Ontwerp en validatie van gedistribueerde signaalverwerkingstechnieken voor een draagbaar netwerk van galvanisch gescheiden EEG sensoren.

Epilepsie is een van de meest voorkomende ernstig invaliderende hersenaandoeningen, waaraan wereldwijd meer dan 46 miljoen mensen lijden. Het wordt gekenmerkt door terugkerende, plotselinge en overmatige synchrone elektrische activiteit in neuronale netwerken die de lopende hersenactiviteit verstoort en klinische aanvallen veroorzaakt. De diagnose en opvolging van epilepsie berusten op elektroencefalogafie (EEG). Klinische EEG is een niet-invasieve elektrofysiologische meettechniek die het elektrische opgewekt door de hersenen registreert via een aantal oppervlakte-elektroden op de hoofdhuid. Deze EEG data wordt meestal opgenomen in het ziekenhuis met apparatuur dat niet geschikt is voor langdurige EEG-monitoring in het dagelijks leven.

De ontwikkeling van draagbare EEG-technologie is mogelijk gemaakt door de komst van chips met geïntegreerde schakelingen en de daaropvolgende miniaturisering van elektronica. De bruikbaarheid van veel van de huidige draagbare EEG-apparaten is echter nog steeds beperkt. Een belangrijke beperking houdt verband met de afweging tussen het aantal elektroden en de draagbaarheid. Een groter aantal elektroden leidt tot grotere elektronica en meer draden, die het platform minder gebruiksvriendelijk maken en ook meer artefacten veroorzaken. Omgekeerd geldt dat hoe minder elektroden gebruikt worden, hoe lager de spatiale resolutie van het EEG wordt en voor hoe minder applicaties het systeem kan worden gebruikt. Wij stellen een alternatief platform voor om oplossingen te bieden voor enkele van de huidige problemen door meerdere draadloze miniatuur EEG-sensoreenheden te combineren en samen te laten werken in een gezamenlijk sensornetwerk. Elke EEG-eenheid bevat zijn eigen elektroden, een versterker, een draadloze radio en een verwerkingseenheid. Een dergelijk platform maakt draden overbodig en faciliteert een flexibel, discreet, en draagbaar systeem met zoveel EEG-sensoren als nodig voor een bepaalde toepassing of patiënt. Deze nieuwe technologie introduceert echter nieuwe uitdagingen die in dit proefschrift onderzocht worden.

Specifiek introduceert dit proefschrift signaalverwerkingsmethoden voor de analyse van EEG in een draadloos EEG-sensornetwerk. Het behandelt de volgende belangrijke uitdagingen.

- Ontwerp van algoritmen voor automatische analyse van epileptiforme activiteit. Om dit te doen hebben we een nieuwe meerkanaals EEG-signaalverwerkingsmethode ontwikkeld voor automatische epileptiforme detectie, speciaal ontworpen voor microcontrollers met een beperkt geheugen en rekenkracht. Deze methode is gebaseerd op een lineaire meerkanaals filter die vooraf wordt berekend op een datagedreven manier op basis van de spatio-temporele patronen van de epileptische aanval en de piekinterferentiestatistieken. Tijdens de uitvoering vereist het algoritme alleen standaard lineaire filterbewerkingen, die goedkoop en efficiënt te berekenen zijn, met name op microcontrollers met een vermenigvuldigings-accumulatie-eenheid. Deze methode wordt gevalideerd op meerdere datasets en vergeleken met bestaande state-of-the-art algoritmen.

\- Ontwerpstrategieën voor optimale EEG-sensorselectie. We hebben een nieuw kanaalselectie algoritme voor gegeneraliseerde eigenwaarde problemen ontworpen, wat gebruikt kan worden voor de detectie van epilepsie-gerelateerde patronen in het EEG. De methode breidt bestaand werk over variabelenselectie met behulp van semidefiniete relaxaties uit, waarbij nu ook selectie van groepen van variabelen mogelijk wordt. We hebben deze methode uitvoerig vergeleken met state-of-the-art methoden voor sensorselectie in een gesimuleerde sensornetwerksetting.

- Richtlijnen voor ontwerpstrategieën van geminiaturiseerde EEG- sensornetwerken. Hier gaan we op zoek naar de grenzen van miniaturisatie van een EEG-sensornetwerk door sensoren van verschillende groottes te emuleren op basis van hoge-densiteit EEG-opnames en de analyse van interictale \textit{spikes} in de verschillende simulaties.

Uit de resultaten blijkt dat het algoritme voor de detectie van epileptische patronen even goed presteert als de state of the art detectiealgoritmen, maar veel minder rekenkracht nodig heeft. De studie van algoritmen voor kanaalselectie geeft aanwijzingen over welk algoritme moet worden gekozen in functie van de computationele beperkingen, het aantal te selecteren kanalen en de topologie van het probleem. Het toont aan dat zowel het voorgestelde algoritme en een 'greedy' selectiemethode de optimale oplossing het best benaderen. Het voorgestelde algoritme is daarbij robuuster tegen falingen. De studie naar de grenzen van de miniaturisering van een netwerk van draadloze EEG-sensoren toonde aan dat de opnameapparatuur specifiek moet worden ontworpen om het kleine signaalvermogen bij een korte inter-elektrodeafstand te meten met een input-ruis van <300 nV. Het toonde ook aan dat een inter-elektrode afstand van minimaal 5cm in een opstelling met minimaal twee EEG-eenheden nodig is om bijna gelijkwaardige prestaties in interictale spike detectie te verkrijgen als bij standaard EEG.

Samengevat introduceert dit proefschrift verschillende nieuwe signaalverwerkingsmethoden voor draadloze EEG-sensornetwerken voor het monitoren van mensen met epilepsie. Het draagt bij aan de technologische vooruitgang die nodig is voor een brede toepassing van deze technologie.