Epileptic Seizure Detection

Motivation

Epilepsie ist eine neurologische Störung, bei der es zu unwillkürlichen Anfällen kommt. Rund 1% der Menschen weltweit leiden an unterschiedlichen Formen dieser Krankheit. In 30-40% der Fälle können die epileptischen Anfälle, die die Menschen erleiden, durch keinerlei medikamentöse Behandlung gestoppt werden. Ein Anfall, wenn er zur falschen Zeit und am falschen Ort passiert, kann verheerende Folgen haben: Ein harmloser Trip auf dem Fahrrad zum nächstgelegenen Supermarkt kann somit zur Gefahr für den Betroffenen und seine Mitmenschen werden. Eine Studie von Mahler et al. analysiert hierzu die Unfälle bei Menschen mit Epilepsie. Eine weitere Studie von Schulze-Bonhage et al. hat 141 Betroffene aus Deutschland und Portugal befragt mit dem Ergebnis, dass über 90% sich ein Gerät zur Anfallerkennung wünschen.

Forschungsziel

Die Diagnose von Epilepsie erfordert normalerweise eine gründliche ärztliche Untersuchung, einschließlich einer elektroencephalographischen (EEG) Überwachung. In jüngster Zeit wurde jedoch gezeigt, dass Machine-Learning-Techniken eine effektive Methode zur Erkennung von Epilepsie auf der Grundlage von elektrokardiographischen (EKG) Daten sein können. Das Epileptic Seizure Detection-Projekt geht der Fragestellung nach, wie Machine-Learning-Techniken verwendet werden können, um Epilepsie auf der Grundlage von EKG-Daten zu erkennen und präsentiert hierzu einen Lösungsansatz.

Ziel ist die Entwicklung eines alltagstauglichen Sysetms, das den Herschlag des Betroffenen misst und auf Anzeichen eines epileptischen Anfalls analysiert. Falls ein epileptischer Anfall vom System erkannt wird, soll ein Alarmsignal ausgegeben und der Anfall aufgezeichnet werden, um den Betroffenen und relevante Kontaktpersonen zu informieren und eine spätere Analyse durch einen Facharzt zu ermöglichen.

Hierzu wird ein smartes Device (bespielsweise eine entsprechende Smartwatch) benötigt, das den Herzschlag des Betroffenen misst und auf Anzeichen eines epileptischen Anfalls hin analysiert. Die Anfallerkennung basiert dabei auf der sogenannten Herzratenvariabilität, bei der die Varianz der Zeit zwischen zwei Herzschlägen bestimmt wird. Für die Zeitmessung wird hierbei die Dauer eines RR-Intervalls bestimmt, die den Zeitraum zwischen zwei R-Spitzen in EKG-Signalen bemisst. Ein R-Peak ist dabei der höchste Punkt einer sogenannten QRS-Komplexen-Welle, die einen Teil des EKG-Signals abbildet und die elektrische Aktivität des Herzens während eines Herzschlags widerspiegelt.

Praxisrelevanz

Eine Anfallerkennung durch eine Analyse von EEG-Daten gilt in der Praxis als der goldene Standard. Jedoch bringt diese Methode einige Nachteile mit sich. Somit erweist sich ein Anfallerkennungssystem auf Grundlage von EEG-Daten außerhalb einer medizinischen Einrichtung als sehr unpraktikabel. Ein System, das Vorhersagen auf Basis der Herzfrequenz trifft, ließe sich beispielsweise via Applösung auf dem Smartphone und einer EKG-fähigen Smartwatch realisieren und würde somit die Lebensqualität von Betroffenen deutlich steigern. Gleichzeitig wird der Alltag sicherer gestaltet und Betroffen wenig beeinträchtigt.

Dass ein solches System, das unabhängig von EEG-Daten arbeitet, von den Betroffenen benötigt wird, zeigt auch die Studie von Schulze-Bonhage et al.: Rund 80% der Befragten gaben hierbei an, keine EEG-Elektroden auf der Kopfhaut langfristig für die Anfallerkennung tragen zu wollen.