COMUNICACIÓN POSTER
AUTORES
Maitin López, Ana Maria 1; García Tejedor, Alvaro Jose 1; Arroyo Ferrer, Aida 2; null, Maria Dolores 3; null, Ignacio 3; null, Eduardo 3; Romero Muñoz, Juan Pablo 2
CENTROS
1. Servicio: CEIEC. Universidad Francisco de Vitoria; 2. Servicio: Facultad de Ciencias Experimentales. Universidad Francisco de Vitoria; 3. Centro de Automática y Robótica. CSIC
OBJETIVOS
Se usan técnicas de Deep Learning (DL) para clasificar de forma automática los Electroencefalogramas (EEGs) de pacientes con enfermedad de Parkinson (EP) de acuerdo con las fases de progresión de la enfermedad, seguiendo la escala de Hoehn-Yahr (HY).
MATERIAL Y MÉTODOS
Se adquieren EEGs de 64 electrodos a 47 EP HY I-III (63.45 ± 8.84 años; 15 mujeres) y 24 controles (62.54 ± 9.41 años, 6 mujeres). Se registran los estados: finger tapping (FT) derecho e izquierdo. El 90% de los EEGs adquiridos durante el FT, fueron introducidos a una red neuronal junto con una etiqueta correspondiente al nivel de afectación según la escala HY. No hubo preprocesamiento sobre los EEGs.
RESULTADOS
Un 10% del conjunto de los EEGs fue conservado sin etiquetas para realizar una prueba de validación del modelo de DL. Los resultados preliminares muestran una precisión del modelo del 80% en la clasificación de los pacientes con EP.
CONCLUSIONES
El EEG es una técnica de diagnóstico no invasiva, accesible y de bajo coste que registra la actividad del cerebro por medio de señales estocásticas difíciles de interpretar y analizar visualmente. Los resultados preliminares muestran el gran potencial de las técnicas de DL para el análisis y clasificación de EEGs, prescindiendo del pre-procesado de estas señales y evitando la eliminación de elementos esenciales, además de ser un candidato idóneo para el desarrollo de un marcador que facilite el diagnóstico de la EP.
