Un marco metaheurístico híbrido para la detección de ataques epilépticos en los sistemas de apoyo a las decisiones de...

Área de la Ciencia:

• Inteligencia computacional y aprendizaje automático aplicados al procesamiento de señales biomédicas.
• Informática sanitaria y desarrollo de herramientas automatizadas de diagnóstico.

Sus antecedentes:

• La detección de ataques epilépticos es vital para la atención del paciente, ya que requiere métodos precisos y confiables.
• Los sistemas automatizados de detección de ataques se benefician de la inteligencia computacional y las técnicas de optimización.

Objetivo del estudio:

• Desarrollar un nuevo enfoque híbrido para la detección de ataques epilépticos específicos del paciente.
• Mejorar el rendimiento de la detección automatizada de convulsiones mediante algoritmos de optimización.

Principales métodos:

• Un enfoque híbrido que combina la optimización de la colonia de hormigas (ACO) para la selección de características y la optimización del lobo gris (GWO) para el ajuste de hiperparámetros del bosque aleatorio (RF).
• Evaluación utilizando datos de EEG multicanal de los conjuntos de datos CHB-MIT y Seina.
• Evaluación del rendimiento utilizando métricas de precisión, sensibilidad y especificidad.

Principales resultados:

• La tubería ACO-GWO-RF logró un alto rendimiento en el conjunto de datos CHB-MIT (96,70% de precisión, 92,66% de sensibilidad, 99,24% de especificidad).
• El conjunto de datos de Seina arrojó una precisión del 93,01%, una sensibilidad del 89,82% y una especificidad del 96,26%.
• El método híbrido demostró ser robusto en el manejo de datos complejos de EEG y superó a los enfoques existentes.

Conclusiones:

• El enfoque metaheurístico híbrido optimiza efectivamente el procesamiento y la clasificación de los datos EEG para la detección de convulsiones.
• El fuerte rendimiento específico del paciente del método sugiere potencial para aplicaciones de salud interactivas y manejo personalizado de la epilepsia.