Predicción de crisis epilépticas utilizando técnicas de procesamiento de señales electroencefalográficas y aprendizaje de máquina

Abstract

La epilepsia es una enfermedad que se caracteriza por un mal funcionamiento repentino y recurrente del cerebro, denominado "convulsión". Las convulsiones epilépticas reflejan los signos clínicos de una actividad excesiva e hipersincrónica de las neuronas en el cerebro, y pueden ir acompañadas de un deterioro o pérdida de la conciencia, síntomas psíquicos, sensoriales, o fenómenos motores. Uno de los aspectos más incapacitantes de la epilepsia es la naturaleza aparentemente impredecible de las convulsiones. Un método capaz de predecir la aparición de crisis epilépticas a partir del electroencefalograma (EEG) de pacientes con epilepsia abriría nuevas posibilidades terapéuticas. Con este enfoque, el presente proyecto contempla el desarrollo de un algoritmo de predicción de crisis epilépticas, usando técnicas de procesamiento de señales electroencefalográficas y aprendizaje de máquina. El algoritmo identifica el estado preictal (pre-crisis), y lo diferencia del estado interictal (sin crisis), basado en los cambios dinámicos espacio-temporales en el registro EEG, que empiezan varios minutos antes de la convulsión. Se emplea una base de datos que consta de registros EEG intracraneales (iEEG) de dos pacientes con epilepsia. Estos registros son analizados en el dominio tiempo-escala empleando la transformada wavelet, y extrayendo una serie de características. Para la clasificación se empleó aprendizaje de máquina supervisado, por medio de los siguientes algoritmos: regresión logística, análisis discriminante, k-vecinos más cercanos (kNN), árboles de decisión, máquina de vectores de soporte (SVM) y conjunto de clasificadores redundantes (ensemble). El algoritmo obtiene una exactitud total de 99.1%, sensibilidad de 99%, especificidad de 99.1% y capacidad predictiva (AUR) de 0.98.