometrie (ACM) enkel

aanvallen kunnen detecteren waarbij bewegingen optreden of waarbij een normaal bewegings-

patroon wordt verstoord kunnen absences hiermee niet worden gedetecteerd.

Motorische aanvallen zijn het gevolg van een massieve ontlading in de motorische cortex of in

de buurt ervan. Motorische aanvallen worden opgedeeld in myoclonische, clonische, tonische

en tonisch-clonische aanvallen. Deze opdeling gebeurt op basis van de lengte van de contractie

van de spieren, de periodiciteit van de ritmische bewegingen en de spieren die betrokken zijn

bij de aanval [22].

In deze thesis wordt enkel data van motorische aanvallen gebruikt, meer specifiek tonische

en tonisch-clonische aanvallen. Myoclonische en clonische aanvallen worden ook besproken

omwille van hun relevantie tot tonisch-clonische aanvallen.

1.3.1 Myoclonische aanvallen

Een myoclonische aanval wordt gekenmerkt door een plotse, korte, spastische beweging die

veroorzaakt worden door een abrupte spiercontractie (positieve myoclonus) of een onvrijwillige

relaxatie van een spier (negatieve myoclonus) [31]. Meestal zijn slechts enkele spieren in een

deel van het lichaam betrokken bij een myoclonus, bijvoorbeeld een antagonistisch paar.

Een myoclonische beweging ontstaat hoogstwaarschijnlijk door de activatie van de motorische


cortex tijdens epileptische ontladingen. De meeste epileptische aanvallen starten met een

ontlading in de frontale kwab en verspreiden zich dan naar nabijgelegen gebieden zoals de

motorische cortex. Subtiele myoclonische bewegingen treden op als de ontladingen de primaire

motorische cortex bereiken. Als de premotorische cortex beınvloed wordt ziet men grovere

bewegingen. [20]

Een myoclonus is te onderscheiden van andere bewegingsstoornissen door zijn snelle aanvang,

korte duur en het feit dat het gaat om een eenmalige spiercontractie [34]. Figuur 1.2 toont

een voorbeeld van het ACM-signaal van een myoclonische aanval.

Figuur 1.2: Een voorbeeld van een myoclonische aanval (ACM)

1.3.2 Clonische aanvallen

Clonische aanvallen bestaan uit regelmatige, herhaalde, korte contracties van verschillende

spiergroepen. Bij focale clonische aanvallen (plaatselijke ontlading in de hersenen) zijn meestal

de distale delen van de extremiteiten (bvb een hand) of het gezicht betrokken. Deze con-

tracties zijn het gevolg van epileptische activatie van de premotorische cortex [22]. Bij een

clonische aanval ziet men vaak een propagatie van spiercontracties van de distale delen van


de extremiteiten naar de proximale delen.

1.3.3 Tonische aanvallen

Een tonische aanval wordt gekenmerkt door een aanhoudende contractie van een of meer

spiergroepen. Meestal verandert de positie van de ledematen traag maar het is ook mogelijk

dat de aanval start met een snelle spastische beweging. Een tonische aanval duurt gemiddeld

10-20 seconden maar kan varieren tussen 2 en 60 seconden [20]. Tonische aanvallen vinden

waarschijnlijk hun oorsprong in zowel de primaire motorische cortex als de supplementaire

motorische gebieden (verantwoordelijk voor het plannen en de coordinatie van complexe be-

wegingen) [22]. Figuur 1.3 toont het ACM-signaal van een tonische aanval.

Figuur 1.3: Een voorbeeld van een tonische aanval (ACM)

1.3.4 Tonisch-clonische aanvallen

Aan een clonische aanval gaat meestal een tonische fase vooraf. Men spreekt dan van tonisch-

clonische aanvallen. Deze aanvallen vertonen een typische evolutie. Eerst vindt een tonische

contractie plaats waarbij een of meerdere ledematen van positie veranderen in combinatie

met een flexie van de extremiteiten. Deze fase evolueert daarna naar opeenvolgende korte


spiercontracties. De frequentie waarmee deze contracties optreden neemt langzaam af en de

amplitude neemt toe, waarna de clonische fase van de aanval plaats vindt. De tonische fase

is zeer kort en kan meestal niet klinisch worden gedetecteerd tenzij men met behulp van

polygrafisch onderzoek kan detecteren dat de frequentie van de spiercontractie hoger is in het

begin van de aanval en daarna geleidelijk aan afneemt. Figuur 1.4 toont een voorbeeld van

een tonisch-clonische aanval. Ter vergelijking wordt op figuur 1.5 een voorbeeld van snelle

normale beweging gegeven.

Figuur 1.4: Een voorbeeld van een tonisch-clonische aanval (ACM)


Figuur 1.5: Een voorbeeld van normale beweging (ACM)

1.4 Evaluatie van een detectiesysteem

Een detectiesysteem voorspelt voor elke sample van het ingangssignaal of het wel of niet

tot een aanval behoort. De uitvoer bedraagt dan respectievelijk +1 of -1. De volgende vier

situaties kunnen optreden:

� De uitgang is positief en werd correct voorspeld (een true positive: TP).

� De uitgang is positief en werd foutief voorspeld (een false positive: FP).

� De uitgang is negatief en werd correct voorspeld (een true negative: TN).

� De uitgang is negatief en werd foutief voorspeld (een false negative: FN).

Op basis van het aantal TP, FP, TN en FN kan de Balanced Error Rate (BER) worden

opgesteld als volgt:

BER =1

2

(FN

FN + TP+

FP

TN + FP

)(1.1)


De BER is een foutmaat waarmee de performantie van een detectiesysteem kan worden

geevalueerd. Een lagere BER betekent een lager aantal fouten en dus een beter detectiesys-

teem. De BER heet gebalanceerd omdat het gemiddelde wordt berekend van de procentuele

fout van twee klassen: een positieve of een negatieve uitgangswaarde.

Hoofdstuk 2

Reservoir Computing

2.1 Neurale netwerken

In deze thesis is het de bedoeling om een systeem te bouwen dat epileptische aanvallen kan

detecteren op basis van data afkomstig van de ACM-sensoren. Dit soort problemen kan

worden opgelost met machine learning-methoden. Bij machine learning is het de bedoeling dat

de machine automatisch aanleert om het probleem op te lossen door te leren uit voorbeelddata

waarvan de gewenste uitgang gekend is. Het moeilijke aan deze methode is dat het aantal

combinaties van alle mogelijke uitkomsten met alle mogelijke ingangen te groot is om volledig

in de voorbeelddata vervat te zitten. Het systeem moet op basis van de voorbeelddata leren

generaliseren zo dat het ook een correcte uitgang kan geven in andere gevallen. Een belangrijke

subklasse van de machine-learning methoden zijn de artificıele neurale netwerken. Reservoir

Computing bevindt zich in die subklasse en is een methode om recurrente neurale netwerken

te ontwerpen en te trainen [35].

Een neuraal netwerk is een systeem dat opgebouwd is uit een groep neuronen (zenuwcellen)

die onderling verbonden zijn. De term neurale netwerken kan zowel verwijzen naar biologi-

sche neurale netwerken als naar artificıele neurale netwerken (ANN). Het menselijk brein is

een biologische neuraal netwerk en bestaat uit zo’n honderd miljard zenuwcellen. Artificıele

neurale netwerken (ANN) worden opgebouwd uit artificıele neuronen die oorspronkelijk zo

geprogrammeerd werden om de werking van een biologisch neuron na te bootsen. Recente

ANN kunnen echter ook opgebouwd zijn uit neuronen die niets meer weg hebben van een

11

Hoofdstuk 2. Reservoir Computing 12

biologisch neuron.

Artificıele neurale netwerken kunnen gebruikt worden om wiskundige modellen op te stellen

van biologische neurale netwerken om zo een beter inzicht te krijgen in de werking van de

hersenen. Een ander toepassingsgebied waarin ANN met succes worden gebruikt is artificıele

intelligentie. Voorbeelden zijn spraakherkenning, beeldanalyse en het maken van software

agents (voor videospellen) of autonome robotten.

2.1.1 Het neuron

Neuronen zijn de bouwstenen van een neuraal netwerk. Een biologisch neuron of zenuwcel

is een gespecialiseerde cel die informatie in de vorm van zenuwimpulsen of actiepotentialen

kan doorgeven van een deel van het lichaam naar een ander. Een willekeurig neuron in

het lichaam kan tienduizenden verbindingen hebben met andere neuronen. Neuronen zijn

zeer gevoelig voor stimuli en als de stimulatie van een neuron een bepaalde drempelwaarde

overschrijdt zal het een elektrische impuls genereren die zich voortplant via het axon (een

uitloper van het neuron) en zo andere neuronen kan bereiken. De stimulatie van een neuron

is de som van activerende en remmende impulsen die via synapsen worden ontvangen van

andere neuronen [18]. Een artificieel neuron is een eenvoudige rekeneenheid. Figuur 2.1

toont een schematische voorstelling van een artificieel neuron zoals het gebruikt wordt voor

dit onderzoek. De theoretische beschrijving van het artificieel neuron in dit deel is grotendeels

gebaseerd op informatie uit [17].

Een neuron j is meestal verbonden met een groot aantal andere neuronen. De sterkte van

een verbinding tussen twee neuronen i en j wordt bepaald door het gewicht wi,j . De uitgan-

gen oi1 , . . . , oin van de neuronen i1, . . . , in die verbonden zijn met j worden dan beschouwd

als de ingangen xi1 , . . . , xinvan j. De propagatiefunctie van een neuron transformeert de

ingangen xi1 , . . . , xin , rekening houdend met de gewichten wi,j , naar de netwerkingang netj .

De meest eenvoudige propagatiefunctie is de gewogen som. Hierbij wordt elke ingang van j

vermenigvuldigt met zijn gewicht wi,j en worden de producten opgeteld:

netj =∑

i

(xi ·wi,j) (2.1)


wi1,j

ingangen

activatiefunctie

gewichten

propagatiefunctie

ajactivatie

xi1

wi2,j

win,j

...

...

xi2

xin

∑netj

φ

bias

wbias,j

Figuur 2.1: Een schematische voorstelling van een neuron

De activatie aj , ook de toestand van het neuron genoemd, wordt bekomen door het resul-

taat van de propagatiefunctie aan te leggen aan de activatiefunctie fact en wordt als volgt

gedefinieerd:

aj (t) = fact (netj (t) , aj (t− 1)) (2.2)

De activatiefunctie transformeert de netwerkinput netj naar de activatie aj (t). Afhankelijk

van de topologie van het netwerk is aj (t) ook afhankelijk van de vorige activatie aj (t− 1)

(zie verder). De activatiefunctie is typisch een eenvoudige niet-lineaire functie. De meest

eenvoudige is de Heaviside functie. Andere populaire functies zijn de Fermi functie, de sig-

moidfunctie en de tangens hyperbolicus. In deze scriptie wordt verder gebruik gemaakt van

de tangens hyperbolicus (zie figuur 2.2).

De activatie aj wordt ten slotte aangelegd aan een derde functie, de uitgangsfunctie, wat

resulteert in de uitgang oj . Meestal wordt de identiteitsfunctie gebruikt zodat oj = aj . Dit

is ook in deze thesis het geval en daarom wordt deze functie niet weergegeven op figuur 2.1.


−5 −4 −3 −2 −1 0 1 2 3 4 5−1

−0.5

0

0.5

1

x

tan

h(x

)

Tangens hyperbolicus

Figuur 2.2: Tangens hyperbolicus functie

De uitgang oj kan dan dienen als de ingang van een ander neuron.

De drempelwaarde die bepaalt of een biologisch neuron al dan niet een elektrische potentiaal

genereert wordt op een artificiele manier geımplementeerd door een biasneuron (zie figuur 2.1)

te integreren in het netwerk en te verbinden met alle andere neuronen. De uitgang van het

biasneuron is steeds 1. Door het gewicht van de verbinding met het biasneuron te varieren

kan het gebied waarin de niet-lineariteit werkt verschoven worden.

2.1.2 Netwerktopologieen

De neuronen in een artificieel neuraal netwerk kunnen in principe op alle denkbare manieren

met elkaar worden verbonden. In de praktijk bestaan er echter verschillende organisatievor-

men die beter werken voor bepaalde toepassingen. Doorgaans worden de neuronen in een

ANN gegroepeerd in lagen: een ingangslaag, een of meerdere verborgen verwerkingslagen en

een uitgangslaag (zie figuur 2.3).

In een feedforward netwerk is elk neuron in een bepaalde laag enkel verbonden met neuro-

nen in de volgende laag (naar de uitgangslaag toe). De informatie die tussen de knopen wordt

doorgegeven kan dus enkel in de voorwaartse richting stromen. Aangezien er geen connecties

naar de huidige laag of de vorige laag mogelijk zijn bevat dit soort netwerk geen lussen of

cycli. De activatie van een neuron is dan enkel afhankelijk van de huidige ingangen.


ingangslaag uitgangslaagverborgen tussenlaag

Figuur 2.3: Een eenvoudig neuraal netwerk

In recurrente neurale netwerken (RNN) is er geen restrictie op de verbindingen tussen de

neuronen. Hierdoor kunnen lussen ontstaan waardoor een neuron zichzelf kan beınvloeden.

Dit kan rechtstreeks gebeuren door middel van een connectie van het neuron met zichzelf of

onrechtstreeks wanneer er een connectie wordt gemaakt naar een voorgaande laag. Door deze

uitbreiding beschikt het netwerk over een vorm van geheugen. De huidige activatie van een

neuron is dan niet alleen een functie van de huidige ingangen maar ook van vorige ingangen.

2.1.3 Trainen van neurale netwerken

Het trainen van een neuraal netwerk wordt gerealiseerd door het netwerk zodanig aan te

passen zodat de gewenste uitgang wordt bekomen voor een gegeven ingang. Nadat het netwerk

getraind is zou het in staat moeten zijn om ook de correcte uitgang te geven wanneer de ingang

ongeziene data bevat. Meestal worden enkel de gewichten van de verbindingen aangepast maar

in theorie zou het neuraal netwerk ook kunnen leren door bvb een van de drie neuronfuncties

te varieren.

Er wordt een onderscheid gemaakt tussen de volgende leerstrategieen:


� Unsupervised learning methodes leren enkel van de ingangswaarden die aan het

netwerk worden aangelegd, zonder een idee te hebben van het gewenste gedrag van het

netwerk. Het netwerk probeert gelijkaardige patronen te herkennen en classificeert ze

in categorieen. Een populair voorbeeld van deze methoden zijn de self-organising maps

van Kohonen [17].

� Reinforcement learning methodes geven naast de ingangswaarden ook een feedback

terug aan het netwerk. De feedback is een waarde die aangeeft of het resultaat al

dan niet correct is en, indien mogelijk, de mate waarin het resultaat correct is. Deze

algoritmen worden vaak gebruikt in de robotica [35].

� Supervised learning methodes stellen zowel de ingangen als de precieze activatie van

de uitgangsneuronen beschikbaar. Voor elke set ingangswaarden die wordt aangelegd

aan het netwerk kan de uitgang rechtstreeks vergeleken worden met de correcte uitgang.

Vervolgens kunnen de gewichten aangepast worden op basis van het verschil tussen beide

waarden. Deze methode is zeer effectief maar helaas zijn de gewenste uitgangen niet

voor alle toepassingen gekend. Aangezien dit in deze scriptie wel het geval is wordt dan

ook gebruikt gemaakt van deze methode [17].

In theorie zijn recurrente neurale netwerken een krachtig middel om complexe problemen

mee op te lossen. Enkele factoren bemoeilijken echter het gebruik van RNN voor praktische

applicaties. Door de recurrente structuur treedt er meestal een trage convergentie op en

kunnen de netwerken onstabiel worden tijdens het trainen [36]. Reservoir Computing werd

ontwikkeld om deze problemen op te lossen zodat men recurrente neurale netwerken kan

gebruiken zonder een lange en moeilijke trainingsfase.


2.2 Reservoir Computing

Reservoir Computing (RC) is een manier om recurrente neurale netwerken te ontwerpen

en te trainen. Bij RC wordt het netwerk opgesplitst in een invoerlaag, een reservoir en een

uitleeslaag (zie figuur 2.4). Het reservoir is opgebouwd uit een groot aantal neuronen waarvan

de verbindingen willekeurig zijn gekozen. Wanneer een ingangssignaal wordt aangelegd aan

het reservoir zal elk neuron een niet-lineaire transformatie van dat signaal generen. Het

uitgangssignaal is dan het resultaat van een lineaire combinatie van deze signalen. Het verschil

tussen Reservoir Computing en de traditionele trainingsmethoden voor neurale netwerken is

dat men bij RC enkel de gewichten van de verbindingen naar de uitleeslaag gaat trainen.

invoerlaag uitleeslaagreservoir

Figuur 2.4: Een eenvoudig reservoir. De vaste lijnen stellen de willekeurige, onveranderlijke verbin-

dingen voor. Enkel de stippellijnen worden getraind.

2.2.1 Trainen en testen bij Reservoir Computing

Bij het gebruik van Reservoir Computing moeten een aantal worden ondernomen [35]:

� Genereer de volgende willekeurige gewichtenmatrices:

– W inres (ingang naar reservoir)

– W resres (verbindingen binnen het reservoir)


� Herschaal deze matrices op basis van de reservoirparameters die de gebruiker kan in-

stellen (zie verder).

� Leg het ingangssignaal u aan aan het reservoir.

� Sla voor elke tijdstap k de toestand van het reservoir x [k] op.

� Train de de uitgangsgewichten W uitres.

De toestand en de uitgang van het reservoir op tijdstip k+1 kunnen berekend worden met

behulp van de volgende formules:

x [k + 1] = f(W res

resx [k] + W inresu [k]

)(2.3)

y [k + 1] = W uitresx [k + 1] (2.4)

De optimale uitgangsgewichten W uitres worden bepaald door de gemiddelde kwadratische fout

tussen de gewenste uitvoer en de werkelijke uitvoer van het reservoir te minimaliseren met

lineaire regressie:

wopt = arg minw‖Aw −B‖2 . (2.5)

De matrix A bevat de toestanden van het reservoir. Elke rij van A bevat de activatiewaarden

van alle neuronen op een bepaald tijdstip. De gewenste uitgang op elk tijdstip bevindt zich

in de matrix B. Vergelijking 2.5 kan in een stap opgelost worden met behulp van de pseudo-

inverse van A (A†) [35].

wopt = A†B =(ATA

)−1ATB (2.6)

Deze berekening verloopt relatief snel, zelfs voor grote reservoirs [5].


Overfitting

Een mogelijk gevaar bij het trainen op deze manier is het onstaan van overfitting. Dit be-

tekent dat het systeem een correcte uitvoer genereert op de trainingsdata, maar niet op de

ongeziene data (testdata). De testfout is dan veel groter dan de trainingsfout. In plaats van

de onderliggende distributie van de data te begrijpen heeft het systeem simpelweg de data

van buiten geleerd. De kans op overfitting stijgt naarmate de complexiteit van het systeem

toeneemt (zie figuur 2.5). Hieruit kan men de conclusie trekken dat overfitting kan verme-

den worden door de complexiteit van het systeem te beperken. Er moet echter een afweging

gemaakt worden aangezien het systeem complex genoeg moet zijn om de onderliggende dis-

tributie van de invoer te kunnen modelleren. Een manier om deze afweging te doen is om

beperkingen op te leggen aan het model. Deze methode noemt regularisatie. De complexiteit

van het systeem wordt onder andere bepaald door de grootte van de gewichten. Bij Reservoir

Computing wordt regularisatie dan ook meestal geımplementeerd door een extra term toe te

voegen aan formule 2.5. Deze term zorgt ervoor dat grote gewichten afgestraft worden [35].

wopt = arg minw‖Aw −B‖2 + λ ‖w‖2 (2.7)

Deze vorm van regressie wordt ridge regression genoemd. De regularisatieparameter λ zorgt

voor een tradeoff tussen de fout op de trainset en de normen van de gewichten. Vergelijking

2.7 kan in een stap opgelost worden als volgt [35]:

wopt =(ATA + λI

)−1ATB (2.8)

2.2.2 Reservoirparameters

De eigenschappen van het reservoir zijn afhankelijk van een aantal globale parameters die de

gebruiker kan instellen [14]:

� De reservoirgrootte bepaalt het aantal neuronen dat het reservoir bevat. Een com-

plexe taak zal een groter reservoir vereisen dan een simpele taak. Uiteraard zal de

rekentijd groter zijn voor grotere reservoirs.


testfout trainfout

Complexiteit

Fou

t

Figuur 2.5: De testen trainfout in functie van de complexiteit van het systeem

� De spectrale radius is het maximum van de absolute waarden van de eigenwaarden

van W resres. Deze parameter beınvloedt de effectieve tijdsconstante van het netwerk en

hoe lang informatie in het netwerk blijft circuleren.

� De invoerschaling bepaalt de graad van niet-lineariteit van de dynamica van het re-

servoir. Een heel lage invoerschaling zorgt ervoor dat het reservoir zich gedraagt als een

lineair medium. Een heel grote invoerschaling resulteert erin dat de neuronen in het

niet-lineaire gebied werken.

� De connectiefractie wordt gebruikt bij het opstellen van de connectiviteitsmatrix tus-

sen twee lagen. Deze matrix bepaalt welke neuronen verbonden zijn met elkaar. Een

connectiefractie van 0,5 betekent dat slechts de helft van alle mogelijke verbindingen

tussen de neuronen van de uitgaande laag en de volgende laag gemaakt worden.

� De bias bepaalt de schaling van de verbinding tussen het biasneuron (zie de sectie over

het neuron) en de andere neuronen. De bias bepaalt in welk gebied de activatiefunctie


opereert en heeft dus ook een invloed op de graad van niet-lineariteit van het reservoir.

� De leak rate bepaalt de fractie van de vorige activatie van een neuron dat gebruikt

wordt om de huidige activatie te berekenen.

Al deze parameters hebben een invloed op de prestaties van het reservoir en moeten samen

worden geoptimaliseerd. Dit wordt doorgaans gedaan met manuele experimenten.

Hoofdstuk 3

Tonisch-clonische aanvalsdetectie

In dit hoofdstuk wordt een poging gedaan om een detectiesysteem te ontwikkelen dat in staat

is om tonisch-clonische aanvallen te detecteren. In het eerste deel wordt de data gepresenteerd

die beschikbaar werd gesteld voor dit onderzoek. In het tweede deel worden verschillende voor-

verwerkingsmethoden besproken die inwerken op de ruwe data waardoor het gemakkelijker

wordt om aanvallen te onderscheiden van andere type’s beweging. Van deze voorverwer-

kingsmethoden wordt vervolgens nagegaan hoe goed ze presteren door gebruik te maken van

Reservoir Computing gebruikt als classificatiemethode.

3.1 De dataset

Voor deze thesis werden twee verschillende datasets beschikbaar gesteld. De eerste dataset

is afkomstig van het UZ Gent en bevat enkel tonisch-clonische aanvallen. De tweede da-

taset werd beschikbaar gesteld door het Expertisecentrum Kempenhaeghe voor epilepsie en

slaapgeneeskunde en bevat zowel tonische als tonisch-clonische aanvallen.

3.1.1 De eerste dataset

De dataset van het UZ Gent bevat bruikbare data van twee patienten. De eerste patient

werd 17 uur lang opgevolgd en vertoonde 5 aanvallen. De tweede patient werd 38 uur lang

opgevolgd en onderging 11 aanvallen. Voor beide patienten is data beschikbaar van twee

sensoren: een rond elke pols. Aangezien de metingen werden uitgevoerd met 3D-sensoren

meet elke sensor de versnelling in 3 richtingen en zijn er in het totaal 6 signalen beschikbaar.

22

Hoofdstuk 3. Tonisch-clonische aanvalsdetectie 23

Elke sample was gecodeerd als een 2-complement en de samplefrequentie bedraagt 100 Hz. Het

2-complement is een getalsrepresentatie die standaard gebruikt wordt in computers. Positieve

getallen worden voorgesteld door een bitrij die begint met 0 en negatieve getallen beginnen

met een 1.

Om een waarde te bekomen in g (1 g = 9,81 m/s2) moeten de volgende stappen worden

doorlopen:

1. Reken het 2-complement om naar een waarde tussen -128 en 127.

2. Deel het resultaat door 127 en vermenigvuldig met 6 aangezien de accelerometers een

bereik hebben van -6 tot +6 g.

De data uit deze dataset bevatte ruis die lijkt op zout-en-peper ruis. Dit soort ruis wordt

gekarakteriseerd door signaalwaarden met een extreme waarde (hier: -6 of 6). Zout-en-peper

ruis is gemakkelijk te herkennen op een foto als zwarte en witte puntjes en dankt hieraan zijn

naam. Op een ACM-signaal manifesteert deze ruis zich als plotse ’pieken’ op het signaal. Deze

ruis kan voor een groot deel worden weggefilterd door gebruik te maken van een mediaanfilter

(zie figuur 3.1). Voor de lengte van het mediaanfilter werden 15 samples gekozen. Dit is net

voldoende om de meeste ruis op signalen die rust voorstellen weg te filteren. Een grotere

lengte zorgt voor meer informatieverlies tijdens het clonische gedeelte van de aanval.

3.1.2 De tweede dataset

De tweede dataset bevat data van vier patienten die samen dertien aanvallen vertonen waarvan

zes tonisch-clonische aanvallen en zeven tonische aanvallen. Het begin- en eindtijdstip van

elke aanval werd gemarkeerd door specialisten op basis van EEG-, ACM- en videodata. De

signalen werden gemeten door vijf accelerometers: een op de borst, twee rond de polsen en

twee rond de enkels. Dit betekent dat de dataset bestaat uit vijftien signalen. De signalen

werden gesampled aan 100 Hz.

De data werd geencapsuleerd in het European Data Format (EDF). Dit is een eenvoudig

en flexibel formaat voor het uitwisselen en opslaan van biologische en fysische signalen met

meerdere kanalen. Een EDF-bestand bestaat uit een header gevolgd door de werkelijke data.


0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000−5

0

5

samples

vers

nelli

ng (

g)

(a) Het oorspronkelijke signaal

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000−0.5

0

0.5

1

samples

vers

nelli

ng (

g)

(b) Het oorspronkelijke signaal ingezoomd

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000−0.5

0

0.5

1

samples

vers

nelli

ng (

g)

(c) Na filteren met mediaanfilter met lengte 15

Figuur 3.1: Het ACM-signaal van een aanval voor (a,b) en na (c) filteren met een mediaanfilter. De

blauwe lijn markeert het begin en het einde van de aanval.


De header heeft een variabele lengte en bevat informatie over de patıent en de technische

eigenschappen van de signalen.

3.1.3 De datasets voor de experimenten

Voor de eerste experimenten uit dit hoofdstuk werden twee nieuwe, beperkte, datasets op-

gesteld. De reden hiervoor is dat experimenten die gebruik maken van de volledige dataset

resulteren in lange rekentijden. De bedoeling van de eerste experimenten was dan ook om een

beeld te krijgen van de prestaties van verschillende voorverwerkingstechnieken. Later kunnen

de nuttige experimenten herhaald worden voor de volledige dataset. In eerste instantie wordt

geprobeerd om een patientspecifiek systeem te bouwen. Het ACM-patroon van een aanval kan

namelijk verschillen tussen de patienten onderling. De signalen van aanvallen van dezelfde

patient zijn vaak gelijkaardig [20].

Aangezien van de tweede patient in de dataset van het UZ Gent de meeste tonisch-clonische

aanvallen beschikbaar zijn wordt voor de eerste nieuwe dataset de data van deze patient

gebruikt. Alle aanvallen van deze patient werden opgenomen in de nieuwe dataset. Er werd

gezorgd dat voor en na elke aanval een periode van minstens twee tot vijf maal de lengte

van de aanval beschikbaar was. De lengte van die periodes werd willekeurig gekozen om

uit te sluiten dat het reservoir gebruik zou maken van de informatie dat een aanval steeds

op hetzelfde moment in een episode begint. Naast de 11 episodes die aanvallen bevatten

werden 6 episodes gekozen waarin normale beweging voor kwam. Deze episodes werden zo

veelzijdig mogelijk gekozen en bevatten zowel voorbeelden van trage als snelle bewegingen

met varierende lengte. De totale nieuwe dataset bevatte 2821 seconden data waarvan 230

seconden ictale data (tijdens een epileptische aanval).

Een tweede nieuwe dataset werd opgesteld op basis van de dataset uit Kempenhaeghe. Aan-

gezien deze dataset maar 6 tonisch-clonische aanvallen bevatte voor drie patienten werd deze

dataset niet patientspecifiek opgesteld. De dataset werd op dezelfde manier opgesteld als de

vorige, met als verschil dat er 16 episodes gekozen werden die normale bewegingen bevatten.

De totale dataset bevatte 3710 seconden data waarvan 255 seconden ictaal.


3.1.4 Kruisvalidatie

Om statistisch betrouwbare resultaten te bekomen wordt gebruik gemaakt van kruisvalidatie.

De dataset wordt hierbij opgedeeld in een trainset en een validatieset. De uitgangsgewichten

van het reservoir worden getraind op de trainset en het resulterende reservoir wordt vervolgens

getest op de validatieset. Deze opdeling van de data in een trainen een validatieset wordt

een aantal keer herhaald (men spreekt van het aantal folds) zodat elke datasample exact een

keer voor komt in de validatieset.

De standaard kruisvalidatiefunctie in de RC-toolbox kiest een willekeurige deelverzameling

van alle episodes voor het testen en gebruikt de rest voor het trainen. Een ongelukkige ver-

deling van de episodes over de trainen validatieset zou dan voor onbetrouwbare resultaten

kunnen zorgen. Om dit te vermijden werd een aangepaste kruisvalidatie functie geschreven

om te verzekeren dat de trainset en de testset steeds een voldoende aantal voorbeelden van

aanvallen bevatten. Indien het aantal episodes van beide klassen (aanval en normale bewe-

ging) geen veelvoud is van het aantal folds zal niet elke validatieset eenzelfde aantal episodes

bevatten. De grootte van de validatiesets werd dan zo constant mogelijk gekozen. Tabel

3.1 toont hoe een eenvoudige dataset die bestaat uit 5 episodes kan worden opgedeeld bij

kruisvalidatie met 5 folds.

Fold Trainset Validatieset

1 2,3,4,5 1

2 1,3,4,5 2

3 1,2,4,5 3

4 1,2,3,5 4

5 1,2,3,4 5

Tabel 3.1: Een voorbeeld van kruisvalidatie met 5 folds.


3.2 Signaalfeatures

In de literatuur werd op zoek gegaan naar verschillende features die nuttige informatie uit het

ruwe signaal extraheren [7,12,20,27]. De features worden opgedeeld in tijdsdomein methoden,

tijd-frequentie methoden en niet-lineaire methoden.

3.2.1 Tijdsdomein methoden

De scheefheid (skewness) en de platheid (kurtosis) zijn twee eenvoudige statistische functies

die gebruikt worden voor het detecteren van bewegingen op basis van ACM-signalen [12]. De

scheefheid is een maat voor de asymmetrie van het signaal en wordt gedefinieerd als

γ1 =µ3σ3.

Hierbij is σ de standaardafwijking en µk is het k-de centrale moment

µk = E[(X − µ)k

].

De platheid wordt gedefinieerd als

γ2 =µ4σ4.

Een hoge platheid houdt in dat een groot deel van de variantie van het signaal wordt ver-

oorzaakt door een klein aantal extreme waarden. Een lage platheid betekent dat de variantie

vooral het resultaat is van een groot aantal minder extreme waarden.

Andere statistische features die in [27] gebruikt werden voor aanvalsdetectie op basis van

EEG-signalen zijn de Hjorth parameters :

� De eerste Hjorth parameter is de activiteit en is gelijk aan de variantie σ2s van het signaal

s.

� De tweede parameter is de mobiliteit en wordt gedefinieerd als de vierkantswortel van

de verhouding van de activiteit van de eerste afgeleide van het signaal tot de activiteit

van het originele signaal:


mobiliteit =σs′

σs

� De derde Hjorth parameter is de complexiteit en is de vierkantswortel van de verhouding

van de mobiliteit van de eerste afgeleide van het signaal tot de mobiliteit van het originele

signaal

complexiteit =σs′′/σs′

σs′/σs

Een feature die gebruikt werd in [20] voor aanvalsdetectie op basis van ACM-signalen is de

jerk. Deze feature is een maat voor de verandering van de positie van de ledematen. De jerk

wordt berekend per sensor en is de vierkantswortel van de som van de kwadraten (RSS) van

de afgeleide van de drie richtingen van een 3D-sensor:

Jy [n] =

√√√√3∑

i=1

(yi [n]− yi [n− 1]

∆t

)2

,∆t = 0, 01s (3.1)

Aangezien de samplingfrequentie 100 Hz bedraagt is ∆t = 0,01 s. Ter vergelijking wordt ook

de afgeleide per richting gebruikt als feature.

3.2.2 Tijd-frequentie methoden

Een ander uitgangspunt om features te berekenen is gebruik maken van de informatie die

vervat zit in het frequentiespectrum. De meest eenvoudige methode om het frequentiespec-

trum van een signaal te berekenen is de Fast Fourier Transform (FFT). De FFT verschaft

echter enkel informatie over het voorkomen van bepaalde frequentiecomponenten maar ver-

telt niet op welke tijdstippen die frequentiecomponenten optreden. De FFT is dan ook niet

interessant voor de analyse van ACM-signalen aangezien de frequentie verandert met de tijd.

Daarom wordt gebruik gemaakt van tijd-frequentie methoden die het signaal zowel in tijd

als in frequentie kunnen analyseren. Twee tijd-frequentie methoden werden onderzocht: de

Short Time Fourier Transform (STFT) en de Continuous Wavelet Transform (CWT).


De Short Time Fourier Transform

De STFT wordt berekend door een vensterfunctie over het oorspronkelijke signaal te schuiven

en voor elke stap de Fouriertransformatie te berekenen van het resulterende signaal:

STFT {x (t)} = X(τ, ω) =

∫ ∞

−∞x (t)w (t− τ) e−jωtdt. (3.2)

Hier is x(t) het oorspronkelijke signaal en w(t) de vensterfunctie. Een populaire vensterfunctie

is het Hanning venster (zie figuur 3.2).

0 50 100 150 200 2500

0.2

0.4

0.6

0.8

1

Figuur 3.2: Een Hanning venster van 256 samples.

De Continuous Wavelet Transform

Net zoals bij Fourieranalyse gaat men bij wavelet analyse het signaal opsplitsen in eenvoudige

elementen. Bij Fourieranalyse zijn deze elementen geschaalde sinusoıden. Ze zijn oneindig

lang en door hun regelmatige vorm zijn ze goed in het benaderen van signalen met een

constante frequentie. Wavelets daarentegen hebben een beperkte duur, zijn onregelmatig en

zijn vaak asymmetrisch waardoor zij meer geschikt zijn om signalen te beschrijven die veel

discontinuıteiten bevatten zoals menselijke beweging [4]. Er bestaan verschillende soorten

wavelets die worden opgedeeld in families (zie figuur 3.3).

De CWT wordt gedefinieerd als:


−4 −2 0 2 4−1

0

1Morlet wavelet

(a) Morelet wavelet

−5 0 5−0.5

0

0.5

1Mexican hat wavelet

(b) Mexican Hat wavelet

Figuur 3.3: Twee voorbeelden van populaire wavelets

W (a, b) =1√|a|

∫ ∞

−∞x(t)ψ

(t− ba

)dt. (3.3)

De variabelen a en b stellen respectievelijk de schaal- en de translatieparameter voor, de wa-

veletfunctie ψ (t) (zie figuur 3.3) is de gekozen basiswavelet en x (t) is het signaal waarvan de

CWT wordt berekend. De waveletcoefficienten W(a,b) beschrijven de correlatie tussen het

oorspronkelijke signaal en de basiswavelet voor verschillende translaties (in de tijd) en her-

schalingen. De coefficienten (W(a,b)) kunnen geınterpreteerd worden als de amplituden van

een reeks basiswavelets, herschaald volgens a en verschoven volgens b. Het originele signaal

kan dan gereconstrueerd worden door deze wavelets op te tellen [12]. Als basiswavelet wordt

gekozen voor een db-5 wavelet aangezien deze wavelet de meeste overeenkomsten vertoont

met een myoclonus [20].

3.2.3 Niet-lineaire methoden

Niet-lineaire methoden zijn gebaseerd op de theorie van dynamische systemen [27]. De ge-

schatte entropie is een niet-lineaire methode die in [7] wordt gebruikt als een van meerdere

features voor de detectie van epileptische aanvallen op basis van ACM-signalen. In de in-

formatietheorie is de entropie een maat voor de informatiedichtheid van de data. Een lage

entropie wil zeggen dat er minder onzekerheid is rondom een willekeurige sample uit de data.


Een accelerometriesignaal waarin absoluut geen beweging voorkomt zal een heel lage entropie

hebben. Een signaal dat veel bewegingen bevat zal een hoge entropie bezitten. Het algoritme

dat gebruikt wordt om de geschatte entropie te berekenen werd opgesteld door Pincus et

al [26] en gaat als volgt:

Het ACM-signaal van een segment wordt voorgesteld door de signaalwaarden s(j), j ∈

1, . . . , N . Op basis van s(j) wordt een reeks overlappende m-dimensionale vectoren xi,

1 ≤ i ≤ N −m+ 1 opgesteld:

xi = (s(i), . . . , s(i+m− 1)).

Voor elke index i wordt vervolgens de correlatiesom Cmi (r) berekend:

Cmi (r) =

aantal xj waarvoor d(xi,xj) ≤ rN −m+ 1

, i 6= j.

De waarden m en r zijn parameters en d(xi,xj) is de afstand tussen tussen de vectoren xi

en xj . Vervolgens wordt Φm(r) gedefinieerd als

Φm(r) =1

N −m+ 1

N−m+1∑

i=1

lnCmi (r).

en de geschatte entropie is dan

ApEn = Φm(r)− Φm+1(r)

3.2.4 De invloed van de features op het ACM-signaal

Om een beeld te krijgen van het nut van de features werd elke feature berekend en geplot voor

een episode die een tonisch-clonische aanval bevat en een episode die een normale beweging

bevat. De oorspronkelijke ACM-signalen van beide voorbeelden werden ook opgenomen in de

figuren. De features werden berekend over segmenten van 100 samples.

De scheefheid en de platheid lijken op het eerste zicht geen verschil te tonen tussen een aanval,

een normale beweging en zelfs rust (figuren 3.4 en 3.5). De activiteit blijkt een veel betere

feature te zijn en toont hogere waarden tijdens een aanval dan tijdens een normale beweging

(zie figuur 3.6). De mobiliteit en de complexiteit tijdens een aanval vertonen een verschillend


patroon dan tijdens een normale beweging (zie figuren 3.7 en 3.8). Het verschil is echter

niet zo groot. De afgeleide blijkt ook een goede feature te zijn (zie figuur 3.9) en vertoont

veel hogere waarden tijdens een aanval. Uit een plot van de STFT van de aanval volgt dat

het ACM-signaal tijdens een aanval meer hoogfrequente componenten bevat dan de normale

beweging (zie figuur 3.10). Figuur 3.11 toont plots van de CWT met een Db5 wavelet in beide

gevallen. Uit de figuur is af te leiden dat de laagfrequente componenten (grote a) groter zijn

tijdens een normale beweging dan tijdens een aanval.

0 1000 2000 3000 4000 5000 6000

−505

10

samples

sign

aal

0 10 20 30 40 50 60−2

0

2

samples

skew

ness

0 1000 2000 3000 4000 5000 6000−2

0

2

samples

sign

aal

0 10 20 30 40 50 60−2

0

2

samples

skew

ness

Figuur 3.4: De scheefheid van het ACM-signaal van een aanval en normale beweging.


0 1000 2000 3000 4000 5000 6000

−505

10

samples

sign

aal

0 10 20 30 40 50 600

5

samples

kurt

osis

0 1000 2000 3000 4000 5000 6000−2

0

2

samples

sign

aal

0 10 20 30 40 50 600

5

10

samples

kurt

osis

Figuur 3.5: De platheid van het ACM-signaal van een aanval en normale beweging.


0 1000 2000 3000 4000 5000 6000

−505

10

samples

sign

aal

0 10 20 30 40 50 600

5

10

samples

activ

iteit

0 1000 2000 3000 4000 5000 6000−2

0

2

samples

sign

aal

0 10 20 30 40 50 600

0.1

0.2

samples

activ

iteit

Figuur 3.6: De activiteit van het ACM-signaal van een aanval en normale beweging.


0 1000 2000 3000 4000 5000 6000

−505

10

samples

sign

aal

0 10 20 30 40 50 600

5

10

samples

mob

ilite

it

0 1000 2000 3000 4000 5000 6000−2

0

2

samples

sign

aal

0 10 20 30 40 50 600

5

10

samples

mob

ilite

it

Figuur 3.7: De mobiliteit van het ACM-signaal van een aanval en normale beweging.


0 1000 2000 3000 4000 5000 6000

−505

10

samples

sign

aal

0 10 20 30 40 50 601

2

3

samples

com

plex

iteit

0 1000 2000 3000 4000 5000 6000−2

0

2

samples

sign

aal

0 10 20 30 40 50 601

2

3

samples

com

plex

iteit

Figuur 3.8: De complexiteit van het ACM-signaal van een aanval en normale beweging.


0 1000 2000 3000 4000 5000 6000

−505

10

samples

sign

aal

0 1000 2000 3000 4000 5000 6000

−5

0

5

samples

1e a

fgel

eide

0 1000 2000 3000 4000 5000 6000−2

0

2

samples

sign

aal

0 1000 2000 3000 4000 5000 6000−1

−0.5

0

0.5

samples

1e a

fgel

eide

Figuur 3.9: De afgeleide van het ACM-signaal van een aanval en normale beweging.


0 1000 2000 3000 4000 5000 6000

−505

10

samples

sign

aal

5 10 15 20 25 30 35 40 45 50 550

10

20

30

40

50

tijd (seconden)

freq

uent

ie (

Hz)

0 1000 2000 3000 4000 5000 6000−2

0

2

samples

sign

aal

5 10 15 20 25 30 35 40 45 50 550

10

20

30

40

50

tijd (seconden)

freq

uent

ie (

Hz)

Figuur 3.10: De STFT van het ACM-signaal van een aanval en normale beweging.


0 1000 2000 3000 4000 5000 6000

−505

10

samples

sign

aal

tijd b (aantal samples)

scha

alfa

ctor

en a

1000 2000 3000 4000 5000 6000

32

64

96

128

160

192

224

256

0 1000 2000 3000 4000 5000 6000−2

0

2

samples

sign

aal

tijd b (aantal samples)

scha

alfa

ctor

en a

1000 2000 3000 4000 5000 6000

32

64

96

128

160

192

224

256

Figuur 3.11: De CWT van het ACM-signaal van een aanval en normale beweging. Als basiswavelet

werd gebruik gemaakt van een db5-wavelet


3.3 Dimensie-reductie technieken

De data waarmee gewerkt wordt in deze scriptie is 15-dimensionaal indien het maximum van

5 sensoren wordt gebruikt voor de metingen. Elke sensor meet namelijk de versnelling in drie

richtingen. Als we bovendien een combinatie van features willen aanleggen aan het reservoir,

dan zal de dimensie van het ingangssignaal zeer groot zijn. Met behulp van dimensie-reductie

technieken kan de dimensie sterk worden gereduceerd met een minimaal verlies aan informatie.

In deze thesis worden twee technieken gebruikt. De eerste is eenvoudigweg het nemen van

de vierkantswortel van de kwadraten van de drie signaalwaarden van een sensor (RSS). De

tweede techniek, Principal Component Analysis (PCA), is meer geavanceerd.

3.3.1 Principal Component Analysis

Principal Component Analysis (PCA) is een voorverwerkingsmethode die vaak gebruikt wordt

bij het analyseren van data op verschillende toepassingsgebieden [15]. Het doel van PCA is

het transformeren van een aantal variabelen die al dan niet gecorreleerd zijn naar een kleiner

aantal ongecorreleerde variabelen, de hoofdcomponenten. Om dit te verwezenlijken wordt een

nieuwe basis gezocht die een lineaire combinatie is van de originele basis. Deze basis wordt zo

gekozen zodat de projectie van de data op de eerste coordinaat (de eerste hoofdcomponent)

een maximale variantie vertoont. De tweede coordinaat vertoont de tweede grootste variantie,

enz. Dit heeft als gevolg dat het grootste deel van de informatie vervat zit in de eerste

hoofdcomponenten. Door een aantal van de laatste hoofdcomponenten te laten vallen kan op

deze manier de dimensie van het ingangssignaal worden gereduceerd met een minimaal verlies

aan informatie.

Het algoritme van PCA gaat als volgt:

1. Organiseer de data in een MxN matrix X met M het aantal observaties en N het

aantal meetwaarden per observatie. Als er bijvoorbeeld data wordt gemeten met 5 3D-

accelerometers over een periode van 60 seconden met een samplingfrequentie van 100

Hz is m = 15 en n = 6000.

2. Stel vervolgens een Mx1 vector u op die de gemiddelden bevat voor elke observatie

m ∈ {1, ...,M}:


u(m) =1

N

N∑

n=1

X(m,n)

3. Bereken voor elke observatie m de afwijking tegenover het gemiddelde door de vector u

af te trekken van elke kolom uit X.

B = X− uh

met h een 1xN vector die enkel enen bevat.

4. Bereken de covariantiematrix C van de matrix B:

C =1

nBBT

5. Bereken de eigenvectoren en de eigenwaarden van C. Hiervoor wordt C gediagonaliseerd:

V−1CV = D.

Hierbij is D is een diagonaalmatrix die de eigenwaarden van C bevat en V bevat de

eigenvectoren van C.

6. Rangschik de eigenvectoren en eigenwaarden volgens afnemende eigenwaarden.

7. Projecteer het oorspronkelijke signaal op de eigenvectoren (de nieuwe basis) om de

hoofdcomponenten te bekomen.


3.4 Testen van features

In het vorige deel werden verschillende features voorgesteld die het reservoir in staat zouden

moeten stellen om een aanval beter te kunnen onderscheiden van andere bewegingspatro-

nen. De prestaties van die features worden nu nagegaan in een reeks experimenten. Elke

feature wordt berekend op basis van het ruwe signaal. Een aantal features worden per defi-

nitie berekend over meerdere samples. Het signaal wordt dan opgedeeld in niet-overlappende

segmenten en per segment wordt de feature berekend. Verschillende segmentlengte’s werden

gebruikt om de invloed hiervan na te gaan. Het nieuwe signaal wordt vervolgens aangelegd

aan het reservoir, samen met de gewenste uitvoer. Het reservoir wordt dan getraind met

kruisvalidatie en voor elke fold wordt de trainen de testfout berekend. Het gemiddelde en

de standaardafwijking op de fouten wordt ten slotte berekend over alle folds.

De features werden getest voor beide datasets. Voor de eerste dataset (11 aanvallen) werd

gebruik gemaakt van 5 folds voor kruisvalidatie zodat telkens 2 aanvallen gebruikt werden

voor het testen en voor een fold, drie aanvallen. Voor de tweede dataset (6 aanvallen) werden

6 folds gebruikt en werd per fold op 1 aanval getest. Elk experiment werd uitgevoerd voor 10

verschillende reservoirs en de reservoirparameters werden geoptimaliseerd per feature. Voor

de features die een slecht resultaat gaven bleek deze optimalisatie niets uit te maken en voor de

andere features had het aanpassen van de parameters een gering effect. Later in dit hoofdstuk

wordt de invloed van de reservoirparameters in detail onderzocht.

De resultaten van de experimenten worden weergegeven in tabellen 3.2 en 3.3. Alle features

werden getest voor de tweede dataset. Voor de eerste dataset werden enkel de features getest

die werkten voor de tweede dataset aangezien net voor de deadline een fout in de eerste

dataset werd ontdekt en er niet voldoende tijd meer beschikbaar was om al de experimenten

te herhalen.

De jerk geeft het beste resultaat voor beide datasets. Opvallend is het verschil tussen de jerk

en de afgeleide aangezien de jerk niets anders is dan de RSS van de afgeleiden per richting.

De RSS lijkt dus op het eerste zicht een goede methode om de informatie van de signalen per

richting samen te nemen. Later wordt nagegaan of met PCA een gelijkaardig resultaat kan

worden bekomen. De activiteit haalt een BER van 0,348 (0,111) voor de eerste dataset en


0,411 (0,142) voor de tweede dataset en kleinere vensters zorgen voor betere resultaten. Het

is interessant om na te gaan of de RSS ook voor deze feature voor een beter resultaat kan

zorgen.

De mobiliteit, complexiteit, scheefheid en platheid zetten allen een slecht resultaat neer. Een

BER van 0,5 betekent namelijk dat het systeem niet beter presteert dan een systeem dat een

willekeurige uitgang genereert. Voor kleinere segmenten werd er bij het berekenen van deze

features vaak gedeeld door 0. Daarom zijn er geen resultaten beschikbaar voor segmenten

kleiner dan 50 samples. De CWT gaf ten slotte ook geen goed resultaat.

Figuur 3.12 toont een reservoiruitgang samen met de gewenste uitgang bij een correcte de-

tectie. Merk op dat de reservoiruitgang niet gedurende de volledige aanval hoog komt en

dat er rond sample 1500 een korte valse detectie plaats vindt. Door de drempelwaarde te

optimaliseren kunnen deze valse detecties gedeeltelijk worden weggewerkt (zie verder).

0 0.5 1 1.5 2 2.5

x 104

−2

−1

0

1

2

3

samples

uitg

ang

gewenste uitgangreservoiruitgangdrempelwaarde

Figuur 3.12: De uitgang van het reservoir bij de detectie van een aanval.


Feature Vensterlengte Trainfout (BER (std)) Testfout (BER (std))

geen n.v.t. 0,105 (0,040) 0,526 (0,110)

jerk n.v.t. 0,194 (0,026) 0,270 (0,149)

afgeleide n.v.t. 0,262 (0,039) 0,347 (0,114)

activiteit

200 0,111 (0,021) 0,526 (0,141)

100 0,112 (0,024) 0,499 (0,159)

50 0,101 (0,018) 0,451 (0,142)

25 0,079 (0,015) 0,427 (0,130)

10 0,091 (0,021) 0,411 (0,142)

mobiliteit

200 0,169 (0,046) 0,587 (0,156)

100 0,153 (0,042) 0,561 (0,167)

50 0,114 (0,026) 0,538 (0,129)

complexiteit

200 0,229 (0,066) 0,468 (0,122)

100 0,191 (0,047) 0,568 (0,085)

50 0,170 (0,042) 0,510 (0,042)

scheefheid

200 0,172 (0,056) 0,573 (0,095)

100 0,127 (0,048) 0,598 (0,090)

50 0,114 (0,043) 0,527 (0,130)

platheid

200 0,086 (0,034) 0,453 (0,246)

100 0,094 (0,032) 0,467 (0,194)

50 0,063 (0,018) 0,479 (0,173)

CWT met Db-5 n.v.t. 0,293 (0,128) 0,461 (0,174)

Tabel 3.2: De resultaten voor de tweede dataset. Voor elke feature wordt de gemiddelde fout op het

trainen en het testen weergegeven. De standaardafwijking op de fout staat telkens tussen

haakjes.



geen n.v.t. 0,273 (0,015) 0,493 (0,038)

jerk n.v.t. 0,320 (0,020) 0,339 (0,061)

afgeleide n.v.t. 0,427 (0,011) 0,432 (0,053)

activiteit

200 0,500 (0) 0,504 (0,015)

100 0,456 (0,060) 0,402 (0,028)

50 0,313 (0,036) 0,407 (0,095)

25 0,259 (0,030) 0,350 (0,114)

10 0,260 (0,027) 0,348 (0,111)

Tabel 3.3: De resultaten voor de eerste dataset. Voor elke feature wordt de gemiddelde fout op het

trainen en het testen weergegeven. De standaardafwijking op de fout staat telkens tussen

haakjes.

3.4.1 Dimensiereductie

In dit experiment wordt na gegaan of het nemen van de RSS voor elke sensor voor betere

resultaten zorgt wanneer de activiteit gebruikt wordt als feature. De RSS combineert de drie

signalen per 3D-sensor tot een signaal door de vierkantswortel van de som van de kwadraten

van die signalen te nemen. Er wordt ook onderzocht of PCA de resultaten kan verbeteren

door verschillende hoofdcomponenten over te houden en de overige componenten te laten

vallen. PCA wordt toegepast voor zowel de activiteit als de jerk voor de tweede dataset. Elk

experiment wordt opnieuw 10 keer uitgevoerd.

De resultaten van deze experimenten worden weergegeven in tabel 3.4. Voor de afgeleide

zorgde PCA voor betere resultaten dan wanneer geen dimensiereductie wordt toegepast. PCA

presteerde het beste wanneer enkel de eerste hoofdcomponent werd behouden. Dit gaf het-

zelfde resultaat dan wanneer de RSS werd gebruikt. Wanneer de activiteit werd gebruikt als

feature bleken zowel PCA als het nemen van de RSS geen verschil te maken.


Voorverwerking Dimensie vd ingang Trainfout (BER (std)) Testfout (BER (std))

afgeleide 15 0,262 (0,039) 0,347 (0,114)

afgeleide + RSS (jerk) 5 0,194 (0,026) 0,270 (0,149)

afgeleide + PCA

1 0,244 (0,046) 0,272 (0,157)

2 0,249 (0,051) 0,291 (0,144)

3 0,260 (0,046) 0,304 (0,146)

5 0,259 (0,044) 0,346 (0,132)

10 0,254 (0,040) 0,344 (0,110)

activiteit 15 0,091 (0,021) 0,411 (0,142)

activiteit + RSS 5 0,116 (0,025) 0,423 (0,155)

activiteit + PCA

1 0,186 (0,046) 0,421 (0,139)

2 0,217 (0,064) 0,612 (0,149)

3 0,198 (0,050) 0,579 (0,166)

5 0,161 (0,040) 0,569 (0,207)

10 0,170 (0,034) 0,526 (0,224)

Tabel 3.4: Resultaten van dimensiereductie voor de tweede dataset.

3.4.2 Combinatie van de afgeleide en de activiteit

Aangezien de afgeleide en de activiteit de enige features zijn die werken, wordt na gegaan of

deze twee features gecombineerd kunnen worden. Merk op dat de activiteit wordt berekend

voor niet-overlappende segmenten van 10 samples en de afgeleide per sample. Een manier

om deze features te combineren is om de afgeleide uit te middelen over dezelfde segmenten.

Het uitmiddelen resulteerde echter in minder goede resultaten (zie tabel 3.5) en daarom werd

deze methode niet gebruikt om de features te combineren. Een andere werkwijze is de waarde

van de activiteit uitsmeren over het volledige segment. De combinatie van beide features op

deze manier zorgde echter niet voor betere resultaten.


Voorverwerking Dimensie van de ingang Trainfout Testfout

afgeleide + PCA 1 0,244 (0,046) 0,272 (0,157)

afgeleide + PCA + uitmiddeling 1 0,246 (0,059) 0,369 (0,146)

afgeleide 15 0,262 (0,039) 0,347 (0,114)

activiteit 15 0,091 (0,021) 0,411 (0,142)

afgeleide + activiteit 30 0,227 (0,027) 0,433 (0,086)

afgeleide + PCA 1 0,244 (0,046) 0,272 (0,157)

activiteit + PCA 1 0,186 (0,046) 0,421 (0,139)

afgeleide + activiteit + PCA 1 0,413 (0,022) 0,489 (0,058)

Tabel 3.5: Resultaten van de combinatie van beide features voor de tweede dataset.

3.5 Optimalisatie van de treshold

Bij het evalueren van een systeem wordt per sample de gewenste uitgang vergeleken met de

voorspelde uitgang. De gewenste uitgang kan twee waarden aannemen:

� +1 indien de sample tot een aanval behoort.

� -1 als de sample niet tot een aanval behoort.

De voorspelde uitgang is afhankelijk van de reservoiruitgang en een drempelwaarde. Als de

uitgang boven de drempelwaarde ligt wordt voorspeld dat de sample tot een aanval behoort

en omgekeerd. Tot nu toe werd deze drempelwaarde gelijk gesteld aan nul. De bedoeling van

dit experiment is om de waarde van de drempelwaarde te varieren en de invloed ervan na

te gaan. Als voorverwerkingsmethode wordt de afgeleide gebruikt in combinatie met PCA

waarbij 1 hoofdcomponent wordt behouden aangezien dit de beste resultaten gaf. Voor elke

drempelwaarde werd gesimuleerd voor 10 reservoirs. Figuren 3.13 en 3.14 tonen aan hoe de

treshold de aanvalsdetectie kan beınvloeden. Een lage drempelwaarde kan zowel zorgen voor

meer correcte detecties als meer valse detecties. Een hoge drempelwaarde betekent minder

correcte detecties, maar ook minder valse detecties.

De resultaten van dit experiment worden weergegeven in figuur 3.15. Lagere drempelwaarden

zorgen voor een iets betere testfout en een veel betere trainfout. De kleinste testfout (BER


0,226 (0,145)) werd gevonden voor een drempelwaarde van -0,6.

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

x 104

−1

−0.5

0

0.5

1

samples

uitg

ang

reservoiruitganggewenste uitgangdrempelwaarde

Figuur 3.13: Een lage drempelwaarde zorgt ervoor dat deze aanval voor het grootste deel wordt

gedetecteerd.

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000−1.5

−1

−0.5

0

0.5

1

1.5

samples

uitg

ang

reservoiruitganggewenste uitgangdrempelwaarde

Figuur 3.14: Door de drempelwaarde voldoende te hoog te zetten wordt de beweging op het einde

van de episode niet als een aanval beschouwd.


−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 10

0.1

0.2

0.3

0.4

0.5

drempelwaarde

BE

R

trainfouttestfout

Figuur 3.15: De resultaten van de optimalisatie van de drempelwaarde.

3.6 Invloed van de reservoirparameters

Voor de eerste experimenten in dit hoofdstuk werden per feature de reservoirparameters

geoptimaliseerd. Voor de features die een testfout generereerden die rond 0,5 lag, bleek dit

niets uit te maken en bleef het resultaat slecht. De reservoirparameters hadden wel een

invloed voor de afgeleide en de variantie. In dit deel worden de resultaten getoond voor de

optimalisatie van de reservoirparameters wanneer de afgeleide met PCA (1 hoofdcomponent)

wordt gebruikt als voorverwerkingsmethode op de tweede dataset. Hierdoor krijgen we een

beeld van de invloed van de reservoirparameters.

Het optimaliseren van de reservoirparameters wordt manueel gedaan door middel van parame-

ter sweeps. Voor elke parameter wordt een beginwaarde, een eindwaarde en een stapgrootte

ingesteld. Het experiment wordt voor tien verschillende reservoirs uitgevoerd per parameter-

set. De parameter die voor de kleinste testfout zorgt is de optimale.

3.6.1 De spectrale radius en de invoerschaling

De eerste parameters die worden geoptimaliseerd zijn de spectrale radius en de invoerschaling.

Deze parameters worden samen geoptimaliseerd omdat ze elkaar beınvloeden. Voor de overige

reservoirparameters worden de standaardwaarden gebruikt, met uitzondering van de leak rate

en de bias die respectievelijk op 0,01 en 1 worden ingesteld. Er is namelijk een vermoeden

dat het invoeren van beide parameters de prestaties drastisch zal verbeteren [5]. Aangezien


er een groot aantal combinaties van beide paramaters moet worden getest, wordt slechts een

deel van de resultaten weergegeven. Figuren 3.16 en 3.17 tonen respectievelijk de BER voor

de trainen de testfout in functie van de spectrale radius voor de optimale invoerschaling en

de BER in functie van de invoerschaling voor de optimale spectrale radius.

Beide parameters blijken geen statistisch significante invloed te hebben op de prestaties van

het systeem. Er werd verder gewerkt met een spectrale radius van 1,1 en een invoerschaling

van 0,9. De gemiddelde testfout voor deze parametercombinatie is 0,267 met een standaard-

afwijking van 0,169.

0.7 0.8 0.9 1 1.1 1.2 1.3 1.40

0.1

0.2

0.3

0.4

0.5

spectrale radius

BE

R

trainfouttestfout

Figuur 3.16: Train- en testfout ifv de spectrale radius voor de optimale invoerschaling

0.7 0.8 0.9 1 1.1 1.2 1.3 1.40

0.1

0.2

0.3

0.4

0.5

invoerschaling

BE

R

trainfouttestfout

Figuur 3.17: Train- en testfout ifv de invoerschaling voor de optimale spectrale radius


3.6.2 De leakrate

De ’optimale’ waarden voor de spectrale radius en de invoerschaling worden nu gebruikt om

een derde parameter te optimaliseren: de leak rate. Figuur 3.18 toont een uiteenzetting van

de resultaten. Het verschil tussen de testfout wanneer geen leak rate wordt gebruikt (leak

rate = 100) en de testfout voor een optimale leak rate is aanzienlijk en bijgevolg oefent deze

parameter een grote invloed uit op de prestaties van het systeem. Een leak rate die lager

ligt dan 0,1 zorgt voor de beste resultaten. Het optimum bedraagt 0,01 en resulteert in een

testfout van 0,273 (0,164).

10−3

10−2

10−1

100

0

0.1

0.2

0.3

0.4

0.5

leakrate

BE

R

trainfouttestfout

Figuur 3.18: De trainen testfout ifv de leak rate

3.6.3 De schaling van de bias

Een vierde parameter die wordt geoptimaliseerd is de schalingsfactor van het biasneuron naar

het reservoir. Figuur 3.19 toont de resultaten van deze optimalisatie. De bias blijkt een

belangrijke parameter te zijn. Wanneer geen bias wordt gebruikt (schaling 0), resulteert dit

in een slecht resultaat. Als de schaling van de bias groter is dan 0,4 zien we geen verdere

verbetering van de resultaten. Er wordt verder gewerkt met een bias van 0,8 waarbij de

testfout 0,265 (0,164) bedraagt.


0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6

0.1

0.2

0.3

0.4

0.5

schaling van de bias

BE

R

trainfouttestfout

Figuur 3.19: De trainen testfout ifv de schaling van het biasneuron naar het reservoir

3.6.4 De connectiefracties

De volgende twee parameters die worden geoptimaliseerd zijn de connectiefractie van de in-

gang naar het reservoir en de connectiefractie van het reservoir naar zichzelf. Figuren 3.20

en 3.21 tonen de resultaten. Deze parameters oefenen geen invloed uit op de resultaten. Er

wordt verder gewerkt met de waarden 1 en 0,9.

0 0.2 0.4 0.6 0.8 10.1

0.2

0.3

0.4

0.5

connectiefractie van ingang naar reservoir

BE

R

trainfouttestfout

Figuur 3.20: De trainen testfout ifv de connectiefractie van de ingang naar het reservoir


0 0.2 0.4 0.6 0.8 10.1

0.2

0.3

0.4

0.5

connectiefractie van reservoir naar zichzelf

BE

R

trainfouttestfout

Figuur 3.21: De trainen testfout ifv de connectiefractie van het reservoir naar zichzelf

3.6.5 Het aantal neuronen

Een laatste belangrijke reservoirparameter is het aantal neuronen. Voor een complexe clas-

sificatietaak zijn meer neuronen nodig dan voor een eenvoudige taak. Vijftig neuronen bleek

genoeg te zijn voor dit systeem. Het aantal neuronen verder verhogen zorgde niet voor een

betere testfout. De resultaten worden uitgezet in figuur 3.22.

0 50 100 150 200 2500.1

0.2

0.3

0.4

0.5

aantal neuronen

BE

R

trainfouttestfout

Figuur 3.22: De trainen testfout ifv het aantal neuronen

3.6.6 De optimale parameters

De optimale parameters worden getoond in tabel 3.6.


Parameter Waarde

Aantal neuronen 50

Schalingsfactor ingang naar reservoir 0,9

Spectrale radius 1,1

Leak rate 0,01

Schalingsfactor bias naar reservoir 0,8

Connectiefractie ingang naar reservoir 1

Connectiefractie reservoir naar zichzelf 0,9

Tabel 3.6: De optimale reservoirparameters

3.7 Testen op de volledige dataset

De experimenten die tot nu toe werden uitgevoerd zijn gebaseerd op een beperkte dataset

die beschreven werd in het eerste deel van dit hoofdstuk. De informatie die voort kwam uit

deze experimenten wordt nu gebruikt om het detectiesysteem te testen op de volledige tweede

dataset. Er werd getraind op 5 van de 6 aanvallen en 10% van de interictale data. De overige

data werd gebruikt voor het testen. Kruisvalidatie werd niet toegepast.

De resultaten van dit experiment waren minder goed dan werd verwacht (zie tabel 3.7). De

volledige reservoiruitgang en de gewenste uitgang werden visueel geınspecteerd om de hogere

BER te verklaren. De aanval in de testset werd gedecteerd maar bij een groot aantal normale

bewegingen vond een valse detectie plaats.

Voorverwerking Dataset Trainfout Testfout

afgeleide + PCA (1 hoofdcomponent) volledig 0,256 0,315

afgeleide + PCA (1 hoofdcomponent) beperkt 0,117 (0,014) 0,226 (0,145)

Tabel 3.7: Resultaten van het testen van het systeem op de volledige dataset zonder kruisvalidatie


3.8 Detectie met een lineaire classifier

De resultaten van het detectiesysteem dat in dit hoofdstuk werd opgesteld zijn niet zo goed.

De beste testfout die behaald werd bedraagt 0,226 met een standaardafwijking van 0,145.

Dit betekent dat het systeem ongeveer 1 op 4 samples fout classificeert. Om na te gaan of

deze mindere resultaten niet te wijten zijn aan de gebruikte classificatiemethode (Reservoir

Computing), werden de features opnieuw getest maar dan met lineaire classificatie. Aangezien

de toolbox niet om kan met een leeg reservoir, werd een reservoir met 1 neuron aangemaakt,

waarvan de invoerschaling op nul werd gezet. De invoer werd dan rechtstreeks verbonden met

de uitvoer. Om deze lineaire classificatie toch enige vorm van geheugen te geven werden voor

elke sample van het ingangssignaal ook de vorige 19 samples aangelegd.

Lineaire classificatie gaf voor geen enkele feature een resultaat. De reservoiruitgang bleef

steeds laag, wat resulteerde in een BER van 0,5 voor zowel de train- als de testfout. Een meer

complexe classificatietechniek lijkt dus noodzakelijk te zijn.

Hoofdstuk 4

Tonische aanvalsdetectie

In dit hoofdstuk wordt een poging ondernomen om een detectiesysteem te ontwerpen dat

tonische aanvallen kan onderscheiden van normale bewegingspatronen. In een eerste deel

worden een aantal features besproken die specifiek zijn voor tonische aanvallen. Deze featu-

res, samen met die uit hoofdstuk 3, worden vervolgens getest met Reservoir Computing als

classificatiemethode.

4.1 De dataset

In dit hoofdstuk wordt gebruik gemaakt van de tweede dataset die afkomstig is van het

Expertisecentrum Kempenhaeghe voor epilepsie en slaapgeneeskunde en reeds besproken werd

in hoofdstuk 3. De andere dataset bevat namelijk enkel tonisch-clonische aanvallen. Er is

data beschikbaar van vier patienten die samen zeven tonische aanvallen vertonen.

Voor de experimenten uit dit hoofdstuk wordt opnieuw gewerkt met een beperkte dataset die

op dezelfde manier wordt opgesteld als in het vorige hoofdstuk. De tonisch-clonische aanvallen

worden niet opgenomen in de dataset. De nieuwe dataset bestaat uit 26 episodes, waarvan er

7 een aanval vertonen. De overige 19 episodes stellen normale bewegingspatronen voor. De

totale dataset bevat 3590 seconden data waarvan 292 seconden ictaal.

56

Hoofdstuk 4. Tonische aanvalsdetectie 57

4.2 Specifieke features voor tonische aanvallen

Voor het onderzoek in dit hoofdstuk worden nog een aantal features besproken die gebaseerd

zijn op de typische vorm van het ACM-patroon van tonische aanvallen. Deze features werden

overgenomen uit [20].

Tonische aanvallen kan men door hun typische vorm onderscheiden van andere bewegingen

(zie figuur 4.1). Tijdens een tonische aanval verandert de positie van de ledematen van de

patient heel langzaam. Dit uit zich op het ACM-signaal als een blokgolf (zie figuur 4.1a).

Deze blokgolf kan men soms ook zien bij normale bewegingen, maar de helling is dan veel

steiler (zie figuur 4.2). Naast de verandering van positie vertonen de ledematen ook een kleine

tremor. De amplitude van die tremor is kleiner dan bij het clonische gedeelte van een tonisch-

clonische aanval en bij normale beweging (zie figuur 4.1). Verder zijn meestal meerdere delen

van het lichaam betrokken bij een aanval. Het patroon van een tonische aanval is dan op

hetzelfde moment zichtbaar op meerdere sensoren. Op basis van deze eigenschappen kan men

een aantal features afleiden die het mogelijk zouden moeten maken om tonische aanvallen

beter te kunnen detecteren.

In [20] werd eerst een model opgesteld dat de versnelling van een arm beschrijft tijdens een

tonische aanval. De totale versnelling is de som van twee componenten: de eerste component

is het resultaat van de beweging die de arm maakt en de tweede component is een functie van

de zwaartekracht. De invloed van de zwaartekracht op de versnelling is te verklaren door het

feit dat de orientatie van de sensor verandert tijdens een beweging. De bijdrage van de zwaar-

tekracht component aan de totale versnelling is afhankelijk van de hoeken dat het assenstelsel

van de sensor maakt met de verticale. Als de sensor zo georienteerd is dat een van de drie

richtingen loodrecht op de grond staat, zal de waarde van de zwaartekracht component in die

richting maximaal zijn. In de andere twee richtingen zal de zwaartekracht component nul zijn.

Uit het model volgt dat de zwaartekracht component veel groter is dan de bewegingscompo-

nent. Het typische blokpatroon van een tonische aanval is dus vooral het resultaat van een

traag varierende zwaartekracht component. Deze component kan gemakkelijk geschat worden

door elk afzonderlijk signaal door een simpel laagdoorlaatfilter te sturen [9, 33]. Elk signaal

xi, i ∈ {1, 2, 3}, van een sensor wordt hiervoor gefilterd met een eerste orde laagdoorlaatfilter

met afsnijfrequentie 0,5 Hz. Het resultaat is de trage signaalcomponent yi, die verder wordt


0 10 20 30 40 50 60 70 80 90−0.5

0

0.5

1

tijd (s)

vers

ne

llin

g (

g)

(a) Een tonische aanval

0 5 10 15 20 25 30 35 40−4

−2

0

2

4

tijd (s)

vers

ne

llin

g (

g)

(b) Een tonisch-clonische aanval

0 5 10 15 20 25 30 35 40−1

−0.5

0

0.5

1

1.5

2

tijd (s)

vers

ne

llin

g (

g)

(c) Normale (snelle) beweging

Figuur 4.1: Vergelijking tussen het ACM-patroon van een tonische aanval (a) en andere bewegings-

patronen (b,c)


gebruikt om features te berekenen (zie figuur 4.2).

0 1000 2000 3000 4000 5000 6000

−100

−50

0

samples

sign

aal

0 1000 2000 3000 4000 5000 6000

−100

−50

0

samples

sign

aal

0 1000 2000 3000 4000 5000 6000

−1000

100200

samples

sign

aal

0 1000 2000 3000 4000 5000 6000−100

0

100

samples

sign

aal

Figuur 4.2: Een van de 15 ACM-signalen en zijn trage signaalcomponent van een tonische aanval

(boven) en een normale beweging (onder). De aanval en de beweging zijn aangeduid in

het blauw.

4.2.1 De jerk

Een eerste feature voor het blokpatroon is de jerk JY die reeds werd besproken in hoofdstuk 3.

Het blokpatroon is het resultaat van een trage positieverandering van een van de ledematen.


De positie van een ledemaat wordt voorgesteld door de trage signaalcomponent yi en de

verandering van de positie kan bijgevolg worden voorgesteld door de eerste afgeleide. Figuur

4.3 toont een voorbeeld van deze feature berekend voor een tonische aanval en voor een

normale beweging. Omdat de positieverandering bij een tonische aanval trager verloopt dan

tijdens een normale beweging is de jerk lager voor tonische aanvallen.

0 1000 2000 3000 4000 5000 6000

−100

−50

0

samples

sign

aal

0 1000 2000 3000 4000 5000 60000

50

samples

jerk

0 1000 2000 3000 4000 5000 6000−100

0

100

samples

sign

aal

0 1000 2000 3000 4000 5000 60000

100

200

samples

jerk

Figuur 4.3: De jerk en een van de originele trage signaalcomponenten voor een tonische aanval

(boven) en een normale beweging (onder).


4.2.2 De standaardafwijking van de trage signaalcomponent

Een tweede feature is de standaardafwijking σY . Ook deze feature is een maat voor de

positieverandering van het ledemaat waarop de sensor is bevestigd. Voor het berekenen van

σY worden de drie signalen per sensor samen genomen door de RSS te berekenen zoals het

geval was bij de jerk.

σY2 =

1

N − 1

N∑

n=1

(Y [n]− Y

)2(4.1)

Y [n] is de RSS van de signaalcomponenten van de sensor:

Y [n] =

√√√√3∑

i=1

yi2 [n]

en Y is het gemiddelde van Y [n] berekend over een segment van N samples. Figuur 4.4 toont

een voorbeeld van deze feature berekend over 100 samples. Op de figuur is duidelijk te zien

dat σy lagere waarden aanneemt bij een tonische aanval dan bij een normale beweging.

4.2.3 Het verschil tussen de maximale en de minimale signaalwaarde

Een derde feature die gebruikt wordt om het typische blokpatroon te karakteriseren is het

verschil tussen de maximale en de minimale signaalwaarde over een segment. Deze feature

wordt als volgt berekend:

RY =

√√√√3∑

i=1

|max (yi [1 : N ])−min (yi [1 : N ])|2

4.2.4 De standaardafwijking van de snelle signaalcomponent

De feature die gebruikt wordt om de tremor op het signaal te karakteriseren wordt gebaseerd

op de snelle signaalcomponent y′i die bekomen wordt door de trage signaalcomponent yi af te

trekken van het oorspronkelijke signaal xi (zie figuur 4.6). Vervolgens wordt de standaardaf-

wijking van σY ′ berekend op dezelfde manier als σY (zie figuur 4.7). Op de figuur is te zien

dat de standaardafwijking lagere waarden aanneemt tijdens een tonische aanval dan tijdens

een normale beweging.


0 1000 2000 3000 4000 5000 6000

−100

−50

0

samples

sign

aal

0 10 20 30 40 50 600

5

samples

std

0 1000 2000 3000 4000 5000 6000−100

0

100

samples

sign

aal

0 10 20 30 40 50 600

10

20

30

samples

std

Figuur 4.4: De standaardafwijking over 100 samples en een van de originele trage signaalcomponen-

ten voor een tonische aanval (boven) en een normale beweging (onder).


0 1000 2000 3000 4000 5000 6000

−100

−50

0

samples

sign

aal

0 10 20 30 40 50 600

20

40

samples

rang

e

0 1000 2000 3000 4000 5000 6000−100

0

100

samples

sign

aal

0 10 20 30 40 50 600

50

100

samples

rang

e

Figuur 4.5: Het verschil tussen de maximale en de minimale signaalwaarde over 100 samples en

een van de originele trage signaalcomponenten voor een tonische aanval (boven) en een

normale beweging (onder).


0 1000 2000 3000 4000 5000 6000

−100

−50

0

samples

sign

aal

0 1000 2000 3000 4000 5000 6000−10

0

10

20

samples

sign

aal

0 1000 2000 3000 4000 5000 6000

−1000

100200

samples

sign

aal

0 1000 2000 3000 4000 5000 6000

0

100

200

samples

sign

aal

Figuur 4.6: Een van de 15 ACM-signalen en zijn snelle signaalcomponent van een tonische aanval

(boven) en een normale beweging (onder).


0 1000 2000 3000 4000 5000 6000−10

0

10

20

samples

sign

aal

0 10 20 30 40 50 600

5

samples

std

0 1000 2000 3000 4000 5000 6000

0

100

200

samples

sign

aal

0 10 20 30 40 50 600

20

40

samples

std

Figuur 4.7: De standaardafwijking over 100 samples van de snelle signaalcomponenten voor een

tonische aanval (boven) en een normale beweging (onder).


4.3 Testen van de features

De features die besproken werden in het voorgaande deel worden nu in een reeks experimenten

berekend en aangelegd aan het reservoir. Opnieuw wordt kruisvalidatie gebruikt. Er word

gekozen om vier folds te gebruiken. Voor drie folds bevat de validatieset twee van de zeven

aanvallen. De validatieset van de vierde fold bevat dan enkel de laatste aanval. Elk experiment

wordt uitgevoerd voor 10 reservoirs en maakt gebruik van de reservoirparameters die gevonden

werden in hoofdstuk 3 voor de afgeleide met PCA.

Tabel 4.1 geeft de resultaten weer van de experimenten. Voor alle features resulteert een

kleinere vensterlengte in een lagere testfout. De standaardafwijking van de trage signaal-

component (σY ) berekend over 10 samples zet het beste resultaat neer. Een aantal features

die in het vorige hoofdstuk werden gebruikt, werden ook getest, maar gaven opnieuw slechte

resultaten (zie 4.2).

Bij tonisch-clonische detectie zorgde een reductie van de dimensie met PCA voor betere

resultaten. Er wordt nu nagegaan of dit ook het geval is voor tonische detectie (zie tabel

4.3). Voor de features die over een segment worden berekend, wordt een segmentlengte van

10 samples gebruikt. PCA bleek in dit geval niet voor betere resultaten te zorgen.

Ten slotte wordt onderzocht hoe twee mogelijke combinaties van deze features presteren (zie

tabel 4.4). Wegens tijdgebrek werden slechts twee mogelijke combinaties getest. Beiden zetten

geen goed resultaat neer.



geen n.v.t. 0,222 (0,080) 0,477 (0,127)

JY n.v.t. 0,423 (0,009) 0,463 (0,044)

σY

100 0,197 (0,055) 0,461 (0,154)

50 0,165 (0,041) 0,408 (0,158)

25 0,150 (0,044) 0,349 (0,171)

10 0,182 (0,043) 0,313 (0,132)

RY

100 0,160 (0,035) 0,425 (0,185)

50 0,146 (0,045) 0,422 (0,184)

25 0,147 (0,045) 0,378 (0,163)

10 0,175 (0,035) 0,366 (0,133)

σ′Y100 0,192 (0,035) 0,454 (0,166)

50 0,193 (0,046) 0,472 (0,164)

25 0,195 (0,043) 0,403 (0,144)

10 0,202 (0,062) 0,407 (0,136)

Tabel 4.1: De trainen testfout voor verschillende features voor tonische aanvalsdetectie. De stan-

daardafwijking op de fouten bevindt zich tussen de haakjes)



scheefheid

200 0,214 (0,081) 0,482 (0,163)

100 0,177 (0,067) 0,530 (0,192)

50 0,164 (0,062) 0,492 (0,092)

platheid

200 0,157 (0,079) 0,472 (0,195)

100 0,138 (0,072) 0,528 (0,224)

50 0,145 (0,058) 0,511 (0,173)

mobiliteit

200 0,172 (0,092) 0,527 (0,221)

100 0,147 (0,089) 0,494 (0,186)

50 0,133 (0,075) 0,541 (0,169)

complexiteit

200 0,218 (0,052) 0,562 (0,183)

100 0,196 (0,064) 0,479 (0,175)

50 0,185 (0,055) 0,522 (0,230)

Tabel 4.2: De trainen testfout voor verschillende features voor tonische aanvalsdetectie. De stan-

daardafwijking op de fouten bevindt zich tussen de haakjes


Feature Dimensie vh signaal Trainfout (BER (std)) Testfout (BER (std))

JY 5 0,423 (0,009) 0,463 (0,044)

JY + PCA 1 0,462 (0,018) 0,467 (0,058)

JY + PCA 3 0,473 (0,019) 0,495 (0,013)

σY 5 0,182 (0,043) 0,313 (0,132)

σY + PCA 1 0,351 (0,055) 0,429 (0,091)

σY + PCA 3 0,312 (0,055) 0,448 (0,109)

RY 5 0,175 (0,035) 0,366 (0,133)

RY + PCA 1 0,227 (0,069) 0,427 (0,135)

RY + PCA 3 0,296 (0,071) 0,441 (0,132)

σ′Y 5 0,202 (0,062) 0,407 (0,136)

σ′Y + PCA 1 0,211 (0,061) 0,413 (0,140)

σ′Y + PCA 3 0,281 (0,073) 0,455 (0,095)

Tabel 4.3: De invloed van PCA voor verschillende features voor tonische aanvalsdetectie. De stan-

daardafwijking op de fouten bevindt zich tussen de haakjes

Feature Trainfout (BER (std)) Testfout (BER (std))

JY + σY + RY + σ′Y 0,413 (0,015) 0,471 (0,027)

σY + RY + σ′Y 0,436 (0,017) 0,471 (0,033)

Tabel 4.4: Combinaties van verschillende features voor tonische aanvalsdetectie. De standaardafwij-

king op de fouten bevindt zich tussen de haakjes

Hoofdstuk 5

Conclusie

Twee systemen voor de detectie van epileptische aanvallen werden in deze thesis onderzocht:

een voor tonisch-clonische aanvallen en een voor tonische aanvallen. Voor beide systemen bleek

het noodzakelijk te zijn om de data voor te verwerken. Daarom werden verschillende voor-

verwerkingsmethoden voorgesteld en geevalueerd. Voor het eerste systeem gaf de afgeleide

het beste resultaat en dit kon nog verbeterd worden door de dimensie van het ingangssignaal

te reduceren met behulp van PCA. Het uiteindelijke resultaat was echter niet zo goed. Toen

het systeem werd getest op de volledige dataset bedroeg de BER 0,315. Dit houdt in dat een

op drie samples fout wordt geclassificeerd.

Voor het tweede systeem was de activiteit, berekend op de trage signaalcomponent, de beste

voorverwerkingsmethode. Het resultaat hiervan was echter niet beter dan wat werd bekomen

voor het eerste systeem. Het detectiesysteem voor tonische aanvallen kon ook niet meer getest

worden op de volledige dataset.

Een mogelijke verklaring voor de zwakke resultaten is dat er te weinig episodes werden ge-

bruikt voor het trainen. Het signaal van een aanval kan soms sterk lijken op dat van een nor-

male beweging en het kan zijn dat het reservoir meer voorbeelden van aanvallen en normale

bewegingen nodig heeft om een beter onderscheid te kunnen maken tussen de twee situaties.

Een andere verklaring kan zijn dat de voorverwerkingsmethoden die werden gebruikt te een-

voudig zijn en de verschillen tussen een aanval en normale beweging niet voldoende naar voor

brengen.

70

Bibliografie

[1] G. Becq, S. Bonnet, L. Minotti, M. Antonakios, R. Guillemaud, and P. Kahane. Col-

lection and exploratory analysis of attitude sensor data in an epilepsy monitoring unit.

Proceedings of the 29th Annual International Conference of the IEEE EMBS, Cite In-

ternationale, Lyon, France, 2007.

[2] C. Binnie, J. Aarts, P. V. B.-D. Boer, and T. Wisman. Monitoring at the instituut voor

epilepsiebestrijding meer en bosch. Electroencephalography and Clinical Neurophysiology,

37:341–355, 1985.

[3] M. Brandes, W. Zijlstra, S. Heikens, R. van Lummel, and D. Rosenbaum. Accelerometry

based assessment of gait parameters in children. Gait & Posture, 24:482–486, 2006.

[4] A. Bruce, D. Donoho, and H.-Y. Gao. Wavelet analysis. IEEE Spectrum, 33:26–35, 1996.

[5] P. Buteneers. De detectie van epileptische aanvallen met reservoir computing. Master’s

thesis, Universiteit Gent, 2008.

[6] A. R. Cooper, A. S. Page, B. W. Wheeler, P. Griew, L. Davis, M. Hillsdon, and R. Jago.

Mapping the walk to school using accelerometry combined with a global positioning

system. American Journal of Preventive Medicine, 38:178–183, 2010.

[7] A. Dalton, S. Patel, A. R. Chowdhury, M. Welsh, T. Pang, S. Schachter, G. OLaighin,

and P. Bonato. Detecting epileptic seizures using wearable sensor technologies, 2010.

[8] H. M. de Boer, M. Mula, and J. W. Sander. The global burden and stigma of epilepsy.

Epilepsy & Behavoir, 12:540–546, May 2008.

71

Bibliografie 72

[9] J. Fahrenberg, F. Foerster, M. Smeja, and W. Muller. Assessment of posture and motion

by multichannel piezoresistive accelerometer recordings. Psychophysiology, 34:607–612,

1997.

[10] K. L. Gao and W. W. Tsang. Use of accelerometry to quantify the physical activity level

of the elderly. Hong Kong Physiotherapy Journal, 26:18–23, 2008.

[11] N. Gebruers, C. Vanroy, S. Truijen, S. Engelborghs, and P. P. D. Deyn. Monitoring of

physical activity after stroke: A systematic review of accelerometry. Archives of Physical

Medicine and Rehabilitation, 91:288–297, 2010.

[12] A. Godfrey, R. Conway, D. Meagher, and G. OLaighin. Direct measurement of human

movement by accelerometry. Medical Engineering & Physics, 30:1364–1386, 2008.

[13] R. Hopfengartner, F. Kerling, V. Bauer, and H. Stefan. An efficient, robust and fast

method for the offline detection of epileptic seizures in long-term scalp eeg recordings.

Clinical Neurophysiology, 118:2332–2343, 2007.

[14] H. Jaeger. Echo state network. Scholarpedia, 2(9):2330, 2007.

[15] I. Jolliffe. Principal Component Analysis. Springer, 2002.

[16] J. J. Kavanagha and H. B. Menz. Accelerometry: A technique for quantifying movement

patterns during walking. Gait & Posture, 28:1–15, 2008.

[17] D. Kriesel. A brief introduction to neural networks. beschikbaar op http://www.

dkriesel.com, 2007.

[18] E. N. Marieb and K. Hoehn. Anatomy & Physiology, Third Edition. Pearson Benjamin

Cummings, 2008.

[19] R. Moe-Nilssen and J. L. Helbostada. Estimation of gait cycle characteristics by trunk

accelerometry. Journal of Biomechanics, 37:121–126, 2004.

[20] T. Nijsen. Accelerometry based detection of epileptic seizures. PhD thesis, Technische

Universiteit Eindhoven, 2008.

http://www.dkriesel.com

http://www.dkriesel.com

Bibliografie 73

[21] T. M. Nijsen, J. B. Arends, P. A. Griep, and P. J. Cluitmans. The potential value

of three-dimensional accelerometry for detection of motor seizures in severe epilepsy.

Epilepsy & Behavior, 7:74–84, 2005.

[22] S. Noachtar and A. Peters. Semiology of epileptic seizures: A critical review. Epilepsy

& Behavior, 15:2–9, 2009.

[23] S. Noachtar and J. Remi. The role of eeg in epilepsy: A critical review. Epilepsy &

Behavior, 15:22–33, 2009.

[24] W. H. Organization. Epilepsy fact sheet. http://www.who.int/topics/epilepsy/en/,

January 2009.

[25] F. Pauri, F. Pierelli, G.-E. Chatrian, and W. W. Erdly. Long-term eeg-video-audio

monitoring: computer detection of focal eeg seizure patterns. Electroencephalography

and Clinical Neurophysiology, 82:1–9, 1992.

[26] S. Pincus, I. Gladstone, and R. Ehrenkranz. A regularity statistic for medical data

analysis. Journal of Clinical Monitoring and Computing, 7:335–345, 1991.

[27] N. Paivinen, S. Lammi, A. Pitkanen, J. Nissinen, M. Penttonen, and T. Gronfors. Epi-

leptic seizure detection: A nonlinear viewpoint. Computer Methods and Programs in

Biomedicine, 79:151–159, 2005.

[28] N. D. Ridgers, G. Stratton, and S. J. Fairclough. Assessing physical activity during

recess using accelerometry. Preventive Medicine, 41:102–107, 2005.

[29] J. Saunders, V. Inman, and H. Eberhart. The major determinants in normal and patho-

logical gait. J Bone Jnt Surg, 35:543–558, 1953.

[30] M. Smejaa, F. Foerstera, G. Fuchsb, D. Emmansb, A. Hornigb, and J. Fahrenberga.

24-h assessment of tremor activity and posture in parkinson’s disease by multi-channel

accelerometry. Journal of Psychophysiology, 13:245–256, 1999.

[31] C. Tassinari, G. Rubboli, and H. Shibasaki. Neurophysiology of positive and negative

myoclonus. Electroencephalography and clinical Neurophysiology, 107:181–195, 1998.

http://www.who.int/topics/epilepsy/en/

Bibliografie 74

[32] G. Uswatte, W. L. Foo, H. Olmstead, K. Lopez, A. Holand, and L. B. Simms. Am-

bulatory monitoring of arm movement using accelerometry: An objective measure of

upper-extremity rehabilitation in persons with chronic stroke. Archives of Physical Me-

dicine and Rehabilitation, 86:1498–1501, 2005.

[33] P. Veltink, H. B. Bussmann, W. de Vries, W. L. Martens, and R. C. V. Lummel. Detection

of static and dynamic activities using uniaxial accelerometers. IEEE Transactions on

Rehabilitation Engineering, 4:375–385, 1996.

[34] L. Vercueil. Myoclonus and movement disorders. Neurophysiologie Clinique, 36:327–331,

2006.

[35] D. Verstraeten. Reservoir Computing: Computation with Dynamical Systems. PhD

thesis, Faculteit Ingenieurswetenschappen, 2010.

[36] D. Verstraeten, B. Schrauwen, M. D. Haene, and D. Stroobandt. An experimental uni-

fication of reservoir computing methods. Neural Networks, 20:391–403, 2007.

[37] H. Witte, L. Iasemidis, and B. Litt. Special issue on epileptic seizure prediction. IEEE

Transactions on Biomedical Engineering, 50:537–539, 2003.

De detectie van epileptische aanvallen met Reservoir...

Documents

Transcript of De detectie van epileptische aanvallen met Reservoir...