Aplicación de algoritmos de aprendizaje profundo a señales bioeléctricas para la identificación de segmentos de interés en el estudio de la epilepsia

Abstract

Este trabajo presenta el diseño y evaluación de un sistema basado en aprendizaje profundo para clasificar ventanas de EEG multi-paciente de la base Temple University Hospital EEG Corpus (TUSZ) como ictales o no ictales. Se implementó un pipeline en Python que incluye selección de canales, montaje, filtrado, remuestreo, segmentación en ventanas, balanceo de clases y extracción de características estadísticas y espectrales. Sobre este flujo se entrenaron tres arquitecturas: una red convolucional temporal (TCN), un modelo híbrido CNN+RNN con atención y un Transformer temporal, utilizando TensorFlow y PyTorch, con particiones entre pacientes y métricas estándar de clasificación. Los resultados muestran que TCN e híbrida alcanzan el mejor compromiso entre desempeño y costo computacional en un escenario fuertemente desbalanceado, mientras que el Transformer presenta mayor complejidad y menor precisión efectiva. Se cuantificó además el impacto del hardware (PC de laboratorio, HPC e instancia en la nube) y de las optimizaciones del pipeline sobre los tiempos de entrenamiento. Finalmente, los modelos se integraron en la herramienta existente mediante una API y clientes en MATLAB y Python, habilitando la solicitud de predicciones sobre registros EDF y su visualización conjunta con anotaciones clínicas.

The following work presents the design and evaluation of a deep learning based system to classify multi-patient EEG windows from the Temple University Hospital EEG Corpus (TUSZ) as ictal or non-ictal. A Python pipeline was implemented, including channel selection, montage, ltering, resampling, window segmentation, class balancing, and extraction of statistical and spectral features. On top of this ow, three architectures were trained: a Temporal Convolutional Network (TCN), a hybrid CNN+RNN model with attention, and a temporal Transformer, using TensorFlow and PyTorch, with cross-patient partitions and standard classi cation metrics. The results show that the TCN and the hybrid model achieve the best trade-o between performance and computational cost in a highly imbalanced scenario, while the Transformer exhibits higher complexity and lower e ective accuracy. The impact of hardware (laboratory PC, HPC cluster, and cloud instance) and pipeline optimizations on training time was also quanti ed. Finally, the models were integrated into the existing tool through an API and MATLAB and Python clients, enabling prediction requests on EDF recordings and their joint visualization with clinical annotations.