Clasificacin de Seales Encefalogrficas

con Redes Neuronales

Labarga Gutierrez, Alberto
Departamento de Ingeniera Elctrica y Electrnica - Universidad Pblica de Navarra
Campus de Arrosada, Pamplona - Espaa
Email: alberto.labarga@unavarra.es
ANTECEDENTES
Existen diferentes sistemas de deteccin y clasificacin automtica del electroencefalograma (ECG) basados
en redes neuronales. Estos sistemas se emplean normalmente para la deteccin y localizacin dentro de la
seal EEG, de formas de onda muy concretas como el complejo spike & wave (espiga y onda), que aparece
durante los ataques de epilepsia. La mayora de ellos utilizan como entradas ciertos parmetros extraidos de la
seal como la pendiente de los picos o el nmero de veces que la seal sobrepasa un determinado umbral.
Tambin es posible utilizar directamente la seal EEG si se toman segmentos de corta duracin como entrada
al sistema. Sin embargo el empleo de segmentos demasiado cortos puede hacer que se pierda informacin
acerca de la forma global de la seal, y con ello distorsionar la salida del sistema, mientras que segmentos
demasiados largos pueden convertir la clasificacin en un proceso lento y complicado.
Un reducido nmero de coeficientes wavelet es capaz de almacenar suficiente informacin acerca de la
estructura de la seal como para poder reconstruirla con un nivel de precisin adecuado. Algunos de estos
coeficientes pueden incluso asociarse con formas de onda con un origen funcional o fisiolgico definido.
Estos coeficientes podran utilizarse como un medio de reducir el nmero de parmetros a la entrada de un
sistema basado en redes neuronales, sin que la precisin del proceso de clasificacin se vea afectada.
Las redes neuronales son estructuras formadas por unidades de cmputo simples, capaces de aprender y
reconocer patrones de una manera natural. La ventaja que presentan sobre otros esquemas de clasificacin o
estimacin estadsticos, es que no necesitan reglas especficas que definan su comportamiento, sino que
utilizan un sistema de aprendizaje mediante ejemplos.
En este trabajo se describe el estudio realizado sobre las posibilidades de los coeficientes wavelet como
posibles entradas de un sistema de clasificacin basado en una red neuronal de tipo competitivo, aplicado a la
clasificacin de los potenciales auditivos de latencia larga conocidos como onda P
300
.
El objetivo del experimento es conseguir que la red sea capaz de clasificar correctamente las respuestas
asociadas a los dos tipos de estmulo.
MATERIALES Y MTODOS
Los potenciales utilizados en este estudio corresponden a los registros realizados a 10 pacientes de la Clnica
Universitaria de Navarra. Cada registro proporciona dos grupos de 21 canales cada uno, registrados segn el
sistema 10-20. El primer grupo corresponde a la respuesta a un tono de 1000 Hz que se va repitiendo de forma
constante, y el segundo grupo a un estmulo de 2000Hz que aparece con una probabilidad del 10%. En total
se ha contado con 420 registros, de los cuales 120 se han empleado en la fase de entrenamiento de la red y 300
en la fase de prueba.
Las redes competitivas utilizadas en este estudio son un tipo de redes neuronales capaces de detectar
regularidades y correlaciones entre los vectores de entrada y de adaptar su salida de modo que cada neurona
aprende a reconocer un tipo determinado de vectores. Las neuronas de la capa de entrada no realizan ningun
tipo de cmputo. Cada una de ellas simplemente recoge una de las componentes del vector de entrada. Estas
neuronas estn conectadas con las neuronas de la capa competitiva. Cada conexin lleva asociado un valor, y
al conjunto de todos ellos se le conoce como matriz de pesos de la red. La salida de cada neurona de la capa
competitiva se calcula como la distancia entre el vector de entrada a la red y el vector de pesos
correspondiente a esa neurona.
El vector de pesos representa el valor del centroide asociado a la neurona, es decir, un vector representativo de
todos los que es capaz de reconocer esa neurona como pertenecientes a la misma clase. La funcin de
transferencia competitiva de la capa de salida escoge la neurona ganadora, es decir aquella para la cual el
valor de dicha distancia es menor. La salida correspondiente a esta neurona toma el valor 1, mientras la salida
de todas las dems toma el valor 0.
La red utiliza un algoritmo de aprendizaje competitivo no supervisado, basado en la tcnica de agrupamiento
adaptativo. El algoritmo empleado puede formularse de la siguiente manera:
1.- Se inicializan los pesos de las neuronas de la capa competitiva, bien a cero o con los valores de alguno de
los vectores de ejemplo.
2.- En cada presentacin, se elige al azar uno de los vectores de ejemplo x(t), y se calcula cual es el
vector de pesos w
j
ms cercano y por lo tanto la neurona ganadora.
w t x t min
i
w t x t
j i
( ) ( ) ( ) ( ) = (1)
3.- Se actualizan los pesos de la neurona ganadora segn la regla
[ ]
w t w t c x t m t
j j t j
( ) ( ) ( ) ( ) + = + 1 (2)
de modo que se refuerza la relacin de la neurona con ese vector. La secuencia de coeficientes c
t
decrece
lentamente a lo largo del proceso de entrenamiento y asegura la convergencia del algoritmo. En concreto se
ha utilizado la secuencia
c lr
t
N
t
=

1 (3)
donde lr es una constante de aprendizaje definida por el usario y N el nmero mximo de presentaciones
de ejemplos
El procedimiento seguido para entrenar la red ha sido el siguiente: se han tomado todas las seales con las que
se contaba y se han normalizado, de manera que todas tuvieran la misma amplitud. A continuacin se ha
calculado la transformada wavelet de todas ellas y se han seleccionado los coeficeintes de inters. Diferentes
combinaciones de estos coeficientes se han utilizado como vectores de entrenamiento que se van presentando
a la entrada de la red. Los pesos de las neuronas se van modificando segn la regla de aprendizaje competitivo
ya definida y al final del proceso de entrenamiento, cada neurona ha aprendido ha reconocer un determinado
grupo de vectores, representado pr el vector de pesos de la neurona. Este vector de coeficientes wavelet
puede asociarse, al calcular la transformada wavelet inversa con una forma de onda concreta asociada en este
caso a la componente P
300
.
0
0
Transformada wavelet
Seleccin de
DISCUSIN DE RESULTADOS
En la Figura 2 se pueden observar las seales promedio para cada tipo de respuesta junto con las seales
asociadas a los centroides en los que converge la red para la combinacin de los 8 coeficientes citados. La
parte de la seal correspondiente al intervalo de inters se aproxima con bastante exactitud. La diferencia entre
los doas centroides es notable, a pesar de que los registros sin procesar son bastante parecidos para los dos
tipos de respuesta. Esto es ya de por s un resultado interesante, ya que demuestra que los coeficientes wavelet
proporcionan una informacin adicional, inaccesible si se trabaja directamente con las seales registradas.
Asmismo, el parecido de los centroides con el promedio de las seales indica que el proceso de convergencia
de la red, ha tenido un desarrollo satisfactorio.
CONCLUSIONES
P
300
Estmulo frecuente
Estmulo inesperado
Seal promedio
Centroide
Figura 2. Resultados del proceso de entrenamiento. La seal en linea discontnua
representa el vector que ha aprendido la neurona
Figura 1. Esquema del proceso de clasificacin
En la Figura 3 se muestran los resultados obtenidos en la clasificacin de las seales. Se distinguen los
resultados correspondientes a los vectores usados para entrenar la red de aquellos empleados nicamente en la
fase de prueba. Como es lgico, los porcentajes de acierto son mucho mejores para los vectores pertenecientes
al primer grupo que para los del segundo. Los resultados no son del todo satisfactorios en este caso debido a la
baja calidad de algunas de las seales, causada principalmente por la aparicin de registros muy
contaminados, sobre todo los correspondientes a las zonas occipitales de la cabeza.
Una posible aplicacin clnica podra estar en el dignstico de procesos de demencia. La morfologa de los
potenciales presenta algunas diferencias notables, como se aprecia en la Las redes neuronales serviran de
apoyo al neurologo en aquellos casos en los que el examen visual no sea suficiente. Otra aplicacin podra ser
la deteccin de la onda P
300
en pacientes afectados por las enfermedades de Alzheimer o de Parkinson. En
estos pacientes, la forma del potencial es bastante irregular, y normalmente es difcil distinguir la onda P
300
de
otras componentes.
0 20 40 60 80 100
% de aciertos
3
6
3+6
3+6+11+12
todos los
coeficientes
Porcentajes de clasificaciones correctas para las
distintas combinaciones de coeficientes wavelet
Prueba
Entrenamiento
BIBLIOGRAFA
Dickhaus,H. Classifying Biosignals with Wavelet Networks. IEEE Eng. Med. Biol. Sep. 1996, pp. 103-111
Kalayci, T. Wavelet Prepropcessing for Automated Neural Network Detection of EEG spikes. IEEE Eng.
Med. Biol. May. 1994, pp. 761-764
Rioul, O. Vetterli, M. Wavelets and Signal Processing. IEEE Signal Proc. Ago. 1991, pp. 14-38
Figura 3. Resultados del proceso de clasificacin de las seales