Publicación: Desarrollo de un modelo basado en aprendizaje profundo con arquitectura LSTM extendida para el diagnóstico computacional de crisis epilépticas mediante señales EEG
Portada
PDF 
FLIP 
Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Palabras claves
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
La presente investigación tiene como finalidad, diseñar e implementar un modelo de red neuronal híbrido CNN–BiLSTM para la detección de crisis epilépticas utilizando señales EEG. Se empleó el dataset CHB-MIT, compuesto por registros clínicos multicanal con anotaciones ictales, y se aplicaron técnicas de preprocesamiento como filtrado paso banda, filtro notch y normalización Z-score. Las características fueron extraídas mediante FFT y DWT, capturando información tanto en el dominio de la frecuencia, como en el tiempo. El modelo fue entrenado, con una arquitectura de doble entrada para combinar ambas fuentes de información, evaluando su rendimiento mediante validación cruzada y pruebas en pacientes no vistos. Los resultados mostraron un desempeño destacado, con una precisión del 95.45% y un AUC de 0.94, lo que evidencia su potencial clínico. Asimismo, se exploró la capacidad de generalización del modelo en señales EEG de diferentes orígenes, confirmando su robustez frente a variabilidad interpaciente y de adquisición. Este estudio demuestra la eficacia de combinar técnicas de extracción multiespectral y arquitecturas profundas para abordar el reto de la detección automática de eventos epilépticos, contribuyendo al desarrollo de sistemas de monitoreo continuo y diagnóstico asistido por inteligencia artificial.
Resumen en ingles
This research aims to design and implement a hybrid CNN–BiLSTM neural network model for the detection of epileptic seizures using EEG signals. The CHB-MIT dataset was employed, containing multichannel clinical recordings with expertannotated seizure events. Preprocessing steps included band-pass filtering, notch filtering, and Z-score normalization. Features were extracted using FFT and DWT, capturing information in both frequency and time domains. The model was trained using a dual-input architecture to merge both sources of information, and its performance was evaluated through cross-validation and testing on unseen patients. Results showed outstanding performance, achieving 95.45% accuracy and an AUC of 0.94, highlighting its clinical potential. The model's generalization capabilities were further validated on EEG signals from various sources, confirming its robustness against inter-patient and acquisition variability. This study demonstrates the effectiveness of combining multispectral feature extraction and deep learning architectures to tackle the challenge of automatic seizure detection, contributing to the development of continuous monitoring systems and AI-assisted diagnostic tools