Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/2983
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorCarlos Andrés Pérez Ramírezes_ES
dc.creatorLuis Fernando Xicotencatl López Lazoes_ES
dc.date2021-07-04-
dc.date.accessioned2021-07-22T14:04:21Z-
dc.date.available2021-07-22T14:04:21Z-
dc.date.issued2021-07-04-
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/2983-
dc.descriptionLas señales de electroencefalograma (EEG) son comúnmente empleadas debido a la gran cantidad de información que contiene, así como a las aplicaciones que se les puede dar: desde el diagnóstico de enfermedades hasta su interpretación para su empleo en diferentes sistemas. Un ejemplo del punto anterior es el caso de las señales de movimiento motor imaginario (MI) que, gracias a sus características de origen, son las preferidas para ser empleadas en interfaces cerebro computadora (BCI), ya que con ellas puede realizarse el control y manipulación de prótesis y ortesis, por mencionar el ejemplo más evidente. Este trabajo de tesis propone una metodología para la clasificación de dichas señales empleando algoritmos de moderada carga computacional, sin que ello implique perder exactitud en el proceso (comparada con otras metodologías contemporáneas). De esta manera, este trabajo propone las bases de un trabajo futuro para el desarrollo de BCIs. En particular, se trabajaron señales de MI de mano derecha y pierna izquierda provenientes de una base de datos de 11 sujetos de prueba; de esta base de datos se tomaron las señales adquiridas del electrodo C3 y C4 (en el área de la corteza motora). A dichas señales se las descompuso en tiempo-frecuencia con la transformada wavelet por paquetes (WPT), posteriormente, se le extrajeron características con diferentes métodos para comparar su efectividad. Entre los métodos comparados, se encuentran métodos de dimensión fractal como lo son el algoritmo de Katz, el algoritmo de Higuchi, el algoritmo de conteo de cajas y el algoritmo de Sevcik. Así mismo se compararon métodos de entropías como lo son la entropía de Shannon, la entropía de aproximación y la entropía de permutación. Empleando el método de análisis de varianza (ANOVA) no paramétrico, se determinó el método de dimensión fractal de Higuchi como el mejor método de extracción de características. Haciendo uso de una red neuronal multicapa con 20 neuronas en la capa oculta se clasificaron los datos previamente adquiridos, obteniendo una exactitud del 91.7% clasificando movimiento de pierna izquierda y mano derecha.es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.relation.requiresNoes_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectProcesamiento de bioseñaleses_ES
dc.subjectElectroencefalogramaes_ES
dc.subjectMovimiento motor Imaginarioes_ES
dc.subjectAlgoritmos no linealeses_ES
dc.subjectRedes neuronaleses_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleDetección del movimiento motor imaginario de extremidades en señales de EEG usando medidas no lineales y algoritmos de inteligencia artificial.es_ES
dc.typeTesis de licenciaturaes_ES
dc.creator.tidCURPes_ES
dc.creator.identificadorLOLL981224HDFPZS16es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameIngeniería Biomédicaes_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelLicenciaturaes_ES
Aparece en: Ingeniería Biomédica

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI006028.pdf1.66 MBAdobe PDFPortada
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.