Study of Artificial Intelligence Models Applied to the Analysis of Electroencephalograms in Alzheimer’s Disease

Abstract

La enfermedad de Alzheimer es el tipo más común de demencia. Es una desorden neurodegenerativo que destruye las células cerebrales gradualmente provocando pérdida de memoria y de habilidades cognitivas, así como también confusión, desorientación y problemas para comunicarse. A pesar de que un diagnóstico definitivo de esta enfermedad solo es posible post-mortem se puede hacer un diagnóstico diferenciado de otros tipos de demencia. Existen varios exámenes médicos que incluyen evaluaciones fisiológicas, neurológicas y de imagen que son usados para el diagnóstico de Alzheimer. Sin embargo, actualmente se está investigando acerca del potencial de los Electroencefalogramas (EEG) para el diagnóstico de Alzheimer ya que es una técnica no invasiva y de bajo costo que podría ser muy útil para el diagnóstico temprano de Alzheimer. Esta investigación tiene como objetivo proponer un sistema para la detección y clasificación de Alzheimer usando características extraídas del electroencefalograma, tanto de la señal como de su transformación espectral, y el modelo óptimo de clasificación. Para esto se realiza un estudio comparativo usando características que capturan dos efectos que produce la enfermedad de Alzheimer sobre los EEGs, que son la desaceleración del EEG y la reducción de complejidad de la señal. Asimismo, se comparan diferentes modelos de clasificación como son la red neuronal alimentada hacia adelante (FFNN), máquina de vectores de soporte (SVM), k-vecinos más cercanos (KNN), clasificador bayesiano ingenuo (NB) y árbol de decisión (DT). Las características que obtuvieron un mejor resultado para la clasificación fueron la dimensión fractal de Higuchi (HFD) y la densidad espectral de potencia (PSD), y el modelo con mejor resultado de clasificación fue la red alimentada hacia adelante. Como resultado, experimentalmente se evidencia el potencial de los EEGs como herramienta para el diagnóstico de Alzheimer usando una red neuronal FFNN y las características antes mencionadas como un enfoque adecuado para detectar y clasificar la enfermedad, obteniendo resultados de desempeño de 99.8%. También se propone un sistema que usa solamente dos canales del EEG y que obtiene resultados mayores al 95% de rendimiento de clasificación