Identificación de tareas motoras a través de algoritmos profundos de clasificación mediante la aplicación de Autoencoders Variacionales

A través del tiempo los autoencoders (AE) se han estado consolidando como una pieza fundamental en el aprendizaje profundo, todo esto gracias a la facilidad en cuanto al entendimiento de los datos observados y al uso de representaciones para generar datos adicionales, más exactamente en el tipo de arquitectura manejado a la hora llevar a cabo un proceso, e implementar esta técnica tradicional de compresión de imágenes para aprender mediante señales electroencefalograficas (EEG) teniendo como principio su concepto, además en aras de aprovechar los beneficios que otorga el uso de Motor Imagery (MI) a la hora de detectar y clasificar tareas específicas a través de la extracción de características de manera precisa y en base al buen rendimiento que se espera obtener. Para este caso en particular se busca desarrollar un enfoque que mediante un modelo de deep learnig basado en VAE para MI, con el fin de clasificar tareas de actividades motoras a partir de señales de EEG, implicando el uso de una red neuronal profunda que se apoye en la estructura del VAE como clasificador

• Autores: Castaño Palacio, Oscar David
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad del Quindío
• Repositorio: Repositorio Universidad del Quindío
• Idioma: spa
• OAI Identifier: oai:bdigital.uniquindio.edu.co:001/6692
• Acceso en línea: https://bdigital.uniquindio.edu.co/handle/001/6692; https://bdigital.uniquindio.edu.co/
• Palabra clave: MI - Motor imagery; BCI - Brain computer interface; Deep learning; VAE - Varational Auto-encoder; EEG: Electroencefalograma
• Rights: openAccess
• License: Derechos Reservados Universidad del Quindío