Este gif se grab\u00f3 durante dos convulsiones, una a los 2950 segundos y la otra a los 9200. La animaci\u00f3n superior izquierda es de se\u00f1ales EEG de tres electrodos. La parte superior derecha es un mapa de la red inferida. La tercera animaci\u00f3n representa el valor propio de Fiedler, el \u00fanico valor utilizado para detectar convulsiones mediante la t\u00e9cnica de inferencia de red. Cr\u00e9dito: Li Lab <\/p>\n
Investigadores de la Universidad de Washington en la Escuela de Ingenier\u00eda McKelvey de St. Louis han combinado la inteligencia artificial con la teor\u00eda de sistemas para desarrollar una forma m\u00e1s eficiente de detectar e identificar con precisi\u00f3n un ataque epil\u00e9ptico en tiempo real. <\/p>\n
Los resultados se publicaron el 26 de mayo en la revista Scientific Reports.<\/p>\n
La investigaci\u00f3n proviene del laboratorio de Jr-Shin Li, profesor del Departamento de Ingenier\u00eda El\u00e9ctrica y de Sistemas de Preston M. Green, y fue dirigido por Walter Bomela, becario postdoctoral en el laboratorio de Li.<\/p>\n
Tambi\u00e9n en el equipo de investigaci\u00f3n estaban Shuo Wang, ex alumno de Li y ahora profesor asistente en la Universidad de Texas en Arlington, y Chu-An Chou de Northeastern University.<\/p>\n
\u00abNuestra t\u00e9cnica nos permite obtener datos sin procesar, procesarlos y extraer una caracter\u00edstica que es m\u00e1s informativa para el modelo de aprendizaje autom\u00e1tico\u00bb, dijo Bomela. \u00abLa principal ventaja de nuestro enfoque es fusionar se\u00f1ales de 23 electrodos en un par\u00e1metro que se puede procesar de manera eficiente con muchos menos recursos inform\u00e1ticos\u00bb.<\/p>\n
En la ciencia del cerebro, la comprensi\u00f3n actual de la mayor\u00eda de las convulsiones es que ocurren cuando la actividad cerebral normal es interrumpida por un fuerte y repentino disparo hipersincronizado de un grupo de neuronas. Durante una convulsi\u00f3n, si una persona est\u00e1 conectada a un dispositivo electroencefalogr\u00e1fico conocido como EEG que mide la salida el\u00e9ctrica, la actividad cerebral anormal se presenta como descargas de picos y ondas amplificadas.<\/p>\n
\u00abPero la precisi\u00f3n de detecci\u00f3n de convulsiones es no es tan bueno cuando se usan se\u00f1ales temporales de EEG\u00bb, dijo Bomela. El equipo desarroll\u00f3 una t\u00e9cnica de inferencia de red para facilitar la detecci\u00f3n de una convulsi\u00f3n y se\u00f1alar su ubicaci\u00f3n con precisi\u00f3n mejorada.<\/p>\n
Durante una sesi\u00f3n de EEG, una persona tiene electrodos conectados a diferentes puntos de su cabeza, cada uno de los cuales registra la electricidad actividad alrededor de ese lugar.<\/p>\n
\u00abTratamos los electrodos de EEG como nodos de una red. Usando las grabaciones (datos de series de tiempo) de cada nodo, desarrollamos un enfoque basado en datos para inferir conexiones variables en el tiempo en la red o las relaciones entre los nodos\u00bb, dijo Bomela. En lugar de observar \u00fanicamente los datos del EEG, los picos y las intensidades de las se\u00f1ales individuales, la t\u00e9cnica de redes considera las relaciones. \u00abQueremos inferir c\u00f3mo una regi\u00f3n del cerebro interact\u00faa con otras\u00bb, dijo.<\/p>\n
Es la suma de estas relaciones lo que forma la red.<\/p>\n
Una vez que tienes una red, puede medir sus par\u00e1metros de manera integral. Por ejemplo, en lugar de medir la fuerza de una sola se\u00f1al, se puede evaluar la fuerza de la red en general. Hay un par\u00e1metro, llamado valor propio de Fiedler, que es de particular utilidad. \u00abCuando ocurre una convulsi\u00f3n, ver\u00e1 que este par\u00e1metro comienza a aumentar\u00bb, dijo Bomela.<\/p>\n
Y en la teor\u00eda de redes, el valor propio de Fiedler tambi\u00e9n est\u00e1 relacionado con la sincronicidad de una red, cuanto mayor es el valor, m\u00e1s sincr\u00f3nica es la red. . \u00abEsto concuerda con la teor\u00eda de que durante una convulsi\u00f3n, la actividad cerebral se sincroniza\u00bb, dijo Bomela.<\/p>\n
Un sesgo hacia la sincronizaci\u00f3n tambi\u00e9n ayuda a eliminar los artefactos y el ruido de fondo. Si una persona, por ejemplo, se rasca el brazo, la actividad cerebral asociada se capturar\u00e1 en algunos electrodos o canales de EEG. Sin embargo, no se sincronizar\u00e1 con la actividad de las convulsiones. De esa manera, esta estructura de red reduce inherentemente la importancia de las se\u00f1ales no relacionadas; solo las actividades cerebrales que est\u00e1n sincronizadas causar\u00e1n un aumento significativo del valor propio de Fiedler.<\/p>\n
Actualmente, esta t\u00e9cnica funciona para un paciente individual. El siguiente paso es integrar el aprendizaje autom\u00e1tico para generalizar la t\u00e9cnica para identificar diferentes tipos de convulsiones entre pacientes.<\/p>\n
La idea es aprovechar varios par\u00e1metros que caracterizan la red y utilizarlos como caracter\u00edsticas para entrenar el aprendizaje autom\u00e1tico. algoritmo.<\/p>\n
Bomela compara la forma en que esto funcionar\u00e1 con el software de reconocimiento facial, que mide diferentes caracter\u00edsticas (ojos, labios, etc.) y generaliza a partir de esos ejemplos para reconocer cualquier rostro.<\/p>\n
\u00abLa red es como una cara\u00bb, dijo. \u00abPuedes extraer diferentes par\u00e1metros de la red de un individuo, como el coeficiente de agrupamiento o la centralidad de cercan\u00eda, para ayudar al aprendizaje autom\u00e1tico a diferenciar entre diferentes incautaciones\u00bb.<\/p>\n
Eso se debe a que, en la teor\u00eda de redes, las similitudes en par\u00e1metros espec\u00edficos est\u00e1n asociadas con redes espec\u00edficas. En este caso, esas redes corresponder\u00e1n a diferentes tipos de convulsiones.<\/p>\n
Un d\u00eda, una persona con un trastorno convulsivo puede usar un dispositivo an\u00e1logo a una bomba de insulina. A medida que las neuronas comienzan a sincronizarse, el dispositivo administrar\u00e1 medicamentos o interferencias el\u00e9ctricas para detener la convulsi\u00f3n en seco.<\/p>\n
Antes de que esto suceda, los investigadores necesitan una mejor comprensi\u00f3n de la red neuronal.<\/p>\n
\u00abSi bien el objetivo final es refinar la t\u00e9cnica para uso cl\u00ednico, en este momento estamos enfocados en desarrollar m\u00e9todos para identificar las convulsiones como cambios dr\u00e1sticos en la actividad cerebral\u00bb, dijo Li. \u00abEstos cambios se capturan al tratar el cerebro como una red en nuestro m\u00e9todo actual\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Uso de la ciencia de redes para ayudar a identificar el origen de las convulsiones M\u00e1s informaci\u00f3n:<\/strong> Walter Bomela et al, Real-time Inference and Detection of Disruptive EEG Networks for Epileptic Convulsiones, Scientific Reports ( 2020). DOI: 10.1038\/s41598-020-65401-6 Informaci\u00f3n de la revista:<\/strong> Scientific Reports <\/p>\n Proporcionado por la Universidad de Washington en St. Louis Cita<\/strong>: La inteligencia artificial identifica y localiza incautaciones en tiempo real (2020, 29 de junio) recuperado el 31 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2020-06-artificial-intelligence-seizures-real-time.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Este gif se grab\u00f3 durante dos convulsiones, una a los 2950 segundos y la otra a los 9200. La animaci\u00f3n superior izquierda es de se\u00f1ales EEG de tres electrodos. La parte superior derecha es un mapa de la red inferida. La tercera animaci\u00f3n representa el valor propio de Fiedler, el \u00fanico valor utilizado para detectar … Continuar leyendo \u00abInteligencia artificial identifica, localiza convulsiones en tiempo real\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-28370","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/28370","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=28370"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/28370\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=28370"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=28370"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=28370"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}