Download Clasificación de Señales Encefalográficas con Redes

Clasificación de Señales Encefalográficas
con Redes Neuronales
Labarga Gutierrez, Alberto
Departamento de Ingeniería Eléctrica y Electrónica - Universidad Pública de Navarra
Campus de Arrosadía, Pamplona - España
Email: alberto.labarga@unavarra.es
ANTECEDENTES
Existen diferentes sistemas de detección y clasificación automática del electroencefalograma (ECG) basados
en redes neuronales. Estos sistemas se emplean normalmente para la detección y localización dentro de la
señal EEG, de formas de onda muy concretas como el complejo “spike & wave” (espiga y onda), que aparece
durante los ataques de epilepsia. La mayoría de ellos utilizan como entradas ciertos parámetros extraidos de la
señal como la pendiente de los picos o el número de veces que la señal sobrepasa un determinado umbral.
También es posible utilizar directamente la señal EEG si se toman segmentos de corta duración como entrada
al sistema. Sin embargo el empleo de segmentos demasiado cortos puede hacer que se pierda información
acerca de la forma global de la señal, y con ello distorsionar la salida del sistema, mientras que segmentos
demasiados largos pueden convertir la clasificación en un proceso lento y complicado.
Un reducido número de coeficientes wavelet es capaz de almacenar suficiente información acerca de la
estructura de la señal como para poder reconstruirla con un nivel de precisión adecuado. Algunos de estos
coeficientes pueden incluso asociarse con formas de onda con un origen funcional o fisiológico definido.
Estos coeficientes podrían utilizarse como un medio de reducir el número de parámetros a la entrada de un
sistema basado en redes neuronales, sin que la precisión del proceso de clasificación se vea afectada.
Las redes neuronales son estructuras formadas por unidades de cómputo simples, capaces de aprender y
reconocer patrones de una manera natural. La ventaja que presentan sobre otros esquemas de clasificación o
estimación estadísticos, es que no necesitan reglas específicas 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 clasificación basado en una red neuronal de tipo competitivo, aplicado a la
clasificación de los potenciales auditivos de latencia larga conocidos como onda P300.
El objetivo del experimento es conseguir que la red sea capaz de clasificar correctamente las respuestas
asociadas a los dos tipos de estímulo.
MATERIALES Y MÉTODOS
Los potenciales utilizados en este estudio corresponden a los registros realizados a 10 pacientes de la Clínica
Universitaria de Navarra. Cada registro proporciona dos grupos de 21 canales cada uno, registrados según 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 estímulo 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 cómputo. Cada una de ellas simplemente recoge una de las componentes del vector de entrada. Estas
neuronas están conectadas con las neuronas de la capa competitiva. Cada conexión 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 función 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 demás toma el valor 0.
La red utiliza un algoritmo de aprendizaje competitivo no supervisado, basado en la técnica 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 presentación, se elige al azar uno de los vectores de ejemplo x(t), y se
vector de pesos wj más cercano y por lo tanto la neurona
ganadora.
w j (t ) − x (t ) = min wi (t ) − x (t )
i
calcula
cual
es
el
(1)
3.- Se actualizan los pesos de la neurona ganadora según la regla
[
w j (t + 1) = w j (t ) + ct x (t ) − m j (t )
]
(2)
de modo que se refuerza la relación de la neurona con ese vector. La secuencia de coeficientes ct decrece
lentamente a lo largo del proceso de entrenamiento y
asegura la convergencia del algoritmo. En concreto se
ha utilizado la secuencia
t 

ct = lr ⋅  1 − 

N
(3)
donde lr es una constante de aprendizaje definida por el usario y N el número
de ejemplos
máximo de presentaciones
El procedimiento seguido para entrenar la red ha sido el siguiente: se han tomado todas las señales con las que
se contaba y se han normalizado, de manera que todas tuvieran la misma amplitud. A continuación se ha
calculado la transformada wavelet de todas ellas y se han seleccionado los coeficeintes de interés. 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 según 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 pòr 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 P300.
Transformada wavelet
0
Selección de
0
Figura 1. Esquema del proceso de clasificación
DISCUSIÓN DE RESULTADOS
En la Figura 2 se pueden observar las señales promedio para cada tipo de respuesta junto con las señales
asociadas a los centroides en los que converge la red para la combinación de los 8 coeficientes citados. La
parte de la señal correspondiente al intervalo de interés 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 sí un resultado interesante, ya que demuestra que los coeficientes wavelet
proporcionan una información adicional, inaccesible si se trabaja directamente con las señales registradas.
Asímismo, el parecido de los centroides con el promedio de las señales indica que el proceso de convergencia
de la red, ha tenido un desarrollo satisfactorio.
Estímulo frecuente
Estímulo inesperado
Señal promedio
P300
Centroide
Figura 2. Resultados del proceso de entrenamiento. La señal en linea discontínua
representa el vector que ha aprendido la neurona
CONCLUSIONES
En la Figura 3 se muestran los resultados obtenidos en la clasificación de las señales. Se distinguen los
resultados correspondientes a los vectores usados para entrenar la red de aquellos empleados únicamente en la
fase de prueba. Como es lógico, 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 señales, causada principalmente por la aparición de registros muy
contaminados, sobre todo los correspondientes a las zonas occipitales de la cabeza.
Una posible aplicación clínica podría estar en el dignóstico de procesos de demencia. La morfología de los
potenciales presenta algunas diferencias notables, como se aprecia en la Las redes neuronales servirían de
apoyo al neurologo en aquellos casos en los que el examen visual no sea suficiente. Otra aplicación podría ser
la detección de la onda P300 en pacientes afectados por las enfermedades de Alzheimer o de Parkinson. En
estos pacientes, la forma del potencial es bastante irregular, y normalmente es difícil distinguir la onda P300 de
otras componentes.
Porcentajes de clasificaciones correctas para las
distintas combinaciones de coeficientes wavelet
todos los
coeficientes
3+6+11+12
3+6
Prueba
Entrenamiento
6
3
0
20
40
60
80
100
% de aciertos
Figura 3. Resultados del proceso de clasificación de las señales
BIBLIOGRAFÍA
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