Investigación basada en EEG para métodos de evaluación del nivel de adicción y análisis de la función cerebral de los...

Área de la Ciencia:

• La neurociencia
• Inteligencia artificial
• Salud pública

Sus antecedentes:

• El trastorno por consumo de metanfetaminas (TAM) representa un importante desafío para la salud mundial.
• Los métodos de diagnóstico precisos y eficientes para MUD son cruciales para el tratamiento y la intervención efectivos.
• Los enfoques de diagnóstico actuales pueden carecer de la precisión y la eficiencia necesarias para una aplicación generalizada.

Objetivo del estudio:

• Desarrollar y validar un método avanzado de evaluación de la MUD.
• Integrar el aprendizaje profundo por electroencefalografía (EEG) con técnicas analíticas avanzadas para mejorar la precisión del diagnóstico.
• Para identificar canales cerebrales específicos y patrones de EEG indicativos de MUD.

Principales métodos:

• Se utilizaron datos de electroencefalografía (EEG) de personas con y sin MUD.
• Utilizó una red neuronal convolucional compacta mejorada (ECCN-Net) para una clasificación precisa de los datos EEG.
• Resultados de clasificación validados utilizando el análisis de dominio de tiempo, el análisis de dominio de frecuencia y la visualización de mapas de activación de clase (CAM).

Principales resultados:

• El modelo ECCN-Net logró una alta precisión de clasificación para MUD.
• El canal cerebral PO3 demostró la mayor precisión diagnóstica con un 85,15%.
• Los individuos con MUD exhibieron una potencia relativa significativamente mayor en la banda de frecuencia delta.

Conclusiones:

• El método de aprendizaje profundo basado en EEG propuesto ofrece un enfoque prometedor, preciso y eficiente para la evaluación de MUD.
• Los patrones específicos de EEG, particularmente en la banda delta y en el canal PO3, son fuertes indicadores de MUD.
• Esta metodología puede ayudar en la detección temprana y estrategias de tratamiento personalizadas para MUD.