Modelo de aprendizaje de señales electroencefalograma para mejorar la detección de convulsiones de crisis de ausencia en pacientes infantes neuropediátricos

Abstract

El objetivo de la presente investigación es determinar el impacto de un modelo de aprendizaje de señales electroencefalograma en la detección de convulsiones de crisis de ausencia en pacientes infantes neuropediátricos, tomando como fuente de datos las frecuencias aplicando el filtro Gabor para convertir en patrones de entrada a los diferentes modelos basado en inteligencia artificial, como la red neuronal supervisada, red neuronal SOM, vecino más cercano, árbol de decisión y random forest. La metodología que se utiliza es de tipo aplicada, con un nivel de investigación explicativa, siendo el diseño de la investigación de tipo experimental, con un modelo de aprendizaje que empleará las técnicas de inteligencia artificial con los fines de integración de información que deberá procesar e identificar. La muestra utilizada es de 3484 segundos de electroencefalograma del paciente que está diagnosticados con crisis de ausencia. Con lo cual se obtuvo como mejor resultado al aplicar el modelo de aprendizaje de señales electroencefalograma aplicando el filtro de Gabor a las frecuencias, se obtuvo en el testeo una sensibilidad, especificidad y exactitud para cada modelo respectivamente como red neuronal artificial de tipo como red neuronal artificial de tipo back propagation los valores de 0.99, 1.0, 0.99, 0.93 para la red neuronal SOM 0.99, nan, 0.99, 0.99, para el vecino más cercano 0.99, 0.0, 0.99, 0.97, para árbol de decisión 0.99, 0.0, 0.99, 0.97 y random forest 0.99, nan, 0.99, 0.97 respectivamente. Con el modelo propuesto ha generado nuevos conocimientos en los momentos de crisis de ausencia, se identificó una coherencia en los canales de 0.63 resaltando que en el momento de crisis todos los canales siguen un mismo patrón común, se identificó el coeficiente de correlación R2 = 0.77 específicamente en los canales ‘C3-P3’ con ‘P4-O2’ indicando el nivel de similaridad de las frecuencias en el momento de crisis, se identificó una desviación estándar muy alto (47.49) en el canal ‘T6-O2’ resaltando los polipunto-cola con más de 5 picos implicando la pérdida de conciencia en el área Temporal y Occipital derecho. Por tanto, concluye que aplicando el modelo propuesto de aprendizaje de señales electroencefalograma detecta las convulsiones de crisis de ausencia en pacientes infantes neuropediátricos, también dicho modelo genera nuevos conocimientos, tal como la existencia del vínculo de ciertos canales en los segundos de crisis de usencia y nivel de afectación.