Software de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLM

Abstract

La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo progresivo que representa un desafío significativo para la salud pública a nivel mundial. Se estima que millones de personas viven con esta enfermedad, y su prevalencia continúa en aumento (Alzheimer's Association, 2021). La detección temprana de la EA es fundamental para implementar intervenciones que puedan ralentizar su progresión y mejorar significativamente la calidad de vida de los pacientes (Sperling et al., 2011).

En este contexto, el electroencefalograma (EEG) ha emergido como una herramienta prometedora para la identificación de patrones en biomarcadores asociados a la EA, proporcionando información valiosa sobre los cambios en la actividad eléctrica cerebral relacionados a esta enfermedad, y presentando una ventaja sobre otros medios de detección, al ser mas accesible y menos invasivo. Sin embargo, los métodos actuales para el analisis de señales de EEG a menudo son limitados en su capacidad de interpretación. Muchos enfoques existentes carecen de herramientas efectivas para visualizar, localizar y explicar anomalías relacionadas al alzheimer en las señales de EEG, lo que dificulta la identificación y visualización de patrones relevantes en los biomarcadores relacionados a esta enfermedad.

Por lo tanto, este proyecto se centra en desarrollar un prototipo de software que analice señales de EEG para identificar la presencia de Alzheimer a traves de patrones en biomarcadores asociados a esta enfermedad. Utilizaremos técnicas avanzadas de procesamiento de señales y modelos de machine learning, como redes neuronales convolucionales (CNN), para analizar el comportamiento de estas señales en diferentes areas del cerebro.

Alzheimer’s disease (AD) is a progressive neurodegenerative disorder that poses a significant public health challenge worldwide. It is estimated that millions of people live with this disease, and its prevalence continues to rise (Alzheimer's Association, 2021). Early detection of AD is crucial for implementing interventions that can slow its progression and significantly improve patients' quality of life (Sperling et al., 2011).

In this context, electroencephalography (EEG) has emerged as a promising tool for identifying patterns in biomarkers associated with AD. EEG provides valuable information about changes in brain electrical activity related to the disease and offers advantages over other detection methods by being more accessible and less invasive. However, current methods for analyzing EEG signals are often limited in their interpretability. Many existing approaches lack effective tools for visualizing, localizing, and explaining AD-related anomalies in EEG signals, making it difficult to identify and interpret relevant patterns in associated biomarkers.

Therefore, this project focuses on developing a software prototype that analyzes EEG signals to identify the presence of Alzheimer’s disease through patterns in related biomarkers. We will use advanced signal processing techniques and machine learning models, such as convolutional neural networks (CNNs), to analyze the behavior of these signals across different areas of the brain.