Detección de epilepsia mediante electroencefalogramas usando redes neuronales convolucionales reducidas
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1279Palabras clave:
Aprendizaje Profundo, Electroencefalografía, EpilepsiaResumen
Objetivo: Creación y comparación de modelos de aprendizaje profundo basados en segmentos de electroencefalograma (EEG) representados en el dominio de tiempo y frecuencia para la detección de epilepsia. Método: Se implementaron y evaluaron dos modelos de redes neuronales convolucionales, cada uno alimentado por datos de electroencefalografía en diferentes dominios (tiempo y frecuencia). Resultados: Los modelos evaluados mostraron una precisión promedio entre 73,37% y 82,08%. El modelo entrenado a partir de EEG representado en el dominio de la frecuencia logró valores más altos para todas las métricas. Al aplicar la prueba estadística de hipótesis U de Mann-Whitney, considerando un nivel de significancia del 5%, se evidenció diferencia estadísticamente significativa entre los modelos. Conclusión: Los resultados indican que el modelo entrenado con segmentos de EEG representados en frecuencia tuvo un rendimiento prometedor en la detección de ataques epilépticos. Además, aunque la arquitectura de los modelos desarrollados es más simple en comparación con trabajos relacionados, se lograron resultados competitivos.
Citas
World Health Organization. Epilepsy: a public health imperative. 2019.
Shin HW, Jewells V, Hadar E, Fisher T, Hinn A. Review of epilepsy-etiology, diagnostic evaluation and treatment. Int J Neurorehabilitation. 2014;1(130):2376-0281.
Freeman W, Quiroga RQ. Imaging brain function with EEG: advanced temporal and spatial analysis of electroencephalographic signals. Springer Science & Business Media; 2012 Oct 28.
Oliva JT, Rosa JL. Classification for EEG report generation and epilepsy detection. Neurocomputing. 2019 Mar 28;335:81-95.
Alotaiby TN, Alshebeili SA, Alshawi T, Ahmad I, Abd El-Samie FE. EEG seizure detection and prediction algorithms: a survey. Journal on Advances in Signal Processing. 2014:1-21.
Craik A, He Y, Contreras-Vidal JL. Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of neural engineering. 2019 Apr 9;16(3):031001.
Li Z, Liu F, Yang W, Peng S, Zhou J. A survey of convolutional neural networks: analysis, applications, and prospects. IEEE transactions on neural networks and learning systems. 2021 Jun 10;33(12):6999-7019.
Yu Y, Si X, Hu C, Zhang J. A review of recurrent neural networks: LSTM cells and network architectures. Neural computation. 2019 Jul 1;31(7):1235-70.
Xu C, Zhao P, Liu Y, Xu J, S. Sheng VS, Cui Z, Zhou X, Xiong H. Recurrent convolutional neural network for sequential recommendation. In The world wide web conference 2019 (pp. 3398-3404).
Jana R, Mukherjee I. Deep learning based efficient epileptic seizure prediction with EEG channel optimization. Biomedical Signal Processing and Control. 2021 Jul 1;68:102767.
Sharan RV, Berkovsky S. Epileptic seizure detection using multi-channel EEG wavelet power spectra and 1-D convolutional neural networks. In2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC) 2020 Jul 20 (pp. 545-548).
Brigham EO. The fast Fourier transform and its applications. Prentice-Hall, Inc.; 1988 Jul 1.
Daubechies I. The wavelet transform, time-frequency localization and signal analysis. IEEE transactions on information theory. 1990 Sep;36(5):961-1005.
Yao X, Li X, Ye Q, Huang Y, Cheng Q, Zhang GQ. A robust deep learning approach for automatic classification of seizures against non-seizures. Biomedical Signal Processing and Control. 2021 Feb 1;64:102215.
Thodoroff P, Pineau J, Lim A. Learning robust features using deep learning for automatic seizure detection. In Machine learning for healthcare conference 2016 Dec 10 (pp. 178-190).
Guttag J. CHB-MIT Scalp EEG Database. PhysioNet. 2010. doi: 10.13026/C2K01R.
Monard MC, Baranauskas JA. Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações. 2003;1(1):32.
Sokolova M, Lapalme G. A systematic analysis of performance measures for classification tasks. Information processing & management. 2009 Jul 1;45(4):427-37.
Xu QS, Liang YZ. Monte Carlo cross validation. Chemometrics and Intelligent Laboratory Systems. 2001 Apr 16;56(1):1-1.
Mann HB, Whitney DR. On a test of whether one of two random variables is stochastically larger than the other. The annals of mathematical statistics. 1947 Mar 1:50-60.
Günther F, Fritsch S. Neuralnet: training of neural networks. The R Journal. 2010 Jun 2(1):30-38.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
