El trabajo de investigación de Edgar H. Ayala-Britez*, estudiante del Programa de Doctorado en Ciencias de la Computación de la FP-UNA se publicó en la revista Q1 Machine learning & Knowledge extraction (MAKE) indexada a MDPI.
El artículo se titula: “Real-Time Epileptic Seizure Detection from Raw EEG Using Classical Machine Learning and Time-Domain Feature”. El mismo, forma parte de su tesis de doctorado y de un proyecto conjunto con la Agencia de Cooperación Internacional de Corea – KOICA**, y desarrollado en colaboración con la Universidad de Kwangwoon de la República de Corea.
Este estudio introduce y evalúa sistemáticamente 25 características del dominio temporal menos exploradas, 13 de las cuales no tienen precedentes documentados como características de clasificación en la detección de crisis epilépticas mediante EEG de cuero cabelludo, frente a 25 características clásicas y su combinación de 50 características. Los registros brutos y sin filtrar de la base de datos CHB-MIT se segmentaron en ventanas de 10 segundos, y siete clasificadores clásicos se optimizaron con GridSearchCV bajo validación cruzada StratifiedGroupKFold por sujeto, con los datos particionados a nivel de paciente de manera que ningún paciente apareciera tanto en los conjuntos de entrenamiento como de prueba.
El conjunto de características seleccionado, su rigurosa validación a nivel de sujeto y su interpretabilidad proporcionan una base reproducible y computacionalmente eficiente para su futura implementación clínica.
Los demás autores del artículos son: Lucas Frutos (FP-UNA), Diego P. Pinto-Roa (FP-UNA), Silvia Abente, Aníbal Molinas, Nam-Young Kim, Eun-Seong Kim, Yaesop Lee, Suhan Park.
Acceso al artículo: https://www.mdpi.com/2504-4990/8/8/231
*Investigador, integrante del Grupo de Investigación (en formación) en Sistemas Digitales de la FP-UNA (GISD)
**FP-UNA, Instituto de Previsión Social (IPS), KOICA, CIT-UNA
Visitas: 8
