Proyectos
EZCAP: Wearable para detección automatizada de convulsiones en tiempo real usando señales EEG
Se desarrolló un wearable para la detección automatizada de convulsiones usando los métodos Kriging, los cuales tienen una buena reputación por su alta precisión en la predicción espacial, de ahí su amplio uso en geoestadística (Figura 1). El dispositivo que se propuso detecta las convulsiones en tiempo real con señales EEG utilizando los métodos Kriging simple, Kriging ordinario y Kriging universal. Después de múltiples experimentos con señales de electroencefalograma (EEG) obtenidas de pacientes convulsivos, así como de sus contrapartes sanas, los resultados revelan que los métodos Kriging funcionaron bien en precisión, sensibilidad y latencia de detección. Además, se encontró que el método simple Kriging supera a los otros métodos con una latencia media de detección de 0,81 segundos, una especificidad perfecta, una precisión del 97,50% y una sensibilidad del 94,74%. Los resultados de este artículo se comparan bien con otros modelos de detección de convulsiones en la literatura que se menciona en este, pero su excelente latencia de detección de convulsiones supera el rendimiento de la mayoría de los trabajos existentes en detección de convulsiones. [29]
Figura 1. Esquema conceptual de EZCap [29]
Aplicación móvil para monitorear convulsiones epilépticas usando una clasificación de señales EEG
En este paper se desarrolló una técnica para detección de convulsiones epilépticas usando señales EEG obtenidas con un sensor mindwave (Figura 2). La señal fue procesada y filtrada usando múltiples filtros. Luego la señal fue descompuesta en sub-bandas. Finalmente, se utilizaron métodos de clasificación para las señales como Support Vector Machine (SVM), Artificial Neural Network (ANN) y K-Nears Neighbor (KNN) para diferenciar entre una señal epiléptica y una no epiléptica, y se consiguió una sensibilidad del 97%. Además, se desarrolló un aplicación de celular para monitorear la epilepsia basada en los resultados de la señal EEG (Figura 3). Una notificación será enviada al paciente, al doctor y a la familia cuando una convulsión epiléptica suceda. [30]
Figura 2. Sensor mindwave [30]
Figura 3. Señales EEG vistas en el aplicativo [30]
Detector automatizado de convulsiones usando EEG de canales limitados y reducción dimensional no lineal
En el siguiente proyecto se desarrolló un dispositivo usando EEG de canales limitados y reducción dimensional no lineal, puesto que se considera que un EEG de canal completo registrado desde 18-23 electrodos no es portátil ni computacionalmente efectivo. Primero se extrajo las características del dominio de la frecuencia de las señales de EEG de canal completo. Luego, se usó un algoritmo de “Bosques Aleatorios” para determinar qué canales contribuyen más en la descriminación de eventos convulsivos y no convulsivos. Luego, se aplicó una reducción dimensional no lineal. Finalmente, se aplicaron técnicas de machine learning para diferenciar entre una convulsión y un estado normal (Figura 4). Los resultados experimentales de 23 pacientes muestran que el enfoque propuesto supera a otras técnicas en términos de precisión. También se visualiza datos a largo plazo en 2D para mejorar la cognición del médico sobre la aparición y la progresión de la enfermedad. [31]
Figura 4. Esquema conceptual de la propuesta [31]