REVISTA DE INGENIERIA DYNA

Palabras clave:

Artificial intelligence, encephalogram, absence seizures, Gabor filter, correlation in channel, pediatric neurology, supervised learning, model sensitivity, EEG analysis, experimental design.

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

El objetivo de la presente investigación es determinar el impacto de aplicar los modelos basados en inteligencia artificial a las frecuencias de tipo electroencefalograma con el fin de mejorar la detección de convulsiones de crisis de ausencia en pacientes infantes neuropediátricos, como red neuronal supervisada, red neuronal SOM, vecino más cercano, árbol de decisión y random forest, así también encontrar la relación de los canales en el momento de la crisis. La metodología que se utiliza es de tipo aplicada, con un nivel de investigación explicativa, siendo el diseño de la investigación de tipo experimental. La muestra utilizada es de 4 sucesos de crisis de ausencia en 2256 segundos, aplicando el filtro Gabor a las frecuencias previo al ingreso a los modelos para que sean patrones de entrada. En los momentos de crisis de ausencia se identificó una coherencia de canal de 0.63 resaltando que en el momento de crisis todos los canales siguen un mismo patrón común, se identificó el coeficiente de correlación R2 = 0.77 y un R2 mínimo de 0.57 indicando la similaridad de las frecuencias en el momento de crisis, se identificó una desviación estándar muy alto resaltando los polipunto-cola con más de 5 picos por crisis en cada canal. En el testeo de los modelos basados en inteligencia artificial se obtuvo en sensibilidad, especificidad, exactitud y accuracy para cada modelo respecto para la identificación que no son crisis, si son crisis y previos a crisis como red neuronal artificial de tipo back propagation los valores de 0.99, 1.0, 0.99, 0.93 para la red neuronal SOM 0.99, nan, 0.99, 0.99, para el vecino más cercano 0.99, 0.0, 0.99, 0.97, para árbol de decisión 0.99, 0.0, 0.99, 0.97 y random forest 0.99, nan, 0.99, 0.97 respectivamente. Por tanto, concluye que hay una correcta recolección y tratamiento de datos con los modelos de aprendizaje a identificar convulsiones.
Palabras Clave: Inteligencia artificial, electroencefalograma, crisis de ausencia, filtro Gabor, correlación en canal.