Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/9749
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorJuan Manuel Ramos Arreguínes_ES
dc.contributorSebastián Salazar Coloreses_ES
dc.contributorSaúl Tovar Arriagaes_ES
dc.contributorJesús Carlos Pedraza Ortegaes_ES
dc.contributorCesar Javier Ortiz Echeverries_ES
dc.creatorGerardo Hernández Navaes_ES
dc.date2023-09-01-
dc.date.accessioned2023-11-23T18:22:35Z-
dc.date.available2023-11-23T18:22:35Z-
dc.date.issued2023-09-01-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/9749-
dc.descriptionLa epilepsia es una de las enfermedades neurológicas más comunes a nivel mundial, afectando a alrededor de 70 millones de personas globalmente y a entre 10.8 y 20 personas por cada mil habitantes en México. Esta enfermedad se caracteriza por convulsiones no provocadas o entumecimientos de forma recurrente y aleatoria, lo cual provoca que las personas que padecen esta enfermedad tengan limitaciones en su vida diaria, teniendo secuelas físicas, emocionales y sociales. La detección y predicción de estos episodios en una señal electroencefalográfica, es una tarea que puede ayudar de múltiples formas tanto al personal de salud como a los sujetos que padecen esta enfermedad. En el estado del arte se han encontrado múltiples trabajos que abordan esta temática utilizando algoritmos de aprendizaje automático, sin embargo, aún existe un margen de mejora en términos de exactitud, precisión, sensitividad y puntaje F1. Es por ello que en esta tesis se presentan múltiples arquitecturas orientadas a la detección y predicción de eventos epilépticos. Se plantea un procesamiento de las señales utilizando la transformada wavelet continua, caracterización en el dominio del tiempo y de la frecuencia, una clasificación utilizando arquitecturas basadas en redes neuronales convolucionales y módulos de atención para mejorar el rendimiento de las arquitecturas. Obteniendo resultados prometedores, con cifras de mérito entre el 80 y el 100 % según la tarea designada y la arquitectura utilizada. Las evaluaciones se realizaron utilizando técnicas como k-fold y 60-20-20. Cabe resaltar que este proyecto aborda la problemática de la detección y predicción de eventos epilépticos desde el punto de vista de software y hardware.es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.publisherFacultad de Ingenieríaes_ES
dc.relation.requiresSies_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectIngeniería y Tecnologíaes_ES
dc.subjectCiencias Tecnológicases_ES
dc.subjectOtras especialidades tecnológicases_ES
dc.subjectRed neuronal convolucionales_ES
dc.subjectTransformada wavelet continuaes_ES
dc.subjectAtención de canal eficientees_ES
dc.subjectDetección de eventos epilépticoses_ES
dc.subjectPredicción de eventos epilépticoses_ES
dc.titlePredicción de eventos epilépticos mediante técnicas de aprendizaje profundo usando señales EEG.es_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0000-0002-8685-1003es_ES
dc.contributor.identificador0000-0002-2604-9692es_ES
dc.contributor.roleDirectores_ES
dc.contributor.roleSinodales_ES
dc.contributor.roleSinodales_ES
dc.contributor.roleSinodales_ES
dc.contributor.roleSinodales_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
IGMAC-309232.pdf47.9 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.