Soft computing techniques for advanced epileptic EEG analysis and classification

Resumen

INTRODUCCIÓN La epilepsia es un estado neurológico anormal provocado por una perturbación eléctrica anormal y breve en una zona del cerebro, lo que produce un cambio en la sensación, la conciencia y el comportamiento, y se caracteriza por convulsiones recurrentes. Afecta al 1% de la población en todo el mundo. Dos tercios de los pacientes epilépticos pueden ser tratados con medicamentos, mientras que otro 8% se pueden beneficiar de la cirugía. Sin embargo, el 25% de las personas con epilepsia seguirán teniendo convulsiones y no podrán ser tratadas. El Electroencefalograma (EEG) es el registro de la actividad eléctrica del cerebro y contiene mucha información valiosa para la comprensión de esta enfermedad. En los entornos clínicos, los neurólogos han de observar continuamente el EEG para comprender mejor la epilepsia, proceso que es largo y tedioso. Por lo tanto, los esfuerzos para el desarrollo de sistemas de detección automática de ataques epilépticos mediante el análisis de las señales de EEG son de gran importancia para el diagnóstico de la epilepsia y su tratamiento. Esta investigación combina técnicas de Soft Computing como Redes Neuronales Artificiales (RR.NN.AA.) y Programación Genética (PG) con herramientas de procesamiento de señal, transformada wavelet y multiwavelet, para realizar un análisis avanzado y clasificación de la señal de EEG relacionada con la enfermedad de epilepsia. Concretamente, los principales objetivos de esta Tesis son: (1) Desarrollar un modelo para la detección de crisis epilépticas a través de la extracción de nuevas características basadas en el análisis escalar wavelet. En este estudio, este análisis se utiliza para extraer nuevas características con el objetivo de clasificar las señales de EEG. Estas nuevas características se combinan con RR.NN.AA. con el objetivo de distinguir entre grabaciones de EEG epilépticos y no epilépticos. (2) Proponer un nuevo método de detección basada en la técnica de procesamiento multiwavelet. Esta es parte de la teoría de wavelets, sin embargo, tienen alguna diferencia en comparación con los wavelets escalares. La aplicación de wavelets escalares para analizar las señales de EEG es una tarea habitual, mientras que, el uso de multiwavelets para procesar las señales de EEG es un campo de investigación apenas sin explotar. (3) Aplicar PG para realizar la extracción automática de características. El propósito de este estudio es mejorar el los resultados ofrecidos por algoritmo de clasificación del vecino más cercano (k-Nearest Neighbor, kNN) y reducir la dimensionalidad del conjunto de entrada simultáneamente. METODOLOGÍA Para conseguir estos objetivos, en este trabajo se propone el uso de una metodología que permita aplicar dichas técnicas de la siguiente manera: En el primer método, las señales de EEG en primer lugar se descomponen mediante la transformada wavelet discreta en varias señales, y de cada una de ellas se extraen características basadas en la energía relativa de wavelet y la longitud de línea, que se usan para clasificar las señales originales de EEG, mediante el uso de RR.NN.AA. como sistema de clasificación. En el segundo método, se usa el análisis multiwavelet para analizar las señales de EEG en lugar de wavelets escalares. Cada señal de EEG se descompone en varias señales mediante la transformada multiwavelet. Después de ello, de cada una de estas señales se extraen diversas características basadas en la entropía y en distintos estadísticos, que serán utilizadas en dos sistemas clasificadores distintos: una RNA y el algoritmo kNN, con el objetivo de estudiar la posibilidad del uso del análisis multiwavelet en la clasificación de señales de EEG. En el tercer método se utiliza PG para crear un nuevo conjunto de características basado en un anterior conjunto de características clásicas para la detección de ataques epilépticos. La PG es una técnica de la familia de la Computación Evolutiva (CE) que en este caso se puede utilizar para generar características de forma óptima y artificial. Estas características halladas mediante PG son óptimas en el sentido en que la PG maximiza una función objetivo que mide la precisión de las características artificiales en la tarea distinguir la actividad epiléptica de la no epiléptica en las señales de EEG. Las características obtenidas mediante PG basada se dicen artificiales porque este algoritmo devuelve resultados hallados de forma computerizada que podrían no tener significado físico. CONCLUSIONES En este trabajo se desarrollan, por lo tanto, tres métodos de detección automatizada de crisis epilépticas, y se evalúan mediante problemas de clasificación clínica. El primer método se basa en combinar la transformada wavelet con RR.NN.AA. El primer experimento empleó la característica de la energía relativa de wavelet, llegando a una precisión en la clasificación del 95.56% al discriminar EEG normales y epilépticos. El segundo experimento se basó en características de longitud de línea. En este caso, se consideraron tres problemas de clasificación de dos clases para evaluar este método, obteniéndose precisiones muy altas en los mismos. La segunda metodología propuesta en este estudio utiliza multiwavelets, una nueva técnica en la familia de la teoría wavelet, para analizar señales de EEG con el objetivo de detectar actividad de crisis epiléptica. En este método se realizaron dos experimentos basados en la extracción de distintas características. El primero de ellos explora la posibilidad de usar características basadas en la entropía de las señales que se derivan del análisis multiwavelet. Estas características se combinaron con una RNA como sistema clasificador para discriminar las señales de EEG, obteniéndose altas precisiones para los tres problemas de clasificación. Adicionalmente, se realizó comparación entre multiwavelets y wavelets escalares y los resultados demostraron que los multiwavelets ofrecieron mejores resultados en este caso de discriminación de señales de EEG. El segundo experimento empleó características basadas en estadísticos tomados de los coeficientes de los multiwavelets. Los resultados de estos dos experimentos probaron que los multiwavelets tienen un gran potencial en la clasificación de EEG. La tercera metodología desarrollada en este estudio consiste en aplicar PG para realizar una extracción automática de características con el objetivo de mejorar los resultados ofrecidos por el clasificador kNN y, simultáneamente, reducir la dimensionalidad del espacio de entradas. Mediante el uso de estas características basadas en PG, las precisiones medias en la clasificación de los tres problemas se mejoraron entre un 3.5% y un 25% comparado con el uso de las características originales. Al mismo tiempo, la dimensionalidad de las entradas al sistema clasificador se redujo de forma drástica. Para problemas de clasificación en dos clases, la dimensión de las entradas se redujo de las 25 originales a 3. Para problemas de 3 clases, la dimensión se redujo de las 25 a 4. Adicionalmente, mediante el análisis de las expresiones de las características basadas en PG, se halló que elementos que formaban parte de la base de datos original de características fueron eventualmente descartados por el método de PG, dado que en el proceso evolutivo se puso de manifiesto que no eran útiles en la clasificación. APORTACIONES La clasificación de las grabaciones de EEG entre estados normal y anormal es un paso importante en el diagnóstico y tratamiento de la epilepsia. Esta Tesis tiene como contribución principalmente el desarrollo de tres nuevos métodos para la detección de crisis epilépticas. En el primer método, se muestra cómo la energía relativa de wavelet en bandas de frecuencia específicas y la longitud de línea, basadas en la transformada wavelet discreta, son características adecuadas para la detección de crisis epilépticas con un bajo coste computacional y una alta precisión en la discriminación. En el segundo método, los resultados de utilizar multiwavelets en el análisis de señales de EEG demuestran el gran potencial de esta herramienta de procesado de señales en el campo de la investigación en epilepsia. En el tercer método, el uso de características basadas en PG en problemas de clasificación de EEG indica que el uso de PG puede generar automáticamente características sin carácter físico, las cuales no solamente sirven para discriminar señales de EEG, sino que también disminuyen la carga de los sistemas de clasificación. Con los años, se ha convertido cada vez más claro que las áreas de Neurociencia, las técnicas de Soft Computing y el análisis de la señal EEG no son áreas de investigación disjuntas. Más bien, presentan diferentes aspectos y cualquier nuevo conocimiento adquirido a partir de uno puede ser un avance en los demás. Por lo tanto, se espera que los resultados de esta investigación puedan conducir a un mejor diagnóstico y tratamiento de las crisis epilépticas y una mejor calidad de vida de los millones de personas afectadas por la epilepsia.