Investigadores de la Universidad de Washington en la Escuela de Ingeniería McKelvey de St. Louis han combinado la inteligencia artificial con la teoría de sistemas para desarrollar una forma más eficiente de detectar e identificar con precisión una convulsión epiléptica en tiempo real.
Sus resultados fueron publicados el 26 de mayo en la revista Informes científicos .
La investigación proviene del laboratorio de Jr-Shin Li, profesor del Departamento de Ingeniería Eléctrica y de Sistemas de Preston M. Green, y fue dirigida por Walter Bomela, un becario postdoctoral en el laboratorio de Li.
También en el equipo de investigación estaban Shuo Wang, un ex alumno de Li y ahora profesor asistente en la Universidad de Texas en Arlington, y Chu-An Chou de la Northeastern University.
"Nuestra técnica nos permite obtener datos sin procesar, procesarlos y extraer una característica que es más informativa para el modelo de aprendizaje automático", dijo Bomela. "La principal ventaja de nuestro enfoque es fusionar señales de 23 electrodos a un parámetroque puede procesarse eficientemente con muchos menos recursos informáticos "
En la ciencia del cerebro, la comprensión actual de la mayoría de las convulsiones es que ocurren cuando la actividad cerebral normal se ve interrumpida por un disparo fuerte y repentino hiper-sincronizado de un grupo de neuronas. Durante una convulsión, si una persona está conectada a un electroencefalograma- un dispositivo conocido como EEG que mide la salida eléctrica - la actividad cerebral anormal se presenta como descargas amplificadas de punta y onda.
"Pero la precisión de detección de ataques no es tan buena cuando se usan señales EEG temporales", dijo Bomela. El equipo desarrolló una técnica de inferencia de red para facilitar la detección de un ataque y determinar su ubicación con mayor precisión.
Durante una sesión de EEG, una persona tiene electrodos conectados a diferentes puntos en su cabeza, cada uno registra la actividad eléctrica alrededor de ese punto.
"Tratamos los electrodos EEG como nodos de una red. Usando las grabaciones datos de series de tiempo de cada nodo, desarrollamos un enfoque basado en datos para inferir conexiones variables en el tiempo en la red o relaciones entre nodos", dijo BomelaEn lugar de mirar únicamente los datos del EEG, los picos y las fortalezas de las señales individuales, la técnica de red considera las relaciones. "Queremos inferir cómo una región del cerebro está interactuando con los demás", dijo.
Es la suma de estas relaciones que forman la red.
Una vez que tenga una red, puede medir sus parámetros de manera integral. Por ejemplo, en lugar de medir la fuerza de una sola señal, se puede evaluar la fuerza de la red general. Hay un parámetro, llamado valor propio de Fiedler, que es deuso particular. "Cuando ocurre una convulsión, verá que este parámetro comienza a aumentar", dijo Bomela.
Y en la teoría de redes, el valor propio de Fiedler también está relacionado con la sincronicidad de una red: cuanto mayor es el valor, más sincronizada es la red. "Esto concuerda con la teoría de que durante la convulsión, la actividad cerebral se sincroniza", dijo Bomela.
Un sesgo hacia la sincronización también ayuda a eliminar los artefactos y el ruido de fondo. Si una persona, por ejemplo, se rasca el brazo, la actividad cerebral asociada se capturará en algunos electrodos o canales de EEG. Sin embargo, no se sincronizará con la actividad convulsivaDe esa manera, esta estructura de red reduce inherentemente la importancia de las señales no relacionadas; solo las actividades cerebrales que están sincronizadas causarán un aumento significativo del valor propio de Fiedler.
Actualmente, esta técnica funciona para un paciente individual. El siguiente paso es integrar el aprendizaje automático para generalizar la técnica para identificar diferentes tipos de convulsiones entre pacientes.
La idea es aprovechar varios parámetros que caracterizan la red y usarlos como características para entrenar el algoritmo de aprendizaje automático.
Bomela compara la forma en que funcionará con el software de reconocimiento facial, que mide diferentes características ojos, labios, etc. generalizando a partir de esos ejemplos para reconocer cualquier rostro.
"La red es como una cara", dijo. "Puede extraer diferentes parámetros de la red de un individuo, como el coeficiente de agrupamiento o la centralidad de cercanía, para ayudar al aprendizaje automático a diferenciar entre diferentes ataques".
Esto se debe a que en la teoría de redes, las similitudes en parámetros específicos están asociadas con redes específicas. En este caso, esas redes corresponderán a diferentes tipos de ataques.
Un día, una persona con un trastorno convulsivo puede usar un dispositivo análogo a una bomba de insulina. A medida que las neuronas comienzan a sincronizarse, el dispositivo administrará medicamentos o interferencias eléctricas para detener el ataque.
Antes de que esto pueda suceder, los investigadores necesitan una mejor comprensión de la red neuronal.
"Si bien el objetivo final es refinar la técnica para uso clínico, en este momento estamos enfocados en desarrollar métodos para identificar las convulsiones como cambios drásticos en la actividad cerebral", dijo Li. "Estos cambios se capturan tratando el cerebro como una reden nuestro método actual "
Fuente de la historia :
Materiales proporcionado por Universidad de Washington en St. Louis . Original escrito por Brandie Jefferson. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :