• español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Parcourir

    Tout UVaDOCCommunautésPar date de publicationAuteursSujetsTitres

    Mon compte

    Ouvrir une session

    Statistiques

    Statistiques d'usage de visualisation

    Compartir

    Voir le document 
    •   Accueil de UVaDOC
    • PROJET DE FIN D'ÉTUDES
    • Trabajos Fin de Máster UVa
    • Voir le document
    •   Accueil de UVaDOC
    • PROJET DE FIN D'ÉTUDES
    • Trabajos Fin de Máster UVa
    • Voir le document
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis

    Citas

    Por favor, use este identificador para citar o enlazar este ítem:http://uvadoc.uva.es/handle/10324/15235

    Título
    Desarrollo y evaluación de clasificadores neuro-genéticos basados en señales de EEG para la ayuda al diagnóstico de la esquizofrenia
    Autor
    Santos Mayo, Lorenzo
    Director o Tutor
    San José Revuelta, Luis MiguelAutoridad UVA
    Arribas Sánchez, Juan IgnacioAutoridad UVA
    Editor
    Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de TelecomunicaciónAutoridad UVA
    Año del Documento
    2015
    Titulación
    Máster en Investigación en Tecnologías de la Información y las Comunicaciones
    Résumé
    El presente Trabajo de Fin de Máster (TFM) constituye una ampliación del Proyecto Fin de Carrera (PFC) titulado "Diagnóstico automático de la esquizofrenia basado en el estudio de señales de EEG de actividad cortical en el cerebro". En este proyecto se abordaba el problema de la realización de una clasificación automática entre sujetos sanos y esquizofrénicos basada en la onda P3b, evocada por el cerebro cuando es sometido a una tarea oddball auditiva, y en un esquema de reconocimiento de patrones. Para ello, en primer lugar, se realizaba el preprocesado de las señales de EEG proporcionadas en un banco de datos. Posteriormente, se extraían diferentes características de dichas señales que eran seleccionadas mediante algoritmos de selección de características basados en la teoría de la información y en la distancia entre las clases (MIFS, DISR y J5). Finalmente, estas características seleccionadas eran introducidas en unos clasificadores altamente no lineales (MLP y SVM) llegando a obtener, en el mejor caso, una tasa de acierto del 93.4%, una sensibilidad del 87.3% y una especificidad de un 96.7%. Además, el PFC relataba diversas conclusiones sobre el origen espacial de la onda P3b y sobre la comparación de los distintos algoritmos utilizados. Este TFM ha continuado sobre esta línea de investigación con el fin de tratar algunos de los aspectos que se habían mencionado como líneas futuras en el PFC anterior. En primer lugar, se ha revisado la etapa de selección de características añadiendo los Algoritmos Genéticos (AG) como un nuevo método que pretende mejorar los resultados finales de las diversas clasificaciones realizadas. Además, los AG se implementan con el fin de lograr mantener o superar las tasas de acierto mediante un menor número de características seleccionadas por lo que pretenden reducir la carga computacional de la clasificación final. En segundo lugar, en este TFM se han realizado diversas agrupaciones espaciales de las características y un análisis estadístico de todas ellas individualmente con el fin de lograr reforzar las diversas conclusiones espaciales del PFC. Por último, este TFM realiza una optimización de los clasificadores utilizados ya que éstos carecían de la misma en el PFC. Los nuevos resultados de este TFM han mostrado que los AG se alzan como un método de selección de características muy interesante a la hora de abordar el problema de la detección de la esquizofrenia ya que, aunque las tasas de acierto para la mejor clasificación se siguen logrando mediante el algoritmo J5, las tasas de aciertos mediante una extracción menor de características crece para los AG y, además, se consigue una carga computacional mucho menor en los clasificadores finales. Además, los AG, al contrario que los otros métodos de selección de características utilizados, poseen una gran cantidad de parámetros a configurar para su implementación por lo que se puede pensar que los resultados obtenidos mediante los AG pueden ser mejorados mediante una optimización más profunda. Por otro lado, los resultados del TFM evidencian una gran importancia de la zona parietal-temporal a la hora de la detección de la onda P3b concordando con otras investigaciones similares. Finalmente, la optimización de los clasificadores automáticos proporciona un incremento generalizado de todas las clasificaciones y, en concreto, aunque la clasificación más eficiente sigue proporcionando una tasa de acierto de un 93.4%, la sensibilidad, que es el parámetro más crítico para aplicaciones médicas, logra subir hasta el 87.7% a costa de un descenso en la especificidad obteniendo un 96.3%.
    Materias (normalizadas)
    Esquizofrenia - Diagnóstico
    Señales encefalográficas (EEG)
    Departamento
    Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
    Idioma
    spa
    URI
    http://uvadoc.uva.es/handle/10324/15235
    Derechos
    openAccess
    Aparece en las colecciones
    • Trabajos Fin de Máster UVa [7003]
    Afficher la notice complète
    Fichier(s) constituant ce document
    Nombre:
    TFM-G531.pdf
    Tamaño:
    2.429Mo
    Formato:
    Adobe PDF
    Thumbnail
    Voir/Ouvrir
    Attribution-NonCommercial-NoDerivatives 4.0 InternationalExcepté là où spécifié autrement, la license de ce document est décrite en tant que Attribution-NonCommercial-NoDerivatives 4.0 International

    Universidad de Valladolid

    Powered by MIT's. DSpace software, Version 5.10