Diepe, gepersonaliseerde epileptische aanvalsdetectie

Er is dringend nood aan objectieve monitoring van epileptische aanvallen in de thuisomgeving. De enige betrouwbare manier om aanvallen te volgen, is door hersenactiviteit te meten, wat mogelijk is door middel van het elektro-encefalogram (EEG). Geminiaturiseerde EEG-apparaten met verschillende elektrodeconfiguraties die thuis kunnen gedragen worden, zijn tegenwoordig beschikbaar, maar de uitdaging blijft hoe de aanwezigheid van aanvallen automatisch kan worden gedetecteerd. Na eerder het potentieel van “deep learning” te hebben aangetoond in de context van geautomatiseerde EEG-gebaseerde slaapanalyse, is het doel van dit project drieledig. Ten eerste willen we aantonen dat geschikte “deep learning” benaderingen die op verschillende databases zijn getraind, kunnen leiden tot betrouwbare geautomatiseerde aanvalsdetectie, ook in een thuisomgeving. Ten tweede introduceren we een nieuwe manier om representaties uit EEG-gegevens te extraheren. Deze benadering heeft het voordeel dat algoritmes niet meer afhankelijk zijn van grote hoeveelheden gelabelde gegevens en dat ze robuuster worden wanneer artefacten aanwezig zijn. Ten derde, aangezien hersengolven enorm kunnen verschillen tussen patienten, zullen we de persoonlijke  karakteristieken op gesuperviseerde en ongesuperviseerde wijze meenemen in de “deep learning”  benaderingen  om de performantie verder te verbeteren. Ook hier hebben de nieuwe representaties voordelen.