Análisis de electroencefalograma usando redes neuronales artificiales

Resumen

A través de la electroencefalografía se detecta la comunicación entre señales eléctricas creadas por las neuronas que, al conectarse entre sí, crean conexiones sinápticas. Esta técnica ha sido muy importante en la detección de trastornos neurológicos como la epilepsia. Caracterizada por cambios temporales en el funcionamiento bioeléctrico del cerebro, la epilepsia provoca convulsiones que afectan a la conciencia, el movimiento o la sensibilidad. Las redes neuronales artificiales (RNA) proporcionan modelos con diversas alternativas para detección, clasificación y predicción de muestras mediante el análisis del electroencefalograma a partir de la estructura de los datos, los cuales determinan la topología de la red. Este artículo propone la implementación de un modelo basado en RNA para analizar, clasificar y procesar señales epilépticas a partir del entrenamiento. Particularmente, la base de datos cuenta con muestras que registraron la actividad cerebral de pacientes sanos, pacientes que controlaron las crisis y pacientes que aún registraban oscilaciones en las señales emitidas por la actividad cerebral. Después de aplicar la transformada de Fourier, estas señales se integraron en una matriz aplicando tres tipos de umbral, procediendo a seleccionar los datos de entrada de la RNA para su entrenamiento y validación. Se consideran dos métodos de aprendizaje: redes neuronales multicapa con validación clásica (back propagation) y redes neuronales con validación cruzada (LOOCV, por sus siglas en inglés), para ello se calcula el error cuadrático medio (MSE, por sus siglas en inglés) así como la cantidad de errores por umbral con la finalidad de comparar los resultados obtenidos y precisar el método que proporciona los mejores resultados. Ambas redes se entrenaron usando un método híbrido basado en el templado simulado y el gradiente conjugado. Finalmente, se presenta el análisis de las RNA como sistemas de clasificación a través de los dos métodos en funcionamiento, alcanzando resultados satisfactorios que manifiestan la aplicación como herramienta de apoyo al diagnóstico médico para la detección de este trastorno.

https://doi.org/10.15174/au.2019.1672
HTML
PDF
XML