Predicción de crisis con EEG de un solo canal mediante aprendizaje profundo

Por qué importa predecir las crisis

Para muchas personas con epilepsia, las crisis aparecen sin aviso, interrumpiendo el trabajo, la escuela y la vida cotidiana. Un sistema que pudiera advertir de forma fiable de una crisis inminente, aunque solo fuera unos minutos antes, daría tiempo a la persona a sentarse o tumbarse de forma segura, pedir ayuda o interrumpir una actividad de riesgo como conducir o cocinar. Este estudio explora si tales avisos pueden generarse a partir de un único sensor de ondas cerebrales pequeño, en lugar de un casco completo de electrodos hospitalarios, empleando una forma compacta de inteligencia artificial que eventualmente podría ejecutarse en un dispositivo portátil.

Una manera más simple de vigilar la actividad cerebral

La mayor parte de la investigación sobre predicción de crisis se ha basado en registros complejos con muchos electrodos distribuidos por el cuero cabelludo. Estos sistemas pueden funcionar bien en el laboratorio, pero son voluminosos, consumen mucha energía y resultan difíciles de llevar todo el día. Los investigadores, en cambio, se centraron en registros “de un solo canal”, que capturan la actividad cerebral desde una sola ubicación a la vez. Eligieron seis posiciones de electrodos en la frente, la sien y la parte posterior de la cabeza que serían prácticas para una cinta ligera o un parche. La cuestión clave era si un único sensor bien situado aún podría captar los cambios sutiles en la actividad cerebral que con frecuencia se acumulan antes de una crisis.

Entrenar un pequeño lector de ondas cerebrales

Para convertir las ondas cerebrales en bruto en algo que un ordenador pueda aprender, el equipo dividió los datos en segmentos de 10 segundos y convirtió cada segmento en una especie de imagen que muestra cómo varía la intensidad de la señal en diferentes frecuencias a lo largo del tiempo. Estas imágenes se introdujeron en un modelo de aprendizaje profundo optimizado e inspirado en MobileNet, una familia de redes neuronales diseñada para funcionar en teléfonos y otros dispositivos de baja potencia. Al recortar cuidadosamente capas y conexiones, los autores redujeron el modelo a poco menos de 38.000 parámetros ajustables, una fracción diminuta del tamaño de muchos sistemas modernos de reconocimiento de imágenes, manteniendo a la vez la capacidad de aprender patrones útiles vinculados a las crisis.

Definir un tiempo de advertencia útil

Desde el punto de vista del paciente, no todas las detecciones correctas son igualmente útiles. Una advertencia que llega demasiado tarde ofrece poca protección, mientras que una que llega con demasiada antelación puede causar preocupación innecesaria. Por ello, el estudio adoptó reglas de temporización claras que reflejan las necesidades del mundo real. Para cada crisis, los investigadores definieron una zona de “sin advertencia” que cubre los 2 minutos inmediatamente anteriores al inicio, cuando ya sería difícil reaccionar. Los 30 minutos anteriores a esa zona se trataron como la ventana de predicción real, donde una advertencia se considera exitosa si la crisis ocurre dentro de ese intervalo. Solo se usaron para entrenar y evaluar el modelo los datos de esta ventana y los de periodos claramente normales, alejados de cualquier crisis.

Rendimiento del sistema

El modelo se probó en dos grupos de pacientes: adultos con epilepsia focal resistente a fármacos tratados en el Hospital Nacional de Seúl, y niños y jóvenes adultos incluidos en un conjunto de datos público ampliamente utilizado. Para cada persona, el sistema se entrenó y evaluó únicamente con los datos individuales de ese paciente, reproduciendo cómo podría adaptarse un dispositivo futuro a su usuario. Entre los pacientes, el modelo clasificó correctamente alrededor del 86 al 91 por ciento de los segmentos de 10 segundos, con tasas relativamente bajas de falsas alarmas. Cuando se juzgó a nivel de crisis completas y aplicando las estrictas reglas temporales, predijo con éxito alrededor del 95 por ciento de las crisis en el grupo hospitalario y el 98 por ciento en el conjunto de datos público. Curiosamente, los electrodos en la frente tendieron a funcionar mejor, y estar más cerca de la zona de inicio de la crisis identificada médicamente no mejoró necesariamente la precisión.

Lo que esto podría significar para la vida cotidiana

Estos resultados sugieren que un único sensor pequeño de ondas cerebrales, emparejado con un algoritmo de aprendizaje muy eficiente, puede proporcionar avisos tempranos fiables de muchas crisis dentro de una ventana práctica de 30 minutos. Aunque es necesario realizar más trabajo para probar el enfoque en grupos de pacientes más grandes y variados, y para perfeccionar cómo se eligen los canales para cada persona, el estudio apunta hacia sistemas de predicción de crisis que podrían llevarse cómodamente durante largos periodos y funcionar con baterías de capacidad limitada. Estas herramientas no prevenirían las crisis, pero podrían dar a las personas con epilepsia más control y confianza al planificar sus actividades diarias.

Cita: Jang, D., Jung, KY., Jeon, YG. et al. Single-channel EEG-based seizure prediction using deep learning. Sci Rep 16, 15888 (2026). https://doi.org/10.1038/s41598-026-44670-7

Palabras clave: epilepsia, predicción de crisis, EEG, dispositivos wearables, aprendizaje profundo