Marco iterativo de bloques múltiples para la detección de trastornos neurológicos basada en EEG de alta frecuencia

Área de la Ciencia:

• Neurociencia
• Ingeniería Biomédica
• Procesamiento de Señales

Sus antecedentes:

• El diagnóstico temprano y preciso de enfermedades neurológicas como el Alzheimer y el Parkinson es crucial.
• Las señales de electroencefalograma (EEG) de alta frecuencia ofrecen potencial pero enfrentan desafíos debido al ruido y la no estacionariedad.
• Los métodos de diagnóstico existentes tienen dificultades con el procesamiento de señales, la selección de características, la fusión y la explicabilidad clínica.

Objetivo del estudio:

• Proponer un marco holístico para la detección clínica temprana de trastornos neurológicos utilizando señales mejoradas de EEG de alta frecuencia.
• Superar las limitaciones en las técnicas de diagnóstico actuales para afecciones neurológicas.

Principales métodos:

• Una canalización de bloques múltiples que combina la Transformada de Hilbert-Huang (HHT) con la descomposición de modos empíricos para preprocesamiento adaptativo y reducción de ruido.
• Transformada de Paquetes de Ondas (WPT) con entropía de Shannon para la selección de características, preservando la información del dominio temporal y de frecuencia.
• Análisis de Correlación Canónica (CCA) para integrar características de EEG con metadatos clínicos, y una Red Neuronal Convolucional Recurrente Multiescala (MS-CRNN) con atención para el análisis espaciotemporal.

Principales resultados:

• El marco propuesto logró una precisión del 94%, una sensibilidad del 92% y una especificidad del 93% en la identificación temprana de problemas.
• Se utilizaron técnicas de visualización (Grad-CAM, Integrated Gradients) para la atribución de características y la explicabilidad.
• El método extrae eficazmente características clínicamente relevantes de datos de EEG de alta frecuencia ruidosos.

Conclusiones:

• El marco desarrollado mejora significativamente la precisión y la sensibilidad del diagnóstico temprano de enfermedades neurológicas.
• El enfoque proporciona un nuevo punto de referencia para la interpretación y el diagnóstico clínicos, apoyando las políticas de intervención temprana.
• La integración del procesamiento de señales, la ingeniería de características y el aprendizaje profundo ofrece una solución robusta para la detección de trastornos neurológicos complejos.