Abstract

VILLAZANA, Sergio; MONTILLA, Guillermo; EBLEN, Antonio  and  MALDONADO, Carlos. Detección de señales EEG epilépticas utilizando redes convolucionales basada en la transformada synchrosqueezing acolchada. Comp. y Sist. [online]. 2021, vol.25, n.2, pp.269-286.  Epub Oct 11, 2021. ISSN 2007-9737.  https://doi.org/10.13053/cys-25-2-3461.

Este trabajo propone un algoritmo basado en redes neuronales convolucionales para clasificar señales electroencefalográficas (EEG) en las clases normal, preictal e ictal, como apoyo para el especialista médico para facilitar el diagnóstico de la condición de epilepsia. Las señales EEG se pre-procesan mediante la aplicación de la transformada synchrosqueezing basada en la trasformada corta de Fourier acolchada (SS-QSTFT de sus siglas en ingles), que genera como salida una representación tiempo-frecuencia que se utiliza como entrada a la red neuronal convolucional. El entrenamiento de los clasificadores se realizan con los registros de la base de datos EEG de la Universidad de Bonn, compuesta de cinco conjuntos identificados como A, B, C, D y E. Las clases normal, preictal e ictal se formaron con los conjuntos A-B, C-D y E, respectivamente. La exactitud, sensibilidad y especificidad del mejor modelo clasificador CNN obtenido fueron de 99,61; 99,10 y 98,99, respectivamente. Adicionalmente, se desarrolló otro clasificador basado en las máquinas de vectores de soporte (SVM de sus siglas en inglés) utilizando como extractor de rasgos el modelo CNN entrenado, al cual se le elimino la capa de salida. Los rasgos de entrada a la SVM se tomaron de la salida de la capa densamente conectada de la CNN. La SVM se entrenó con los mismos datos (representación tiempo-frecuencia de las señales) con los que se entrenó la CNN, y su desempeño en exactitud, sensibilidad y especificidad fue del 100%, tanto para los datos de entrenamiento como para los datos de prueba.

Keywords : Señales EEG epilépticas; redes neuronales convolucionales; SST-QSTFT.

        · abstract in English     · text in Spanish     · Spanish ( pdf )