Identificación de trastornos depresivos mediante correlación de fuentes cognitivoconductuales, EEG y Eye-Tracking

Resumen

Los estados depresivos tienen una alta prevalencia entre los estudiantes universitarios, que parece haberse incrementado en el periodo de confinamiento pandémico, en el que se desarrolló esta tesis. El objetivo de esta tesis es explorar la eficacia de ciertos algoritmos clasificadores, entrenados con datos neurocognitivos, para facilitar la evaluación de los trastornos depresivos en poblaciones de estudiantes universitarios. Para ello se aplicó inicialmente un cuestionario estandarizado a una amplia muestra de estudiantes de la Universidad de La Laguna con la finalidad de disponer de dos grupos uno de control (CTL) y otro con características depresivas (DEP). Posteriormente, dichos grupos fueron sometidos a la realización de dos tareas cognitivas que implican demandas de control inhibitorio, concretamente una tarea Go-NoGo, asociada a la inhibición motora, y una tarea de Hayling, relacionada con la inhibición semántica. Además se registraron datos de los participantes en estado de reposo (resting state), es decir en ausencia de una tarea específica. Mientras realizaban las tareas asignadas se procedió a capturar medidas conductuales, de electroencefalografía (EEG) y de registro ocular (pupilometría). Estas medidas fueron analizadas según diferentes metodologías estándar; concretamente, el análisis de potenciales evocados (ERP), la variación de ritmos en tiempo/frecuencia y los valores de entropía en series temporales en el caso del EEG, así como la evolución temporal del tamaño de pupila, con la finalidad de detectar estadísticamente diferencias entre los grupos CTL y DEP. Por último, se alimentaron los algoritmos clasificadores del ámbito del aprendizaje automático (Machine Learning) y del aprendizaje profundo (Deep Learning) con los parámetros significativos de EEG y pupilometría. El objetivo de esta aproximación es detectar marcadores neurofisiológicos que permitan clasificar automática y sencillamente a los participantes como pertenecientes a una de las categorías de grupo CTL o DEP con un alto grado de fiabilidad. Los resultados obtenidos han permitido aportar una solución novedosa al problema planteado ya que a partir de los datos de las dos tareas neurocognitivas se logró clasificar a los participantes con una exactitud entre 85% (tarea Go-NoGo) y 95% (tarea Hayling). Más aún, con un sistema basado en la información de solamente tres electrodos de EEG y una toma de datos en resting state de pocos minutos se logró clasificar con un 99% de exactitud a participantes en una de las categorías CTL o DEP.