Traducido del inglés al español - www.onlinedoctranslator.

com

TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022 4005013

Un método de conjunto de dos capas para detectar

Convulsiones epilépticas mediante una autoanotación
Pulsera Con Sensores De Motor
Chunjiao Dong, Tianchun Ye,Miembro, IEEE, Xi Long ,Miembro sénior, IEEE, Ronald
M. Aarts ,Becario, IEEE, Johannes P. van Dijk ,Miembro sénior, IEEE, Chunheng Shang Xiwen ,
Liao , Wei Chen ,Miembro sénior, IEEE, Wanlin Lai , Lei Chen y Yunfeng Wang

Abstracto—El uso de dispositivos de monitoreo podría ayudar a evitar lesiones e
incluso la muerte. Actualmente, los sensores portátiles, como los sensores de
movimiento y otros sensores, se utilizan para detectar cuando el paciente está
teniendo una convulsión y alarmar a sus cuidadores. Sin embargo, la fase de
desarrollo de estos dispositivos requiere un trabajo intensivo en el etiquetado de
los datos recopilados, lo que genera dificultades en el desarrollo de dispositivos de
monitoreo portátiles. Por lo tanto, se necesita un método auxiliar más
automatizado para etiquetar los datos de las incautaciones y un 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.
logró un 76,84 % de sensibilidad (SEN) y un 97,28 % de precisión (ACU) para el
caso general y logró un 94,57 % de SEN y un 91,37 % de ACU para el caso
nocturno. Estos resultados indican que este brazalete puede capturar
convulsiones de manera eficiente, y nuestro TLEM propuesto tiene SEN y ACU
más altos que los modelos de aprendizaje automático de una sola capa.
Términos del Índice—Acelerómetro (ACM), epilepsia, giroscopio, aprendizaje
automático, sensor motor, detección de convulsiones, procesamiento de señales,
dispositivo portátil.
yo yoNTRODUCCIÓN

También presentamos un algoritmo de extracción y anotación automática de
segmentos móviles (EAMS) para excluir segmentos inmóviles. Entonces, utilizamos
un modelo de conjunto de dos capas (TLEM) utilizando métodos de aprendizaje
automático para clasificar los segmentos móviles convulsivos y no convulsivos, que
fue diseñado para manejar un conjunto de datos desequilibrado. Luego,
construimos dos modelos TLEM individuales por separado para el caso de detección
de convulsiones general (todo el día y la noche) y el caso de detección de
convulsiones nocturnas, debido al diferente desequilibrio de estos conjuntos de
datos. El algoritmo EAMS excluye el 93,9 % de los datos inactivos sin procesar. El
modelo TLEM
Manuscrito recibido el 11 de noviembre de 2021; revisado el 29 de marzo de 2022;
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
Organización Internacional de la Ciencia bajo la subvención ANSO-CR-SP-2020-04
(2020000147) y en parte por la Fundación de Ciencias Naturales de China bajo la
subvención 12026607. El Editor Asociado que coordinó el proceso de revisión fue el Dr.
Fabricio Guimaraes Baptista.(Autores correspondientes: Lei Chen; Yunfeng Wang.)
Chunjiao Dong pertenece al Instituto de Microelectrónica de la Academia de
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),
Beijing 100049, China (correo electrónico: dongchunjiao@ime.ac .cn ;
C.Dong95@hotmail.com ).
Tianchun Ye, Xiwen Liao y Yunfeng Wang trabajan en el Instituto de
Microelectrónica de la Academia de Ciencias de China (IMECAS), Beijing
100029, China (correo electrónico: yetianchun@ime.ac.cn ;
liaoxiwen@ime.ac.cn ; wangyunfeng@ime.ac.cn ).
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
Eindhoven, Países Bajos (correo electrónico: X.Long@tue.nl; RMAarts @ tue . nl ;
JPvDijk@tue.nl ).
Chunheng Shang trabajaba en el Instituto de Microelectrónica de la Academia
China de Ciencias (IMECAS), Beijing 100029, China. Ahora trabaja en Beijing
Shunyuan Kaihua Technology, Beijing 100036, China (correo electrónico:
shangchunheng@zepp.com ).
Wei Chen trabaja en el Centro de Electrónica Médica Inteligente, Departamento de
Ingeniería Electrónica, Escuela de Ciencia y Tecnología de la Información, Universidad de
Fudan, Shanghái 200433, China (correo electrónico: w_chen@fudan.edu.cn ) .
Wanlin Lai y Lei Chen trabajan en el Departamento de Neurología, Hospital de China
Occidental, Universidad de Sichuan, Chengdu 610041, China (correo electrónico:
laiwl93@163.com ; leilei_25@126.com ).
Identificador de objeto digital 10.1109/TIM.2022.3173270
A
SEGÚN el informe de la Organización Mundial de la Salud, hay
alrededor de 50 millones (7‰) de epilépticos en todo el mundo,
según los cuales la población de epilépticos en China sería de más de 9
millones y está creciendo a un ritmo de 400 000 cada año [1]. Los
epilépticos enfrentan muchos riesgos posibles, que incluyen lesiones e
incluso muerte súbita inesperada en epilepsia (SUDEP), con una tasa de
muerte súbita de dos a cuatro veces mayor que las personas sanas [2].
Están en riesgo de convulsiones aleatorias durante mucho tiempo,
incluso de por vida.
Hasta la fecha, la patogenia de SUDEP no está clara y SUDEP
tiene muchos posibles factores relacionados. La medicación
puede ayudar a alrededor del 70 % de los epilépticos, pero
para el 30 % restante [3], no es eficaz. La mayoría de las
muertes súbitas ocurrieron después de convulsiones tónico-
clónicas generalizadas (GTCS) [4]. Además, el riesgo de SUDEP
aumenta con la frecuencia de GTCS en los pacientes. La
Academia Estadounidense de Neurología y la Sociedad
Estadounidense de Epilepsia publicaron el "Resumen de la guía
de práctica: tasas de incidencia y factores de riesgo de SUDEP"
en 2017, y anunciaron que el uso de equipos de monitoreo
puede alertar a los cuidadores para que tomen las medidas
adecuadas, y esto podría ayudar a reducir la disfunción
respiratoria y hipoxemia [5] del paciente. Las convulsiones
epilépticas, especialmente las convulsiones que ocurrieron
durante la noche, corren un grave riesgo de que los cuidadores
las pasen por alto.
La monitorización por videoelectroencefalografía (VEM) es el estándar de
oro para la monitorización de las crisis epilépticas [6]. Lahmiri y Shmuel [7]
propusieron una herramienta de diagnóstico asistida por computadora para
ayudar a respaldar una decisión en aplicaciones clínicas. Extrajeron los
exponentes de Hurst en diferentes escalas y construyeron un modelo de K
vecinos más cercanos (KNN) para detectar automáticamente las
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
en la duración y amplitud de los picos buscados. Sin embargo, sería
necesario un dispositivo [7], [8] con cables para VEM, que es incómodo
para los epilépticos. El uso de VEM también requiere personal
capacitado para colocar los electrodos en el área específica. En
consecuencia, VEM no es un método de monitorización adecuado para
la atención diaria fuera del hospital.
Además de la instrumentación y las mediciones de registro de
EEG y electrocorticografía, los sistemas portátiles de detección de
convulsiones no EEG se centran en el uso de diferentes
modalidades o métodos de detección, como el acelerómetro (ACM)
[9]–[14], la electromiografía (EMG) [15], [16], fotopletismografía
(PPG) [17], [18] y electrocardiograma (ECG) [19], [20]. El método o
combinación de métodos más apropiados para la detección de
convulsiones depende del tipo de convulsión [21]. Por ejemplo, la
combinación de ACM y sensores de actividad electrodérmica no
solo podría detectar GTCS, sino que también podría cuantificar la
disfunción autonómica causada por las convulsiones [22].
Como estudio preliminar, utilizamos un ACM para comenzar
nuestra investigación, porque es la forma más directa de
detectar las convulsiones graves. Existen principalmente dos
tipos de ataques epilépticos: ataques convulsivos y ataques no
convulsivos, de los cuales el primero contribuye a la mayoría de
los accidentes asociados con ataques, incluyendo lesiones,
asfixia y SUDEP [4]. Los movimientos son los caracteres más
directos de la detección de convulsiones motoras, y es la
primera opción de todos los métodos de detección de
convulsiones no EEG ampliamente utilizados en las clínicas
[23]. Los sensores ACM montados en los brazos y las piernas
pueden detectar estos movimientos, que son menos invasivos
para los pacientes en comparación con otros métodos de
detección de convulsiones que no son EEG [23]. Sin embargo,
no existe un único dispositivo de detección que pueda detectar
todo tipo de convulsiones,
Los métodos normales de recopilación de datos motores utilizados en estas investigaciones
[9], [11], [12], [25], [26] consisten en recopilar datos en un hospital donde el paciente usa
dispositivos de detección de motores y se somete mientras tanto a VEM. Aunque el estándar de
oro para la monitorización de la epilepsia es el VEM, no es adecuado para la monitorización
diaria, ya que el paciente estaría limitado a estar equipado con el VEM durante todo el día en el
hospital, lo que significa que los datos recopilados solo contienen los movimientos que realiza el
paciente. está haciendo actividades discretas en el interior. Por otro lado, etiquetar los datos de
las convulsiones de acuerdo con los registros de EEG podría ser un trabajo costoso y lento, y un
método de anotación de datos de monitoreo automático sin supervisión médica podría ayudar
con esta situación [27]. El uso de sensores de motor junto con grabaciones de video podría
resolver el problema de recopilar recuentos de incautaciones, y este método es más preciso que
el autoinforme de los pacientes [28] tomando notas escritas a mano. Para fines de privacidad del
paciente, otra forma de grabación electrónica además de la grabación de video puede ayudar a
registrar eventos, como agregar el tiempo de convulsión registrado por el paciente a los datos de
aceleración monitoreada (ACC) en tiempo real. En esta investigación, ilustramos un método de
registro de movimiento basado en el hogar agregando un botón de marca (los detalles se
presentarán más adelante) en nuestro brazalete. Este botón de marca ayudaría a anotar cada
incautación ilustramos un método de registro de movimiento basado en el hogar agregando un
botón de marca (los detalles se presentarán más adelante) en nuestro brazalete. Este botón de
marca ayudaría a anotar cada incautación ilustramos un método de registro de movimiento
basado en el hogar agregando un botón de marca (los detalles se presentarán más adelante) en
nuestro brazalete. Este botón de marca ayudaría a anotar cada incautación
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.
por el sujeto durante/después de tener convulsiones. Dichos marcadores
electrónicos, que se registraron en los datos de monitoreo sin procesar, podrían
proporcionar registros más confiables de los tiempos de las convulsiones que los
cuadernos escritos a mano de los pacientes o las grabaciones de teléfonos
móviles. Luego diseñamos un método automático para extraer los segmentos de
datos de incautaciones de acuerdo con estas anotaciones.
Se han investigado métodos estadísticos y métodos de clasificación
de aprendizaje automático en el campo de detección de ataques
epilépticos, con posibles aplicaciones clínicas, como el método de valor
umbral, el modelo KNN [10] y el modelo de máquina de vector de
soporte (SVM) [11]. Cuppenset al.[13], Conradsenet al.[29], y Lucaset al.[
30] utilizó el método del valor umbral para clasificar las convulsiones.
Establecen el valor umbral observando los datos. Sin embargo, este es
un método que requiere mucha mano de obra, porque tiene que
establecer diferentes umbrales para diferentes sujetos, y no es un
método ideal para extenderlo a todos los epilépticos convulsivos.
Borujenyet al.[10] utilizó el modelo KNN y redes neuronales artificiales
para detectar convulsiones de tres pacientes, que lograron una
sensibilidad del 85 % (SEN), y el modelo KNN funcionó mejor. También
afirmaron que si al menos el 50 % del conjunto de datos fueran
muestras de incautaciones, el sistema podría detectar la incautación
con mayor precisión, lo que ilustró que el modelo KNN no podía
abordar este problema de detección de incautaciones de conjuntos de
datos desequilibrados. Kusmakaret al.[11] usó SVM kernalizada para
detectar ataques convulsivos. Aunque detectaron 40 de 46
convulsiones, se produjo una tasa de falsa alarma (FAR) de 1,16/24 h, y
el sistema se desarrolló y probó en datos recopilados en un entorno
hospitalario. Johanssonet al.[31] compararon el rendimiento de los
modelos KNN, SVM y Random Forest (RF), y todos los modelos lograron
una alta sensibilidad para detectar convulsiones tónico-clónicas. SVM y
RF tenían una SEN del 90 %, KNN tenía una SEN del 100 % y RF tenía la
tasa de falsos positivos (FP) más baja, lo que se debe a la capacidad de
manejar conjuntos de datos desequilibrados.
Sin embargo, todos estos métodos mencionados se basan en la
suposición de que el número de ataques epilépticos está en equilibrio
con el número de movimientos normales, lo que no es el caso en la
práctica. En consecuencia, una técnica que pueda superar el
desequilibrio del conjunto de datos sería más adecuada para la
detección de convulsiones basada en datos del motor. Por ejemplo, el
rendimiento del modelo de RF en datos desequilibrados se confirmó en
Khoshgoftaaret al.'s [32] estudio. Utilizaron diez conjuntos de datos
desequilibrados diferentes para entrenar y probar el modelo de RF y
otros modelos (KNN, SVM, Naive Bayes, etc.) y compararon el
rendimiento de estos modelos. Los resultados mostraron que el
modelo RF tuvo el mejor rendimiento en precisión (ACU) al seleccionar
el número adecuado de árboles y características para cada árbol. RF se
beneficia de la aleatoriedad en cada clasificador de árbol y por su
robustez.
En nuestro trabajo anterior [33], presentamos un sistema para detectar y
clasificar ataques convulsivos y movimientos normales usando un solo
modelo de RF, que podría ignorar los efectos del conjunto de datos
desequilibrado. Aunque este sistema logró un 75,92 % de SEN para la
detección de convulsiones de 24 horas y un 88,01 % de SEN para la detección
de convulsiones nocturnas, aún no estaba bien entrenado por completo
debido a la falta de suficientes datos de convulsiones.
En este último estudio, las principales novedades de este trabajo son las
siguientes.
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.

1) Proporcionó un nuevo método que permite recopilar más

datos de la vida diaria en lugar de en el hospital, y esto se
logra agregando un botón de marca en el dispositivo.
2) Diseñó el algoritmo EAMS para aumentar la eficiencia en el paso de
preprocesamiento mediante la selección automática de segmentos
en movimiento. Los umbrales elegidos en el algoritmo EAMS también
podrían funcionar en más sujetos, porque los establecimos en
función de las actividades humanas, no solo de las convulsiones de
los sujetos específicos incluidos en este manuscrito.
3) Presentó el algoritmo del modelo de conjunto de dos capas
(TLEM), que es la fusión de cuatro clasificadores simples y
únicos, lo que hace que la computación no sea demasiado
compleja y aumente el rendimiento.

II. METROATERALES YMETROÉTODOS
La figura 1 muestra el protocolo de nuestra investigación propuesta.
Después de que diseñamos el brazalete y recolectamos suficientes
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
segmentos convulsivos, que se ilustrarían en la Sección II-C. 2)TLEMA:
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
de desarrollo, los sujetos usarían el botón de marcar para ayudar a
anotar las convulsiones. En la fase de aplicación en nuestro futuro
estudio, el botón MARK tendría dos funciones; una es anotar las
incautaciones faltantes presionando solo una vez después de la
incautación, y esto ayudaría a que el brazalete reconozca el
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/
cargando. (2) Placa electrónica, que incluye una unidad central de procesamiento (CPU), una
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.
movimiento ante la prensa como convulsión; la otra es cancelar una
falsa alarma con una doble pulsación.
A. Diseño de dispositivos
Implementamos el brazalete enfocado principalmente en una
solución asequible, liviana y portátil con mayor comodidad para los
pacientes. Como se muestra en la Fig. 2, diseñamos un brazalete con
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
ACM y un giroscopio 3-D, y estos dos sensores se utilizan para capturar
el movimiento del sujeto para la detección de convulsiones. Este
sistema electrónico integrado alimentado por batería consta de una
interfaz de sensor, un módulo de fuente de alimentación, un módulo de
memoria digital seguro (SD) y un módulo de marca de incautación. La
batería recargable de 800 mA podría funcionar durante más de 24 h.
Los datos recopilados se almacenarían en una tarjeta SD de forma
temporal, que podría almacenar datos de más de siete días.
Recomendamos que los sujetos (o sus cuidadores) cargaran los datos
recopilados todas las noches antes de acostarse si tenían convulsiones
ese día, y otros cargarían los datos cada semana.
El botón de marca de autoanotación, como se muestra en la Fig.
2, está diseñado para marcar el tiempo de la convulsión por parte
del paciente o sus cuidadores. En nuestro estudio futuro, este
botón de autoanotación ayudaría a mejorar el ACU y el SEN del
sistema de detección al marcar la actividad normal de falsa alarma
y el evento de convulsión detectado fallido. Las señales 3-D ACM y
3-D giroscopio (ANG) se muestrearon a 100 Hz. La banda está
hecha de tela elástica y se puede ajustar a la muñeca del sujeto. Se
pidió a los sujetos que colocaran este brazalete en la muñeca
derecha o izquierda, según el lado en el que tuvieran el síntoma
más grave.
B. Adquisición de datos
El proceso de recogida de datos se realizó junto con la vida diaria de
cada sujeto fuera del hospital, y se seleccionaron pacientes con GTCS
que llevaban hospitalizados más de un año. Los pacientes
seleccionados recibieron capacitación sobre cómo usar el brazalete
para recopilar datos en el hogar y cómo anotar todos los eventos de
convulsiones (presionando el botón de marcar).
En total, 12 pacientes con crisis convulsivas participaron en el
hospital para esta investigación, y 7 pacientes (cinco hombres, dos
mujeres; edad entre 6 y 35 años, mediana 26 años) tuvieron
eventos de convulsiones (en general 547 veces, media 78.1; por la
noche 314 veces, promedio 44.9) registradas durante el paso de
recolección de datos. El tiempo total de seguimiento de estos siete
sujetos fue de 4152 h (rango 120-1344, media 461,3, mediana 336).
Durante el período de recopilación de datos, los sujetos registrarían toda
la información de los eventos de convulsiones (hora de inicio, hora de
finalización y síntomas) a través de mensajes de texto o sus cuidadores a
través de cámaras telefónicas. Estas autograbaciones solo se usarían para
verificar si los sujetos presionaron el botón de marcar correctamente, y si se
olvidaron de presionar el botón de marcar después de una convulsión, estas
grabaciones nos ayudarían a encontrar el segmento de la convulsión. Los
especialistas del hospital verificaron la calidad de todos los datos recopilados
y las marcas autoanotadas comparándolos con los registros de los sujetos.
De esta manera, podemos recopilar más actividades diarias, como cepillarse
los dientes, caminar, jugar videojuegos, etc., que los métodos de
recopilación de datos del hospital. Presumiblemente, cuantos más tipos de
movimientos cotidianos recopilemos, más práctica será la pulsera.
Este método de recopilación de datos permite recopilar datos de
pacientes con diferentes actividades diarias, en lugar de hospitales con
actividades limitadas. Los expertos del hospital revisaron todas las
anotaciones y los segmentos móviles extraídos por EAMS. Si el paciente
presionó el botón varias veces durante/después de la
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.
TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022
Fig. 3. Distribución de la longitud de los segmentos móviles.
embargo, solo se mantendría una marca y se eliminarían otras marcas,
mientras que si el sujeto olvidaba presionar el botón, el experto
agregaría una nueva marca. Esta investigación fue aprobada por el
Comité de Ética de Investigación Biomédica del Hospital de China
Occidental de la Universidad de Sichuan [No. 2018(590)], y cada
paciente (o su cuidador) proporcionó su consentimiento informado por
escrito.
C. Extracción y Anotación de Segmentos Móviles
Los datos originales contenían dos categorías principales de
datos: segmentos en movimiento (convulsiones y movimientos sin
convulsiones) y segmentos sin movimiento. Para aumentar la
eficiencia del procesamiento de datos, antes del cálculo de
características, preprocesamos los datos originales para excluir los
segmentos que no contienen información válida (es decir, sin
movimiento) y conservamos solo los segmentos en movimiento del
paciente. Posteriormente, los segmentos en movimiento se
dividirían en movimientos convulsivos y movimientos sin
convulsiones y se etiquetarían adecuadamente. Los datos de
seguimiento originales abarcan más de 24 h. La detección manual
de eventos en movimiento es un proceso laborioso. Para acelerar
esto, diseñamos un método de selección automatizado de datos en
movimiento, seguido de una anotación semiautomática en
términos de movimientos convulsivos y no convulsivos según las
marcas del sujeto,
El método EAMS propuesto tiene cuatro pasos para la extracción y
tres pasos para la anotación.
En cuanto a la fase de extracción, primero, la señal de datos ACC
total sin procesar (acct =(hacha2+sí2+Arizona2)1/2) es procesado por
el filtro de paso bajo Butterworth de octavo orden con una
frecuencia de corte de 35 Hz. Se sabe que la frecuencia de las
contracciones musculares es inferior a 20 Hz [23]. En segundo
lugar, se utiliza una ventana deslizante con una duración de 2 s y
una superposición de 1 s entre ventanas consecutivas para estimar
la desviación estándar (StdAcct) y la energía de tiempo corto
(EgAcct) de la señal ACC total filtrada. La desviación estándar
StdAcct se calcula mediante
√
∑L( )2
i cuentai−cuentanorte
StdAcctnorte= (1)
L
POLLAet al.: MÉTODO DE CONJUNTO DE DOS CAPAS PARA LA DETECCIÓN DE CONVULSIONES EPILÉPTICAS UTILIZANDO UNA PULSERA DE AUTOANOTACIÓN
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
ventana, yLrepresenta la longitud de los datos en una ventana
deslizante.L=Ws×Fs,dóndeWses el tamaño de la ventana (Ws= 2s),Fs
es la frecuencia de muestreo del sensor, y cuentanortees el
promedio de ACC en elnorteventana. La energía media a corto
plazo EgAcct en elnortese calcula la ventana, tal que
∑L
Por ejemplo, cuentanorte= (w(L)∗cuenta(i ))2
i D. Extracción y selección de características
donde EgCuentanorterepresenta la energía de corta duración en elnortela
ventana, yw(L)es una ventana de Hanning utilizada para suavizar la señal
antes de calcular la energía promedio a corto plazo. Los cambios en la
desviación estándar y la energía a corto plazo ilustran el inicio y la
finalización de cada evento en movimiento. En tercer lugar, se utilizan dos
umbrales de StdAcct y EgAcct para determinar las horas de inicio y
finalización de cada evento en movimiento. Estos umbrales (es decir, 0,2 y
15) se seleccionan empíricamente para cada sujeto para tener en cuenta los
cambios en el ruido. Por último, los eventos de movimiento que duran
menos de 15 s se excluyen del análisis posterior. Dos segmentos adyacentes
con intervalos menores a 10 s se consideran como un segmento completo.
En cuanto a la fase de anotación, después de identificar todos los
segmentos en movimiento y excluir los datos inactivos, todos los eventos de
movimiento seleccionados automáticamente se etiquetarían como
"convulsión" y "movimiento sin convulsión", según las marcas del sujeto al
usar el brazalete. Primero, si la marca no estaba en un segmento en
movimiento, el segmento en movimiento justo antes de la marca se anotaría
como un evento de incautación. En segundo lugar, sin embargo, podrían
aparecer algunas marcas durante los segmentos en movimiento. Si la marca
estaba en la última mitad de un segmento en movimiento, este segmento en
movimiento se anotaría como un evento de incautación. Tercero, si la marca
estaba en la primera mitad de un segmento en movimiento y estaba cerca (<
20 s) hasta el final del último segmento en movimiento, anotaríamos el
último segmento en movimiento como un evento de convulsión. Sin
embargo, podría ocurrir algo anormal, como que aparecieran dos marcas en
poco tiempo (<5 s), lo que significa que el sujeto presionó dos veces el botón
de marca, y descartaríamos la marca duplicada posterior.
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
Los segmentos en movimiento varían de 15 a 500 s, y la distribución
de la longitud de los segmentos en movimiento se muestra en la Fig. 3.
Hay algunos segmentos en movimiento que duran más de 20 s, porque
se consideran dos segmentos adyacentes con intervalos de menos de
10 s. como un segmento completo de convulsiones, lo que significa que
fusionamos dichos segmentos consecutivos de movimientos. Esos
largos segmentos en movimiento generalmente ocurren durante el día.
(2)
Los datos sin procesar de cada segmento en movimiento constan de
diez canales, incluido 3-D ACC (hacha, ay, yArizona), ÁNGULO 3D (gx, gy,
y gz), y cuaternión 4-D (q0,q1,q2, yq3). Calculamos el ACC total (acct) y
lo consideramos como el canal 11. El ACC 3-D y el ANG 3-D se
recogieron directamente de un sensor de movimiento de seis ejes. El
cuaternión también se podía adquirir del sensor, y se calculó [34] a
partir de las señales sin procesar del
giroscopio por las siguientes ecuaciones:
⎧
⎪q0∗=q0 +(−q1∗gx−q2∗gy−q3∗gz)∗(T/2 ⎪ )
⎪
⎨q1∗=q1 +(q0∗gx+q2∗gz−q3∗gi)∗(T/2)
(3)
⎪q2∗=q2 +(q0∗gy−q1∗gz+q3∗gx)∗(T/2 ⎪ )
⎩
q3∗=q3 +(q0∗gz+q1∗gy−q2∗gx)∗(T/2)
dóndeq0,q1,q2, yq3 son los cuatro componentes de un cuaternión 4-D
en el tiempok, ygx, gy, ygzson los valores de ANG 3-D en el tiempok;
entoncesq0∗,q1∗,q2∗, yq3∗serían los componentes de cuaterniones
actualizados en el momentok+1, y el tamaño de la ventana de tiempo
esT.
Se han investigado diferentes características estadísticas para la
clasificación [10]. Seleccionamos una serie de características en el
dominio del tiempo para describir cada evento y evaluamos estas
características para seleccionar las características más útiles para
construir el modelo de clasificación. Para cada dimensión de los
datos 11-D completos (hacha, ay, az, gx, gy, gz, q0,q1,q2,q3 y
cuenta), calculamos el mínimo (min), el máximo (max), la media, la
varianza (var) y el rango intercuartílico (iqr). Además, también
incluimos la duración de cada movimiento.
Luego, las mejores características se seleccionan a través de una selección de
características de filtrado llamada análisis de varianza. En este método, si un
4005013 TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022

Las salidas de la capa 1 se ingresarían en la capa 2. La capa 2 utilizó la

regresión logística (LR) como clasificador final. Los parámetros de este
modelo de dos capas se muestran en la Tabla I. Como Layer2 es un
modelo LR, los pesos se pueden aprender a través del entrenamiento
del modelo, que es [0.45, 2.33, 4.12, 6.76] para los cuatro estudiantes
base (GBDT, RF, ET y BAD).
RF consta de un conjunto de árboles de decisión y las estrategias de votación se utilizan para hacer predicciones finales. RF

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

Figura 5. Extraiga características de cada segmento en movimiento y etiquete cada característica

intentar<metrotodo). Las ventajas de la clasificación RF son que el modelo se puede entrenar con conjuntos de datos no balanceados (la
según las marcas. A continuación, utilice estas funciones para entrenar la clasificación de
mayoría de los datos son movimientos normales y muy pocos son convulsiones), y el modelo se puede ajustar de manera flexible a
conjuntos de dos capas.f
medida que aumenta el volumen de datos. ET es similar a RF, y las principales diferencias, que distinguen a ET y RF, son que ET usa

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
Figura 6. Curvas de aprendizaje del TLEM propuesto para la detección de crisis epilépticas.
La línea azul con puntos redondos representa el ACU de entrenamiento, y la línea roja
con triángulos representa el ACU de validación, mientras que la sombra alrededor de la
línea representa el rango de ACU de la validación cruzada séxtuple. ( a ) Rendimiento del
modelo Metalayer en datos generales. (b) Rendimiento del modelo de metacapa en datos
nocturnos.
paso de construcción como
significartren+ estándartren
Puntuación media =
significarvalidación− estándarvalidación
donde decirtreny mediavalidaciónson el ACU medio de entrenamiento y validación,
respectivamente, mientras que stdtreny estándarvalidaciónson la desviación estándar
de las puntuaciones ACU de entrenamiento y validación, respectivamente. El
Midscore alcanza el 97,31% para el modelo general y el 91,19% para el modelo
nocturno. Tanto el modelo de detección de convulsiones generales como el
modelo de detección de convulsiones nocturnas adquieren resultados de
entrenamiento aceptables en este paso de validación del modelo.
F. Métricas de evaluación del desempeño
En el paso de validación del modelo mencionado anteriormente, investigamos
norte-doble validación cruzada (asumirnorte=5/6/10) para entrenar el modelo para
diferentes casos (global/noche), mientras que el valor denorte
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
dependiendo de si el modelo alcanza el mejor rendimiento en el conjunto de datos
de validación. Tener demasiado pequeñonortereducirá la cantidad de eventos en
los conjuntos de entrenamiento, lo que conducirá a un entrenamiento insuficiente
del modelo, mientras que tendrá un número demasiado grandenorte
probablemente tendrá muy pocos eventos en el conjunto de prueba donde las
métricas de rendimiento computacional serán difíciles en caso de que no haya
eventos presentes. Hemos tratado de confirmar esto usando diferentes pliegues, y
los resultados sugirieron el uso de la actualnorte=6, y la cantidad de conjunto de
datos de entrenamiento en este caso para el modelo general y el modelo nocturno
sería 6000 y 650. Para ser más específicos, la Fig. 6 ilustra que el TLEM para datos
generales y datos nocturnos alcanza el mejor rendimiento alrededor de 6500 ((5/6)
de muestras de entrenamiento en general) muestras y alrededor de 650 ((5/6)de
muestras de entrenamiento nocturno) muestras individualmente, porque la curva
de puntaje del tren y la curva de puntaje de validación coinciden en ese número de
muestras.
Para comparar aún más nuestro TLEM propuesto con otros modelos,
incluimos ACU, recuperación/SEN, precisión/predicción positiva
valor (VPP), yFβpuntaje. Estas métricas son calculadas por
⎧
⎪⎪precisión = TP + TN
⎪
⎪⎪ TP + TN + FP + FN
⎪⎪
⎪⎪ TP
⎪⎨recordar
⎪⎪ =
TP + FN
(5)
⎪⎪ TP
⎪precisión =
⎪⎪ TP + FP
⎪⎪
⎪⎪ ( )
⎪⎪
⎪⎩Fβpuntuación = 1 +β2·precisión·recordar
β2·precisión + recuerdo
donde TP = verdadero positivo, que es el número de muestras positivas
clasificadas correctamente; FP = falso positivo, muestras negativas
incorrectamente clasificadas; TN = verdadero negativo, muestras negativas
clasificadas correctamente, y FN = falso negativo, muestras positivas
clasificadas incorrectamente.
ACU describe cuántas muestras se clasifican correctamente en total, ya
sea que la muestra sea positiva o negativa. SEN describe la proporción de
muestras realmente positivas que se clasifican correctamente como
positivas. El PPV describe la proporción de muestras positivas clasificadas
que son realmente positivas.Fla puntuación también se llama balanceadaF
partitura, y está diseñado como un promedio armónico de precisión y
recuperación.FβLa puntuación podría describir mejor el rendimiento del
modelo incluso para un conjunto de datos desequilibrado. En este caso, nos
enfocamos más en la tasa de TP y la tasa de FP, y la FP podría causar un
(4) daño más severo que la FP, porque la FN podría conducir a la ignorancia de
las convulsiones y perder la oportunidad de alarmar a los cuidadores del
paciente para que ayuden. Establecimosβ= 2, lo que significa que la
importancia de SEN es el doble que el PPV, y mayor Fβpuntuación significa
un mejor rendimiento.
Entrenamos y probamos dos modelos individuales por separado para
datos generales y datos nocturnos y usamos las métricas mencionadas
anteriormente para evaluar el rendimiento de estos modelos entrenados.
tercero RRESULTADOS
La Fig. 7(a) representa un evento de convulsión detectado
automáticamente, mientras que el algoritmo mencionado anteriormente
detectó automáticamente las horas de inicio y finalización, y el paciente o su
cuidador anotaron la marca de convulsión usando el botón de marca roja en
el brazalete. La Fig. 7(b) muestra cómo no se mueve
4005013
Figura 7. Extracción de segmentos móviles y anotación de datos. (a) Ejemplo de
un segmento en movimiento detectado automáticamente. Las horas de inicio y
finalización del movimiento detectado se muestran en verde y negro. La línea azul
mostró cuando el paciente o su cuidador usaron el botón de marca, lo que indica que se
trata de un evento de convulsión. (b) Los segmentos inmóviles se excluyen en este paso
y, luego, los segmentos móviles se anotan de acuerdo con las marcas.
Fig. 8. Horas de registro de datos, de las cuales el 93,9% son datos sin movimiento, el 5,9% son
datos sin movimiento y solo el 0,2% son datos con movimiento.
Se excluyeron segmentos, y estos segmentos inmóviles se excluyeron
totalmente si era demasiado largo (>10 s), o no excluido si fue una
parada breve (<10 s) entre segmentos en movimiento de larga
duración. La línea azul resaltó el momento en que el sujeto presionó el
botón de marcar. Sin embargo, puede haber varias convulsiones
(menos de dos veces en un día) que no se anotaron correctamente,
principalmente porque el paciente no presionó el botón de marcar a
tiempo después de la convulsión, o puede haber algunos movimientos
inestables antes de que se presione el botón. En estas circunstancias, el
movimiento adicional se reconocería como un ataque, por lo que
verificaríamos y eliminaríamos las etiquetas incorrectas y volveríamos a
etiquetar el evento de ataque correcto. De esta forma, se conservan
todos los eventos de convulsiones y eventos de movimiento normales,
y se excluyen los datos sin eventos de movimiento (datos inactivos).
Como se muestra en la Fig. 8, excluimos el 93,9 % de los datos inactivos
a través de este método de detección y anotación automatizados.
En total, hemos extraído 10 707 (con una duración de 241,6 h) eventos en
movimiento sin convulsiones y 547 (5,5 h) eventos convulsivos, entre
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.
TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022
Fig. 9. Matrices de confusión de las clasificaciones de la capa base y la clasificación de la
metacapa. Los resultados se obtienen aplicando cada clasificación de capa base individual en el
conjunto de datos de prueba (matriz de confusión primera a cuarta) y aplicando la clasificación de
dos capas del conjunto en el conjunto de datos de prueba (matriz de confusión quinta). Etiqueta
1: convulsión y etiqueta 0: movimiento normal. (a) Matriz de confusión del modelo general. (b)
Matriz de confusión del modelo nocturno.
de los cuales 806 eventos en movimiento sin convulsiones (5,8 h) y 314 (2,4 h)
convulsiones ocurrieron durante la noche.
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
propuesto podría mejorar el rendimiento. Para comparar el
rendimiento de un solo modelo y el rendimiento de nuestro modelo de
conjunto propuesto, entrenamos cada modelo individual usando el
mismo método que entrenamos el modelo de conjunto. Los
clasificadores capacitados también harían predicciones sobre el
conjunto de datos de prueba. Utilizamos una matriz de confusión para
describir el rendimiento de nuestro TLEM propuesto y otros modelos
individuales, como se muestra en la Fig. 9.
Utilizamos un total de 30% de muestras (3200 eventos sin convulsiones y 177
convulsiones) para probar la detección general de convulsiones del modelo de
clasificación de conjunto de dos capas entrenado. Al mismo tiempo, utilizamos
muestras nocturnas del 30% (244 eventos sin convulsiones y 92 convulsiones) para
el modelo de convulsiones nocturnas.
Los resultados de la prueba para la detección general de convulsiones
muestran que se detectaron un total de 136 de 177 eventos convulsivos
(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
falsas alarmas de siete pacientes), y elFβla puntuación llega a 0,7598. Por la
noche, el modelo propuesto basado en recogidas en casa
POLLAet al.: MÉTODO DE CONJUNTO DE DOS CAPAS PARA LA DETECCIÓN DE CONVULSIONES EPILÉPTICAS UTILIZANDO UNA PULSERA DE AUTOANOTACIÓN
TABLA II
PAGRENDIMIENTO DEmiCCASINGLÉSCLASIFICADOR Y ELPAGROPUESTOTLEM
CLASIFICADOR
los datos identificaron correctamente 87 de 92 eventos convulsivos
nocturnos (SEN medio 94,57 %) y 220 de 244 eventos no convulsivos
(90,16 %), con una FAR de 0,46/24 h (24 falsas alarmas en siete
pacientes). ElFβLa puntuación es de 0,9082, lo que indica aún más la
eficacia del sistema de detección de epilepsia nocturna.
ElFβLa puntuación del modelo nocturno es mucho más alta que la del
modelo general, porque los movimientos que ocurrieron durante la noche
son más cortos y menos complejos que los que ocurrieron durante el día.
Según los datos que recopilamos en este experimento, los movimientos
normales que ocurrieron por la noche solo incluyen darse la vuelta en la
cama, ir al baño y otros movimientos leves. Además, la proporción de
movimientos normales y convulsiones nocturnas es de 2:1 y la proporción
diurna es de 19:1, lo que indica un desequilibrio más grave entre estas dos
clases durante el día. Por lo tanto, esos movimientos normales complejos
que ocurrieron durante el día, como cepillarse los dientes y hacer ejercicio,
podrían identificarse erróneamente con más frecuencia que los movimientos
normales simples que ocurrieron durante la noche. Mientras tanto, tanto
nuestro TLEM propuesto alcanza el nivel más altoFβpuntuación en
comparación con otros modelos de aprendizaje automático único.
Comparamos nuestro modelo de clasificación de conjunto de dos capas
con otros clasificadores únicos que usamos en la primera capa, y
descubrimos que nuestro modelo de conjunto propuesto funcionó mejor
que GBDT, RF, ET y ADB en la mayoría de los casos, especialmente para ACU,
SEN, yFβpuntaje. Es obvio que tanto para la tarea de detección general como
para la tarea de detección nocturna, nuestro modelo de clasificación de
conjunto de dos capas propuesto ha mantenido el mejor rendimiento.
IV. DISCUSIÓN
En este trabajo, diseñamos un método y un dispositivo de
recolección de datos utilizados en el hogar, y se investigó y probó la
practicidad de este método. Nuestro algoritmo automatizado EAMS
propuesto podría excluir segmentos inmóviles de manera eficiente
mientras reduce la cantidad de cálculo y acelera la eficiencia de la
operación en el siguiente paso de clasificación. Para el paso de
exclusión, los umbrales se derivaron en base a la observación de
nuestros sujetos, y está detectando si un ser humano se está moviendo
o no. Estos umbrales no describen las convulsiones típicas que tienen
nuestros sujetos, sino los movimientos diarios normales y los
movimientos relacionados con las convulsiones, por lo tanto, asumimos
que estos umbrales también podrían ser eficientes en la fase de
aplicación, lo que se validaría aún más en
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
nuestro futuro estudio. Sin embargo, hay varias anotaciones erróneas
durante el paso de marcado, que se debe principalmente a que los sujetos
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.
Los sujetos incluidos en este estudio tienen ataques convulsivos que
duran 15 s, por lo que solo mantuvimos segmentos que duran no
menos de 15 s en este manuscrito, pero este umbral podría cambiarse
si incluimos diferentes tipos de ataques en nuestro estudio posterior.
Como se muestra en la Fig. 4, encontramos que los iqrs del ACM
3-D, los giroscopios 3-D y los cuaterniones mostraron gran
importancia en este estudio, lo que significa que el ACC y las
velocidades angulares cambian en un amplio rango durante un
período podría indicar un posible ataque de alguna manera.
Cuando el sujeto estaba teniendo una convulsión, su movimiento
cambiaría tanto en el aspecto lineal como en el aspecto rotacional.
Además, las varianzas del ACM 3-D también son importantes en
este estudio, mientras que las varianzas de los giroscopios 3-D
mostraron menor importancia. La varianza refleja el grado medio
de dispersión de datos, por lo que este resultado indica que las
incautaciones podrían generar cambios aleatorios en el
movimiento lineal, pero no en el movimiento de rotación. Los
valores medios de cada eje (del ACM y del giroscopio) no son
significativos para la detección. Cuando el sujeto estaba teniendo
convulsiones, el movimiento daría lugar a cambios de ambas
direcciones de un eje. Entonces, el valor mínimo cambiaría a un
valor más bajo (negativo), y el máximo también cambiaría a un
valor más alto (positivo); por lo tanto, el valor medio solo cambió
ligeramente, no demasiado obvio. Sin embargo, el valor medio del
ACC total (positivo) es informativo, ya que el ACC total ignora la
dirección del movimiento y solo considera la magnitud del ACC.
Propusimos un enfoque TLEM para clasificar conjuntos de datos
desequilibrados de eventos de movimiento normal y eventos convulsivos.
Además, en este estudio participaron diferentes tipos de movimientos
normales. En comparación con los experimentos anteriores [9]–[13], este
procedimiento de recopilación de conjuntos de datos se llevó a cabo
principalmente fuera de la cuenta del hospital para el escenario del “mundo
real”. Nuestro método de detección propuesto acerca este estudio a un
escenario de la vida real para propósitos de monitoreo diario. En este
estudio, las características se extrajeron de cada segmento móvil completo.
Sin embargo, la exploración de otros métodos de extracción, como el uso de
la ventana deslizante para extraer características, será interesante en el
estudio futuro, y esto podría aumentar la densidad de características, y esto
podría ser un beneficio potencial para el estudio futuro.
Los resultados experimentales muestran que nuestro método de
conjunto de dos capas propuesto podría caracterizar eficazmente las
convulsiones epilépticas generales y nocturnas con precisiones del 97,28 % y
91,37 %, y valores de SEN del 76,84 % y 94,57 %, respectivamente. Las
convulsiones perdidas pueden ser causadas por pequeñas amplitudes.
Como las proporciones de las convulsiones son diferentes durante el día y la
noche, es necesario establecer una convulsión nocturna separada.
4005013
TABLA III
CCOMPARACIÓN DEOURPAGROPUESTOAENFOQUEWITHOEL RSINGLÉS-SENSOR-BASEDSCONVERSIÓNDETECCIÓNSYSTEM
modelo de detección. Establecimos el peso de las muestras de incautación en
cuatro veces el de las muestras de movimiento normal, y aumentar el peso de las
muestras de incautación conducirá a una tasa de TP más alta y,
desafortunadamente, a una tasa de FP más alta.
Como se muestra en la Tabla II y la Fig. 9, en comparación con el modelo
de clasificación de una sola capa, en primer lugar, nuestro modelo de
clasificación de conjuntos diseñado tiene un SEN de 76,84 %, lo que elevó en
un 55,15 % como máximo el rendimiento de la clasificación única para el
modelo general, y tiene un SEN del 94,57%, lo que elevó en un 22,99% como
máximo el rendimiento de la clasificación única para el modelo nocturno. El
rendimiento de usar simplemente clasificadores individuales no es tan
bueno como nuestro método propuesto, que tenía una complejidad de
fusión baja y alcanzó un mejor rendimiento. Solo hubo cinco convulsiones
que no se detectaron debido a que el brazo del sujeto, que llevaba el
brazalete, estaba sostenido por sí mismo y no podía moverse libremente.
Esto ilustra que este modelo de clasificación de conjunto de dos capas
podría detectar más eventos de convulsiones mientras mantiene un FAR
bajo.
Como se muestra en la Tabla III, en comparación con otros estudios,
recopilamos más eventos de convulsiones en un entorno doméstico de
vida libre en comparación con el estudio de, por ejemplo, Nijsenet al.[
14] realizado en un hospital con solo 153 convulsiones incluidas,
mientras que otros estudios mencionados tienen aún menos registros.
En otras palabras, se espera que nuestro estudio brinde resultados más
convincentes, ya que se entrenó y probó en un conjunto de datos más
grande con más modalidades de datos. Sin embargo, esto también
podría conducir a un SEN más bajo durante el día, porque se incluyen
más actividades diarias en el conjunto de datos. El SEN de nuestro
enfoque en la noche es el más alto entre todos los estudios (según el
conocimiento de los autores), y el SEN en el día sería más bajo, porque
muchas otras actividades diarias (por ejemplo, hacer deporte o trabajar
en casa) eran incluido en el conjunto de datos. Esto conduciría a una
mayor posibilidad de desafíos para distinguir los movimientos
convulsivos de todos los demás movimientos diarios. Consideramos
que tener un SEN relativamente bajo podría ser aceptable (cuando nos
ocupamos de la compensación entre FAR y SEN), porque, como se
observó consistentemente, SUDEP ocurre más durante la noche y muy
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.
Una limitación de este estudio es que los sensores motores solo
pueden detectar ataques convulsivos, porque algunos ataques son
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.
TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022
no es claramente visible en las señales ACM y ANG. Además de un solo tipo de detección de ataques epilépticos, la
clasificación de los tipos de ataques es más desafiante debido al número limitado de múltiples tipos de datos de
ataques y sujetos. La medición de la EMG y otras señales podría ser útil para incluir más tipos de convulsiones. EMG no
mide ningún movimiento directamente, pero ilustra los tonos musculares en las contracciones tónicas, por lo que el
uso de sensores ACM y EMG podría incluir el tipo de convulsión tónica [16] en nuestro sistema de detección de
convulsiones propuesto. Además de los dispositivos portátiles, los sensores sin contacto permiten que el sujeto no use
ningún dispositivo mientras aún está bajo detección, y nuestro grupo ha diseñado un dispositivo de detección de
frecuencia cardíaca y frecuencia respiratoria basado en radar [37] para usar por la noche mientras el sujeto estaba
sueño, con el objetivo de evitar la noche SUDEP. Además, este radar nocturno fue diseñado como un método sin
contacto, lo que significa que el sujeto no tiene que usar ningún dispositivo mientras duerme. En nuestro estudio
futuro, utilizaríamos este radar sin contacto para detectar convulsiones por la noche. Y en nuestro estudio adicional,
usaríamos dispositivos portátiles de monitoreo de PPG, EMG y ECG para promover más tipos de convulsiones, como
convulsiones no convulsivas. La primera versión de nuestro dispositivo propuesto solo tiene sensores de motor, y la
frecuencia cardíaca se integrará en el futuro, y planeamos realizar un estudio que integre los datos de la frecuencia
cardíaca. El uso de la combinación de la frecuencia cardíaca con los datos del motor (p. ej., ACM) puede mejorar el
rendimiento de la detección [38]. Y en nuestro estudio adicional, usaríamos dispositivos portátiles de monitoreo de
PPG, EMG y ECG para promover más tipos de convulsiones, como convulsiones no convulsivas. La primera versión de
nuestro dispositivo propuesto solo tiene sensores de motor, y la frecuencia cardíaca se integrará en el futuro, y
planeamos realizar un estudio que integre los datos de la frecuencia cardíaca. El uso de la combinación de la frecuencia
cardíaca con los datos del motor (p. ej., ACM) puede mejorar el rendimiento de la detección [38]. Y en nuestro estudio
adicional, usaríamos dispositivos portátiles de monitoreo de PPG, EMG y ECG para promover más tipos de
convulsiones, como convulsiones no convulsivas. La primera versión de nuestro dispositivo propuesto solo tiene
sensores de motor, y la frecuencia cardíaca se integrará en el futuro, y planeamos realizar un estudio que integre los
datos de la frecuencia cardíaca. El uso de la combinación de la frecuencia cardíaca con los datos del motor (p. ej., ACM)
puede mejorar el rendimiento de la detección [38].
Otra limitación de este estudio es que la mayoría de los sujetos tuvieron
diferentes números de convulsiones, incluso algunos con solo unas pocas
convulsiones. Por lo tanto, el enfoque de "dejar a los pacientes fuera" causaría una
clara limitación en el entrenamiento del modelo, lo que probablemente podría
conducir a sesgar el modelo hacia los pacientes que dominan el número de
convulsiones. En la aplicación real para adoptar nuestro modelo, potencialmente
podríamos pedir a los usuarios que presionen botones para marcar sus
incautaciones en una fase temprana, y esos datos marcados se pueden usar para
entrenar un modelo usando nuestro algoritmo propuesto. Sin embargo,
deberíamos incluir más pacientes con más eventos de convulsiones en el futuro
para desarrollar un algoritmo "independiente del paciente", donde no se usaron
datos del mismo paciente para el entrenamiento y la prueba.
VCONCLUSIÓN
En este estudio, diseñamos una pulsera con sensores de motor para ayudar a
monitorear epilépticos en el hogar, lo que ayuda a ahorrar costos de mano de
obra. El botón de marca de autoanotación podría ayudar a mejorar
POLLAet al.: MÉTODO DE CONJUNTO DE DOS CAPAS PARA LA DETECCIÓN DE CONVULSIONES EPILÉPTICAS UTILIZANDO UNA PULSERA DE AUTOANOTACIÓN
la eficiencia del etiquetado de datos. Para ampliar, este botón de marca
podría usarse para mejorar la ACU del algoritmo de detección. Este
dispositivo propuesto es capaz de detectar ataques de tipo convulsivo
que duran más de 15 s.
Propusimos dos algoritmos principales en este estudio; uno es el
método de selección automática de datos activos, a saber, el algoritmo
EAMS, y el otro es el método de clasificación de conjuntos de dos capas,
a saber, el algoritmo TLEM. El método de selección propuesto ayuda a
descartar más del 90% de los datos inactivos para acelerar el siguiente
paso de análisis y clasificación de datos. También encontramos la
cantidad adecuada para que el modelo propuesto obtenga el mejor
rendimiento. El método de clasificación propuesto está bien entrenado
en 6000 muestras y 650 muestras para modelos generales y nocturnos
individualmente, y se valida en datos recopilados de pacientes que
usan las pulseras que diseñamos. La clasificación de dos capas
propuesta es capaz de manejar el conjunto de datos desequilibrado
mientras combina los beneficios de los alumnos básicos de la primera
capa y alcanza un rendimiento mejorado. El modelo detectó 136 (76.
83%) de 177 convulsiones en total, en las que se reconocen 87 (94,57%)
de 92 convulsiones nocturnas. En comparación con los modelos de
clasificación simple, el modelo de clasificación de conjunto de dos capas
propuesto muestra la viabilidad de la detección automática de ataques
convulsivos. Tanto el modelo general como el nocturno han alcanzado
el mejor rendimiento según el enfoque propuesto con el tamaño del
conjunto de datos con 6500 y 650 muestras individualmente.
En conclusión, los resultados sugieren que este estudio se puede utilizar
para la detección automatizada de convulsiones basada en métodos de
recolección en el hogar con datos ACM y ANG y se espera que contribuya a
un sistema portátil completo de detección de convulsiones multisensor.
RFERENCIAS
[1] L. Chang, “Progreso en la investigación epidemiológica de la epilepsia en
China”,J. Int. Neurol. neurocirugía, vol. 39, núm. 2, págs. 161 a 164, 2012.
[2] A. Neligan, GS Bell, SD Shorvon y JW Sander, "Tendencias temporales en la
mortalidad de las personas con epilepsia: una revisión"epilepsia, vol. 51,
núm. 11, págs. 2241–2246, noviembre de 2010.
[3] J. van Andel, RD Thijs, A. de Weerd, J. Arends y F. Leijten, "Detección de convulsiones
ambulatorias no basadas en EEG diseñada para uso doméstico: ¿Qué hay disponible y
cómo influirá en la atención de la epilepsia?"Comportamiento de la epilepsia., vol. 57,
págs. 82–89, abril de 2016.
[4] T. Tomson, T. Walczak, M. Sillanpaa y JWAS Sander, "Muerte súbita inesperada en la
epilepsia: una revisión de la incidencia y los factores de riesgo" epilepsia, vol. 46,
núm. 11, págs. 54–61, diciembre de 2005.
[5] C. Endureceret al., “Resumen de la guía de práctica: Muerte súbita inesperada en las tasas de
incidencia y factores de riesgo de la epilepsia,”Neurología, vol. 88, núm. 17, págs. 1674–
1680, abril de 2017.
[6] GD Cascino, "Indicaciones clínicas y rendimiento diagnóstico de la monitorización
videoelectroencefalográfica en pacientes con convulsiones y episodios" Procedimiento de
la Clínica Mayo., vol. 77, núm. 10, págs. 1111–1120, octubre de 2002.
[7] S. Lahmiri y A. Shmuel, "Clasificación precisa de convulsiones e intervalos
libres de convulsiones de señales EEG intracraneales de pacientes
epilépticos"Trans. IEEE. instrumento medida, vol. 68, núm. 3, págs. 791–796,
marzo de 2019.
[8] M. Kolodziej, A. Majkowski, RJ Rak y A. Rysz, "Detección de picos con
parámetros definidos en la señal ECoG"Trans. IEEE. instrumento
medida, vol. 68, núm. 4, págs. 1045–1052, abril de 2019.
[9] S. Beniczky, T. Polster, TW Kjaer y H. Hjalgrim, "Detección de convulsiones tónico-
clónicas generalizadas mediante un acelerómetro de muñeca inalámbrico: un
estudio multicéntrico prospectivo"epilepsia, vol. 54, núm. 4, págs. e58–e61, abril de
2013.
[10] GT Borujeny, M. Yazdi, A. Keshavarz-Haddad y AR Borujeny, "Detección de
ataques epilépticos mediante redes de sensores inalámbricos"J.Med.
sensores de señales, vol. 3, núm. 2, págs. 63 a 68, 2013.
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
[11] S. Kusmakar, CK Karmakar, B. Yan, TJ O'Brien, R. Muthuganapathy y M.
Palaniswami, "Detección automática de ataques convulsivos mediante un
dispositivo de acelerómetro portátil"Trans. IEEE. biomedicina Ing., vol. 66,
núm. 2, págs. 421–432, febrero de 2019.
[12] K. Cuppenset al., “Monitorización domiciliaria basada en acelerometría para la detección de
convulsiones hipermotoras nocturnas basada en la detección de novedades”IEEE J.
Biomédica. Informat. Salud, vol. 18, núm. 3, págs. 33–1026, 2014.
[13] K. Cuppens, L. Lagae, B. Ceulemans, S. Van Huffel y B. Vanrumste, "Detección
de convulsiones nocturnas del lóbulo frontal en pacientes pediátricos
mediante acelerómetros: un primer estudio", enproc. año En t. Conf. Ing.
IEEE Medicina. Biol. Soc., Minneapolis, MIN, EE. UU., septiembre de 2009,
págs. 6608–6611.
[14] TME Nijsen, RM Aarts, PJ Cluitmans y
PAM Griep, "Análisis de frecuencia de tiempo de datos de acelerometría para la detección
de convulsiones mioclónicas"Trans. IEEE. información Tecnología biomedicina, vol. 14,
núm. 5, págs. 1197–1203, septiembre de 2010.
[15] S. Beniczky, I. Conradsen y P. Wolf, "Detección de ataques convulsivos
mediante electromiografía de superficie"epilepsia, vol. 59, págs. 23–29, junio
de 2018.
[16] I. Conradsen, S. Beniczky, P. Wolf, J. Henriksen, T. Sams y
HBD Sorensen, “Detección del inicio de convulsiones basada en un sistema
inteligente de adquisición de convulsiones uni o multimodal (UISA/MISA)”, enproc.
año En t. Conf. Ing. IEEE Medicina. Biol., agosto de 2010.
[17] J. van Andel, C. Ungureanu, R. Aarts, F. Leijten y J. Arends, "Uso de la
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.
[18] S. Singh, M. Kozlowski, I. García-López, Z. Jiang y
E. Rodriguez-Villegas, "Prueba de concepto de un novedoso sistema PPG
portátil situado en el cuello para monitoreo fisiológico continuo"Trans. IEEE.
instrumento medida, vol. 70, págs. 1 a 9, 2021.
[19] A. van Westrhenen, T. De Cooman, RHC Lazeron, S. Van Huffel y
RD Thijs, "Cambios autonómicos ictales como herramienta para la detección de
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
cardíaca mediante un dispositivo de electrocardiografía portátil"epilepsia, vol. 60, núm. 10,
págs. 2105–2113, octubre de 2019.
[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.
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
2019.
[23] JBAM Arends, “Detección de convulsiones basada en el movimiento”,epilepsia, vol.
59, págs. 30 a 35, junio de 2018.
[24] J. Arendset al., “Detección de convulsiones nocturnas multimodales en un entorno de atención
residencial,”Neurología, vol. 91, núm. 21, págs. e2010–e2019, noviembre de 2018.
[25] U. Kramer, S. Kipervasser, A. Shlitner y R. Kuzniecky, "Un novedoso sistema de
alarma portátil para la detección de convulsiones: resultados preliminares"J. Clin.
Neurofisiol., vol. 28, núm. 1, págs. 8 a 36, 2011.
[26] J. Lockman, RS Fisher y DM Olson, "Detección de movimientos similares a convulsiones
mediante un acelerómetro de muñeca"Comportamiento de la epilepsia., vol. 20, núm. 4,
págs. 638–641, abril de 2011.
[27] D. Pascual, A. Aminifar, and D. Atienza, “Una metodología de autoaprendizaje para la
detección de ataques epilépticos con etiquetado de bordes mínimamente supervisado,”
enproc. Diseño, Autom. prueba euros Conf. Exhibición (FECHA), marzo de 2019,
págs. 764–769.
[28] J. Bidwell, T. Khuwatsamrit, B. Askew, JA Ehrenberg y S. Helmers, "Tecnologías de notificación
de convulsiones para el tratamiento de la epilepsia: una revisión de las necesidades de
información clínica y las tecnologías de apoyo"Convulsión, vol. 32, págs. 109 a 117,
noviembre de 2015.
[29] I. Conradsen, P. Wolf, T. Sams, HBD Sorensen y S. Beniczky, "Patrones de activación
muscular durante las convulsiones epilépticas tónicas generalizadas y tónico-
clónicas".epilepsia, vol. 52, núm. 11, págs. 2125–2132, noviembre de 2011.
[30] San Lucaset al., “Detección de eventos raros usando estadísticas de valores extremos
aplicadas a convulsiones epilépticas en niños,”Artefacto Intel. Medicina., vol. 60, núm. 2,
págs. 89–96, febrero de 2014.
[31] D. Johansonet al., "Detección de convulsiones tónico-clónicas utilizando sensores portátiles
basados en acelerometría: un estudio prospectivo controlado por video-EEG". Convulsión
, vol. 65, págs. 48–54, febrero de 2019.
[32] TM Khoshgoftaar, M. Golawala y JV Hulse, “Un estudio empírico sobre el aprendizaje a partir
de datos desequilibrados utilizando bosques aleatorios”, enproc. 19º IEEE Internacional.
Conf. Herramientas Artif. Intel. (ICTAI), octubre de 2007, págs. 310–317.
[33] C. Donget al., “Detección domiciliaria de crisis epilépticas mediante pulsera
con sensores motores”, enproc. 10° Int. Conferencia IEEE/EMBS. Ing. neural.
(NER), mayo de 2021, págs. 854–857.
4005013 TRANSACCIONES IEEE SOBRE INSTRUMENTACIÓN Y MEDIDA, VOL. 71, 2022

[34] A. Sveier, AM Sjøberg y O. Egeland, "Integración aplicada de
Runge-Kutta-Munthe-Kaas para la cinemática del cuaternión"
J. Guid., Control, Dyn., vol. 42, núm. 12, págs. 2747–2754, diciembre de 2019.
[35] Y. Freund y RE Schapire, "Experimentos con un nuevo algoritmo de refuerzo",
enproc. 13 Int. Conf. Mach. Aprender., Bari, Italia, julio de 1996, págs. 148–
156.
[36] BS Purnell, RD Thijs y GF Buchanan, "Muerto en la noche: Influencias del
sueño, la vigilia y la hora del día en la muerte súbita e inesperada en la
epilepsia".Frontiers Neurol., vol. 9, pág. 1079, diciembre de 2018.
[37] W. Hu, Z. Zhao, Y. Wang, H. Zhang y F. Lin, "Medición precisa sin contacto de la
actividad cardiopulmonar mediante un sensor de radar Doppler en
cuadratura compacto"Trans. IEEE. biomedicina Ing., vol. 61, núm. 3, págs.
725–735, marzo de 2014.
[38] J. van Andelet al., “Detección automatizada y multimodal de convulsiones motoras nocturnas
en el hogar: ¿Es factible un detector de convulsiones confiable?”Epilepsia Abierta, vol. 2,
núm. 4, págs. 424–431, diciembre de 2017.
Ronald M. Aarts(Fellow, IEEE) recibió la
licenciatura en ingeniería eléctrica y el Ph.D.
Licenciado en Física por la Universidad
Tecnológica de Delft, Delft, Países Bajos, en
1977 y 1995, respectivamente.
Se unió al Grupo de Óptica, Philips Research Laboratories
(anteriormente conocido como NatLab), Eindhoven, Países Bajos,
en 1977 e inicialmente investigó los servos y el procesamiento de
señales para usar tanto en reproductores de video de larga
duración como en reproductores de discos compactos. Ha sido
profesor titular a tiempo parcial en la
Universidad Tecnológica de Eindhoven (TU Eindhoven), Eindhoven, desde 2006, donde se
dedica principalmente a supervisar el máster y el doctorado. estudiantes. Ha sido
presidente de Aarts Consultancy (Adviesbureau Aarts) desde 1990. Actualmente es
profesor en el Departamento de Ingeniería Eléctrica, TU Eindhoven. Sus intereses de
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.

chun jiao dongrecibió la licenciatura del

Departamento de Ciencia y Tecnología Electrónica,
Instituto de Tecnología de Harbin, Harbin, China, en
2017. Actualmente está cursando el Ph.D. grado
con el Instituto de Microelectrónica de la Academia
de Ciencias de China (IMECAS), Universidad de la
Academia de Ciencias de China, Beijing, China.
Ella es una Ph.D. visitante. con la Universidad
Tecnológica de Eindhoven, Eindhoven, Países Bajos. Sus Johannes P van Dijk(Senior Member, IEEE) es
intereses de investigación incluyen biosensores y actualmente el Jefe del Departamento de Física Clínica,
procesos y análisis de señales biológicas multimodales. el Centro del Sueño y la Epilepsia, Kempenhaeghe,
Heeze, Países Bajos, Investigador Principal del
Departamento de Ortodoncia, Universidad de Ulm,
Ulm, Alemania, e Invitado Principal Investigador de la
Universidad Tecnológica de Eindhoven, Eindhoven,
tianchun ye(Miembro, IEEE) recibió la licenciatura en Países Bajos. Sus intereses de investigación incluyen el
microelectrónica de semiconductores de la Universidad campo de la neurofisiología clínica utilizando
de Fudan, Shanghái, China, en 1986. electromiografía (de alta densidad),
Actualmente es el Director del Instituto de Microelectrónica de
electroencefalograma y la aplicación de
la Academia de Ciencias de China, Beijing, China, donde participa
sive) sensores en epilepsia y trastornos del sueño.
en estudios sobre tecnología de fabricación de circuitos
integrados, nuevos dispositivos y microfabricación. Como
principal de la materia y columna vertebral clave, ha completado
una docena de temas de investigación, que cuentan con el apoyo
de la Investigación y el Desarrollo de Tecnologías Clave
Nacionales de 7 a 10 años de cinco años.
ment, el Proyecto Nacional de Escalada, el Proyecto "863", el "Programa 973" y el Programa de
Innovación del Proyecto de Conocimiento, Academia de Ciencias de China. Sus intereses de
investigación incluyen el diseño y la aplicación de circuitos integrados, la nanofabricación y los
dispositivos novedosos. Chunheng Shangfue Investigador Asistente en el Instituto de Microelectrónica de
la Academia China de Ciencias, Beijing, China. Actualmente trabaja en Beijing
Shunyuan Kaihua Technology Company Ltd., Beijing. También es ingeniera sénior
de algoritmos en Zepp Health, Hefei, China, donde trabaja en el desarrollo de
algoritmos para varios dispositivos portátiles, incluidos relojes inteligentes,
Xi largo(Senior Member, IEEE) nació en China, en
monitores de sueño inteligentes y monitores de radar sin contacto en los últimos
1983. Recibió el B.Eng. grado en ingeniería de
siete años. Sus intereses de investigación incluyen análisis y procesamiento de
información electrónica de la Universidad de
datos de sensores, aprendizaje automático y algoritmos de aprendizaje profundo
Zhejiang, Hangzhou, China, en 2006, y el M.Sc. y
en dispositivos portátiles.
doctorado (cum laude)grados en ingeniería
eléctrica de la Universidad Tecnológica de
Eindhoven (TU Eindhoven), Eindhoven, Países Bajos,
en 2009 y 2015, respectivamente.
De 2010 a 2011, estuvo en Tencent, Shenzhen, China,
donde estuvo involucrado en la extracción de datos y la
investigación de usuarios. Tiene diez años de investigación.
y experiencia de desarrollo en la industria de la salud, con Philips Research,
Eindhoven, donde actualmente es científico sénior y líder de inteligencia artificial
(IA) de Full Contract Scan (FCS) en el Departamento de Cuidado Personal y Xiwen LiaoActualmente es Investigador Asistente en el
Preventivo. También es profesor asistente en TU Eindhoven y profesor asociado en Instituto de la Academia China de Ciencias, Beijing,
el Departamento de Ingeniería Eléctrica de TU Eindhoven. Sus intereses de China, donde está principalmente involucrado en el
investigación incluyen procesamiento de señales y aprendizaje automático en desarrollo de electrónica médica portátil y gestión de
aplicaciones de salud y biomedicina. Ha publicado más de 80 artículos e informes información médica, entre otros. Había desarrollado
en estos campos, y sus inventos dieron lugar a más de diez solicitudes de monitores de señales sin contacto, pulseras de control
patentes. de la epilepsia basadas en múltiples parámetros
El Dr. Long recibió el premio al mejor artículo de estudiante de la fisiológicos. Ha publicado artículos seis artículos y más
conferencia IEEE Bioinformatics and Bioengineering (BIBE) y el premio al de diez solicitudes de patentes.
primer finalista de la conferencia IEEE Biomedical and Health Informatics
(BHI) en 2012.

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
wei chen(Senior Member, IEEE) recibió el B.Eng. y
M.Ing. grados en sistemas de telecomunicaciones y
sistemas de sensores inteligentes de la Escuela de
Ingeniería Eléctrica e Información, Universidad
Xi'an Jiaotong, Xi'an, China, en 1999 y 2002,
respectivamente, y el Ph.D. Licenciatura en
monitoreo de rendimiento y mitigación de
deterioro para sistemas de comunicación óptica del
Departamento de Ingeniería Eléctrica y Electrónica
de la Universidad de Melbourne, Melbourne, VIC,
Australia, en 2007.
Trabajó como pasante en Bell Laboratories, Munich, Alemania, y Alcatel-Lucent,
Stuttgart, Alemania, en 2005. De 2007 a 2015, fue profesora asistente en la
Universidad Tecnológica de Eindhoven, Eindhoven, Países Bajos. Desde 2015, ha
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).
Wanlin Lairecibió la licenciatura en medicina clínica
y la maestría en neurología del Hospital de China
Occidental, Universidad de Sichuan, Chengdu,
China, en 2017 y 2020, respectivamente, donde
actualmente está cursando el doctorado. grado.
Recibió su título de médico en 2018 y su licencia de
médico en ejercicio en 2020.
Sus intereses de investigación incluyen aspectos clínicos y
científicos de la epilepsia, particularmente la interacción entre la
epilepsia femenina y las hormonas sexuales y la advertencia de
ataques convulsivos.
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
lei chenActualmente es neurólogo y profesor en el
Departamento de Neurología, Hospital de China Occidental,
Universidad de Sichuan, Chengdu, China. Ha publicado más
de 100 artículos. Sus intereses de investigación incluyen la
etiología, los mecanismos y el diagnóstico de la epilepsia.
Este trabajo ha incluido estudios de la terapia médica para
la epilepsia, el papel del ARN no codificante en la epilepsia
refractaria, estudios de imágenes cerebrales de la epilepsia
y mecanismos metabólicos de la epilepsia.
El Prof. Chen ha recibido varios premios internacionales,
incluido el de la Academia Estadounidense de Neurología.
ogy (AAN) International Scholarship Award (2015), American Federation
for Medical Research (AFMR) Henry Christian Award (2015) y Japanese
Epilepsy Society International Scholarship Award (2009).
YunfengWangrecibió la licenciatura en
microelectrónica de la Universidad de Xidian, Xi'an,
China, en 2004, y el Ph.D. Licenciado en
microelectrónica y electrónica de estado sólido del
Instituto de Microelectrónica de la Academia de
Ciencias de China, Beijing, China, en 2009.
Actualmente es profesor asociado en el Instituto de
Microelectrónica de la Academia de Ciencias de China. Sus
intereses de investigación actuales incluyen el diseño de
circuitos analógicos y de RF para comunicaciones
inalámbricas de baja potencia, circuitos biomédicos y
y sistemas de salud portátiles y su tecnología y diseño de ultra bajo consumo de
energía.