Máquinas de aprendizaje para clasificar señales electroencefalográficas

Abstract

Entre las múltiples técnicas computacionales que existen para conducir tareas de clasificación de datos, las máquinas de aprendizaje como las máquinas de soporte vectorial (SVM, por sus siglas en inglés) se destacan por mostrar altos niveles de eficiencia. En este trabajo se aplica un enfoque metodológico particular orientado a la discriminación de una condición patológica a partir de un conjunto de datos que representan señales electroencefalográficas (EEG), utilizando para ello la función svm de la biblioteca e1071 implantada en el programa estadístico R. La base de datos usada para el entrenamiento y validación de la SVM está constituida por un conjunto de señales EEG correspondientes a 10 sujetos sanos y 10 pacientes epilépticos (entre los que se encuentra un registro antes y durante una crisis convulsiva registrada accidentalmente en la consulta). Previo al proceso de clasificación, se aplica una técnica de la minería de datos llamada parámetros de sincronización, la cual transforma las señales EEG a unos índices estadísticos que extraen patrones e información oculta inherente en las señales. Una vez obtenidos los parámetros de sincronización, parte de éstos se emplearon para el entrenamiento y el resto para la validación de la SVM. Una eficiencia del 99% de clasificación entre sujetos sanos y pacientes epilépticos es obtenida con la metodología presentada.