@misc{10902/36171,
year = {2025},
month = {2},
url = {https://hdl.handle.net/10902/36171},
abstract = {El objetivo de este proyecto es encontrar patrones que permitan automatizar el proceso de clasificación de áreas del cerebro relacionadas con la epilepsia. Los últimos estudios en medicina demuestran que la epilepsia es un fenómeno de red y que las diferentes áreas del cerebro pueden participar con distinto papel en el proceso de generación de crisis, de forma que pueden clasificarse en 3 grupos en función de si no están involucradas en los episodios epilépticos, si son la fuente de los episodios o si solo los promueven. Generalmente, la identificación de nodos epileptogénicos (en su método clínico) se hace mirando la dinámica de las señales eléctricas al principio de las crisis, para poder identificar que zonas muestran actividad epiléptica en un primer momento. En este trabajo, proponemos la hipótesis de que los nodos epileptogénicos se pueden identificar también en la actividad basal (sin crisis) del cerebro. Por lo tanto, los datos utilizados serán dos horas de señales cerebrales eléctricas basales (sin actividad epiléptica) adquiridas en 11 pacientes con electrodos profundos intracraneales implantados en regiones potencialmente epileptogénicas. A partir de estos datos se va a realizar un análisis de clasificación no supervisada de los nodos cerebrales basado en métricas de redes funcionales, utilizando diferentes técnicas y modelos estadísticos con los que se busca conseguir un algoritmo de asignación nodal concluyente. El primer análisis explora varias bandas de frecuencia y duración de ventanas (desde fracciones hasta decenas de segundos) sobre la cual las redes funcionales son reconstruidas a partir de las series temporales. En cada ventana de tiempo, el grado de similitud entre grupos epilépticos conocidos y los grupos identificados con métricas de redes complejas indicará si la señal cerebral basal es una buena fuente de datos para este tipo de estudios sobre la epilepsia. Para el segundo análisis, se calculan 55 métricas basadas en la media y la covarianza de diferentes métricas extraídas de las redes funcionales dinámicas y de nuevo se estudia la similitud entre grupos epilépticos conocidos y los grupos identificados con este nuevo procedimiento. Además, se compararán ambos análisis entre sí. Las métricas y los patrones eléctricos más representativos de los nodos epileptogénicos son identificados y caracterizados para así poder sacar como conclusión de este trabajo una nueva estrategia e hipótesis sobre la identificación de regiones cerebrales epileptogenicas a partir de señales cerebrales interictales (basales y fácilmente adquiribles) sin necesitad de estudio de crisis epilépticas (ya que estos son episodios no siempre frecuentes).},
abstract = {The main goal of this project is to find patterns that allows the automatization of the brain regions classification process in relation with epilepsy. The last medical studies show that epilepsy is a network problem and that the different brain regions could participate in a different way in the generation of an epilepsy crisis. In this way, these areas could be classified in 3 groups depending on whether they are not involved in the crisis, are the source of the episodes, or only promote them. Generally, the identification of the epileptogenic nodes (in the clinic way) is done looking at the electric signal dynamic at the beginning of the crisis, to try to identify which zone shows epileptogenic activity first. In this project, we propose the hypothesis that epileptogenic nodes can also be identified in the brain’s baseline activity (without seizures). So, the data that is going to be used is 2 hours of electric baseline cerebral signal (without seizures) for 11 patients with deep intracranial electrodes located in potentially epileptogenic zones. From this data, we are going to do an unsupervised classification analysis of the brain nodes based on the functional network’s metrics, using different tecnics and statistics methods, looking for a conclusive nodal classification algorithm. The first procedure explores different frequency bands and time windows duration (from fractions to dozens of seconds) on which functional networks are reconstructed from the time series. In each time window, the degree of similarity between known epileptogenic groups and the ones identified using complex network metric will indicate if the brain’s baseline electric signal is a good data source for this type of epilepsy studies. For the second procedure, we calculate 55 metrics based on the media and covariance of different metrics of dynamic functional networks and again we will study the similarity between the known epileptogenic groups and the ones identified in this new procedure. Also, we compare both procedures. The most representative metrics and electrical patterns of epileptogenic nodes are identified and characterized to conclude this project with a new strategy and hypothesis about identification of epileptogenic brain regions from interictal electric signal (baseline and easy acquired), without the need of seizure studies, as these episodes are not always frequent.},
title = {Análisis de patrones eléctricos clínicos con redes complejas e identificación de nodos},
author = {García Fernández, Carlota},
}