Neurodynamic EEG Seizure Analysis Using CWT Scaleograms and Modified DenseNet

Resumen Técnico: Análisis de Convulsiones mediante EEG Neurodinámico utilizando Escalogramas CWT y DenseNet Modificada

Planteamiento del Problema
La epilepsia, que afecta aproximadamente a 50 millones de personas en todo el mundo, se caracteriza por descargas neuronales anormales que conducen a convulsiones recurrentes. Si bien la electroencefalografía (EEG) es la principal herramienta no invasiva para la detección debido a su alta resolución temporal, el análisis de estas señales sigue siendo un desafío. La actividad de las convulsiones se manifiesta como una actividad oscilatoria no estacionaria y variante en el tiempo, con una sincronización anormal y cambios en la energía espectral a través de los ritmos cerebrales (bandas delta a gamma). Los sistemas tradicionales de Diagnóstico Asistido por Computadora (CAD), que dependen de características diseñadas manualmente (por ejemplo, transformadas de wavelet, entropía, PCA) y clasificadores clásicos (por ejemplo, SVM, Random Forest), suelen sufrir de una pobre generalización, sensibilidad al ruido y una fuerte dependencia del conocimiento experto. Por el contrario, los enfoques de aprendizaje profundo (CNN, RNN, Transformers) ofrecen un aprendizaje de características automatizado, pero enfrentan desafíos relacionados con la escasez de datos, la necesidad de grandes conjuntos de datos y una falta de interpretabilidad para el despliegue clínico.

Metodología
Los autores proponen un marco neurodinámico explicable diseñado para la clasificación binaria de convulsiones (convulsión vs. no convulsión) utilizando el conjunto de datos Bonn. La metodología sigue un flujo de trabajo estructurado:

1. Preprocesamiento de Datos:

   • Fuente: 500 segmentos de EEG unidimensionales (4097 muestras cada uno, ~23.6 segundos) del conjunto de datos Bonn.
   • Limpieza: Las señales se someten a un filtro notch IIR de 50 Hz para eliminar la interferencia de la línea eléctrica, seguido de una corrección de la línea base (−0.5 s a −0.1 s).
   • Eliminación de Artefactos: Se aplica FastICA (Análisis de Componentes Independientes) para eliminar artefactos.
   • Filtrado: Un filtro de paso de banda de 1–30 Hz retiene los ritmos de EEG relevantes. El análisis de Densidad Espectral de Potencia (PSD) confirma la atenuación efectiva del componente de 50 Hz y sus armónicos.

2. Representación Neurodinámica (Escalogramas CWT):

   • Para abordar la naturaleza no estacionaria del EEG, las señales preprocesadas en 1D se transforman en imágenes de tiempo-frecuencia 2D mediante la Transformada Continua de Wavelet (CWT).
   • Se utiliza una wavelet madre Gaussiana para generar escalogramas. Esta transformación captura oscilaciones transitorias, patrones de sincronización y concentraciones de energía asociados con la actividad ictal (convulsiva), preservando patrones espectro-temporales localizados que las señales 1D suelen ocultar.

3. Arquitectura DenseNet Modificada:

   • El modelo de clasificación central es una DenseNet modificada adaptada para entradas de escala de 2D.
   • Cambios Estructurales: A diferencia de las implementaciones estándar de DenseNet, esta variante elimina las capas totalmente conectadas (FC) para reducir el sobreajuste y el recuento de parámetros.
   • Mecanismo: Emplea una estructura totalmente convolucional que incluye sobremuestreo (upsampling) convolucional y Agrupación Global Promedio (GAP). Este diseño retiene la información espacial dentro del dominio del escalograma mientras asegura un uso eficiente de la reutilización de características mediante la conectividad densa.
   • Configuración de Entrenamiento: El modelo utiliza el optimizador Adam (tasa de aprendizaje 0.001), tamaño de lote (batch size) de 32, 20 épocas, dropout (0.25), activación ReLU y pérdida de entropía cruzada binaria con una salida sigmoide para la clasificación binaria.

4. Explicabilidad (Grad-CAM):

   • Para mejorar la transparencia clínica, se aplica el Mapeo de Activación de Clase Pesado por Gradiente (Grad-CAM) a la última capa convolucional. Esto genera mapas de calor que visualizan las regiones tiempo-frecuencia específicas que más contribuyen a la decisión del modelo, verificando que el modelo se enfoca en ráfagas espectrales clínicamente relevantes.

Principales Contribuciones

• Representación Novedosa: El estudio introduce una representación de escalograma 2D basada en CWT específicamente para el análisis de convulsiones por EEG, transformando señales neurodinámicas 1D en un formato adecuado para el procesamiento convolucional eficiente.
• Innovación Arquitectónica: Se propone una arquitectura DenseNet modificada que elimina las capas totalmente conectadas en favor de un diseño totalmente convolucional con sobremuestreo y GAP. Esta modificación tiene como objetivo mejorar la generalización en conjuntos de datos pequeños y reducir el sobreajuste.
• IA Explicable (XAI): La integración de Grad-CAM proporciona interpretabilidad visual, permitiendo a los clínicos verificar que las decisiones del modelo se basan en regiones espectro-temporales discriminativas en lugar de ruido.
• Benchmarking Exhaustivo: El modelo propuesto se compara rigurosamente contra una amplia gama de arquitecturas de vanguardia, incluyendo VGG16, VGG19, ResNet-50, CNNs estándar, BiLSTM, EfficientNetB0 y Transformers.

Resultados
El modelo fue evaluado utilizando una división de entrenamiento-prueba de 80:20 con validación cruzada de 5 pliegues estratificados y pérdida ponderada por clase. La DenseNet Modificada alcanzó las siguientes métricas de desempeño:

• Exactitud (Accuracy): 95.1% (95% IC: 92.4%–97.8%)
• Precisión (Precision): 97.0%
• Sensibilidad (Recall): 93.5%
• Especificidad: 95.0%
• F1-Score: 95.2%
• AUC: 0.97

Desempeño Comparativo:
El modelo propuesto superó a todos los modelos de referencia por un margen de al menos un 4.1% en exactitud.

• Transformers alcanzaron un 90.2% de exactitud.
• EfficientNetB0 alcanzó un 89.8% de exactitud.
• ResNet-50 alcanzó un 91% de exactitud.
• BiLSTM tuvo un desempeño relativamente menor (87.4%) sobre las entradas de escalograma.
• VGG16/VGG19 y las CNN estándar puntuaron entre el 84% y el 86%.

Las visualizaciones de Grad-CAM confirmaron que el modelo identificó correctamente las ráfagas de alta frecuencia concentradas en los casos de convulsión, mientras que los casos de no convulsión mostraron activaciones difusas y bajas.

Significancia y Reivindicaciones
El artículo sostiene que la combinación de la representación neurodinámica basada en CWT y una DenseNet totalmente convolucional modificada proporciona un enfoque efectivo y eficiente en datos para la clasificación de convulsiones por EEG. Los autores afirman que este marco aborda las limitaciones de los sistemas CAD tradicionales (sensibilidad al ruido) y de los modelos estándar de aprendizaje profundo (necesidad de grandes volúmenes de datos y falta de interpretabilidad). Al lograr una exactitud superior en un conjunto de datos pequeño de un solo canal, y al proporcionar explicaciones visuales mediante Grad-CAM, el estudio sugiere una vía hacia herramientas de detección de convulsiones clínicamente transparentes.

Limitaciones Reconocidas por los Autores
Los autores señalan explícitamente que el estudio está limitado por:

• La evaluación en un conjunto de datos pequeño de un solo canal (Bonn), lo que puede restringir la generalización a la EEG clínica multicanal del mundo real.
• La posible pérdida de información temporal y espacial durante la conversión a escalogramas 2D.
• La interpretabilidad tosca proporcionada por Grad-CAM.
• La falta de validación en grabaciones clínicas multicanal, en tiempo real y con ruido.

El trabajo futuro propuesto se centrará en datos multicanal, modelos basados en Transformers y análisis neurodinámico basado en grafos.