AI model to decode Imagined Speech

Edgar Lara Arellano

Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/12198

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.rights.license	https://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Andras Takacs	es_ES
dc.creator	Edgar Lara Arellano	es_ES
dc.date.accessioned	2025-08-14T16:42:27Z	-
dc.date.available	2025-08-14T16:42:27Z	-
dc.date.issued	2025-06-30	-
dc.identifier.uri	https://ri-ng.uaq.mx/handle/123456789/12198	-
dc.description	Este estudio presenta un enfoque innovador para clasificar las señales de electroencefalograma (EEG) que se producen cuando una persona se concentra en palabras específicas, un área de investigación conocida como” Habla Imaginada”. El EEG captura la actividad eléctrica cerebral mediante un conjunto de sensores colocados en el cuero cabelludo, lo que proporciona información sobre los procesos neuronales relacionados con el pensamiento y la cognición. Sin embargo, clasificar con precisión estas señales plantea desafíos significativos, ya que requiere modelos de aprendizaje automático (ML, por sus siglas en lengua inglesa) para aprender los patrones sutiles y complejos asociados con palabras imaginadas específicas. Las técnicas de clasificaciones tradicionales suelen presentar dificultades en este ámbito debido a la alta variabilidad interindividual, la baja relación señal-ruido y la naturaleza no estacionaria de las señales de EEG. En respuesta, este trabajo propone un nuevo método para mejorar la precisión de la clasificación, centrado en la creación de un vector de características especializado, diseñado para mejorar la capacidad del modelo para diferenciar entre palabras imaginadas. La base de este enfoque es el uso de un algoritmo gen ético que optimiza la selección de características mediante la navegación eficiente a través de un amplio espacio de características. Este algoritmo genético resulta muy ventajoso en este contexto, ya que refina iterativamente el conjunto de características para identificar las más predictivas, maximizando así la precisión de la clasificación. En comparación con otros métodos de selección de características, los algoritmos genéticos son muy adecuados para el procesamiento de señales de EEG gracias a su capacidad para equilibrar la exploración y la explotación, lo que resulta en una combinación de características que supera significativamente a las técnicas existentes. Este método tiene el potencial de mejorar la fiabilidad de la clasificación del habla imaginada, lo que lo convierte en una valiosa contribución a las interfaces cerebro-computadora basadas en EEG y abre la puerta a avances en tecnología de asistencia y comunicación neuronal.	es_ES
dc.format	pdf	es_ES
dc.format.extent	1 recurso en línea (154 páginas)	es_ES
dc.format.medium	computadora	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Universidad Autonoma de Querétaro	es_ES
dc.relation.requires	Si	es_ES
dc.rights	openAccess	es_ES
dc.subject	EEG	es_ES
dc.subject	Extracción de características	es_ES
dc.subject	Algoritmo gen ético	es_ES
dc.subject	Clasificación	es_ES
dc.subject	Selección de electrodos	es_ES
dc.subject.classification	INGENIERÍA Y TECNOLOGÍA	es_ES
dc.title	AI model to decode Imagined Speech	es_ES
dc.type	Tesis de maestría	es_ES
dc.creator.tid	ORCID	es_ES
dc.contributor.tid	ORCID	es_ES
dc.creator.identificador	0009-0006-1829-4731	es_ES
dc.contributor.identificador	0000-0003-2200-307X	es_ES
dc.contributor.role	Director de tesis	es_ES
dc.degree.name	Maestría en Ciencias en Inteligencia Artificial	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Maestría	es_ES
dc.format.support	recurso en línea	es_ES
dc.matricula.creator	320366	es_ES
dc.folio	IGMAC-320366	es_ES
Aparece en:	Maestría en Ciencias en Inteligencia Artificial

Archivos:

Fichero	Descripción	Tamaño	Formato
IGMAC-320366.pdf		7.72 MB	Adobe PDF	Visualizar/Abrir

Mostrar el registro sencillo del ítem