FASE 2

Diagnóstico y planificación del proyecto

UNIDAD 1

PRESENTADO POR:
MARIA FERNANDA MANRIQUE MORENO

GRUPO:
31

PRESENTADO A:
ERIK MIGUEL BARRIOS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA
INSTRUMENTACIÓN MEDICA
16-01
SALDAÑA, TOLIMA
MARZO
2024
 Desarrollo de la actividad:
1. A través de bases de datos especializadas como Science, Scielo, Redalyc, Google
Scholar, EBSCO, Scopus, o aquellas con las que la universidad tenga convenio en la
biblioteca, el grupo colaborativo buscará 5 artículos sobre sistemas de
instrumentación electrónica que permitan solucionar problemáticas específicas
aplicadas a la ciencia médica, recientes no mayores de 5 años. Cada miembro del
grupo debe seleccionar un tipo de bioseñal diferente y anunciarlo en el foro
colaborativo. Finalmente, cada estudiante debe completar la tabla 1.

Maria Fernanda Manrique Moreno

Encefalograma
Multi-classification for EEG motor imagery signals using data evaluation-based
Artículo
auto-selected regularized FBCSP and convolutional neural network.
An, Yang
Autor Lam, Hak Keung
Ling, Sai Ho
Referencia Referencias
bibliográfica An, Y., Lam, H. K., & Ling, S. H. (2023). Multi-classification for EEG motor
imagery signals using data evaluation-based auto-selected regularized FBCSP
and convolutional neural network. Neural Computing & Applications, 35(16),
12001–12027. https://doi-org.bibliotecavirtual.unad.edu.co/10.1007/s00521-023-
08336-z
Referencias [1] Trad D, Al-ani T, Jemni M (2015) A feature extraction technique
bibliográficas of EEG based on EMD-BP for motor imagery classification in
que aparecen BCI. In: 2015 5th international conference on information &
al final del communication technology and accessibility (ICTA), pp 1–6
artículo [2] Wu Y, Huang TH, Lin CY, Tsai SJ, Wang P (2018) Classification
of EEG motor imagery using support vector machine and convolutional neural
network. In: 2018 international automatic
control conference (CACS), pp 1–4
[3] Li S, Feng H (2019) EEG signal classification method based on
feature priority analysis and CNN. In: 2019 international conference on
communications, information system and computer
engineering (CISCE), pp 403–406
[4] Li D, Wang J, Xu J, Fang X (2019) Densely feature fusion based
on convolutional neural networks for motor imagery EEG classification. IEEE
Access 7:132720–132730
[5] Ang KK, Chin ZY, Wang C, Guan C, Zhang H (2012) Filter bank
common spatial pattern algorithm on BCI competition IV datasets 2a and 2b.
Front Neurosci. https://doi.org/10.3389/fnins.
2012.000391]Erik K. St. Louis. Eeg in the epilepsies. 1970. URL
https://www.ncbi.nlm.nih.gov/books/NBK390347/.
URL https://doi-org.bibliotecavirtual.unad.edu.co/10.1007/s00521-023-08336-z
Resumen del En los últimos años, ha habido un renovado interés en la interfaz cerebro-
artículo computadora (BCI). Una de las tareas del BCI es clasificar las imágenes motoras
EEG (IM). Se ha realizado un gran esfuerzo en la clasificación de MI. Lo que
 parece faltar, sin embargo, es una clasificación de MI múltiple. Este artículo
desarrolla una red neuronal convolucional basada en un solo canal para
abordar tareas de imágenes motoras de clasificación múltiple. Para la
clasificación múltiple, una estrategia de aprendizaje de un solo canal puede
extraer resultados efectivos.
Información de cada canal independiente, haciendo que la información entre
canales adyacentes no se afecte entre sí. A también se proponen un método de
evaluación de datos y un algoritmo de autoselección de parámetros de
regularización mutua basado en información para generar filtros espaciales
efectivos. El método propuesto se puede utilizar para abordar el problema de
una mezcla inexacta.
Matriz de covarianza causada por parámetros de regularización fijos y datos de
entrenamiento no válidos. Para ilustrar los méritos de los métodos propuestos,
utilizamos la precisión de validación cruzada diez veces y kappa como medidas
de evaluación para probar dos datos conjuntos. Los conjuntos de datos BCI4-2a
y BCI3a tienen cuatro clases mentales. Para el conjunto de datos BCI4-2a, la
precisión promedio es 79,01% y el kappa es 0,7202 utilizando un banco de filtros
de selección automática basado en evaluación de datos, votación de patrón
espacial común regularizada (DACSP-V) y una red neuronal convolucional en
serie de un solo canal (SCS-CNN). En comparación con el FBRCSP tradicional, El
método propuesto mejoró la precisión en un 7,14% para el conjunto de datos
BCI4-2a. Al utilizar el conjunto de datos BCI3a, el método propuesto precisión
mejorada en un 9,54% en comparación con el FBRCSP tradicional, la precisión
promedio del método propuesto es del 83,70%, y el kappa es 0,7827.
Analice el artículo y describa con sus propias palabras ¿cómo se relaciona el artículo científico
con el proyecto propuesto en el curso?
Respuesta:
El artículo presenta un enfoque para el procesamiento de señales EEG que podría usarse en
BCI. Aunque no es una solución completa, ofrece una base sólida para el desarrollo de
sistemas de instrumentación médica en este campo, con posibles aplicaciones en el módulo de
procesamiento de señales al implementar la red neuronal convolucional propuesta en un
sistema de instrumentación médica para BCI; o para mejorar la precisión y la velocidad para
evaluar el impacto del método en la precisión y la velocidad de la clasificación de imágenes
motoras; o para la visualización de señales EEG.

2. El grupo colaborativo desarrolla una propuesta de proyecto que incluye:

• Planteamiento del problema: Escriben la definición del problema, contextualizando
claramente el qué, dónde, cómo, por qué, causas y efectos. Si es posible, incluye cifras
que ayuden a sustentar que es un problema, justifica si no las incluyen porque no fue
posible.
• Justificación: Escriben la justificación del problema; Debe incluir la importancia de
brindar una solución, quién se beneficiaría de la solución.
• Objetivos: Escribir los objetivos (principales y específicos) necesarios para resolver el
problema.
• Actividades: Establecer las actividades para el diseño e implementación de la
solución.
• Responsable: Definir los roles y responsabilidades de cada participante del grupo
colaborativo.
• Presupuesto: Definir el presupuesto necesario para la implementación de la solución.

Título: Detección temprana de epilepsia mediante análisis automatizado de EEG en

zonas rurales de Colombia

Definición: La epilepsia es una enfermedad neurológica crónica que afecta a personas

de todas las edades. Se caracteriza por convulsiones recurrentes, que son episodios de
actividad eléctrica anormal en el cerebro.

Contexto: En Colombia, se estima que hay alrededor de 500.000 personas con

epilepsia, de las cuales el 70% no recibe tratamiento adecuado. Esto se debe a la falta de
acceso a especialistas en neurología y a los altos costos de los exámenes diagnósticos,
como el electroencefalograma (EEG).

Problema: El diagnóstico tardío de la epilepsia puede tener graves consecuencias para

la salud de las personas afectadas, como:
- Discapacidad intelectual
- Retraso en el desarrollo
- Problemas de aprendizaje
- Trastornos psicológicos
- Muerte súbita inesperada en la epilepsia (SUDEP)
- Causas: Las causas de la epilepsia son variadas e incluyen:
- Factores genéticos
- Lesiones cerebrales
- Infecciones
- Accidentes cerebrovasculares
- Tumores cerebrales

Causas:
Las causas de la epilepsia son variadas e incluyen:
- Factores genéticos
- Lesiones cerebrales
- Infecciones
- Accidentes cerebrovasculares
- Tumores cerebrales

Efectos:
La epilepsia puede tener un impacto significativo en la calidad de vida de las personas
afectadas, tanto a nivel físico como social. Las personas con epilepsia pueden
experimentar:
- Estigmatización
- Discriminación
- Dificultades para encontrar trabajo
- Dificultades para mantener relaciones sociales
- Depresión y ansiedad

Cifras:
Según la Organización Mundial de la Salud (OMS), la epilepsia es la enfermedad
neurológica más común en el mundo, con alrededor de 50 millones de personas
afectadas.
En Colombia, se estima que hay alrededor de 500.000 personas con epilepsia.
El 70% de las personas con epilepsia en Colombia no recibe tratamiento adecuado.
La epilepsia es la segunda causa de discapacidad intelectual en el mundo.

Justificación:
Brindar una solución al problema del diagnóstico tardío de la epilepsia en zonas rurales
de Colombia es de vital importancia para mejorar la calidad de vida de las personas
afectadas. Una solución temprana y adecuada puede:
- Reducir la frecuencia de las convulsiones
- Prevenir las complicaciones de la epilepsia
- Mejorar la calidad de vida de las personas con epilepsia
- Disminuir los costos de atención médica

Población afectada:
La población más afectada por el diagnóstico tardío de la epilepsia son las personas
que viven en zonas rurales de Colombia. Esto se debe a la falta de acceso a especialistas
en neurología y a los altos costos de los exámenes diagnósticos.

Objetivos:
Objetivo principal: Desarrollar un sistema de detección temprana de epilepsia mediante
análisis automatizado de EEG en zonas rurales de Colombia.

Objetivos específicos:
- Diseñar un dispositivo portátil de EEG de bajo costo.
- Desarrollar un algoritmo de análisis automatizado de EEG para la detección de
epilepsia.
- Implementar un programa de tamizaje para la detección temprana de epilepsia
en zonas rurales de Colombia.
Actividades:
- Diseño y construcción del dispositivo portátil de EEG.
- Desarrollo del algoritmo de análisis automatizado de EEG.
 - Validación del dispositivo y del algoritmo en un estudio piloto.
- Implementación del programa de tamizaje en zonas rurales de Colombia.

Beneficios:
Los beneficios de desarrollar un sistema de detección temprana de epilepsia mediante
análisis automatizado de EEG en zonas rurales de Colombia son:
- Mejora en la calidad de vida de las personas con epilepsia
- Reducción de la frecuencia de las convulsiones
- Prevención de las complicaciones de la epilepsia
- Disminución de los costos de atención médica
- Mayor acceso al diagnóstico y tratamiento de la epilepsia
Este proyecto tiene el potencial de mejorar significativamente la vida de miles de
personas con epilepsia en Colombia y también poder prevenirla.
Referencias:
- de, M. (2019). Epilepsia: mucho más que convulsiones. Minsalud.gov.co.
https://www.minsalud.gov.co/Paginas/Epilepsia-mucho-mas-que-
convulsiones.aspx#:~:text=%E2%80%8BEl%201%2C3%20%25%20de,de%20mortalidad
%20en%20el%20pa%C3%ADs.
- Lo que debe saber sobre la Muerte Súbita Inesperada En Personas Con Epilepsia
(SUDEP). (2024). Ny.gov.
https://www.health.ny.gov/diseases/conditions/epilepsy/sudep_fact_sheet_es.h
tm#:~:text=Personas%20que%20se%20olvidan%20frecuentemente,Personas
%20que%20tienen%20convulsiones%20nocturnas.
- World. (2024, February 7). Epilepsy. Who.int; World Health Organization: WHO.
https://www.who.int/es/news-room/fact-sheets/detail/epilepsy#:~:text=La
%20epilepsia%20es%20una%20enfermedad,de%20ingresos%20bajos%20y
%20medianos.
-
- ‌
- ‌
- ‌
-