Regresión y caracterización de señales electroencefalográficas empleando técnicas de inteligencia artificial

dc.contributorJaramillo Diaz, Ricardo
dc.creatorBarahona García, María Alejandra
dc.creatorJaramillo Marín, Laura Verónica
dc.date2022-08-17T21:03:09Z
dc.date2022-08-17T21:03:09Z
dc.date2022
dc.date.accessioned2022-09-22T12:30:35Z
dc.date.available2022-09-22T12:30:35Z
dc.identifierBarahona García, A., Jaramillo Marín, V., Jaramillo Díaz, R. (2022). REGRESIÓN Y CARACTERIZACIÓN DE SEÑALES ELECTROENCEFALOGRÁFICAS EMPLEANDO TÉCNICAS DE INTELIGENCIA ARTIFICIAL[Tesis de Pregrado Universidad ECCI]. Repositorio Institucional – Universidad ECCI
dc.identifierhttps://repositorio.ecci.edu.co/handle/001/3002
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/3421271
dc.descriptionEl 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.
dc.descriptionContenido Título De La Investigación 11 1. Introducción 11 2. Planteamiento Del Problema 15 3. Justificación 16 4. Hipótesis 17 5. Objetivos 18 5.1 Objetivo General 18 5.2 Objetivos Específicos 18 6. Estado Del Arte 19 7. Marco De Referencia 22 7.1 El Cerebro 22 7.2 Plasticidad Cerebral 27 7.3 Accidente Cerebrovascular 27 7.4 Electroencefalografía, EEG 30 7.5 Inteligencia Artificial (IA) 36 7.5.1 Concepto 36 7.5.2 Tipos de Inteligencia Artificial 37 7.5.3 Componentes 37 7.6 Interfaz Cerebro-Máquina 37 7.7 Aprendizaje Automático 38 7.7.1 Tipos De Aprendizaje 38 7.8 Algoritmos de regresión 39 7.8.1 Árboles de decisión 39 7.8.2 Bosques aleatorios 40 7.8.3 Máquinas de soporte vectorial 40 7.8.4 Redes neuronales 40 7.9 Métricas de Evaluación 41 8. Metodología 43 8.1 Origen de las señales de EEG procesada 43 8.2 Delimitación de grupo de señales a utilizar 44 8.3 Preprocesamiento 45 8.4 Entrenamiento de algoritmos 48 9. Resultados 51 9.1 Preprocesamiento de los Datos 51 9.2 Algoritmos de Regresión 53 9.2.1 Árboles de decisión 53 9.2.2 Bosques Aleatorios 55 9.2.3 Máquina de Soporte Vectorial 58 9.2.4 Red Neuronal 59 9.2.5 Tiempo de ejecución de procesos en R 60 9.2.6 Comparación evaluación de métricas algoritmos de regresión 61 10. Discusión 62 11. Conclusiones 64 11. Bibliografía 65
dc.descriptionPregrado
dc.descriptionIngeniero en Biomédica
dc.descriptionIngeniería Biomédica
dc.format69 p.
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherUniversidad ECCI
dc.publisherColombia
dc.publisherFacultad de Ingenierías
dc.relationAdhikaria, B., Epstein, B., & Dhamala, M. (2017). Enhanced brain network activity in complex movement rhythms: a simultaneous fMRI-EEG study. Brain Connectivity, 1-40. doi:10.1089/brain.2017.0547)
dc.relationAfifi, A., & Bergman, R. (2018). Neuro Anatomía Funcional. Mc Graw Hill
dc.relationAlvarez Estevez, D. (2019). European Data Format. (EDF PLUS) Obtenido de European Data Format: https://www.edfplus.info/
dc.relationAmat Rodrigo, J. (Febrero de 2017). Árboles de decisión, random forest, gradient boosting y C5.0. Obtenido de Ciencia de datos: https://www.cienciadedatos.net/documentos/33_arboles_de_prediccion_bagging_random_forest_boosting#%C3%81rboles_de_regresi%C3%B3n
dc.relationAmerican Heart Association. (2021). Heart Disease and Stroke Statistics 2021 Update. doi:10.1161/CIR.0000000000000950
dc.relationAnyanwu, Matthew & Shiva, S. (2009). Comparative Analysis of Serial Decision Tree Classification Algorithms. International Journal of Computer Science and Security., 230-239. Obtenido de https://www.researchgate.net/publication/41822936_Comparative_Analysis_of_Serial_Decision_Tree_Classification_Algorithms
dc.relationBenjamin EJ, Blaha MJ, Chiuve SE, Cushman M, Das SR , Deo R, . . . Gillespie C Isas. (Enero de 2017). Heart Disease and Stroke Statistics 2017. AHA JOURNALS(133), 447- 454.
dc.relationBitbrain. (30 de Abril de 2020). Colocación de electrodos EEG en un Layout Fijo vs. Variable. (Neurotecnología) Obtenido de https://www.bitbrain.com/es/blog/colocacion-electrodos-eeg
dc.relationBoden, M. (2016). Inteligencia Artificial. Turner Noema.
dc.relationBorge, J. N. (12 de Junio de 2017). Universidad de Cantabria, Tema 2. Motilidad del tracto intestinal. Obtenido de https://ocw.unican.es/mod/page/view.php?id=565#:~:text=Potenciales%20en%20meseta%20y%20espigas,que%20el%20parasimp%C3%A1tico%20las%20estimula.
dc.relationBurns, P. (2011). TheR Inferno. Obtenido de https://www.burns-stat.com/pages/Tutor/R_inferno.pdf
dc.relationCameron, C., & Windmeijer, F. (2012). R-Squared Measures for Count Data Regression Models With Applications to Health-Care Utilization. Journal of Business & Economic Statistics, 37-41. doi:https://doi.org/10.1080/07350015.1996.10524648
dc.relationCaplan, L. R. (2009). CAPLAN’S STROKE: A CLINICAL APPROACH, FOURTH EDITION. Saunders Elseiver.
dc.relationCárdenas Gómez, W. (2021). "Identificación Y Monitoreo De Señales Cerebrales Que Intervienen En Movimientos Involuntarios De Articulaciones en Pacientes Con Parkinson". Torreón, Coahuila: Tecnológico Nacional de México Instituto Tecnológico
dc.relationCDC. (17 de Septiembre de 2017). Prevención de Muertes por Accidente Cerebro Vascula. Obtenido de CDC: https://www.cdc.gov/spanish/signosvitales/accidentes-cerebrovasculares/index.html#:~:text=Cada%20a%C3%B1o%2C%20casi%20800%20000,los%20accidentes%20cerebrovasculares%20son%20prevenibles.
dc.relationChen, Z., Shen, X., Chen, S., & Dai, K. (2017). Translational Medicine Research in Stroke. (P. A.Lapchak, & G.-Y. Yang, Edits.) Springer. doi:10.1007/978-981-10-5804-2
dc.relationCiaburro, G., & Venkateswaran, B. (2017). Neural Networks with R Smart models using CNN, RNN, deep learning, and artificial intelligence principles. Mapt.
dc.relationConstantino, I. (2009). Bleeding in the brain. Nature America, 15(10), 1131-1132. doi:https://doi.org/10.1038/nm1009-1131
dc.relationCopeland, B. (2022). Inteligencia artificial Enciclopedia Britannica. Obtenido de https://www.britannica.com/technology/artificial-intelligence
dc.relationCramer, S. C. (18 de Enero de 2018). Journal Of Stroke. Journal Of Stroke, 57-70. doi:https://doi.org/10.5853/jos.2017.02796
dc.relationCramer, S. C., Wolf, S. L., Adams, H. P., Chen, D., Dromerick, A. W., Dunning, K., . . . Broderick, J. P. (Marzo de 2017). Stroke Recovery & Rehabilitation Research: Issues, Opportunities, and the NIH StrokeNet. Stroke, 813-819. doi:10.1161/STROKEAHA.116.015501
dc.relationDan, N., & Bao, L. (2014). Emotional state classification from EEG data using machine learning approach. Neurocomputin, 129, 94-106. doi:10.1016/j.neucom.2013.06.046
dc.relationDelgado, R. (9 de Junio de 2018). Introducción a los Modelos de Regresión en R. Obtenido de RPubs by RStudio: https://rpubs.com/rdelgado/395717
dc.relationDua, R., Ghotra, S. M., & Pentreath, N. (2017). Machine Learning with Spark - Second Edition (Root Mean Squared Log Error). Obtenido de O'REILLY: https://www.oreilly.com/library/view/machine-learning-with/9781785889936/4317943c-9452-4013-99b9-d267a2820b23.xhtml
dc.relationFaust, O., Hagiwara, Y., Hong, T. J., Lih, O. S., & Acharya, U. R. (2 de Abril de 2018). Deep learning for healthcare applications based on physiological signals: A review. Computer Methods and Programs in Biomedicine, 161, 1-13. doi:10.1016/j.cmpb.2018.04.005
dc.relationFrancois, C., & Allaire, J. (2017). Deep Learning whith R (Vol. 1)
dc.relationGlen, S. (2019). RMSE: Root Mean Square Error. Obtenido de StatisticsHowTo.com: Elementary Statistics for the rest of us: https://www.statisticshowto.com/probability-and-statistics/regression-analysis/rmse-root-mean-square-error/
dc.relationHan, K., Chapman, S., & Krawczyk, D. (24 de Enero de 2018). Neuroplasticity of cognitive control networks following cognitive training for chronic traumatic brain injury. NeuroImage: Clinical, 1-49. doi:10.1016/j.nicl.2018.01.030
dc.relationHermann, D. M., & Chopp, M. (2014). Promoting brain remodelling and plasticity for stroke recovery: therapeutic promise and potential pitfalls of clinical translation. Lancet Neurol, 1-23. doi:10.1016/S1474-4422(12)70039-X.
dc.relationHoffman, H. (26 de Abril de 2019). Neuroplasticidad: estimular su cerebro para mejorar la recuperación de un accidente cerebrovascular. (Saebo) Obtenido de https://www.saebo.com/blog/neuroplasticity-stimulating-your-brain-for-stroke-recovery/
dc.relationIBM. (17 de agosto de 2021). Nodos de árbol de decisión: conceptos básicos. Obtenido de https://www.ibm.com/docs/es/spss-modeler/SaaS?topic=options-decision-tree-nodes-basics
dc.relationBM Cloud Education. (03 de Junio de 2020). Artificial Intelligence (AI). Obtenido de https://www.ibm.com/cloud/learn/what-is-artificial-intelligence
dc.relationJaiswal, Sonoo. (2021). Análisis de regresión en aprendizaje automático. (Java T Point) Obtenido de Javatpoint: https://www.javatpoint.com/regression-analysis-in-machine-learning
dc.relationK. Chan, A. (2008). Biomedical Device Technology Principles and Design. Springfield: Charles C Thomas.
dc.relationKara, H., Bayir, A., Ak, A., & Degirmenci, S. (2015). Cerebrovascular ischaemia after carbon monoxide intoxication. Singapore Med J, 56(2), e26-e28. doi:10.11622/smedj.2015030
dc.relationKhan, F., Amatya, B., Galea, M., Gonzenbach, R., & Kesselring, J. (24 de October de 2016). Neurorehabilitation: applied neuroplasticity. J Neurol, 1-13. doi:10.1007/s00415-016-8307-9
dc.relationKim, Phil. (2017). MATLAB DEEP LEARNING:With Machine Learning, Neural Networks and Artificial Intelligence. Seoul, Korea: Apress. doi:DOI 10.1007/978-1-4842-2845-6
dc.relationKumar Chinnamgari, S. (2019). R Machine Learning Projects. Mapt.
dc.relationLazaridis, C., & Smielewski, P. (2013). Optimal cerebral perfusion pressure: are we ready for it? Nerological Research, 35(2), 138-149.
dc.relationLiu, L., Liu, N., Zhang, Y., Li, Y., Rui, X., & Yang, Z. (2020). Machine learning approaches for estimating building energy consumption. IOP Conf. Series, 474, 1-6. doi:10.1088/1755-1315/474/5/052072
dc.relationLópez, P. (29 de 06 de 2020). ¿ Qué es un archivo CSV y para qué sirve? Obtenido de geeknetic: https://www.geeknetic.es/Archivo-CSV/que-es-y-para-que-sirve
dc.relationLotte, F. (2014). A Tutorial on EEG Signal-processing Techniques form Mental-state Recognition in Brain-Computer ibnterfaces. En Guide to Brain-Computer Music Interfacing. London: Springer. doi:10.1007/978-1-4471-6584-2_7
dc.relationMarsland, S. (2015). Machine Learning An Algorithmic Perspective. Taylor & Francis Group.
dc.relationMAYO CLINIC. (Septiembre de 2019). Accidente Cerebrovascular. Obtenido de mayoclinic.org/es-es/diseases-conditions/stroke/symptoms-causes/syc-20350113
dc.relationNidal, K., & Malik, A. (2015). ECG/ERP ANALYSIS METHODS AND APPLICATIONS. Broken Sound Parkway : Taylor & Francis Group.
dc.relationNoticias Parlamento Europeo. (09 de Agosto de 2020). ¿Qupé es la inteligencia artificial y cómo se usa? Obtenido de https://www.europarl.europa.eu/news/es/headlines/society/20200827STO85804/que-es-la-inteligencia-artificial-y-como-se-usa
dc.relationNURORHB; Vinalopó, Vithas ;. (14 de Diciembre de 2017). Lóbulos frontales: funciones cognitivas. Obtenido de https://neurorhb.com/blog-dano-cerebral/lobulos-frontales-funciones-cognitivas/
dc.relationOMS. (09 de Diciembre de 2020). La OMS revela las principales causas de muerte y discapacidad en el mundo: 2000-2019. Obtenido de https://www.who.int/es/news/item/09-12-2020-who-reveals-leading-causes-of-death-and-disability-worldwide-2000-2019
dc.relationOPS. (2021). La carga de las enfermedades cardiovasculares en la Región de las Américas, 2000-2019. Obtenido de Portal de Datos de NMH. Organización Panamerica de la Salud: https://www.paho.org/es/enfermedades-no-transmisibles-salud-mental/portal-datos-enfermedades-no-transmisibles-salud-0
dc.relationOrganización Mundial de la Salud. (9 de diciembre de 2020). Las 10 principales causas de defunción. Obtenido de Organización Mundial de la Salud: https://www.who.int/es/news-room/fact-sheets/detail/the-top-10-causes-of-death
dc.relationOsuna Suárez, E., Caro Henao, L., & P. G. (2016). NEUROANATOMÍA Fundamentos de neuroanatomía estructural, funcional y clínica. Centro Editorial Universidad Nacional de Colombia.
dc.relationPast & Future of Stroke Care in Europe. (10 de Enero de 2017). The CNS Journal, 2(2), 19-23.
dc.relationPérez R, Germán Enrique. (2007). Enfermedad cerebrovascular (Vol. Guia Neurológica 8). Colombia.
dc.relationPiquero, Iván. (26 de 03 de 2021). Diferencia entre sustancia gris y blanca del cerebro. (Psicología-Online ) Obtenido de https://www.psicologia-online.com/diferencia-entre-sustancia-gris-y-blanca-del-cerebro-5603.html
dc.relationPonce Cruz, P. (2010). Inteligencia Artificial Con Aplicaciones A La Ingenieria. Alfaomega.
dc.relationPons, J., Raya, R., & González, J. (2016). Emerging Therapies in Neurorehabilitation II (Vol. 10). Madrid: Springer. doi:10.1007/978-3-319-24901-8
dc.relationRouhiainen, L. (2018). Inteligencia Artificial 101 cosas que debes saber hoy sobre nuestro futuro. Alienta Editorial.
dc.relationRouse, M. (Abril de 2021). ComputerWeekly.es. (Inteligencia Artificial o IA) Obtenido de https://www.computerweekly.com/es/definicion/Inteligencia-artificial-o-IA
dc.relationSammut, C., & Webb, G. (2010). Encyclopedia of Machine Learning. Springer. doi:https://doi.org/10.1007/978-0-387-30164-8
dc.relationSasmita, Andrew Octavian; Kuruvilla, Joshua ; Kiong Ling, Pick. (18 de Abril de 2018). Harnessing Neuroplasticity: Modern Approaches and Clinical Future. (T. &. Francis, Ed.) International Journal of Neuroscience, 1-41. doi:10.1080/00207454.2018.1466781
dc.relationSieger, F. A. (2016). Boletin cardiecol fase II Nº 5. Obtenido de http://www.cardiecol.org/comunidad/bolet%C3%ADn-cardiecol-5-especial-sobre-acv
dc.relationSnell, Richard S ; Sunyer, Claustre Pont;. (2014). Neuroanatomia Clínica. Barcelona: Wolters Kluwer : Lippincott Willians & Wilkins.
dc.relationSullivan, W. (2017). Machine Learning Beginners Guide Algorithms: Supervised & Unsupervised Learning, Decision Tree & Random Forest Introduction. Healthy Pragmatic Solutions Inc. .
dc.relationTheobald, C. (1974). Generalizations of Mean Square Error Applied to Ridge Regression. journal of the Royal Statistical Society: Series B (Medthodological), 36(1), 103-106. doi:https://doi.org/10.1111/j.2517-6161.1974.tb00990.x
dc.relationTortora, G., & Derrickson, B. (s.f.). Principios de Anatomia y fisiología (Vol. 11). Panamericana.
dc.relationVapnik, V., Golowich, S., & Smola, A. (1996). Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing. 281-287.
dc.relationVidatecno.net. (2016). El concepto detrás de las interfaces cerebro computadora. (Vidatecno.net) Obtenido de https://vidatecno.net/el-concepto-detras-de-las-interfaces-cerebro-computadora/
dc.relationWaxman, Stephen G. (2018). Neuroanatomía Clínica (26 ed.). Mc Graw Hill Lange.
dc.relationWEN, T., & ZHANG, Z. (28 de Abril de 2018). Deep Convolution Neural Network and Autoencoders-Based Unsupervised Feature Learning of EEG Signals. IEEE ACCESS, 6, 25399- 25410. doi:10.1109/ACCESS.2018.2833746
dc.relationWenderoth, N. (03 de Abril de 2018). Motor Learning Triggers Neuroplastic Processes While Awake and During Sleep. American College of sports Medicine, 1-32. doi:10.1249/JES.0000000000000154
dc.relationWorld Health Organization. (2019). Stroke, Cerebrovascular accident. Recuperado el 2021, de World Health Organization: http://www.emro.who.int/health-topics/stroke-cerebrovascular-accident/index.html#:~:text=Annually%2C%2015%20million%20people%20worldwide,cause%20is%20high%20blood%20pressure.
dc.relationYoav, M., & Roint, B. (27 de febrero de 2019). Introduction to artificial intelligence in medicine. Minimally Invasive Therapy & Allied Technologies, 28, 73-81.
dc.relationZhang, R., Zhang, Z., & Chopp, M. (2016). Function of neural stem cells in ischemic brain repair processes. Journal of Cerebral Blood Flow &, 1-10. doi:10.1177/0271678X16674487
dc.rightsDerechos Reservados - Universidad ECCI, 2022
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.subjectAccidente Cerebrovascular
dc.subjectNeuroplasticidad
dc.subjectInteligencia artificial
dc.subjectAlgoritmos de regresión
dc.subjectStroke
dc.subjectNeuroplasticity
dc.subjectArtificial Intelligence
dc.subjectRegression Algorithms
dc.titleRegresión y caracterización de señales electroencefalográficas empleando técnicas de inteligencia artificial
dc.typeTrabajo de grado - Pregrado
dc.typehttp://purl.org/coar/resource_type/c_7a1f
dc.typeText
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.typehttps://purl.org/redcol/resource_type/TP
dc.typeinfo:eu-repo/semantics/updatedVersion
dc.typehttp://purl.org/coar/version/c_970fb48d4fbd8a85


Este ítem pertenece a la siguiente institución