Enfoque Híbrido Utilizando Descomposición de Modos Dinámicos y Transformada de Ondículas para la Clasificación de Crisis Epilépticas Basada en EEG
Autores: C, Sreevidya; Mohan, Neethu; S, Sachin Kumar; Harikumar, Aravind
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Enfoque Híbrido Utilizando Descomposición de Modos Dinámicos y Transformada de Ondículas para la Clasificación de Crisis Epilépticas Basada en EEG
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Epilepsia
Diagnóstico
Convulsiones
Tratamiento
Análisis de EEG
Clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La epilepsia es un trastorno cerebral que afecta a los individuos; por lo tanto, se requiere un diagnóstico preventivo. La clasificación precisa de las convulsiones es crítica para optimizar el tratamiento de la epilepsia. Los pacientes con epilepsia no pueden llevar vidas normales debido a la naturaleza impredecible de las convulsiones. Así, desarrollar nuevos métodos para ayudar a estos pacientes puede mejorar significativamente su calidad de vida y resultar en enormes ahorros financieros para la industria de la salud. Este documento presenta un método híbrido que integra la descomposición en modos dinámicos (DMD) y la transformación de dispersión de wavelet (WST) para el análisis de convulsiones basado en EEG. DMD permite descomponer las señales de EEG en modos que capturan las estructuras dinámicas presentes en el EEG. Luego, se aplica WST ya que es invariante al cambio de tiempo y calcula características jerárquicas robustas en diferentes escalas de tiempo. La combinación DMD-WST proporciona un análisis multi-escalar en profundidad de las estructuras temporales presentes en los datos de EEG. Este proceso mejora la calidad de representación para la extracción de características, que puede transmitir modos dinámicos e información de frecuencia multi-escalar para un mejor rendimiento de clasificación. El enfoque híbrido propuesto se valida con tres conjuntos de datos, a saber, el conjunto de datos CHB-MIT PhysioNet, el conjunto de datos Bern Barcelona y el conjunto de datos Khas, que pueden distinguir con precisión los estados de convulsión y no convulsión. El método propuesto realizó la clasificación utilizando diferentes métodos de aprendizaje automático y aprendizaje profundo, incluidos el máquina de soporte vectorial, el bosque aleatorio, los vecinos más cercanos, el algoritmo de refuerzo y el bagging. Estos modelos se compararon en términos de precisión, exactitud, sensibilidad, kappa de Cohen y coeficiente de correlación de Matthew. El enfoque DMD-WST logró una precisión máxima del 99% y una puntuación F1 de 0.99 en el conjunto de datos CHB-MIT, y obtuvo una precisión del 100% y una puntuación F1 de 1.00 en ambos conjuntos de datos Bern Barcelona y Khas, superando los métodos existentes.
Descripción
La epilepsia es un trastorno cerebral que afecta a los individuos; por lo tanto, se requiere un diagnóstico preventivo. La clasificación precisa de las convulsiones es crítica para optimizar el tratamiento de la epilepsia. Los pacientes con epilepsia no pueden llevar vidas normales debido a la naturaleza impredecible de las convulsiones. Así, desarrollar nuevos métodos para ayudar a estos pacientes puede mejorar significativamente su calidad de vida y resultar en enormes ahorros financieros para la industria de la salud. Este documento presenta un método híbrido que integra la descomposición en modos dinámicos (DMD) y la transformación de dispersión de wavelet (WST) para el análisis de convulsiones basado en EEG. DMD permite descomponer las señales de EEG en modos que capturan las estructuras dinámicas presentes en el EEG. Luego, se aplica WST ya que es invariante al cambio de tiempo y calcula características jerárquicas robustas en diferentes escalas de tiempo. La combinación DMD-WST proporciona un análisis multi-escalar en profundidad de las estructuras temporales presentes en los datos de EEG. Este proceso mejora la calidad de representación para la extracción de características, que puede transmitir modos dinámicos e información de frecuencia multi-escalar para un mejor rendimiento de clasificación. El enfoque híbrido propuesto se valida con tres conjuntos de datos, a saber, el conjunto de datos CHB-MIT PhysioNet, el conjunto de datos Bern Barcelona y el conjunto de datos Khas, que pueden distinguir con precisión los estados de convulsión y no convulsión. El método propuesto realizó la clasificación utilizando diferentes métodos de aprendizaje automático y aprendizaje profundo, incluidos el máquina de soporte vectorial, el bosque aleatorio, los vecinos más cercanos, el algoritmo de refuerzo y el bagging. Estos modelos se compararon en términos de precisión, exactitud, sensibilidad, kappa de Cohen y coeficiente de correlación de Matthew. El enfoque DMD-WST logró una precisión máxima del 99% y una puntuación F1 de 0.99 en el conjunto de datos CHB-MIT, y obtuvo una precisión del 100% y una puntuación F1 de 1.00 en ambos conjuntos de datos Bern Barcelona y Khas, superando los métodos existentes.