Detección del trastorno mayor depresivo basado en aprendizaje máquina a partir de estudios clínicos de electroencefalograma

SEP Tecnológico Nacional de México
Instituto Tecnológico de Tijuana
Departamento de Ingeniería Eléctrica y Electrónica




Informe Técnico de Proyecto
Detección del trastorno mayor depresivo basado
en aprendizaje máquina a partir de estudios
clínicos de electroencefalograma
Presenta:
Eduardo Francisco Sánchez Saavedra
Número de Control: 16212267

Tijuana, Baja California, México
19 de enero de 2021

,Índice general


Índice de figuras III



Índice de tablas VI



1. Introducción 1

1.1. Problemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2.2. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.3. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.4. Alcances y limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.5. Problemas a resolver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3


2. Fundamentos teóricos 4

2.1. Fisioanatomía del sistema nervioso y su relación con el trastorno de de-

presión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.1.1. Sistema nervioso central . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.1.2. Caracterización del trastorno de depresión . . . . . . . . . . . . . . 7

2.2. Principios de electroencefalograma . . . . . . . . . . . . . . . . . . . . . . . 8

2.2.1. Fundamentos de la señal de electroencefalograma . . . . . . . . . . 9

2.2.2. Ritmos cerebrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2.3. Adquisición de la señal de electroencefalograma . . . . . . . . . . . 11

2.3. Características de la señal EEG en pacientes con trastorno de depresión . 11

i

,3. Resultados 14

3.1. Diseño conceptual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2. Especificaciones de diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.3. Desarrollo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.3.1. Extracción de los canales de interés . . . . . . . . . . . . . . . . . . . 18

3.3.2. Extracción de rasgos . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.3.3. Interpretación de los rasgos obtenidos . . . . . . . . . . . . . . . . . 20

3.3.4. Implementación del algoritmo KNN . . . . . . . . . . . . . . . . . . . 23

3.3.5. Implementación del algoritmo SVM . . . . . . . . . . . . . . . . . . . 32

3.4. Interfaz Gráfica de Usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . 36


4. Conclusión 39


A. Códigos en MATLAB 41

A.1. seleccion_de_canales.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

A.2. fir_blackman_lowpass.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43


B. Códigos en Python 46

B.1. extractor.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

B.2. bandpower.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

B.3. knn.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

B.4. svm.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

B.5. gui.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53




ii

, Índice de figuras


2.1. Vista lateral del cerebro. Fuente: [13] pag.3 fig 1 . . . . . . . . . . . . . . . 6

2.2. Etapas de diagnostico y tratamiento de pacientes con enfermedades neu-

rológicas. Fuente: [21] pag.1 fig 1-1 . . . . . . . . . . . . . . . . . . . . . . 8

2.3. Contraste de las formas de onda del potencial de acción y del potencial

postsináptico. Fuente: [22] pag.4 fig 1.1 . . . . . . . . . . . . . . . . . . . . 9

2.4. Comparación de las bandas de frecuencia del EEG. Fuente: [26] pag.187

fig 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.5. Representación de la configuración 10-20. Fuente: [24] pag.17 fig 9 . . . . 11

3.1. Diagrama de bloques preliminar . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2. Diagrama de flujos preliminar . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.3. Descripción de los rasgos extraídos . . . . . . . . . . . . . . . . . . . . . . . 20

3.4. Diagrama de caja sin delimitar los valores de la muestra . . . . . . . . . . 21

3.5. Diagrama de caja tras eliminar renglones con valores atípicos . . . . . . . 21

3.6. Scatter Plot de los rasgos extraídos . . . . . . . . . . . . . . . . . . . . . . . 22

3.7. Accuracy plot para el algoritmo KNN con K=1:20, training dataset=40 %,

test dataset=60 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3.8. Matriz de confusión y coeficientes para el algoritmo KNN con K=1:18,

training dataset=40 %, test dataset=60 % . . . . . . . . . . . . . . . . . . . 24

3.9. Matriz de confusión y coeficientes para el algoritmo KNN con K=19:20,

training dataset=40 %, test dataset=60 % . . . . . . . . . . . . . . . . . . . 25

3.10.Accuracy plot para el algoritmo KNN con K=1:20, training dataset=50 %,

test dataset=50 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

iii