Please use this identifier to cite or link to this item: http://repository.eia.edu.co/handle/11190/2474
Title: Detección de ataques epilépticos a partir de señales fisiológicas
Authors: Carrizosa Botero, Susana
Adviser: Mejía Mejía, Elisa
Keywords : Epilepsia
Electrocardiografía
Red neuronal
Máquina de vector soporte
Variabilidad cardiaca
Epilepsy
Electrocardiography
Neural network
Support vector machine
Machine learning
Cardiac variability
Issue Date: 2019
Publisher: Universidad EIA
Abstract: More than 60 million people suffer from epilepsy, a disease due to neuronal hypersynchronous discharges. Refractory epilepsy is defined when patients do not respond to antiepileptic medications. Therefore, it is necessary to find other methods to control and monitor epileptic seizures. Physiological signals are alternatives to do this. Electroencephalography (EEG) is considered the gold standard method for seizure identification. EEG has the disadvantage of time-limited ambulatory recording. On the other hand, the autonomic nervous system (ANS) exercises control over the heart rate evaluable by electrocardiography (ECG). Epileptic seizures exert an autonomous effect on heart rate variability (HRV) that is a measurable, continuous and non-invasive indicator In this project, different systems of recognition of epileptic seizures were evaluated through ECG signals using characteristics of the HRV and morphological, statistical and frequency characteristics of the ECG. This, implemented in a device that records ECG in real time, could help patients keep better control of their lives and provide information to doctors for a proper diagnosis and follow up. For the development of the project, ECG signals were collected from databases available in free repositories and from institutions providing health services. The use of these signals was endorsed by the Institutional Ethics Committee of the EIA University. These signals were processed and filtered according to different signals quality indexes (SQI), and 56 characteristics of the HRV and ECG were extracted of the entire signal. These characteristics were analyzed by means of statistical methods to choose which contributed to the detection of epileptic seizures. Different neural network classifiers, support vector machines (SVN) and nearest neighbor methods (k-NN) that recognize these patterns were designed and, finally, the validity of these systems was evaluated to differentiate seizures. The SVN with polynomial function of third order obtained 82.8% ± 8.9% sensitivity and 80.78% ± 11.75% specificity. The neural network with three hidden layers obtained 79.8% ± 5.1% sensitivity and 74.1% ± 6.8% specificity. Finally, the k-NN method with k = 3 obtained 75.6% ± 12.6% sensitivity and 68.3% ± 6.4% specificity. These systems of identification of epileptic seizures can contribute to the implementation of new non-invasive technologies for diagnosis and monitoring of patients with epilepsy. The best performing system was the support vector machine.
Más de 60 millones de personas sufren de epilepsia, enfermedad debida a descargas hipersincrónicas neuronales. Se habla de epilepsia refractaria cuando los pacientes no responden a los medicamentos antiepilépticos, por lo que se hace necesario la búsqueda de otros métodos para controlar y tener seguimiento sobre las crisis epilépticas. Las señales fisiológicas son una alternativa para esto; la electroencefalografía (EEG) se considera el método por excelencia para la identificación de convulsiones, pero la medición de esta de forma continua es difícil. Por otro lado, el sistema nervioso autónomo (SNA) ejerce un control sobre el ritmo cardiaco evaluable mediante la electrocardiografía (ECG). Las crisis epilépticas tienen un efecto en el SNA y por lo tanto en la variabilidad de la frecuencia cardiaca (VFC), constituyéndose en un indicador medible, continuo y no invasivo. En este trabajo se evaluaron diferentes sistemas de reconocimiento de ataques epilépticos a través de señales de ECG utilizando características de la VFC y características morfológicas, estadísticas y en frecuencia del ECG. Esto, implementado en un dispositivo que registre ECG en tiempo real, podría ayudar a los pacientes a llevar un mejor control de su vida y aportaría información a los médicos para un adecuado diagnóstico y seguimiento. Para el desarrollo del proyecto, se recolectaron señales de ECG a partir de bases de datos disponibles en repositorios libres y de instituciones prestadoras de servicios de salud. El uso de estas señales fue avalado por el Comité Institucional de Ética de la Universidad EIA. Estas señales se procesaron y filtraron según diferentes índices de calidad de señal, y se extrajeron 56 características de la VFC y del ECG en la totalidad de la señal. Después, se analizaron estas características por medio de métodos estadísticos para escoger cuáles contribuían en la detección de ataques epilépticos. Se diseñaron diferentes clasificadores de redes neuronales, máquinas de soporte vectorial (SVN) y métodos del vecino más cercano (k-NN) que reconocieran estos patrones y, por último, se evaluó el funcionamiento de estos sistemas para diferenciar las convulsiones. El SVN con función polinómica de orden 3 obtuvo un 82.8% ± 8.9% de sensibilidad y un 80.78% ± 11.75% de especificidad. La red neuronal con 3 capas ocultas obtuvo un 79.8% ± 5.1% de sensibilidad y un 74.1% ± 6.8% de especificidad. Por último, el método k-NN con k =3 obtuvo un 75.6% ± 12.6% de sensibilidad y un 68.3% ± 6.4% de especificidad. Estos sistemas de identificación de ataques epilépticos pueden contribuir a la implementación de nuevas tecnologías no invasivas de diagnóstico y seguimiento de pacientes con epilepsia. El sistema con mejor rendimiento fue la máquina de soporte vectorial.
Description: 85 páginas
URI: http://repository.eia.edu.co/handle/11190/2474
Location: BIOM0330
Appears in Collections:Ingeniería Biomédica

Files in This Item:
File Description SizeFormat 
CarrizosaSusana_2019_DeteccionAtaquesEpilecticos.pdfTrabajo de grado1.89 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.