Algoritmo de detección de eventos epilépticos basado en medidas de energía y entropía enfocado en pacientes críticos

Abstract

El objetivo de esta memoria es implementar un algoritmo de detección de crisis epilépticas que funcione en tiempo real. El trabajo se realiza como una cooperación entre el Laboratorio de Ingeniería Biomédica del DIE de la Universidad de Chile y el Departamento de Neurología y la Unidad de Paciente Crítico Pediátrica de la Facultad de Medicina de la Pontificia Universidad Católica de Chile. El estudio se basa en la memoria realizada por Eliseo Araya [1], que utiliza medidas de energía para detectar crisis epilépticas y se suman nuevas herramientas de análisis de señales, criterios expertos y medidas que caracterizan a las crisis epilépticas. La base de datos está constituida de 15 registros, que sumados tienen una duración de 219,3 [Hrs]. Además, los registros contienen 469 crisis epilépticas, donde 277 son de duración mayor a 10 [s] y 192 de duración menor a 10 [s]. Se utilizan 11 registros para entrenar el algoritmo con 232 crisis marcadas y 4 registros para probarlo, con 45 crisis marcadas. De todos los registros solo uno contiene crisis menores a 10 [s], y se utiliza para entrenar. El algoritmo está constituido de 5 módulos: 1) Extracción de características; 2) Filtrado de características; 3) Eliminación de artefactos; 4) Toma de decisiones; 5) Combinación de algoritmos. En el primero se obtienen las características del registro usadas en el algoritmo, en el segundo se aplican filtro sobre las características extraídas, en el tercer módulo se depuran las características de ruido y artefactos, el cuarto módulo se divide en 2 algoritmos que trabajan de forma paralela y utilizan el método de Gotman, uno se encarga de pesquisar las crisis epilépticas mayores a 10 [s] y el otro de pesquisar las crisis epilépticas menores a 10 [s]. El quinto módulo combina los algoritmos usados en el módulo 4 para generar una salida única. Como resultado se tiene que para el conjunto de prueba se detectan 41 crisis y se generan 36 falsas detecciones, lo que se traduce en una tasa de verdaderos positivos de 91,1% y una tasa de falsos positivos por hora de 0,6 [1/Hrs]. Para el caso de las crisis menores a 10 [s], para el conjunto de prueba no hay marcas realizadas, pero se generan 96 falsos positivos, lo que significa una tasa de falsos positivos por hora de 1,61 [1/Hrs]. Como conclusión, se destaca que la memoria posee avances con respecto a la realizada por Araya. En la presente memoria se programan nuevos algoritmos de análisis de señales y métodos para caracterizar las crisis epilépticas. Además, se aumenta la cantidad de registros en la base de datos, se aumenta la cantidad de crisis epilépticas marcadas y se logra obtener un algoritmo con una mejor tasa de falsos positivos y verdaderos positivos.