Predicción de la fase pre-ictal de convulsiones en pacientes con epilepsia a partir de señales electroencefalográficas y electrocardiográficas
Seizures are harmful to patients, who, without timely prediction, can lead to death. Therefore, having algorithms that indicate when an epileptic episode is going to occur provides security and action time to act. The present work focuses on the prediction of seizures in patients with epilepsy from...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Trabajo de grado (Pregrado y/o Especialización) |
| Language: | spa |
| Published: |
Universidad Antonio Nariño
2021
|
| Subjects: | |
| Online Access: | http://repositorio.uan.edu.co/handle/123456789/5015 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1812648551730118656 |
|---|---|
| author | Martinez Saiz, John Jairo |
| author2 | Duarte González, Mario Enrique |
| author_facet | Duarte González, Mario Enrique Martinez Saiz, John Jairo |
| author_sort | Martinez Saiz, John Jairo |
| collection | DSpace |
| description | Seizures are harmful to patients, who, without timely prediction, can lead to death.
Therefore, having algorithms that indicate when an epileptic episode is going to
occur provides security and action time to act.
The present work focuses on the prediction of seizures in patients with epilepsy
from electroencephalography (EEG) and Electrocardiography (ECG) signals. The
study was carried out in patients who suffered seizures and Machine Learning
algorithms were implemented for the prediction of the pre-ictal phase of seizures
using the "Class Learner" tool from Matlab.
For the development of the work, the CRISP-DM methodology was used, with
which characteristics of 10 patients can be extracted in order to train different
classification algorithms.
The EEG and EKG signals were considered together and separately to show
which of the two obtained better performance according to the metrics computed
from the confusion matrix. It was shown that the best sensitivity was obtained
when the characteristics extracted from the EEG and EKG were worked together. |
| format | Trabajo de grado (Pregrado y/o Especialización) |
| id | repositorio.uan.edu.co-123456789-5015 |
| institution | Repositorio Digital UAN |
| language | spa |
| publishDate | 2021 |
| publisher | Universidad Antonio Nariño |
| record_format | dspace |
| spelling | repositorio.uan.edu.co-123456789-50152024-10-09T23:25:28Z Predicción de la fase pre-ictal de convulsiones en pacientes con epilepsia a partir de señales electroencefalográficas y electrocardiográficas Martinez Saiz, John Jairo Duarte González, Mario Enrique Machine Learning electroencefalografía electrocardiografía metodología CRISP-DM Machine Learning electroencephalography electrocardiography CRISP-DM methodology Seizures are harmful to patients, who, without timely prediction, can lead to death. Therefore, having algorithms that indicate when an epileptic episode is going to occur provides security and action time to act. The present work focuses on the prediction of seizures in patients with epilepsy from electroencephalography (EEG) and Electrocardiography (ECG) signals. The study was carried out in patients who suffered seizures and Machine Learning algorithms were implemented for the prediction of the pre-ictal phase of seizures using the "Class Learner" tool from Matlab. For the development of the work, the CRISP-DM methodology was used, with which characteristics of 10 patients can be extracted in order to train different classification algorithms. The EEG and EKG signals were considered together and separately to show which of the two obtained better performance according to the metrics computed from the confusion matrix. It was shown that the best sensitivity was obtained when the characteristics extracted from the EEG and EKG were worked together. Las convulsiones son perjudiciales para los pacientes, los cuales, sin la predicción oportuna, pueden llegar a la muerte. Por lo tanto, tener algoritmos que indiquen cuándo va a ocurrir un episodio epiléptico brinda seguridad y tiempo de acción para actuar. El presente trabajo, se enfoca en la predicción de convulsiones en pacientes con epilepsia a partir de señales de electroencefalografía (EEG) y Electrocardiografía (ECG). El estudio se realizó en pacientes que sufrieron convulsiones y se implementan algoritmos de Machine Learning para la predicción de la fase preictal de convulsiones usando la herramienta “classification learner” de Matlab. Para el desarrollo del trabajo, se utilizó la metodología CRISP-DM, con la cual se logró extraer características de 10 pacientes con la finalidad de entrenar diferentes algoritmos de clasificación. Se consideró las señales EEG y EKG en conjunto y por separado para mostrar cuál de las dos obtuvo un mejor rendimiento según las métricas computadas a partir de la matriz de confusión.Se mostró que la mejor sensibilidad fue obtenida cuando se trabajó con las características extraídas de las EEG y EKG en conjunto. Ingeniero(a) Biomédico(a) Pregrado Presencial 2021-10-11T20:27:19Z 2021-10-11T20:27:19Z 2021-06-08 Trabajo de grado (Pregrado y/o Especialización) info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_7a1f http://purl.org/coar/version/c_970fb48d4fbd8a85 http://repositorio.uan.edu.co/handle/123456789/5015 ZAVALA-VILLEDA, José Alfredo. Descripción del electrocardiograma normal y lectura del electrocardiograma. Revista Mexicana de Anestesiología, 2017, vol. 40, no S1, p. 210-213. Koertge, N. (2008). Complete Dictionary of Scientific Biography. MORENO, Iveth, et al. Los sistemas de interfaz cerebro-computadora basado en EEG: características y aplicaciones. I+ D Tecnológico, 2019, vol. 15, no 2, p. 13-26. Engel, J. (2013). Seizures and epilepsy (Vol. 83). Oxford University Press. NARIÑO, Daniel. Epilepsia y embarazo. Asociación Colombiana de Neurología [en línea][consultado el 13/04/2018]. Disponible en http://www. acnweb. org/guia/g2c11i. pdf, 2003. SÁNCHEZ, Leonardo Palacios. EPILEPSIA: ALGUNAS DENOMINACIONES DADAS A TRAVÉS DE LOS SIGLOS. Medicina, 2020, vol. 42, no 3, p. 486-490 BARRERA, Manuel Nieto; JIMÉNEZ, M. Nieto; JIMÉNEZ, E. Nieto. Epilepsias y síndromes epilépticos del preescolar y del escolar. Protocolos de Neurolo, p. 28. YAMADA, Mikiko. UNCONTROLLED SEIZURES AND BONE HEALTH AMONG ADULT EPILEPSY PATIENTS. 2013. Tesis Doctoral. University of Kansas. Larson, D. E. (1990). Mayo Clinic family health book. W. Morrow. . FORNEY, Elliott M. Electroencephalogram classification by forecasting with recurrent neural networks. 2011. Tesis Doctoral. Colorado State University. FELTANE, Amal. Time-frequency based methods for non-stationary signal analysis with application to EEG signals. 2016. IDIÁQUEZ, Juan, et al. Bradicardia asociada a crisis epilépticas: Casos clínicos. Revista médica de Chile, 2009, vol. 137, no 3, p. 401-404. ROSAS-ROMERO, Roberto, et al. Prediction of epileptic seizures with convolutional neural networks and functional near-infrared spectroscopy signals. Computers in biology and medicine, 2019, vol. 111, p. 103355. HERNÁNDEZ, Olga Helena, et al. Estado epiléptico refractario en la unidad de cuidados intensivos: revisión de la literatura y diagrama de flujo de manejo en el Instituto Neurólogico de Antioquia: [revisión]. Acta neurol. colomb, 2011, p. 33-45. RAMOS-ARGÜELLES, F., et al. Técnicas básicas de electroencefalografía: principios y aplicaciones clínicas. En Anales del sistema sanitario de Navarra. Gobierno de Navarra. Departamento de Salud, 2009. p. 69-82. Gómez Figueroa, L. J. (2016). Análisis de señales EEG para detección de eventos oculares, musculares y cognitivos (Doctoral dissertation, Industriales). instname:Universidad Antonio Nariño reponame:Repositorio Institucional UAN repourl:https://repositorio.uan.edu.co/ spa Acceso abierto Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) https://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 application/pdf application/pdf application/pdf Universidad Antonio Nariño Ingeniería Biomédica Facultad de Ingeniería Mecánica, Electrónica y Biomédica Bogotá - Sur |
| spellingShingle | Machine Learning electroencefalografía electrocardiografía metodología CRISP-DM Machine Learning electroencephalography electrocardiography CRISP-DM methodology Martinez Saiz, John Jairo Predicción de la fase pre-ictal de convulsiones en pacientes con epilepsia a partir de señales electroencefalográficas y electrocardiográficas |
| title | Predicción de la fase pre-ictal de convulsiones en pacientes con epilepsia a partir de señales electroencefalográficas y electrocardiográficas |
| title_full | Predicción de la fase pre-ictal de convulsiones en pacientes con epilepsia a partir de señales electroencefalográficas y electrocardiográficas |
| title_fullStr | Predicción de la fase pre-ictal de convulsiones en pacientes con epilepsia a partir de señales electroencefalográficas y electrocardiográficas |
| title_full_unstemmed | Predicción de la fase pre-ictal de convulsiones en pacientes con epilepsia a partir de señales electroencefalográficas y electrocardiográficas |
| title_short | Predicción de la fase pre-ictal de convulsiones en pacientes con epilepsia a partir de señales electroencefalográficas y electrocardiográficas |
| title_sort | prediccion de la fase pre ictal de convulsiones en pacientes con epilepsia a partir de senales electroencefalograficas y electrocardiograficas |
| topic | Machine Learning electroencefalografía electrocardiografía metodología CRISP-DM Machine Learning electroencephalography electrocardiography CRISP-DM methodology |
| url | http://repositorio.uan.edu.co/handle/123456789/5015 |
| work_keys_str_mv | AT martinezsaizjohnjairo predicciondelafasepreictaldeconvulsionesenpacientesconepilepsiaapartirdesenaleselectroencefalograficasyelectrocardiograficas |
