Detección de Artefactos Oculares en Señales Electroencefalográficas Usando Redes Neuronales

Este artículo aborda de manera teórica la dificultad que representa para el correcto análisis 
e interpretación de las señales de electroencefalograma (EEG); la presencia de los 
artefactos oculares tales como el parpadeo entre otros. Esta condición se manifiesta porque 
los movimientos oculares se reflejan en la señal EEG como un ruido o interferencia que 
afecta la información de interés, dificultando así el diagnóstico e identificación de 
patologías neurológicas tales como la epilepsia. Las interferencias involuntarias en las 
señales de EEG a las que se hace alusión, son conocidas como artefactos (López et al., 
2014). 
Es necesario entonces desarrollar algoritmos que permitan detectar estos eventos no 
deseados. Este artículo presenta el diseño, entrenamiento y validación de una red neuronal 
aplicada como clasificador, que permite la identificación de artefactos producidos por 
movimientos oculares. Así mismo, se evaluó el desempeño de dicha red mediante una 
matriz de confusión y a partir de esta, se analizó el desempeño del algoritmo de 
clasificación comparándolo con otras técnicas utilizadas en la solución del problema que 
aquí se plantea y se obtuvieron métricas como la exactitud, la sensibilidad y la 
especificidad entre otros. 
Las señales fueron obtenidas a partir de exámenes de electroencefalograma (EEG) 
realizados en diferentes pacientes con diagnóstico de epilepsia, el set de datos comprende 
184 señales de las cuales 120 fueron usadas para el entrenamiento de la red neuronal y 64 
para la prueba de la misma (INDEC, 2017). Finalmente se presentan gráficas que muestran 
el desempeño de la red y se presentan las conclusiones del trabajo de investigación.