Compresión de señales electroencefalográficas mediante aprendizaje profundo

Abstract

Las señales electroencefalográficas (EEG) son registros de la actividad eléctrica del cerebro y su análisis permite el diagnóstico de varias enfermedades, por lo que la inspección de estas señales es de gran importancia. Tanto la creación de registros a largo plazo de estas señales como la incorporación de los equipos de electroencefalografía a la tendencia mHealth, generan la necesidad de utilizar algoritmos de compresión para disminuir el volumen de datos a almacenar o a transmitir y por tanto el consumo energético derivado. Existe una amplia cantidad de algoritmos de compresión para señales EEG mediante diversos métodos, basados en diferentes enfoques. En los años recientes la aplicación de los algoritmos de aprendizaje automático y aprendizaje profundo a la compresión de señales EEG ha logrado resultados relevantes para la compresión y ha aumentado la producción científica al respecto, lo que motiva a implementar los algoritmos de estos campos en nuevos algoritmos de compresión. En este trabajo se examinan algoritmos de compresión, el esquema general de los algoritmos y las variantes empleadas en sus bloques. Se realiza un análisis de la base teórica del aprendizaje automático, el aprendizaje profundo y los codificadores automáticos. Finalmente se propone un algoritmo de compresión y se exponen los resultados de su implementación.