Buscar


Mostrar el registro sencillo del ítem

dc.rights.license http://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Juan Manuel Ramos Arreguín es_ES
dc.contributor Sebastián Salazar Colores es_ES
dc.contributor Saúl Tovar Arriaga es_ES
dc.contributor Jesús Carlos Pedraza Ortega es_ES
dc.contributor Cesar Javier Ortiz Echeverri es_ES
dc.creator Gerardo Hernández Nava es_ES
dc.date 2023-09-01
dc.date.accessioned 2023-11-23T18:22:35Z
dc.date.available 2023-11-23T18:22:35Z
dc.date.issued 2023-09-01
dc.identifier.uri https://ri-ng.uaq.mx/handle/123456789/9749
dc.description 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. es_ES
dc.format Adobe PDF es_ES
dc.language.iso spa es_ES
dc.publisher Facultad de Ingeniería es_ES
dc.relation.requires Si es_ES
dc.rights Acceso Abierto es_ES
dc.subject Ingeniería y Tecnología es_ES
dc.subject Ciencias Tecnológicas es_ES
dc.subject Otras especialidades tecnológicas es_ES
dc.subject Red neuronal convolucional es_ES
dc.subject Transformada wavelet continua es_ES
dc.subject Atención de canal eficiente es_ES
dc.subject Detección de eventos epilépticos es_ES
dc.subject Predicción de eventos epilépticos es_ES
dc.title Predicción de eventos epilépticos mediante técnicas de aprendizaje profundo usando señales EEG. es_ES
dc.type Tesis de maestría es_ES
dc.creator.tid ORCID es_ES
dc.contributor.tid ORCID es_ES
dc.creator.identificador 0000-0002-8685-1003 es_ES
dc.contributor.identificador 0000-0002-2604-9692 es_ES
dc.contributor.role Director es_ES
dc.contributor.role Sinodal es_ES
dc.contributor.role Sinodal es_ES
dc.contributor.role Sinodal es_ES
dc.contributor.role Sinodal 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


Ficheros en el ítem

Thumbnail
Nombre: IGMAC-309232.pdf
Tamaño: 46.77Mb
Formato: PDF
Ver/

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

Mostrar el registro sencillo del ítem