Implementación de aprendizaje automático en un modelo arquitectónico de software para la detección de convulsiones en pacientes con epilepsia
La epilepsia es una enfermedad que, a fecha de 2019, afectaba cerca de 50 millones de personas en todo el mundo, por lo que la convierte en uno de los trastornos neurológicos más comunes. Esta es la razón que hace que trabajar en proyectos que traigan beneficios sobre este trastorno tenga un gran im...
- Autores:
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad Distrital Francisco José de Caldas
- Repositorio:
- RIUD: repositorio U. Distrital
- Idioma:
- spa
- OAI Identifier:
- oai:repository.udistrital.edu.co:11349/29364
- Acceso en línea:
- http://hdl.handle.net/11349/29364
- Palabra clave:
- Ataque epileptico
algoritmo
Aprendizaje automático
Técnicas de clasificación
Epilepsia
EEG
Ingeniería de Sistemas - Tesis y disertaciones académicas
Aprendizaje automático (Inteligencia artificial)
Redes neurales (Informática)
Diseño arquitectónico con ayuda de computador
Convulsiones - Tratamiento
Epilepsia - Tratamiento
Epileptic seizure
Algorithm
Machine learning
Classification Techniques
Epilepsy
EEG
- Rights
- License
- CC0 1.0 Universal
| Summary: | La epilepsia es una enfermedad que, a fecha de 2019, afectaba cerca de 50 millones de personas en todo el mundo, por lo que la convierte en uno de los trastornos neurológicos más comunes. Esta es la razón que hace que trabajar en proyectos que traigan beneficios sobre este trastorno tenga un gran impacto. Hoy en día hay muchas herramientas tecnológicas y computacionales que se pueden usar en pro de mitigar los impactos que tienen enfermedades como la epilepsia. Una de esas herramientas es el Aprendizaje Automático, que, a partir de datos, permite la construcción de modelos para detectar o incluso predecir ataques de epilepsia. El objetivo de este trabajo es la construcción de un modelo que permita detectar ataques de epilepsia a partir de las señales arrojadas por un electroencefalograma (EEG). Para la implementación de dicho modelo se diseñará una arquitectura de software que permita recibir las señales de un EEG, clasificarlas en el modelo y devolver una respuesta con dicha clasificación. Esta respuesta puede ser interpretada por cualquier dispositivo IoT que esté conectado a internet y tenga acceso al servicio de clasificación. |
|---|