Diseño de un flujo analítico para la clasificación de crisis epilépticas en EEG de superficie: Evaluación sobre el Corpus TUSZ

---

Autores:

• Paula Andrea Gómez Vargas (apaulag@uninorte.edu.co)
• Juan Camilo Mendoza Arango (cjarango@uninorte.edu.co)
• Miguel Ángel Pérez Vargas (vargasmiguel@uninorte.edu.co)

---

Descripción general del proyecto

Este proyecto de investigación se centra en el diseño e implementación de un flujo de trabajo (pipeline) de aprendizaje automático para la clasificación automática de crisis epilépticas utilizando señales de EEG de superficie. La evaluación se realiza sobre el Corpus de Crisis de EEG del Hospital de la Universidad de Temple (TUSZ), uno de los repositorios públicos más grandes y complejos en el área de la neuroingeniería.

A diferencia de los enfoques convencionales, este flujo integra técnicas de escalado robusto para mitigar artefactos biomédicos y aprendizaje de variedades (UMAP) para la visualización tridimensional de fenotipos ictales. El objetivo es identificar patrones espaciotemporales que permitan distinguir entre actividad basal, focal y generalizada con alta precisión y explicabilidad clínica.

Fuente de datos

El conjunto de datos utilizado es el Corpus de Crisis de EEG TUH (TUSZ) v1.5.2/v2.0.0, el cual contiene registros clínicos anotados por expertos neurólogos.

• Origen: https://isip.piconepress.com/projects/nedc/html/tuh_eeg/
• Referencia: Shah, V., Weltin, E. von, Lopez, S., McHugh, J. R., Veloso, L., Golmohammadi, M., Obeid, I., & Picone, J. (2018). The Temple University Hospital Seizure Detection Corpus. Frontiers in Neuroinformatics, 12, 83. https://doi.org/10.3389/fninf.2018.00083

Estructura del proyecto

Para garantizar la reproducibilidad, el proyecto sigue una arquitectura de Data Lake local y una modularización del código en la carpeta src/.

TUSZ_project/
├── data/
│   └── (Archivos procesados de TUSZ)
├── notebooks/
│   └── Análisis Exploratorio y Caracterización de Fenotipos Ictales.ipynb
├── src/
│   ├── visualization_utils.py  # Aquí reside plot_umap_3d
│   └── preprocessing.py
├── TUSZ_DataLake/
│   ├── 00_Raw_Data/           # Archivos .edf originales
│   ├── 01_Raw_Consolidated/   # Metadata extraída
│   ├── 02_Metadata/           # Etiquetas y anotaciones
│   ├── 03_TUSZ_Clean/         # Señales filtradas
│   └── 04_TUSZ_Features_ML/   # Características (ranking_features)
├── .gitignore
├── README.md
└── environment.yml