01 Ruben

Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
Contenido
Índice de Figuras ................................................................................................................................. 3
Índice de Tablas .................................................................................................................................. 4
I. INTRODUCCIÓN..................................................................................................................... 5
1.1 DEFINICIÓN DE EPILEPSIA .......................................................................................................... 7
1.1.1 ESTADÍSTICAS ..................................................................................................................... 7
1.2 TIPOS DE CRISIS EPILÉPTICAS .................................................................................................... 8
1.3 EPILEPSIA EN DIFERENTES ETAPAS DE LA VIDA......................................................................... 9
1.3.1 EPILEPSIA EN LA INFANCIA ................................................................................................. 9
1.3.2 EPILEPSIA EN EL SEXO FEMENINO..................................................................................... 11
1.3.2 EPILEPSIA EN LA ADOLESCENCIA ..................................................................................... 11
1.3.4 EPILEPSIA EN LA 3RA EDAD .............................................................................................. 12
1.4 DIAGNÓSTICO Y TRATAMIENTO............................................................................................... 12
1.5 CAUSAS Y DISPARADORES DE CRISIS EPILÉPTICAS .................................................................. 13
1.6 AUTOCUIDADOS ...................................................................................................................... 14
1.7 SEGURIDAD DURANTE UNA CRISIS .......................................................................................... 14
1.8 SISTEMAS DE SALUD ELECTRÓNICA (EHEALTH) ..................................................................... 16
1.8.1 IMPORTANCIA ................................................................................................................... 16
1.8.2 INTERNET DE LAS COSAS .................................................................................................. 18
II. FORMULACIÓN DEL PROBLEMA............................................................................... 18
III. MOTIVACIÓN.................................................................................................................... 19
IV. ESTADO DE LA PRÁCTICA ........................................................................................... 19
4.1 ESTADO DE LA TÉCNICA .......................................................................................................... 20
4.1.1 DETECCIÓN POR MEDIO DE BSN Y WD ............................................................................ 21
4.1.2 WEREABLE DEVICES ............................................................................................................... 22
4.1.3 COLCHÓN INTELIGENTE .......................................................................................................... 23
4.1.4 DETECCIÓN POR EEG............................................................................................................. 23
4.1.5 TRAJES DE DETECCIÓN ............................................................................................................ 26
4.1.6 TECNOLOGÍA IOT.............................................................................................................. 26
4.1.7 CÓMPUTO MÓVIL .............................................................................................................. 27
4.2 ESTADO DEL ARTE ................................................................................................................... 28
V. PROPUESTA DE LA SOLUCIÓN ....................................................................................... 32
VI. HIPÓTESIS Y OBJETIVOS.............................................................................................. 32
1
a. HIPÓTESIS ............................................................................................................................. 32
b. OBJETIVO GENERAL ..................................................................................................... 32
c. OBJETIVOS ESPECÍFICOS ............................................................................................ 32
VII. METODOLOGÍA ............................................................................................................... 33
VIII. ALCANCES Y LIMITACIONES.................................................................................. 33
IX. CONCLUSIONES ............................................................................................................... 34
X. CRONOGRAMA .................................................................................................................... 35
Bibliografía ....................................................................................................................................... 36
2
Índice de Figuras
Figura 1 EEG de infante con crisis de ausencia ................................................................................ 10
Figura 2 Arquitectura general de un sistema EHealth ....................................................................... 16
Figura 3 Población con edad superior a 65 años ............................................................................... 17
Figura 4 Comparación humanos vs. Dispositivos móviles ............................................................... 18
Figura 5 Proyecto Neutun ................................................................................................................. 22
Figura 6 Banda inteligente ................................................................................................................ 22
Figura 7 Detección EEG 8 canales .................................................................................................... 23
Figura 8 Ejemplo de señales EEG ..................................................................................................... 24
Figura 9 Ropa inteligente que detecta crisis ...................................................................................... 26
Figura 10 Sistema de detección basado en un dispositivo móvil ...................................................... 28
Figura 11 Descomposición de una señal EEG en bandas de interés ................................................. 30
Figura 12 Diagrama de flujo de los métodos empleados por (Lina Wang, 2017) basados en análisis
multi-dominio .................................................................................................................................... 31
3
Índice de Tablas
Tabla 1 Subtipos de crisis focalizadas................................................................................................. 8
Tabla 2 Subtipos de crisis generalizadas ........................................................................................... 10
Tabla 3 Distribución por edad y sexo de la población mundial al 2015 ........................................... 17
Tabla 4 Sumario de trabajos publicados relacionados con detección/predicción de crisis epilépticas
empleado EEG .................................................................................................................................. 25
4
I. INTRODUCCIÓN
La epilepsia es un desorden con características únicas que se origina en el cerebro por lo que
tiene afectaciones en todo el cuerpo, desde las crisis pequeñas por ausencia hasta crisis
epilépticas generales en donde el ser humano se desmaya mientras su cuerpo se convulsiona,
denominado el gran mal. Este desorden tiene un registro tan viejo como el primer historial
médico, pues se tiene conocimiento de esta enfermedad en un texto babilónico de medicina
alrededor de 1000 años antes de cristo (Reynolds, 2005).
Actualmente se sabe que el origen del padecimiento se encuentra en el exceso de actividad

neuronal del cerebro, en donde el estrés, el pulso cardiaco, temperatura entre otras variables
pueden disparar una crisis epiléptica en un paciente. Este padecimiento puede afectar a
personas sin importar su edad, sexo o raza, sin embargo personas de 3 a 15 años y mayores
de 65 años pueden desarrollar este padecimiento con mayor facilidad (Juan Mercadé C.,
2012) y (Fisher R., 2014).
La organización mundial de la salud reconoce la epilepsia como la mayor preocupación en

salud debido a la ignorancia que gira entorno a esta enfermedad y que ha escalado a leyes
prohibitivas e inclusive llegar a violentar sus derechos humanos. Aproximadamente 50
millones de personas viven con epilepsia a lo largo del mundo, entre 4 a 10 percentil tiene
epilepsia activa y cada año 2.4 millones de personas son diagnosticadas. Se estima a nivel
mundial que por cada mil personas hay entre 2.7% y 41.3% en riesgo de padecerla. La
organización mundial de la salud (WHO Media centre, 2017) y Health Grove (Health Globe
by Graph, 2017), indican que en México es de 11.4 a 20.3 de cada mil personas padece
epilepsia, sin embargo la epilepsia no se clasifica en todos sus casos como incapacidad de
acuerdo al INEGI, (INEGI, Clasificación de tipo de discapacidad, 2012), debido a que es una
enfermedad con diversas subclasificaciones dependiendo de la gravedad de las crisis
epilépticas.
El plan nacional de desarrollo 2012-2018, en su diagnóstico general reconoce que los

principales sistemas de seguridad social de México fueron concebidos para la atención de
enfermedades, más no la prevención misma, por lo que es una necesidad el contar con este
tipo de programas (Nieto, 2013).
5
La prevención y reducción de frecuencia de las crisis epilépticas se realiza mediante la

identificación de los disparadores del evento, a través de un registro detallado de variables
biométricas del usuario, actividades y toma de medicamento.
No todas las crisis epilépticas son iguales, sin embargo cuando un evento epiléptico
generalizado tiene lugar, el paciente depende de la asistencia de externos, sin embargo no
todas las personas están capacitadas, por lo que un sistema de retroalimentación multimodal
podría guiar a aquellas personas que auxilien al paciente y avisar a sus familiares la
localización del mismo. Al finalizar la crisis es necesario registrar que eventos disparó el
ataque epiléptico.
IOT se refiere a una red de dispositivos embebidos interconectados que pueden ser
controlados mediante una red de trabajo en una capa de aplicación, el uso de estos
dispositivos supone 3 pasos: la captura de la información, registro y análisis de datos; tiene
por objetivo mejorar la producción y la creación de nuevas tecnologías. Los sistemas IOT en
medicina son usados para brindar tratamiento a pacientes a través de monitoreo remoto y
mantener comunicación mientras se mueven a través de facilidades de seguridad.
La salud electrónica o EHealth se refiere al uso seguro y relación costo-efectividad de las

tecnologías de comunicación e información para auxiliar a la salud, campos relacionados con
la salud, incluyendo servicios de cuidados, vigilancia de la salud, literatura, educación,
conocimiento e investigación sobre la salud, (World health Organization, 2016).
El diseño de un sistema de EHealth auxiliará en: prevención de crisis epilépticas, alerta de

una crisis epiléptica y registro de crisis. La prevención se realiza a través de la medición de
variables que puedan desencadenar una crisis epiléptica como respiración, temperatura, ritmo
cardiaco, consumo de alcohol, estrés, menstruación, calendario de medicinas pérdidas o
sobre medicación, falta de alimentación e impulsos luminosos implementado mediante el
internet de las cosas y dispositivo móvil (MHealth). En adición, durante una crisis epiléptica
es necesario un sistema que permita a personas ajenas a la enfermedad reaccionar de la
manera adecuada mediante una retroalimentación multimodal para poder auxiliar al paciente,
así el mismo sistema pueda avisar a sus familiares.
6
1.1 DEFINICIÓN DE EPILEPSIA
La epilepsia no es una enfermedad psiquiátrica ni mental (Vivir con Epilepsia, 2017), sino
un trastorno cerebral que se caracteriza por una predisposición permanente para generar crisis
epilépticas. Las consecuencias de una crisis epiléptica es neurobiológica, cognitiva,
psicológica y social. El diagnóstico de un paciente que padece epilepsia se basa en el análisis
de la historia clínica, la cual se debe de realizar de forma minuciosa y particular; por lo que
solo es considerado un paciente con epilepsia si sufre dos crisis no provocadas (Fisher R.,
2014) y (Freeman A., 2013).
Una crisis epiléptica es un evento transitorio con presencia de signos y síntomas secundarios
a una actividad neuronal cerebral anormal, excesiva o sincrónica. Las crisis generalmente
duran apenas unos segundos o unos minutos, después de los cuales finaliza y el cerebro
vuelve a funcionar con normalidad (Maria L. Lopez M., 2009). Una crisis epiléptica se
desencadena por un exceso de actividad eléctrica de un grupo de neuronas hiperexcitables y
puede afectar a funciones como el movimiento, el comportamiento o al nivel de conciencia
(AIonso L., 2009) y (Iris Enriqueta Martínez J., 2009).
1.1.1 ESTADÍSTICAS
De acuerdo al INEGI (INEGI, "Censo General de población y Vivienda 2010", 2010) y

(INEGI, 2015), en México habitan poco más de 112 millones de personas que cuentan con
alguna discapacidad. El catálogo de clasificación de tipos de discapacidad se clasifica en los
siguientes grupos y subgrupos:
 Sensoriales y de comunicación: visuales, auditivas, habla, comprensión del lenguaje

y no especificadas.
 Motrices: extremidades inferiores, tronco, cuello y cabeza, extremidades superiores
y no especificadas.
 Mentales: intelectuales, conductuales y otras mentales e insuficientes o no
especificadas.
7
 Múltiples y otras.
 Claves Especiales.
Las personas que pertenecen a uno o varios grupos de capacidades diferentes pueden ubicarse
inclusive en diversos subgrupos, por lo que encontrar un denominador común para adaptar
las tecnologías existentes con objeto de realizar las actividades diarias es un reto constante.
La epilepsia no controlada es considerada dentro del grupo 3 de discapacidades mentales, en

el subgrupo discapacidad conductual y otras mentales; excluyendo aquellas que pertenezcan
al subgrupo 970 no consideradas como capacidad diferentes (INEGI, Clasificación de tipo
de discapacidad, 2012) y (INEGI, La discapacidad en México, datos al 2014, 2014), es decir,
no todo paciente que padezca de epilepsia es susceptible a ser considerado como un paciente
de capacidades diferentes.
Tabla 1 Subtipos de crisis focalizadas
TIPO DESCRIPCIÓN
FOCALIZADA La descarga se origina en una zona en concreto a diferencia de una crisis generalizada,
y se extiende al resto de la corteza cerebral.
SUBTIPO Descripción ¿Qué sucede?
CRISIS PARCIAL Se produce una alteración del movimiento, Se produce alteración del
SIMPLE la memoria y las sensaciones, además de los movimiento, vista, oído, memoria o
sentidos de la vista y el oído. sensación, sin embargo no se pierde el
conocimiento.
CRISIS PARCIAL La persona pierde el conocimiento y puede El paciente pierde el conocimiento y
COMPLEJA aparentar un estado de trance, puede existir puede aparentar estar en trance
repetición compulsiva de ciertos manteniendo un movimiento
movimientos. repetidas veces y es el tipo de crisis
más común.
GENERALIZADA Comienza como crisis parcial y se extiende Se puede perder el conocimiento y la
al resto del cerebro convirtiéndose en crisis persona pierde el control de sus
generalizada. músculos.
Fuente: (Juan Mercadé C., 2012), (AIonso L., 2009) y (M.P. Richardson, 2015)
1.2 TIPOS DE CRISIS EPILÉPTICAS
Las crisis epilépticas son clasificadas en focal o también conocidas como parcial, pues la
descarga se origina en una zona en concreto y se extiende al resto de la corteza cerebral, la
Tabla 1 muestra los subtipos.
8
La segunda clasificación es la crisis generalizada, en donde el cerebro se ve afectado y puede

provocar la pérdida del conocimiento, la Tabla 2 muestra las principales características de
las crisis generalizadas.
1.3 EPILEPSIA EN DIFERENTES ETAPAS DE LA VIDA
Los seres humanos tienen mayor probabilidad de padecer epilepsia en la infancia y en la

vejez, sin embargo este padecimiento no es exclusivo en dichas etapas, pues si una persona
padece de epilepsia le afectará de distinta forma dependiendo si es adolescente, mujer
(ovulando o menstruando), adulto o joven (Fopcaya-Sibat, 2011).
1.3.1 EPILEPSIA EN LA INFANCIA
La epilepsia puede afectar a cada infante de forma diferente dependiendo de la edad, tipo de
crisis, respuesta al tratamiento y otros problemas de salud; aunque los medicamentos pueden
controlar la frecuencia e intensidad de las crisis en el 70% de los casos, muchos otros tienen
dificultades debido a las crisis epilépticas, (Epilepsy foundation, 2014) y (John M. Pellock,
2017).
Algunos factores que pueden provocar crisis epilépticas no son identificables, sin embargo
se han determinados que algunas causas son:
 Problemas del desarrollo cerebral en el embarazo

 Falta de oxígeno durante y después del parto
 Traumatismo craneoencefálico
 Tumores cerebrales
 Convulsión febril
 Encefalitis o meningitis
 Epilepsia familiar
9
Tabla 2 Subtipos de crisis generalizadas
Tipo Descripción
Generalizada Se originan en algún punto de redes de descarga rápida bilateral (cortical y subcortical)
pero no necesariamente todo el córtex. Al principio parecen focalizadas pero la
localización, laterización no es consistente de una crisis a otra y pueden ser asimétricas.
Subtipo Descripción ¿Qué sucede?
Crisis de Es frecuente en la infancia y la persona pierde Se pierde el conocimiento y mantiene la
ausencia el conocimiento mientras aparenta tener la vista fija.g
mirada fija en un solo punto.
Crisis Dura pocos segundos en los cuales existe una Diversos grupos de músculos se
mioclónica sacudida brusca y muy rápida de las sacuden rápidamente.
extremidades.
Crisis tónica Después de una perdida de la consciencia los Los músculos entran en rigidez.
músculos se contraen y se sufre una
hiperextensión (movimiento que excede el
límite corporal del músculo) brusca.
Crisis atónica Los músculos pierden su consistencia y se La persona cae al suelo.
relajan.
Crisis tónico- La persona cae y el cuerpo se pone rígido, La persona pierde el conocimiento, el
clónica o posteriormente los brazos y piernas se sacuden cuerpo se pone rígido cayendo al suelo
convulsiva rápidamente. Este tipo de crisis puede y el cuerpo se sacude rápidamente
provocar mordedura de lengua, labios. salida adelante y atrás.
de espuma y relajación de esfínteres.
Fuente: (Juan Mercadé C., 2012), (AIonso L., 2009) y (M.P. Richardson, 2015)
Figura 1 EEG de infante con crisis de ausencia
Fuente: Epilepsydiagnosis.org
10
El diagnosis de epilepsia en el infante debe de estar apoyado por un historial médico

detallado, descripción de la crisis convulsiva, examen de sangre, examen físico, tomografías
axiales, electroencefalograma e imágenes por resonancia magnética, (Orrin devinsky, 2008).
Los EEG permiten medir la actividad eléctrica del cerebro para detectar las crisis epilépticas,
la figura 1 muestra el EEG de un paciente infante con crisis general de ausencia.
1.3.2 EPILEPSIA EN EL SEXO FEMENINO
Cuando el ciclo menstrual tiene relación con la frecuencia de las crisis epilépticas, esta es
denominada epilepsia catamenial, existen dos tipos:
 Sucede con más frecuencia en el momento de la ovulación.

 Tienen más frecuencia justo antes de la menstruación.
Los métodos anticonceptivos influyen en los medicamentos antiepilépticos debido a que

existe interacción entre las hormonas y los anticonceptivos, haciendo que estos duren menor
tiempo y la paciente pueda quedar embarazada. También puede suceder que tengan un efecto
contrario, es decir que los medicamentos antiepilépticos no sean efectivos y por ende se
incremente la frecuencia de las crisis, (Gemma Whiles, 2006).
1.3.2 EPILEPSIA EN LA ADOLESCENCIA
La Epilepsia Mioclónica Juvenil se puede presentar entre los 8 y los 26 años de edad en
ambos sexos por igual, pudiendo ser una crisis convulsiva el primer síntoma, pero es obligado
que padezcan mioclonías, también es frecuente que tengan ausencias epilépticas. Los factores
como la privación del sueño o el consumo de alcohol pueden desatar las crisis en estos
pacientes. En el caso de la mujer, su periodo menstrual se puede relacionar con la frecuencia
de sus crisis epilépticas, (P.A. Dekker, 2002) y (Reynolds, 2005).
11
1.3.4 EPILEPSIA EN LA 3RA EDAD
La epilepsia puede afectar a personas de todas las edades, sin embargo existe un mayor riesgo
de tener epilepsia en la infancia o en la vejez. Algunas de las causas de la epilepsia en la
tercera son problemas vasculares cerebrales, tumores cerebrales, problemas cardiacos,
enfermedad de Alzheimer, cirugías del cerebro y lesiones cerebrales. La frecuencia de las
crisis se modifica durante la menopausia debido a los cambios hormonales, y al tener huesos
frágiles es más fácil contraer una fractura, (Fisher R., 2014) y (Juan Mercadé C., 2012).
1.4 DIAGNÓSTICO Y TRATAMIENTO
Todas las funciones del cuerpo son controladas por el cerebro, por lo que si algo altera su
funcionamiento normal es posible producir una crisis epiléptica. Se diagnostica a una persona
con epilepsia si ha sufrido dos ataques no provocados en un periodo menor a un año.
Controlar la frecuencia de los ataques es logrado mediante dieta, ejercicio y el uso de

medicina especializada así como evitar las causas que pueden disparar un ataque epiléptico.
La medicina tiene un amplio margen de efectividad, alrededor del 70% de la población que
sufre crisis puede reducir la frecuencia, sin embargo el otro 30% de la población debido a la
naturaleza de sus crisis, generalizadas por ejemplo, no tiene efectividad deseada (Glauser T.,
2013).
La sociedad de epilepsia británica promueve el uso de una lista de cotejo sobre la cognición
de riesgos de epilepsia y discapacidad mentales (ERAC), es aplicado por enfermeras
especializadas y consiste en 69 preguntas que toman en cuenta los riesgos de tener una crisis
y su impacto, la seguridad personal, el sistema de salud y la calidad de vida del paciente
(Christine Cole, 2010).
Actualmente se ha propuesto una escala de alerta de riesgos de epilepsia (Andreas Braun,

2017), ha sido desarrollada por 5 expertos clínicos, 5 profesionales de la salud y probado con
una muestra de 30 pacientes; consta de 48 reactivos que toman en cuenta la seguridad
12
personal, calidad de vida, salud médica y comparada con las escalas de severidad y
autocontrol de la epilepsia.
1.5 CAUSAS Y DISPARADORES DE CRISIS EPILÉPTICAS
Identificar la causa de la crisis puede ayudar a establecer un plan de tratamiento más efectivo,
sin embargo en el 70% no se puede identificar la causa, por ello el médico recomienda el
registro continuo de las actividades del paciente, especialmente anterior a una crisis
epiléptica. Las causas identificadas para epilepsia:
 Enfermedades del hígado, riñones, diabetes y alcoholismo

 Epilepsia familiar
 Problemas antes del nacimiento que afecten al crecimiento del cerebro
 Problemas durante el parto que deriven en lesión cerebral
 Lesiones de la cabeza por accidentes
 Infecciones del cerebro como meningitis o encefalitis
 Hemorragia cerebral
 Envenenamiento por plomo
Los pacientes en un estado consiente y previo a una crisis pueden experimentar un aura, es
decir, un olor o gusto extraño, sensación de miedo, enfermedad o inclusive bienestar. El aura
es una crisis epiléptica parcial la cual está a punto de extenderse, aunque no todas se
convierten en crisis generalizadas. Algunas circunstancias que pueden provocar una crisis
son:
 Saltarse una dosis de medicamento

 Sobre medicación
 Falta de sueño
 Fiebre
 Estrés
 Beber alcohol
13
 Drogas ilegales
 Destellos luminosos
1.6 AUTOCUIDADOS
Los médicos recomiendan alejarse de los disparadores de crisis epilépticas, principalmente

evitando las principales causas de las crisis epilépticas, como son:
 Tomar la cantidad correcta de medicamento

 Respetar los horarios de ingestión de medicamento
 Reducir el nivel de estrés
1.7 SEGURIDAD DURANTE UNA CRISIS
Las crisis epilépticas son disparadas por diversos eventos y terminan por si mismas en
cuestión de minutos ; sin embargo es necesario auxiliar a una persona mientras sufre una
crisis epiléptica, pues son momentos en el que el paciente puede perder conciencia,
desmayarse o convulsionar violentamente. Algunas acciones que deben de realizarse
mientras una persona sufre una crisis epiléptica son:
 Quedarse con la persona hasta que la crisis concluya.

 Mantener la calma.
 Proteger a la persona de cualquier lesión.
 Retirar cualquier objeto duro o punzo cortante (gafas o cuchillos).
 Alejar a la persona de cualquier peligro (escalera, estufa, gas, agua)
 Colocar algo plano y no excesivamente blando bajo la cabeza.
 Girar a la persona suavemente hacia un lado para que tenga libres las vías
respiratorias.
 Desabroche o afloje las prendas de ropa en el cuello.
 Si el enfermo camina sin rumbo, dirigirlo hacia una zona sin peligro.
14
Por el contrario, no se debe de:
 Detener los movimientos convulsivos de la persona.

 No sujetar a la persona ni tratar de inmovilizar, a no ser que corra peligro de
inmediato.
 No administrar ningún medicamento ni nada bebido hasta que este despierto y
consiente.
 No abrir la boca de la persona.
 No introducir nada en la boca de la persona.
 No hacer reanimación ni respiración asistida a menos que deje de respirar una vez
finalizada la crisis.
Se debe de llamar a emergencias si se presentan alguna de las siguientes situaciones:
 Si es la primera crisis de la persona.

 Cuando tiene una crisis epiléptica diferente a la habitual.
 Cuando el paciente no está tomando su medicación antiepiléptica.
 Cuando el paciente tiene fiebre durante la crisis u ocurre un proceso infeccioso.
 SI al finalizar la crisis y ha pasado un minuto el paciente no respira normalmente.
 Si el paciente se ha lesionado durante la crisis.
 SI tiene crisis seguidas sin recuperar la conciencia entre ellas.
 Si el enfermo solicita ayuda médica urgente.
Algunos consejos para preservar la seguridad de una persona que vive con epilepsia es buscar
incentivar actividades que le permitan desarrollar su independencia, algunas acciones a tomar
son:
o Vigilar al paciente con epilepsia cuando se bañe

o Tomar una ducha (sentado) en lugar de un baño (parado)
o El paciente no debe hallarse en un cuarto bajo llave
o Compruebe que el agua no se halle demasiado caliente
o No dejar que el paciente realice actividades acuáticas por si solo
o El paciente debe de utilizar casco si viaja en motocicleta
15
1.8 SISTEMAS DE SALUD ELECTRÓNICA (EHEALTH)
EHealth se refiere a los servicios de salud e información entregada o mejorada a través de

tecnología de cómputo y comunicación. Un dispositivo EHealth dista de otros dispositivos
empleados en medicina pues tiene por objetivo mejorar la salud y bienestar, facilitando la
comunicación entre un paciente y un profesional de la salud, como se muestra en la figura 2
(Ramachandran, 2015).
Figura 2 Arquitectura general de un sistema EHealth
Fuente: Universidad Twente, Holanda, 2017.
1.8.1 IMPORTANCIA
La esencia de un programa de la salud es proveer el mejor cuidado que beneficie al paciente

y al profesional de la salud. De acuerdo a (Central Intelligence Agency, 2017), actualmente
el porcentaje de edad entre 25-54 años es el 40.78% como indica la Tabla 3, sin embargo,
16
existe una tendencia del crecimiento del porcentaje de adultos mayores como lo demuestra
la Figura 3 de acuerdo a (The world Bank, 2017).
Tabla 3 Distribución por edad y sexo de la población mundial al 2015
Distribución por edad Porcentaje Hombre Mujer

0-14 años 25.79% 956.360.171 893.629.520
15-24 años 16.61% 613.806.639 577.904.561
25-54 años 40.78% 1.478.739.525 1.447.244.791
55-64 años 8.51% 298.092.946 312.206.795
Mayor a 65 años 8.32% 265.453.689 331.172.947
Fuente: Index Mundi, 2017.
Una población que envejece implica un incremento en enfermedades mórbidas relacionadas

con la edad, como aquellas relacionadas con el corazón, diabetes, pulmón y entre ellas la
epilepsia, puesto que tiene un mayor porcentaje de crisis en la edad temprana y la vejez
(Megido I, 2016). Estas enfermedades pueden presentarse más de una a la vez, por lo que se
conocen como multimórbidas, sin embargo también pueden ser autogestionadas para
mantener una calidad de vida aceptable haciendo que los paciente en vejez participen en su
calidad de vida .
Figura 3 Población con edad superior a 65 años
Fuente: The World Bank, Holanda, 2016
17
1.8.2 INTERNET DE LAS COSAS
Dentro del contexto de eHealth, la interconectividad de datos mediante IoT permite el registro y
análisis de la información, que mediante un sistema de control distribuido es posible tomar decisiones
y ofrecer servicio de diagnosis, monitoreo (S. Janani Devi, 2013) y control de medicamentos a
paciente promoviendo nuevas formas de interactuar con los profesionales de la salud. De acuerdo a
Cisco en 2010 existen 12.5 billones de dispositivos interconectados y alrededor de 6.8 billones de
personas, se estima que para el 2020 la relación de dispositivos conectados por personas sea mas del
triple, como lo indica la Figura 4, (Parag Chatterjee, 2015).
Figura 4 Comparación humanos vs. Dispositivos móviles
Fuente: Cisco IBSG, 2011
II. FORMULACIÓN DEL PROBLEMA
Se debe de prever las crisis epilépticas favoreciendo actividades que no incidan en disparadores,
evitando:
 Saltarse una dosis de medicamento

 Sobre medicación
 Falta de sueño
18
 Fiebre
 Estrés
 Beber alcohol
 Drogas ilegales
 Destellos luminosos
Otra problemática identificada son los mitos relacionados ante las crisis epilépticas, estos van desde
limitar los movimientos del paciente o introducir objetos en su boca hasta desatender por completo
al paciente una vez que la crisis finaliza, lo cual puede provocar daño a la integridad del paciente. Por
lo que es necesario un sistema que detecte la crisis y a través de instrucciones multimodales
(generación voz, tacto, orientación, reconocimiento de voz) además de retroalimentar a los familiares
sobre el estado de la persona y si hay alguien cuidando de su integridad física.
El éxito de la prevención de las crisis epilépticas depende de la creación de un historial para que un
experto en salud pueda identificar las variables que pueden desencadenar una crisis. Por lo que previo
y posterior a una crisis es necesario llevar el registro de:
 Que actividades ha realizado

 Historial de pastillas y que ha sentido
 Latidos del corazón
 Temperatura
 Otros causantes
 Tipo de crisis
 Tiempo que dura la crisis
III. MOTIVACIÓN
IV. ESTADO DE LA PRÁCTICA
La muerte súbita por epilepsia (SUDEP) es la causa de muerte más común como resultado
de las complicaciones de derivadas de la enfermedad, la evidencia sugiere que la educación
19
acerca SUDEP se traduce como una mejora en el autocontrol de la misma (Van Poppel K,
2013), (Craig Newman, 2016).
Se han propuesto diversas soluciones para detectar crisis epilépticas y monitorear al paciente
a lo largo del día, sin embargo algunos proyectos no cuentan con una integración ergonómica,
especialmente si el usuario debe de vestir el dispositivo diariamente. La mayoría de los
proyectos lidian con la detección en ambientes controlados (laboratorios) o semi controlados
(casa habitación), pero no consideran usos en la vida en escenarios cotidianos.
4.1 ESTADO DE LA TÉCNICA
Los instrumentos de detección y registro han sido desarrollados para 2 tipos de crisis
epilépticas: crisis generalizadas y crisis por ausencia.
Las consideraciones a tomar para el desarrollo de un sistema MHealth para la detección de

crisis epilépticas son:
Respuesta en tiempo real: La detección de crisis y la notificación de la alarma debe

de funcionar casi al instante.
Costo de la plataforma: una tecnología vestible con interface a un servidor debe de

considerar precios en comunicación implícitamente.
Garantía de entrega de datos del cómputo en la nube: la capa de CC debe mantener

los servicios disponibles para los usuarios empleando la infraestructura del sistema.
El procesamiento de los algoritmos que empleen grandes datos y recursos
computacionales pueden ser ejecutados en la capa de CC o por un dispositivo móvil,
sin embargo debe de considerarse la penalización en el uso de la batería si se considera
este último.
Integración MCC: Cuando sea requerido los teléfonos inteligentes pueden tomar el
control de la secuencia de la tarea a desarrollar, esto sucede principalmente cuando
redes WIFI no estén disponibles. Los MCC pueden aliviar la vida de la batería y la
carga de la red (IBM, 2017).
20
Servicios configurables dentro de la APP: en lugar de correr todos los servicios, es

deseable que la aplicación se adapte al paciente lo más posible, deshabilitando los
servicios que no se requieran en cierto tiempo.
Problemas de ergonomía: La solución debe de ser fácil de usar y no intrusiva con el

fin de alentar su uso, por ejemplo el uso de gorras sensoras pueden disminuir la
confortabilidad Los problemas ergonómicos contemplan también la eficiencia y
duración de la batería, la frecuencia de carga de los dispositivos embebidos y móbiles
(S. Sareen S. K., 2016) (S. Sareen S. S., 2016) (D. Callegari, 2014) y (P. lockhande,
2016).
Típicamente un sistema EHealth adquiere datos, mide variables biomédicas u obtiene

retroalimentación de otros usuarios, realiza operaciones mediante servicios del cómputo en
la nube o cómputo en un dispositivo móvil, a continuación se detallarán los sistemas eHealth
y mHealth relevantes a la detección de crisis epilépticas.
4.1.1 DETECCIÓN POR MEDIO DE BSN Y WD
Los dispositivos vestibles (WD) hacen uso de redes de sensores corporales (BSN) para
detectar crisis generalizadas, algunos de los sensores que son empleados son: acelerómetros
triaxiales, sensores de pulso cardiaco, giroscopios, temperatura, estrés, excitación, descanso,
actividad física, EEG y ECG. Las herramientas EHealth promueven la salud en el paciente
con epilepsia (Loes A.M. Leenen, 2016), sin embargo cabe notar que ningún dispositivo es
capaz de detectar todos los tipos de crisis epilépticas, solo las generalizadas (Caryn Jory,
2016, Abril) y se enfocan en los cambios de movimiento y psicológicos a través de puntos
de umbralización.
21
4.1.2 WEREABLE DEVICES
El proyecto Neutun (Neutun Inc, 2017) detecta crisis epilépticas generalizadas, se empareja
con relojes inteligentes comerciales, realiza el registro de actividades, informa cuando tomar
el medicamento, detecta crisis e informa a otros además de su ubicación, el dispositivo se
muestra en la figura 5.
Figura 5 Proyecto Neutun
Fuente: Neutun Labs
El proyecto EMBRACE (Empatica, 2017) emplea una banda inteligente que emplea sensor
PPG el cual mide pulso de volumen de sangre, variabilidad del pulso cardiaco; acelerómetro
de 3 ejes; sensor EDA el cual mide actividad electrodermal y temperatura de la piel, el
dispositivo es mostrado en la figura 6.
Figura 6 Banda inteligente
Fuente: www.empatica.com/e4-wristband
22
4.1.3 COLCHÓN INTELIGENTE
Se basan en la detección del movimiento mediante un sensor de presión que es ubicado

debajo de las sábanas o colchón para detectar movimiento anormal o ausencia de
movimiento, puedes ser configurado para permitir movimientos normales del sueño (Fulton
S, 2013). Sin embargo son variables en obtener falsos positivos (Caryn Jory, 2016, Abril). El
dispositivo más exitoso tiene un 89% de verdaderas detecciones (Narechania A, 2013)
4.1.4 DETECCIÓN POR EEG
Las detecciones BSN y WD son apoyadas mediante el análisis y detección de crisis

epilépticas empleando EEG (electroencefalograma). Se han publicado trabajos de
investigación en donde se realiza el modelo de estas señales y el diseño de dispositivos
portables para adquirir señales EEG (B. Direito, 2010) y (Krishnan, 2012), sin embargo
debido a la naturaleza de la adquisición de datos carece de ergonomía (Paula M. Vergara,
2017).
El proyecto WINAM (NeuroPro, 2017) detecta crisis epilépticas de ausencia y generalizadas,

hace uso de una diadema que analiza ondas EEG con conexión Bluetooth como muestra la
Figura 7, la cual a través de un teléfono inteligente envía los datos a la nube para su análisis
en tiempo real, en caso de existir una crisis se envía la ubicación a los familiares y también
la ubicación GPS.
Figura 7 Detección EEG 8 canales
23
Fuente: http://www.neuropro.ch
La detección de epilepsia a través de señales EEG pueden realizarse mediante el uso de

procesamiento digital de señales a través de wavelets, sistemas no lineales, teoría del caos y
redes neuronales (Oliver Faust, 2015). La figura 8 muestra 3 señales EEG de un paciente
normal, antes de una crisis (interictal) y durante una crisis (ictal), las cuales a través de
algoritmos que emplean transformadas de wavelets continuas y discretas, pueden
diagnosticar y predecir una crisis epiléptica a partir de la información obtenida de un EEG,
la Tabla 5 muestra un extracto de diversas técnicas mediante wavelets empleadas para
detección y predicción de crisis epilépticas..
Figura 8 Ejemplo de señales EEG
24
Fuente: Base de datos de Universidad de Bonn
Tabla 4 Sumario de trabajos publicados relacionados con detección/predicción de crisis epilépticas empleado EEG
Tipo
Autor Año Objetivo Wavelet Resultado
señal
(K. Gadhoumi, 2013 Seizure prediction Morse 2 Clasificador no estándar
2013)
(U.R. Acharya, 2013 CAD of epilepsy MH 3 Clasificador estándar,
2013) exactitud, sensibilidad,
especificidad
(K Gadhoumi, 2012 Discrimination of pre-ictal and Morse 2 Clasificador no
2013) interictal states estándar, sensibilidad
(P. Indic, 2011) 2011 Study of EEG before and during Morlet – –
mesial temporal lobe seizures
(B. Abibullaev, 2010 CAD of epilepsy bior 2 ANN, Exactitud
2010)
(S. Pravin 2010 Seizure detection bior 3 ANN, Exactitud
Kumar, 2010) sensibilidad,
especificidad
(B. Abibullaev 2010 Feature extraction and de- bior 3 ANN, Exactitud
H. S., 2010) noising topographic brain
25
mapping and epilepsy

classification
(B. Abibullaev 2010 Seizure detection bior 3 ANN, Exactitud
M. K., 2010)
Fuente: Extracto de (Oliver Faust, 2015), Science Direct
4.1.5 TRAJES DE DETECCIÓN
BIOSERENITY es un proyecto que emplea ropa inteligente con sensores biométricos como
lo muestra la Figura 9, detecta, monitorea y se envía a un teléfono inteligente vía Bluetooth,
posteriormente un servicio en la nube se encarga de detectar la crisis epiléptica.
4.1.6 TECNOLOGÍA IOT
Los sistemas de llamado por disparo automático mediante el internet de las cosas (IoTA)
pueden ser aprovechados por tecnologías eHealth para llamar directamente a proveedores de
la salud de forma automática a través de una comunicación bidireccional empleando la
arquitectura IOT, de esta forma se crean sistemas de ambiente asistido (AAL), (Foteini
Andriopulou, 2017)
Figura 9 Ropa inteligente que detecta crisis
26
Fuente: www.bioserenity.com
4.1.7 CÓMPUTO MÓVIL
Los dispositivos móbiles son caracterizados por sus recursos limitados, arquitectura cerrada
referente a su poder de cómputo y capacidad de memoria para programas; sin embargo con
el auge de aplicaciones como realidad aumentada, inteligencia artificial, visión artificial,
procesamiento del lenguaje natural se ha incrementado el poder de cómputo de estos
dispositivos apoyándose en algoritmos implementados en cómputo móvil en la nube, es
posible delegar ciertas tareas que para un teléfono inteligente pueden resultar prohibitivas (S.
Deshmukh, 2016), sin embargo el dispositivo es dependiente de la disponibilidad de la red.
27
En (Pallavi Lokhande, 2016) se diseñó un sistema para monitorear continuamente la

actividad de los pacientes a través de sensores acelerómetros, humedad, micrófono y
temperatura; con el objetivo de detectar mediante perfiles de crisis epilépticas predefinidas
cuando sucede una convulsión, se produjo un accidente de orina, un golpe sonoro y cambios
en la temperatura corporal, la Figura 10 muestra la arquitectura del sistema electrónico de
detección. El sistema emplea un enlace Bluetooth con un teléfono inteligente con SO
Android, el cual puede enviar mensajes SMS si se ha detectado alguna emergencia.
Figura 10 Sistema de detección basado en un dispositivo móvil
Fuente: Pune University
4.2 ESTADO DEL ARTE
La aplicación más empleada de los EEG es para observar, estudiar registros e investigar daños
cerebrales y diversos desórdenes como lo es la epilepsia, por lo que los patrones de las ondas
cerebrales pueden diferenciarse en estados interictal, preictal e ictal.
Las técnicas usadas para predecir convulsiones incluyen métodos basados en frecuencia, análisis de
señales EEG estadísticos, dinámica no-lineal y sistemas expertos.
28
Existe un gran interés en desarrollar nuevas formas que permitan predecir convulsiones de minutos
a horas antes de que inicien, con el fin de prevenir los ataques mediante una estimulación eléctrica
apropiada como forma de controlar las convulsiones (Bandarabadi M, 2013).
Los análisis para predecir las convulsiones mediante EEG se clasifican en:
 Univariable: computa cada canal EEG por separado, sin embargo no ha tenido el éxito
esperado en la predicción de convulsiones.
 Bivariable (multivariable): mide la relación entre dos o más canales EEG.
Cada grupo de análisis univariable y multivariable se subclasifica en análisis lineal y no lineal

(Lehnertz K, 2003) y (Mormann F, 2005). El análisis univariable lineal incluye técnicas de análisis
momentos estadístico, banda espectral de potencia, límite de espectro, características de la
frecuencia, funciones de autocorrelación y parámetros de Hjorth. El análisis univariable es sensitivo
a aquellos cambios antes de una convulsión, se relacionan con el periodo inmediatamente que
precede a una convulsión (D’Alessandro M, 2003).
El análisis multivariable incluye la correlación lineal máxima, medida bivariable no lineal que incluye
interdependencia. Estas medidas han detectar cambios dinámicos en escalas de tiempo mayor a
horas.
Las medidas de dimensión de la correlación, sincronización, especialmente la sincronización de fase,

entropía y el mayor exponente de Lyapunov han tenido mayor éxito y robustez en modelos de
predicción (Faust, 2015). Las técnicas se describen a continuación:
Dimensión de la correlación: un método no lineal perteneciente a la teoría del caos, mide

el espacio ocupado por un conjunto de puntos a veces referidos como fractales.
Sincronización de fase: es una de las técnicas no lineales más importantes en la predicción

de convulsiones, mide dos o más señales cíclicas que fluctúen con una secuencia de ángulo
de fase relativo. Esta característica es la que puede permitir la detección en el 70% de los
casos con horas de aproximación.
Entropía: es una medida no lineal, las características de interés son entropía aproximada,
muestra de entropía, fase de la entropía 1 y 2 (Fu, 2015) y (Kumar, 2010).
Los métodos de predicción emplean EEG intracranial o de superficie para extraer medidas.
Los métodos intracraneales aunque invasivos, permiten una amplitud de fluctuación
eléctrica cerebral. Todos los métodos de detección tienen dos etapas:
1. Detección y extracción de medidas EEG que caractericen etapas interictal, ictal y

postictal a través de una ventana de análisis (lineal o no lineal) con longitud
predeterminada (Bedeeuzzaman M, 2012).
2. Distinguir estados preictal e ictal.
El proceso de análisis por ventana de señal dura de 10 a 40 segundos.
29
Métodos de predicción no lineares (caos): Si se interpreta la dimensión de la correlación de

Lyapunov es posible caracterizar diferentes estados de funciones cerebrales normales y
patológicas.
Un método prometedor para predecir una convulsión es a través del exponente de

Lyapunov, el cual es un criterio del nivel del caos de un sistema.
Las transformadas basadas en wavelets de índice no lineal son otra aproximación a modelos
de predicción empleando frecuencias beta con rango 10-30 Hz (Blanco S, 2013).
Sistemas expertos: Los sistemas basados en redes neuronales tienen buen potencial en
reconocer patrones y clasificación de medidas EEG que pueden ser empleadas para la
predicción de convulsiones. Las redes neuronales emplean variables como: características
no lineales de EEG, índice de similaridad, sincronización de fase e interdependencia no
lineal.
Los métodos basados en el análisis en la frecuencia generalmente emplean la transformada de

Fourier (H, 2009) (Fu, 2015) y (Lee, 2014), asumiendo que las señales EEG son estacionarias
permitiendo así su transformación del dominio del tiempo a la frecuencia. No obstante, las señales
EEG no son estacionarias (Li, 2016) (Li Y. W., 2011) y (Li Y. L., 2016).
Figura 11 Descomposición de una señal EEG en bandas de interés
Se ha presentado una técnica basada en la detección de convulsiones empleando características

multi-dominio con análisis no lineal para mejorar mediante wavelets (Lina Wang, 2017). El algoritmo
se basa en el uso de umbralización con wavelets para remover componentes de ruido de las señales
EEG previo a la extracción de características en el tiempo y frecuencia, así también como análisis no
lineal (IMF) y análisis del espectro de frecuencias de 5 sub-bandas, como lo muestra la Fig. 1.
También emplea diversos clasificadores com K-nearest neiborgh, análisis lineal discriminativo,
bayesiano, regresión logística, la Fig. 2 muestra el diagrama de flujo del sistema, en donde algunas
operaciones pueden ser realizadas en línea y fuera de línea.
30
Figura 12 Diagrama de flujo de los métodos empleados por (Lina Wang, 2017) basados en análisis multi-dominio
31
V. PROPUESTA DE LA SOLUCIÓN
VI. HIPÓTESIS Y OBJETIVOS
a. HIPÓTESIS
El desarrollo de un sistema MHealth multimodal en un dispositivo vestible y empleando el

internet de las cosas apoyado en el uso de nodos sensores electrónicos e interface cerebro
computadora podrá registrar, prevenir y auxiliar a un paciente con epilepsia cuando suceda
una crisis.
b. OBJETIVO GENERAL
Diseñar un sistema MHealth vestible con interface multimodal enfocado en pacientes

epilépticos que permita registrar, prever y auxiliar en crisis epilépticas a través de la medición
de variables empleando nodos sensores y un dispositivo móvil.
c. OBJETIVOS ESPECÍFICOS
Diseño de un sistema mhealth MULTIMODAL para personas con crisis epilépticas

implementado en cómputo móvil
 Estudio de la técnica referente a dispositivos que detecten y predigan las crisis

epilépticas
 Estudio del estado del arte referente a la detección de crisis epilépticas.
 Estudio del estado del arte referente a las generalidades de la predicción de crisis
epilépticas mediante EEG, específicamente con análisis en frecuencia.
 Diseñar la arquitectura de un dispositivo usable con interface a un dispositivo móvil
inalámbrico que registre variables biométricas a través de nodos sensores.
 Diseñar una interface cerebro-móvil que permita el análisis de señales EEG para la
predicción de crisis epilépticas.
 Diseñar e implementar un dispositivo usable que auxilie al paciente y brinde
información a terceros durante una crisis epiléptica
32
 Implementar una app multimodal para el SO Android para implementar el sistema

MHealth multimodal que prediga y detecte un ataque epiléptico
 Análisis del comportamiento del sistema: eficiencia/desempeño.
 Escritura del documento de tesis.
 Publicación de artículos en congresos y revistas indizadas en el Journal Citation
Reports (JCR).
VII. METODOLOGÍA
VIII. ALCANCES Y LIMITACIONES
33
IX. CONCLUSIONES
34
X. CRONOGRAMA
35
Bibliografía
AIonso L., B. O. (2009). Guia andaluza de epilepsia. Andalucía, España: GPC de la SAdE.
Andreas Braun, S. K.-L. (2017). Development of the Epilepsy Risk Awareness scale (ERA scale) for
people with epilepsy. Europan Journal of Epilepsy.
B. Abibullaev, H. S. (2010). Epileptic spike detection using continuous wavelet transforms and
artificial neural networks. International Journal of Wavelets Multiresolution information
Processing, 33-483.
B. Abibullaev, M. K. (2010). Seizure detection in temporal lobe epileptic EEGs using the best basis
wavelet functions. Journal of medical systems, 755-765.
B. Direito, C. T.-B. (2010). Modeling epileptic brain states using EEG spectral analisys and
topographic mapping. Journal of Neuroscience Method.
Bandarabadi M, D. A. (2013). Seizure prediction with bipolar spectral power features using
adaboost and SVM classifiers. Conference proceedings: Annual international conference of
the IEEE engineering in medicine and biology society conference, 6305-6308.
Bedeeuzzaman M, F. T. (2012). Mean Absolute Deviation and Wavelet Entropy for Seizure
Prediction. Journal of Medical Imaging and Health Informatics, 238-243.
Blanco S, G. A. (2013). Comparison of frequency bands using spectral entropy for epileptic seizure
prediction. ISRN neurology.
Caryn Jory, R. S. (2016, Abril). Safe and sound? A systematic literature review of seizure detection.
ScienceDirect, Elsevier.
Central Intelligence Agency. (2017). The world Factbook. USA.
Christine Cole, A. P.-L. (2010). A pilot study of the epilepsy risk awareness checklist (ERAC) in
people with epilepsy and learning disabilities. Seizure, 592-596.
Craig Newman, B. (. (2016). Developing an Evidence-Based Epilepsy Risk Assessment eHealth

Solution: From Concept to Market. JMIR publications.
D. Callegari, E. C. (2014). EpiCare- a home care platform based on mobile cloud computing to assit
epilepsy diagnosis. Proceedings of the 4th International Conference on wireless Mobile
Communication and healthcare, MOBIHEALTH, 148-151.
D’Alessandro M, E. R. (2003). Epileptic seizure prediction using hybrid feature selection over
multiple intracranial EEG electrode contacts:. IEEE transactions on bio-medical
engineering, 603-615.
Empatica. (23 de 10 de 2017). E4 wristband. Obtenido de https://www.empatica.com/e4-

wristband
Epilepsy foundation. (2014). Epilepsy & my child. USA: Epilepsy Foundation.
Faust, O. A. (2015). Wavelet-based eeg processing for computer-aided seizure detection and
epilepsy diagnosis. Seizure, 56-64.
36
Fisher R., A. C. (2014). A practical clinical definition of epilepsy. ILAE Official Report Epilepsia, 475-
482.
Fopcaya-Sibat, H. (2011). Novel aspects on epilepsy. Croacia: Dragana Manestar.
Foteini Andriopulou, T. O. (2017). IoTA: IOT Automated SIP-based emergency call Triggering
system for general eHealth purposes. e-Health Architectures and Services. Roma, Italia:
IEEE Computer society.
Freeman A., F. D. (2013). The epilepsies: the diagnosis and management of the epilepsies in adults
and children in primary and secondary care. NICE Clinical Guideline, 1-117.
Fu, K. Q. (2015). Hilbert marginal spectrum analysis for automatic seizure detection in EEG signal.
Biomed. Signal Process. Control, 179-185.
Fulton S, P. K. (2013). Prospective study of 2 bed alarms for detection of nocturnal seizures.
Journal of child Neurology.
Gemma Whiles, S. B. (2006). So...What's epilepsy. United Kingdom: Childrens Epilepsy service.
Glauser T., B. M. (2013). Updated ILAE evidence review of antiepileptic drug efficacy and
effectiveness as initial monotherapy for epileptic seizures and syndromes. Epilepsia, 551-
563.
H, O. (2009). Automatic detection of epileptic seizures in eeg using discrete wavelet transform and
approximate Entropy. Expert Systems Application, 2027-2026.
Health Globe by Graph. (2017). Obtenido de http://global-disease-

burden.healthgrove.com/l/55762/Epilepsy-in-Mexico
IBM. (16 de 10 de 2017). What is mobile cloud computing? Obtenido de

https://www.ibm.com/cloud-computing/learn-more/what-is-mobile-cloud-computing/
INEGI. (2010). "Censo General de población y Vivienda 2010". Ciudad de México: INEGI.
INEGI. (2012). Clasificación de tipo de discapacidad. Instituto Nacional de estadística y Geográfica,

Historicos. México: INEGI.
INEGI. (2014). La discapacidad en México, datos al 2014. México: INEGI.
INEGI. (2015). Mujeres y hombres en México 2015. México: 1ra edicion.
Iris Enriqueta Martínez J., L. R. (2009). Diagnóstico y tratamiento de la epilepsia en el adulto en el

primer y segundo nivel de atención. Mexico: CENETEC.
John M. Pellock, D. R. (2017). Pediatric epilepsy diagnosis and therapy. NewYork: demosMedical.
Juan Mercadé C., J. S. (2012). Guías diagnosticas y terapeuticas de la sociedad española de

neurología. Madrid: Luzán.
K Gadhoumi, J. L. (2013). Discriminating preictal and interictal states in patients with temporal
lobe epilepsy using wavelet analysis of intracerebral EEG. Clinical Neurophysiology, 1906-
1916.
37
K. Gadhoumi, J. L. (2013). Seizure prediction in patients with mesial temporal lobe epilepsy using
EEG measures of state similarity. Clinical Neurophysiology, 1745-1754.
Krishnan, S. X. (2012). Wavelet-based sparse functional linear model with applications to EEGs
seizure detection and epilepsy diagnosis. Medical and biological engineering and
computing.
Kumar, S. S. (2010). Entropies based detection of epileptic seizures with artificial neural network
classifiers. Expert Systems application, 3284-3291.
Lee, S. L. (2014). Classification of normal and epileptic seizure eeg signals using wavelet transform,
phase-space reconstruction, and euclidean distance. Computation Methods Programming
Biomedical, 116,10-25.
Lehnertz K, M. F. (2003). Seizure prediction by nonlinear EEG abalysis. IEEE engineering in medicine
and biology magazine : the quaterly magazine of the Engineering in Medicine % Biology
Society, 57-63.
Li, Y. L. (2016). A multi-wavelet-based time-varying model identification approach for time-

frequency analysis of eeg signals. Neurocomputing, 193, 656-663.
Li, Y. L. (2016). High-resolution time-frequency analysis of eeg signals using multiscale radial basis
functions. Neurocomputing, 195, 96-103.
Li, Y. W. (2011). Time-varying model identification for time-frequency feature extraction from eeg
data. Journal Neuroscience Method, 196, 151-158.
Lina Wang, W. X. (2017). Automatic Epileptic Seizure Detection in EEG Signals Using Multi-Domain
Feature Extraction and Nonlinear Analysis. Entropy, 222-239.
Loes A.M. Leenen, B. F. (2016). Are people with epilepsy using eHealth-tools? Science DIrect, 268-
272.
M.P. Richardson, D. C. (2015). Classificaction and terminology to organise seizures and epilpesies.
En F. Rugg-Gunn, Epilepsyu 2015: From channels to comissioning (págs. 11-20). USA:
Oxford Unuiversity.
Maria L. Lopez M., e. a. (2009). Conceptos básicos de la epilepsia. Neurobiología, 31-37.
Megido I, C. A. (2016). Health and economic benefits of public financing of epilepsy treatment in
India: an agent-based simulation model. Epilepsia Official Journal of the International
League Against Epilepsy.
Mormann F, k. T. (2005). On the predictability of epileptic seizures. Clinical neurophysiology, 569-

587.
Narechania A, G. I.-G. (2013). Assessment of a quasi-piezoelectric mattress monitor as detection

system for generalised convulsions. Epilepsy Behavior, 172-176.
NeuroPro. (23 de 10 de 2017). Obtenido de NeuroPro: WINAM: http://www.neuropro.ch
Neutun Inc. (23 de 10 de 2017). Obtenido de Neutun Project: https://www.neutun.com
38
Nieto, E. P. (2013). Plan Nacional de Desarrollo 2013-2018. Mexico: Gobierno de la Republica.
Oliver Faust, R. A. (2015). Wavelet-based EEG processing for computer-aided seizure detection and
epilepsy diagnosis. ScienceDirect, 56-64.
Orrin devinsky, M. (2008). Epilepsy: Family and patient guide. Canada: demosHealth.
P. Indic, J. N. (2011). Wavelet based algorithm for the estimation of frequency flow from
electroencephalogram data during epileptic seizure. Clinical Neurophysiology, 680-686.
P. lockhande, T. M. (2016). Epilepsy monitoring and analysis system using android platform.
International journal of science and research, 60-64.
P.A. Dekker, M. (2002). Epilepsy a manual for medical and clinical officers in africa. Países Bajos:
World health organization Geneva.
Pallavi Lokhande, T. M. (2016). Epilepsy Monitoring and Analysis System using Android Platform.
International Journal of Science and Research (IJSR), 60-65.
Parag Chatterjee, R. A. (2015). Internet of Things for a Smart and Ubiquitous eHealth System. :
International Conference on Computational Intelligence and Communication Networks.
Jabalpur, India: CICN.
Paula M. Vergara, E. d. (2017). An IoT Platform for Epilepsy Monitoring and Supervising. Journal of
sensors.
Ramachandran, P. (2015). Internet of things: New promises for persons with disabilities. USA:
G3ict.
Reynolds, E. H. (2005). Epilepsy: the disorder. Epilepsy Atlas WHO 2005, 15-27.
S. Deshmukh, R. S. (2016). Computation offloading frameworks in mobile cloud computing a

survey. Proceedings of the 2016 IEEE International conference on current trends in
advanced computing.
S. Janani Devi, G. S. (2013). Wireless sensor Network integrating with cloud computing for patient
monitoring. International Journal of engineering sciences & emerging technologies, 316-
323.
S. Pravin Kumar, N. S. (2010). Entropies based detection of epileptic seizures with artificial neural
network classifiers. Experts Systems with Applications, 3284-3291.
S. Sareen, S. K. (2016). A cloud based seizure alert system for epileptic patients that uses higher-
order statistics. Computing in sciene and engineering, 56-67.
S. Sareen, S. S. (2016). An automatic prediction of epileptic seizures using cloud computing and
wireless sensor networks. Journal of medical systems.
The world Bank. (2017). Population ages 65 and above. 2017.
U.R. Acharya, R. Y. (2013). Automated diagnosis of epileptic electroencephalogram using

independent component analysis and discrete wavelet transform for different
39
electroencephalogram durations. Proceedings of the Institution of Mechanical Engineers,

234-244.
Van Poppel K, F. S. (2013). Prospective study of the emfit movement monitor. Journal of child
neurology, 1434-1436.
Vivir con Epilepsia. (2017). Obtenido de http://vivirconepilepsia.es
WHO Media centre. (2 de Febrero de 2017). World Health Organization. Obtenido de

http://www.who.int/mediacentre/factsheets/fs999/en/
World health Organization. (2016). Global diffusion of eHealth: Making universal health coverage
achievable. World health Organization.
40

01 Ruben

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

01 Ruben

Hochgeladen von

Copyright:

Verfügbare Formate

Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación

Doctorado en Ciencias de la Ingeniería

Actualmente se sabe que el origen del padecimiento se encuentra en el exceso de actividad

La organización mundial de la salud reconoce la epilepsia como la mayor preocupación en

El plan nacional de desarrollo 2012-2018, en su diagnóstico general reconoce que los

La prevención y reducción de frecuencia de las crisis epilépticas se realiza mediante la

La salud electrónica o EHealth se refiere al uso seguro y relación costo-efectividad de las

El diseño de un sistema de EHealth auxiliará en: prevención de crisis epilépticas, alerta de

1.1 DEFINICIÓN DE EPILEPSIA

De acuerdo al INEGI (INEGI, "Censo General de población y Vivienda 2010", 2010) y

 Sensoriales y de comunicación: visuales, auditivas, habla, comprensión del lenguaje

La epilepsia no controlada es considerada dentro del grupo 3 de discapacidades mentales, en

Tabla 1 Subtipos de crisis focalizadas

1.2 TIPOS DE CRISIS EPILÉPTICAS

La segunda clasificación es la crisis generalizada, en donde el cerebro se ve afectado y puede

1.3 EPILEPSIA EN DIFERENTES ETAPAS DE LA VIDA

Los seres humanos tienen mayor probabilidad de padecer epilepsia en la infancia y en la

1.3.1 EPILEPSIA EN LA INFANCIA

 Problemas del desarrollo cerebral en el embarazo

Tabla 2 Subtipos de crisis generalizadas

Figura 1 EEG de infante con crisis de ausencia

El diagnosis de epilepsia en el infante debe de estar apoyado por un historial médico

1.3.2 EPILEPSIA EN EL SEXO FEMENINO

 Sucede con más frecuencia en el momento de la ovulación.

Los métodos anticonceptivos influyen en los medicamentos antiepilépticos debido a que

1.3.2 EPILEPSIA EN LA ADOLESCENCIA

1.3.4 EPILEPSIA EN LA 3RA EDAD

1.4 DIAGNÓSTICO Y TRATAMIENTO

Controlar la frecuencia de los ataques es logrado mediante dieta, ejercicio y el uso de

Actualmente se ha propuesto una escala de alerta de riesgos de epilepsia (Andreas Braun,

1.5 CAUSAS Y DISPARADORES DE CRISIS EPILÉPTICAS

 Enfermedades del hígado, riñones, diabetes y alcoholismo

 Saltarse una dosis de medicamento

Los médicos recomiendan alejarse de los disparadores de crisis epilépticas, principalmente

 Tomar la cantidad correcta de medicamento

1.7 SEGURIDAD DURANTE UNA CRISIS

 Quedarse con la persona hasta que la crisis concluya.

Por el contrario, no se debe de:

 Detener los movimientos convulsivos de la persona.

Se debe de llamar a emergencias si se presentan alguna de las siguientes situaciones:

 Si es la primera crisis de la persona.

o Vigilar al paciente con epilepsia cuando se bañe

1.8 SISTEMAS DE SALUD ELECTRÓNICA (EHEALTH)

EHealth se refiere a los servicios de salud e información entregada o mejorada a través de

Figura 2 Arquitectura general de un sistema EHealth

Fuente: Universidad Twente, Holanda, 2017.

La esencia de un programa de la salud es proveer el mejor cuidado que beneficie al paciente

Tabla 3 Distribución por edad y sexo de la población mundial al 2015

Distribución por edad Porcentaje Hombre Mujer

Una población que envejece implica un incremento en enfermedades mórbidas relacionadas

Figura 3 Población con edad superior a 65 años

Fuente: The World Bank, Holanda, 2016

1.8.2 INTERNET DE LAS COSAS

Figura 4 Comparación humanos vs. Dispositivos móviles

Fuente: Cisco IBSG, 2011

II. FORMULACIÓN DEL PROBLEMA

 Saltarse una dosis de medicamento

 Que actividades ha realizado

IV. ESTADO DE LA PRÁCTICA

4.1 ESTADO DE LA TÉCNICA

Las consideraciones a tomar para el desarrollo de un sistema MHealth para la detección de

Respuesta en tiempo real: La detección de crisis y la notificación de la alarma debe

Costo de la plataforma: una tecnología vestible con interface a un servidor debe de