We investigate the application of machine learning methods for the detection and control of seizure-like behavior in in vitro models of epilepsy. This research will form the basis for a new class of adaptive neurostimulation devices for the treatment of drug-resistant cases of epilepsy in humans. There are many technical obstacles to creating an adaptive control algorithm for these devices. At present, science has an incomplete understanding of the mechanisms and dynamics underlying both epilepsy and its treatments. This is reflected both in the long-standing problem of the detection or prediction of seizures and in the lack of clear criteria for optimizing an adaptive control algorithm. As in many medical problems, clinical data is sparse, expensive, and highly variable. We address the detection of epileptic states using boosted ensemble methods with a set of simple frequency spectrum features derived from electrophysiological recordings. While typical boosting methods are not designed for use with time series data, we present a recurrent boosting method that improves classification accuracy in our application domain. We also present an implementation of a biologically plausible model of epileptic neural tissue using a network of integrate and fire neurons with partially stochastic inputs and two time scales of refractory behavior. Finally, we train a reinforcement learning agent to control the dynamics of this network, reducing the occurrence of seizure-like events. This agent is intended to be a component of a closed-loop electrical stimulation device with a set of sensors and an adaptive stimulation strategy. / Nous étudions l'application des méthodes d'apprentissage automatique pour la détection et le contrôle d'activité semblable à une crise convulsive dans les modèles d'épilepsie in vitro. Cette recherche formera la base d'une nouvelle classe de dispositifs de neurostimulation auto-adaptatifs pour le traitement des patients qui ne répondent pas aux drogues antiépileptiques. Il y a beaucoup d'obstacles techniques pour créer un algorithme adaptatif pour ces dispositifs. Actuellement, la science n'a pas encore expliqué entièrement les mécanismes définissant l'épilepsie et ses traitements. Ceci est important à deux niveaux: Pour le problème de la détection ou de la prévision des crises, et pour établir des critères clairs pour optimiser un algorithme de contrôle adaptatif. Comme beaucoup de problèmes médicaux, les données cliniques sont rares, chères, et fortement variables. Nous adressons la détection des états épileptiques en utilisant les méthodes “boosting” avec un groupe de traits simples de spectre de fréquences dérivés des enregistrements électrophysiologiques. Tandis que les méthodes boosting typiques n'ont pas été conçues pour utiliser l'information disponible avec des données de séries chronologiques, nous présentons une méthode boosting récurrente qui améliore le taux de classification dans notre domaine d'application. Nous présentons également une exécution d'un modèle biologiquement plausible d'un système neural épileptique employant un réseau de neurones intègre-et tire ayant les signals d'entrées partiellement stochastiques et ayant deux échelles de temps de comportement réfractaire. En conclusion, nous formons un agent d'apprentissage par renforcement pour réduire l'occurrence d'activité semblable à une crise. Cet agent est prévu pour être une composante d'un dispositif en boucle fermée de stimulation électrique ayant un ensemble de capteurs et un algorithme adaptatif.
| Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QMM.18684 |
| Date | January 2008 |
| Creators | Vincent, Robert Durham |
| Contributors | Joelle Pineau (Internal/Supervisor) |
| Publisher | McGill University |
| Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation |
| Format | application/pdf |
| Coverage | Master of Science (School of Computer Science) |
| Rights | All items in eScholarship@McGill are protected by copyright with all rights reserved unless otherwise indicated. |
| Relation | Electronically-submitted theses. |
Page generated in 0.0021 seconds