Detección automática de convulsiones epilépticas usando estrategias de aprendizaje profundo y analítica predictiva

Abstract

En este trabajo de investigación, se propone un procedimiento metodológico para la detección de convulsiones epilépticas a partir de una base de datos pública. Este enfoque metodológico busca integrar un método de análisis de señales no lineales y no estacionarias con un clasificador de señales, con el objetivo de alcanzar la respuesta más efectiva para los propósitos de la investigación. La metodología presentada se distingue por su capacidad para descomponer las señales originales, implementando un proceso de filtrado natural que resulta en señales más puras. Estas señales refinadas se utilizan como entrada para el clasificador, generando métricas de precisión, sensibilidad y especificidad. Estas métricas proporcionan una evaluación detallada del rendimiento de la metodología propuesta. En pos de este objetivo, se llevan a cabo diversas iteraciones utilizando una base de datos depurada en el clasificador. Este enfoque iterativo contribuye a afinar y optimizar la capacidad del clasificador para discernir patrones asociados a convulsiones epilépticas, mejorando así la confiabilidad y la efectividad del procedimiento en su conjunto. La combinación de un enfoque de descomposición de señales con un clasificador estratégicamente diseñado representa una aproximación novedosa y prometedora para la detección de convulsiones epilépticas. El énfasis en la obtención de métricas de rendimiento detalladas subraya la rigurosidad y la eficacia de la metodología, proporcionando una evaluación exhaustiva de su capacidad para abordar la problemática específica de la detección de convulsiones epilépticas en datos biomédicos.

In this research work, a methodological procedure for detection of epileptic seizures from a public database is proposed. This methodological approach seeks to integrate a nonlinear and non-stationary signal analysis method with a signal classifier, to achieve the most effective response for the research purposes. The methodology presented is distinguished by its ability to decompose the original signals, implementing a natural filtering process that results in purer signals. These refined signals are used as input to the classifier, generating accuracy, sensitivity, and specificity metrics. These metrics provide a detailed performance evaluation of the proposed methodology. In the pursuit of this objective, multiple iterations are conducted utilizing an enhanced database within the classifier. This iterative process aids in refining and optimizing the classifier’s capability to identify patterns associated with epileptic seizures, thereby enhancing the overall reliability and effectiveness of the procedure. The integration of a signal decomposition approach with a strategically designed classifier represents a novel and promising approach to epileptic seizure detection. The emphasis on obtaining detailed performance metrics underscores the rigor and efficacy of the methodology, providing a comprehensive assessment of its ability to address the specific problem of epileptic seizure detection in biomedical data.