Beruflich Dokumente
Kultur Dokumente
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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).
5
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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.
6
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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
7
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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.
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)
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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:
9
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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)
Fuente: Epilepsydiagnosis.org
10
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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.
Cuando el ciclo menstrual tiene relación con la frecuencia de las crisis epilépticas, esta es
denominada epilepsia catamenial, existen dos tipos:
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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).
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.
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).
12
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
personal, calidad de vida, salud médica y comparada con las escalas de severidad y
autocontrol de la epilepsia.
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:
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:
13
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
Drogas ilegales
Destellos luminosos
1.6 AUTOCUIDADOS
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:
14
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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:
15
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
1.8.1 IMPORTANCIA
16
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
existe una tendencia del crecimiento del porcentaje de adultos mayores como lo demuestra
la Figura 3 de acuerdo a (The world Bank, 2017).
17
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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).
Se debe de prever las crisis epilépticas favoreciendo actividades que no incidan en disparadores,
evitando:
18
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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:
III. MOTIVACIÓN
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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.
Los instrumentos de detección y registro han sido desarrollados para 2 tipos de crisis
epilépticas: crisis generalizadas y crisis por ausencia.
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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.
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.
Fuente: www.empatica.com/e4-wristband
22
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
23
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
Fuente: http://www.neuropro.ch
24
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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.
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)
26
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
Fuente: www.bioserenity.com
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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.
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.
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:
29
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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.
30
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
Figura 12 Diagrama de flujo de los métodos empleados por (Lina Wang, 2017) basados en análisis multi-dominio
31
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
V. PROPUESTA DE LA SOLUCIÓN
a. HIPÓTESIS
b. OBJETIVO GENERAL
c. OBJETIVOS ESPECÍFICOS
32
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
VII. METODOLOGÍA
33
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
IX. CONCLUSIONES
34
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
X. CRONOGRAMA
35
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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.
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.
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.
Faust, O. A. (2015). Wavelet-based eeg processing for computer-aided seizure detection and
epilepsy diagnosis. Seizure, 56-64.
36
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
Fisher R., A. C. (2014). A practical clinical definition of epilepsy. ILAE Official Report Epilepsia, 475-
482.
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.
INEGI. (2010). "Censo General de población y Vivienda 2010". Ciudad de México: INEGI.
John M. Pellock, D. R. (2017). Pediatric epilepsy diagnosis and therapy. NewYork: demosMedical.
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
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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). 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.
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.
38
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
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. 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.
39
Instituto Tecnológico de Orizaba División de Estudios de Posgrado e Investigación
Doctorado en Ciencias de la Ingeniería
Van Poppel K, F. S. (2013). Prospective study of the emfit movement monitor. Journal of child
neurology, 1434-1436.
World health Organization. (2016). Global diffusion of eHealth: Making universal health coverage
achievable. World health Organization.
40