UC Universidad de Carabobo Seijas et al. / Revista Ingeniería UC, Vol. 28, N o 1, Abril, 2021 141 – 151 Neuropathology Detector in EEG using Higher Order Statistics and Deep Learning César Seijas ∗,a iD , Sergio Villazana a iD , Guillermo Montilla b iD , Egilda Pérez a iD , Ricardo Montilla b iD a Centro de Procesamiento de Imágenes, Facultad de Ingeniería, Universidad de Carabobo, Valencia, Venezuela. b Yttrium-Technology Corp., Panamá, Panamá. La selección de este artículo fue realizada en el marco de la Jornada de Investigación de la Escuela de Ingeniería Eléctrica “Prof. César Rodolfo Ruiz” Octubre 2020, siendo la evaluación, arbitraje, aceptación y edición a cargo de Revista Ingeniería UC. Abstract.- This article presents a neuropathology detector, based on the patient’s electroencephalogram (EEG). Detection is based on HOSA (“High Order Statistical Analysis”) image classification of higher order statistics derived from time series corresponding to EEG of human patients. The classifier is a DL model (“Deep Learning”) with the pretrained CNN (“Convolutional Neural Network”) architecture: Inception. The CNN training and test set are HOSA images of non-linear and non-Gaussian segments, of signals corresponding to the selected channel of the EEG of patients with neuropathologies (specifically, epilepsy) or healthy. The performance of the classifier is very satisfactory, presenting an accuracy of approximately 94 % in the detection of epilepsy. Keywords: EEG; higher order statistics; deep learning; pre-trained convolutional neural network Inception. Detector de Neuropatologías en EEG usando Estadísticas de Orden Superior y Aprendizaje Profundo Resumen.- En el presente artículo se presenta un detector de neuropatologías, a partir del electroencefalograma (EEG) del paciente. La detección se basa en la clasificación de imágenes de HOSA (siglas en inglés para análisis de estadísticas de orden superior o “High Order Statistical Analysis”) derivadas de series de tiempo correspondientes a EEG de pacientes humanos. El clasificador es un modelo de aprendizaje profundo DL (“Deep Learning”) con la arquitectura de la CNN (Red Neuronal Convolucional o “Convolutional Neural Networks”) pre-entrenada: “Inception”. El conjunto de entrenamiento y prueba de la CNN son imágenes de HOSA, que representan los cumulantes de tercer orden de segmentos no lineales y no gaussianos, de señales correspondientes al canal seleccionado del EEG de pacientes con neuropatologías (específicamente, epilepsia) o sanos. El desempeño del clasificador es muy satisfactorio, presentando una exactitud de aproximadamente 94 % en la detección de epilepsia. Palabras clave: EEG; estadísticas de orden superior; aprendizaje profundo; red neuronal convolucional pre-entrenada Inception. Recibido: 22 de octubre, 2020. Aceptado: 14 de diciembre, 2020. 1. Introducción El procesamiento de señales electrofisiológicas, con fines diagnósticos, ha tenido grandes avances ∗ Autor para correspondencia: Correo-e:cseijas@uc.edu.ve (C. Seijas) en el campo de la medicina y actualmente la incorporación de la inteligencia artificial (IA), y particularmente aprendizaje profundo DL (siglas en inglés para “Deep Learning”) está produciendo importantes desarrollos en el tratamiento de desórdenes neurológicos [1, 2, 3]. En general, las señales se captan mediante sensores que traducen los fenómenos electrofisiológicos, en débiles potenciales eléctricos, que posterior a un Revista Ingeniería UC, ISSN: 1316–6832, Online ISSN: 2610-8240. 141 KWWSVGRLRUJUHYLQJXFYL