Topologische Datenanalyse verbessert Epilepsie-EEG-Klassifikation auf 80 % Genauigkeit

Eine neue Studie aus dem arXiv-Repository zeigt, dass topologische Datenanalyse (TDA) die Erkennung von epileptischen Anfällen in iEEG-Signalen deutlich verbessert. Forscher haben Daten von 55 Patienten ausgewertet – ein deutlich größerer Datensatz als bei vielen früheren Arbeiten, die meist patientenspezifische Modelle nutzen.

Aus den iEEG-Signalen wurden Persistenzdiagramme erstellt, die anschließend in verschiedene TDA-Features umgewandelt wurden: Carlsson-Koordinaten, Persistenzbilder und Template-Funktionen. Durch einen umfangreichen Ablationsversuch wurden verschiedene Frequenzbänder, Dimensionalitätsreduktion, Feature-Repräsentationen und Klassifikatorarchitekturen getestet.

Die Ergebnisse sind beeindruckend: Dimension-reduzierte topologische Features erreichten bis zu 80 % balancierte Genauigkeit bei der dreiklassigen Unterscheidung von preiktalen, iktalen und interiktalen Zuständen. Interessanterweise liefern klassische Machine‑Learning‑Modelle ähnliche Leistungen wie Deep‑Learning‑Ansätze – bis zu 79,17 % balancierte Genauigkeit – was darauf hindeutet, dass gut gestaltete topologische Merkmale die Modellkomplexität erheblich reduzieren können.

Im Gegensatz dazu führten Pipelines, die die vollständige Multikanalstruktur beibehielten, zu starkem Overfitting, da der hohe Merkmalsraum die Modelle überforderte. Diese Erkenntnisse unterstreichen die Bedeutung von strukturbehaltenden Verfahren und zeigen, dass TDA ein leistungsfähiges Werkzeug zur Analyse von EEG-Daten sein kann.