A complexity fingerprint for the localization of the Epileptogenic Zone using machine learning and data-driven approaches

Abstract

ABSTRACT : In this research, we sought to delineate the epileptogenic zone using a dataset from the Cleveland Clinic, encompassing 28 patients who successfully underwent resective surgery and had prior SEEG recordings from both ictal and interictal periods. From time-windowed segments of these recordings, we derived complexity features and characterized them using their mean and standard deviation. Our analysis incorporated features such as Lempel-Ziv complexity, various entropies, fractal dimensions, and the 1/f slope of the brain activity spectrum, among others. We trained three distinct Logistic Regression Models: one using only ictal data, another using only interictal data, and a hybrid model leveraging both periods. Additionally, we trained a model using the Bern-Barcelona dataset, a known benchmark in interictal prediction. Our findings underscored that while the interictal period might be less informative in isolation, it enhances the insights drawn from the ictal phase when combined. A pivotal aspect of our research was discerning a distinctive epileptogenic zone fingerprint. Feature importance analysis pinpointed the Mean Lempel-Ziv Complexity, the standard deviation of the 1/f Slope, and the standard deviation of specific fractal dimensions as the most significant characteristics differentiating resected locations. These results not only contribute to understanding the epileptogenic zone but also foster discussions about complexity in the brain, particularly in the context of the brain criticality hypothesis.

RESUMEN : En este trabajo, se buscó delimitar la zona epileptogénica utilizando un conjunto de datos de la clínica de Cleveland, la cual abarca 28 pacientes que se sometieron con éxito a cirugía resectiva. A dichos pacientes se les adquirieron registros intracraneales de EEG durante períodos ictales e interictales. A partir de segmentos de estas grabaciones, derivamos características de complejidad y las caracterizamos utilizando su media y desviación estándar. Nuestro análisis incorporó características como la complejidad de Lempel-Ziv, varias entropías, dimensiones fractales y la pendiente 1/f del espectro de actividad cerebral, entre otros. Entrenamos tres modelos distintos de Regresión Logística: uno utilizando solo datos ictales, otro utilizando solo datos interictales y un modelo híbrido que aprovecha ambos períodos. Además, se entrenó un modelo utilizando el conjunto de datos "Bern-Barcelona", el cual es un punto de referencia conocido en la predicción interictal. Nuestros hallazgos subrayaron que, a pesar de que el período interictal es menos informativo de forma aislada, puede potenciar las predicciones obtenidas de la fase ictal cuando se combinan. Un aspecto importante de la investigación fue discernir una huella electrofisiológica de la zona epileptogénica. El análisis de importancia de las características que se llevó a cabo señaló la complejidad media de Lempel-Ziv, la desviación estándar de la pendiente 1/f y la desviación estándar de dimensiones fractales específicas como las características más significativas que diferencian las ubicaciones extirpadas. Estos resultados no solo contribuyen a la comprensión de la zona epileptogénica, sino que también fomentan discusiones sobre la complejidad en el cerebro, particularmente en el contexto de la hipótesis de la criticalidad cerebral.