Introducere. Electroencefalografia (EEG) este esențială în
diagnosticarea și gestionarea tulburărilor neurologice, inclusiv epilepsia. Adnotarea corectă a semnalelor EEG este
esențială pentru identificarea evenimentelor epileptice și
înțelegerea fundamentelor neurofiziologice ale acestora.
În mod tradițional, neurofiziologii instruiți au efectuat adnotarea EEG manual, dar acest lucru necesită mult timp și
este adesea nepractic. Un supliment recent include învățarea automată (ML). Metoda propusă în această lucrare este
poziționată între aceste două abordări. Scopul lucrării.
Prezentarea unei noi metode bazate pe complexitatea algoritmică pentru analiza EEG. Material și metode. Studiul se
bazează pe 98 de EEG din baza de date open-source CHBMIT Scalp EEG. Înregistrările EEG continue provin de la 12
indivizi cu vârste cuprinse între 1,5 și 22 de ani, patru bărbați și opt femei. Metoda principală de prelucrare a datelor
EEG este metoda de descompunere în bloc (BDM), care
provine din domeniul dinamicii informaționale algoritmice
(AID). Rezultate. EEG-urile originale de la electrozii scalpului, reprezentând semnale continue cu o durată cuprinsă
între 16 minute și 4 ore, sunt procesate folosind BDM. Seria
temporală univariată rezultată este ulterior utilizată pentru a identifica segmentele EEG cu activitate epileptică potențială. Această abordare asigură o scădere de până la 6,7
ori a duratei segmentelor EEG care urmează să fie analizate.
Concluzii. Adnotarea EEG epileptică este o sarcină complexă, dar critică în diagnosticul și managementul epilepsiei.
În timp ce adnotarea manuală tradițională are limitări semnificative, progresele în tehnicile automate de prelucrare a
datelor oferă soluții promițătoare. Metoda propusă bazată
pe concepte și instrumente AID poate extinde capacitățile
de adnotare, reducând și timpul necesar pentru analiza EEG
și poate fi ușor combinată cu tehnici ML.
Background. Electroencephalography (EEG) is critical in diagnosing and managing neurological disorders, including epilepsy. Accurate annotation of EEG signals is essential for identifying epileptic events, understanding their neurophysiological underpinnings, and developing effective treatments. Traditionally, trained neurophysiologists have performed EEG annotation manually, but this is time-consuming and often impractical. A recent addition to this field includes machine learning (ML). The method proposed in this work is positioned between these two approaches. Objective of the study. Presentation of a new algorithmic complexity-based method for EEG analysis with epileptic seizure annotation potential. Material and methods. The study is based on 98 EEGs from the open-source CHB-MIT Scalp EEG Database. Continuous EEG recordings come from 12 individuals aged between 1.5 and 22 years, four males and eight females. The primary method for EEG data processing is represented by the Block Decomposition Method (BDM), which comes from the field of algorithmic information dynamics (AID). Results. The original EEGs from the scalp electrodes, representing continuous signals with a duration ranging from 16 minutes to 4 hours, are processed using BDM. The resulting univariate time series is subsequently used to identify EEG segments with potential epileptic activity. This approach provides up to a 6.7-fold decrease in the duration of EEG segments to be analyzed. Conclusion. Epileptic EEG annotation is a complex but critical task in the diagnosis and management of epilepsy. While traditional manual annotation has significant limitations, advances in automated techniques offer promising solutions. The proposed method based on AID concepts and tools can extend the annotation capabilities while reducing the time needed for EEG analysis. It can also be easily combined with ML techniques.
