Classification of Healthy People and Schizophrenics Using Time- Frequency Domain Features Extracted from Electroencephalogram Signals

Este estudio propone un esquema automatizado para el diagnóstico de esquizofrenia mediante el análisis de señales de electroencefalograma, utilizando características extraídas de los dominios temporal, frecuencial y tiempo-frecuencia junto con algoritmos de clasificación que lograron una precisión del 100%.

Lo esencial

¡Hola! Imagina que el cerebro es como una orquesta gigante tocando una sinfonía constante. En una persona sana, esta orquesta toca con un ritmo equilibrado, donde los violines (las ondas rápidas) y los contrabajos (las ondas lentas) se llevan bien.

Pero en la esquizofrenia, es como si la partitura se hubiera desordenado: algunos instrumentos tocan demasiado fuerte, otros en silencio, y el ritmo general se vuelve caótico. El problema es que, hasta ahora, los doctores tenían que "escuchar" a los pacientes y observar su comportamiento para intentar adivinar si la orquesta estaba desajustada. A veces se equivocan, o confunden esta "música" con la de otras enfermedades.

Este estudio propone una solución brillante: crear un "oído robótico" (un sistema de inteligencia artificial) que escuche directamente la música del cerebro para diagnosticar la enfermedad.

Aquí te explico cómo lo hicieron, paso a paso, usando analogías sencillas:

1. Escuchando la música del cerebro (EEG)

Los investigadores colocaron 19 pequeños micrófonos (electrodos) en la cabeza de 14 personas sanas y 14 personas con esquizofrenia. Estos micrófonos capturan la actividad eléctrica del cerebro, que es como la partitura musical en tiempo real.

2. Limpiando el ruido (Preprocesamiento)

Imagina que intentas escuchar una canción suave, pero hay ruido de tráfico y gente hablando. Antes de analizar la música, el sistema "limpia" la grabación:

• Quita el ruido de la corriente eléctrica (como el zumbido de un foco).
• Elimina los movimientos de los ojos o los latidos del corazón (como quitar el ruido de una puerta que se cierra).
• Solo deja la "música pura" del cerebro.

3. Analizando la partitura desde tres ángulos (Extracción de características)

Aquí está la magia. En lugar de solo escuchar la canción, el sistema la analiza de tres formas diferentes, como si fueran tres críticos de música distintos:

• El Analista del Tiempo (Dominio Temporal): Mira cómo cambia la música segundo a segundo. ¿Es rápida? ¿Es lenta? ¿Es caótica? (Como contar cuántas veces una ola rompe en la playa).
• El Analista de Frecuencias (Dominio Frecuencial): Separa la música por "tonos". ¿Hay demasiados bajos (ondas lentas) o demasiados agudos (ondas rápidas)? En la esquizofrenia, a veces los bajos son demasiado fuertes y los agudos muy débiles.
• El Analista Mixto (Dominio Tiempo-Frecuencia): Mira cómo cambian los tonos a medida que pasa el tiempo. Es como ver un video de la partitura en lugar de solo escucharla.

4. Elegir las mejores pistas (Selección de características)

El sistema encontró 18 tipos de pistas (medidas matemáticas) diferentes. Pero tener demasiadas pistas confunde al detective. Así que usaron un "filtro inteligente" para quedarse solo con las 10 pistas más importantes que realmente distinguían a una persona sana de una con esquizofrenia.

• Analogía: Es como si tuvieras 100 ingredientes para hacer un pastel, pero descubres que solo necesitas 10 específicos para que sepa delicioso. El sistema encontró esos 10 ingredientes clave.

5. El juicio final (Clasificación)

Luego, probaron a varios "detectives" (algoritmos de inteligencia artificial) para ver quién era el mejor juzgando estas pistas:

• Algunos detectives eran muy estrictos (como un juez de línea recta).
• Otros eran más flexibles y miraban el contexto (como un juez que entiende las excepciones).

Los Resultados: ¡Un éxito rotundo!

Al principio, los detectives no eran perfectos. Pero cuando les dieron solo las 10 mejores pistas que el sistema había seleccionado, ¡ocurrió algo increíble!

Tres de los detectives (especialmente el Árbol de Decisión y las Máquinas de Vectores de Soporte) lograron 100% de precisión.

• ¿Qué significa esto? Que en este estudio, el sistema pudo decirte: "Esta persona tiene esquizofrenia" o "Esta persona está sana" sin equivocarse ni una sola vez.

¿Por qué es importante?

Hoy en día, diagnosticar la esquizofrenia es como intentar adivinar el clima mirando solo las nubes y preguntándole a la gente si tiene frío. Es subjetivo y a veces fallido.

Este estudio es como crear un barómetro y un termómetro digitales que miden la presión y la temperatura exactas del cerebro. No reemplaza al doctor, pero le da una herramienta de apoyo muy poderosa para que el diagnóstico sea más rápido, más barato y, sobre todo, más preciso.

En resumen:
Los investigadores tomaron la "música" del cerebro, la limpiaron, la analizaron desde tres ángulos, eligieron las notas más importantes y usaron una inteligencia artificial para encontrar el patrón de la enfermedad. El resultado fue un sistema que, en este caso, no se equivocó ni una sola vez, ofreciendo una nueva esperanza para diagnosticar la esquizofrenia de forma automática.

Resumen técnico

Título: Clasificación de Personas Sanas y Esquizofrénicos Utilizando Características de Dominio Tiempo-Frecuencia Extraídas de Señales de Electroencefalograma (EEG)

1. Problema

La esquizofrenia (SZ) es un trastorno mental crónico y complejo caracterizado por déficits neurobiológicos. Su diagnóstico actual se basa en manifestaciones clínicas y conductuales observadas mediante entrevistas psiquiátricas, un proceso que presenta varias limitaciones:

• Subjetividad y Error Humano: La dependencia de la interpretación clínica hace que el diagnóstico sea susceptible a errores y fatiga.
• Diagnósticos Erróneos: A menudo se confunde con otros trastornos psiquiátricos como el trastorno bipolar o la depresión mayor.
• Costo y Tiempo: El proceso manual es costoso, agotador y consume mucho tiempo.
• Necesidad de Objetividad: Existe una necesidad crítica de sistemas automatizados, precisos y rentables que sirvan como herramientas complementarias para los psiquiatras, especialmente dado que el 90% de los casos no tratados viven en países de ingresos bajos y medios.

2. Metodología

El estudio propone un esquema de diagnóstico automatizado utilizando señales de EEG. El flujo de trabajo se divide en las siguientes etapas:

• Conjunto de Datos:

  • Grabado en el Centro Clínico de Neurociencias Atieh.
  • Participantes: 14 individuos sanos y 14 diagnosticados con esquizofrenia (edad media: 25.3 ± 8.1 vs. 28.42 ± 5.93 años).
  • Adquisición: 19 electrodos (sistema 10-20), frecuencia de muestreo de 500 Hz, estado de reposo con ojos cerrados (5 minutos de datos utilizados).

• Preprocesamiento:

  • Filtrado: Se aplicó un filtro paso banda FIR (0.5–45 Hz) para eliminar interferencias de la red eléctrica y componentes de alta frecuencia.
  • Eliminación de Artefactos: Se utilizó el Análisis de Componentes Independientes (ICA) para remover componentes no cerebrales (movimiento ocular, ruido cardíaco, movimiento).

• Extracción de Características (18 modelos en total):
  Se extrajeron características de tres dominios:

  1. Dominio Temporal: Tasa de Cruce por Cero (ZCR), Movilidad de Hjorth, Complejidad de Hjorth, Dimensión Fractal de Higuchi, Complejidad Lempel-Ziv (LZC).
  2. Dominio Frecuencial: Potencia media en bandas (delta, theta, alpha, beta, gamma), relación de potencia Delta/Alpha, Entropía Espectral.
  3. Dominio Tiempo-Frecuencia: Se aplicó la Transformada Discreta de Ondículas (DWT) con la onda madre Daubechies order 6. Características extraídas: Curtosis, Exponente de Hurst, Entropía de Shannon, Entropía de Energía Logarítmica, Entropía de Rényi y Entropía de Tsallis.

• Selección de Características:
  Se empleó un método híbrido para reducir la dimensionalidad y evitar el sobreajuste (dada la pequeña muestra):

  1. Información Mutua Escalar: Eliminación inicial de características irrelevantes.
  2. Selección Secuencial de Características Hacia Adelante (SFFS): Búsqueda de la combinación óptima de características que maximice la precisión del clasificador. Se seleccionaron las 10 mejores combinaciones para cada clasificador.

• Clasificación:
  Se probaron siete algoritmos de aprendizaje automático:

  • K-Vecinos más Cercanos (KNN) y KNN Ponderado (WKNN).
  • Máquinas de Soporte Vectorial (SVM) Lineales y No Lineales (con kernel RBF).
  • Árbol de Decisión (DT).
  • Análisis Discriminante Lineal (LDA).
  • Naive Bayes (NB).

• Validación:
  Se utilizaron dos métodos para garantizar la fiabilidad con un conjunto de datos pequeño: Validación Cruzada de 10 pliegues (10-fold) y Validación Cruzada "Leave-One-Out" (LOO).

3. Contribuciones Clave

• Enfoque Multidominio: A diferencia de estudios anteriores que se limitaban a un solo dominio (temporal o frecuencial), este trabajo integra características de los dominios temporal, frecuencial y tiempo-frecuencia para capturar la complejidad de la señal EEG.
• Método Híbrido de Selección: La combinación de Información Mutua y SFFS permitió identificar las características más discriminativas específicas para cada algoritmo, mejorando la eficiencia computacional y la precisión.
• Identificación de Biomarcadores Comunes: Se descubrió que ciertas características (Complejidad Lempel-Ziv, Entropía Espectral y Entropía de Energía Logarítmica) fueron consistentemente seleccionadas como las más importantes a través de todos los clasificadores.
• Alta Precisión con Pocos Datos: Logró resultados excepcionales (hasta 100% de precisión) utilizando un conjunto de datos pequeño (28 sujetos), demostrando la eficacia del enfoque de selección de características.

4. Resultados

• Selección de Características: Las 10 mejores combinaciones variaron ligeramente según el clasificador, pero destacaron métricas de complejidad, entropía y potencia de bandas específicas.
• Rendimiento por Dominio:
  • El dominio de Tiempo mostró un rendimiento sólido (hasta 96.42% con SVM Lineal).
  • El dominio de Frecuencia tuvo un rendimiento variable, con LDA alcanzando el 100%.
  • El dominio Tiempo-Frecuencia fue altamente efectivo, con Naive Bayes alcanzando el 100%.
• Rendimiento General (Dominios Integrados):
  • Antes de la selección de características: La precisión osciló entre 85% y 96.42%.
  • Después de la selección de características (LOO): Tres clasificadores alcanzaron una precisión del 100%:
    • SVM Lineal.
    • SVM No Lineal (RBF).
    • Árbol de Decisión.
  • El clasificador Naive Bayes también mostró un rendimiento superior en dominios individuales, alcanzando el 100% en el dominio tiempo-frecuencia.
  • El clasificador KNN tuvo el rendimiento más bajo en comparación con los otros métodos.

5. Significado e Impacto

• Herramienta de Apoyo Clínico: El estudio demuestra que el análisis de EEG con aprendizaje automático puede servir como una herramienta objetiva y complementaria para reducir la dependencia exclusiva de la evaluación clínica subjetiva.
• Diagnóstico Temprano y Preciso: La capacidad de detectar esquizofrenia con 100% de precisión en este conjunto de datos sugiere un gran potencial para el diagnóstico temprano, crucial para mejorar el pronóstico del paciente.
• Viabilidad Económica: Al utilizar EEG (una técnica barata y portátil) en lugar de métodos costosos como la fMRI, se propone una solución escalable para sistemas de salud con recursos limitados.
• Futuras Direcciones: Los autores sugieren aplicar este método a otros trastornos, diferenciar entre síntomas positivos y negativos de la esquizofrenia, y validar el modelo en poblaciones adolescentes para comparar con adultos.

En conclusión, la investigación valida que la extracción de características multidominio combinada con una selección rigurosa de características y algoritmos de clasificación avanzados puede lograr una distinción perfecta entre cerebros sanos y esquizofrénicos, ofreciendo una vía prometedora para la automatización del diagnóstico psiquiátrico.