IDENTIFICACIÓN DE NIÑOS CON TRASTORNO DE LENGUAJE USANDO EL ANÁLISIS CUANTITATIVO DE EEG (IDENTIFICATION OF CHILDREN WITH LANGUAGE DISORDER USING QUANTITATIVE EEG ANALYSIS)

Resumen

Resumen
Las aportaciones sobre el conocimiento del desarrollo normal de los niños son de vital importancia para tratar de conocer cómo se comporta el cerebro durante la infancia y, posiblemente, encontrar biomarcadores en el futuro que ayuden en el diagnóstico de diversas enfermedades y padecimientos. En este trabajo se diseñó un clasificador de Maquina de Soporte Vectorial (SVM) para tratar identificar niños con Trastorno de Lenguaje (TDL) y niños sanos (control), a partir de un análisis cuantitativo de las características de la potencia espectral en las bandas de frecuencia del electroencefalograma (EEG) de cada niño.
Se implementaron distintos métodos de selección de atributos: Chi-Square, LDA, regresión lineal univariante y RFE. Posteriormente, se realizó una evaluación del desempeño de la SVM, usando: validación cruzada, matriz de confusión y la ROC. Para el análisis hecho por cada electrodo los parámetros de evaluación arrojaron una tasa de clasificación arriba del 60%, mostrando mayor efectividad en los electrodos F8 y T4. Para el análisis hecho en cada banda de frecuencia se logró un mejor resultado en general, mostrando un porcentaje arriba del 70% en la banda de frecuencia beta.
Palabras Clave: Electroencefalograma, densidad de potencia espectral, Máquina de Soporte Vectorial, TDL

Abstract
The contributions on the knowledge of the normal development of children are of vital importance to try to know how the brain behaves during childhood and possibly find biomarkers in the future to help in the diagnosis of various diseases and conditions. In this work, a Support Vector Machine classifier was designed to try to identify children with Language Disorder (TDL) and healthy children (control), based on a quantitative analysis of the spectral power characteristics in the EEG frequency bands of each child. Two different databases were implemented, through a selection of attributes with four different methods: Chi-Square, LDA, Univariate Linear Regression and RFE. Subsequently, an evaluation of the performance of the SVM was carried out using the following methods: cross-validation, confusion matrix and ROC. For the analysis made by each electrode the evaluation parameters showed a classification rate above 60%, showing greater effectiveness in electrodes F8 and T4. For the analysis done in each frequency band, a better result was achieved in general, showing an accuracy above 70% in the beta frequency band.
Keywords: Electroencephalogram, Power Spectral Density, Support Vector Machine (SVM), TDL