Extracción de características de señales EEG para la detección de convulsiones epilépticas utilizando un enfoque basado en la transformada Hilbert-Huang

Abstract

En este trabajo de maestría se propone un enfoque innovador para la selección automatizada de las Funciones Intrínsecas de Modo (IMFs) más relevantes utilizando Descomposición Empírica de Modos (EMD) y métricas de discriminación. El objetivo principal de esta investigación fue abordar el desafío de determinar el número óptimo de IMFs necesarias para reconstruir con precisión las señales de actividad cerebral y extraer características clave para la detección de convulsiones. La selección de las IMFs se basó en métricas bien establecidas como la distancia de Minkowski, el Error Cuadrático Medio (MSE), la correlación cruzada y la función de entropía. Los resultados obtenidos fueron prometedores, ya que permitieron identificar las IMFs que contienen la información más relevante, representando un avance significativo en el campo de la detección de convulsiones. Para validar estos hallazgos, se emplearon métodos estándar como el coeficiente de correlación, el valor p y la métrica de Wasserstein. Adicionalmente, se evaluó gráficamente la actividad cerebral mediante EEGLAB, lo que añadió robustez y credibilidad a las conclusiones obtenidas. Este enfoque no solo mejora la precisión en la reconstrucción de las señales de EEG, sino que también optimiza la extracción de características cruciales para la detección de convulsiones, marcando un avance importante en el diagnóstico y tratamiento de la epilepsia. La metodología propuesta contribuye de manera significativa al campo de la ingeniería biomédica y la neurología, proporcionando herramientas más efectivas para la identificación y análisis de eventos epilépticos. El presente trabajo fue desarrollado en la Universidad del Cauca por el grupo de investigación en Automática Industrial, representado por el autor y el director del mismo.

This master’s thesis proposes an innovative approach for the automated selection of the most relevant Intrinsic Mode Functions (IMFs) using Empirical Mode Decomposition (EMD) and discrimination metrics. The primary objective of this research was to address the challenge of determining the optimal number of IMFs required to accurately reconstruct brain activity signals and extract key features for seizure detection. The selection of the IMFs was based on well-established metrics such as the Minkowski distance, Mean Squared Error (MSE), cross-correlation, and entropy function. The results obtained were promising, as they facilitated the identification of the IMFs containing the most relevant information, representing a significant advancement in the field of seizure detection. To validate these findings, standard methods such as the correlation coefficient, p-value, and Wasserstein metric were employed. Additionally, brain activity was graphically evaluated using EEGLAB, which added robustness and credibility to the conclusions drawn. This approach not only improves the accuracy in the reconstruction of EEG signals but also optimizes the extraction of crucial features for seizure detection, marking an important advance in the diagnosis and treatment of epilepsy. The proposed methodology contributes significantly to the fields of biomedical engineering and neurology, providing more effective tools for the identification and analysis of epileptic events. This work was developed at the University of Cauca by the Industrial Automation research group, represented by the author and the director of the thesis.