AUTOMATED SEIZURE DETECTION ON NON-EEG DATA

The automatic detection of epileptic seizures is a key research area for the objective assessment of disease progression and the adaptation of therapeutic interventions. While many existing approaches are based on EEG data, their use in everyday settings is limited due to the high effort required and reduced user acceptance. Non-EEG-based sensor data, such as inertial motion data or cardiovascular signals, offer the potential to enable continuous and everyday-capable seizure detection. The aim of this work is the development and systematic evaluation of methods for the automatic detection of epileptic seizures based on non-EEG sensor data. In this context, different neural network architectures will be compared with respect to their suitability and performance. The architectures under investigation include, among others, convolutional neural networks (CNNs), temporal CNN variants, and recurrent neural networks (RNNs). In addition, the influence of heart rate and heart-rate-based features on the detection performance will be systematically analyzed.

Il rilevamento automatico delle crisi epilettiche è un'area di ricerca chiave per la valutazione oggettiva della progressione della malattia e l'adattamento degli interventi terapeutici. Sebbene molti approcci esistenti si basino su dati EEG, il loro utilizzo in contesti quotidiani è limitato a causa dell'elevato sforzo richiesto e della ridotta accettazione da parte dell'utente. I dati dei sensori non EEG, come i dati di movimento inerziale o i segnali cardiovascolari, offrono il potenziale per consentire un rilevamento continuo delle crisi epilettiche utilizzabile quotidianamente. Lo scopo di questo lavoro è lo sviluppo e la valutazione sistematica di metodi per il rilevamento automatico delle crisi epilettiche basati su dati di sensori non EEG. In questo contesto, verranno confrontate diverse architetture di reti neurali rispetto alla loro idoneità e prestazioni. Le architetture oggetto di indagine includono, tra le altre, reti neurali convoluzionali (CNN), varianti di CNN temporali e reti neurali ricorrenti (RNN). Inoltre, verrà analizzata sistematicamente l'influenza della frequenza cardiaca e delle caratteristiche basate sulla frequenza cardiaca sulle prestazioni di rilevamento.