Abstract:
Guatemala presenta un estimado de 325,000 pacientes con epilepsia; una enfermedad
que repercute tanto en la salud del paciente como en su desenvolvimiento social. Las tecnologías actuales permiten a los especialistas en el área neurológica obtener señales eléctricas del cerebro por medio de electroencefalogramas. Sin embargo, la tarea de revisar los gráficos resultantes consume tiempo. El siguiente trabajo de graduación tiene como objetivo desarrollar y validar un proceso de reconocimiento y anotación de posibles episodios ictales en señales electroencefalográficas (EEG) de pacientes con epilepsia, por medio de técnicas de aprendizaje automático. Estas anotaciones son en base al tipo de señal, ya que pueden clasificarse como ictales, sanas, preictales o interictales.
Para ello se emplearon dos clasificadores de aprendizaje automático supervisado: algoritmos de red neuronal y una máquina de vectores de soporte (SVM por sus siglas en inglés).
Para emplear estos clasificadores, primero se procesan las señales por medio de filtros, se les extraen sus características, luego se entrenan y evalúan los clasificadores obtenidos. Por último, se genera la gráfica de la señal con el resultado entregado por la clasificación a manera de comentario.
Para lograr esto se empleó el software Matlab y bases de datos de señales electroencefalográficas; en concreto, las bases de datos de la Universidad de Bonn en Alemania y del concurso American Epilepsy Society Seizure Prediction Challenge de Kaggle. Los clasificadores generados tienen un desempeño superior al 77.1% para la clasificación de las cuatro clases, superior al 97.2% para clasificación de tres clases y superior al 97.7% para dos clases.
(A)
