💻 ciencias de la computación

Hybrid Optuna and Q Learning for Adaptive Hyperparameter Optimization in EEG Seizure Classification

Este artículo propone un marco híbrido que combina Optuna y Q-learning para optimizar adaptativamente los hiperparámetros en un modelo GRU–HiBERT–MLP para la clasificación de crisis de EEG, logrando un 93.10% de precisión y una estabilidad de convergencia mejorada al incorporar SHAP y LIME para el soporte de decisiones clínicas explicables.

Autores originales: Upendra Kumar Swain, Shreela Dash, Asit Kumar Das

Publicado 2026-11-06

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Upendra Kumar Swain, Shreela Dash, Asit Kumar Das

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El cerebro humano es una vasta red de señales eléctricas, que se disparan constantemente en patrones que dictan desde un pensamiento hasta un movimiento. Cuando esta actividad eléctrica se vuelve caótica y descontrolada, puede derivar en epilepsia, una condición en la que convulsiones repentinas interrumpen la vida de una persona. Para comprender y gestionar estos eventos, los médicos confían en la electroencefalografía, o EEG, un método no invasivo que coloca sensores en el cuero cabelludo para registrar el ritmo eléctrico del cerebro. El desafío radica en la pura complejidad de estas señales; son ruidosas, cambian rápidamente y varían enormemente de una persona a otra. Durante décadas, los investigadores han intentado utilizar programas informáticos para detectar automáticamente la diferencia entre un cerebro que está a punto de tener una convulsión y uno que la está teniendo en ese momento. Si bien la inteligencia artificial moderna ha logrado grandes avances en la lectura de estas señales, las computadoras en sí mismas suelen ser caprichosas. Su capacidad de aprendizaje depende en gran medida de un conjunto de ajustes internos, muy parecido a los diales de una radio compleja. Si estos diales no se giran a la posición exacta, la computadora podría pasar por alto una convulsión o dar una falsa alarma. Encontrar la combinación perfecta de estos ajustes es difícil porque hay muchísimos, y probar cada posibilidad requiere una enorme cantidad de tiempo y potencia de cálculo.

En un nuevo estudio, investigadores de la Universidad de Silicon y la Universidad SRM han desarrollado una forma más inteligente de ajustar estos parámetros, con el objetivo de hacer que la detección de convulsiones sea más confiable. Se centraron en un tipo específico de arquitectura de inteligencia artificial que combina diferentes técnicas de aprendizaje para analizar datos de EEG. En lugar de dejar que una computadora adivine al azar los mejores ajustes o depender de un único método para encontrarlos, el equipo creó un sistema híbrido que mezcla dos enfoques distintos. Un enfoque es un método estadístico que reduce eficientemente la búsqueda de buenos ajustes, mientras que el otro es una técnica de aprendizaje que adapta su estrategia basándose en éxitos y fracasos pasados. Al enseñar a estos dos métodos a trabajar juntos, los investigadores crearon un sistema que puede navegar el complejo paisaje de los ajustes de manera más efectiva que cualquiera de los dos métodos por separado.

El equipo probó su nuevo sistema utilizando una gran colección de ondas cerebrales registradas de niños con epilepsia, un conjunto de datos que ha sido un recurso estándar para este tipo de investigación. Primero limpiaron las señales puras y las descompusieron en componentes específicos de tiempo-frecuencia, esencialmente traduciendo el ruido eléctrico desordenado a un formato que la computadora pudiera entender claramente. Luego, introdujeron estos datos en su modelo cerebral personalizado, el cual utiliza capas de procesamiento para identificar patrones asociados con los momentos previos a una convulsión y los momentos durante una convulsión. El núcleo de su innovación fue el optimizador híbrido, que actuó como un guía para el modelo. A medida que el modelo se entrenaba, este guía ajustaba constantemente los diales internos, aprendiendo qué ajustes conducían a mejores resultados y cuáles a callejones sin salida.

Los resultados mostraron que este enfoque combinado fue significativamente más efectivo que usar cualquiera de los métodos de forma aislada. El sistema híbrido logró una precisión de clasificación del 93.10%, lo que significa que identificó correctamente el estado del cerebro en más de nueve de cada diez casos. También produjo una puntuación de 0.9774 en una escala que mide qué tan bien el sistema puede distinguir entre los dos estados, una cifra que superó el rendimiento de los métodos independientes. Más allá de los números finales, el estudio observó que el sistema híbrido aprendió más rápido y se estableció en los mejores ajustes de manera más constante. Los métodos independientes a menudo vacilaban, tardando más en encontrar una solución estable o quedándose estancados en configuraciones menos óptimas. El nuevo sistema, por el contrario, se movió hacia la mejor solución con mayor velocidad y consistencia.

Para asegurar que la computadora no estuviera simplemente adivinando correctamente por azar, los investigadores también miraron dentro del modelo para ver a qué estaba prestando atención. Utilizando herramientas diseñadas para hacer transparente la inteligencia artificial, identificaron qué partes de las señales cerebrales fueron más influyentes en la decisión final. Estas herramientas confirmaron que el modelo se estaba enfocando en patrones significativos de los datos en lugar de en ruido aleatorio. Este paso es crucial para las aplicaciones médicas, ya que los médicos necesitan confiar en que el diagnóstico de una computadora se basa en evidencia fisiológica real. El estudio encontró que las decisiones del modelo estaban, de hecho, impulsadas por propiedades significativas de la señal, lo que otorza credibilidad a sus predicciones.

Los investigadores reconocen que, si bien su sistema funcionó bien con el conjunto de datos específico que utilizaron, aún no ha sido probado en una variedad más amplia de pacientes o en un entorno clínico en tiempo real. El trabajo actual es una prueba de concepto que demuestra el potencial de combinar diferentes estrategias de optimización para mejorar cómo las máquinas aprenden de las señales cerebrales. Sugieren que el trabajo futuro podría implicar la prueba del sistema en grupos de personas más grandes y diversos, y el refinamiento del proceso para que pueda ejecutarse con la rapidez suficiente para el monitoreo en tiempo real. Por ahora, el estudio ofrece un camino prometedor, mostrando que, al enseñar a la inteligencia artificial a ser más adaptativa en su forma de aprender, podemos construir herramientas que estén mejor equipadas para ayudar a gestionar las complejidades de la epilepsia.

Resumen Técnico: Optimización Híbrida de Optuna y Q-Learning para la Optimización Adaptativa de Hiperparámetros en la Clasificación de Convulsiones por EEG

Planteamiento del Problema
La clasificación de convulsiones epilépticas mediante señales de electroencefalograma (EEG) es crítica para el diagnóstico neurológico automatizado. Si bien los modelos de aprendizaje profundo (como CNN, LSTM y Transformers) han mejorado el rendimiento, su eficacia depende en gran medida de la selección eficiente de hiperparámetros (por ejemplo, tasas de aprendizaje, unidades ocultas, cabezales de atención). Los marcos existentes, particularmente aquellos que utilizan optimización bayesiana (Optuna) con arquitecturas GRU–HiBERT–MLP, a menudo enfrentan limitaciones con respecto al comportamiento de búsqueda adaptativa, la estabilidad de la convergencia y el equilibrio entre la exploración y la explotación en espacios de búsqueda de alta dimensionalidad. Por el contrario, los enfoques de aprendizaje por refuerzo (RL) independientes pueden exhibir una convergencia más lenta. Este artículo aborda la necesidad de una estrategia de optimización más robusta que combine la eficiencia probabilística de los métodos bayesianos con las capacidades de toma de decisiones adaptativas del RL para mejorar la clasificación de convulsiones por EEG.

Metodología
El marco propuesto integra una estrategia de optimización Híbrida Optuna–Q Learning con una arquitectura de clasificación GRU–HiBERT–MLP.

Preprocesamiento de Datos:
- El estudio utiliza la Base de Datos de EEG de Cuero Cabelludo CHB-MIT Preprocesada, que comprende grabaciones de 24 pacientes pediátricos.
- Las señales se segmentan en estados preictales e ictales.
- Se aplica la Transformada de Wavelet Discreta (DWT) utilizando wavelets de Daubechies (db4) para extraer características de tiempo-frecuencia, manejando la naturaleza no estacionaria del EEG.
- Las características se estandarizan usando StandardScaler y se remodelan para el procesamiento secuencial.
Arquitectura de Clasificación (GRU–HiBERT–MLP):
- Capa GRU: Captura las dependencias temporales en las señales de EEG multicanal.
- Bloque HiBERT (Transformer): Aplica mecanismos de autoatención de múltiples cabezales para el aprendizaje de representaciones contextuales.
- Capa MLP: Capas densas totalmente conectadas con regularización de dropout para la clasificación binaria (preictal vs. ictal).
Marco de Optimización Híbrida:
- Optuna (Bayesiano): Utiliza Estimadores de Parzen Estructurados por Árboles (TPE) para muestrear probabilísticamente configuraciones de hiperparámetros ( $\theta$ ) basadas en observaciones históricas.
- Q-Learning (Aprendizaje por Refuerzo): Un agente guía dinámicamente el proceso de búsqueda.
  - Estado ( $s_t$ ): Condición actual de optimización.
  - Acción ( $a_t$ ): Estrategias de refinamiento adaptativo de hiperparámetros.
  - Recompensa ( $r_t$ ): Calculada como la mejora en la precisión de validación ( $Acc_t - Acc_{t-1}$ ).
- Integración: El agente de Q-learning actualiza su tabla Q utilizando el aprendizaje de diferencia temporal para refinar la guía de búsqueda. Dirige adaptativamente la búsqueda de Optuna hacia regiones prometedoras, mitigando la convergencia prematura y mejorando la estabilidad.

Contribuciones Clave

Marco de Optimización Híbrida: Propone una integración novedosa de la optimización bayesiana (Optuna) y el aprendizaje por refuerza (Q-learning) para mejorar la eficiencia de la sintonización de hiperparámetros y la estabilidad de la convergencia para modelos profundos de EEG.
Aplicación de la Arquitectura: Implementa una arquitectura GRU–HiBERT–MLP optimizada por el marco híbrido para la clasificación preictal e ictal utilizando características transformadas por wavelet.
Validación Comparativa: Demuestra a través de estudios de ablación que el enfoque híbrido supera a las estrategias de Optuna independiente y de Q-learning independiente en precisión, ROC-AUC y velocidad de convergencia.
Explicabilidad: Incorpora técnicas de LIME para identificar características de EEG influyentes, mejorando la transparencia y la interpretabilidad clínica de las predicciones del modelo.

Resultados Experimentales
Los experimentos se realizaron con el conjunto de datos CHB-MIT con una división de entrenamiento-prueba de 80:20. El marco propuesto logró los siguientes resultados en comparación con los métodos de referencia:

Precisión de Clasificación: 93.10% (frente al 92.00% de solo Optuna y 91.51% de solo Q-learning).
Puntuación ROC-AUC: 0.9774 (frente al 0.9710 de solo Optuna).
Comportamiento de Convergencia: El modelo híbrido demostró una convergencia más rápida y una mayor estabilidad entre los ensayos, con curvas de pérdida de entrenamiento/validación más suaves y una brecha reducida entre ellas en comparación con los métodos independientes.
Matriz de Confusión: Mostró una reducción significativa en los falsos negativos, una métrica crítica para la seguridad médica en la detección de convulsiones.
Hiperparámetros Óptimos: El marco identificó valores óptimos específicos, incluyendo 192 unidades GRU, 2 cabezales de atención, una dimensión de alimentación hacia adelante de 256 y una tasa de aprendizaje de $1.02 \times 10^{-4}$ .

Significancia y Reivindicaciones
El artículo afirma que la integración de la exploración adaptativa basada en el aprendizaje por refuerzo con la optimización de hiperparámetros bayesiana proporciona una estrategia superior para navegar espacios de búsqueda complejos y de alta dimensionalidad en la clasificación profunda de EEG. Los autores sostienen que este enfoque híbrido equilibra eficazmente la exploración y la explotación, lo que conduce a:

Mayor Estabilidad: Reducción de la sensibilidad a las fluctuaciones de los hiperparámetros y una convergencia más estable.
Mejor Utilidad Clínica: Una mayor precisión y menores tasas de falsos negativos hacen que el sistema sea más confiable para la detección y el monitoreo automatizado de convulsiones.
Interpretabilidad: El uso de LIME asegura que las decisiones del modelo sean explicables, lo cual es vital para los sistemas de soporte de decisiones clínicas.

Limitaciones y Trabajo Futuro
Los autores reconocen que el estudio está actualmente limitado a la base de datos CHB-MIT preprocesada y a la clasificación binaria (preictal vs. ictal). Señalan que el enfoque híbrido introduce una mayor complejidad computacional. Se propone trabajo futuro para validar el marco en conjuntos de datos más grandes y multicéntricos, extenderlo al análisis de convulsiones multiclas de clase y explorar técnicas de optimización ligeras para el despliegue en tiempo real.

Más como este