Detección de convulsiones en señales EEG mediante técnicas de clasificación de segmentos y machine learning

Abstract

En Ecuador, alrededor de 150.000 personas padecen epilepsia, una condición neurológica caracterizada por crisis recurrentes que afectan la calidad de vida. El análisis manual de los registros electroencefalográficos (EEG) es lento y depende de personal especializado de acceso limitado, lo que dificulta su detección oportuna. Frente a esta necesidad se construyó un modelo de aprendizaje automático (Machine Learning) para detectar convulsiones en señales EEG. Como fuente de datos se utilizó el conjunto CHB-MIT de PhysioNet, con registros de pacientes pediátricos con epilepsia. El procesamiento partió del filtrado de la señal, dividida luego en ventanas de cuatro segundos; de cada una se extrajeron características de cinco dominios: temporal, frecuencial, wavelet, de Hjorth y estadístico. Sobre esa base se compararon cinco modelos —Random Forest, SVM (Support Vector Machine), MLP (Multilayer Perceptron), CNN (Convolutional Neural Network) y un híbrido CNN-LSTM (Long Short-Term Memory)—, evaluados con validación cross-patient y con SMOTE (Synthetic Minority Oversampling Technique) para equilibrar las clases. De tipo aplicada y con enfoque cuantitativo, la investigación siguió un diseño experimental. El Random Forest obtuvo el mejor desempeño: alcanzó un AUC (Area Under the Curve) de 0.786 y una sensibilidad del 85.3 % en prueba, por encima de las arquitecturas de aprendizaje profundo (Deep Learning). Ante pacientes nunca vistos durante el entrenamiento mantuvo una sensibilidad del 96.1 % y un AUC de 0.788, señal de buena generalización; además, los expertos consultados valoraron positivamente su utilidad. El enfoque aporta en lo teórico y lo práctico a futuros estudios de detección de convulsiones con inteligencia artificial.