Spike detection algorithm automatically adapted to individual patients applied to spike and wave percentage quantification

SummaryObjectiveTo report an innovative spike detection algorithm that tailors its detection to the patient. Interictal epileptiform activity quantification was accomplished in the setting of epileptic syndromes with continuous spike and waves during slow sleep, which is a time-consuming task for the EEG analysis.MethodsThe algorithm works in three steps. Firstly, a first spike detection is made with generic parameters. Secondly, the detected spikes are used to tailor the detection algorithm to the patient; and thirdly, the resulting patient-specific detection algorithm is used to analyze individual patient with high-quality detection. Therefore, the algorithm produces a patient-specific template —hence exhibiting improved performance metrics, without the need of a priori knowledge from the experts.ResultsThe system was first evaluated for EEG of three patients, against the scoring of three EEG experts, demonstrating similar performance. Later, it was evaluated against the spike and wave percentage evaluation of another expert for 17 additional records. The difference between the two evaluations was 4.4% on average, which is almost the same as the interexpert difference (4.7%).ConclusionsWe designed a fully automated and efficient spike detection algorithm, which is liable to trim down the specialist's diagnostic time.

RésuméObjectifsCommuniquer un algorithme novateur de détection de pointes dont la détection s’adapte au patient. La quantification de l’activité épileptiforme interictale a été effectuée dans le cadre de l’épilepsie avec pointes–ondes continues du sommeil (POCS), une tâche demandant beaucoup de temps dans l’analyse d’un EEG.MéthodesL’algorithme fonctionne en trois étapes. Premièrement, une première détection de pointes est réalisée avec des paramètres génériques. Deuxièmement, les pointes détectées sont utilisées pour adapter l’algorithme de détection au patient. Troisièmement, l’algorithme résultant spécifique au patient est utilisé pour analyser chaque patient avec une grande qualité de détection. Par conséquent, l’algorithme met au point un gabarit spécifique au patient – de ce fait présentant des performances améliorées – sans avoir recours à des informations préalables des experts.RésultatsLe système a d’abord été évalué sur l’EEG de trois patients par rapport au scorage de trois experts en EEG, montrant des performances similaires à ces derniers. Par la suite, il a été évalué par rapport à l’évaluation du pourcentage de pointes–ondes d’un autre expert sur 17 enregistrements supplémentaires. La différence entre leurs deux évaluations était de 4,4 % en moyenne, ce qui est très similaire à la différence interexperts (4,7 %).ConclusionsNous avons mis au point un algorithme efficace et totalement automatique de détection de pointes EEG, permettant de réduire le temps de diagnostic du spécialiste.