Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/3168
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorCarlos Andres Perez Ramirezes_ES
dc.creatorLuis Antonio Franco Vergaraes_ES
dc.date2021-10-25-
dc.date.accessioned2021-10-27T15:47:09Z-
dc.date.available2021-10-27T15:47:09Z-
dc.date.issued2021-10-25-
dc.identifierProcesamiento de Bioseñaleses_ES
dc.identifierMachine Learninges_ES
dc.identifierElectroencefalogramaes_ES
dc.identifierDimensión Fractales_ES
dc.identifierAlcoholismoes_ES
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/3168-
dc.descriptionEl alcoholismo es un problema actual de salud en nuestro país y en el mundo, provocando consecuencias fatales en aquellos que la padecen. Las herramientas vigentes de diagnóstico no son confiables para detectar efectivamente alcoholismo en todas las situaciones; por ello, se propone una metodología novedosa para la detección objetiva de personas con riesgo a sufrir alcoholismo a través del procesamiento de señales de EEG. Ésta consiste en utilizar la transformada wavelet discreta para obtener diferentes sub-bandas de frecuencia hasta el nivel seis de descomposición, permitiendo la medición del cambio geométrico de las bioseñales por medio de cinco algoritmos diferentes de dimensión fractal: Higuchi, Petrosian, Dimensión de Caja, Sevcik y Katz; generando así posibles características para el entrenamiento de modelos de aprendizaje automático de máquinas. Los datos de mayor significancia para el fenómeno estudiado fueron seleccionados por medio del método estadístico no paramétrico ANOVA de Kruskal-Wallis; con estas características se entrenaron y validaron dos modelos de machine learning: la máquina de vectores de soporte y el perceptrón multicapa. De acuerdo con la validación para detectar de alcoholismo en señales de la misma naturaleza, se logró conseguir una exactitud, precisión, sensibilidad y especificidad de 96.52%, 98.55%, 94.44% y 98.61 respectivamente con la máquina de vectores de soporte.es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.relation.requiresNoes_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectINGENIERÍA Y TECNOLOGÍAes_ES
dc.subjectCIENCIAS MÉDICASes_ES
dc.subjectTECNOLOGÍA MÉDICAes_ES
dc.titleMetodología para la identificación de predisposición al alcoholismo en personas mediante herramientas tiempo-frecuencia y machine learning usando señales EEGes_ES
dc.typeTesis de licenciaturaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorFAVL970920HQTRRS03es_ES
dc.contributor.identificadorPERC890923HASRMR09es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameIngeniería Biomédicaes_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelLicenciaturaes_ES
Aparece en las colecciones: Ingeniería Biomédica

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI006210.pdf2.31 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.