Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/9749
Título : Predicción de eventos epilépticos mediante técnicas de aprendizaje profundo usando señales EEG.
Autor(es): Gerardo Hernández Nava
Palabras clave: Ingeniería y Tecnología
Ciencias Tecnológicas
Otras especialidades tecnológicas
Red neuronal convolucional
Transformada wavelet continua
Atención de canal eficiente
Detección de eventos epilépticos
Predicción de eventos epilépticos
Fecha de publicación : 1-sep-2023
Editorial : Facultad de Ingeniería
Facultad: Facultad de Ingeniería
Programa académico: Maestría en Ciencias en Inteligencia Artificial
Resumen: La 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.
URI: https://ri-ng.uaq.mx/handle/123456789/9749
Aparece en: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
IGMAC-309232.pdf47.9 MBAdobe PDFPortada
Visualizar/Abrir


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