Técnicas de soft computing para la identificación de episodios de epilepsia empleando dispositivos wearable

Resumen

La epilepsia es un trastorno neurológico crónico que afecta a unos 65 millones de personas en todo el mundo, lo que la convierte en uno de las enfermedades más comunes. Es habitual que los pacientes vean afectada su autonomía debido a la incapacidad de realizar tareas diarias con normalidad, tales como conducir, trabajar, etc. Por motivos de seguridad suele ser necesaria la supervisión por terceros, lo que induce un alto coste personal, familiar y social. La literatura relativa a la detección de episodios de esta enfermedad ha tratado diferentes soluciones utilizando diferentes elementos sensoriales así como técnicas de detección y modelado alternativas. En este estudio, partiendo de experiencia previa del grupo de investigación en otros ámbitos, se han desarrollado modelos para la detección de crisis epilépticas utilizando como elemento sensor un acelerómetro tri-axial colocado en la muñeca del brazo principal de la persona. Se han analizado diferentes tipos de modelos, tanto para ser incluidos en dispositivos wearable o Smart-phones como modelos para ser utilizados como servicios web inteligentes. Entre los modelos analizados se puede mencionar sistemas de reglas fuzzy aprendidas mediante diferentes meta-heurísticas -colonias de hormigas (ACO) y algoritmos genéticos (GA)-, árboles de decisión, máquinas de soporte vectorial y K-vecinos más cercanos. El presente estudio ha abordado no solo el estudio de los modelos de Soft-computing y de Inteligencia Artificial para la detección, sino que también ha analizado requisitos de plataformas tecnológicas que llevar el sistema a una implementar real. Los diseños, estudios, experimentos y análisis realizados han sido publicados en diferentes formatos para un total de cuatro contribuciones congresos internacionales con revisión a pares y tres artículos en revistas indexadas con impacto: • International Journal of Neural Systems (2016): "Generalized models for the classification of abnormal movements in daily life and its applicability to epilepsy convulsion recognition" . IF 6.333. • International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems (2016):"Pre-clinical study on the detection of simulated epilectic seizures". IF 1.214. • Journal of Sensors (2017): "An IoT platform for Epilepsy monitoring and supervising". IF 1.704. Se ha podido concluir qué tipos de modelos son más apropiados para su implantación en dispositivos wearable y cuáles serían los procesos y técnicas a utilizar en caso de servicios inteligentes. Además, se ha analizado algunos aspectos de diseño que se consideran fundamental en el desarrollo de plataformas para la monitorización de las personas que sufren de esta enfermedad. RESUMEN (en Inglés) Epilepsy is a chronic neurological disorder affecting a population about 65 millions of persons in all around the world, a fact which makes this illness one of the most common ones. In epilepsy, it is normal that patients’ autonomy is reduced due to the inability to do daily living activities as usual, such as driving, working, etc. Due to safety reasons, it is usual for a third person to monitor and supervise each patient, which induces in high personal, familiar and social costs. The related work in epilepsy seizure detection has deal with different sensory systems, different modelling and detection techniques. In this study, based on previous research from the research group in different but related areas, a set of models has been developed to detect the epileptic seizures using data gathered from a tri-axial accelerometer placed on the dominant wrist of the participant. Several different model types have been analysed, either to be implemented on wearable devices or on Smart-phones or to be implemented on smart web services. Among the analysed models ther can be found fuzzy rule based systems learned using different meta-heuristics –including Ant Colony Optimization (ACO) and Genetic Algorithms (GA)-, decision trees, support vector machines and K-Nearest Neighbour. This work has researched not only on studies in modelling with Soft-Computing and Artificial Intelligence, but also the needs and design requirements for technological platforms in order to implement epilepsy detection system in real world applications. The design, studies, experiments and analysis done in this research have been published in different media for a total of four international conference contributions with peer review, plus three papers published in indexed international journals with high impact: • International Journal of Neural Systems (2016): "Generalized models for the classification of abnormal movements in daily life and its applicability to epilepsy convulsion recognition" . IF 6.333. • International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems (2016):"Pre-clinical study on the detection of simulated epileptic seizures". IF 1.214. • Journal of Sensors (2017): "An IoT platform for Epilepsy monitoring and supervising". IF 1.704. It has been possible to conclude which models are more suitable for being implemented in wearable devices and which are better for the intelligent services. Furthermore, several different fundamental issues in the design of epilepsy monitoring platforms have been proposed.