Video Experimental Relacionado
Updated: May 10, 2026
07:37
Assessment and Communication for People with Disorders of Consciousness
Published on: August 1, 2017
IA explicable descubre nuevos marcadores neurofisiológicos candidatos de microestados EEG para el trastorno del
Delna Kuriyakose1, Gowsalya M1
1Department of Mathematics, School of Advanced Sciences, Vellore Institute of Technology, Vellore, India.
Frontiers in computational neuroscience
|February 20, 2026
Resumen
Este estudio presenta un nuevo marco basado en EEG para el diagnóstico del trastorno del espectro autista (TEA) utilizando análisis de microestados. El método desarrollado identifica marcadores neurofisiológicos clave con alta precisión, allanando el camino para el diagnóstico objetivo del TEA.
Área de la Ciencia:
- Neurociencia; Ingeniería Biomédica; Inteligencia Artificial
Sus antecedentes:
- El trastorno del espectro autista (TEA) es una afección del neurodesarrollo caracterizada por conectividad cerebral atípica y desafíos en la flexibilidad cognitiva. El análisis de microestados de electroencefalografía (EEG) ofrece información sobre la dinámica de la red cerebral y posibles biomarcadores del TEA.
Objetivo del estudio:
- Desarrollar un marco de clasificación interpretable para el diagnóstico del TEA utilizando características de EEG informadas por microestados multidominio. Integrar métricas temporales, espectrales, de complejidad y de orden superior para una caracterización integral de la dinámica cerebral.
Principales métodos:
- Se utilizaron datos de EEG en estado de reposo de 56 participantes (28 TEA, 28 controles) del conjunto de datos de Sheffield. Se extrajeron características de microestados multidominio (temporales, espectrales, de complejidad, de orden superior). Se evaluaron los clasificadores utilizando validación cruzada de 10 veces y ajuste de hiperparámetros, empleando IA explicable (SHAP) para la selección de características.
Principales resultados:
- El clasificador XGBoost logró una precisión del 80,87 % con el conjunto completo de características, superando a los modelos de dominio único. El análisis SHAP identificó las principales características discriminatorias, incluidos los derivados de microestados y la potencia espectral. La reentrenamiento con características seleccionadas por SHAP mantuvo una alta precisión (80,34 %), lo que confirma la solidez de los biomarcadores.
Conclusiones:
- Las características informadas por microestados que reflejan inestabilidad temporal y alteraciones espectrales son marcadores neurofisiológicos relevantes para el TEA. Estos hallazgos respaldan el potencial para el diagnóstico objetivo del TEA, el seguimiento del tratamiento y las intervenciones personalizadas.
