Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
Abstracto—El uso de dispositivos de monitoreo podría ayudar a evitar lesiones e logró un 76,84 % de sensibilidad (SEN) y un 97,28 % de precisión (ACU) para el
incluso la muerte. Actualmente, los sensores portátiles, como los sensores de caso general y logró un 94,57 % de SEN y un 91,37 % de ACU para el caso
movimiento y otros sensores, se utilizan para detectar cuando el paciente está nocturno. Estos resultados indican que este brazalete puede capturar
teniendo una convulsión y alarmar a sus cuidadores. Sin embargo, la fase de convulsiones de manera eficiente, y nuestro TLEM propuesto tiene SEN y ACU
desarrollo de estos dispositivos requiere un trabajo intensivo en el etiquetado de más altos que los modelos de aprendizaje automático de una sola capa.
los datos recopilados, lo que genera dificultades en el desarrollo de dispositivos de
Términos del Índice—Acelerómetro (ACM), epilepsia, giroscopio, aprendizaje
monitoreo portátiles. Por lo tanto, se necesita un método auxiliar más
automático, sensor motor, detección de convulsiones, procesamiento de señales,
automatizado para etiquetar los datos de las incautaciones y un dispositivo portátil
dispositivo portátil.
para detectar las incautaciones para el uso de monitoreo diario. Recolectamos
datos de epilépticos fuera del hospital con nuestro brazalete propuesto. Se les pidió
a los sujetos que presionaran el botón de marcar después de tener convulsiones.
yo yoNTRODUCCIÓN
A
También presentamos un algoritmo de extracción y anotación automática de
SEGÚN el informe de la Organización Mundial de la Salud, hay
segmentos móviles (EAMS) para excluir segmentos inmóviles. Entonces, utilizamos
alrededor de 50 millones (7‰) de epilépticos en todo el mundo,
un modelo de conjunto de dos capas (TLEM) utilizando métodos de aprendizaje
automático para clasificar los segmentos móviles convulsivos y no convulsivos, que según los cuales la población de epilépticos en China sería de más de 9
fue diseñado para manejar un conjunto de datos desequilibrado. Luego, millones y está creciendo a un ritmo de 400 000 cada año [1]. Los
construimos dos modelos TLEM individuales por separado para el caso de detección epilépticos enfrentan muchos riesgos posibles, que incluyen lesiones e
de convulsiones general (todo el día y la noche) y el caso de detección de
incluso muerte súbita inesperada en epilepsia (SUDEP), con una tasa de
convulsiones nocturnas, debido al diferente desequilibrio de estos conjuntos de
muerte súbita de dos a cuatro veces mayor que las personas sanas [2].
datos. El algoritmo EAMS excluye el 93,9 % de los datos inactivos sin procesar. El
modelo TLEM Están en riesgo de convulsiones aleatorias durante mucho tiempo,
incluso de por vida.
Manuscrito recibido el 11 de noviembre de 2021; revisado el 29 de marzo de 2022;
Hasta la fecha, la patogenia de SUDEP no está clara y SUDEP
aceptado el 13 de abril de 2022. Fecha de publicación 11 de mayo de 2022; fecha de la
versión actual 19 de mayo de 2022. El trabajo fue apoyado en parte por la Alianza de la tiene muchos posibles factores relacionados. La medicación
Organización Internacional de la Ciencia bajo la subvención ANSO-CR-SP-2020-04 puede ayudar a alrededor del 70 % de los epilépticos, pero
(2020000147) y en parte por la Fundación de Ciencias Naturales de China bajo la
para el 30 % restante [3], no es eficaz. La mayoría de las
subvención 12026607. El Editor Asociado que coordinó el proceso de revisión fue el Dr.
Fabricio Guimaraes Baptista.(Autores correspondientes: Lei Chen; Yunfeng Wang.) muertes súbitas ocurrieron después de convulsiones tónico-
clónicas generalizadas (GTCS) [4]. Además, el riesgo de SUDEP
Chunjiao Dong pertenece al Instituto de Microelectrónica de la Academia de aumenta con la frecuencia de GTCS en los pacientes. La
Ciencias de China (IMECAS) y al Departamento de Ingeniería Electrónica y Eléctrica
de la Comunicación de la Universidad de la Academia de Ciencias de China (UCAS), Academia Estadounidense de Neurología y la Sociedad
Beijing 100049, China (correo electrónico: dongchunjiao@ime.ac .cn ; Estadounidense de Epilepsia publicaron el "Resumen de la guía
C.Dong95@hotmail.com ). de práctica: tasas de incidencia y factores de riesgo de SUDEP"
Tianchun Ye, Xiwen Liao y Yunfeng Wang trabajan en el Instituto de
Microelectrónica de la Academia de Ciencias de China (IMECAS), Beijing en 2017, y anunciaron que el uso de equipos de monitoreo
100029, China (correo electrónico: yetianchun@ime.ac.cn ; puede alertar a los cuidadores para que tomen las medidas
liaoxiwen@ime.ac.cn ; wangyunfeng@ime.ac.cn ). adecuadas, y esto podría ayudar a reducir la disfunción
Xi Long, Ronald M. Aarts y Johannes P. van Dijk trabajan en el Departamento de
Ingeniería Eléctrica de la Universidad Tecnológica de Eindhoven, 5612 AZ respiratoria y hipoxemia [5] del paciente. Las convulsiones
Eindhoven, Países Bajos (correo electrónico: X.Long@tue.nl; RMAarts @ tue . nl ; epilépticas, especialmente las convulsiones que ocurrieron
JPvDijk@tue.nl ). durante la noche, corren un grave riesgo de que los cuidadores
Chunheng Shang trabajaba en el Instituto de Microelectrónica de la Academia
China de Ciencias (IMECAS), Beijing 100029, China. Ahora trabaja en Beijing las pasen por alto.
Shunyuan Kaihua Technology, Beijing 100036, China (correo electrónico: La monitorización por videoelectroencefalografía (VEM) es el estándar de
shangchunheng@zepp.com ). oro para la monitorización de las crisis epilépticas [6]. Lahmiri y Shmuel [7]
Wei Chen trabaja en el Centro de Electrónica Médica Inteligente, Departamento de
Ingeniería Electrónica, Escuela de Ciencia y Tecnología de la Información, Universidad de propusieron una herramienta de diagnóstico asistida por computadora para
Fudan, Shanghái 200433, China (correo electrónico: w_chen@fudan.edu.cn ) . ayudar a respaldar una decisión en aplicaciones clínicas. Extrajeron los
Wanlin Lai y Lei Chen trabajan en el Departamento de Neurología, Hospital de China
exponentes de Hurst en diferentes escalas y construyeron un modelo de K
Occidental, Universidad de Sichuan, Chengdu 610041, China (correo electrónico:
laiwl93@163.com ; leilei_25@126.com ). vecinos más cercanos (KNN) para detectar automáticamente las
Identificador de objeto digital 10.1109/TIM.2022.3173270 convulsiones en la señal del electroencefalograma (EEG). Kołodziejet al.[8]
1557-9662 © 2022 IEEE. Se permite el uso personal, pero la republicación/redistribución requiere el permiso de IEEE.
Consulte https://www.ieee.org/publications/rights/index.html para obtener más información.
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
4005013 TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022
desarrolló un algoritmo de detección de convulsiones y picos basado por el sujeto durante/después de tener convulsiones. Dichos marcadores
en la duración y amplitud de los picos buscados. Sin embargo, sería electrónicos, que se registraron en los datos de monitoreo sin procesar, podrían
necesario un dispositivo [7], [8] con cables para VEM, que es incómodo proporcionar registros más confiables de los tiempos de las convulsiones que los
para los epilépticos. El uso de VEM también requiere personal cuadernos escritos a mano de los pacientes o las grabaciones de teléfonos
capacitado para colocar los electrodos en el área específica. En móviles. Luego diseñamos un método automático para extraer los segmentos de
consecuencia, VEM no es un método de monitorización adecuado para datos de incautaciones de acuerdo con estas anotaciones.
la atención diaria fuera del hospital. Se han investigado métodos estadísticos y métodos de clasificación
Además de la instrumentación y las mediciones de registro de de aprendizaje automático en el campo de detección de ataques
EEG y electrocorticografía, los sistemas portátiles de detección de epilépticos, con posibles aplicaciones clínicas, como el método de valor
convulsiones no EEG se centran en el uso de diferentes umbral, el modelo KNN [10] y el modelo de máquina de vector de
modalidades o métodos de detección, como el acelerómetro (ACM) soporte (SVM) [11]. Cuppenset al.[13], Conradsenet al.[29], y Lucaset al.[
[9]–[14], la electromiografía (EMG) [15], [16], fotopletismografía 30] utilizó el método del valor umbral para clasificar las convulsiones.
(PPG) [17], [18] y electrocardiograma (ECG) [19], [20]. El método o Establecen el valor umbral observando los datos. Sin embargo, este es
combinación de métodos más apropiados para la detección de un método que requiere mucha mano de obra, porque tiene que
convulsiones depende del tipo de convulsión [21]. Por ejemplo, la establecer diferentes umbrales para diferentes sujetos, y no es un
combinación de ACM y sensores de actividad electrodérmica no método ideal para extenderlo a todos los epilépticos convulsivos.
solo podría detectar GTCS, sino que también podría cuantificar la Borujenyet al.[10] utilizó el modelo KNN y redes neuronales artificiales
disfunción autonómica causada por las convulsiones [22]. para detectar convulsiones de tres pacientes, que lograron una
sensibilidad del 85 % (SEN), y el modelo KNN funcionó mejor. También
Como estudio preliminar, utilizamos un ACM para comenzar afirmaron que si al menos el 50 % del conjunto de datos fueran
nuestra investigación, porque es la forma más directa de muestras de incautaciones, el sistema podría detectar la incautación
detectar las convulsiones graves. Existen principalmente dos con mayor precisión, lo que ilustró que el modelo KNN no podía
tipos de ataques epilépticos: ataques convulsivos y ataques no abordar este problema de detección de incautaciones de conjuntos de
convulsivos, de los cuales el primero contribuye a la mayoría de datos desequilibrados. Kusmakaret al.[11] usó SVM kernalizada para
los accidentes asociados con ataques, incluyendo lesiones, detectar ataques convulsivos. Aunque detectaron 40 de 46
asfixia y SUDEP [4]. Los movimientos son los caracteres más convulsiones, se produjo una tasa de falsa alarma (FAR) de 1,16/24 h, y
directos de la detección de convulsiones motoras, y es la el sistema se desarrolló y probó en datos recopilados en un entorno
primera opción de todos los métodos de detección de hospitalario. Johanssonet al.[31] compararon el rendimiento de los
convulsiones no EEG ampliamente utilizados en las clínicas modelos KNN, SVM y Random Forest (RF), y todos los modelos lograron
[23]. Los sensores ACM montados en los brazos y las piernas una alta sensibilidad para detectar convulsiones tónico-clónicas. SVM y
pueden detectar estos movimientos, que son menos invasivos RF tenían una SEN del 90 %, KNN tenía una SEN del 100 % y RF tenía la
para los pacientes en comparación con otros métodos de tasa de falsos positivos (FP) más baja, lo que se debe a la capacidad de
detección de convulsiones que no son EEG [23]. Sin embargo, manejar conjuntos de datos desequilibrados.
no existe un único dispositivo de detección que pueda detectar
todo tipo de convulsiones, Sin embargo, todos estos métodos mencionados se basan en la
Los métodos normales de recopilación de datos motores utilizados en estas investigaciones suposición de que el número de ataques epilépticos está en equilibrio
[9], [11], [12], [25], [26] consisten en recopilar datos en un hospital donde el paciente usa con el número de movimientos normales, lo que no es el caso en la
dispositivos de detección de motores y se somete mientras tanto a VEM. Aunque el estándar de práctica. En consecuencia, una técnica que pueda superar el
oro para la monitorización de la epilepsia es el VEM, no es adecuado para la monitorización desequilibrio del conjunto de datos sería más adecuada para la
diaria, ya que el paciente estaría limitado a estar equipado con el VEM durante todo el día en el detección de convulsiones basada en datos del motor. Por ejemplo, el
hospital, lo que significa que los datos recopilados solo contienen los movimientos que realiza el rendimiento del modelo de RF en datos desequilibrados se confirmó en
paciente. está haciendo actividades discretas en el interior. Por otro lado, etiquetar los datos de Khoshgoftaaret al.'s [32] estudio. Utilizaron diez conjuntos de datos
las convulsiones de acuerdo con los registros de EEG podría ser un trabajo costoso y lento, y un desequilibrados diferentes para entrenar y probar el modelo de RF y
método de anotación de datos de monitoreo automático sin supervisión médica podría ayudar otros modelos (KNN, SVM, Naive Bayes, etc.) y compararon el
con esta situación [27]. El uso de sensores de motor junto con grabaciones de video podría rendimiento de estos modelos. Los resultados mostraron que el
resolver el problema de recopilar recuentos de incautaciones, y este método es más preciso que modelo RF tuvo el mejor rendimiento en precisión (ACU) al seleccionar
el autoinforme de los pacientes [28] tomando notas escritas a mano. Para fines de privacidad del el número adecuado de árboles y características para cada árbol. RF se
paciente, otra forma de grabación electrónica además de la grabación de video puede ayudar a beneficia de la aleatoriedad en cada clasificador de árbol y por su
registrar eventos, como agregar el tiempo de convulsión registrado por el paciente a los datos de robustez.
aceleración monitoreada (ACC) en tiempo real. En esta investigación, ilustramos un método de En nuestro trabajo anterior [33], presentamos un sistema para detectar y
registro de movimiento basado en el hogar agregando un botón de marca (los detalles se clasificar ataques convulsivos y movimientos normales usando un solo
presentarán más adelante) en nuestro brazalete. Este botón de marca ayudaría a anotar cada modelo de RF, que podría ignorar los efectos del conjunto de datos
incautación ilustramos un método de registro de movimiento basado en el hogar agregando un desequilibrado. Aunque este sistema logró un 75,92 % de SEN para la
botón de marca (los detalles se presentarán más adelante) en nuestro brazalete. Este botón de detección de convulsiones de 24 horas y un 88,01 % de SEN para la detección
marca ayudaría a anotar cada incautación ilustramos un método de registro de movimiento de convulsiones nocturnas, aún no estaba bien entrenado por completo
basado en el hogar agregando un botón de marca (los detalles se presentarán más adelante) en debido a la falta de suficientes datos de convulsiones.
nuestro brazalete. Este botón de marca ayudaría a anotar cada incautación En este último estudio, las principales novedades de este trabajo son las
siguientes.
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
POLLAet al.: MÉTODO DE CONJUNTO DE DOS CAPAS PARA LA DETECCIÓN DE CONVULSIONES EPILÉPTICAS UTILIZANDO UNA PULSERA DE AUTOANOTACIÓN 4005013
Fig. 1. Protocolo de nuestra investigación propuesta, que incluye tres pasos principales: recopilación de datos sin procesar, algoritmo de extracción y anotación de segmentos en
movimiento (EAMS) y un algoritmo TLEM que utiliza métodos de aprendizaje automático. StdAcct/EgAcct = desviación estándar/energía del ACC total en una ventana de tiempo.
II. METROATERALES YMETROÉTODOS Fig. 2. Esta pulsera inalámbrica tiene un botón de marca roja. (1) Panel frontal, los LED rojo y
verde muestran el estado de la pulsera, es decir, funciona/batería baja/almacenamiento bajo/
La figura 1 muestra el protocolo de nuestra investigación propuesta. cargando. (2) Placa electrónica, que incluye una unidad central de procesamiento (CPU), una
Después de que diseñamos el brazalete y recolectamos suficientes tarjeta SD, un sensor ACM, un sensor de giroscopio y un botón de marca. (3) Batería de polímero
de litio recargable, que admite más de 24 horas de trabajo.
datos para nuestra investigación en las Secciones II-A y II-B, existen
principalmente dos pasos para analizar los datos: 1)EMAS:
umbralización para excluir segmentos inmóviles y anotación de
movimiento ante la prensa como convulsión; la otra es cancelar una
segmentos convulsivos, que se ilustrarían en la Sección II-C. 2)TLEMA:
falsa alarma con una doble pulsación.
un enfoque de dos capas para clasificar los movimientos convulsivos y
no convulsivos, que se ilustrarían en las Secciones II-D y II-E. En la fase
A. Diseño de dispositivos
de desarrollo, los sujetos usarían el botón de marcar para ayudar a
anotar las convulsiones. En la fase de aplicación en nuestro futuro Implementamos el brazalete enfocado principalmente en una
estudio, el botón MARK tendría dos funciones; una es anotar las solución asequible, liviana y portátil con mayor comodidad para los
incautaciones faltantes presionando solo una vez después de la pacientes. Como se muestra en la Fig. 2, diseñamos un brazalete con
incautación, y esto ayudaría a que el brazalete reconozca el sistemas microelectromecánicos incorporados que incluye un 3-D
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
4005013 TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022
olvidaron de presionar el botón de marcar después de una convulsión, estas tres pasos para la anotación.
grabaciones nos ayudarían a encontrar el segmento de la convulsión. Los En cuanto a la fase de extracción, primero, la señal de datos ACC
especialistas del hospital verificaron la calidad de todos los datos recopilados total sin procesar (acct =(hacha2+sí2+Arizona2)1/2) es procesado por
y las marcas autoanotadas comparándolos con los registros de los sujetos. el filtro de paso bajo Butterworth de octavo orden con una
De esta manera, podemos recopilar más actividades diarias, como cepillarse frecuencia de corte de 35 Hz. Se sabe que la frecuencia de las
los dientes, caminar, jugar videojuegos, etc., que los métodos de contracciones musculares es inferior a 20 Hz [23]. En segundo
recopilación de datos del hospital. Presumiblemente, cuantos más tipos de lugar, se utiliza una ventana deslizante con una duración de 2 s y
movimientos cotidianos recopilemos, más práctica será la pulsera. una superposición de 1 s entre ventanas consecutivas para estimar
la desviación estándar (StdAcct) y la energía de tiempo corto
Este método de recopilación de datos permite recopilar datos de (EgAcct) de la señal ACC total filtrada. La desviación estándar
pacientes con diferentes actividades diarias, en lugar de hospitales con StdAcct se calcula mediante
√
actividades limitadas. Los expertos del hospital revisaron todas las ∑L( )2
anotaciones y los segmentos móviles extraídos por EAMS. Si el paciente i cuentai−cuentanorte
StdAcctnorte= (1)
presionó el botón varias veces durante/después de la L
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
POLLAet al.: MÉTODO DE CONJUNTO DE DOS CAPAS PARA LA DETECCIÓN DE CONVULSIONES EPILÉPTICAS UTILIZANDO UNA PULSERA DE AUTOANOTACIÓN 4005013
Figura 4.PAGvalores de las características extraídas. La línea azul muestraPAG=0.05. Las características conpag <0.05 se mantuvieron en este estudio. Las etiquetas de lo extraído se nombran como:
(eje del sensor)_(característica).
donde StdAcctnorterepresenta la desviación estándar en elnortela Los segmentos en movimiento varían de 15 a 500 s, y la distribución
ventana, yLrepresenta la longitud de los datos en una ventana de la longitud de los segmentos en movimiento se muestra en la Fig. 3.
deslizante.L=Ws×Fs,dóndeWses el tamaño de la ventana (Ws= 2s),Fs Hay algunos segmentos en movimiento que duran más de 20 s, porque
es la frecuencia de muestreo del sensor, y cuentanortees el se consideran dos segmentos adyacentes con intervalos de menos de
promedio de ACC en elnorteventana. La energía media a corto 10 s. como un segmento completo de convulsiones, lo que significa que
plazo EgAcct en elnortese calcula la ventana, tal que fusionamos dichos segmentos consecutivos de movimientos. Esos
largos segmentos en movimiento generalmente ocurren durante el día.
∑L
Por ejemplo, cuentanorte= (w(L)∗cuenta(i ))2 (2)
i D. Extracción y selección de características
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
4005013 TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022
utiliza el método de arranque, es decir, la técnica de remuestreo, para seleccionar aleatoriamente nortemuestras denortemuestras de
entrenamiento originales, ynorteLas muestras aquí se pueden repetir. Si repetimos esta operación parakveces, obtendremosknuevos
conjuntos de entrenamiento, y cada nuevo conjunto de entrenamiento tendránortemuestras En este estudio, aquí estánmetrotodo=
59 funciones en cada muestra, y el número máximo de funciones que se pueden usar en cada hoja se establece enmetrointentar(metro
TABLA I toda la muestra, elige características al azar y divide los árboles al azar. Cada árbol en ET se cultiva a partir de la muestra de
PAGARAMETROS DE LABPlaza bursátil norteamericana-LAYERMETROODELAS YMETROhora estimada de llegada-LAYERMETROODEL aprendizaje original en lugar de bootstrap, lo que aumenta la aleatoriedad del modelo y suprime el sobreajuste; sin embargo, esta
aleatoriedad podría conducir a un mayor sesgo. En este caso, su rendimiento es lo suficientemente bueno como para ser un alumno
básico en un modelo de conjunto de apilamiento de dos capas. GBDT es un método de iteración, que se compone de múltiples
árboles de decisión y utiliza CART como aprendices base. GBDT a menudo muestra un buen rendimiento para datos lineales
inseparables. ADB es un método que combina la decisión de clasificadores base individuales. Para obtener un mejor rendimiento,
durante el proceso de iteración, ADB aumenta los pesos de las muestras que se clasificaron incorrectamente y aumenta los pesos de
los clasificadores base que tienen una tasa de error más baja. ADB es también una estrategia de aprendizaje conjunto, propuesta
originalmente por Freund y Schapire [35]. En general, ADB ha demostrado un desempeño rápido y preciso en la clasificación.
Especialmente, establecemos el peso de las muestras positivas en cuatro y el de las muestras negativas en uno, porque asumimos
que los eventos positivos pronosticados falsos darían como resultado incautaciones faltantes, lo cual no es aceptable para un modelo
de detección de incautaciones. Para obtener un mejor rendimiento, durante el proceso de iteración, ADB aumenta los pesos de las
muestras que se clasificaron incorrectamente y aumenta los pesos de los clasificadores base que tienen una tasa de error más baja.
ADB es también una estrategia de aprendizaje conjunto, propuesta originalmente por Freund y Schapire [35]. En general, ADB ha
demostrado un desempeño rápido y preciso en la clasificación. Especialmente, establecemos el peso de las muestras positivas en
PAGvalor es inferior a 0,05, reconocemos que los valores propios
cuatro y el de las muestras negativas en uno, porque asumimos que los eventos positivos pronosticados falsos darían como resultado
extraídos difieren significativamente entre los movimientos convulsivos
incautaciones faltantes, lo cual no es aceptable para un modelo de detección de incautaciones. Para obtener un mejor rendimiento,
y no convulsivos. Todas las características conpag <0.05 se utilizaron
durante el proceso de iteración, ADB aumenta los pesos de las muestras que se clasificaron incorrectamente y aumenta los pesos de
para el modelado multivariado. Por último, excluimos 16 funciones no
los clasificadores base que tienen una tasa de error más baja. ADB es también una estrategia de aprendizaje conjunto, propuesta
importantes y mantuvimos 43 funciones útiles entre las 59 funciones
originalmente por Freund y Schapire [35]. En general, ADB ha demostrado un desempeño rápido y preciso en la clasificación.
que usan Python 3.5 y el módulo sklearn, como se muestra en la Fig. 4.
Especialmente, establecemos el peso de las muestras positivas en cuatro y el de las muestras negativas en uno, porque asumimos
Las cinco funciones más importantes en nuestro estudio son el iqr de
que los eventos positivos pronosticados falsos darían como resultado incautaciones faltantes, lo cual no es aceptable para un modelo
hacha,var dehacha,iqr degx,media de acct, y iqr desí.
de detección de incautaciones. propuesta originalmente por Freund y Schapire [35]. En general, ADB ha demostrado un desempeño
rápido y preciso en la clasificación. Especialmente, establecemos el peso de las muestras positivas en cuatro y el de las muestras
negativas en uno, porque asumimos que los eventos positivos pronosticados falsos darían como resultado incautaciones faltantes, lo
E. Estimación y validación del modelo cual no es aceptable para un modelo de detección de incautaciones. propuesta originalmente por Freund y Schapire [35]. En general,
En este paso, construimos un modelo de aprendizaje ADB ha demostrado un desempeño rápido y preciso en la clasificación. Especialmente, establecemos el peso de las muestras positivas
automático de conjunto de apilamiento de dos capas, en cuatro y el de las muestras negativas en uno, porque asumimos que los eventos positivos pronosticados falsos darían como resultado incautaciones faltantes
llamado TLEM, en el que Layer1 es la capa base y Layer2 Utilizamos muestras del 70 % para entrenar nuestro modelo
es la capa meta. Primero, se entrenaron individualmente propuesto, que son 7507 movimientos normales y 370 convulsiones
cuatro clasificadores en la Capa 1, y cada uno de ellos para el modelo general, y 562 movimientos normales y 222
tendría una única salida (convulsión o movimiento convulsiones para el modelo nocturno. Propusimos establecer dos
normal). En segundo lugar, usar las salidas de los modelos separados para dar cuenta de las diferentes proporciones de
clasificadores en la Capa 1 como entrada al clasificador movimientos normales y convulsiones que ocurren durante el día y la
de la Capa 2 para hacer la predicción final para clasificar noche. Para el paso de entrenamiento de ambos modelos, utilizamos
estos dos tipos de segmentos en movimiento un enfoque de validación cruzada de seis veces para validar el
(movimiento con convulsiones y movimiento sin rendimiento temporal. En este paso, el conjunto de datos de
convulsiones). El marco se muestra en el lado derecho entrenamiento se dividió en seis partes para la validación cruzada y, en
de la Fig. 5. Este marco de conjunto podría proporcionar cada iteración, se usaron cinco partes para entrenar el clasificador, y la
ventajas tales como una reducción en las tasas de FP y parte restante se usó para la validación, y los resultados se muestran
una mejor precisión, ya que superaría a todos los en la Fig. 6.
modelos individuales, Para evitar el sobreajuste durante el entrenamiento del modelo, es
Layer1 utiliza cuatro aprendices básicos: RF, árboles adicionales (ET), necesaria la validación del modelo. Usamos un valor Midscore para describir
árboles de decisión de aumento de gradiente (GBDT) y AdaBoost (ADB). el puntaje ACU promedio de capacitación y validación durante el modelo
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
POLLAet al.: MÉTODO DE CONJUNTO DE DOS CAPAS PARA LA DETECCIÓN DE CONVULSIONES EPILÉPTICAS UTILIZANDO UNA PULSERA DE AUTOANOTACIÓN 4005013
significartren+ estándartren
enfocamos más en la tasa de TP y la tasa de FP, y la FP podría causar un
Puntuación media = (4) daño más severo que la FP, porque la FN podría conducir a la ignorancia de
significarvalidación− estándarvalidación
las convulsiones y perder la oportunidad de alarmar a los cuidadores del
donde decirtreny mediavalidaciónson el ACU medio de entrenamiento y validación,
paciente para que ayuden. Establecimosβ= 2, lo que significa que la
respectivamente, mientras que stdtreny estándarvalidaciónson la desviación estándar
importancia de SEN es el doble que el PPV, y mayor Fβpuntuación significa
de las puntuaciones ACU de entrenamiento y validación, respectivamente. El
un mejor rendimiento.
Midscore alcanza el 97,31% para el modelo general y el 91,19% para el modelo
Entrenamos y probamos dos modelos individuales por separado para
nocturno. Tanto el modelo de detección de convulsiones generales como el
datos generales y datos nocturnos y usamos las métricas mencionadas
modelo de detección de convulsiones nocturnas adquieren resultados de
anteriormente para evaluar el rendimiento de estos modelos entrenados.
entrenamiento aceptables en este paso de validación del modelo.
tercero RRESULTADOS
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
4005013 TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022
de los cuales 806 eventos en movimiento sin convulsiones (5,8 h) y 314 (2,4 h)
Fig. 8. Horas de registro de datos, de las cuales el 93,9% son datos sin movimiento, el 5,9% son
convulsiones ocurrieron durante la noche.
datos sin movimiento y solo el 0,2% son datos con movimiento.
Los resultados mostraron que el modelo TLEM tiene mejor
desempeño en ACU, SEN yFβpuntuación que el uso de modelos de una
capa, lo que indica que el uso de nuestro método de conjunto
Se excluyeron segmentos, y estos segmentos inmóviles se excluyeron propuesto podría mejorar el rendimiento. Para comparar el
totalmente si era demasiado largo (>10 s), o no excluido si fue una rendimiento de un solo modelo y el rendimiento de nuestro modelo de
parada breve (<10 s) entre segmentos en movimiento de larga conjunto propuesto, entrenamos cada modelo individual usando el
duración. La línea azul resaltó el momento en que el sujeto presionó el mismo método que entrenamos el modelo de conjunto. Los
botón de marcar. Sin embargo, puede haber varias convulsiones clasificadores capacitados también harían predicciones sobre el
(menos de dos veces en un día) que no se anotaron correctamente, conjunto de datos de prueba. Utilizamos una matriz de confusión para
principalmente porque el paciente no presionó el botón de marcar a describir el rendimiento de nuestro TLEM propuesto y otros modelos
tiempo después de la convulsión, o puede haber algunos movimientos individuales, como se muestra en la Fig. 9.
inestables antes de que se presione el botón. En estas circunstancias, el Utilizamos un total de 30% de muestras (3200 eventos sin convulsiones y 177
movimiento adicional se reconocería como un ataque, por lo que convulsiones) para probar la detección general de convulsiones del modelo de
verificaríamos y eliminaríamos las etiquetas incorrectas y volveríamos a clasificación de conjunto de dos capas entrenado. Al mismo tiempo, utilizamos
etiquetar el evento de ataque correcto. De esta forma, se conservan muestras nocturnas del 30% (244 eventos sin convulsiones y 92 convulsiones) para
todos los eventos de convulsiones y eventos de movimiento normales, el modelo de convulsiones nocturnas.
y se excluyen los datos sin eventos de movimiento (datos inactivos). Los resultados de la prueba para la detección general de convulsiones
Como se muestra en la Fig. 8, excluimos el 93,9 % de los datos inactivos muestran que se detectaron un total de 136 de 177 eventos convulsivos
a través de este método de detección y anotación automatizados. (media SEN 76,84%) eventos convulsivos, y 3149 (98,41%) de 3200 eventos
sin convulsiones se clasificaron correctamente con un FAR de 0,98/ 24 h (51
En total, hemos extraído 10 707 (con una duración de 241,6 h) eventos en falsas alarmas de siete pacientes), y elFβla puntuación llega a 0,7598. Por la
movimiento sin convulsiones y 547 (5,5 h) eventos convulsivos, entre noche, el modelo propuesto basado en recogidas en casa
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
POLLAet al.: MÉTODO DE CONJUNTO DE DOS CAPAS PARA LA DETECCIÓN DE CONVULSIONES EPILÉPTICAS UTILIZANDO UNA PULSERA DE AUTOANOTACIÓN 4005013
TABLA II nuestro futuro estudio. Sin embargo, hay varias anotaciones erróneas
PAGRENDIMIENTO DEmiCCASINGLÉSCLASIFICADOR Y ELPAGROPUESTOTLEM durante el paso de marcado, que se debe principalmente a que los sujetos
CLASIFICADOR
se olvidaron de presionar el botón después de la convulsión o se produjo
una exanimación después de la convulsión. Esta situación ocurrió menos de
una vez al día, por lo que no causará muchos errores de anotación. En este
caso, volveríamos a verificar los datos de acuerdo con los registros lácteos
del sujeto y volveríamos a etiquetar ese segmento en movimiento como un
evento de convulsión. Por otro lado, si las marcas duplicadas ocurrieron en
poco tiempo (<5 s), quitaríamos la marca posterior manualmente.
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
4005013 TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022
TABLA III
CCOMPARACIÓN DEOURPAGROPUESTOAENFOQUEWITHOEL RSINGLÉS-SENSOR-BASEDSCONVERSIÓNDETECCIÓNSYSTEM
modelo de detección. Establecimos el peso de las muestras de incautación en no es claramente visible en las señales ACM y ANG. Además de un solo tipo de detección de ataques epilépticos, la
cuatro veces el de las muestras de movimiento normal, y aumentar el peso de las clasificación de los tipos de ataques es más desafiante debido al número limitado de múltiples tipos de datos de
muestras de incautación conducirá a una tasa de TP más alta y, ataques y sujetos. La medición de la EMG y otras señales podría ser útil para incluir más tipos de convulsiones. EMG no
desafortunadamente, a una tasa de FP más alta. mide ningún movimiento directamente, pero ilustra los tonos musculares en las contracciones tónicas, por lo que el
Como se muestra en la Tabla II y la Fig. 9, en comparación con el modelo uso de sensores ACM y EMG podría incluir el tipo de convulsión tónica [16] en nuestro sistema de detección de
de clasificación de una sola capa, en primer lugar, nuestro modelo de convulsiones propuesto. Además de los dispositivos portátiles, los sensores sin contacto permiten que el sujeto no use
clasificación de conjuntos diseñado tiene un SEN de 76,84 %, lo que elevó en ningún dispositivo mientras aún está bajo detección, y nuestro grupo ha diseñado un dispositivo de detección de
un 55,15 % como máximo el rendimiento de la clasificación única para el frecuencia cardíaca y frecuencia respiratoria basado en radar [37] para usar por la noche mientras el sujeto estaba
modelo general, y tiene un SEN del 94,57%, lo que elevó en un 22,99% como sueño, con el objetivo de evitar la noche SUDEP. Además, este radar nocturno fue diseñado como un método sin
máximo el rendimiento de la clasificación única para el modelo nocturno. El contacto, lo que significa que el sujeto no tiene que usar ningún dispositivo mientras duerme. En nuestro estudio
rendimiento de usar simplemente clasificadores individuales no es tan futuro, utilizaríamos este radar sin contacto para detectar convulsiones por la noche. Y en nuestro estudio adicional,
bueno como nuestro método propuesto, que tenía una complejidad de usaríamos dispositivos portátiles de monitoreo de PPG, EMG y ECG para promover más tipos de convulsiones, como
fusión baja y alcanzó un mejor rendimiento. Solo hubo cinco convulsiones convulsiones no convulsivas. La primera versión de nuestro dispositivo propuesto solo tiene sensores de motor, y la
que no se detectaron debido a que el brazo del sujeto, que llevaba el frecuencia cardíaca se integrará en el futuro, y planeamos realizar un estudio que integre los datos de la frecuencia
brazalete, estaba sostenido por sí mismo y no podía moverse libremente. cardíaca. El uso de la combinación de la frecuencia cardíaca con los datos del motor (p. ej., ACM) puede mejorar el
Esto ilustra que este modelo de clasificación de conjunto de dos capas rendimiento de la detección [38]. Y en nuestro estudio adicional, usaríamos dispositivos portátiles de monitoreo de
podría detectar más eventos de convulsiones mientras mantiene un FAR PPG, EMG y ECG para promover más tipos de convulsiones, como convulsiones no convulsivas. La primera versión de
bajo. nuestro dispositivo propuesto solo tiene sensores de motor, y la frecuencia cardíaca se integrará en el futuro, y
Como se muestra en la Tabla III, en comparación con otros estudios, planeamos realizar un estudio que integre los datos de la frecuencia cardíaca. El uso de la combinación de la frecuencia
recopilamos más eventos de convulsiones en un entorno doméstico de cardíaca con los datos del motor (p. ej., ACM) puede mejorar el rendimiento de la detección [38]. Y en nuestro estudio
vida libre en comparación con el estudio de, por ejemplo, Nijsenet al.[ adicional, usaríamos dispositivos portátiles de monitoreo de PPG, EMG y ECG para promover más tipos de
14] realizado en un hospital con solo 153 convulsiones incluidas, convulsiones, como convulsiones no convulsivas. La primera versión de nuestro dispositivo propuesto solo tiene
mientras que otros estudios mencionados tienen aún menos registros. sensores de motor, y la frecuencia cardíaca se integrará en el futuro, y planeamos realizar un estudio que integre los
En otras palabras, se espera que nuestro estudio brinde resultados más datos de la frecuencia cardíaca. El uso de la combinación de la frecuencia cardíaca con los datos del motor (p. ej., ACM)
convincentes, ya que se entrenó y probó en un conjunto de datos más puede mejorar el rendimiento de la detección [38].
grande con más modalidades de datos. Sin embargo, esto también Otra limitación de este estudio es que la mayoría de los sujetos tuvieron
podría conducir a un SEN más bajo durante el día, porque se incluyen diferentes números de convulsiones, incluso algunos con solo unas pocas
más actividades diarias en el conjunto de datos. El SEN de nuestro convulsiones. Por lo tanto, el enfoque de "dejar a los pacientes fuera" causaría una
enfoque en la noche es el más alto entre todos los estudios (según el clara limitación en el entrenamiento del modelo, lo que probablemente podría
conocimiento de los autores), y el SEN en el día sería más bajo, porque conducir a sesgar el modelo hacia los pacientes que dominan el número de
muchas otras actividades diarias (por ejemplo, hacer deporte o trabajar convulsiones. En la aplicación real para adoptar nuestro modelo, potencialmente
en casa) eran incluido en el conjunto de datos. Esto conduciría a una podríamos pedir a los usuarios que presionen botones para marcar sus
mayor posibilidad de desafíos para distinguir los movimientos incautaciones en una fase temprana, y esos datos marcados se pueden usar para
convulsivos de todos los demás movimientos diarios. Consideramos entrenar un modelo usando nuestro algoritmo propuesto. Sin embargo,
que tener un SEN relativamente bajo podría ser aceptable (cuando nos deberíamos incluir más pacientes con más eventos de convulsiones en el futuro
ocupamos de la compensación entre FAR y SEN), porque, como se para desarrollar un algoritmo "independiente del paciente", donde no se usaron
observó consistentemente, SUDEP ocurre más durante la noche y muy datos del mismo paciente para el entrenamiento y la prueba.
temprano en la mañana que durante el día [36]. Sin embargo, el trabajo
futuro debe centrarse en el desafío de clasificar los movimientos
convulsivos y los movimientos causados por otras actividades diarias. VCONCLUSIÓN
En este estudio, diseñamos una pulsera con sensores de motor para ayudar a
Una limitación de este estudio es que los sensores motores solo monitorear epilépticos en el hogar, lo que ayuda a ahorrar costos de mano de
pueden detectar ataques convulsivos, porque algunos ataques son obra. El botón de marca de autoanotación podría ayudar a mejorar
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
POLLAet al.: MÉTODO DE CONJUNTO DE DOS CAPAS PARA LA DETECCIÓN DE CONVULSIONES EPILÉPTICAS UTILIZANDO UNA PULSERA DE AUTOANOTACIÓN 4005013
la eficiencia del etiquetado de datos. Para ampliar, este botón de marca [11] S. Kusmakar, CK Karmakar, B. Yan, TJ O'Brien, R. Muthuganapathy y M.
podría usarse para mejorar la ACU del algoritmo de detección. Este Palaniswami, "Detección automática de ataques convulsivos mediante un
dispositivo de acelerómetro portátil"Trans. IEEE. biomedicina Ing., vol. 66,
dispositivo propuesto es capaz de detectar ataques de tipo convulsivo núm. 2, págs. 421–432, febrero de 2019.
que duran más de 15 s. [12] K. Cuppenset al., “Monitorización domiciliaria basada en acelerometría para la detección de
convulsiones hipermotoras nocturnas basada en la detección de novedades”IEEE J.
Propusimos dos algoritmos principales en este estudio; uno es el
Biomédica. Informat. Salud, vol. 18, núm. 3, págs. 33–1026, 2014.
método de selección automática de datos activos, a saber, el algoritmo [13] K. Cuppens, L. Lagae, B. Ceulemans, S. Van Huffel y B. Vanrumste, "Detección
EAMS, y el otro es el método de clasificación de conjuntos de dos capas, de convulsiones nocturnas del lóbulo frontal en pacientes pediátricos
a saber, el algoritmo TLEM. El método de selección propuesto ayuda a mediante acelerómetros: un primer estudio", enproc. año En t. Conf. Ing.
IEEE Medicina. Biol. Soc., Minneapolis, MIN, EE. UU., septiembre de 2009,
descartar más del 90% de los datos inactivos para acelerar el siguiente págs. 6608–6611.
paso de análisis y clasificación de datos. También encontramos la [14] TME Nijsen, RM Aarts, PJ Cluitmans y
PAM Griep, "Análisis de frecuencia de tiempo de datos de acelerometría para la detección
cantidad adecuada para que el modelo propuesto obtenga el mejor
de convulsiones mioclónicas"Trans. IEEE. información Tecnología biomedicina, vol. 14,
rendimiento. El método de clasificación propuesto está bien entrenado núm. 5, págs. 1197–1203, septiembre de 2010.
en 6000 muestras y 650 muestras para modelos generales y nocturnos [15] S. Beniczky, I. Conradsen y P. Wolf, "Detección de ataques convulsivos
individualmente, y se valida en datos recopilados de pacientes que mediante electromiografía de superficie"epilepsia, vol. 59, págs. 23–29, junio
de 2018.
usan las pulseras que diseñamos. La clasificación de dos capas [16] I. Conradsen, S. Beniczky, P. Wolf, J. Henriksen, T. Sams y
propuesta es capaz de manejar el conjunto de datos desequilibrado HBD Sorensen, “Detección del inicio de convulsiones basada en un sistema
mientras combina los beneficios de los alumnos básicos de la primera inteligente de adquisición de convulsiones uni o multimodal (UISA/MISA)”, enproc.
año En t. Conf. Ing. IEEE Medicina. Biol., agosto de 2010.
capa y alcanza un rendimiento mejorado. El modelo detectó 136 (76. [17] J. van Andel, C. Ungureanu, R. Aarts, F. Leijten y J. Arends, "Uso de la
83%) de 177 convulsiones en total, en las que se reconocen 87 (94,57%) fotopletismografía en el control de la frecuencia cardíaca de pacientes con
epilepsia".Comportamiento de la epilepsia., vol. 45, págs. 142 a 145, abril de 2015.
de 92 convulsiones nocturnas. En comparación con los modelos de
[18] S. Singh, M. Kozlowski, I. García-López, Z. Jiang y
clasificación simple, el modelo de clasificación de conjunto de dos capas E. Rodriguez-Villegas, "Prueba de concepto de un novedoso sistema PPG
propuesto muestra la viabilidad de la detección automática de ataques portátil situado en el cuello para monitoreo fisiológico continuo"Trans. IEEE.
convulsivos. Tanto el modelo general como el nocturno han alcanzado instrumento medida, vol. 70, págs. 1 a 9, 2021.
[19] A. van Westrhenen, T. De Cooman, RHC Lazeron, S. Van Huffel y
el mejor rendimiento según el enfoque propuesto con el tamaño del RD Thijs, "Cambios autonómicos ictales como herramienta para la detección de
conjunto de datos con 6500 y 650 muestras individualmente. convulsiones: una revisión sistemática"clin. Res. Autonómica, vol. 29, núm. 2, págs. 161 a
181, abril de 2019.
[20] J.Jeppesenet al., "Detección de convulsiones basada en la variabilidad de la frecuencia
En conclusión, los resultados sugieren que este estudio se puede utilizar cardíaca mediante un dispositivo de electrocardiografía portátil"epilepsia, vol. 60, núm. 10,
para la detección automatizada de convulsiones basada en métodos de págs. 2105–2113, octubre de 2019.
recolección en el hogar con datos ACM y ANG y se espera que contribuya a [21] K. Vandecasteeleet al., “Detección automatizada de ataques epilépticos basada en
ECG y PPG portátiles en un entorno hospitalario”Sensores, vol. 17, núm. 10, pág.
un sistema portátil completo de detección de convulsiones multisensor. 2338, octubre de 2017.
[22] G. Regalia, F. Onorati, M. Lai, C. Caborni y RW Picard, "Dispositivos de muñeca
multimodales para la detección de convulsiones y el avance de la investigación:
enfoque en las pulseras empatica"Epilepsia Res., vol. 153, págs. 79–82, julio de
RFERENCIAS 2019.
[23] JBAM Arends, “Detección de convulsiones basada en el movimiento”,epilepsia, vol.
[1] L. Chang, “Progreso en la investigación epidemiológica de la epilepsia en 59, págs. 30 a 35, junio de 2018.
China”,J. Int. Neurol. neurocirugía, vol. 39, núm. 2, págs. 161 a 164, 2012. [24] J. Arendset al., “Detección de convulsiones nocturnas multimodales en un entorno de atención
[2] A. Neligan, GS Bell, SD Shorvon y JW Sander, "Tendencias temporales en la residencial,”Neurología, vol. 91, núm. 21, págs. e2010–e2019, noviembre de 2018.
mortalidad de las personas con epilepsia: una revisión"epilepsia, vol. 51, [25] U. Kramer, S. Kipervasser, A. Shlitner y R. Kuzniecky, "Un novedoso sistema de
núm. 11, págs. 2241–2246, noviembre de 2010. alarma portátil para la detección de convulsiones: resultados preliminares"J. Clin.
[3] J. van Andel, RD Thijs, A. de Weerd, J. Arends y F. Leijten, "Detección de convulsiones Neurofisiol., vol. 28, núm. 1, págs. 8 a 36, 2011.
ambulatorias no basadas en EEG diseñada para uso doméstico: ¿Qué hay disponible y [26] J. Lockman, RS Fisher y DM Olson, "Detección de movimientos similares a convulsiones
cómo influirá en la atención de la epilepsia?"Comportamiento de la epilepsia., vol. 57, mediante un acelerómetro de muñeca"Comportamiento de la epilepsia., vol. 20, núm. 4,
págs. 82–89, abril de 2016. págs. 638–641, abril de 2011.
[4] T. Tomson, T. Walczak, M. Sillanpaa y JWAS Sander, "Muerte súbita inesperada en la [27] D. Pascual, A. Aminifar, and D. Atienza, “Una metodología de autoaprendizaje para la
epilepsia: una revisión de la incidencia y los factores de riesgo" epilepsia, vol. 46, detección de ataques epilépticos con etiquetado de bordes mínimamente supervisado,”
núm. 11, págs. 54–61, diciembre de 2005. enproc. Diseño, Autom. prueba euros Conf. Exhibición (FECHA), marzo de 2019,
[5] C. Endureceret al., “Resumen de la guía de práctica: Muerte súbita inesperada en las tasas de págs. 764–769.
incidencia y factores de riesgo de la epilepsia,”Neurología, vol. 88, núm. 17, págs. 1674– [28] J. Bidwell, T. Khuwatsamrit, B. Askew, JA Ehrenberg y S. Helmers, "Tecnologías de notificación
1680, abril de 2017. de convulsiones para el tratamiento de la epilepsia: una revisión de las necesidades de
[6] GD Cascino, "Indicaciones clínicas y rendimiento diagnóstico de la monitorización información clínica y las tecnologías de apoyo"Convulsión, vol. 32, págs. 109 a 117,
videoelectroencefalográfica en pacientes con convulsiones y episodios" Procedimiento de noviembre de 2015.
la Clínica Mayo., vol. 77, núm. 10, págs. 1111–1120, octubre de 2002. [29] I. Conradsen, P. Wolf, T. Sams, HBD Sorensen y S. Beniczky, "Patrones de activación
[7] S. Lahmiri y A. Shmuel, "Clasificación precisa de convulsiones e intervalos muscular durante las convulsiones epilépticas tónicas generalizadas y tónico-
libres de convulsiones de señales EEG intracraneales de pacientes clónicas".epilepsia, vol. 52, núm. 11, págs. 2125–2132, noviembre de 2011.
epilépticos"Trans. IEEE. instrumento medida, vol. 68, núm. 3, págs. 791–796, [30] San Lucaset al., “Detección de eventos raros usando estadísticas de valores extremos
marzo de 2019. aplicadas a convulsiones epilépticas en niños,”Artefacto Intel. Medicina., vol. 60, núm. 2,
[8] M. Kolodziej, A. Majkowski, RJ Rak y A. Rysz, "Detección de picos con págs. 89–96, febrero de 2014.
parámetros definidos en la señal ECoG"Trans. IEEE. instrumento [31] D. Johansonet al., "Detección de convulsiones tónico-clónicas utilizando sensores portátiles
medida, vol. 68, núm. 4, págs. 1045–1052, abril de 2019. basados en acelerometría: un estudio prospectivo controlado por video-EEG". Convulsión
[9] S. Beniczky, T. Polster, TW Kjaer y H. Hjalgrim, "Detección de convulsiones tónico- , vol. 65, págs. 48–54, febrero de 2019.
clónicas generalizadas mediante un acelerómetro de muñeca inalámbrico: un [32] TM Khoshgoftaar, M. Golawala y JV Hulse, “Un estudio empírico sobre el aprendizaje a partir
estudio multicéntrico prospectivo"epilepsia, vol. 54, núm. 4, págs. e58–e61, abril de de datos desequilibrados utilizando bosques aleatorios”, enproc. 19º IEEE Internacional.
2013. Conf. Herramientas Artif. Intel. (ICTAI), octubre de 2007, págs. 310–317.
[10] GT Borujeny, M. Yazdi, A. Keshavarz-Haddad y AR Borujeny, "Detección de [33] C. Donget al., “Detección domiciliaria de crisis epilépticas mediante pulsera
ataques epilépticos mediante redes de sensores inalámbricos"J.Med. con sensores motores”, enproc. 10° Int. Conferencia IEEE/EMBS. Ing. neural.
sensores de señales, vol. 3, núm. 2, págs. 63 a 68, 2013. (NER), mayo de 2021, págs. 854–857.
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
4005013 TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022
[34] A. Sveier, AM Sjøberg y O. Egeland, "Integración aplicada de Ronald M. Aarts(Fellow, IEEE) recibió la
Runge-Kutta-Munthe-Kaas para la cinemática del cuaternión" licenciatura en ingeniería eléctrica y el Ph.D.
J. Guid., Control, Dyn., vol. 42, núm. 12, págs. 2747–2754, diciembre de 2019. Licenciado en Física por la Universidad
[35] Y. Freund y RE Schapire, "Experimentos con un nuevo algoritmo de refuerzo", Tecnológica de Delft, Delft, Países Bajos, en
enproc. 13 Int. Conf. Mach. Aprender., Bari, Italia, julio de 1996, págs. 148– 1977 y 1995, respectivamente.
156. Se unió al Grupo de Óptica, Philips Research Laboratories
[36] BS Purnell, RD Thijs y GF Buchanan, "Muerto en la noche: Influencias del (anteriormente conocido como NatLab), Eindhoven, Países Bajos,
sueño, la vigilia y la hora del día en la muerte súbita e inesperada en la en 1977 e inicialmente investigó los servos y el procesamiento de
epilepsia".Frontiers Neurol., vol. 9, pág. 1079, diciembre de 2018. señales para usar tanto en reproductores de video de larga
[37] W. Hu, Z. Zhao, Y. Wang, H. Zhang y F. Lin, "Medición precisa sin contacto de la duración como en reproductores de discos compactos. Ha sido
actividad cardiopulmonar mediante un sensor de radar Doppler en profesor titular a tiempo parcial en la
cuadratura compacto"Trans. IEEE. biomedicina Ing., vol. 61, núm. 3, págs. Universidad Tecnológica de Eindhoven (TU Eindhoven), Eindhoven, desde 2006, donde se
725–735, marzo de 2014. dedica principalmente a supervisar el máster y el doctorado. estudiantes. Ha sido
[38] J. van Andelet al., “Detección automatizada y multimodal de convulsiones motoras nocturnas presidente de Aarts Consultancy (Adviesbureau Aarts) desde 1990. Actualmente es
en el hogar: ¿Es factible un detector de convulsiones confiable?”Epilepsia Abierta, vol. 2, profesor en el Departamento de Ingeniería Eléctrica, TU Eindhoven. Sus intereses de
núm. 4, págs. 424–431, diciembre de 2017. investigación incluyen desde la acústica y la ingeniería hasta la medicina y la biología, en
particular sensores, procesamiento de señales y sistemas para monitoreo ambulatorio y
discreto, sueño, cardiología, perinatal, monitoreo de respuesta a medicamentos (DRM) y
detección de epilepsia.
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.
POLLAet al.: MÉTODO DE CONJUNTO DE DOS CAPAS PARA LA DETECCIÓN DE CONVULSIONES EPILÉPTICAS UTILIZANDO UNA PULSERA DE AUTOANOTACIÓN 4005013
wei chen(Senior Member, IEEE) recibió el B.Eng. y lei chenActualmente es neurólogo y profesor en el
M.Ing. grados en sistemas de telecomunicaciones y Departamento de Neurología, Hospital de China Occidental,
sistemas de sensores inteligentes de la Escuela de Universidad de Sichuan, Chengdu, China. Ha publicado más
Ingeniería Eléctrica e Información, Universidad de 100 artículos. Sus intereses de investigación incluyen la
Xi'an Jiaotong, Xi'an, China, en 1999 y 2002, etiología, los mecanismos y el diagnóstico de la epilepsia.
respectivamente, y el Ph.D. Licenciatura en Este trabajo ha incluido estudios de la terapia médica para
monitoreo de rendimiento y mitigación de la epilepsia, el papel del ARN no codificante en la epilepsia
deterioro para sistemas de comunicación óptica del refractaria, estudios de imágenes cerebrales de la epilepsia
Departamento de Ingeniería Eléctrica y Electrónica y mecanismos metabólicos de la epilepsia.
de la Universidad de Melbourne, Melbourne, VIC, El Prof. Chen ha recibido varios premios internacionales,
Australia, en 2007. incluido el de la Academia Estadounidense de Neurología.
Trabajó como pasante en Bell Laboratories, Munich, Alemania, y Alcatel-Lucent, ogy (AAN) International Scholarship Award (2015), American Federation
Stuttgart, Alemania, en 2005. De 2007 a 2015, fue profesora asistente en la for Medical Research (AFMR) Henry Christian Award (2015) y Japanese
Universidad Tecnológica de Eindhoven, Eindhoven, Países Bajos. Desde 2015, ha Epilepsy Society International Scholarship Award (2009).
sido profesora titular y directora del Centro de Electrónica Médica Inteligente
(CIME), Departamento de Ingeniería Electrónica, Escuela de Ciencia y Tecnología
de la Información, Universidad de Fudan, Shangai, China. Sus intereses de
investigación incluyen las áreas multidisciplinarias de los sistemas de sensores
inalámbricos, el control de la salud del paciente, el diseño de sistemas inteligentes
ambientales y el procesamiento de señales digitales para la optimización del
rendimiento. Las áreas de aplicación incluyen monitoreo neonatal, cuidado de
ancianos, rehabilitación inteligente, entornos interactivos y cognitivos.
El Dr. Chen es el editor gerente de IEEE Reviews in Biomedical
Engineering (R-BME). Es editora asociada del IEEE JNUESTRO DE
BIOMEDICOHSALUDIINFORMÁTICA(JBHI) y el IEEE TTRANSACCIONES ENnorte
EURALSSISTEMAS YRHABILITACIÓNmiINGENIERÍA(TNSRE).
YunfengWangrecibió la licenciatura en
microelectrónica de la Universidad de Xidian, Xi'an,
Wanlin Lairecibió la licenciatura en medicina clínica China, en 2004, y el Ph.D. Licenciado en
y la maestría en neurología del Hospital de China microelectrónica y electrónica de estado sólido del
Occidental, Universidad de Sichuan, Chengdu, Instituto de Microelectrónica de la Academia de
China, en 2017 y 2020, respectivamente, donde Ciencias de China, Beijing, China, en 2009.
actualmente está cursando el doctorado. grado. Actualmente es profesor asociado en el Instituto de
Recibió su título de médico en 2018 y su licencia de Microelectrónica de la Academia de Ciencias de China. Sus
médico en ejercicio en 2020. intereses de investigación actuales incluyen el diseño de
Sus intereses de investigación incluyen aspectos clínicos y circuitos analógicos y de RF para comunicaciones
científicos de la epilepsia, particularmente la interacción entre la inalámbricas de baja potencia, circuitos biomédicos y
epilepsia femenina y las hormonas sexuales y la advertencia de y sistemas de salud portátiles y su tecnología y diseño de ultra bajo consumo de
ataques convulsivos. energía.
Licencia de uso autorizada limitada a: Universidad Simón Bolívar (Colombia). Descargado el 2 de marzo de 2023 a las 01:02:38 UTC de IEEE Xplore. Se aplican restricciones.