Estudio exploratorio de fusión intermodal basada en aprendizaje profundo para la detección del deterioro cognitivo a partir de señales EEG y voz independientes

• Autores: Maldonado Crespo, Luis Bresneb, Inga Pacheco, Tatiana Rocio
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/14163
• Enlace del recurso: https://hdl.handle.net/20.500.12867/14163
• Nivel de acceso: acceso abierto
• Materia: Deterioro cognitivo; Inteligencia artificial; Diagnóstico automatizado; https://purl.org/pe-repo/ocde/ford#2.06.00

La detección temprana del deterioro cognitivo es fundamental para implementar estrategias de intervención que mejoren la calidad de vida del paciente y reduzcan el impacto en los sistemas de salud. En los últimos años, las tecnologías basadas en inteligencia artificial han permitido desarrollar herramientas diagnósticas automatizadas a partir de biomarcadores digitales no invasivos. Este trabajo propone un sistema inteligente de diagnóstico que integra señales electroencefalográficas (EEG) y de voz mediante una estrategia de fusión intermodal basada en aprendizaje profundo. La arquitectura desarrollada consta de clasificadores convolucionales entrenados de forma independiente para cada modalidad, cuyos resultados probabilísticos son integrados posteriormente mediante un meta-modelo neuronal. Para el entrenamiento y validación del sistema, se emplearon bases de datos públicas especializadas: CAU-EEG (electroencefalografía) y DementiaBank (grabaciones de voz). Las señales fueron preprocesadas siguiendo pipelines específicos que incluyeron la conversión a espectrogramas, normalización por edad, estandarización de canales y técnicas de aumento de datos. La evaluación en un conjunto de validación independiente mostró que el modelo de fusión superó a los clasificadores unimodales, alcanzando una exactitud del 82 %, sensibilidad del 85 %, especificidad del 79 % y un área bajo la curva (AUC) de 0.84. Además, se desarrolló una interfaz funcional con capacidad de carga de archivos, procesamiento en tiempo real y retroalimentación visual, validando la aplicabilidad práctica del sistema en entornos clínicos simulados. Los resultados obtenidos demuestran la viabilidad de los sistemas de inteligencia artificial multimodal para la detección automatizada del deterioro cognitivo. El enfoque propuesto no solo mejora el rendimiento diagnóstico frente a modelos unimodales, sino que también ofrece una plataforma escalable con potencial de integración en flujos de trabajo clínicos reales.