Comparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por Eventos

La obtención de información por medio de la medición de señales registradas durante diferentes procesos o condiciones fisiológicas del cerebro es importante para poder desarrollar interfaces computacionales que traduzcan las señales eléctricas cerebrales a comandos computacionales de control. Un ele...

Full description

Autores:
FERNANDEZ FRAGA, SANTIAGO
RANGEL MONDRAGON, JAIME
Tipo de recurso:
Article of journal
Fecha de publicación:
2017
Institución:
Universidad EIA .
Repositorio:
Repositorio EIA .
Idioma:
spa
OAI Identifier:
oai:repository.eia.edu.co:11190/4952
Acceso en línea:
https://repository.eia.edu.co/handle/11190/4952
https://doi.org/10.24050/reia.v14i27.864
Palabra clave:
Dimensión Fractal
Higuchi
Katz
Multiresolución de Conteo de Cajas
señales EEG.
Inteligencia Artificial
Reconocimiento de Patrones
Bioinformatica
Rights
openAccess
License
Revista EIA - 2017
id REIA2_61507cec270383c452b04d1122bf5aff
oai_identifier_str oai:repository.eia.edu.co:11190/4952
network_acronym_str REIA2
network_name_str Repositorio EIA .
repository_id_str
dc.title.spa.fl_str_mv Comparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por Eventos
dc.title.translated.eng.fl_str_mv Comparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por Eventos
title Comparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por Eventos
spellingShingle Comparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por Eventos
Dimensión Fractal
Higuchi
Katz
Multiresolución de Conteo de Cajas
señales EEG.
Inteligencia Artificial
Reconocimiento de Patrones
Bioinformatica
title_short Comparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por Eventos
title_full Comparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por Eventos
title_fullStr Comparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por Eventos
title_full_unstemmed Comparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por Eventos
title_sort Comparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por Eventos
dc.creator.fl_str_mv FERNANDEZ FRAGA, SANTIAGO
RANGEL MONDRAGON, JAIME
dc.contributor.author.spa.fl_str_mv FERNANDEZ FRAGA, SANTIAGO
RANGEL MONDRAGON, JAIME
dc.subject.spa.fl_str_mv Dimensión Fractal
Higuchi
Katz
Multiresolución de Conteo de Cajas
señales EEG.
Inteligencia Artificial
Reconocimiento de Patrones
Bioinformatica
topic Dimensión Fractal
Higuchi
Katz
Multiresolución de Conteo de Cajas
señales EEG.
Inteligencia Artificial
Reconocimiento de Patrones
Bioinformatica
description La obtención de información por medio de la medición de señales registradas durante diferentes procesos o condiciones fisiológicas del cerebro es importante para poder desarrollar interfaces computacionales que traduzcan las señales eléctricas cerebrales a comandos computacionales de control. Un electroencefalograma (EEG) registra la actividad eléctrica del cerebro en respuesta al recibir diferentes estímulos externos (potenciales por eventos). El análisis de estas señales permite identificar y distinguir estados específicos de la función fisiológica del cerebro. La Dimensión Fractal se ha utilizado como una herramienta para el análisis de formas de ondas biomédicas, en particular se ha utilizado para determinar la medida de la complejidad en series de tiempo generadas por EEG. El presente documento pretende analizar series de tiempo biomédicas obtenidas por EEG a las cuales se obtendrán la FD por medio de los métodos Higuchi, Katz y Multi-resolución de Conteo de Cajas, que muestre la relación entre el método para la obtención de la Dimensión Fractal y la condición fisiológica de la señal basada en Potenciales Cerebrales Relacionados por Eventos
publishDate 2017
dc.date.accessioned.none.fl_str_mv 2017-09-12 00:00:00
2022-06-17T20:18:56Z
dc.date.available.none.fl_str_mv 2017-09-12 00:00:00
2022-06-17T20:18:56Z
dc.date.issued.none.fl_str_mv 2017-09-12
dc.type.spa.fl_str_mv Artículo de revista
dc.type.eng.fl_str_mv Journal article
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_6501
http://purl.org/coar/resource_type/c_6501
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/article
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/ARTREF
dc.type.coarversion.spa.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
format http://purl.org/coar/resource_type/c_6501
status_str publishedVersion
dc.identifier.issn.none.fl_str_mv 1794-1237
dc.identifier.uri.none.fl_str_mv https://repository.eia.edu.co/handle/11190/4952
dc.identifier.doi.none.fl_str_mv 10.24050/reia.v14i27.864
dc.identifier.eissn.none.fl_str_mv 2463-0950
dc.identifier.url.none.fl_str_mv https://doi.org/10.24050/reia.v14i27.864
identifier_str_mv 1794-1237
10.24050/reia.v14i27.864
2463-0950
url https://repository.eia.edu.co/handle/11190/4952
https://doi.org/10.24050/reia.v14i27.864
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv M. Bachmann, J. Lass, A. Suhhova and H. Hinrikus, (2013). Spectral asymmetry and Higuchi´s Fractal Dimension Measures of Depression Electrencephalogram, Computational and Mathematical Methods in Medicine, Hindawi Publishing Corporation, vol. 2013, 8 pages.
P. N. Baljekar and H. A. Patil, (2012). A comparison of waveform fractal dimension techniques for voice pathology classification, IEEE ICASPP ISSN 978-1-4673-0046-9, pp. 4461-4464
T. Bojić, A. Vuckovic, A. Kalauzi, (2010). Modeling EEG fractal dimension changes in wake and drowsy states in humans—a preliminary study, Journal of Theoretical Biology, 262, pp. 214-222.
A. Bashashati, R.K. Ward, G.E. Birch, M.R. Hashemi, MA. Khalilzadeh, (2003). Fractal Dimension-Based EEG Biofeedback System, Proceedings of the 25th Annual International Conference of the IEEE EMBS, pp. 2220-2223, 2003.
F. Cervantes-De la Torre, J.I. González-Trejo, C.A. Real-Ramirez and L.F. Hoyos-Reyes,(2013). Fractal dimension algorithms and their application to time series associated with natural phenomena, 4th National Meeting in Chaos, Comlex Sustem and Time Series, Journal o Physics: Conference Series, 475, 10 pages.
A. Delorme and S. Makeig, (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics. Journal of Neuroscience Methods, 134:9-21. Dubravka R. Jevtić, and Milorad P. Paskaš, (2011). Application of Katz Algorithm for Fractal Dimension in Analysis of Room Impulse Response, 19th Telecommunications forum TELFOR 2011, pp. 1063-1066.
D. Easwaramoorthy and R. Uthayakumar, (2010). Analysis of EEG Signals using Advanced Generalized Fractal Dimensions, Second International conference on Computing, Communication and Networking Technologies, 978-1-4244-6589-7, 6 pages.
R. Esteller, G. Vachtsevanos, J. Echauz, and B. Litt, (2001). A Comparison of Waveform Fractal Dimension Algorithms, IEEE Transactions on Circuits and Systems-I: fundamental theory and applications, vol. 48, no. 2, pp. 177-183, 2001.
G. Gálvez Coyt, A. Muñoz Diosdado, J. A. Balderas López, J. L. del Rio Correa, and F. Angulo Brown, (2013). Higuchi’s Method applied to the detection of periodic components in time series and its application to seismograms, COMPLEX SYSTEMS Revista Méxicana de Física, S 59 (1), pp. 1-6.
S. Georgiev, Z. Minchev, C. Christova, D. Philipova, (2009). EEG Fractal Dimension Measurement before and after Human Auditory Stimulation, Bioautomaton, pp. 70-81. B. P. Harne, (2014). Higuchi Fractal Dimension Analysis of EEG Signal before and after OM Chanting to Observe Overall Effect on Brain, International Journal of Electrical and Computer Engineering (IJECE), vol. 4 pp. 585-592. HeadIT, Swartz Center for Computational Neuroscience (SCCN) of the University of California, San Diego. Its development has been funded by U.S. National Institutes of Health grants R01-MH084819 (Makeig, Grethe PIs) and R01-NS047293 (Makeig PI).
M. Katz, (1988). Fractals and the analysis of waveforms, Computers in Biology and Medicine, vol. 18, pp. 145-156. T. Q. D. Khoa, V. Q. Ha and V. V. Toi, (2012). Higuchi Fractal Properties of Onset Epilepsy Electroencephalogram, Computational and Mathematical Methods in Medicine, Hindawi Publishing Corporation, vol. 2012, 6 pages.
C. K. Loo, A. Samraj and G. C. Lee, (2011). Evaluation of Methods for Estimating Fractal Dimension in Motor Imagery-Based Brain Computer Interface, Hindawi Publishing Corporation, Discrete Dynamics in Nature and Society Vol. 2011, Article ID 724697, 8 pages.
W. Lutzenberger, H. Preissl, F. Pulvermüller, (1995). Fractal dimension of electroencephalographic time series and underlying brain processes, Biological Cybernetics Springer-Verlag, vol. 73, pp. 477-482.
S. Makeig, A. Delorme, M. Westerfield, T-P. Jung, J. Townsend, E. Courchesne and T. J. Sejnowski, (2004). Electroencephalographic brain dynamics following visual targets requiring manual responses, Public Library of Science Biology, 29 pages.
S. Makeig, M. Westerfield, T-P Jung, J. Covington, J. Townsend,T. J. Sejnowski, and E. Courchesne, (1999). Functionally Independent Components of the Late Positive Event-Related Potential during Visual Spatial Attention, The Journal of Neuroscience, 19 (7), pp. 2665-2680.
A. S. Martins, L. A. Neves, M. Z. Nascimento, M. F. Godoy, E. L. Flores and G. A. Carrijo, (2012). Multiscale Fractal Descriptors and Polynomial Classifier for Partial Pixels Identification in Regions of Interest of Mammographic Images, IEEE Latin America Transactions, Vol. 10, No. 4, pp. 1999-2005.
G. Millán, E. S. Juan and M. Jamett, (2014). Simple Estimator of the Hurst Exponent for Self-Similar Traffic Flows, IEEE Latin America Transactions, Vol. 12, No. 8, pp. 1341-1346.
Müller K.R., and Mattia D. (2010). Combining Brain-Computer Interfaces and Assistive Technologies: State-of-the-Art and Challenges. Frontiers in Neuroscience, Vol 4, pp.161.
H. H. Mueller, (2010) “QEEG Brain Mapping, Evaluating the rhythms of the Brain”, Edmonton Neurotherapy, 2010, On line http://www.edmontonneurotherapy.com/Edmonton_Neurotherapy_QEEG_brain_mapping.html.
P. Paramanathan, R. Uthayakumar, (2008), Application of fractal theory in analysis of human electroencephalographic signals, Computers in Biology and Medicine, no. 38, pp. 372-378
P. Paramanathan and R. Uthayakumar, (2007). Detecting Patterns in Irregular Time Series with Fractal Dimension, International Conference on Computational Intelligence and Multimedia Applications, pp. 323-327.
F. R. Perlingeiro, L. L. Ling, (2005). Uma Nova Abordagem para Estimação da Banda Efetiva em Processos Fractais. IEEE Latin America Transactions, Vol. 3, No. 5, pp. 436-446.
G. E. Polychronaki, P. Y. Ktonas, S. Gatzonis, A Siatouni, P. A. Asvestas, H. Tsekou, D. Sakas and K. S. Nikita, (2010). Comparison of fractal dimension estimation algorithms for epileptic seizure onset detection, Journal of Neural Engineering, 046007, 18 pages.
B. S. Raghavendra, and D. N. Dutt, (2010). Computing Fractal Dimension of Signals using Multiresolution Box-counting Method, International Journal of Information and Mathematical Sciences, 6:1, pp. 50-65.
B. S. Raghavendra and D. N. Dutt, (2009). A note on fractal dimensions of biomedical waveforms, Computers in Biology and Medicine, 39, pp. 1006-1012.
S. Spasić, Lj. Nikolić, D. Mutavdžić, J. Šaponjić, (2011). Independent complexity patterns in single neuron activity induced by static magnetic field, Computer Methods and Programs in Biomedicine, vol. 104, pp. 212-218.
Sabogal S., Arenas G. (2011). Una Introducción a la geometría Fractal, Escuela de Matemáticas, Universidad Industrial de Santander. Bucaramanga, Cap I, pp. 2-15.
dc.relation.bitstream.none.fl_str_mv https://revistas.eia.edu.co/index.php/reveia/article/download/864/1093
dc.relation.citationedition.spa.fl_str_mv Núm. 27 , Año 2017
dc.relation.citationendpage.none.fl_str_mv 83
dc.relation.citationissue.spa.fl_str_mv 27
dc.relation.citationstartpage.none.fl_str_mv 73
dc.relation.citationvolume.spa.fl_str_mv 14
dc.relation.ispartofjournal.spa.fl_str_mv Revista EIA
dc.rights.spa.fl_str_mv Revista EIA - 2017
dc.rights.uri.spa.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Revista EIA - 2017
https://creativecommons.org/licenses/by-nc-sa/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Fondo Editorial EIA - Universidad EIA
dc.source.spa.fl_str_mv https://revistas.eia.edu.co/index.php/reveia/article/view/864
institution Universidad EIA .
bitstream.url.fl_str_mv https://repository.eia.edu.co/bitstreams/32515472-e9bc-4de4-a993-2fcc5bfa23b7/download
bitstream.checksum.fl_str_mv 7806312f4db3207d5c0c99298dd7292d
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositorio Institucional Universidad EIA
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1808400304494870528
spelling FERNANDEZ FRAGA, SANTIAGO5545944caa6b262cc012c7be0b2abad5300RANGEL MONDRAGON, JAIME02bcf40c355ce9cde3448e0640a8fe1d3002017-09-12 00:00:002022-06-17T20:18:56Z2017-09-12 00:00:002022-06-17T20:18:56Z2017-09-121794-1237https://repository.eia.edu.co/handle/11190/495210.24050/reia.v14i27.8642463-0950https://doi.org/10.24050/reia.v14i27.864La obtención de información por medio de la medición de señales registradas durante diferentes procesos o condiciones fisiológicas del cerebro es importante para poder desarrollar interfaces computacionales que traduzcan las señales eléctricas cerebrales a comandos computacionales de control. Un electroencefalograma (EEG) registra la actividad eléctrica del cerebro en respuesta al recibir diferentes estímulos externos (potenciales por eventos). El análisis de estas señales permite identificar y distinguir estados específicos de la función fisiológica del cerebro. La Dimensión Fractal se ha utilizado como una herramienta para el análisis de formas de ondas biomédicas, en particular se ha utilizado para determinar la medida de la complejidad en series de tiempo generadas por EEG. El presente documento pretende analizar series de tiempo biomédicas obtenidas por EEG a las cuales se obtendrán la FD por medio de los métodos Higuchi, Katz y Multi-resolución de Conteo de Cajas, que muestre la relación entre el método para la obtención de la Dimensión Fractal y la condición fisiológica de la señal basada en Potenciales Cerebrales Relacionados por EventosLa obtención de información por medio de la medición de señales registradas durante diferentes procesos o condiciones fisiológicas del cerebro es importante para poder desarrollar interfaces computacionales que traduzcan las señales eléctricas cerebrales a comandos computacionales de control. Un electroencefalograma (EEG) registra la actividad eléctrica del cerebro en respuesta al recibir diferentes estímulos externos (potenciales por eventos). El análisis de estas señales permite identificar y distinguir estados específicos de la función fisiológica del cerebro. La Dimensión Fractal se ha utilizado como una herramienta para el análisis de formas de ondas biomédicas, en particular se ha utilizado para determinar la medida de la complejidad en series de tiempo generadas por EEG. El presente documento pretende analizar series de tiempo biomédicas obtenidas por EEG a las cuales se obtendrán la FD por medio de los métodos Higuchi, Katz y Multi-resolución de Conteo de Cajas, que muestre la relación entre el método para la obtención de la Dimensión Fractal y la condición fisiológica de la señal basada en Potenciales Cerebrales Relacionados por Eventosapplication/pdfspaFondo Editorial EIA - Universidad EIARevista EIA - 2017https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://revistas.eia.edu.co/index.php/reveia/article/view/864Dimensión FractalHiguchiKatzMultiresolución de Conteo de Cajasseñales EEG.Inteligencia ArtificialReconocimiento de PatronesBioinformaticaComparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por EventosComparativo de los Algoritmos de Dimensión Fractal Higuchi, Katz y Multiresolución de Conteo de Cajas en Señales EEG Basadas en Potenciales Relacionados por EventosArtículo de revistaJournal articlehttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionTexthttp://purl.org/redcol/resource_type/ARTREFhttp://purl.org/coar/version/c_970fb48d4fbd8a85M. Bachmann, J. Lass, A. Suhhova and H. Hinrikus, (2013). Spectral asymmetry and Higuchi´s Fractal Dimension Measures of Depression Electrencephalogram, Computational and Mathematical Methods in Medicine, Hindawi Publishing Corporation, vol. 2013, 8 pages.P. N. Baljekar and H. A. Patil, (2012). A comparison of waveform fractal dimension techniques for voice pathology classification, IEEE ICASPP ISSN 978-1-4673-0046-9, pp. 4461-4464T. Bojić, A. Vuckovic, A. Kalauzi, (2010). Modeling EEG fractal dimension changes in wake and drowsy states in humans—a preliminary study, Journal of Theoretical Biology, 262, pp. 214-222.A. Bashashati, R.K. Ward, G.E. Birch, M.R. Hashemi, MA. Khalilzadeh, (2003). Fractal Dimension-Based EEG Biofeedback System, Proceedings of the 25th Annual International Conference of the IEEE EMBS, pp. 2220-2223, 2003.F. Cervantes-De la Torre, J.I. González-Trejo, C.A. Real-Ramirez and L.F. Hoyos-Reyes,(2013). Fractal dimension algorithms and their application to time series associated with natural phenomena, 4th National Meeting in Chaos, Comlex Sustem and Time Series, Journal o Physics: Conference Series, 475, 10 pages.A. Delorme and S. Makeig, (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics. Journal of Neuroscience Methods, 134:9-21. Dubravka R. Jevtić, and Milorad P. Paskaš, (2011). Application of Katz Algorithm for Fractal Dimension in Analysis of Room Impulse Response, 19th Telecommunications forum TELFOR 2011, pp. 1063-1066.D. Easwaramoorthy and R. Uthayakumar, (2010). Analysis of EEG Signals using Advanced Generalized Fractal Dimensions, Second International conference on Computing, Communication and Networking Technologies, 978-1-4244-6589-7, 6 pages.R. Esteller, G. Vachtsevanos, J. Echauz, and B. Litt, (2001). A Comparison of Waveform Fractal Dimension Algorithms, IEEE Transactions on Circuits and Systems-I: fundamental theory and applications, vol. 48, no. 2, pp. 177-183, 2001.G. Gálvez Coyt, A. Muñoz Diosdado, J. A. Balderas López, J. L. del Rio Correa, and F. Angulo Brown, (2013). Higuchi’s Method applied to the detection of periodic components in time series and its application to seismograms, COMPLEX SYSTEMS Revista Méxicana de Física, S 59 (1), pp. 1-6.S. Georgiev, Z. Minchev, C. Christova, D. Philipova, (2009). EEG Fractal Dimension Measurement before and after Human Auditory Stimulation, Bioautomaton, pp. 70-81. B. P. Harne, (2014). Higuchi Fractal Dimension Analysis of EEG Signal before and after OM Chanting to Observe Overall Effect on Brain, International Journal of Electrical and Computer Engineering (IJECE), vol. 4 pp. 585-592. HeadIT, Swartz Center for Computational Neuroscience (SCCN) of the University of California, San Diego. Its development has been funded by U.S. National Institutes of Health grants R01-MH084819 (Makeig, Grethe PIs) and R01-NS047293 (Makeig PI).M. Katz, (1988). Fractals and the analysis of waveforms, Computers in Biology and Medicine, vol. 18, pp. 145-156. T. Q. D. Khoa, V. Q. Ha and V. V. Toi, (2012). Higuchi Fractal Properties of Onset Epilepsy Electroencephalogram, Computational and Mathematical Methods in Medicine, Hindawi Publishing Corporation, vol. 2012, 6 pages.C. K. Loo, A. Samraj and G. C. Lee, (2011). Evaluation of Methods for Estimating Fractal Dimension in Motor Imagery-Based Brain Computer Interface, Hindawi Publishing Corporation, Discrete Dynamics in Nature and Society Vol. 2011, Article ID 724697, 8 pages.W. Lutzenberger, H. Preissl, F. Pulvermüller, (1995). Fractal dimension of electroencephalographic time series and underlying brain processes, Biological Cybernetics Springer-Verlag, vol. 73, pp. 477-482.S. Makeig, A. Delorme, M. Westerfield, T-P. Jung, J. Townsend, E. Courchesne and T. J. Sejnowski, (2004). Electroencephalographic brain dynamics following visual targets requiring manual responses, Public Library of Science Biology, 29 pages.S. Makeig, M. Westerfield, T-P Jung, J. Covington, J. Townsend,T. J. Sejnowski, and E. Courchesne, (1999). Functionally Independent Components of the Late Positive Event-Related Potential during Visual Spatial Attention, The Journal of Neuroscience, 19 (7), pp. 2665-2680.A. S. Martins, L. A. Neves, M. Z. Nascimento, M. F. Godoy, E. L. Flores and G. A. Carrijo, (2012). Multiscale Fractal Descriptors and Polynomial Classifier for Partial Pixels Identification in Regions of Interest of Mammographic Images, IEEE Latin America Transactions, Vol. 10, No. 4, pp. 1999-2005.G. Millán, E. S. Juan and M. Jamett, (2014). Simple Estimator of the Hurst Exponent for Self-Similar Traffic Flows, IEEE Latin America Transactions, Vol. 12, No. 8, pp. 1341-1346.Müller K.R., and Mattia D. (2010). Combining Brain-Computer Interfaces and Assistive Technologies: State-of-the-Art and Challenges. Frontiers in Neuroscience, Vol 4, pp.161.H. H. Mueller, (2010) “QEEG Brain Mapping, Evaluating the rhythms of the Brain”, Edmonton Neurotherapy, 2010, On line http://www.edmontonneurotherapy.com/Edmonton_Neurotherapy_QEEG_brain_mapping.html.P. Paramanathan, R. Uthayakumar, (2008), Application of fractal theory in analysis of human electroencephalographic signals, Computers in Biology and Medicine, no. 38, pp. 372-378P. Paramanathan and R. Uthayakumar, (2007). Detecting Patterns in Irregular Time Series with Fractal Dimension, International Conference on Computational Intelligence and Multimedia Applications, pp. 323-327.F. R. Perlingeiro, L. L. Ling, (2005). Uma Nova Abordagem para Estimação da Banda Efetiva em Processos Fractais. IEEE Latin America Transactions, Vol. 3, No. 5, pp. 436-446.G. E. Polychronaki, P. Y. Ktonas, S. Gatzonis, A Siatouni, P. A. Asvestas, H. Tsekou, D. Sakas and K. S. Nikita, (2010). Comparison of fractal dimension estimation algorithms for epileptic seizure onset detection, Journal of Neural Engineering, 046007, 18 pages.B. S. Raghavendra, and D. N. Dutt, (2010). Computing Fractal Dimension of Signals using Multiresolution Box-counting Method, International Journal of Information and Mathematical Sciences, 6:1, pp. 50-65.B. S. Raghavendra and D. N. Dutt, (2009). A note on fractal dimensions of biomedical waveforms, Computers in Biology and Medicine, 39, pp. 1006-1012.S. Spasić, Lj. Nikolić, D. Mutavdžić, J. Šaponjić, (2011). Independent complexity patterns in single neuron activity induced by static magnetic field, Computer Methods and Programs in Biomedicine, vol. 104, pp. 212-218.Sabogal S., Arenas G. (2011). Una Introducción a la geometría Fractal, Escuela de Matemáticas, Universidad Industrial de Santander. Bucaramanga, Cap I, pp. 2-15.https://revistas.eia.edu.co/index.php/reveia/article/download/864/1093Núm. 27 , Año 201783277314Revista EIAPublicationOREORE.xmltext/xml2749https://repository.eia.edu.co/bitstreams/32515472-e9bc-4de4-a993-2fcc5bfa23b7/download7806312f4db3207d5c0c99298dd7292dMD5111190/4952oai:repository.eia.edu.co:11190/49522023-07-25 17:04:34.927https://creativecommons.org/licenses/by-nc-sa/4.0/Revista EIA - 2017metadata.onlyhttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.com

Publicaciones similares