• 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.

    Listar

    Todo UVaDOCComunidadesPor fecha de publicaciónAutoresMateriasTítulos

    Mi cuenta

    Acceder

    Estadísticas

    Ver Estadísticas de uso

    Compartir

    Ver ítem 
    •   UVaDOC Principal
    • TRABAJOS FIN DE ESTUDIOS
    • Trabajos Fin de Grado UVa
    • Ver ítem
    •   UVaDOC Principal
    • TRABAJOS FIN DE ESTUDIOS
    • Trabajos Fin de Grado UVa
    • Ver ítem
    • 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:https://uvadoc.uva.es/handle/10324/74267

    Título
    Aplicación de algoritmos de aprendizaje por refuerzo al control de un estimulador cerebral
    Autor
    Parte Renedo, Pablo
    Director o Tutor
    Fernández Martínez, ItziarAutoridad UVA
    Larriba González, YolandaAutoridad UVA
    Editor
    Universidad de Valladolid. Facultad de CienciasAutoridad UVA
    Año del Documento
    2024
    Titulación
    Grado en Estadística
    Resumen
    La estimulación cerebral profunda es una técnica empleada en el tratamiento de algunas enfermedades neurológicas que no se pueden tratar adecuadamente con medicación. Consiste en la implantación de electrodos en regiones específicas del cerebro, que envían impulsos eléctricos para modular la actividad cerebral de los pacientes. La selección de los parámetros óptimos para la estimulación es un problema abierto, que se puede abordar con diferentes estrategias. En este trabajo se estudia la aplicación de una metodología de aprendizaje por refuerzo para la regulación automática de la amplitud de los pulsos eléctricos generados en la estimulación cerebral en función de las señales neurológicas observadas. Los algoritmos propuestos se aplican sobre un modelo neuronal simulado, en el que el objetivo del problema se caracteriza como la supresión de las oscilaciones colectivas de una población de neuronas sincronizadas.
     
    Deep brain stimulation is a technique used in the treatment of certain neurological diseases that cannot be adequately controlled with medications. It involves the implantation of electrodes in specific brain regions, which send electrical impulses to modulate the brain activity of patients. Optimal selection of parameters for the stimulation is an open problem, that can be tackled with different strategies. In this work, we study the application of a reinforcement learning methodology to automatically regulate the amplitude of the generated electrical pulses based on observed neurological signals. The proposed algorithms are applied to a simulated neuronal model, where the objective of the problem is characterized as suppression of collective oscillations of a population of synchronized neurons.
    Palabras Clave
    Aprendizaje por refuerzo
    Redes neuronales
    Optimización
    Departamento
    Departamento de Estadística e Investigación Operativa
    Idioma
    spa
    URI
    https://uvadoc.uva.es/handle/10324/74267
    Derechos
    openAccess
    Aparece en las colecciones
    • Trabajos Fin de Grado UVa [30838]
    Mostrar el registro completo del ítem
    Ficheros en el ítem
    Nombre:
    TFG-G7401.pdf
    Tamaño:
    23.97Mb
    Formato:
    Adobe PDF
    Thumbnail
    Visualizar/Abrir
    Attribution-NonCommercial-NoDerivatives 4.0 InternacionalLa licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional

    Universidad de Valladolid

    Powered by MIT's. DSpace software, Version 5.10