| Tesis Doctorales de la Universidad de Alcalá |
| EARLIER DETECTION OF PARKINSON DISEASE BY USING EEG SIGNALS BASED ON DEEP LEARNING | | Autor/a | Aldujaili, Ali | | Departamento | Teoría de la Señal y Comunicaciones | | Director/a | Rosa Zurera, Manuel | | Fecha de depósito | 01-03-2026 | | Periodo de exposición pública | 1 a 16 de marzo de 2026 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | La enfermedad de Parkinson es un trastorno neurodegenerativo con un impacto progresivamente debilitante en el movimiento de los pacientes, tanto en los aspectos cognitivos como motores. La detección temprana es crucial para una gestión eficaz de la enfermedad, una mejora en los resultados clínicos y una mayor calidad de vida para los pacientes. Existen múltiples técnicas para detectar esta enfermedad, pero uno de los métodos más interesantes para lograr una detección precoz del Parkinson es la electroencefalografía, una herramienta diagnóstica no invasiva y rentable para medir la actividad cerebral. Estudios recientes han demostrado que las redes de aprendizaje profundo pueden manejar datos complejos para analizarlos y extraer características relevantes.
En esta tesis doctoral se propone un nuevo método basado en transferencia de aprendizaje entre dominios utilizando redes neuronales profundas. Estas redes fueron previamente entrenadas con grandes conjuntos de datos de audio y ahora se emplean para la detección de la enfermedad de Parkinson a partir de datos EEG. Esta idea resulta interesante porque muestra que las características aprendidas en el dominio del sonido pueden ser útiles cuando los datos EEG son escasos o insuficientes. Aporta una nueva perspectiva sobre cómo el conocimiento puede transferirse de un dominio a otro para mejorar las predicciones médicas.
Se utilizaron dos modelos preentrenados: Yet Another Mobile Network (YAMNet) y Open-Source Look, Listen, and Learn (OpenL3). Inicialmente, ambas redes fueron entrenadas para clasificar sonidos, pero en esta investigación se adaptan para el análisis de señales EEG. Se evaluaron modelos de regresión entrenados para minimizar el error cuadrático medio (MSE) y modelos de clasificación entrenados para minimizar la pérdida binaria por entropía cruzada (BCE). Estas pruebas permiten comparar diferentes diseños de detectores. Las señales EEG de pacientes con Parkinson (con y sin medicación) y de personas sanas se preprocesaron mediante filtros pasabanda y filtros basados en transformada wavelet. Los modelos se evaluaron bajo diferentes relaciones señal-ruido (-4, 4, 12, 20 y 32 dB) y con dos tiempos de entrenamiento (2 épocas y 50 épocas). Estas pruebas ayudan a identificar qué modelo y configuración de entrenamiento ofrecen el mejor rendimiento.
En el conjunto de experimentos realizados, se observó que OpenL3 obtuvo mejores resultados que YAMNet, alcanzando una mayor precisión y mejor puntuación F1, un aprendizaje más rápido y una mayor robustez frente al ruido. Al utilizar filtrado pasabanda y 50 épocas de entrenamiento, OpenL3 logró una precisión estimada del 100% y una F1 de 1.0 cuando la relación señal-ruido era alta, mientras que YAMNet solo alcanzó alrededor del 81–82% de precisión. Los modelos de clasificación con pérdida BCE ofrecieron siempre mejores resultados con mayor precisión en la detección. Los modelos de regresión basados en MSE fueron ligeramente menos sólidos, pero aun así útiles, ya que permiten implementar detectores con umbrales flexibles y presentan tiempos de entrenamiento más rápidos.
En general, la combinación de OpenL3 con clasificación basada en BCE proporcionó los mejores resultados. La regresión basada en MSE puede ser adecuada cuando los datos de entrenamiento o el tiempo disponible son limitados. Los resultados sugieren que OpenL3 es un marco muy eficaz para la detección rápida y precisa de la enfermedad de Parkinson mediante señales EEG. Además, los resultados confirman que la transferencia de aprendizaje entre dominios, desde el dominio del sonido al dominio EEG, es efectiva para entrenar redes neuronales profundas en la detección del Parkinson cuando la cantidad de señales EEG disponibles en el conjunto de entrenamiento es baja. |
|
