Machine Learning-Based Classification of Epileptic Seizure Activity from EEG Signals: A Comparative Study of Ensemble Methods and Class-Imbalance Mitigation Strategies

Resumen Técnico: Clasificación de la Actividad Epiléptica de Señales EEG Basada en Aprendizaje Automático

Planteamiento del Problema
La epilepsia afecta aproximadamente a 65 millones de personas en todo el mundo, y alrededor de un tercio de los pacientes no responden al tratamiento farmacológico. Si bien la detección automatizada de crisis mediante señales de electroencefalograma (EEG) ofrece una vía para mejorar el diagnóstico y la intervención, la revisión manual por parte de neurofisiólogos requiere mucho tiempo y carece de escalabilidad. Además, los benchmarks de aprendizaje automático existentes sobre el ampliamente utilizado conjunto de datos de Reconocimiento de Crisis Epilépticas de la UCI suelen reportar una alta precisión general, pero descuidan la recuperación (recall) por clase, una métrica crítica en entornos clínicos donde omitir una crisis (falso negativo) conlleva un riesgo significativamente mayor que una falsa alarma. Este estudio aborda la necesidad de un benchmark reproducible que evalúe explícitamente los algoritmos de clasificación en su capacidad para detectar eventos de crisis de la clase minoritaria en medio de datos desbalanceados.

Metodología
La investigación utilizó el conjunto de datos de Reconocimiento de Crisis Epilépticas de la UCI, que comprende 11,500 segmentos de EEG de 500 sujetos. El problema original de cinco clases se reestructuró como una tarea de clasificación binaria: actividad de crisis (2,300 muestras) frente a actividad de no crisis (9,200 muestras).

• Ingeniería de Características: El estudio estandarizó las características del dominio del tiempo y evaluó la aumentación de estas características con datos del dominio de la frecuencia. Específicamente, se computó el espectro de magnitud de la Transformada Rápida de Fourier (FFT), y los primeros 89 coeficientes se concatenaron con las 178 características originales del dominio del tiempo, resultando en un vector de 267 características para experimentos específicos.
• Modelos Evaluados: Se implementaron cuatro algoritmos de aprendizaje supervisado: Regresión Logística, Bosque Aleatorio (Random Forest), Máquinas de Vectores de Soporte (SVM) con un núcleo RBF, y XGBoost. El ajuste de hiperparámetros se realizó mediante validación cruzada de búsqueda aleatoria para el Bosque Aleatorio.
• Mitigación del Desbalance de Clases: Para abordar el desbalance de clases de 4:1, se probaron tres estrategias: sin ajuste, equilibrio de pesos de clase y la Técnica de Sobremuestreo de la Clase Minoritaria Sintética (SMOTE) aplicada únicamente al conjunto de entrenamiento.
• Aprendizaje de Conjuntos (Ensemble Learning): Se evaluó un conjunto de votación suave (soft-voting ensemble) que combina Bosque Aleatorio ajustado, XGBoost y SVM bajo las estrategias de desbalance mencionadas.
• Protocolo de Evaluación: Los datos se dividieron en un 75% para entrenamiento y un 25% para conjuntos de prueba reservados utilizando muestreo estratificado. El rendimiento se midió utilizando precisión (accuracy), precisión (precision), recuperación (recall) y puntuación F1. Además, se empleó validación cruzada estratificada de 5 pliegues (5-fold) para evaluar la estabilidad del modelo.
• Verificación de la Procedencia de los Datos: Un paso metodológico crítico involucró la identificación y corrección de un error de procedencia de datos. Una ejecución experimental inicial utilizó inadvertidamente un conjunto de datos de marcador de posición sintético debido a un mecanismo de recuperación de red. Esto se rectificó verificando las dimensiones del conjunto de datos y obteniendo una copia confirmada del conjunto de datos real para todos los resultados reportados.

Resultados Clave

• Rendimiento Base: La Regresión Logística alcanzó un 81.70% de precisión, pero no detectó las crisis de manera efectiva, con una recuperación de crisis de solo 0.09. Esto resaltó la dependencia del modelo en la clase mayoritaria.
• Modelos No Lineales: Todos los modelos no lineales (Bosque Aleatorio, SVM, XGBoost) mejoraron significativamente el rendimiento, alcanzando precisiones entre el 97.29% y el 98.19%.
• Impacto de las Características: El modelo XGBoost entrenado con características combinadas de los dominios del tiempo y la frecuencia (bruto + FFT) logró la mayor precisión de un solo modelo del 98.19% con una puntuación F1 de crisis de 0.95.
• Impacto de la Estrategia de Desbalance: El conjunto de votación con remuestreo SMOTE logró una precisión comparable del 98.05%, pero produjo la mayor recuperación de crisis de 0.98 (98.1%), con una precisión de 0.93.
• Estabilidad: La validación cruzada de 5 pliegues confirmó la estabilidad de los resultados, con el Bosque Aleatorio mostrando una precisión media de 97.63% ± 0.35%.

Contribuciones Clave

1. Benchmarking Comparativo: El estudio proporciona una comparación rigurosa de los algoritmos estándar de aprendizaje supervisado y los métodos de conjunto en el conjunto de datos de la UCI, reportando explícitamente la recuperación por clase junto con la precisión.
2. Análisis de Compromiso Clínico: El artículo demuestra que, si bien XGBoost ofrece la mayor precisión bruta, un conjunto basado en SMOTE es preferible para contextos clínicos. Prioriza la minimización de las crisis omitidas (alta recuperación) con solo una caída insignificante del 0.14% en la precisión general en comparación con el mejor modelo individual.
3. Transparencia Metodológica: Los autores divulgan y corrigen de manera transparente un error de procedencia de datos relacionado con un conjunto de datos de respaldo sintético, subrayando la necesidad de validar la integridad de los datos en la investigación reproducible de aprendizaje automático.
4. Análisis de Características: Los resultados confirman que la aumentación de características del dominio de la frecuencia (FFT) contribuye significativamente a la discriminación de la actividad de crisis cuando se combina con el aumento de gradiente (gradient boosting).

Significancia y Reivindicaciones
El artículo sostiene que la actividad de crisis frente a la de no crisis en este conjunto de datos es principalmente separable por fronteras de decisión no lineales, lo cual es consistente con la naturaleza compleja de la sincronización neuronal durante las crisis. El estudio argumenta que, en la detección clínica de crisis, el costo de una crisis omitida supera el costo de una falsa alarma; por lo tanto, las elecciones de modelado deben guiarse por esta asimetría en lugar de la precisión por sí sola.

Los autores posicionan sus resultados (97.6–98.2% de precisión) como consistentes con el rango de la literatura general (82–99.4%), pero señalan que muchos estudios que reportan precisiones más altas (>99%) a menudo carecen de reporte de recuperación por clase o de validación a nivel de sujeto. El artículo concluye que, aunque el aprendizaje profundo es prevalente, los métodos de conjunto clásicos con un cuidadoso diseño de características y manejo de desbalance siguen siendo altamente efectivos para esta tarea. El trabajo enfatiza que el despliegue futuro requiere validación externa en cohortes clínicas independientes y validación cruzada a nivel de paciente para asegurar la generalizabilidad.