Seizurevoorspelling met enkelkanaals EEG via deep learning

Waarom het voorspellen van aanvallen ertoe doet

Voor veel mensen met epilepsie komen aanvallen onverwacht en verstoren werk, school en het dagelijks leven. Een systeem dat betrouwbaar een naderende aanval kan waarschuwen, zelfs maar enkele minuten van tevoren, geeft patiënten de tijd om veilig te gaan zitten of liggen, hulp te roepen of een risicovolle activiteit zoals autorijden of koken te pauzeren. Deze studie onderzoekt of zulke waarschuwingen kunnen worden gegenereerd met één kleine hersengolvensensor in plaats van een volledige cap met ziekenhuis-electroden, gebruikmakend van een compacte vorm van kunstmatige intelligentie die uiteindelijk in een draagbaar apparaat zou kunnen draaien.

Een eenvoudigere manier om hersenactiviteit te volgen

Het meeste onderzoek naar aanvalvoorspelling steunde op complexe opnames met veel elektroden verspreid over de schedel. Die systemen werken goed in het lab maar zijn omvangrijk, verbruiken veel energie en zijn lastig om de hele dag te dragen. De onderzoekers richtten zich in plaats daarvan op "single-channel" opnames, die hersenactiviteit van slechts één locatie tegelijk vastleggen. Ze kozen zes elektrodeposities op het voorhoofd, de slaap en de achterkant van het hoofd die praktisch zouden zijn voor een lichtgewicht hoofdband of pleister. De kernvraag was of een enkele, goed geplaatste sensor nog steeds de subtiele veranderingen in hersenactiviteit kan oppikken die vaak opbouwen vóór een aanval.

Een kleine lezer van hersengolven trainen

Om ruwe hersengolven om te zetten in iets waar een computer van kan leren, verdeelde het team de data in segmenten van 10 seconden en zette elk segment om in een soort afbeelding die laat zien hoe signaalsterkte over verschillende frequenties in de tijd varieert. Deze afbeeldingen werden vervolgens gevoed aan een gestroomlijnd deep learning-model geïnspireerd op MobileNet, een familie neurale netwerken ontworpen om op telefoons en andere energiezuinige apparaten te draaien. Door lagen en verbindingen zorgvuldig te versmallen, reduceerden de auteurs het model tot net onder 38.000 aanpasbare parameters — een klein deel van de grootte van veel moderne beeldherkenningssystemen — terwijl het nog steeds nuttige patronen verbonden aan aanvallen kon leren.

Het definiëren van nuttige waarschuwingsduur

Uit het perspectief van een patiënt is niet elke correcte detectie even nuttig. Een waarschuwing die te laat komt biedt weinig bescherming, terwijl een waarschuwing die veel te vroeg komt onnodige onrust kan veroorzaken. De studie nam daarom duidelijke timingregels aan die aansluiten bij de behoeften in de echte wereld. Voor elke aanval definieerden de onderzoekers een "geen waarschuwing"-zone die de 2 minuten direct vóór het begin beslaat, wanneer reageren al moeilijk zou zijn. De 30 minuten daarvoor werden behandeld als het echte voorspellingsvenster, waarin een waarschuwing als succesvol wordt beschouwd als de aanval binnen dat tijdsbestek volgt. Alleen data uit dit venster en uit duidelijk normale periodes ver weg van enige aanval werden gebruikt om het model te trainen en te testen.

Hoe goed het systeem presteerde

Het model werd getest op twee groepen patiënten: volwassenen met farmacoresistente focale epilepsie behandeld in het Seoul National University Hospital, en kinderen en jongvolwassenen uit een veelgebruikt publiek dataset. Voor elke persoon werd het systeem alleen op diens eigen data getraind en geëvalueerd, wat weerspiegelt hoe een toekomstig apparaat zich aan de drager zou kunnen aanpassen. Over patiënten heen classificeerde het model ongeveer 86 tot 91 procent van de 10-secondensegmenten correct, met relatief lage aantallen valse alarmen. Beoordeeld op het niveau van volledige aanvallen en met strikte timingregels, voorspelde het ongeveer 95 procent van de aanvallen in de ziekenhuisgroep en 98 procent in de publieke dataset. Interessant genoeg bleken elektroden op het voorhoofd het vaakst het beste te werken, en dichter bij de medisch geïdentificeerde aanvalzone zitten verbeterde de nauwkeurigheid niet per se.

Wat dit voor het dagelijks leven zou kunnen betekenen

Deze resultaten suggereren dat een enkele kleine hersengolvensensor, gecombineerd met een zeer efficiënt leeralgoritme, betrouwbare vroege waarschuwingen voor veel aanvallen kan bieden binnen een praktisch bruikbaar venster van 30 minuten. Hoewel meer onderzoek nodig is om de aanpak te testen bij grotere en meer uiteenlopende patiëntengroepen en om te verfijnen hoe kanalen voor elk individu worden gekozen, wijst de studie op aanvalvoorspellingssystemen die comfortabel voor langere tijd gedragen kunnen worden en op beperkte batterijcapaciteit kunnen draaien. Zulke hulpmiddelen zouden aanvallen niet voorkomen, maar ze zouden mensen met epilepsie meer controle en vertrouwen kunnen geven bij het plannen van hun dagelijkse activiteiten.

Bronvermelding: Jang, D., Jung, KY., Jeon, YG. et al. Single-channel EEG-based seizure prediction using deep learning. Sci Rep 16, 15888 (2026). https://doi.org/10.1038/s41598-026-44670-7

Trefwoorden: epilepsie, aanvalvoorspelling, EEG, draagbare apparaten, deep learning