Algoritmo de predicción con Redes Neuronales Recurrentes LSTM para crisis epiléptica basado en un brazalete inteligente

Abstract

Debido a la naturaleza impredecible de estas crisis neurológicas, si se detectan tardíamente las crisis epilépticas en ambientes no controlados, supone un peligro significativo para la integridad física de los pacientes. Los sistemas de monitoreo ambulatorio actuales, a pesar de los progresos realizados, no poseen la precisión requerida para diferenciar patrones complejos electroencefalográficos en tiempo real. Este análisis buscó determinar si una Red Neuronal Recurrente (RNN) de arquitectura Long Short-Term Memory (LSTM) tenía la capacidad de anticipar crisis epilépticas basándose en señales electroencefalográficas (EEG), con el propósito de respaldar sistemas de vigilancia ambulatoria y alerta temprana. La metodología empleada fue un enfoque de aprendizaje profundo aplicado a series temporales, a partir de un conjunto de datos públicos disponibles en la plataforma Kaggle para identificar crisis epilépticas. Se entrenó y validó un modelo de clasificación binaria usando 11,500 segmentos de señales EEG procesados. El preprocesamiento abarcó la división de las señales y la disposición de los datos en secuencias temporales que fueran apropiadas para la arquitectura de la red neuronal recurrente LSTM. Las métricas de clasificación estándar se utilizaron para evaluar el rendimiento del modelo. Los resultados indicaron que el modelo logró una precisión del 92,27 %, lo que demuestra su gran habilidad para diferenciar entre estados con crisis epiléptica y aquellos sin ella. Estos resultados corroboraron la hipótesis de que las redes LSTM tienen la capacidad de modelar patrones temporales complejos hallados en las señales EEG. El modelo sugerido resultó ser una herramienta computacional sólida para anticipar crisis epilépticas. La principal aportación del estudio fue mostrar que es posible incorporar modelos LSTM en dispositivos portátiles, como los brazaletes inteligentes. Esto genera nuevas posibilidades para crear sistemas de alerta temprana y enfoques de intervención clínica individualizada.