Aplicación de técnicas de la minería de datos para caraterizar señales electroencefalográficas de pacientes epilépticos y sujetos sanos
Resumen
El electroencefalograma es uno de los exámenes complementarios más utilizados en el diagnóstico de la Epilepsia. Esto es debido a que en él se refleja el comportamiento de la actividad cerebral, permitiendo así a los especialistas, entender los mecanismos que causan alteraciones de la misma en ciertas patologías como la Epilepsia. El análisis computarizado de registros electroencefalógrafos mediante técnicas como las de Minería de Datos, permite la caracterización de los cambios de complejidad que ocurren en la actividad cerebral. Con este propósito, se realiza un estudio con técnicas de Minería de Datos: Medida de Disimilaridad Basada en Compresión (CDM, Compression-based Dissimilarity Measure, por sus siglas en ingles), Agrupamiento Jerárquico y Clasificación con el algoritmo de los k vecinos cercanos, para obtener patrones que permitan cuantificar los cambios de complejidad que ocurren en la patología epiléptica, a través del análisis computarizado del electroencefalograma. La base de datos utilizada en este estudio está constituida por un grupo de cinco pacientes epilépticos con paroxismos (entre los que se encuentra un registro antes y durante una crisis focal registrada accidentalmente en la consulta) y un grupo de cinco sujetos normales (grupo de control). Entre los resultados obtenidos se encontró que los pacientes epilépticos presentan valores de CDM más bajos que los del grupo control, verificando esto una sincronización (similaridad) de la actividad cerebral de los mismos al comparar entre los canales del EEG. Seguidamente, con los valores de CDM obtenidos para el grupo de pacientes epilépticos y el grupo de sujetos sanos se realiza un agrupamiento jerárquico, separando este ampliamente la actividad cerebral entre canales para cada grupo y cuantificando nuevamente una sincronización entre canales para el grupo de pacientes epilépticos. Una eficiencia del 100% de clasificación entre sujetos sanos y pacientes epilépticos es obtenida con el algoritmo de k vecinos cercanos. Se concluye que índices de complejidad como el presentado en este trabajo para el análisis computarizado del EEG de pacientes epilépticos, podrían ser de gran utilidad para el análisis de la presencia de una crisis, la ubicación de focos epilépticos y a un mejor diagnóstico médico mediante métodos no invasivos.