Comenzando en la competencia de prediccin de
las Convulsiones
Marcelo Venegas
Departamento de Elctrica y Electrnica, Universidad de las Fuerzas Armadas-ESPE
Sangolqui, Ecuador
smvenegas2@espe.edu.ec
Abstract: The objective of this article is to analyze a series
of exposed data, which is the result of a study of 2 people
suffering from seizures caused by epilepsy; These people
were examined through a series of intracranial tests,
which involves the placement of electrodes on the surface
of the cerebral cortex and the recording of electrical
signals with an ambulatory monitoring system, so that
there are 16 electrodes for each person and each one is
sampled at 5000 Hz.
The analysis focuses on the collection of this information
or the data clips provided, so that all the information can
be accessed through graphs and tables that present a
statistical analysis that shows: the set of electrodes, the
mean and the standard deviation of one of the people
analyzed. All these graphs and tables are based on Matlab
mathematical software that allows you to read
intracranial data clips, and manipulate them to obtain
results.
Keywords: Convulsiones, Electrodos, EEG, Interictal, Ictal,
Preictal, Post-ictal, DataStruct.
Resumen: El presente artculo tiene como objetivo analizar
una serie de datos expuestos ,que son el resultado de un
estudio de 2 personas las cuales sufren de convulsiones
producidas por la Epilepsia; estas personas fueron
examinadas mediante una serie de pruebas intracraneales, lo
que implica la colocacin de electrodos en la superficie de la
corteza cerebral y la grabacin de seales elctricas con un
sistema de monitorizacin ambulatoria, de manera que se
cuenta con 16 electrodos para cada persona y cada uno esta
muestreado a 5000 Hz.
El anlisis se centra en recopilar dicha informacin o clips de
datos proporcionados, de forma que se pueda expresar toda
esta informacin mediante grficos y tablas presentando as
un anlisis estadstico que muestre: el conjunto de electrodos,
la media y la desviacin estndar de una de las personas
analizadas. Todos estos grficos y tablas se reemplazarn en
base de un software matemtico Matlab el cual permitir leer
los clips de datos intracraneales, y poder manipularlos para la
obtencin de resultados.
I. INTRODUCCIN
Una crisis convulsiva es una descarga sincrnica excesiva de
un grupo neuronal que dependiendo de su localizacin se
manifiesta con sntomas motores, sensitivos, autonmicos o
de carcter psquico, con o sin prdida de conciencia.
Debido a que depende de la localizacin del grupo de
hormonas se presenta una serie de electrodos colocados en la
corteza cerebral de manera que puedan medir la actividad
elctrica del cerebro. Las convulsiones son producto de
cambios en la actividad elctrica del cerebro. Esto puede
ocasionar sntomas dramticos evidentes o no presentar
sntomas en absoluto. Con frecuencia se reconocen
ampliamente los sntomas de las convulsiones severas, entre
ellos las sacudidas violentas y prdida del control. Sin
embargo, las convulsiones leves tambin pueden ser indicios
de algn problema mdico significativo, as que es
importante reconocerlos. Debido a que algunos convulsiones
pueden ocasionar lesiones o ser evidencia de alguna afeccin
mdica subyacente, es importante obtener tratamiento si las
sufre.
Las convulsiones parciales se asocian con la epilepsia, una
enfermedad que ocasiona convulsiones recurrentes. Este tipo
de convulsin ocurre solamente en un lado del cerebro. Como
consecuencia, un lado del cuerpo resulta afectado durante el
ataque. El electroencefalograma (EEG), que realiza una
lectura de la actividad elctrica del cerebro, normalmente
puede discriminar la presencia de varios tipos de
convulsiones. Adems puede indicar la ubicacin de la lesin
que est causando las convulsiones. Hay que tener en cuenta
que un EEG normal no descarta un trastorno convulsivo. Las
convulsiones tambin pueden ocasionar lesiones, como
cadas o traumatismos en el cuerpo.
Entonces con un estudio adecuado se puede predecir
mediante un anlisis estadstico cuan probable puede ser que
ocurra un ataque de convulsiones a partir del comportamiento
de cualquier electrodo y as poder tomar precauciones para
prevenir varios riesgos mencionados anteriormente.
Bsicamente se establece cuatro estados en los cuales un
paciente puede ubicarse en los cuales tenemos:
Interictal (entre convulsiones, o lnea de base), Preictal
(antes de la convulsin), Ictal (convulsin) y Post-ictal
(despus de las convulsiones).
Estos estados nos ayudan para establecer una prediccin en
el cual un estado preictal puede diferenciarse del estado
interictal, ictal y postictal.
II. CONJUNTO DE DATOS
El principal problema consiste en distinguir entre clips de
datos de diez minutos de duracin que cubren una hora antes
de una convulsin y clips de iEEG de diez minutos de
actividad interictal. Se sabe que las convulsiones se agrupan,
o se producen en grupos. Los pacientes que suelen tener
clusters convulsiones reciben poco beneficio de la previsin
de seguimiento de las convulsiones.
Los clips de datos EEG intracraneales se organizan en
carpetas que contienen datos de entrenamiento y pruebas para
cada paciente humano. Los datos de entrenamiento estn
organizados en clips de EEG de diez minutos denominados
"Preictal" para los segmentos de datos pre-convulsin, o
"Interictal" para los segmentos de datos no convulsivos. Los
segmentos de datos de entrenamiento se numeran
secuencialmente, mientras que los datos de prueba estn en
orden aleatorio.
Cada archivo contiene una estructura de datos, dataStruct,
con campos como sigue:
Data: Una matriz de valores de muestra iEEG
dispuestos fila x columna como muestra de tiempo
x electrodo.
Data_length_sec: Nmero total de muestras de
tiempo (nmero de filas en el campo de datos).
Sampling_frequency: Tasa de muestreo de datos,
es decir, el nmero de muestras de datos que
representan 1 segundo de datos de EEG.
Channels: Vector de variables que representan los
electrodos.
Sequence: El nmero de archivo .mat que
representa
Fig1. EEG Intracraneal
Los segmentos de datos de entrenamiento y pruebas de
Preictal se proporcionan cubriendo una hora antes de la
convulsin con un horizonte de convulsiones de cinco
minutos. (Es decir, de 1:05 a 0:05 antes del comienzo de la
convulsin).
Este horizonte previo a la convulsin asegura que:
1) las convulsiones podran predecirse con suficiente
advertencia para permitir la administracin de medicamentos
de accin rpida
2) cualquier actividad de convulsin antes del comienzo
anotado que pueda haber sido perdida por el epileptlogo no
afectar el resultado de la competencia.
III. PROCEDIMIENTO
Como vimos dentro de nuestro proyecto tenemos datos
grficos en la extensin .mat , para lo cual nuestra principal
herramienta a utilizar es el software matemtico MATLAB.
Matlab: Es una herramienta de software matemtico
que ofrece un entorno de desarrollo integrado (IDE)
con un lenguaje de programacin propio (lenguaje
M).
Entre sus prestaciones bsicas se hallan: la manipulacin de
matrices, la representacin de datos y funciones, grficas de
alto nivel, la implementacin de algoritmos, la creacin de
interfaces de usuario (GUI) y la comunicacin con programas
en otros lenguajes y con otros dispositivos hardware.
Fig2. Logo del software matemtico MATLAB
Dentro de ste apartado se graficarn varias secuencias de
ficheros de Patient_m_interictal_segment_000n.mat en un
formato similar al de la figura 1. Se incluir un grfico para
cada usuario y estado.
A partir de lo anterior entablamos las principales funciones
que nos ayudaran al ploteo de las grficas de los electrodos,
de las medias y las desviaciones estndar de cada uno de los
pacientes, de tal forma que tenemos:
load(Patient_1_interictal_segment_0001);
creamos una variable con el nombre x1 en la cual
cargamos el archivo
Patient_1_interictal_segment_0001 el cual contiene
un Datastruct que es una estructura de datos con
varios campos de los cuales el ms importante es la
matriz de 16 por 3000000, que posee cada electrodo
con sus respectivos datos.
x1= interictal_segment_1.data; Comando que
crea una matriz con los datos del primer segmento.
m1(:,1); Extraemos los datos de un electrodo.
Despus de haber encontrado el electrodo y haberlo
concatenado con todas las columnas de la estructura m1,
procedemos a graficar cada uno de los electrodos en la misma
grfica aumentando el nivel del eje y para poder observar
todos los electrodos :
h=[1: 3000000]; Tamao eje x
hold on; Se activa la superposicin de grficas
plot(y,electrodo1); comando plot grafica en y para
el electrodo uno.
plot(y,(1000+electrodo2)); Electrodo dos con un
nivel extra de 1000.
plot(y,(2000+electrodo3)); Electrodo dos con un
nivel extra de 2000.
title('Paciente 1 Preictal') Titulo de la grafica
A continuacin se explica la secuencia iterativa para obtener
la media y la desviacin estndar del electrodo:
j=1; Inicio de la variable para el lazo iterativo.
me1=[]; creacin de vector para media del electrodo
1.
ds1=[]; creacin de vector para desviacin estndar
del electrodo 1.
for w=1:50:1439589 Lazo iterativo para el clculo
de las medias y las desviaciones estndar
me1(i)=[ median(electrodo1(w:100+w))]; Clculo
de la media del electrodo 1
El cdigo mencionado anteriormente lo ocuparemos para
obtener las grficas de los electrodos, media y desviacin
estndar para los tres pacientes, cabe recalcar que debemos
cambiar el archivo que cargamos Datastruct
Como ya lo entendimos nuestro propsito ser el analizar los
datos de ensayos clnicos correspondientes a pacientes cuyos
ataques epilpticos fueron difciles de predecir, por lo que
presentaremos las grficas originales, as como tambin las
grficas de la media y desviacin estndar para cada paciente
(1 y 2 respectivamente). Para ello necesitamos compilar el
cdigo de MATLAB respectivo que nos proporcionar
dichos resultados el cual se detalla a continuacin,
recalcaremos que el cdigo es repetitivo para cada uno de los
pacientes.
Cdigo de MATLAB a compilar:
Paciente 1:
%load('Patient_1_interictal_segment_0001.mat')
%load('Patient_1_interictal_segment_0002.mat')
%load('Patient_1_interictal_segment_0003.mat')
%load('Patient_1_interictal_segment_0004.mat')
%load('Patient_1_interictal_segment_0005.mat')
%load('Patient_1_interictal_segment_0006.mat')
%load('Patient_1_interictal_segment_0007.mat')
%load('Patient_1_interictal_segment_0008.mat')
x1 = interictal_segment_1.data;
x2= interictal_segment_2.data;
%x3= interictal_segment_3.data;
%x4= interictal_segment_4.data;
%x5= interictal_segment_5.data;
%x6= interictal_segment_6.data;
Aqu generamos el grfico de los electrodos:
h = [1:3000000];
%title('Electrodos Segmento 1 (10 minutos)');
figure
for(i=1:15)
subplot(15,1,i);
plot(h,x1(i,:));
hold on;
end
%title('Electrodos Segmento 2 (10 minutos)');
figure
for(i=1:15)
subplot(15,1,i);
plot(h,x2(i,:));
hold on;
end
%title('Electrodos Segmento 3 (10 minutos)');
figure
for(i=1:15)
subplot(15,1,i);
plot(h,x3(i,:));
hold on;
end
Aqu se genera la grfica de la media de todos los
electrodos de una parte de 10 minutos:
for i=1:15
for j=1:599
y1 = x1(i,:);
z1(i,j) = median(y1(m+1:m+5000),2);
m=m+5000;
 end Fig3. Grfica original Preictal del Paciente1
subplot(15,1,i);
plot(h1,z1(i,:)); Grfica de la Media Por Electrodo:
hold on;
m=1;
end

Generamos la reduccin de la media total para poder

realizar las tablas comparativas:

%Reduccin de la media total para tablas

comparativas
i=1; for w=1:50: 28692
mediatotals2(i)=[ mean(mediatotals(w:100+w))];
i=i+1; end i=1; for w=1:50: 474
mediatotals3(i)=[ mean(mediatotals(w:100+w))];
i=i+1; end
mediafianal=mean(mediatotals3); %Finalmente se
obtiene una media
Obtenemos la desviacin estndar promedio solo
agregamos una instruccin al cdigo de la media :

for i=1:15
for j=1:599
y1 = x1(i,:);
z1(i,j) = median(y1(m+1:m+5000),2);
w1(i,j) = std(y1(m+1:m+5000),z(i,j),2);
m=m+5000;
end
subplot(15,1,i);
plot(h1,z1(i,:));
hold on;
m=1;
end

IV. RESULTADOS
Grfica de la Media Total:
Paciente 1:

Interictal:
Grfica original (Ejemplo):

Fig4. Grfica de la media Preictal del paciente 1

Grfica de la desviacin estndar:

Fig 5. Grfica de la desviacin estndar Preictal del
paciente 1
Fig 8. Grfica de la desviacin estndar Interictal del
paciente 1
Interictal:
Paciente 2:
Grfica Original:
Preictal:
Grfica original:

Fig6. Grfica original Interictal del Paciente1

Fig9. Grfica original Preictal del Paciente2

Grfica de la Media:

Grfica de la Media:

Fig10. Grfica de la media Preictal del paciente 2

Fig7. Grfica de la media interictal del paciente 1 Grfica de la desviacin estndar:

Grfica de la desviacin estndar:

Fig 11. Grfica de la desviacin estndar Preictal del Fig 14. Grfica de la desviacin estndar Interictal del
paciente 2 paciente 2

Interictal:
V. TABLAS COMPARATIVAS
Grfica Original:
Para stas predicciones es necesario comparar los valores
obtenidos mediante nuestras funciones y grficas
realizadas en MATLAB, para lo cual se realizaron las
tablas comparativas de dichos valores en Preictal e
Interictal.

Fig12. Grfica original Interictal del Paciente2

Grfica de la Media: TABLA 1. Valores comparativos de media y desviacin

estndar en Preictal de los pacientes 1 y 2

TABLA.2. Valores comparativos de media y desviacin

estndar en Interictal de los pacientes 1 y 2
Fig13. Grfica de la media interictal del paciente 2

Grfica de la desviacin estndar: VI. DISCUSIN DE PREDICCIN CORRECTA

Para generar la prediccin correcta me he basado en la

probabilidad de que los datos de los 16 electrodos
pertenezcan a la lectura al estado preictal e interictal
respectivamente, para ello se compara cada una de estas
medias parciales obtenidas anteriormente de la reduccin por
ventanas (10 elementos),con la media final para cada
paciente y cada estado.

De esta manera detallamos el cdigo de compilacin en

MATLAB aclarando el objetivo que realizan las variables o
comandos utilizados, tales como:
 errorfals=[]; toma los valores de error que no estn Paciente 2:
en la codicin de igual o menos 0.1 de error.
if error<=0.1 Se cumple la condicin de que el error
permitido es del 10%

Cdigo de MATLAB para la prediccin: .

errortotal=[];
errorfals=[];
for i=1:1:10
error=abs(mediafianal-
mediatotals3(i))/mediafianal;
if error<=0.1
errortotal(i)=error;
else errorfals(i)=error;
end
end
%Tiene una probabilidad de 2 casos de 10 es TABLA4.Valores de medias parciales y probabilidad
decir 20% de prediccin correcta - estado preictal del paciente 2.

Una vez determinado ste cdigo, el mismo ser repetido Interictal:

para cada paciente (1 y 2) en la etapa preictal tanto como para
la etapa interictal. Paciente 1:

De esta manera, una vez obtenidos los datos, se puede denotar

una probabilidad de prediccin correcta para cada paciente,
antes y durante el comportamiento convulsivo, en base a las
medias parciales (10 elementos) obtenidas anteriormente,
valores que se ven reflejados en las siguientes tablas:

Preictal:

Paciente 1:

TABLA6.Valores de medias parciales y probabilidad de

prediccin correcta - estado interictal del paciente 1.

Paciente 2:

TABLA3.Valores de medias parciales y probabilidad

de prediccin correcta - estado preictal del paciente 1.
TABLA7.Valores de medias parciales y probabilidad de
prediccin correcta - estado interictal del paciente 2.
VII. CONCLUSIONES
Se analizaron las etapas Preictal (antes de la
convulsin) e Interictal (durante la convulsin) para
determinar una prediccin de convulsiones de los
pacientes 1 y 2 respectivamente.
Las probabilidades del estado interictal para el
paciente 1 y 2 resultaron cero, esto debido a que el
margen de error permitido es del 10%, y los errores
superaban ese margen, dentro de la media reducida
de 10 elementos, por ventanas ,que tomamos como
base para comparar.
Los valores de las desviaciones estndar se ubicaron
dentro de 20 y 30 aproximadamente, es decir los
datos tanto para el estado preictal e interictal estaba
dispersos con una diferencia pequea de 10, con
respecto a las diferencias observadas entre las
medias.
Las medias colocadas en las tablas fueron obtenidas
mediante reducciones sucesivas por medio de
ventanas y tienen diferencias grandes entre ellas de
hasta 96%, es decir que la medias entre cada
paciente en el mismo estado varan bastante.
Los datos de los pacientes para ambos estados son
muy variantes y resultan difciles predecir de
manera certera cierta decisin sobre valores
inestables.
Mediante el anlisis de las seales de este tipo,
podemos conocer sobre el comportamiento de estas
variables y aunque se obtuvieron los valores de las
medias y desviaciones estndar de cada paciente y
su respectivo estado, los datos nos indican que los
valores tienen una dispersin y variabilidad alta.
VIII. REFERENCIAS
[1] KAGGLE Contest, Seizure prediction, Obtenido
de: https://www.kaggle.com/c/melbourne-
university-seizure-prediction/
[2] BORJA, V, (2012), Herramientas
computacionales para la matemtica MATLAB:
Anlisis de datos. Obtenido de:
http://www.utm.mx/~vero0304/HCPM/33.Analisis
-datos.pdf
[3] PABN, H, (2010) , Probabilidad y estadstica
con Matlab para investigadores, Curso bsico,
Obtenido de: https://www.intranet.unicundo.edu.co

Los valores de las probabilidades de las

predicciones fueron en su mayora menores del
50%, esto no dice que es difcil predecir sobre datos
tan variables e inestables.