Clasificación multiclase de trastornos psiquiátricos basada en EEG mediante aprendizaje automático interpretable aplicado a características espectrales y de conectividad Autores: Aangi Shah - The Riverside School (IN) Ajay Goyal - Institute of Design, Nirma University (IN) Resumen El diagnóstico psiquiátrico se basa en gran medida en la evaluación clínica subjetiva, lo que limita la diferenciación objetiva entre trastornos que pueden coexistir. Este estudio presenta un marco interpretable de clasificación multiclase basado en electroencefalografía (EEG) para el Trastorno Adictivo, el Trastorno de Ansiedad, el Trastorno del Estado de Ánimo, el Trastorno Obsesivo-Compulsivo (TOC), la Esquizofrenia, el Trastorno Relacionado con el Trauma y el Estrés, y los Controles Sanos. Se analizó un conjunto de datos de 945 sujetos con 1.140 características espectrales y de coherencia derivadas de EEG, y una selección basada en la varianza redujo el espacio de características a 300 descriptores. La clasificación se realizó mediante Extreme Learning Machine (ELM), Naïve Bayes (NB) y Support Vector Machine (SVM) dentro de una arquitectura uno contra todos. NB mostró una capacidad discriminativa comparativamente limitada (F1: 35,33 %–72,76 %). ELM alcanzó un rendimiento estable, con puntuaciones F1 entre 66,03 % y 89,31 %, y precisiones de prueba consistentemente más altas en todas las clases, incluyendo 95,12 % para el TOC y 90,34 % para los Controles Sanos. SVM proporcionó el mejor equilibrio entre precisión y exhaustividad en la mayoría de las clases, con puntuaciones F1 de 94,00 % para el TOC, 84,08 % para el Trastorno de Ansiedad y 79,84 % para la Esquizofrenia. El Trastorno del Estado de Ánimo siguió siendo la clase más difícil de clasificar (F1 máximo: 66,03 %). El análisis por bandas identificó las características de la banda theta como las más discriminativas dentro del conjunto de datos utilizado, alcanzando una precisión independiente del 91,57 %. Estos resultados sugieren que las características espectrales y de coherencia derivadas de EEG, combinadas con clasificadores ligeros de aprendizaje automático, pueden apoyar la clasificación psiquiátrica multiclase con un rendimiento variable según la clase. Sin embargo, el menor rendimiento observado para el Trastorno del Estado de Ánimo y la dependencia de un único conjunto de datos público indican que se requieren una validación externa adicional, comparaciones estadísticas y la integración de características multimodales antes de su aplicación clínica.