Predicción de crisis epilépticas mediante fNIRS y aprendizaje automático

A pesquisa para prever convulsões tem se concentrado principalmente na análise de sinais de eletroencefalografia (EEG); no entanto, neste trabalho investigamos a viabilidade de prever convulsões, usando espectroscopia de infravermelho próximo funcional (fNIRS), EEG ou uma combinação de ambos. A previsão de crises epilépticas foi implementada usando diferentes combinações de sinais elétricos e ópticos em conjunto com dois classificadores diferentes (Support Vector Machine - SVM e Multilayer Perceptron - MLP), até 15 minutos antes do seu início. Tanto no valor preditivo positivo (PPV) quanto na acurácia, a predição epiléptica baseada no fNIRS supera a predição baseada no EEG, obtendo métricas superiores a 99%. Além disso, a análise discriminante de kernel (KDA) foi usada para demonstrar que a maior separabilidade entre as diferentes fases do sinal epiléptico (pré-ictal, ictal e inter-ictal) é alcançada usando sinais fNIRS como recursos de previsão. Finalmente, a previsão de convulsões com base em fNIRS é validada contra rotulagem aleatória. Neste estudo, demonstramos que os sinais fNIRS são uma ferramenta eficaz para prever convulsões, mesmo sem o uso de sinais de EEG, que são o padrão atual para predição de convulsões.

La investigación para predecir crisis epilépticas se ha centrado principalmente en el análisis de señales de electroencefalografía (EEG); sin embargo, en este trabajo investigamos la factibilidad de predecir crisis epilépticas, utilizando espectroscopia funcional en el cercano infrarrojo (fNIRS), EEG o una combinación de ambas. La predicción de crisis epilépticas se implementó usando diferentes combinaciones de señales eléctricas y ópticas en conjunto con dos clasificadores diferentes (Máquina de vectores de soporte - SVM y Perceptrón multicapa - MLP), hasta 15 minutos antes de su inicio. Tanto en el valor predictivo positivo (PPV) como en la exactitud, la predicción epiléptica basada en fNIRS supera a la predicción basada en EEG, obteniendo métricas mayores a 99%. Además, se utilizó el análisis discriminante de kernel (KDA) para demostrar que la mayor separabilidad entre las diferentes fases de la señal epiléptica (pre-ictal, ictal e inter-ictal), se logra empleando señales fNIRS como rasgos para la predicción. Por último, la predicción de crisis epilépticas basada en fNIRS se valida contra etiquetado aleatorio. En este estudio, demostramos que las señales fNIRS son una herramienta eficaz para predecir crisis epilépticas, incluso sin el uso de señales EEG, que son el estándar actual para la predicción de crisis.

Edgar Guevara é professor do CONACYT vinculado à Universidade Autônoma de San Luis Potosí. Atualmente pertence ao Sistema Nacional de Pesquisadores nível I. Ele obteve seu doutorado em Engenharia Biomédica na École Polytechnique de Montréal, Canadá. Sua linha de pesquisa é o diagnóstico médico não invasivo, por meio de imagens ópticas. espectroscopia e processamento de sinais biomédicos.

Edgar Guevara es catedrático CONACYT adscrito a la Universidad Autónoma de San Luis Potosí. Actualmente pertenece al Sistema Nacional de Investigadores nivel I. Obtuvo su doctorado en Ingeniería Biomédica en la École Polytechnique de Montréal, Canada. Su línea de investigación es el diagnóstico médico no invasivo, empleando imagenología óptica. espectroscopía y procesado de señales biomédicas.