Apoyo al diagnóstico de depresión mediante análisis de señales de EEG y herramientas de aprendizaje automatizado.

Abstract

El presente trabajo de tesis desarrolla un modelo de aprendizaje automatizado, machine learning, que mediante las características entregadas por el EEG, sirve para apoyar el diagnóstico de la depresión. Asimismo, se aporta al estado del arte, realizando un análisis de un mayor número de canales del electroencefalograma y enfatizando cuáles sirven para discernir de mejor manera entre tipos de sujetos. Para este análisis se utiliza un subconjunto de la base de datos obtenida desde "Patient Repository for EEG Data + Computational Tools", correspondiente al proyecto Brain Rest (código d003). Los datos utilizados están compuestos por las señales de EEG de 60 electrodos de 114 sujetos, de los cuales 43 son sujetos con depresión (31 de ellos mujeres) y 71 son de control (40 mujeres). Se desarrollan dos modelos de clasificación, primero uno simplificado, donde solo se consideró el promedio de las bandas de las frecuencias alfa, beta, delta, theta y gamma; omitiendo la espacialidad de los datos. Luego, se aplicó un modelo más complejo, que considera un análisis estadístico y de teoría de información de las bandas de frecuencia por canal de EEG. En este análisis se evalúan 506 características del EEG, identificando 15 que presentan más diferencia entre los grupos de estudio de depresivos y de control, y seleccionando finalmente 6 que sirven para apoyar el diagnóstico de depresión (dimensión de correlación en T7, P3,O1, PO3, FcZ y alfa en CP4). Para la clasificación se prueban los algoritmos de máquinas de vectores de soporte, bosques aleatorios y aumento de gradiente. Los hiperparámetros de los clasificadores son definidos mediante validación cruzada. El modelo simplificado desarrollado inicialmente obtuvo una exactitud balanceada del 80 % aplicando el clasificador de aumento de gradiente. Este trabajo concluye que un análisis exhaustivo de las características del EEG permite una mejor clasificación, apoyando de mejor manera el diagnóstico de depresión. Se obtuvo una exactitud balanceada del 91 % utilizando como clasificador las máquinas de vectores de soporte y las características de dimensión de correlación del canal T7 y potencia de la banda alfa del canal CP4. Por tanto, mediante el análisis de las características del EEG fue posible mejorar la clasificación en un 11 %, donde se falló en diagnosticar solo a dos sujetos, uno depresivo y otro de control. Los trabajos similares analizados varían entre un 72 % y un 93 % de exactitud en la clasificación.