Para esta sección, se realizó una revisión de la literatura referente a la detección de GTCS en la última década. Se revisaron principalmente bases de datos como Wiley Online Library, IEEE Xplore, Elsevier, American Academy of Neurology (AAN) y Multidisciplinary Digital Publishing Institute (MDPI). La mayoría de estos trabajos estuvieron relacionados al desarrollo y validación de dispositivos usables (wearables) para la detección de GTCS basados en señales de acelerometría [1-5], electromiograma de superficie (sEMG) [6-9] o electrocardiograma (ECG) [10]. Además, algunos trabajos presentaron también dispositivos basados en más de una de estas tecnologías, como la combinación de acelerometría y sEMG [11] o de las tres simultáneamente [12].

Asimismo, trabajos recientes destacan por aprovechar la acelerometría tridimensional del smartphone en lugar de desarrollar un dispositivo completo. En este trabajo [13], se emplearon algoritmos supervisados de Machine Learning (ML) para clasificar los movimientos según su intensidad en 5 clases: Estacionario, Ambulatorio ligero, Ambulatorio intenso, GTCS y caídas; obteniendo valores muy altos de exactitud (>95%) para todas las clases menos Ambulatorio ligero.

Otros autores de trabajos más recientes han optado por enfoques diferentes como el monitoreo por video. En [14], se propone el uso de técnicas de Deep Learning (DL) para la extracción automatizada de características de imágenes para la detección de GTCS en pacientes monitoreados por video. En el trabajo mencionado, se emplearon redes neuronales convolucionales (CNNs) en combinación con redes de memoria a corto-largo plazo (LSTM), obteniendo resultados de 88 y 92% de sensibilidad y especificidad, respectivamente.

Referencias


  1. S. Beniczky, T. Polster, T. W. Kjaer, and H. Hjalgrim, “Detection of generalized tonic–clonic seizures by a wireless wrist accelerometer: A prospective, multicenter study,” Epilepsia, vol. 54, no. 4, pp. e58–e61, 2013, doi: 10.1111/epi.12120.

  2. A. Van de Vel et al., “Long-term accelerometry-triggered video monitoring and detection of tonic–clonic and clonic seizures in a home environment: Pilot study,” Epilepsy & Behavior Case Reports, vol. 5, pp. 66–71, Jan. 2016 doi: 10.1016/j.ebcr.2016.03.005.

  3. H. S. Joo, S.-H. Han, J. Lee, D. P. Jang, J. K. Kang, and J. Woo, “Spectral Analysis of Acceleration Data for Detection of Generalized Tonic-Clonic Seizures,” Sensors, vol. 17, no. 3, Art. no. 3, Mar. 2017, doi: 10.3390/s17030481.

  4. S. Kusmakar, C. K. Karmakar, B. Yan, T. J. O’Brien, R. Muthuganapathy, and M. Palaniswami, “Detection of generalized tonic-clonic seizures using short length accelerometry signal,” in 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Jul. 2017, pp. 4566–4569. doi: 10.1109/EMBC.2017.8037872.

  5. D. Johansson et al., “Tonic-clonic seizure detection using accelerometrybased wearable sensors: A prospective, video-EEG controlled study,” Seizure, vol. 65, pp. 48–54, Feb. 2019, doi: 10.1016/j.seizure.2018.12.024.

  6. C. Á. Szabó et al., “Electromyography-based seizure detector: Preliminary results comparing a generalized tonic–clonic seizure detection algorithm to video-EEG recordings,” Epilepsia, vol. 56, no. 9, pp. 1432–1437, 2015, doi: 10.1111/epi.13083.

  7. J. J. Halford et al., “Detection of generalized tonic–clonic seizures using surface electromyographic monitoring,” Epilepsia, vol. 58, no. 11, pp. 1861– 1869, 2017, doi: 10.1111/epi.13897.

  8. S. Beniczky, I. Conradsen, O. Henning, M. Fabricius, and P. Wolf, “Automated real-time detection of tonic-clonic seizures using a wearable EMG device,” Neurology, vol. 90, no. 5, pp. e428–e434, Jan. 2018, doi: 10.1212/WNL.0000000000004893.

  9. I. C. Zibrandtsen, P. Kidmose, and T. W. Kjaer, “Detection of generalized tonic-clonic seizures from ear-EEG based on EMG analysis,” Seizure, vol. 59, pp. 54–59, Jul. 2018, doi: 10.1016/j.seizure.2018.05.001.

  10. T. De Cooman, A. Van de Vel, B. Ceulemans, L. Lagae, B. Vanrumste, and S. Van Huffel, “Online detection of tonic-clonic seizures in pediatric patients using ECG and low-complexity incremental novelty detection,” in 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Aug. 2015, pp. 5597–5600. doi: 10.1109/EMBC.2015.7319661.

  11. M. Milošević et al., “Automated Detection of Tonic–Clonic Seizures Using 3-D Accelerometry and Surface Electromyography in Pediatric Patients,” IEEE Journal of Biomedical and Health Informatics, vol. 20, no. 5, pp. 1333– 1341, Sep. 2016, doi: 10.1109/JBHI.2015.2462079.

  12. T. De Cooman, C. Varon, A. Van de Vel, B. Ceulemans, L. Lagae, and S. Van Huffel, “Comparison and combination of electrocardiogram, electromyogram and accelerometry for tonic-clonic seizure detection in children,” in 2018 IEEE EMBS International Conference on Biomedical Health Informatics (BHI), Mar. 2018, pp. 438–441. doi: 10.1109/BHI.2018.8333462.

  13. S. Zia, A. N. Khan, K. S. Zaidi, and S. E. Ali, “Detection of Generalized Tonic Clonic Seizures and Falls in Unconstraint Environment Using Smartphone Accelerometer,” IEEE Access, vol. 9, pp. 39432–39443, 2021, doi: 10.1109/ACCESS.2021.3063765.

  14. Y. Yang, R. A. Sarkis, R. E. Atrache, T. Loddenkemper, and C. Meisel, “Video-Based Detection of Generalized Tonic-Clonic Seizures Using Deep Learning,” IEEE Journal of Biomedical and Health Informatics, vol. 25, no. 8, pp. 2997–3008, Aug. 2021, doi: 10.1109/JBHI.2021.3049649.