An exploratory study on the characterization and classification of electroencephalographic signals for the design of computer-aided epilepsy diagnosis system

Abstract

La epilepsia ocurre cuando la actividad eléctrica de las neuronas sufre un desequilibrio. Esta se ha convertido en el tercer trastorno neurológico más común después del accidente cere brovascular y la demencia, -se cree que afecta al 0.5 - 1.5% de la población mundial. Afecta principalmente a niños menores de 10 años y personas mayores de 65 años, siendo más común en países en desarrollo y en clases socioeconómicas desfavorecidas. Su posible diagnóstico es a través del análisis de señales electroencefalográficas (EEG). Hoy en día, dado que se debe cumplir tanto su diagnóstico apropiado como la localización precisa de la fuente epiléptica, se utilizan sistemas computacionales para respaldar el procedimiento de diagnóstico. En términos generales, tales sis- temas realizan la asistencia de diagnóstico automático en cuatro etapas principales: adquisición de señal EEG, preprocesamiento, caracterización y clasificación. Una vez adquiridas y preproce- sadas, las señales EEG deben representarse adecuadamente para posteriormente clasificarse en categorías de diagnóstico ( ausencia o cualquier nivel de presencia de actividad convulsiva). A pesar de que existe una amplia gama de alternativas para caracterizar y clasificar las señales de EEG para fines de análisis de epilepsia, muchos aspectos clave relacionados con la precisión y la interpretación fisiológica todavía se consideran cuestiones abiertas. En este sentido, en este trabajo, se propone un estudio exploratorio de las técnicas de procesamiento de señales de EEG, con el objetivo de identificar las técnicas más adecuadas y avanzadas para caracterizar y clasificar las crisis epilépticas. Para hacerlo, se diseña y desarrolla un estudio comparativo sobre varios subconjuntos de características (medidas estadísticas tanto de las señales originales como de la transformación espectral de las mismas), así como algunos clasificadores representativos ( clasi- ficador de análisis discriminante lineal (LDC), clasificador de análisis discriminante cuadrático ( QDC), k-vecinos más cercanos (kNN) y máquina de vectores de soporte (SVM)). La validación del sistema propuesto se lleva a cabo mediante una configuración experimental exhaustiva so- bre una base de datos estándar de UCI Machine Learning Repository, denominado: "Epileptic Seizure Recognition Data Set". Como resultados notables, se demuestra experimentalmente que un proceso de caracterización basado en índices estadísticos de descomposiciones impulsadas por la transformada wavelet y el clasificador de máquina de vectores de soporte son los enfoques más adecuados para diseñar un sistema automático para identificar señales EEG diagnosticadas con epilepsia. Además, el rendimiento general del sistema de reconocimiento de patrones obtenido (para el escenario bi-clase) -en términos de mediciones basadas en matriz de confusión- asciende a 96%, 85% y 98% del rendimiento de clasificación, sensibilidad y especificidad, respectivamente.