RT info:eu-repo/semantics/bachelorThesis
T1 Detector automático de artefactos en señales neuronales basado en técnicas de inteligencia artificial
A1 Gil Correa, Amalia
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Electroencefalografía
K1 Magnetoencefalografía
K1 Artefactos
AB Los campos electromagnéticos generados en el cerebro reflejan el estado cognitivode las personas, pudiendo manifestar enfermedades o condiciones que afectan alsistema nervioso central. La electroencefalografía (EEG) y la magnetoencefalografía(MEG) son técnicas no invasivas que permiten detectar los campos electromagné-ticos generados por la actividad cerebral. Ambas se pueden combinar para obtenerinformación completa sobre el cerebro. Sin embargo, tanto las señales EEG como lasMEG pueden estar contaminadas por interferencias de origen no neuronal, afectandogravemente su calidad y, como consecuencia, sesgando a posibles interpretacionesque se puedan derivar de ellas. Por lo tanto, resulta necesario mitigar el efecto deeste ruido o artefactos, minimizando su presencia antes de analizar los datos. Unode los métodos más empleados hoy en día para abordar este problema es el Análisisde Componentes Independientes (ICA). ICA es un método estadístico que permiteseparar las distintas componentes que generan los datos EEG y MEG. Sin embargo,esta técnica no ofrece una clasificación en función del origen de las componentesindependientes en las que descomponen las señales, sino que depende de la interpretación subjetiva de un técnico mediante análisis visual.Este Trabajo Fin de Grado se ha enfocado en el desarrollo de un sistema basadoen Deep Learning (DL) que, haciendo uso de la Red Neuronal Convolucional EEGInception,permite diferenciar y clasificar las componentes ICA de origen neuronal ylas componentes artefactuadas. Para ello, se han diseñado y evaluado dos sistemas declasificación diferentes: clasificación binaria y clasificación multiclase. La primera secentra en identificar la presencia de artefactos en la señal MEG, independientementedel origen de la componente ruidosa, mientras que la segunda busca detectar lapresencia de artefactos de diferentes orígenes en la señal registrada, y realizar unaclasificación de estos en una categoría específica.
YR 2023
FD 2023
LK https://uvadoc.uva.es/handle/10324/63074
UL https://uvadoc.uva.es/handle/10324/63074
LA spa
NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
DS UVaDOC
RD 17-jul-2024