Modelos Híbridos Eficientes para el Análisis y Detección de Dolor Neuropático a partir de Señales EEG Utilizando...

Área de la Ciencia:

• Neurociencia e Ingeniería Biomédica
• Inteligencia Computacional y Aprendizaje Automático

Sus antecedentes:

• El dolor neuropático afecta significativamente la calidad de vida del paciente, lo que requiere métodos de diagnóstico precisos.
• Las señales de electroencefalografía (EEG) ofrecen información valiosa sobre la actividad cerebral para la evaluación del dolor.
• El aprendizaje automático (ML) proporciona herramientas potentes para analizar datos complejos de EEG para clasificar el dolor neuropático.

Objetivo del estudio:

• Desarrollar y evaluar modelos híbridos eficientes de aprendizaje automático para la clasificación precisa del dolor neuropático utilizando señales EEG.
• Comparar el rendimiento de dos enfoques de modelos híbridos distintos que incorporan diversas técnicas de extracción, selección y clasificación de características.

Principales métodos:

• Se propusieron dos enfoques de modelos híbridos para la clasificación del dolor neuropático a partir de señales EEG.
• La extracción de características implicó técnicas como la Transformada Wavelet Discreta (DWT), características estadísticas y Fuzzy C-Means (FCM).
• Los métodos de selección de características incluyeron Grey Wolf Optimization (GWO), Hybrid Salp Swarm Optimization-Particle Swarm Optimization (SSO-PSO), entre otros, seguidos de la clasificación utilizando modelos como Gradient Boosting Machine (GBM), Support Vector Machine (SVM) y Extreme Gradient Boosting (XGBoost).

Principales resultados:

• El estudio evaluó dos modelos híbridos integrales en un conjunto de datos público de EEG.
• El segundo modelo híbrido, que utiliza características de Fuzzy C-Means (FCM) seleccionadas mediante Hybrid Salp Swarm Optimization-Particle Swarm Optimization (SSO-PSO) y clasificadas por un clasificador Polynomial Kernel-based Partial Least Squares-Support Vector Machine (PLS-SVM), demostró un rendimiento superior.
• Esta configuración óptima logró una alta precisión de clasificación del 92,68%.

Conclusiones:

• Los modelos híbridos propuestos muestran una promesa significativa para la clasificación automatizada del dolor neuropático a partir de datos de EEG.
• La combinación de la extracción de características FCM, la selección de características SSO-PSO y la clasificación PLS-SVM representa una estrategia altamente efectiva para mejorar la precisión diagnóstica.
• Esta investigación contribuye al avance de métodos no invasivos para la evaluación del dolor neuropático, mejorando potencialmente los resultados clínicos.