Desarrollo y evaluación de clasificadores neuro-genéticos basados en señales de EEG para la ayuda al diagnóstico de la esquizofrenia

Abstract

El presente Trabajo de Fin de Máster (TFM) constituye una ampliación del Proyecto Fin de Carrera (PFC) titulado "Diagnóstico automático de la esquizofrenia basado en el estudio de señales de EEG de actividad cortical en el cerebro". En este proyecto se abordaba el problema de la realización de una clasificación automática entre sujetos sanos y esquizofrénicos basada en la onda P3b, evocada por el cerebro cuando es sometido a una tarea oddball auditiva, y en un esquema de reconocimiento de patrones. Para ello, en primer lugar, se realizaba el preprocesado de las señales de EEG proporcionadas en un banco de datos. Posteriormente, se extraían diferentes características de dichas señales que eran seleccionadas mediante algoritmos de selección de características basados en la teoría de la información y en la distancia entre las clases (MIFS, DISR y J5). Finalmente, estas características seleccionadas eran introducidas en unos clasificadores altamente no lineales (MLP y SVM) llegando a obtener, en el mejor caso, una tasa de acierto del 93.4%, una sensibilidad del 87.3% y una especificidad de un 96.7%. Además, el PFC relataba diversas conclusiones sobre el origen espacial de la onda P3b y sobre la comparación de los distintos algoritmos utilizados. Este TFM ha continuado sobre esta línea de investigación con el fin de tratar algunos de los aspectos que se habían mencionado como líneas futuras en el PFC anterior. En primer lugar, se ha revisado la etapa de selección de características añadiendo los Algoritmos Genéticos (AG) como un nuevo método que pretende mejorar los resultados finales de las diversas clasificaciones realizadas. Además, los AG se implementan con el fin de lograr mantener o superar las tasas de acierto mediante un menor número de características seleccionadas por lo que pretenden reducir la carga computacional de la clasificación final. En segundo lugar, en este TFM se han realizado diversas agrupaciones espaciales de las características y un análisis estadístico de todas ellas individualmente con el fin de lograr reforzar las diversas conclusiones espaciales del PFC. Por último, este TFM realiza una optimización de los clasificadores utilizados ya que éstos carecían de la misma en el PFC. Los nuevos resultados de este TFM han mostrado que los AG se alzan como un método de selección de características muy interesante a la hora de abordar el problema de la detección de la esquizofrenia ya que, aunque las tasas de acierto para la mejor clasificación se siguen logrando mediante el algoritmo J5, las tasas de aciertos mediante una extracción menor de características crece para los AG y, además, se consigue una carga computacional mucho menor en los clasificadores finales. Además, los AG, al contrario que los otros métodos de selección de características utilizados, poseen una gran cantidad de parámetros a configurar para su implementación por lo que se puede pensar que los resultados obtenidos mediante los AG pueden ser mejorados mediante una optimización más profunda. Por otro lado, los resultados del TFM evidencian una gran importancia de la zona parietal-temporal a la hora de la detección de la onda P3b concordando con otras investigaciones similares. Finalmente, la optimización de los clasificadores automáticos proporciona un incremento generalizado de todas las clasificaciones y, en concreto, aunque la clasificación más eficiente sigue proporcionando una tasa de acierto de un 93.4%, la sensibilidad, que es el parámetro más crítico para aplicaciones médicas, logra subir hasta el 87.7% a costa de un descenso en la especificidad obteniendo un 96.3%.