Reconocimiento de espasmos epilépticos: clasificación de EEG mediante características tiempo-frecuencia y aprendizaje automático | JoVE Visualize

Área de la Ciencia:

Neurología; Ingeniería Biomédica; Ciencia de Datos

Sus antecedentes:

Los espasmos epilépticos (EE) presentan desafíos diagnósticos, especialmente en poblaciones pediátricas.; Los métodos actuales de detección de convulsiones basados en EEG tienen dificultades con los diversos patrones de EE.; La clasificación precisa y automatizada de EE es crucial para una intervención oportuna.

Objetivo del estudio:

Desarrollar y evaluar un enfoque de aprendizaje automático para clasificar señales de EEG de espasmos epilépticos (EE).; Investigar la efectividad de las características del dominio tiempo-frecuencia para la clasificación de EE.; Comparar el rendimiento de los modelos Random Forest, KNN y Support Vector Machine (SVM) en la detección de EE.

Principales métodos:

Se analizaron datos de EEG recopilados clínicamente de pacientes con espasmos epilépticos.; Se extrajo un conjunto de 54 características del dominio tiempo-frecuencia de las señales de EEG.; Se entrenaron y probaron modelos de aprendizaje automático que incluyen Random Forest (RF), K-Nearest Neighbors (KNN) y Support Vector Machine (SVM).

Principales resultados:

El modelo Random Forest logró la mayor precisión de clasificación del 81,18 % con un conjunto de características reducido.; K-Nearest Neighbors (KNN) demostró un rendimiento mejorado con un mayor número de características.; El estudio clasificó con éxito los patrones de EEG de EE utilizando las técnicas de extracción de características y aprendizaje automático propuestas.

Conclusiones:

La combinación de características tiempo-frecuencia con modelos de aprendizaje automático muestra un potencial significativo para la clasificación precisa de espasmos epilépticos.; El enfoque desarrollado ofrece una herramienta prometedora para el monitoreo y diagnóstico automatizado de EE.; Se recomienda una mayor investigación para mejorar la extracción de características y la solidez del modelo para la implementación clínica.