INVESTIGADOR(ES) PRINCIPAL(ES):

María Camila Maya Piedrahita

0 horas

CODIGO CIE

E6-20-6

Alvaro Angel Orozco Gutiérrez

Tutor

0 Horas

TIPO DE CONVOCATORIA

2019. Estudiantes De Posgrado

TIPO DE PROYECTO

Investigación Aplicada

OBJETIVO(S)

OBJETIVO GENERAL: Desarrollar una metodología de soporte diagnóstico de TDAH a partir de señales EEG y modelos dinámicos probabilísticos. OBJETIVOS ESPECÍFICOS: 1. Desarrollar una metodología de entrenamiento de HMM que sintonice simultáneamente el número de estados, las distribuciones de probabilidad de transición y observación, para reducir el sobreajuste empleando técnicas de inferencia estadística. 2. Desarrollar una función para espacios de distribución de probabilidad del tipo HMM tal que cumpla las propiedades de métrica y reduzca la influencia de las secuencias de entrenamiento. 3. Desarrollar una metodología para la clasificación de HMM entrenados a partir de señales EEG tal que permita el soporte diagnóstico del TDAH.

RESUMEN

El trastorno de déficit de atención e hiperactividad (TDAH) es una condición del neurodesarrollo asociada a varios niveles de hiperactividad, inatención e impulsividad [1]. Se presenta con mayor frecuencia en la niñez y puede persistir en la edad adulta. Existen tres tipos de TDAH los cuales son: impulsivo-hiperactivo, inatento o combinado. En Colombia predomina el subtipo combinado y el impulsivo-hiperactivo, donde regiones como Antioquia y el eje cafetero muestran una prevalencia entre el 15% al 17 % [2]. Sin embargo, el diagnóstico de este trastorno es un verdadero reto ya que se realiza a partir de la observación clínica del paciente en conjunto con información proporcionada por padres y maestros, dando lugar a una evaluación subjetiva que depende de la experticia del especialista, debido a que no se cuenta con instrumentos (marcadores biológicos) plenamente especificados que indiquen la existencia de TDAH en un paciente [3]. A raíz de esto, se han propuesto varias metodologías utilizando bio señales como la electroencefalografía (EEG) [4][5] que es una señal no estacionaria, no lineal y ruidosa [6], la cual permite el registro y análisis de la actividad bioeléctrica cerebral, facilitando una mejor compresión de los comportamientos fisiológicos. A partir de esto, se han planteado diversos métodos para modelar el EEG, siendo los modelos ocultos de Markov (HMM) los más empleados debido a que son ideales para modelar señales de este tipo [7][8]. Los HMM representan la dinámica temporal de una señal encontrando la secuencia de estados ocultos más probable mediante observaciones sobre las que se asume una distribución paramétrica [9], donde las transiciones entre los estados ocultos están gobernadas por un conjunto de probabilidades llamadas probabilidades de transición de estados [10]. No obstante, tiene ciertas limitaciones al establecer su estructura, principalmente en la determinación del número de estados ocultos, ya que este parámetro libre se elige de forma heurística. Aunque algunas investigaciones han tratado de solucionar este problema como [11][12], siguen existiendo limitaciones ya que en su mayoría depende del tipo de aplicación. Por otra parte, es necesario distinguir patrones de actividad cerebral entre HMM utilizando una métrica, donde los enfoques típicos son Kullback-Leibler (KL) [13] y la función de distribución acumulativa estacionaria (HSD) [14]. Sin embargo, la KL no cumple las propiedades de distancia y la HSD solo se puede emplear para HMM unidimensionales. Con base a lo anterior, en esta investigación se realizará una metodología que modele señales EEG a partir de HMM para caracterizar TDAH, mediante la sintonización del número de estados ocultos, para posteriormente desarrollar una métrica que cumpla las propiedades de distancia y finalmente poder clasificar entre HMM de las señales EEG de sujetos control y TDAH.

SÍNTESIS DEL PROYECTO

El trastorno por déficit de atención e hiperactividad (TDAH), que suele presentarse en la infancia, puede persistir en la vida adulta, obstaculizando el desarrollo personal. Sin embargo, el diagnóstico del TDAH es un verdadero reto, ya que depende en gran medida de la observación clínica del paciente, de la información de los padres y de los estudiosos, y de la experiencia de los especialistas. A pesar de la demanda de ayudas para el diagnóstico objetivo a partir de bio-señales, los biomarcadores fisiológicos carecen de robustez y significación bajo la dinámica electroencefalografía no estacionaria y no lineal. Por lo tanto, este trabajo presenta una metodología de diagnóstico apoyada para el TDAH a partir de la caracterización dinámica del EEG basada en modelos de Markov ocultos (HMM) y nucleos de productos de probabilidad (PPK). Basándose en ¿ el síntoma de impulsividad, el enfoque propuesto entrena un HMM para cada sujeto a partir de las señales del EEG en tareas de inhibición fallidas. En primer lugar, el PPK mide la similitud entre los sujetos a través del producto interno entre sus HMMs entrenados. Luego, dados los costes computacionales, el cálculo rápido de PPK para los HMM facilita el ajuste de los parámetros de ¿ similitud del kernel. Por último, el Análisis de Componentes Principales del Kernel (KPCA) proyecta ¿ el PPK a un espacio de menor dimensión, lo que permite la interpretabilidad de los resultados. Así, una máquina de vectores de apoyo apoya el diagnóstico del TDAH como una tarea de clasificación¿ utilizando el PPK como operador de producto interno. La metodología comparo los resultados de clasificación en señales de EEG con todos los canales, canales de interés (COI), y análisis en las bandas de frecuencia Theta, Alpha, y Beta. Los resultados muestran una tasa de precisión del 97.0% ¿ en la banda Beta en COI, lo que apoya la suposición de que este ritmo de frecuencia puede estar correlacionado con las diferencias entre el TDAH y los controles en cuanto a la asignación atencional durante la ejecución de la tarea cognitiva.

ESTADO

Concluido

FECHA DE INICIO

03/02/2020

FECHA DE FINALIZACION

03/08/2021

PRODUCTOS

"Diagnosis of attention deficit and hyperactivity disorder (ADHD) using Hidden Markov Models"

Circulación de conocimiento especializado

Supported diagnosis of ADHD from EEG based on interpretable HMM kernels

Artículo en revista indexada

URL