Un marco unificado para la detección de convulsiones por EEG utilizando la máquina de vectores de soporte proximal de valores propios generalizados integrada en el universum | JoVE Visualize

Sus antecedentes:

La clasificación de señales de electroencefalograma (EEG) enfrenta desafíos como la no estacionariedad, la baja relación señal/ruido y la limitada cantidad de datos etiquetados.
Los métodos existentes luchan con las complejidades inherentes de los datos de EEG, lo que afecta la precisión del diagnóstico.

Objetivo del estudio:

Desarrollar nuevos clasificadores mejorados por el universum para mejorar la clasificación de señales de EEG.
Abordar los desafíos críticos en el análisis de EEG, incluida la no estacionariedad y los datos limitados, utilizando el aprendizaje del universum.

Principales métodos:

Introducción de la máquina de vectores de soporte proximal de valores propios generalizados del universum (U-GEPSVM) y la U-GEPSVM mejorada (IU-GEPSVM).
Utilización de la descomposición de valores propios generalizados para la eficiencia computacional y el aprendizaje del universum para la generalización.
Incorporación de restricciones del universum a través de funciones objetivo basadas en ratios y diferencias ponderadas para mejorar la estabilidad y el control.

Principales resultados:

IU-GEPSVM logró picos de precisión del 85% (ojos cerrados frente a convulsiones) y del 80% (ojos abiertos frente a convulsiones) en el conjunto de datos de EEG de la Universidad de Bonn.
Las precisiones medias de IU-GEPSVM fueron del 81,29% y del 77,57%, superando a los métodos de referencia.
La validación estadística, incluidas las pruebas de Friedman y Wilcoxon de rangos con signo, confirmó la superioridad significativa de IU-GEPSVM.

Conclusiones:

Los clasificadores mejorados por el universum, en particular IU-GEPSVM, ofrecen una solución eficiente y confiable para el diagnóstico neurológico utilizando datos de EEG.
La integración de datos del universum interictal mejora significativamente el rendimiento de la clasificación.
Los modelos propuestos manejan de manera efectiva las complejidades de las señales de EEG, allanando el camino para herramientas de diagnóstico avanzadas.