Buscar


Mostrar el registro sencillo del ítem

dc.rights.license http://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Carlos Andrés Pérez Ramírez es_ES
dc.creator Luis Fernando Xicotencatl López Lazo es_ES
dc.date 2021-07-04
dc.date.accessioned 2021-07-22T14:04:21Z
dc.date.available 2021-07-22T14:04:21Z
dc.date.issued 2021-07-04
dc.identifier.uri http://ri-ng.uaq.mx/handle/123456789/2983
dc.description Las 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.format Adobe PDF es_ES
dc.language.iso spa es_ES
dc.relation.requires No es_ES
dc.rights Acceso Abierto es_ES
dc.subject Procesamiento de bioseñales es_ES
dc.subject Electroencefalograma es_ES
dc.subject Movimiento motor Imaginario es_ES
dc.subject Algoritmos no lineales es_ES
dc.subject Redes neuronales es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title Detección del movimiento motor imaginario de extremidades en señales de EEG usando medidas no lineales y algoritmos de inteligencia artificial. es_ES
dc.type Tesis de licenciatura es_ES
dc.creator.tid CURP es_ES
dc.creator.identificador LOLL981224HDFPZS16 es_ES
dc.contributor.role Director es_ES
dc.degree.name Ingeniería Biomédica es_ES
dc.degree.department Facultad de Ingeniería es_ES
dc.degree.level Licenciatura es_ES


Ficheros en el ítem

Thumbnail
Nombre: RI006028.pdf
Tamaño: 1.617Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem