M06- Clasificación de Señales Intracraneales de EEG en Pacientes Epilépticos
Tutores: Diego Mateos – Luciano Mantovani
mateosdiego@gmail.com – lucianomanto@gmail.com
La epilepsia es un trastorno del sistema nervioso central (neurológico) en el que la actividad cerebral normal se altera, lo que provoca convulsiones o períodos de comportamiento y sensaciones inusuales, y a veces, pérdida de la consciencia.
Cualquier persona puede padecer de epilepsia. La epilepsia afecta tanto a hombres como a mujeres de todas las razas, grupos étnicos y edades.
Los síntomas de las convulsiones pueden variar mucho. Algunas personas con epilepsia simplemente permanecen con la mirada fija por algunos segundos durante una convulsión, mientras que otras mueven repetidamente los brazos o las piernas.
El tratamiento con medicamentos, o en ocasiones la cirugía, puede controlar las convulsiones en la mayoría de las personas que tienen epilepsia. Algunas personas requieren tratamiento de por vida para controlar las convulsiones. En la actualidad muchos grupos de investigación y empresas biotecnológicas del mundo están intentando desarrollar instrumentos para poder controlar los ataques epilépticos. Un ejemplo es la estimulación cerebral profunda (DBS), pero para la aplicación de cualquier dispositivo disuasivo primero es imprescindible poder detectar con antelación el ataque epileptico.
Hay pruebas de que la dinámica temporal de la actividad cerebral en un paciente epileptico puede clasificarse en 4 estados: Inter-ictal (entre convulsiones, o línea de base), Prei-ctal (antes del ataque), Ictal (ataque epileptico en si) y Post-ictal (después de los ataques). La previsión de las convulsiones requiere la capacidad diferenciar de forma fiable un estado pre-ictal de los demás estados interictal, ictal y postictal. El objetivo de estudiar estos datos es demostrar la existencia y la clasificación precisa del estado cerebral preictal del interictal en humanos que padecen epilepsia.
La actividad cerebral humana se registró en forma de electroencefalografía intracraneal (iEEG), que implica la colocación de electrodos en la superficie de la corteza cerebral y el registro de señales eléctricas con un sistema de monitorización ambulatoria. Los datos iEEG se muestrearon a partir de 16 electrodos a 400 Hz, y los voltajes registrados se referenciaron a la media del grupo de electrodos.
A cada grupo de señales se las pre-procesaron y calcularon 9 cuantificadores que van desde estadística clásica (valor medio , desvío, estándar, etc), medidas de información (entropía, complejidad, etc ) y medidas de espectro de potencia (espectral entropy).
La detección de los ataques de epilepsia es uno de los temas más importante en la medicina de hoy. Esto es debido a que en muchos casos no existe una cura, solamente tratamientos paliativos y cada paciente se comporta diferente a los tratamientos. En particular estos datos provienen de pacientes que tienen epilepsia resistente a los fármacos por lo que requieren intervención quirúrgica, es por eso la necesidad de hacer registros dentro del cerebro (iEEG) para determinar con exactitud la zona y el tiempo de ocurrencia de los ataques epileptico. La detección de un ataque minutos antes de que ocurra (período pre-ictal), permitiría a los médicos la intervención en el paciente con medicamentos o estimulación cerebral profunda (DBS) pudiendo detener el ataque epileptico (ictus).
Este proyecto es de importancia tanto científico como tecnológica, ya que en la actualidad todavía no se tiene dispositivos para la comercialización, como sí ocurre para los pacientes con Parkinson. Esto ocurre por la imposibilidad de detectar con anticipación la aparición de los ataques. Este proyecto plantea el uso de diferentes metodologías de Machine Learning y Deep Learning (que se aprenderán en el transcurso del curso) aplicadas sobre características (features) extraídas de las señales de iEEG. Las características que posean mayor capacidad predictiva pueden ser candidatas a usarse en un dispositivo ambulatorio para la detección e intervención sobre pacientes epilépticos.
– ¿Es posible clasificar entre las señales inter-ictales y pre-ictales en cada uno de los pacientes?
– ¿Con qué precisión podemos determinar las señales son pre-ictales?
– ¿Cuales son los cuantificadores (o features) que nos nos permiten una mejor discriminación?
– ¿ Es posible clusterizar los datos etiquetados y no etiquetados en dos grupos inter-ictales y pre-ictales?
Los datos se dividen en dos grupos, etiquetados y sin etiquetar. Los datos etiquetados son un total de 5588 datos para el periodo interictal y 450 para el periodo preictal. Para el caso de los no etiquetados tenemos un total de 6128 datos.
Por consiguiente los datos se estructuraron en una planilla de 6038 datos x 9 característica tanto para los etiquetados y 6128 x 9 datos para los no etiquetados.
Si querés inspeccionar el conjunto de datos, lo encontrarás en https://github.com/mateosdiego/DiblploDatos
* Los datos estarán siendo subidos en los próximos días, pero pueden ver un ejemplo de los mismos en la página. Cualquier duda pueden preguntar a mateosdiego@gmail.com.
Entrega 20/05 – Práctico de análisis y visualización, que consistirá en realizar un estudio estadístico de los diferentes cuantificadores (medias , medianas y las dispersiones entre otros) para conocer su comportamiento dependiendo del cuantificador analizado. Obtener un único dataset a partir de los archivos disponibles.
Entrega 17/06 – Práctico de análisis exploratorio y curación de datos. En el análisis exploratorio calculará la correlación numérica entre las distintas métricas para observar si existe colinealidad. Dependiendo del nivel de correlación podemos descartar variables que no aporten información . Estudiaremos una solución al problema de desbalance de etiquetas pre-ictales e interictales.
Entrega 24/06 – Video de presentación intermedia del proyecto y dataset.
Entrega 29/07 – Práctico aprendizaje supervisado, que consistirá en esperar corroborar una clasificación que tenemos etiquetados los datos. Conocer cuales son las características que mejor describen los datos que tenemos. Poder clasificar los datos no etiquetados.
Entrega 26/08 – Práctico aprendizaje no supervisado, que consistirá en sacar las etiquetas al grupo etiquetado y unirlos con el grupo no etiquetado. Después se procederá a clusterizar el conjunto completo de datos con diferentes métodos, para luego analizar dichos agrupamientos.
Entrega 23/09 – Video de presentación final de mentoría.
Jornadas 11/11 y 12/11 – Presentación de mentorías.