Detección de convulsiones epilépticas basada en aprendizaje profundo a partir de señales de EEG y señales de PPG...

Área de la Ciencia:

• Neurología Neurología.
• La inteligencia artificial es inteligencia artificial.
• Ingeniería Biomédica Ingeniería Biomédica.

Sus antecedentes:

• La epilepsia es un trastorno neurológico que causa convulsiones recurrentes, lo que afecta la calidad de vida.
• El diagnóstico actual se basa en el monitoreo del electroencefalograma (EEG), que tiene limitaciones para la detección en tiempo real.
• Las sutiles firmas de EEG pueden hacer que la detección de convulsiones sea un desafío.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo híbrido para la detección automatizada de ataques epilépticos.
• Para integrar las señales de electroencefalograma (EEG) y fotoplethysmogram (PPG) para una mayor precisión de detección.
• Mejorar los métodos existentes de detección de convulsiones mediante el aprovechamiento de las señales biológicas multimodales.

Principales métodos:

• Se desarrolló un modelo híbrido de aprendizaje profundo que combina redes neuronales convolucionales (CNN) para la extracción de patrones espaciales y redes de memoria larga a corto plazo (LSTM) para el análisis de dependencia temporal.
• Se utilizaron señales de EEG y PPG multimodal, incorporando PPG para datos fisiológicos complementarios.
• Se aplicaron técnicas estándar de preprocesamiento de datos que incluyen filtrado, normalización, segmentación y aumento.

Principales resultados:

• El modelo híbrido CNN-LSTM demostró un rendimiento superior en la detección de ataques epilépticos en comparación con los métodos de última generación.
• Las métricas de evaluación que incluyen exactitud, precisión, recuerdo, puntaje F1, Cohen's Kappa, MCC y CSI confirmaron la robustez del modelo.
• La inclusión de señales de PPG fortaleció significativamente la capacidad discriminativa del modelo, especialmente para patrones sutiles de incautación.

Conclusiones:

• El sistema de aprendizaje profundo multimodal propuesto proporciona una solución confiable y eficiente para la detección en tiempo real de ataques epilépticos.
• Este marco tiene un gran potencial de integración en dispositivos portátiles y plataformas clínicas de atención médica para el monitoreo continuo de pacientes.
• Aprovechar las señales biológicas multimodales mejora la precisión y la robustez de los sistemas automatizados de detección de convulsiones.