Publicación: Aplicación de algoritmos de aprendizaje automático, con énfasis en aprendizaje supervisado, para la identificación y categorización de segmentos de interés en señales bioeléctricas para el estudio de la epilepsia - Fase V
Portada
Descargar PDF 
Vista en línea Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Tipo de Material
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
El presente trabajo se enfocó en la implementación y evaluación de algoritmos de aprendizaje automático con énfasis en aprendizaje supervisado para el análisis de señales EEG de pacientes con epilepsia, como parte de la línea de investigación desarrollada en conjunto con HUMANA en la Universidad del Valle de Guatemala. Los objetivos principales incluyeron la exploración de redes neuronales profundas (LSTM y TCN) para preservar la secuencialidad de las señales y la detección de segmentos de interés, así como la actualización de la herramienta Epileptic EEG Analysis Toolbox. Para ello, se emplearon estudios de la base de datos de The Temple University Hospital (TUH), ampliando significativamente la diversidad y cantidad de señales analizadas. Se evaluaron múltiples configuraciones de redes neuronales, logrando una precisión consistente superior al 81% en la clasificación de eventos de convulsión y no convulsión. Las redes TCN destacaron por su e ciencia en tiempo de entrenamiento y su capacidad para capturar dependencias temporales mediante convoluciones causales y dilatadas, mientras que las redes LSTM ofrecieron un rendimiento competitivo, aunque con mayores demandas computacionales. Asimismo, se implementaron mejoras en la herramienta Epileptic EEG Analysis Toolbox, incorporando nuevas funcionalidades como montajes automatizados, generación de anotaciones basadas en redes neuronales y optimización del código para garantizar un mejor desempeño. Estas actualizaciones permiten una interacción más intuitiva para los médicos y sientan las bases para futuras exploraciones de algoritmos de aprendizaje profundo. Este trabajo representa un avance significativo en el análisis de señales EEG mediante aprendizaje profundo, estableciendo un marco de referencia para la integración de estas técnicas como herramientas clínicas y proporcionando recomendaciones para superar las limitaciones computacionales identificadas.
Resumen en inglés
The present study focused on the implementation and evaluation of machine learning algorithms, with an emphasis on supervised learning, for the analysis of EEG signals from epilepsy patients. This work is part of the research line developed in collaboration with HUMANA at Universidad del Valle de Guatemala. The primary objectives included the exploration of deep neural networks (LSTM and TCN) to preserve the sequential nature of the signals and detect segments of interest, as well as the enhancement of the Epileptic EEG Analysis Toolbox. To achieve these goals, data from The Temple University Hospital (TUH) database were utilized, signi cantly increasing the diversity and volume of analyzed signals. Multiple neural network con gurations were evaluated, achieving consistent accuracy rates exceeding 81% in the classi cation of seizure and non-seizure events. TCN networks demonstrated superior e ciency in training time and the ability to capture temporal dependencies through causal and dilated convolutions, whereas LSTM networks delivered competitive performance albeit with higher computational demands. Furthermore, improvements to the Epileptic EEG Analysis Toolbox were implemented, including new functionalities such as automated montages, annotation generation based on neural networks, and code optimization to ensure enhanced performance. These updates provide a more intuitive interface for clinicians and lay the groundwork for future explorations of deep learning algorithms. This study represents a signi cant advancement in EEG signal analysis using deep learning, establishing a reference framework for integrating these techniques into clinical tools and o ering recommendations to address the identi ed computational limitations.
