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

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.