Predicción de crisis epilépticas utilizando el coeficiente de correlación producto-momento de Pearson a partir de un clasificador lineal de la distribución Gaussiana generalizada...

• Autores: Quintero Rincón, Antonio; D'Giano, Carlos; Risk, Marcelo
• Año de publicación: 2018
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: ELECTROENCEPHALOGRAPHY; EPILEPSY; GENERALIZED GAUSSIAN DISTRIBUTION. LINEAR CLASSIFIER; PEARSON'S PRODUCT-MOMENT CORRELATION COEFFICIENT; PREDICTION
• Institución: Consejo Nacional de Investigaciones Científicas y Técnicas

Predecir una crisis epiléptica significa la capacidad de determinar de antemano el momento de una crisis con la mayor precisión posible. Un pronóstico correcto de un evento epiléptico en aplicaciones clínicas es un problema típico en procesamiento de señales biomédicas, lo cual ayuda a un diagnóstico y tratamiento apropiado de esta enfermedad. En este trabajo, utilizamos el coeficiente de correlación producto-momento de Pearson a partir de las clases estimadas con un clasificador lineal, usando los parámetros de la distribución Gaussiana generalizada. Esto con el fin de poder pronosticar eventos con crisis y eventos con no-crisis en señales epilépticas. El desempeño en 36 eventos epilépticos de 9 pacientes muestra un buen rendimiento, con un 100% de efectividad para sensibilidad y especificidad superior al 83% para eventos con crisis en todos los ritmos cerebrales. El test de Pearson indica que todos los ritmos cerebrales están altamente correlacionados en los eventos con no-crisis, más no durante los eventos con crisis. Esto indica que nuestro modelo puede escalarse con el coeficiente de correlación producto-momento de Pearson para la detección de crisis en señales epilépticas.
To predict an epileptic event, means the ability to determine in advance the time of the seizure with the highest possible accuracy. A correct prediction benchmark for epilepsy events in clinical applications, is a typical problem in biomedical signal processing that help to an appropriate diagnosis and treatment of this disease. In this work we use Pearson's product-moment correlation coefficient from generalized Gaussian distribution parameters coupled with linear-based classifier to predict between seizure and non-seizure events in epileptic EEG signals. The performance in 36 epileptic events from 9 patients showing a good performance with 100% of effectiveness for sensitivity and specificity greater than 83% for seizures events in all brain rhythms. Pearson's test suggest that all brain rhythms are highly correlated in non-seizure events but no during the seizure events. This suggests that our model can be scaled with the Pearson product-moment correlation coefficient for the detection of epileptic seizures.
Fil: Quintero Rincón, Antonio. Instituto Tecnológico de Buenos Aires; Argentina
Fil: D'Giano, Carlos. Fundación para la Lucha contra las Enfermedades Neurológicas de la Infancia; Argentina
Fil: Risk, Marcelo. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Instituto Tecnológico de Buenos Aires; Argentina