Detección de ataques epilépticos a partir de señales fisiológicas
85 páginas
- Autores:
-
Carrizosa Botero, Susana
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2019
- Institución:
- Universidad EIA .
- Repositorio:
- Repositorio EIA .
- Idioma:
- spa
- OAI Identifier:
- oai:repository.eia.edu.co:11190/2474
- Acceso en línea:
- https://repository.eia.edu.co/handle/11190/2474
- Palabra clave:
- Epilepsia
Electrocardiografía
Red neuronal
Máquina de vector soporte
Variabilidad cardiaca
Epilepsy
Electrocardiography
Neural network
Support vector machine
Machine learning
Cardiac variability
- Rights
- openAccess
- License
- Derechos Reservados - Universidad EIA, 2019
| id |
REIA2_86fe921e2e3d0061e998cb8cf5cee82d |
|---|---|
| oai_identifier_str |
oai:repository.eia.edu.co:11190/2474 |
| network_acronym_str |
REIA2 |
| network_name_str |
Repositorio EIA . |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección de ataques epilépticos a partir de señales fisiológicas |
| title |
Detección de ataques epilépticos a partir de señales fisiológicas |
| spellingShingle |
Detección de ataques epilépticos a partir de señales fisiológicas Epilepsia Electrocardiografía Red neuronal Máquina de vector soporte Variabilidad cardiaca Epilepsy Electrocardiography Neural network Support vector machine Machine learning Cardiac variability |
| title_short |
Detección de ataques epilépticos a partir de señales fisiológicas |
| title_full |
Detección de ataques epilépticos a partir de señales fisiológicas |
| title_fullStr |
Detección de ataques epilépticos a partir de señales fisiológicas |
| title_full_unstemmed |
Detección de ataques epilépticos a partir de señales fisiológicas |
| title_sort |
Detección de ataques epilépticos a partir de señales fisiológicas |
| dc.creator.fl_str_mv |
Carrizosa Botero, Susana |
| dc.contributor.advisor.spa.fl_str_mv |
Mejía Mejía, Elisa |
| dc.contributor.author.spa.fl_str_mv |
Carrizosa Botero, Susana |
| dc.subject.proposal.spa.fl_str_mv |
Epilepsia Electrocardiografía Red neuronal Máquina de vector soporte Variabilidad cardiaca |
| topic |
Epilepsia Electrocardiografía Red neuronal Máquina de vector soporte Variabilidad cardiaca Epilepsy Electrocardiography Neural network Support vector machine Machine learning Cardiac variability |
| dc.subject.proposal.eng.fl_str_mv |
Epilepsy Electrocardiography Neural network Support vector machine Machine learning Cardiac variability |
| description |
85 páginas |
| publishDate |
2019 |
| dc.date.issued.spa.fl_str_mv |
2019 |
| dc.date.accessioned.spa.fl_str_mv |
2020-08-19T20:28:50Z |
| dc.date.available.spa.fl_str_mv |
2020-08-19T20:28:50Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| 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 |
https://purl.org/redcol/resource_type/TP |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.uri.spa.fl_str_mv |
https://repository.eia.edu.co/handle/11190/2474 |
| dc.identifier.bibliographiccitation.spa.fl_str_mv |
Carrizosa Botero, S. (2019). Detección de ataques epilépticos a partir de señales fisiológicas . (Trabajo de grado). Universidad EIA, Envigado-Antioquia. Recuperado de: http://repository.eia.edu.co/handle/11190/2474 |
| url |
https://repository.eia.edu.co/handle/11190/2474 |
| identifier_str_mv |
Carrizosa Botero, S. (2019). Detección de ataques epilépticos a partir de señales fisiológicas . (Trabajo de grado). Universidad EIA, Envigado-Antioquia. Recuperado de: http://repository.eia.edu.co/handle/11190/2474 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.spa.fl_str_mv |
Derechos Reservados - Universidad EIA, 2019 |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Derechos Reservados - Universidad EIA, 2019 https://creativecommons.org/licenses/by-nc/4.0/ Atribución-NoComercial 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 |
Universidad EIA |
| dc.publisher.department.spa.fl_str_mv |
Biomédica, Mecatrónica y Mecánica |
| dc.publisher.editor.spa.fl_str_mv |
Envigado (Antioquia, Colombia). Universidad EIA, 2019 |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Biomédica |
| dc.source.spa.fl_str_mv |
Repositorio Institucional Universidad EIA |
| institution |
Universidad EIA . |
| bitstream.url.fl_str_mv |
https://repository.eia.edu.co/bitstreams/bc0f4716-8918-4423-bf88-d7a8196382e8/download https://repository.eia.edu.co/bitstreams/eca695e7-de2f-4b02-b217-02e99e208105/download https://repository.eia.edu.co/bitstreams/c5321f89-1f34-4de5-85e8-0a7faa4d0c44/download https://repository.eia.edu.co/bitstreams/de1bb00b-e0c4-4010-9eae-d9865414edc5/download |
| bitstream.checksum.fl_str_mv |
4a92ed30e3dae0011814ff7bdd34771a abfb56b50c958458e0ce21b76ed07008 da9276a8e06ed571bb7fc7c7186cd8fe f06f219fc9af15a6e0220d7c61e74f99 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad EIA |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1814100914488737792 |
| spelling |
Mejía Mejía, Elisa0f079935ff99e31e22a678fa46ec5a1b-1Carrizosa Botero, Susana0dbf25af52c763ea6ad15a9983570cf5-12020-08-19T20:28:50Z2020-08-19T20:28:50Z2019https://repository.eia.edu.co/handle/11190/2474Carrizosa Botero, S. (2019). Detección de ataques epilépticos a partir de señales fisiológicas . (Trabajo de grado). Universidad EIA, Envigado-Antioquia. Recuperado de: http://repository.eia.edu.co/handle/11190/247485 páginasMore than 60 million people suffer from epilepsy, a disease due to neuronal hypersynchronous discharges. Refractory epilepsy is defined when patients do not respond to antiepileptic medications. Therefore, it is necessary to find other methods to control and monitor epileptic seizures. Physiological signals are alternatives to do this. Electroencephalography (EEG) is considered the gold standard method for seizure identification. EEG has the disadvantage of time-limited ambulatory recording. On the other hand, the autonomic nervous system (ANS) exercises control over the heart rate evaluable by electrocardiography (ECG). Epileptic seizures exert an autonomous effect on heart rate variability (HRV) that is a measurable, continuous and non-invasive indicator In this project, different systems of recognition of epileptic seizures were evaluated through ECG signals using characteristics of the HRV and morphological, statistical and frequency characteristics of the ECG. This, implemented in a device that records ECG in real time, could help patients keep better control of their lives and provide information to doctors for a proper diagnosis and follow up. For the development of the project, ECG signals were collected from databases available in free repositories and from institutions providing health services. The use of these signals was endorsed by the Institutional Ethics Committee of the EIA University. These signals were processed and filtered according to different signals quality indexes (SQI), and 56 characteristics of the HRV and ECG were extracted of the entire signal. These characteristics were analyzed by means of statistical methods to choose which contributed to the detection of epileptic seizures. Different neural network classifiers, support vector machines (SVN) and nearest neighbor methods (k-NN) that recognize these patterns were designed and, finally, the validity of these systems was evaluated to differentiate seizures. The SVN with polynomial function of third order obtained 82.8% ± 8.9% sensitivity and 80.78% ± 11.75% specificity. The neural network with three hidden layers obtained 79.8% ± 5.1% sensitivity and 74.1% ± 6.8% specificity. Finally, the k-NN method with k = 3 obtained 75.6% ± 12.6% sensitivity and 68.3% ± 6.4% specificity. These systems of identification of epileptic seizures can contribute to the implementation of new non-invasive technologies for diagnosis and monitoring of patients with epilepsy. The best performing system was the support vector machine.Más de 60 millones de personas sufren de epilepsia, enfermedad debida a descargas hipersincrónicas neuronales. Se habla de epilepsia refractaria cuando los pacientes no responden a los medicamentos antiepilépticos, por lo que se hace necesario la búsqueda de otros métodos para controlar y tener seguimiento sobre las crisis epilépticas. Las señales fisiológicas son una alternativa para esto; la electroencefalografía (EEG) se considera el método por excelencia para la identificación de convulsiones, pero la medición de esta de forma continua es difícil. Por otro lado, el sistema nervioso autónomo (SNA) ejerce un control sobre el ritmo cardiaco evaluable mediante la electrocardiografía (ECG). Las crisis epilépticas tienen un efecto en el SNA y por lo tanto en la variabilidad de la frecuencia cardiaca (VFC), constituyéndose en un indicador medible, continuo y no invasivo. En este trabajo se evaluaron diferentes sistemas de reconocimiento de ataques epilépticos a través de señales de ECG utilizando características de la VFC y características morfológicas, estadísticas y en frecuencia del ECG. Esto, implementado en un dispositivo que registre ECG en tiempo real, podría ayudar a los pacientes a llevar un mejor control de su vida y aportaría información a los médicos para un adecuado diagnóstico y seguimiento. Para el desarrollo del proyecto, se recolectaron señales de ECG a partir de bases de datos disponibles en repositorios libres y de instituciones prestadoras de servicios de salud. El uso de estas señales fue avalado por el Comité Institucional de Ética de la Universidad EIA. Estas señales se procesaron y filtraron según diferentes índices de calidad de señal, y se extrajeron 56 características de la VFC y del ECG en la totalidad de la señal. Después, se analizaron estas características por medio de métodos estadísticos para escoger cuáles contribuían en la detección de ataques epilépticos. Se diseñaron diferentes clasificadores de redes neuronales, máquinas de soporte vectorial (SVN) y métodos del vecino más cercano (k-NN) que reconocieran estos patrones y, por último, se evaluó el funcionamiento de estos sistemas para diferenciar las convulsiones. El SVN con función polinómica de orden 3 obtuvo un 82.8% ± 8.9% de sensibilidad y un 80.78% ± 11.75% de especificidad. La red neuronal con 3 capas ocultas obtuvo un 79.8% ± 5.1% de sensibilidad y un 74.1% ± 6.8% de especificidad. Por último, el método k-NN con k =3 obtuvo un 75.6% ± 12.6% de sensibilidad y un 68.3% ± 6.4% de especificidad. Estos sistemas de identificación de ataques epilépticos pueden contribuir a la implementación de nuevas tecnologías no invasivas de diagnóstico y seguimiento de pacientes con epilepsia. El sistema con mejor rendimiento fue la máquina de soporte vectorial.PregradoIngeniero(a) Biomédico(a)application/pdfspaUniversidad EIABiomédica, Mecatrónica y MecánicaEnvigado (Antioquia, Colombia). Universidad EIA, 2019Ingeniería BiomédicaDerechos Reservados - Universidad EIA, 2019https://creativecommons.org/licenses/by-nc/4.0/El autor de la obra, actuando en nombre propio, hace entrega del ejemplar respectivo y de sus anexos en formato digital o electrónico y autoriza a la ESCUELA DE INGENIERIA DE ANTIOQUIA, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995, y demás normas generales sobre la materia, utilice y use por cualquier medio conocido o por conocer, los derechos patrimoniales de reproducción, comunicación pública, transformación y distribución de la obra objeto del presente documento. PARÁGRAFO: La presente autorización se hace extensiva no sólo a las dependencias y derechos de uso sobre la obra en formato o soporte material, sino también para formato virtual, electrónico, digital, y en red, internet, extranet, intranet, etc., y en general en cualquier formato conocido o por conocer. EL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realiza sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARÁGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la ESCUELA DE INGENIERÍA DE ANTIOQUIA actúa como un tercero de buena fe.info:eu-repo/semantics/openAccessAtribución-NoComercialhttp://purl.org/coar/access_right/c_abf2Repositorio Institucional Universidad EIADetección de ataques epilépticos a partir de señales fisiológicasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionTexthttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_970fb48d4fbd8a85EpilepsiaElectrocardiografíaRed neuronalMáquina de vector soporteVariabilidad cardiacaEpilepsyElectrocardiographyNeural networkSupport vector machineMachine learningCardiac variabilityBIOM0330PublicationTHUMBNAILCarrizosaSusana_2019_DeteccionAtaquesEpilecticos.pdf.jpgCarrizosaSusana_2019_DeteccionAtaquesEpilecticos.pdf.jpgGenerated Thumbnailimage/jpeg7454https://repository.eia.edu.co/bitstreams/bc0f4716-8918-4423-bf88-d7a8196382e8/download4a92ed30e3dae0011814ff7bdd34771aMD54ORIGINALCarrizosaSusana_2019_DeteccionAtaquesEpilecticos.pdfCarrizosaSusana_2019_DeteccionAtaquesEpilecticos.pdfTrabajo de gradoapplication/pdf1933106https://repository.eia.edu.co/bitstreams/eca695e7-de2f-4b02-b217-02e99e208105/downloadabfb56b50c958458e0ce21b76ed07008MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82515https://repository.eia.edu.co/bitstreams/c5321f89-1f34-4de5-85e8-0a7faa4d0c44/downloadda9276a8e06ed571bb7fc7c7186cd8feMD52TEXTCarrizosaSusana_2019_DeteccionAtaquesEpilecticos.pdf.txtCarrizosaSusana_2019_DeteccionAtaquesEpilecticos.pdf.txtExtracted texttext/plain173008https://repository.eia.edu.co/bitstreams/de1bb00b-e0c4-4010-9eae-d9865414edc5/downloadf06f219fc9af15a6e0220d7c61e74f99MD5311190/2474oai:repository.eia.edu.co:11190/24742023-07-25 17:17:34.367https://creativecommons.org/licenses/by-nc/4.0/Derechos Reservados - Universidad EIA, 2019open.accesshttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.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 |