medigraphic.com
Academia Mexicana de Neurología, A.C.

2016, Número 6

<< Anterior Siguiente >>

Rev Mex Neuroci 2016; 17 (6)


La utilidad del electroencefalograma clínico para evaluar al paciente con depresión

Luna-Guevara GR

Idioma: Español
Referencias bibliográficas: 17
Paginas: 42-50
Archivo PDF: 310.52 Kb.


RESUMEN

Introducción: La depresión es una enfermedad de las más frecuentes, sea aisladamente o en comorbilidad con otras entidades clínicas. Es una enfermedad que generalmente pasa desapercibida tanto para los profesionales como para las familias, perjudicando los resultados en la atención al paciente y para el año 2020 será la segunda causa de incapacidad a nivel mundial.
Objetivo: En registros de electroencefalograma de pacientes con algún tipo de depresión, aplicar técnicas para extraer información pertinente y por medio de un análisis discriminante generar un pronóstico y clasificación de la sintomatología.
Métodos: Realizamos un análisis estadístico sobre el registro de electroencefalograma con 19 canales en 23 pacientes. Se realizó una extracción de características por medio de un análisis de componentes principales para cada uno de los sujetos, validando las pruebas y posteriormente por medio de un clasificador lineal obtener un pronóstico en función de los resultados obtenidos.
Resultados: Se obtuvieron los estadísticos de clasificación, funciones discriminantes lineales de Fisher, observando que existen diferencias significativas entre las dos poblaciones estudiadas y que las variables seleccionadas tienen impacto en esas diferencias, se construyó una función discriminante, para las poblaciones (sano y con depresión). La correlación canónica de 0.635 indica que de cada 100 sujetos que son clasificados, entre 67 y 68 lo son correctamente, lo cual es un una tasa aceptable y confiable.
Conclusiones: Un clasificador en base a estadísticos puede ser confiable y existe un panorama abierto en cuanto a mejorar la precisión, exactitud del diagnóstico. Considerando el dominio espectral de bandas de interés.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Berger H. Über das Elektroenkephalogram des Menschen. Arch f Psychiat 1929; 87: 527-70.

  2. Bronzino J.D. Principles of electroencephalography. The biomedical engineering handbook (2nd ed.) CRC Press LLC, Boca Raton, 2000.

  3. Kaye J, Morton J, Bowcutt M, Maupin D. Depression:The forgotten diagnosis among hospitalized adults. Journal of Neuroscience Nursing 2000; 32: 9-16.

  4. Organização Pan-Americana da Saúde. Organização Mundial da Saúde. Relatório Sobre A Saúde No Mundo 2001: Saúde Mental: Nova Concepção, Nova Esperança. Genebra 2001.

  5. Subasi A. Automatic detection of epileptic seizure using dynamic fuzzy neural networks. Expert Systems with Applications 2006; 31: 320-328.

  6. Cao LJ, Chua KS, Chong WK, Lee HP, Gu QM. A comparison of PCA, KPCA and ICA for dimensionality reduction in support vector machine. Neurocomputing 2003; 55: 321-336.

  7. Subsi A, Gursoy MI. EEG signal classification using PCA, ICA, LDA and support vector machines. Expert Systems with Applications 2010; 37: 8659–8666.

  8. AEEGS. American Electroencephalographic Society guidelines for standard electrode position nomenclature. J Clin Neurophysiol 1991; 8: 200–202.

  9. Towle VLV, Bolaños J, Suarez D, Tan K, Grzeszczuk R, Levin ND, et al. The spatial location of EEG electrodes: locating the best-fitting sphere relative to cortical anatomy. Electroencephalography and Clinical Neurophysiology 1993; 86: 1–6.

  10. American Psychiatric Association [APA]. Diagnostic and statistical manual of mental disorders. 4th. ed. Washington DC: APA. 1994.

  11. Organización Mundial de la Salud. Clasificación estadística internacional de enfermedades y problemas relacionados con la salud. Rev. v.3. Washington, D.C. OPS. 1995.

  12. Lotte F, Congedo M, Lécuyer A, Lamarche F, Arnaldi B. A review of classification algorithms for EEGbased brain-computer interfaces. J Neural Eng 2007; 4: R1-R13.

  13. Parra LC, Spence CD, Gerson AD, Sajda P. Recipes for the linear analysis of EEG. NeuroImage 2005; 28: 326-341.

  14. Acharya UR, Sree SV, Chuan-Alvina AP, Suri JS. Use of principal component analysis for automatic classification of epileptic EEG activities in wavelet framework. Expert Systems with Applications 2012; 39: 9072-9078.

  15. Sabeti M, Katebi SD, Boostani R, Price GW. A new approach for EEG signal classification of schizophrenic and control participants. Expert Systems with Applications 2011; 38: 2063-2071.

  16. Lehmann C, Koenig T, Jelic V, Prichep L, John RE., Wahlund LO et al. Application and comparison of classification algorithms for recognition of Alzheimer’s disease in electrical brain activity (EEG). Journal of Neuroscience Methods 2007; 161: 342-350.

  17. Rodriguez-Siek KE, Giddings CW, Doetkott C, Johnson TJ, Fakhr MK, Nolan LK. Comparison of Escherichia coli isolates implicated in human urinary tract infection and avian colibacilosis. Microbiology 2005; 151: 2097-2110.




2020     |     www.medigraphic.com