Bioingeniería
Detección de crisis epilépticas a partir de señales electroencefalográficas y el uso de algoritmos interpretables en modelos de aprendizaje automático de máquina.
Solo ficha. El repositorio marca este trabajo como «De acuerdo con la naturaleza del uso concedido, la presente licencia parcial se otorga a título gratuito por el máximo tiempo legal colombiano, con el propósito de que en dicho lapso mi (nuestra) obra sea explotada en las condiciones aquí estipuladas y para los fines indicados, respetando siempre la titularidad de los derechos patrimoniales y morales correspondientes, de acuerdo con los usos honrados, de manera proporcional y justificada a la finalidad perseguida, sin ánimo de lucro ni de comercialización. De manera complementaria, garantizo (garantizamos) en mi (nuestra) calidad de estudiante (s) y por ende autor (es) exclusivo (s), que la Tesis o Trabajo de Grado en cuestión, es producto de mi (nuestra) plena autoría, de mi (nuestro) esfuerzo personal intelectual, como consecuencia de mi (nuestra) creación original particular y, por tanto, soy (somos) el (los) único (s) titular (es) de la misma. Además, aseguro (aseguramos) que no contiene citas, ni transcripciones de otras obras protegidas, por fuera de los límites autorizados por la ley, según los usos honrados, y en proporción a los fines previstos; ni tampoco contempla declaraciones difamatorias contra terceros; respetando el derecho a la imagen, intimidad, buen nombre y demás derechos constitucionales. Adicionalmente, manifiesto (manifestamos) que no se incluyeron expresiones contrarias al orden público ni a las buenas costumbres. En consecuencia, la responsabilidad directa en la elaboración, presentación, investigación y, en general, contenidos de la Tesis o Trabajo de Grado es de mí (nuestro) competencia exclusiva, eximiendo de toda responsabilidad a la Pontifica Universidad Javeriana por tales aspectos. Sin perjuicio de los usos y atribuciones otorgadas en virtud de este documento, continuaré (continuaremos) conservando los correspondientes derechos patrimoniales sin modificación o restricción alguna, puesto que, de acuerdo con la legislación colombiana aplicable, el presente es un acuerdo jurídico que en ningún caso conlleva la enajenación de los derechos patrimoniales derivados del régimen del Derecho de Autor. De conformidad con lo establecido en el artículo 30 de la Ley 23 de 1982 y el artículo 11 de la Decisión Andina 351 de 1993, "Los derechos morales sobre el trabajo son propiedad de los autores", los cuales son irrenunciables, imprescriptibles, inembargables e inalienables. En consecuencia, la Pontificia Universidad Javeriana está en la obligación de RESPETARLOS Y HACERLOS RESPETAR, para lo cual tomará las medidas correspondientes para garantizar su observancia.»: el PDF no es público, así que aquí no hay texto para leer. Ver la ficha en el repositorio.
Resumen
Este proyecto aborda el desafío de detectar con precisión e interpretabilidad las crisis epilépticas a partir de señales electroencefalográficas (EEG), respondiendo a las limitaciones del diagnóstico clínico tradicional basado en la inspección visual. La epilepsia, como trastorno neurológico prevalente, exige un diagnóstico oportuno y fiable. Sin embargo, el análisis de EEG sigue siendo en gran parte manual, propenso al error humano y dependiente de la experiencia del especialista. Esto subraya la necesidad de métodos automatizados, precisos y explicables que mejoren la detección de crisis y apoyen la toma de decisiones clínicas. El diseño propuesto integra una arquitectura de red neuronal profunda, entrenada con características estadísticas y espectrales extraídas de señales EEG multicanal. Este modelo no solo clasifica segmentos de señal como crisis (convulsiones) o no crisis, sino que también emplea un algoritmo de interpretabilidad denominado NObSP (Non-Orthogonal Basis Selection and Projection), que descompone las predicciones del modelo en contribuciones de cada variable de entrada. Así, el modelo pasa de ser una “caja negra” a una herramienta clínica transparente, útil para comprender y validar cada decisión. El desarrollo del sistema involucró varias fases técnicas: Preprocesamiento de señales EEG de la base pública Siena Scalp EEG—incluyendo filtrado notch a 50 Hz, segmentación en ventanas de 5 s y normalización Z-score. Extracción de siete características por ventana (desviación estándar, asimetría, curtosis y potencia relativa en las bandas delta, theta, alfa y beta). Entrenamiento y validación de modelos de clasificación (regresión logística, SVM y redes neuronales profundas). Implementación de NObSP para estimar la influencia funcional de cada característica en la salida del modelo. Todas las etapas se evaluaron con métricas de rendimiento y se validaron con expertos clínicos. El sistema alcanzó un rendimiento excelente. El modelo neuronal seleccionado, con arquitectura 64-32-16 y tasa de aprendizaje de 0.0005, logró 97.6 % de exactitud, 97.6 % de precisión, 94.3 % de recall y un F1-score de 96.0 %. Estos resultados superaron claramente a modelos clásicos como la regresión logística y el SVM, confirmando la capacidad del modelo propuesto para generalizar y detectar eventos ictales reales con alta confianza. No obstante, el diseño afrontó ciertas limitaciones. La base de EEG no incluía información detallada sobre el estado fisiológico del paciente (vigilia o sueño) durante el registro, ni especificaba qué electrodos estaban directamente implicados en las crisis. Se consideró una red neuronal convolucional (CNN) capaz de capturar patrones espaciotemporales, pero no se implementó por limitaciones de tiempo, a pesar de disponer de infraestructura de cómputo de alto rendimiento. Además, no se pudieron descartar completamente artefactos externos (p.ej., movimientos oculares, parpadeos), que podrían haber influido en el desempeño del modelo en algunos casos. El diseño se ajusta a normas verificables. Se empleó el sistema internacional 10-20 para la colocación de electrodos y se aplicaron técnicas de preprocesamiento reconocidas. El modelo se evaluó con métricas formales de rendimiento, y el algoritmo NObSP siguió la metodología reproducible publicada por Caicedo et al. (2019). Los resultados fueron revisados y validados por expertos clínicos. La Dra. Catalina Alvarado Rojas destacó la coherencia entre las decisiones del modelo y patrones fisiológicos conocidos de la epilepsia, señalando el potencial clínico del sistema. El Dr. Alain Riveros Rivera subrayó los beneficios de interpretabilidad del modelo, especialmente en contextos de bajos recursos. Entre las variables de mayor contribución se encontraron la potencia delta en los canales Fc6 y P4, la desviación estándar en Fc5 y la curtosis en el canal 2—coincidentes con la literatura sobre actividad ictal, disfunción cortical y patrones de sueño profundo (Sörnmo & Laguna, 2005; Subasi, 2005; Blumenfeld, 2012). En conclusión, este sistema representa un avance tangible en la aplicación de inteligencia artificial explicable al diagnóstico clínico de la epilepsia. Más allá de detectar crisis con alta precisión, ofrece razones comprensibles detrás de cada clasificación, facilitando su aceptación clínica. La propuesta también muestra potencial para desplegarse en zonas rurales o regiones con acceso limitado a neurólogos, apoyando la toma de decisiones, reduciendo errores diagnósticos y empoderando a pacientes y cuidadores. Esto refuerza la necesidad de que los modelos en salud sean no solo precisos sino también interpretables, dado que las consecuencias de cada decisión son críticas.