Regresión y caracterización de señales electroencefalográficas empleando técnicas de inteligencia artificial

El cerebro es un sistema de auto organización, las áreas internas del cerebro controlan el funcionamiento de los músculos; También controlan el habla, pensamiento, emociones, lectura, redacción y el aprendizaje. La reorganización de su estructura, función y conexiones se adaptan durante toda la vida...

Full description

Autores:: Barahona García, María Alejandra
Jaramillo Marín, Laura Verónica

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2022

Institución:: Universidad ECCI

Repositorio:: Repositorio Institucional ECCI

Idioma:: spa

Description
Summary:	El cerebro es un sistema de auto organización, las áreas internas del cerebro controlan el funcionamiento de los músculos; También controlan el habla, pensamiento, emociones, lectura, redacción y el aprendizaje. La reorganización de su estructura, función y conexiones se adaptan durante toda la vida esto se basa en la neuroplasticidad. La hipertensión arterial (HTA), el hábito de fumar, la diabetes mellitus, la fibrilación auricular y la dislipidemia y algunos hábitos modificables como el sedentarismo, la alimentación no saludable y el consumo desmedido de alcohol, tienen silenciosas, graves e irreversibles consecuencias como los accidentes cerebro vasculares (ACV), siendo la segunda causa de muerte en el mundo. Algunas de las técnicas de procesamiento de las señales cerebrales se basan en algoritmos de inteligencia artificial, para la extracción de características específicas, por medio de la señal de electroencefalografía (EEG). Los algoritmos de regresión forman parte de la estructura de la inteligencia artificial. La comparación y evaluación mediante las métricas estadísticas de la señal original y la señal predicha de EEG, determina la fiabilidad de los algoritmos de regresión empleados, árboles de decisión, bosques aleatorios, máquina de soporte vectorial y redes neuronales en procesos de predicción, servirá para posteriores procesos de rehabilitación. La predicción más cercana se evidencia por redes neuronales, presentan mayor gasto computacional, y requiere de un tiempo prolongado para evidenciar los resultados. Los árboles de decisión, bosques aleatorios y máquinas de soporte vectorial empleadas, generan resultados de predicción similar y requieren menor tiempo y gasto computacional.

Regresión y caracterización de señales electroencefalográficas empleando técnicas de inteligencia artificial

Publicaciones similares