Detector multimodal de crisis epilépticas motoras y no motoras para dispositivos wearable Basado en actividad electrodermal, acelerometría y fotopletismografía

Abstract

Antecedentes: El diagnóstico y tratamiento de la epilepsia se basa principalmente en el conteo y seguimiento de las crisis epilépticas. Los dos métodos más utilizados para este propósito son los auto-informes y la video-Electroencefalografía (v-EEG). Las limitaciones de estos enfoques incluyen la baja calidad de los informes realizados por los pacientes y la incomodidad percibida por los pacientes en los estudios de v-EEG, así como sus altos costos. Debido a lo anterior, varios sensores y dispositivos portátiles han surgido como tecnologías alternativas para la detección de crisis epilépticas; sin embargo, los enfoques existentes presentan bajos resultados en la detección de crisis epilépticas no motoras, en términos de precisión y tasa de falsos positivos. Objetivo: El propósito de esta disertación es implementar un modelo de aprendizaje automático multimodal para la detección de crisis epilépticas motoras y no motoras basado en datos obtenidos de sensores de acelerometría (ACC), actividad electrodermal (EDA) y fotopletismografía (PPG).

Background: Epilepsy diagnosis and treatment is based mainly on counting and monitoring seizures. The two most commonly used methods for this purpose are self-reports and video-Electroencephalography (v-EEG). Limitations of these approaches include low quality of the reports made by patients, and the discomfort that a v-EEG study represents for patients, as well as its high costs. Due to the above, various wearable sensors and portable devices have emerged as alternative technologies for seizure detection; nevertheless, existing approaches show low results in the classification in terms of accuracy and false positive rate when they try to detect non-motor seizures. Aim: The purpose of this dissertation is to implement a multimodal machine learning model for motor and non-motor seizure detection based on data obtained from accelerometry (ACC), electrodermal activity (EDA), and photoplethysmography (PPG) sensors.