Graph neural networks for seizure discrimination based on electroencephalogram analysis

Este estudio presenta una investigación sobre la clasificación de Convulsiones Psicógenas No Epilépticas (PNES) y Convulsiones Epilépticas (ES) utilizando datos de EEG y Redes Neuronales de Grafos (GNN). El modelo propuesto muestra un rendimiento destacable, superando los resultados previos del estado del arte y logrando una precisión notable en la clasificación ternaria. Mediante el uso de una arquitectura GNN, el modelo distingue de manera efectiva entre PNES y ES con una precisión del 92.9%. Además, al emplear la validación cruzada "Leave One Group Out", el modelo logra una precisión aún mayor del 97.58%, superando la precisión más alta reportada en el estado del arte de 94.4%. Asimismo, al ampliar la clasificación para incluir a pacientes sanos, el modelo alcanza una precisión del 91.12%, superando la mejor precisión conocida del estado del arte de 85.7%. Estos hallazgos resaltan el potencial del modelo para clasificar y diferenciar de manera precisa estas condiciones médicas utilizando datos de EEG. El trabajo futuro incluye la exploración de biomarcadores para la clasificación binaria utilizando las capacidades de explicabilidad del modelo, contribuyendo al desarrollo de herramientas de diagnóstico objetivas y estrategias de tratamiento personalizadas. Además, este estudio compara el rendimiento, las metodologías y los conjuntos de datos de estudios similares del estado del arte, proporcionando una visión general completa de la investigación en clasificación de convulsiones. En conclusión, este estudio demuestra el éxito del modelo propuesto en la clasificación de PNES y ES, allanando el camino para futuros avances en el campo y beneficiando a pacientes y profesionales de la salud en el diagnóstico y tratamiento.This study presents a research investigation on the classification of Psychogenic Non-Epileptic Seizures (PNES) and Epileptic Seizures (ES) using EEG data and Graph Neural Networks (GNN). The proposed model demonstrates outstanding performance, surpassing previous state-of-the-art results and achieving remarkable accuracy in ternary classification. By utilizing a GNN architecture, the model effectively distinguishes between PNES and ES with an accuracy of 92.9%. Moreover, when employing Leave One Group Out crossvalidation, the model achieves an even higher accuracy of 97.58%, outperforming the highest reported state-of-the-art accuracy of 94.4%. Furthermore, by extending the classification to include healthy patients, the model achieves an accuracy of 91.12%, surpassing the bestknown state-of-the-art accuracy of 85.7%. These findings highlight the potential of the model in accurately classifying and differentiating these medical conditions using EEG data. Future work includes the exploration of biomarkers for binary classification using the model's explainability capabilities, contributing to the development of objective diagnostic tools and personalized treatment strategies. Additionally, this study compares the performance, methodologies, and datasets of similar studies from the state-of-the-art, providing a comprehensive overview of seizure classification research. In conclusion, this study demonstrates the success of the proposed model in classifying PNES and ES, paving the way for further advancements in the field and benefiting patients and healthcare practitioners in diagnosis and treatment