Redes neuronales convolucionales para la detección de eventos epileptogénicos en señales de electroencefalografía intracraneal.

Abstract

La epilepsia es una enfermedad neurológica que afecta a más de 50 millones de personas según la Organización Mundial de la Salud. Las actividades de la vida diaria de las personas diagnosticadas con este desorden pueden resultar muy restringidas, dado que el mismo se caracteriza por episodios convulsivos que pueden implicar movimientos involuntarios y pérdida de consciencia. Aunque es posible acceder a tratamientos farmacológicos o quirúrgicos, existen muchos casos en los que estos tratamientos no resultan exitosos o no son posibles. Para estos pacientes se han desarrollado terapias basadas en neuroestimulación, en las que los pacientes son implantados con dispositivos que generan descargas eléctricas para intentar revertir o prevenir el estado cerebral convulsivo. Dentro de estos dispositivos de neuroestimulación se encuentra el sistema de neuroestimulación responsiva. Este dispositivo permite generar una terapia que responde al estado de actividad neuronal, produciendo descargas cuando detecta señales específicas en la zona en la que está implantado, y también permite obtener mediciones de electroencefalografía de la actividad neuronal del paciente en situaciones de la vida diaria. Para obtener una respuesta que resulte beneficiosa para el tratamiento de la patología, el dispositivo necesita ser personalizado para cada paciente, tarea que realizan los neurofisiólogos que realizan el seguimiento clínico a los mismos. Esto implica un proceso rutinario que requiere la visualización y análisis manual de las señales de electroencefalografía invasiva tomadas con el sistema de neuroestimulación, el cual debe ser llevado a cabo por especialistas en la patología, y que puede resultar ineficiente, costoso y extenso. Es en este contexto que se propone el análisis de rendimiento y factibilidad del desarrollo de un método de inteligencia artificial que permita la detección automática de los episodios convulsivos, y sea capaz de predecir el tiempo de inicio de los patrones convulsivos sobre las señales de electroencefalografía intracraneal. Para cumplir con este objetivo se pensó en utilizar espectrogramas generados a partir de las señales y analizar los mismos mediante modelos de aprendizaje profundo. Específicamente, se buscó utilizar redes neuronales totalmente convolucionales, basadas en la arquitectura UNet, para aprender a evaluar los datos y obtener la información deseada de los mismos. Como resultado de los experimentos realizados se encontró que es factible aplicar las técnicas propuestas para la detección de patrones convulsivos sobre los espectrogramas de señales de electroencefalografía intracraneal. Con la realización del proyecto se obtuvo un modelo optimizado con una capacidad de clasificar las muestras según la presencia o no de patrones convulsivos con un 81.3% de exactitud balanceada y se logró estimar el tiempo de inicio de los patrones convulsivos con un error absoluto medio de 6.2 segundos, obteniendo ambos valores en escenarios de simulación clínica. Además, se logró obtener un método de detección que al ser totalmente convolucional permite el análisis de muestras de cualquier longitud temporal, permitiendo que el procesamiento previo se reduzca a la generación de los espectrogramas a partir de los datos crudos de electroencefalografía. Por otro lado, los resultados alcanzados fueron comparables con los encontrados en la bibliografía, lo cual permitió validar los desafíos y resultados hallados en este proyecto.