Herramienta computacional para la detección de descargas inter-ictales en registros de EEG

Abstract

La epilepsia es una enfermedad neurológica caracterizada por crisis recurrentes y descargas anormales de actividad neuronal. El electroencefalograma (EEG) es la herramienta principal para su diagnóstico, ya que permite detectar Descargas Epileptiformes Interictales (DEI), consideradas biomarcadores clave en la epilepsia focal. Sin embargo, la detección manual de estas descargas requiere tiempo, experiencia clínica y puede estar sujeta a errores por variabilidad interobservador. En esta tesis se propone una herramienta computacional para la detección automática de DEI en registros EEG multicanal. El sistema combina un Autoencoder Convolucional (CAE) para la extracción no supervisada de características, seguido de una Red Kolmogorov-Arnold (KAN) como clasificador binario. La arquitectura fue entrenada y evaluada usando el corpus público Temple University Hospital (TUH), aplicando técnicas de balanceo para mitigar la desproporción de clases. El preprocesamiento incluyó filtrado en banda (0.5–50 Hz) y remoción de artefactos. La herramienta fue validada con datos reales anotados por especialistas clínicos, alcanzando un valor F1 de 82.1 % y una precisión de 81.6 % en la detección de eventos epilépticos. Estos resultados son competitivos frente a modelos basados en aprendizaje profundo tradicional. Además, se desarrolló una interfaz gráfica que permite visualizar los eventos detectados, facilitando su integración en entornos clínicos. Se concluye que el sistema propuesto representa una alternativa eficiente y precisa para apoyar el diagnóstico de epilepsia focal, con potencial para reducir la carga del personal clínico y mejorar la confiabilidad en la evaluación de registros EEG.