Uso de Machine Learning para detectar señales cerebrales de tipo P300 generando estímulos visuales y auditivos.

Vista sencilla de ítem
dc.contributor.advisorPardo Beainy, Camilo Ernesto
dc.contributor.authorPerdomo Cely, Alejandro Jesús
dc.contributor.corporatenameUniversidad Santo Tomásspa
dc.date.accessioned2024-05-27T14:19:23Z
dc.date.available2024-05-27T14:19:23Z
dc.date.issued2024-04-02
dc.descriptionLa señal P300 es un potencial evocado que se produce en la región occipital del cerebro cuando se presenta un cambio visual o auditivo inesperado a un patrón lumínico o sonoro. Este pulso es comúnmente estudiado en el campo de la biomedicina, usado en recuperación parcial de movilidad de pacientes cuadripléjicos por medio de una pantalla con diferentes comandos, en el que el paciente mueve los ojos hacia el comando que desea, y generando la P300 se realiza el comando deseado. Es a partir de aquí, que se le da uso a modelos de aprendizaje de Machine Learning, siendo Regresión Logística, Árbol de Decisión, Máquina de Soporte Vectorial y K Vecinos Más Cercanos, para reconocer características de señales electroencefalográficas con presencia y ausencia de P300 y se les aplica un aumento de datos mejorando los entrenamientos, para así obtener el análisis de los mejores predicadores de la señal cerebral P300.spa
dc.description.abstractThe P300 signal is an evoked potential that occurs in the occipital region of the brain when an unexpected visual or auditory change to a light or sound pattern is presented. This pulse is commonly studied in the field of biomedicine, used in partial recovery of mobility in quadriplegic patients through a screen with different commands, in which the patient moves his eyes towards the desired command, and generating the P300 is performed. the desired command. It is from here that the Machine Learning models are used, being Logistic Regression, Decision Tree, Support Vector Machine and K Nearest Neighbors, to recognize characteristics of electroencephalographic signals with the presence and absence of P300 and an increase in data is applied to them by improving the training, in order to obtain the analysis of the best predictors of the P300 brain signal.spa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero Electronicospa
dc.format.mimetypeapplication/pdf
dc.identifier.citationPerdomo Cely, A. J. (2024). Uso de Machine Learning para detectar señales cerebrales de tipo P300 generando estímulos visuales y auditivos. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.spa
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.identifier.urihttp://hdl.handle.net/11634/55193
dc.language.isospa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.branchCRAI-USTA Tunjaspa
dc.publisher.facultyFacultad de Ingeniería Electrónicaspa
dc.publisher.programPregrado Ingeniería Electrónicaspa
dc.relation.referencesAmarillo, M. (2022). Componentes Comunes del ERP, Parte 1. Bogotá.spa
dc.relation.referencesBiarnés Rabella, C. (2018). Diseño, caracterización y evaluación de electrodos capacitivos para la medida de ECG y EEG. Universitat Politécnica de Catalunya, 12-15.spa
dc.relation.referencesBlanco Díaz, C. F., & Ruiz Olaya, A. F. (2019). Caracterización de señales de EEG relacionadas a potenciales evocados visuales en estado estacionario. Ontare, 18-20.spa
dc.relation.referencesBroggi Angulo, O. A., Koc Gonzáles, D. G., & Martinez Esteban, P. C. (2022). Guía de procedimiento de electroencefalografía y videoelectroencefalografía. San Borja: Ministerio de Salud de la República del Perú.spa
dc.relation.referencesChandra Poonia, R., Singh, V., & Ranjan Nayak, S. (2022). Deep Learning for Sustainable Agriculture, A volume in Cognitive Data Science in Sustainable Computing. India: Elsevier.spa
dc.relation.referencesCohen, M. X. (2014). Advantages and Limitations of Time- and Time-Frequency-Domain Analyses. In M. X. Cohen, Analyzing Neural Time Series Data, Theory and Practice (pp. 15-30). London: The MIT Press.spa
dc.relation.referencesEl sistema 10-20 se utiliza en electroencefalografía (EEG). (s.f.). Obtenido de GVB geliMED GmbH: https://gvb-gelimed.com/es/10-20-elektrodensystem-in-der-elektroenzephalografie-eeg/spa
dc.relation.referencesElectroencefalografía (EEG). (2018). Obtenido de BrainSigns srl: https://brainsigns.com/es/science/s2/technologies/eegspa
dc.relation.referencesGannouni, S., Aledaily, A., Belwafi, K., & Aboalsamh, H. (2021). Emotion detection using electroencephalography signals and a zero time windowing based epoch estimation and relevant electrode identifcation. Nature Portfolio, 5-7.spa
dc.relation.referencesGarcía, T. T. (2011). Manual básico para enfermeros en electroencefalografía. Especial, 29-33.spa
dc.relation.referencesGonzales, L. (19 de Julio de 2019). K Vecinos más Cercanos – Teoría. Obtenido de aprendeIA: https://aprendeia.com/algoritmo-k-vecinos-mas-cercanos-teoria-machine-learning/spa
dc.relation.referencesHinrichs, H. (2004). Electroencephalography. In J. Moore, & G. Zouridakis, Biomedical Technology and Devices Handbook (pp. 153-173). Boca Raton: CRC Press LLC.spa
dc.relation.referencesHojas, I. M. (s.f.). Regresión Logística en Python. Obtenido de Stat Developer: https://www.statdeveloper.com/regresion-logistica-en-python/spa
dc.relation.referencesKumar, S. (19 de Julio de 2019). Data Augmentation Increases Accuracy of your model — But how ? Obtenido de Medium: https://medium.com/secure-and-private-ai-writing-challenge/data-augmentation-increases-accuracy-of-your-model-but-how-aa1913468722spa
dc.relation.referencesMacías Macías, J. M., Ramirez Quintana, J. A., Méndez Aguirre, J. S., Chacón Murgia, M. I., & Corral Sáenz, A. D. (2020). Procesamiento Embebido de P300 Basado en Red Neuronal Convolucional para Interfaz Cerebro-Computadora Ubicua. ReCIBE. Revista electrónica de Computación, Informática, Biomédica y Electrónica, vol. 9, núm. 2, 1-24. Obtenido de https://www.redalyc.org/journal/5122/512267931005/html/spa
dc.relation.referencesMorillo, L. E. (s.f.). ANÁLISIS VISUAL DEL ELECTROENCEFALOGRAMA. 145-153.spa
dc.relation.referencesN.N. (27 de Septiembre de 2023). Desviación Típica. Obtenido de Wikipedia: https://es.wikipedia.org/wiki/Desviación_típicaspa
dc.relation.referencesNunez, P. L., & Srinivasan, R. (2006). Recording Strategies, Reference Issues, and Dipole Localization. In P. L. Nunez, & R. Srinivasan, Electric Fields of the Brain, The Neurophysics of EEG (pp. 275-313). New York: Oxford University Press.spa
dc.relation.referencesPeirce, J. G. (2019). PsychoPy2: Experiments in behavior made easy. Obtenido de Behavior research methods: https://doi.org/10.3758/s13428-018-01193-yspa
dc.relation.referencesRazavi, M., Janfaza, V., Yamauchi, T., Leontyev, A., Longmire-Monford, S., & Orr, J. (2021). OpenSync: An opensource platform for synchronizing multiple measures in neuroscience experiments. 3-7.spa
dc.relation.referencesRíos P., L., & Álvarez D., C. (2013). Epilepsy diagnostic: update in eeg contribution. Revista Médica Clínica Las Condes, 953-957.spa
dc.relation.referencesRomo, R. (s.f.). Árboles de Decisión / Decision Trees con python. Obtenido de Rubén J. Romo: https://rubenjromo.com/decision-trees/spa
dc.relation.referencesSherman, D., & Walterspacher, D. (2006). Electroencephalography. In J. G. Webster, Encyclopedia of Medical Devices and Instrumentation (pp. 62-83). Hoboken: John Wiley & Sons, Inc.spa
dc.relation.referencesUrgilés Cárdenas, D. F., & Vásquez Rodríguez, G. J. (2017). Implementación de un Sistema BCI para el Análisis del Comportamiento de Bioseñales Neurológicas. 14-32.spa
dc.relation.referencesWallisch, P., Lusignan, M. E., Benayoun, M. D., Baker, T. I., Dickey, A. S., & Hatsopoulos, N. G. (2014). Matlab Tutorial. In P. Wallisch, M. E. Lusignan, M. D. Benayoun, T. I. Baker, A. S. Dickey, & N. G. Hatsopoulos, Matlab for Neuroscientists (pp. 38-53). Oxford: Elsevier.spa
dc.relation.referencesWood, C. C., Truett, A., Goff, W. R., Williamson, P. D., & Spencer, D. D. (2008). On the Neural Origin of P300 in Man. Science Direct, 51-56.spa
dc.relation.referencesZhuang, P., Toro, C., Grafman, J., Manganotti, P., Leocani, L., & Hallett, M. (1996). Event-related desynchronization (ERD) in the alpha frequency during development of implicit and explicit learning. Elsevier, 1-8.spa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keywordMachine Learningspa
dc.subject.keywordP300spa
dc.subject.keywordElectroencephalographyspa
dc.subject.keywordData Augmentationspa
dc.subject.proposalMachine Learningspa
dc.subject.proposalP300spa
dc.subject.proposalElectroencefalografíaspa
dc.subject.proposalAumento de Datosspa
dc.titleUso de Machine Learning para detectar señales cerebrales de tipo P300 generando estímulos visuales y auditivos.spa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driveinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de gradospa
dc.type.versioninfo:eu-repo/semantics/acceptedVersion

Archivos

Bloque original

Mostrando 1 - 5 de 7
Miniatura
Nombre:
2024alejandroperdomo.pdf
Tamaño:
5.49 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2024alejandroperdomo51.pdf
Tamaño:
421.42 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2024alejandroperdomo52.pdf
Tamaño:
374.42 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2024alejandroperdomo53.pdf
Tamaño:
382.81 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2024alejandroperdomo71.pdf
Tamaño:
3.79 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
807 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Pregrado Ingeniería Electrónica