RT info:eu-repo/semantics/masterThesis T1 Desarrollo y evaluación de clasificadores neuro-genéticos basados en señales de EEG para la ayuda al diagnóstico de la esquizofrenia A1 Santos Mayo, Lorenzo A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación K1 Esquizofrenia - Diagnóstico K1 Señales encefalográficas (EEG) AB El presente Trabajo de Fin de Máster (TFM) constituye una ampliación del Proyecto Fin deCarrera (PFC) titulado "Diagnóstico automático de la esquizofrenia basado en el estudio deseñales de EEG de actividad cortical en el cerebro". En este proyecto se abordaba el problemade la realización de una clasificación automática entre sujetos sanos y esquizofrénicos basada enla onda P3b, evocada por el cerebro cuando es sometido a una tarea oddball auditiva, y en unesquema de reconocimiento de patrones. Para ello, en primer lugar, se realizaba el preprocesadode las señales de EEG proporcionadas en un banco de datos. Posteriormente, seextraían diferentes características de dichas señales que eran seleccionadas mediante algoritmosde selección de características basados en la teoría de la información y en la distancia entre lasclases (MIFS, DISR y J5). Finalmente, estas características seleccionadas eran introducidas enunos 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 sobrela comparación de los distintos algoritmos utilizados. Este TFM ha continuado sobre esta líneade investigación con el fin de tratar algunos de los aspectos que se habían mencionado comolíneas futuras en el PFC anterior. En primer lugar, se ha revisado la etapa de selección decaracterísticas añadiendo los Algoritmos Genéticos (AG) como un nuevo método que pretendemejorar los resultados finales de las diversas clasificaciones realizadas. Además, los AG seimplementan con el fin de lograr mantener o superar las tasas de acierto mediante un menornúmero de características seleccionadas por lo que pretenden reducir la carga computacional dela clasificación final. En segundo lugar, en este TFM se han realizado diversas agrupacionesespaciales de las características y un análisis estadístico de todas ellas individualmente con el finde lograr reforzar las diversas conclusiones espaciales del PFC. Por último, este TFM realizauna 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 deselección de características muy interesante a la hora de abordar el problema de la detección dela esquizofrenia ya que, aunque las tasas de acierto para la mejor clasificación se siguenlogrando mediante el algoritmo J5, las tasas de aciertos mediante una extracción menor decaracterísticas crece para los AG y, además, se consigue una carga computacional mucho menoren los clasificadores finales. Además, los AG, al contrario que los otros métodos de selección decaracterísticas utilizados, poseen una gran cantidad de parámetros a configurar para suimplementación por lo que se puede pensar que los resultados obtenidos mediante los AGpueden ser mejorados mediante una optimización más profunda. Por otro lado, los resultadosdel TFM evidencian una gran importancia de la zona parietal-temporal a la hora de la detecciónde la onda P3b concordando con otras investigaciones similares. Finalmente, la optimización delos clasificadores automáticos proporciona un incremento generalizado de todas lasclasificaciones y, en concreto, aunque la clasificación más eficiente sigue proporcionando unatasa de acierto de un 93.4%, la sensibilidad, que es el parámetro más crítico para aplicacionesmédicas, logra subir hasta el 87.7% a costa de un descenso en la especificidad obteniendo un96.3%. YR 2015 FD 2015 LK http://uvadoc.uva.es/handle/10324/15235 UL http://uvadoc.uva.es/handle/10324/15235 LA spa NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática DS UVaDOC RD 28-nov-2024