Desarrollo y evaluación de clasificadores neuro-genéticos basados en señales de EEG para la ...

156 Pages·2015·2.43 MB·Spanish

UNIVERSIDAD DE VALLADOLID
ESCUELA TÉCNICA SUPERIOR DE INGENIEROS DE TELECOMUNICACIÓN

T F M
RABAJO IN DE ÁSTER

MÁSTER UNIVERSITARIO EN INVESTIGACIÓN
EN TECNOLOGÍAS DE LA INFORMACIÓN Y LAS COMUNICACIONES

Desarrollo y evaluación de clasificadores
neuro-genéticos basados en señales de EEG
para la ayuda al diagnóstico de la
esquizofrenia
Autor:
D. Lorenzo Santos Mayo
Tutores:
Dr. D. Luis Miguel San José Revuelta
Dr. D. Juan Ignacio Arribas Sánchez
Valladolid, 14 de Septiembre de 2015

Desarrollo y evaluación de
TÍTULO:
clasificadores neuro-genéticos
basados en señales de EEG para la
ayuda al diagnóstico de la
esquizofrenia
D. Lorenzo Santos Mayo
AUTOR:
Dr. D. Luis Miguel San José Revuelta
TUTORES:
Dr. D. Juan Ignacio Arribas Sánchez

Teoría de la Señal y Comunicaciones e
DEPARTAMENTO:
Ingeniería Telemática

TRIBUNAL
Dr. D. Pablo de la Fuente Redondo
PRESIDENTE:
Dr. D. Rodrigo de Luis García
SECRETARIO:
Dr. D. César Gutiérrez Vaquero
VOCAL:
14 de Septiembre de 2015
FECHA:

CALIFICACIÓN:
Resumen de TFM
El presente Trabajo de Fin de Máster (TFM) constituye una ampliación del Proyecto Fin de
Carrera (PFC) titulado "Diagnóstico automático de la esquizofrenia basado en el estudio de
señales de EEG de actividad cortical en el cerebro". En este proyecto se abordaba el problema
de la realización de una clasificación automática entre sujetos sanos y esquizofrénicos basada en
la onda P3b, evocada por el cerebro cuando es sometido a una tarea oddball auditiva, y en un
esquema de reconocimiento de patrones. Para ello, en primer lugar, se realizaba el pre-
procesado de las señales de EEG proporcionadas en un banco de datos. Posteriormente, se
extraían diferentes características de dichas señales que eran seleccionadas mediante algoritmos
de selección de características basados en la teoría de la información y en la distancia entre las
clases (MIFS, DISR y J5). Finalmente, estas características seleccionadas eran introducidas en
unos clasificadores altamente no lineales (MLP y SVM) llegando a obtener, en el mejor caso,
una tasa de acierto del 93.4%, una sensibilidad del 87.3% y una especificidad de un 96.7%.
Además, el PFC relataba diversas conclusiones sobre el origen espacial de la onda P3b y sobre
la comparación de los distintos algoritmos utilizados. Este TFM ha continuado sobre esta línea
de investigación con el fin de tratar algunos de los aspectos que se habían mencionado como
líneas futuras en el PFC anterior. En primer lugar, se ha revisado la etapa de selección de
características añadiendo los Algoritmos Genéticos (AG) como un nuevo método que pretende
mejorar los resultados finales de las diversas clasificaciones realizadas. Además, los AG se
implementan con el fin de lograr mantener o superar las tasas de acierto mediante un menor
número de características seleccionadas por lo que pretenden reducir la carga computacional de
la clasificación final. En segundo lugar, en este TFM se han realizado diversas agrupaciones
espaciales de las características y un análisis estadístico de todas ellas individualmente con el fin
de lograr reforzar las diversas conclusiones espaciales del PFC. Por último, este TFM realiza
una optimización de los clasificadores utilizados ya que éstos carecían de la misma en el PFC.
Los nuevos resultados de este TFM han mostrado que los AG se alzan como un método de
selección de características muy interesante a la hora de abordar el problema de la detección de
la esquizofrenia ya que, aunque las tasas de acierto para la mejor clasificación se siguen
logrando mediante el algoritmo J5, las tasas de aciertos mediante una extracción menor de
características crece para los AG y, además, se consigue una carga computacional mucho menor
en los clasificadores finales. Además, los AG, al contrario que los otros métodos de selección de
características utilizados, poseen una gran cantidad de parámetros a configurar para su
implementación por lo que se puede pensar que los resultados obtenidos mediante los AG
pueden ser mejorados mediante una optimización más profunda. Por otro lado, los resultados
del TFM evidencian una gran importancia de la zona parietal-temporal a la hora de la detección
de la onda P3b concordando con otras investigaciones similares. Finalmente, la optimización de
los clasificadores automáticos proporciona un incremento generalizado de todas las
clasificaciones y, en concreto, aunque la clasificación más eficiente sigue proporcionando una
tasa de acierto de un 93.4%, la sensibilidad, que es el parámetro más crítico para aplicaciones
médicas, logra subir hasta el 87.7% a costa de un descenso en la especificidad obteniendo un
96.3%.

Palabras clave
Aprendizaje Automático, Curvas ROC, EEG, Esquizofrenia, P3b, Reconocimiento de Patrones.

Abstract
This Master Thesis (TFM) is an extension of the Final Project (PFC) called "Automatic
schizophrenia diagnosis based on the EEG signals study of cortical activity in the brain." In this
project an automatic classification between healthy and schizophrenics subjects, based on P3b
wave evoked by the brain when it is subjected to an auditory oddball task and a pattern
recognition scheme, was done. In order to do this, firstly, it was performed a pre-processing of
the EEG signals provided in a database. Subsequently, some features of the signals which were
selected by features selection algorithms based on information theory and the distance between
groups (MIFS, DISR and J5) were extracted. Finally, these selected features were introduced in
a highly non-linear classifiers (MLP and SVM) reaching, in the best case, a success rate of
93.4%, a sensitivity of 87.3% and a specificity of 96.7%. In addition, the PFC recounted several
conclusions about the spatial origin of the P3b wave and comparing the different algorithms
used. This TFM has continued this line of research in order to solve some of the issues that were
mentioned as future lines in the previous PFC. Firstly, it has revised the selection stage of
adding features Genetic Algorithms (GA) as a new method that aims to improve the final results
of the various classifications made. In addition, the AG are implemented in order to improve the
performances rates with a smaller number of features with the aim to reduce the computational
cost of the final classification. Secondly, in this TFM some spatial groups of features and a
statistical analysis of all of them individually have been made in order to underline some
conclusions of the PFC. Finally, this TFM performs an optimization of classifiers used because
they lacked it in PFC. The new results of this TFM show that the AG are a really important
method of selecting in order to detect the schizophrenia, because, although success rates for
achieving better rankings continue using the algorithm J5, success rates with less features grows
for AG and also much lower computational cost on the final classifier is achieved. In addition,
AG, unlike other selection methods used, have a lot of parameters to be configured for
deployment, so it can be think that the results get by the AG can be improved through further
optimization. On the other hand, the results of TFM show a great importance in the parietal-
temporal area when detecting the wave P3b agreeing with similar researches. Finally,
optimization of automatic classifiers provides a general increase in all classifications and in
particular, although the more efficient classification is providing a success rate of 93.4%,
sensitivity, which is the most critical parameter for medical applications, rises to 87.7% with a
decline of 96.3% in specificity.

Keywords
Machine Learning, ROC Curves, EEG, Schizophrenia, P3b, Pattern Recognition.
It’s better to burn out than to fade away.
-Kurt Cobain-
ii
Agradecimientos
En primer lugar, quiero dar las gracias a toda mi familia por el apoyo que siempre he
recibido de ellos.
Tambi´en quiero mencionar a mis amigos y compan˜eros por todos los momentos vividos
este curso.
Por u´ltimo, quiero agradecer a mis tutores, Luis Miguel y Juan Ignacio, toda la ayuda
que me han proporcionado y la paciencia que han tenido conmigo.
Gracias a todos.
iii
iv