Predicción robusta de convulsiones epilépticas: un marco 3D-SERESNet para generalización paciente-específica y...

Área de la Ciencia:

• Neurología
• Ingeniería Biomédica
• Aprendizaje Automático

Sus antecedentes:

• La epilepsia es un trastorno neurológico común que afecta a millones de personas en todo el mundo.
• La predicción de convulsiones es crucial para la seguridad del paciente y la calidad de vida.
• Los métodos de predicción actuales requieren modelos eficientes y precisos.

Objetivo del estudio:

• Desarrollar un modelo eficiente de aprendizaje profundo para la predicción de convulsiones de epilepsia.
• Aprovechar las representaciones tiempo-frecuencia y las redes neuronales convolucionales 3D para un aprendizaje de características mejorado.
• Abordar los problemas de desequilibrio de datos en los conjuntos de datos de epilepsia.

Principales métodos:

• Se utilizó la Transformada de Fourier de Tiempo Corto (STFT) para la representación tiempo-frecuencia del EEG.
• Se construyeron representaciones 3D a partir de gráficos tiempo-frecuencia.
• Se empleó una Red Residual de Excitación de Compresión 3D (3D-SERESNet) para el aprendizaje jerárquico de características espaciales y espectrales.
• Se aplicó la función de pérdida focal para manejar el desequilibrio de datos.

Principales resultados:

• Se logró una sensibilidad promedio del 90,77% con una tasa de falsos positivos (FPR) de 0,090/h en entornos pacientes específicos.
• Se alcanzó una sensibilidad del 84,41% con una FPR de 0,232/h en entornos pacientes independientes.
• Se demostró un rendimiento robusto en el conjunto de datos de EEG CHB-MIT.

Conclusiones:

• 3D-SERESNet es un modelo eficaz para la predicción de convulsiones de epilepsia.
• El modelo muestra una promesa tanto para la predicción de convulsiones pacientes específicas como independientes.
• Este enfoque ofrece un avance significativo en el manejo de trastornos neurológicos a través de la IA.