Ponente
Descripción
El desarrollo e implementación de algoritmos de aprendizaje automático en el ámbito médico ha cobrado gran relevancia, especialmente en el análisis de señales electroencefalográficas (EEG) para la detección de eventos epilépticos. Este trabajo tiene como objetivo diseñar un sistema automatizado capaz de identificar crisis epilépticas generalizadas (ausencia, mioclónica, tónicas y tónico-clónicas) mediante el procesamiento y análisis de EEGs.
La metodología incluye la obtención de bases de datos EEG y su pre procesamiento (filtrado, segmentación y normalización) y la extracción de características temporales y frecuenciales relevantes, como espectrogramas. Posteriormente, se entrena un modelo de aprendizaje automático. Para este trabajo se implementaron algoritmos de aprendizaje maquina como lo son redes neuronales artificiales, bosques aleatorios y una red neuronal convolucional (CNN), para clasificar segmentos de EEG en eventos epilépticos o no epilépticos. En el caso de un dataset desbalanceado, se aplican técnicas como data augmentation o métodos de muestreo para mejorar el rendimiento del modelo.
Este enfoque permite acelerar el diagnóstico médico, reducir la carga de trabajo del especialista y aumentar la precisión en la identificación de crisis epilépticas.
