Un enfoque de aprendizaje profundo para la detección de ataques de epilepsia mediante señales de EEG
Barra lateral del artículo
Contenido principal del artículo
Resumen
El electroencefalograma (EEG) es una forma eficaz y no invasiva de detectar cambios repentinos en la actividad neuronal del cerebro, que generalmente se produce debido a una descarga eléctrica excesiva en las células cerebrales. Las señales de EEG podrían ser útiles en la predicción de convulsiones inminentes si la máquina pudiera detectar cambios en los patrones de EEG. En este estudio, hemos propuesto una red neuronal convolucional (CNN) unidimensional para la detección automática de crisis epilépticas. El proceso automático puede ser conveniente en las situaciones en las que un neurólogo no está disponible y también ayudar a los neurólogos en el análisis adecuado de las señales de EEG y el diagnóstico de casos. Hemos utilizado dos conjuntos de datos de EEG disponibles públicamente, que se recopilaron de los dos países africanos, Guinea-Bissau y Nigeria. Los conjuntos de datos contienen señales de EEG de 318 sujetos. Hemos entrenado y verificado el rendimiento de nuestro modelo probándolo en ambos conjuntos de datos y obtuvimos la precisión más alta del 82,818%.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
World Health Organization Fact Sheet on Epilepsy https://www.who.int/news-room/fact-sheets/detail/epilepsy, latest accessed 2020/07/15.
Orosco, L., Correa, A. G., & Laciar, E. (2013). A survey of performance and techniques for automatic epilepsy detection. Journal of Medical and Biological Engineering, 33(6), 526-537.
Juarez-Guerra, E., Alarcon-Aquino, V., & Gomez-Gil, P. (2015). Epilepsy seizure detection in EEG signals using wavelet transforms and neural networks. In New trends in networking, computing, E-learning, systems sciences, and engineering (pp. 261-269). Springer, Cham.
Li, M., Chen, W., & Zhang, T. (2016). Automatic epilepsy detection using wavelet-based nonlinear analysis and optimized SVM. Bio cybernetics and biomedical engineering, 36(4), 708-718.
Gupta, S., Bagga, S., Maheshkar, V., & Bhatia, M. P. S. (2020, January). Detection of Epileptic Seizures using EEG Signals. In 2020 International Conference on Artificial Intelligence and Signal Processing (AISP) (pp. 1-5). IEEE
Vincent van Hees, & Wim Otte. (2018). EEG data collected with Emotiv device in people with epilepsy and controls in Guinea-Bissau and Nigeria (Version 1.0) [Data set]. Zenodo. http://doi.org/10.5281/zenodo.1252141, latest accessed 2020/07/15
Echallier, J. F., F. Perrin, and J. Pernier. “Computer-assisted placement of electrodes on the human head.” Electroencephalography and clinical neurophysiology 82.2 (1992): 160-163.
V. Nair and G. E. Hinton, “Rectified linear units improve restricted boltzmann machines,” Haifa, 2010, pp. 807–814. [Online]. Available: https://dl.acm.org/citation.cfm, latest accessed 2020/07/15.
J. Turian, J. Bergstra, and Y. Bengio, “Quadratic features and deep architectures for chunking,” in Proceedings of Human Language Technologies: The 2009 Annual Conference of the North American Chapter of the Association for Computational Linguistics,, vol. Companion Volume:, 2009, pp. 245–248. [Online]. Available: https://dl.acm.org/citation.cfm
Y. A. LeCun, L. Bottou, G. B. Orr, K.-R. Muller, Efficient backprop, ¨in: Neural networks: Tricks of the trade, Springer, 2012, pp. 9–48.
International Work Conference on Bioinspired Intelligence
D. Lu and J. Triesch, “Residual deep convolutional neural network for eeg signal classification in epilepsy,” arXiv preprint arXiv:1903.08100, 2019.
Baghel, N., Singh, D., Dutta, M. K., Burget, R., & Myska, V. (2020, July). Truth Identification from EEG Signal by using Convolution neural network: Lie Detection. In 2020 43rd International Conference on Telecommunications and Signal Processing (TSP) (pp. 550-553). IEEE