Safe Seizure - prédire les crises d'épilepsie
Safe Seizure: machine learning pour prédire les crises d’épilepsie
Langage: Python
1 Problème
L’épilepsie touche 50 millions de personnes sur Terre. Dans 40% des cas, les patient.e.s épileptiques sont insensibles aux traitements anti-convulsifs.
La capacité de prédire, suffisamment en avance, la prochaine crise d’épilepsie pourrait significativement améliorer le quotidien des patients épileptiques.
2 Solution: Safe Seizure
A l’aide du Machine Learning, l’équipe Safe Seizure est capable de prédire la survenue d’une crise d’épilepsie jusqu’à 3 heures à l’avance en utilisant des intracraniaux (iEEGs).
3 Objectifs
-
Objectif 1: Distinguer les phases préictales (i.e. pré-crise) des phases interictales (i.e. sans crise) –> classification binaire
-
Objectif 2: Pour les phases préictales (i.e. pré-crise), prédire si une crise va survenir dans les 1, 2, ou 3 heures qui suivent –> classification multi-classe
4 Résultats
| Resultats 1: justesse de 84% | Results 2: justesse de 87% |
|---|---|
 |
 |
Dans les Résultats 2, les classifications incorrectes à absolument minimiser sont entourées en rouge.
Aussi, les rectangles oranges soulignent une certaine confusion entre les classes 2h et 3h avant la prochaine crise.
5 Algorithme
L’algorithme de Machine Learning developpé pour le projet est inspiré de al-Qerem et al. 2020.
Ci-dessous, l’algorithme séquentiel:
- Les signaux iEEGs bruts sont débruités en utilisant une Independent Component Analysis (ICA).
- Les signaux débruités sont ensuite filtrés en utilisant une Discrete Wavelet Transform (DWT).
- Une série d’indicateurs statistiques est extraite des signaux filtrés (moyenne, déviation standard, entropie…)
- Classification à l’aide d’un modèle Random Forest Classifier (RFC)
