<b>Tausta:</b> Kohtauspäiväkirjat ovat olleet keskeisessä osassa epilepsian seurannassa ja hoidon suunnittelussa. Aiempien tutkimusten mukaan kohtauspäiväkirjat ovat alttiita epätarkkuuksille kohtausten vajavaisen havaitsemisen sekä kohtausten tulkinnanvaraisuuden vuoksi. Havaitsemattomat kohtaukset nostavat kuolleisuutta ja sairastavuutta, joten kohtausten dokumentoinnin parantaminen on tärkeää, erityisesti yöaikaisten kohtausten kohdalla. Videoon perustuvilla kohtausten tunnistamisjärjestelmillä on potentiaalia parantaa kohtausten dokumentoinnin ja luokittelun tarkkuutta, mikä voisi parantaa ja tehostaa potilaiden hoitoa. Automaattista kohtausten tunnistamista ja etenkin videokuvaan perustuvia laitteita on tutkittu yhä enemmän viimeisen vuosikymmenen aikana.

<b>Tavoitteet: </b> Tutkimuksen ensisijainen tavoite oli tutkia kohtausten tunnistamista ja luokittelua automaattisesti hyödyntämällä tekoälyä, joka analysoi videokuvasta erotettuja liikesignaaleja. Lisäksi arvioitiin videomonitoroinnin soveltuvuutta lääkeinterventioon vertailemalla sen antamia dokumentointituloksia kohtauspäiväkirjamerkintöihin, sekä liikeintensiteetin muutoksen arviointia lääkeintervention jälkeen tutkimalla liikkeen ominaisuuksia (motion feature) ja liikesignaaleja.

<b>Materiaalit ja metodit: </b> Tämä väitöstutkimus koostui neljästä osatutkimuksesta. Yhteensä 46 lääkeresistenttiä epilepsiaa sairastavaa potilasta osallistui yhteen tai useampaan osatutkimukseen. Jokaista potilasta kuvattiin kotonaan neljästä kahdeksaan viikkoa yöaikaan. Kaikissa tutkimuksissa hyödynnettiin feature extraction -menetelmää, jolla erotettiin videoista kolme biosignaalia: liike, oskillaatio ja ääni. 3. ja 4. tutkimuksessa tutkittiin brivarasetaami-intervention vaikutusta. Ensimmäisessä tutkimuksessa metodilla tunnistettiin automaattisesti yhden potilaan kohtaukset neljän viikon monitoroinnista. Toisessa tutkimuksessa automaattisen kohtausluokittelun tarkkuutta tutkittiin hyödyntämällä liikefeaturekokoelmaa (catch22). Sen avulla luotiin signaalidata klusterianalyysiin ja tulosten visualisointiin. Tutkimuksessa analysoitiin hyperkineettisiä, toonisia ja tooniskloonisia kohtauksia. Tekoälyn harjoittamiseen käytetty potilasdata sisälsi 130 kohtausta 10 potilaalta, ja sen testaamiseen käytetty data sisälsi 98 kohtausta 17 potilaalta. Kolmannessa tutkimuksessa verrattiin kohtauspäiväkirjojen ja videomonitoroinnin kohtausdokumentointia ja arvioitiin dokumentointimenetelmän vaikutus hoidon tulosten tulkintaan yhteensä 13 potilaan otannalla. Lisäksi tutkimuksessa arvioitiin kvalitatiivisia muutoksia liikeintensiteetissä ennen ja jälkeen intervention hyödyntämällä algoritmipohjaista featureanalyysiä. Neljännessä tutkimuksessa tutkittiin liikesignaalien muodostamien signaaliprofiilien piirteitä eri kohtaustyypeissä ja arvioitiin signaaliprofiilien yleistettävyyttä ja vaihtelua yksittäisellä potilaalla ja potilaiden välillä. Videodata sisälsi 13 hyperkineettistä kohtausta, 65 toonista kohtausta, 13 tooniskloonista kohtausta ja 138 motorista kohtausta 11 potilaalta.

<b>Tulokset: </b> Ensimmäisessä tutkimuksessa säädettiin parametrit ja kynnysarvot 90 % sensitiivisyydelle, joilla saavutettiin väärien löydösten määräksi 0.38/h kloonista liikettä sisältäville kohtauksille ja 1.02/h toonista liikettä sisältäville kohtauksille. Liike, oskillaatio ja äänen signaalit muodostivat erilaisia signaaliprofiileja eri kohtaustyypeille. Toisessa tutkimuksessa ajalliset liikeominaisuudet (temporal motion features) suoriutuivat parhaiten klusterianalyysissä, ja järjestelmä luokitteli automaattisesti hyperkineettiset kohtaukset 91 %:n, tooniset kohtaukset 88 %:n ja toonisklooniset 45 %:n tarkkuudella 100 ristiinvalidoinnin jälkeen. F1-score oli 93 %, 90 % ja 37 % näille kohtaustyypeille. Kolmannessa tutkimuksessa kolme potilasta koki 50 %:n kohtaustiheyden laskun intervention jälkeen, neljä potilasta ei reagoinut hoidolle ja kahdella potilaalla kohtaustiheys kasvoi videomonitoroinnin tulosten perusteella. Viisi potilasta yhdeksästä dokumentoi 40-70 % kohtauksista päiväkirjoihin verrattuna videomonitorointiin. Featureanalyysi osoitti merkittäviä muutoksia kohtausten liikeintensiteetissä kolmella potilaalla, ja tilastollisesti merkittäviä eroja featureissa kahdeksalla potilaalla. Neljännessä tutkimuksessa havaittiin, että tooninen kohtauskomponentti muodosti tunnistettavan muodon liikesignaaleihin. Hyperkineettisten ja motoristen kohtausten signaaliprofiileissa on yhteneväisiä piirteitä, mikä voi hankaloittaa kyseisten kohtausten erottamista. Visuaalisesti havaittavia muutoksia signaaliprofiileissa esiintyi kahdella potilaalla brivarasetaamin aloittamisen jälkeen.

<b>Johtopäätökset: </b> Automaattinen kohtausten videomonitorointi kykeni havaitsemaan automaattisesti motorisia kohtauksia ja erottamaan tooniset, klooniset ja toonisklooniset kohtaukset hyödyntämällä liikkeen, oskillaation ja äänen signaaleja. Eri motoristen kohtaustyyppien signaaliprofiilit saattavat olla hyödyllisiä kohtausten luokittelussa ja järjestelmän kehittämisessä. Videomonitorointi paransi kohtausten havaitsemisen herkkyyttä ja hoitovasteen arviointia päiväkirjoihin verrattuna. Videokuvaan perustuva järjestelmä mahdollisti myös featureanalyysin ja signaaliprofiilien visualisoinnin liikeintensiteetin arvioimiseksi brivarasetaamin aloituksen jälkeen.

<b>Background: </b> Seizure diaries have traditionally been used in follow-up and management of epilepsy. According to previous research, seizure diaries are prone to inaccuracies due to the inability to observe seizures and inter-observer discrepancy. Due to the increased risk of mortality and morbidity caused by unobserved seizures especially during the nighttime, improved seizure documentation is indicated. Video-based monitoring devices hold potential to increase accuracy of seizure documentation and classification, which may improve patient care and treatment efficacy. Automatic seizure detection, especially video- based detection devices, have been studied increasingly during the last decade.

<b>Aims of the study: </b> The main objective of this research was to examine automatic detection and classification of seizures by utilizing machine learning in the analysis of motion signals extracted from the video data. Other objectives were to assess the feasibility of video monitoring in drug intervention by comparing the video-based seizure documentation with patient-provided seizure diaries, and to examine changes in algorithmically-evaluated movement intensity over time.

<b>Materials and methods: </b> This research consisted of four studies. Overall 46 patients with drug resistant epilepsy participated in one or multiple studies. All patients underwent a four or eight-week nighttime home video monitoring. In all studies, feature extraction was used for the video data recorded from patients to obtain three different biosignals - sudden motion, oscillation, and changes in sound volume - to characterize seizure activity. In studies III and IV, the brivaracetam intervention was examined. In the first study, the method was applied to detect seizures of one patient from a 4-week home monitoring. In the second study, accuracy of automatic seizure classification was evaluated by utilizing motion features from the motion feature collection (catch22) to create time series for clustering and visualization (hyperkinetic, tonic, and tonic-clonic seizures were included). The training dataset included 130 seizures from 10 patients, and the testing dataset included 98 seizures from 17 patients. In the third study, the seizure documentation of seizure diaries and automatic video-based seizure monitoring was compared and the effect of documentation method on the interpretation of treatment outcomes was evaluated. The study sample included 13 patients. The study also evaluated qualitative changes in movement intensity before and after the intervention by utilizing feature analysis. In the fourth study, the characteristics of signal profiles were explored to evaluate the generalizability and variability in a single patient setting and between patients. Video data of the fourth study consisted of 13 hyperkinetic seizures, 65 tonic seizures, 13 tonic-clonic seizures and 138 motor seizures from 11 patients.

<b>Results: </b> In the first study, with optimal parameters and thresholding that were set to 90% sensitivity, the model reached false discovery rate of 0.38/h and 1.02/h for seizures with a clonic component and seizures with a tonic component, respectively. Motion, oscillation and sound signals formed distinguishable signal profiles characteristic for different seizure types. In the second study, temporal motion features achieved the best results in clustering analysis, and the system differentiated hyperkinetic, tonic, and tonic-clonic seizures with an accuracy of 91%, 88%, and 45% after 100 cross-validation runs, respectively. F1-scores were 93%, 90% and 37%, respectively, and overall accuracy and f1-score were both 74%. In the third study, during the follow-up phase of intervention, three patients reached >50% decrease in seizure frequency, four patients did not respond to intervention, and seizure frequency increased in two patients according to the results from the video monitoring. Five out of nine patients documented 40 to 70% of their seizures to their seizure diaries compared to video monitoring system. Signal feature analysis showed significant changes in movement intensity in three patients, and statistically significant differences in features were found in 8 out of 9 patients. In the fourth study, tonic component formed a distinguishable seizure signature in motion signal, but hyperkinetic and motor seizures have overlapping signal profile characteristics which might hamper their differentiation. Visually recognizable changes were observed in the signal profiles of two patients after the initiation of brivaracetam. Motion signals might be useful in the assessment of movement intensity changes and to evaluate the treatment effect.

<b>Conclusions: </b> Automatic video-based seizure monitoring was able to automatically detect motor seizures and differentiate tonic, clonic, and tonic-clonic seizures by using sudden motion, oscillation and sound features extracted from the video data. Signal profiles of different motor seizure types might be useful in seizure classification and further development of this system. Video monitoring increased sensitivity of seizure detection in compared to seizure diaries which improved the treatment outcome evaluation. The video-based system also enabled feature analysis and visualization of signal profiles in movement intensity evaluation after the initiation of brivaracetam.