�ݺ�ߣ

Caratterizzazione Entropica di tracciati EEG
epilettici mediante tecniche di data mining
Ing. Claudio Camuto

1

Obiettivi
E se si trovasse un modo di
predire le crisi epilettiche
dall’EEG?

E se si potesse usare anche
per scoprire i soggetti
epilettici anche se non
hanno mai avuto crisi?

Data mining ed
entropie!!!

Vedrai!!!

Certo, come no! L’EEG è
solo un ammasso di dati
incomprensibili che ti da
informazioni solo quando è
troppo tardi!!!

Fantascienza!!! E poi son
tanti dati…sono 900000
record a seduta per paziente!
Li guarderai ad uno ad uno?

Data…che? Entro… cosa?
Mah…son un po’ scettico….

Caratterizzazione Entropica di tracciati EEG epilettici mediante tecniche di data mining

L’epilessia breve introduzione
Fasi epilettiche:
 «Ictal», che rappresenta l’intervallo durante il quale avviene la crisi epilettica ;
 «Perictal», che rappresenta ciò che precede e segue la crisi,
rispettivamente «Preictal» e «postictal»;

 «Interictal», che rappresenta l’intervallo fra una crisi e l’altra.

Caratterizzazione tracciato EEG epilettico:
 Durante le fasi di «interictal» e «perictal» il tracciato è molto, almeno in
apparenza, a quello di un paziente sano;
 Durante la fase di «ictal» il tracciato diventa molto irregolare

Tracciato dell’elettrodo Fp1 di un paziente epilettico, evidenziate le crisi


La sorgente: il tracciato EEG
«L’elettroencefalogramma (EEG),è una misura del flusso di corrente extracellulare
che viene generato dalla somma delle attività di un elevato numero di neuroni»
Perché preferirlo ad altri esami:
 Costituisce un esame semplice da seguire e poco invasivo
 Fornisce diverse informazioni visibili ad occhio nudo
 Largamente utilizzato nell’analisi delle dinamiche celebrali

 Si ritiene che contenga delle informazioni celate utilizzabili a fini diagnostici

Problemi da affrontare:
Il segnale è ricavato dalla sovrapposizione dei segnali dei vari strati
attraversati;
Presenta degli artefatti, per cui sono necessarie post-elaborazioni

Strumenti: Il data mining
«Con il termine “data mining” si intendono tutte quelle tecniche atte ad estrarre
informazioni nascoste da un insieme vasto di dati; tali informazioni non sono
occultate o criptate ma, semplicemente, non direttamente visibili all’utente»
Tipi di mining:
 Descrittivo, descrive e classifica i dati;
 Predittivo, utilizza le informazioni ricavate dal mining descrittivo per cercare di
predire l’andamento futuro dei dati;

Perche servono?
La quantità di dati da analizzare è notevole in quanto un EEG si compone dei segnali
di 21 elettrodi, una seduta dura 30 minuti e il segnale ha una freq. di 500Hz quindi
una sola seduta genera di un solo paziente genera 900000 record di almeno 21 campi


Classificazione:
Tecnica per classificare i dati in ingresso rispetto a delle classi predefinite (ovvero
raggruppamenti di oggetti con caratteristiche simili):
 Utilizzabile solo quando si conoscono già le classi del sistema, per questa ragione
viene chiamato «supervised learning»;
 Genera un modello dei dati da utilizzare per classificare i nuovi dati; tale modello
è spesso un albero decisionale con struttura IF…ELSE;
 Necessita di un insieme di dati di apprendimento detto training set per generare
il modello;

 Necessita di un insieme di dati detto test set per verificare il modello creato.

Algoritmo J48:
 Si tratta di un decision tree;
 Calcola ad ogni iterazione l’attributo che maggiormente separa i dati, ne crea
quindi una diramazione; procede ricorsivamente sui rami creati;
 Provvede ad eseguire il pruning dei dati.

Clustering:
Tecnica per raggruppare i dati in ingresso in categorie, dette cluster, in base a
caratteristiche comuni, senza conoscere a priori le classi:
 Utilizzato principalmente quando non si conoscono a priori le classi da creare;
 Deve essere possibile calcolare la distanza fra due dati;
 Un dato può appartenere ad un solo cluster, a cui è vicino, e deve essere distante
dagli altri;

 Non deve essere rilevante l’ordine con cui vengono forniti i dati;
 Le classi ricavate, con i relativi elementi, non hanno etichetta, bisogna
comprendere ciò che l’algoritmo ha classificato.

Algoritmo Simple K-Means:
 Dato il numero K di cluster inizialmente crea K cluster scegliendo a caso fra i dati
un elemento da assegnare a ciascuno che diventa temporaneamente il centro;
 Per ogni dato calcola la sua distanza dal centro del cluster, lo assegna al più
vicino e ne ricalcola il centro facendo una media fra i dati del cluster.

Strumenti: Le entropie
Le entropie sono funzioni utilizzate per misurare il grado di disordine si un sistema; ne
esistono varie formulazioni fra cui la più nota è Shannon; sono state provate an Tsallis,
Renyi, Permutation Entropy (al variare degli indici P e M).

Perche servono?
Dalle analisi effettuate in campo medico si è visto che prima della crisi il cervello che
solitamente è un sistema altamente caotico diventa più «ordinato»; come
meccanismo di sicurezza, per ripristinare il «caos» originale viene generata la crisi e
quindi uno strumento che calcola il livello di disordine è sicuramente utile


Strumenti: WEKA
Tool opensource, liberamente utilizzabile, scritto in java, le classi e i metodi sono
realizzati in modo tale da essere facilmente integrati nel codice di altri software


EEG-entropie-mining
Lavoro svolto:
 Caricamento dei dati da file su database;
 Utilizzando WEKA: Classificazione fra crisi e stato normale (test mining);
 Utilizzando pl/sql e i dati forniti: Estrazione dei «precrisi» dei vari pazienti;
 Utilizzando pl/sql e i dati forniti: Estrazione degli intervalli fra le «crisi» dei vari
pazienti;
 Utilizzando WEKA: Clustering dei vari «precrisi»;

 Utilizzando WEKA: Clustering dei vari intervalli fra le «crisi»;
 Utilizzando WEKA: Confronto sani / epilettici con Clustering a tre classi;
 Software;
 Test su altri EEG: Alzheimer.


EEG-entropie-mining
Clustering segnale «precrisi» di tutti i campioni – prima crisi

Estrazione del «precrisi» della prima crisi, preictal, e analisi con Clustering a due
classi su tutti i pazienti epilettici:

I valori calcolati sul campione N. 14 rispetto
alle entropie, in ordine:
P1M3,

P1M4,
P2M3,
P2M4
In rosso il segnale, in verde l’esordio crisi, in blu il
segnale classificato in una categoria differente


EEG-entropie-mining
Clustering segnale «precrisi» di tutti i campioni – crisi successive

Estrazione del «precrisi» delle crisi successive alla prima, interictal, e analisi con
Clustering a due classi su tutti i pazienti epilettici:

I valori calcolati sul campione N. 5 rispetto
alle entropie, in ordine:
P1M3,

P1M4,
P2M3,
P2M4
In rosso il segnale, in verde l’esordio crisi, in blu il
segnale classificato in una categoria differente


Software
Motivazioni:
 Fornire un punto di accesso alle tecniche di mining anche a personale non informatico;
 Creare una rete di utenti in grado di condividere le analisi effettuate e di effettuarne
altre approfondendo e verificando i risultati ottenuti;

 Estendere le ricerche anche ad altri ambiti (es. Alzheimer).

Caratteristiche:
 Web Application con profilazione utente;
 Procedure guidate (wizard) per agevolare l’inserimento dei dati, la commissione di
nuove analisi da effettuare, la creazione di grafici;
 Scheduling delle attività con avviso per e-mail del completamento per non
sovraccaricare il server (alcune elaborazioni richiedono ore);
 Generazione grafici png e jpeg;
 Integrazione delle tecniche di mining di WEKA.

Tecnologia:

 Java + Framework Hibernate + jQuery + jFreeChart + WEKA lib;

 Oracle + Tomcat.

Software


Conclusioni
Conclusioni sui dati elaborati:
 Le potenzialità di questa combinazione Mining-Entropie sono evidenti;
 Spesso è stato possibile trovare un segnale prima della crisi interpretabile come
precrisi;
 Tutti i pazienti vanno analizzati singolarmente per trovare l’entropia e le
caratteristiche del segnale precrisi;
 In tutti i casi è stato possibile separare pazienti epilettici (senza crisi) da sani.

Possibili applicazioni:
 Se i dati ricavati fossero confermati da un test set maggiore sarebbe possibile
diagnosticare la patologia epilettica anche in pazienti apparentemente sani;
 Se i dati ricavati fossero confermati sarebbe possibile mettere a punto dei sistemi
in grado di rilevare la crisi prima che si verifichi ed intervenire per evitarla;

Grazie per la vostra
cortese attenzione

�ݺ�ߣ

EEG - Datamining pres. 08-10-2013

More Related Content

EEG - Datamining pres. 08-10-2013