RT info:eu-repo/semantics/bachelorThesis
T1 Aplicación de técnicas de deep learning en la ayuda al diagnóstico de la enfermedad de Alzheimer
A1 Abad Martín, Arancha
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Enfermedad de Alzheimer
K1 Deterioro cognitivo leve
K1 Electroencefalograma
AB La enfermedad de Alzheimer (EA) es una patología neurodegenerativa, progresiva e irreversible caracterizada por provocar alteraciones tanto a nivel cognitivo como a nivel de conducta. Es la demencia más común y sus principales factores de riesgo son la edad y la genética. Provoca lesiones en la corteza cerebral, principalmente depósitos de proteína beta-amiloide y ovillos neurofibrilares de proteína tau anormalmente fosforilada. Estas lesiones fomentan la aparición de alteraciones en la actividad eléctrica cortical, generando cambios en la actividad electroencefalográfica (EEG). Diversas investigaciones apuntan a que estas alteraciones aparecen en fases incipientes de la demencia; sin embargo, la complejidad de los cambios neuronales ha implicado que apenas haya estudios que traten de integrarlos para mejorar la identificación precoz de la EA. Es por ello, que en el presente Trabajo de Fin de Grado (TFG) se propone una metodología de deep learning, con el objetivo de extraer de manera automática características de la actividad EEG que ayuden a identificar esta enfermedad en los distintos sujetos de este estudio.En este trabajo se han analizado señales EEG de dos bases de datos distintas con un total de 449 sujetos divididos en tres categorías principales: sujetos de control de edad avanzada, pacientes con deterioro cognitivo leve (DCL) y pacientes con demencia debida a EA. La primera base de datos proviene del Hospital Universitario Río Hortega de Valladolid; está formada por un total de 196 sujetos: 45 controles, 69 pacientes con DCL y 82 pacientes con demencia por EA. La segunda base de datos ha sido registrada en el marco de un proyecto europeo desarrollado por el Grupo de Ingeniería Biomédica; está formada por 253 sujetos: 51 controles, 51 pacientes con DCL y 151 pacientes con EA. En un primer paso, los registros EEG de las dos bases de datos se preprocesaron para eliminar los posibles artefactos de la señal, dividiéndose en segmentos de 1 y 5 s. Tras este preprocesado, los registros EEG se dividieron en tres conjuntos de datos: entrenamiento, validación y test, que se utilizaron para diseñar y validar las distintas arquitecturas de deep learning. En concreto, se utilizaron arquitecturas basadas en redes neuronales convolucionales de una dimensión, desarrolladas utilizando Python y la librería Keras.Se desarrollaron dos casos de estudio diferentes: un problema de clasificación binaria con sujetos controles y enfermos de Alzheimer; y un problema de clasificación múltiple con sujetos controles, pacientes con DCL y pacientes con EA. Los valores de precisión obtenidos por los distintos modelos desarrollados para el primer caso de estudio fueron del 70% aproximadamente para las dos bases de datos. En el caso del segundo caso de estudio, la precisión disminuyó hasta un 40% aproximadamente. Se observó que a medida que se aumentaba el número de clases, disminuía la precisión obtenida. Estos resultados de precisión bajos pueden deberse a dos motivos principales: (i) a que el número de sujetos en las bases de datos utilizadas sea pequeño, lo cual se podría solventar con una base de datos más grande; (ii) a que la señal EEG es demasiado compleja para introducirla en crudo a una red neuronal convolucional 1-D, por lo que realizar una transformación sobre ésta ayudará a obtener mejores resultados. Por tanto, estudios futuros podrían ayudar a mejorar la detección automática de la EA.
YR 2020
FD 2020
LK http://uvadoc.uva.es/handle/10324/43256
UL http://uvadoc.uva.es/handle/10324/43256
LA spa
DS UVaDOC
RD 12-jul-2024