Sistema de predição de crises epilépticas baseado na dinâmica da regulação autonômica cardíaca empregando circuito integrado para aquisição e detecção de batimentos cardíacos

Abstract

A epilepsia é um distúrbio neurológico caracterizado por convulsões recorrentes devido a descargas anormais nas redes corticais do cérebro. Esse comportamento neuronal inesperado seja, focal ou generalizado, reflete-se no indivíduo por meio de movimentos involuntários, percepções distorcidas, inconsciência, danos cerebrais permanentes e em casos mais graves, a morte súbita inesperada. Um método de predição de crises que possua características como baixa taxa de falso-positivos, alto nível de confiança e nenhum efeito colateral relevante pode melhorar significativamente a qualidade de vida dos indivíduos. A análise da variabilidade da frequência cardíaca (VFC) surge como uma das alternativas mais promissoras para a predição de crises convulsivas. Na abordagem por VFC, o sistema nervoso autônomo (SNA) é avaliado indiretamente por meio da análise da dinâmica do ritmo cardíaco e com isso, algoritmos de inteligência artificial (IA) podem ser treinados e usados para distinguir as diferentes fases de um evento epiléptico, em especial, o estágio pré-ictal. Esta tese apresenta um sistema para predição de crises dedicado à aplicações implantáveis e vestíveis, realizado por meio do projeto, desenvolvimento e validação de um front-end analógico (AFE, do inglês Analog Front-End) de baixo consumo, isto é, de apenas 6,42 µW. O AFE é constituído por novas topologias de circuitos para aquisição e detecção de batimentos cardíacos, as quais foram desenvolvidas utilizando a tecnologia CMOS (do inglês Complementary Metal Oxide Semiconductor) de 180 nm. Além destes circuitos, o sistema compreende um modelo treinado e validado para classificação de períodos pré-ictais, embarcado em um microcontrolador ESP32®. O modelo de predição utilizado, Máquina de Vetores de Suporte (SVM, do inglês Support Vector Machine), foi escolhido por meio de um estudo que consistiu na comparação de resultados estatísticos dos diversos classificadores implementados para classificação de períodos pré-ictais. Para treinamento dos modelos foram aplicadas 97,47 h de sinais oriundos de indivíduos de duas bases de dados públicas contendo sinais de eletrocardiograma (ECG) com registros de eventos epilépticos. Os classificadores foram testados por meio de 14,08 h de novos dados adquiridos de seis indivíduos, não utilizados durante a etapa de treinamento. Os principais resultados obtidos com o uso do SVM na predição de crises foram a acurácia (ACC) de 97,57%, sensibilidade (Sen) de 97,70%, especificidade (Spe) de 97,51%, valor preditivo negativo (VPN) de 98,83%, e a taxa de falso-positivos (TFP) de 0,02 h?1, obtida a partir da base de dados MIT/BIH com 31,17 h de ECG sem crises convulsivas. Além do projeto do AFE e do estudo comparativo de classificadores, nesta tese foram demonstrados estudos com o uso de três métricas derivadas da VFC, as quais permitiram a identificação de períodos pré-ictais de até 5 minutos antes do início de uma crise epiléptica. O conjunto de análises e resultados obtidos nesta tese corrobora com a possibilidade da aplicação do sistema proposto como uma alternativa complementar para uso em indivíduos com epilepsia refratária aos tratamentos convencionais. Os recursos proporcionados pelo AFE, tais como saídas individuais de cada circuito projetado e a sua grande largura de banda de operação, de 0,1 à 500 Hz, beneficiará também estudos que poderão fazer uso do sistema para outros contextos fisiológicos, incluindo aplicações que recorrem aos sinais de eletroencefalograma (EEG), fotopletismograma (PPG), eletromiograma (EMG), entre outros.

Abstract: Epilepsy is a neurological disorder characterized by recurrent seizures due to abnormal discharges in the brain?s cortical networks. This unexpected neuronal behavior, whether focal or generalized, is reflected in the individual through involuntary movements, distorted perceptions, unconsciousness, permanent brain damage, and, in more serious cases, unexpected sudden death. A seizure prediction method that has characteristics such as a low false-positive rate, a high level of confidence, and no relevant side effects can significantly improve the quality of life of individuals. The analysis of heart rate variability (HRV) arises as one of the most promising alternatives for predicting seizures. In the HRV approach, the autonomic nervous system (ANS) is evaluated indirectly through the analysis of the dynamics of the cardiac rhythm, and based on that, artificial intelligence (AI) algorithms can be trained and used to distinguish the different phases of an epileptic event, in particular, the pre-ictal period. This thesis presents a seizure prediction system dedicated to implantable and wearable applications, carried out through the design, development, and validation of an analog front-end (AFE) of low consumption, that is, only 6.42 µW. The AFE consists of new circuit topologies for the acquisition, and detection of heartbeats, which were developed using 180 nm CMOS (Complementary Metal Oxide Semiconductor) technology. In addition to these circuits, the system comprises a trained and validated model for classifying pre-ictal periods, embedded in an ESP32® microcontroller. The prediction model used, Support Vector Machine (SVM), was chosen through a study that consisted of comparing the statistical results of different classifiers implemented to classify pre-ictal periods. For models? training, 97.47 h of signals from individuals from two public databases containing electrocardiogram (ECG) signals with epileptic events records were applied. The classifiers were tested using 14.08 h of new data acquired from six individuals, not used during the training stage. The main results obtained with the use of SVM in predicting seizures were accuracy (ACC) of 97.57%, sensitivity (Sen) of 97.70%, specificity (Spe) of 97.51%, negative predictive value (NPV) of 98.83%, and false positive rate (TFP) of 0.02 h?1, from the database MIT/BIH with 31.17 h of ECG without seizures. In addition to the AFE design and the comparative study of classifiers, this thesis demonstrates research using three metrics derived from HRV, which allowed the identification of pre-ictal periods of up to 5 minutes before the onset of an epileptic seizure. The set of analyzes and results obtained in this thesis corroborates the possibility of applying the proposed system as a complementary alternative for use in individuals with refractory epilepsy to conventional treatments. The features provided by the AFE, such as individual outputs of each designed circuit and its large operating bandwidth, from 0.1 to 500 Hz, will also benefit studies that may make use of the system for other physiological contexts, including applications that resort to electroencephalogram (EEG), photoplethysmograph (PPG), electromyogram (EMG) signals, among others.