Análisis y clasificación automática de registros aEEG según la presencia y grado de patología
Uložené v:
| Názov: | Análisis y clasificación automática de registros aEEG según la presencia y grado de patología |
|---|---|
| Autori: | Rigo Vidal, Agnès, Sole Casals, Jordi, Pàmies Vilà, Rosa, Fabregat Sanjuan, Albert, Pascual Rubio, Vicenç |
| Zdroj: | UPCommons. Portal del coneixement obert de la UPC Universitat Politècnica de Catalunya (UPC) |
| Informácie o vydavateľovi: | Sociedad Española de Ingeniería Biomédica (SEIB), 2024. |
| Rok vydania: | 2024 |
| Predmety: | Electroencephalography--Classification, Electroencefalografia--Classificació, Àrees temàtiques de la UPC::Enginyeria biomèdica |
| Popis: | Los recientes avances en tecnología médica han mejorado las tasas de supervivencia de los recién nacidos, aunque aún presentan un alto riesgo de problemas neurológicos. Identificar precozmente el grado de lesión cerebral en bebés con encefalopatía o convulsiones es un desafío clínico. La electroencefalografía integrada en amplitud continua (aEEG) permite monitorizar la función cerebral de los neonatos durante períodos prolongados, incrementando su uso en unidades de cuidados intensivos neonatales (UCIN). El estudio presenta un método que integra múltiples características de aEEG y modelos de clasificación para analizar registros de aEEG. Se analizaron 288 registros, clasificados en dos grupos: 146 patológicos (que incluyen casos con lesiones cerebrales o actividad convulsiva) y 142 no patológicos (actividad cerebral normal). Las características fueron extraídas de registros de igual duración y procesadas por clasificadores, evaluando la importancia de una base de datos robusta, el procesamiento de señales y la extracción de características. Se compararon métodos de clasificación como Random Forest (RF), Support Vector Machine (SVM) lineal y no lineal, redes neuronales artificiales (ANN) y regresión logística (LR). El modelo basado en RF alcanzó una precisión del 86% y un recall del 73%, superando otros métodos en precisión, recall y el área bajo la curva (AUC), mostrando superioridad en la detección de trastornos cerebrales neonatales. El estudio concluye proponiendo una metodología que optimiza las prácticas diagnósticas y sienta las bases para futuras investigaciones en aEEG neonatal, mejorando la detección y tratamiento de condiciones neurológicas en neonatos Se agradece al servicio de neonatología del Hospital Universitari Joan XXIII por ceder los registros. Finalmente, agradecemos la financiación proporcionada por «la Caixa» a través del contrato LCF/TR/CI21/52650005 |
| Druh dokumentu: | Conference object |
| Popis súboru: | application/pdf |
| Jazyk: | Spanish; Castilian |
| Prístupová URL adresa: | https://hdl.handle.net/2117/420409 |
| Prístupové číslo: | edsair.dedup.wf.002..62874c4a9f54dbf534a15a64bb1592c7 |
| Databáza: | OpenAIRE |
Nájsť tento článok vo Web of Science | Abstrakt: | Los recientes avances en tecnología médica han mejorado las tasas de supervivencia de los recién nacidos, aunque aún presentan un alto riesgo de problemas neurológicos. Identificar precozmente el grado de lesión cerebral en bebés con encefalopatía o convulsiones es un desafío clínico. La electroencefalografía integrada en amplitud continua (aEEG) permite monitorizar la función cerebral de los neonatos durante períodos prolongados, incrementando su uso en unidades de cuidados intensivos neonatales (UCIN). El estudio presenta un método que integra múltiples características de aEEG y modelos de clasificación para analizar registros de aEEG. Se analizaron 288 registros, clasificados en dos grupos: 146 patológicos (que incluyen casos con lesiones cerebrales o actividad convulsiva) y 142 no patológicos (actividad cerebral normal). Las características fueron extraídas de registros de igual duración y procesadas por clasificadores, evaluando la importancia de una base de datos robusta, el procesamiento de señales y la extracción de características. Se compararon métodos de clasificación como Random Forest (RF), Support Vector Machine (SVM) lineal y no lineal, redes neuronales artificiales (ANN) y regresión logística (LR). El modelo basado en RF alcanzó una precisión del 86% y un recall del 73%, superando otros métodos en precisión, recall y el área bajo la curva (AUC), mostrando superioridad en la detección de trastornos cerebrales neonatales. El estudio concluye proponiendo una metodología que optimiza las prácticas diagnósticas y sienta las bases para futuras investigaciones en aEEG neonatal, mejorando la detección y tratamiento de condiciones neurológicas en neonatos<br />Se agradece al servicio de neonatología del Hospital Universitari Joan XXIII por ceder los registros. Finalmente, agradecemos la financiación proporcionada por «la Caixa» a través del contrato LCF/TR/CI21/52650005 |
|---|