Título :	Metodología para la identificación de predisposición al alcoholismo en personas mediante herramientas tiempo-frecuencia y machine learning usando señales EEG
Autor(es):	Luis Antonio Franco Vergara
Palabras clave:	Procesamiento de Bioseñales Machine Learning Electroencefalograma Dimensión Fractal Alcoholismo
Área:	INGENIERÍA Y TECNOLOGÍA
Fecha de publicación :	25-oct-2021
Facultad:	Facultad de Ingeniería
Programa académico:	Ingeniería Biomédica
Resumen:	El 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.
URI:	http://ri-ng.uaq.mx/handle/123456789/3168
Aparece en:	Ingeniería Biomédica

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