{"id":108693,"date":"2018-03-11T10:33:35","date_gmt":"2018-03-11T10:33:35","guid":{"rendered":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/soft-computing-techniques-for-advanced-epileptic-eeg-analysis-and-classification\/"},"modified":"2018-03-11T10:33:35","modified_gmt":"2018-03-11T10:33:35","slug":"soft-computing-techniques-for-advanced-epileptic-eeg-analysis-and-classification","status":"publish","type":"post","link":"https:\/\/www.deberes.net\/tesis\/inteligencia-artificial\/soft-computing-techniques-for-advanced-epileptic-eeg-analysis-and-classification\/","title":{"rendered":"Soft computing techniques for advanced epileptic eeg analysis and classification"},"content":{"rendered":"<h2>Tesis doctoral de <strong> Ling Guo <\/strong><\/h2>\n<p>Introducci\u00f3n la epilepsia es un estado neurol\u00f3gico anormal provocado por una perturbaci\u00f3n el\u00e9ctrica anormal y breve en una zona del cerebro, lo que produce un cambio en la sensaci\u00f3n, la conciencia y el comportamiento, y se caracteriza por convulsiones recurrentes. Afecta al 1% de la poblaci\u00f3n en todo el mundo. Dos tercios de los pacientes epil\u00e9pticos pueden ser tratados con medicamentos, mientras que otro 8% se pueden beneficiar de la cirug\u00eda. Sin embargo, el 25% de las personas con epilepsia seguir\u00e1n teniendo convulsiones y no podr\u00e1n ser tratadas. el electroencefalograma (eeg) es el registro de la actividad el\u00e9ctrica del cerebro y contiene mucha informaci\u00f3n valiosa para la comprensi\u00f3n de esta enfermedad. En los entornos cl\u00ednicos, los neur\u00f3logos han de observar continuamente el eeg para comprender mejor la epilepsia, proceso que es largo y tedioso. Por lo tanto, los esfuerzos para el desarrollo de sistemas de detecci\u00f3n autom\u00e1tica de ataques epil\u00e9pticos mediante el an\u00e1lisis de las se\u00f1ales de eeg son de gran importancia para el diagn\u00f3stico de la epilepsia y su tratamiento. esta investigaci\u00f3n combina t\u00e9cnicas de soft computing como redes neuronales artificiales (rr.Nn.Aa.) Y programaci\u00f3n gen\u00e9tica (pg) con herramientas de procesamiento de se\u00f1al, transformada wavelet y multiwavelet, para realizar un an\u00e1lisis avanzado y clasificaci\u00f3n de la se\u00f1al de eeg relacionada con la enfermedad de epilepsia. concretamente, los principales objetivos de esta tesis son:  (1)   desarrollar un modelo para la detecci\u00f3n de crisis epil\u00e9pticas a trav\u00e9s de la extracci\u00f3n de nuevas caracter\u00edsticas basadas en el an\u00e1lisis escalar wavelet. En este estudio, este an\u00e1lisis se utiliza para extraer nuevas caracter\u00edsticas con el objetivo de clasificar las se\u00f1ales de eeg. Estas nuevas caracter\u00edsticas se combinan con rr.Nn.Aa. Con el objetivo de distinguir entre grabaciones de eeg epil\u00e9pticos y no epil\u00e9pticos.  (2)  proponer un nuevo m\u00e9todo de detecci\u00f3n basada en la t\u00e9cnica de procesamiento multiwavelet. Esta es parte de la teor\u00eda de wavelets, sin embargo, tienen alguna diferencia en comparaci\u00f3n con los wavelets escalares. La aplicaci\u00f3n de wavelets escalares para analizar las se\u00f1ales de eeg es una tarea habitual, mientras que, el uso de multiwavelets para procesar las se\u00f1ales de eeg es un campo de investigaci\u00f3n apenas sin explotar.  (3)  aplicar pg para realizar la extracci\u00f3n autom\u00e1tica de caracter\u00edsticas. El prop\u00f3sito de este estudio es mejorar el los resultados ofrecidos por algoritmo de clasificaci\u00f3n del vecino m\u00e1s cercano (k-nearest neighbor, knn) y reducir la dimensionalidad del conjunto de entrada simult\u00e1neamente. metodolog\u00eda para conseguir estos objetivos, en este trabajo se propone el uso de una metodolog\u00eda que permita aplicar dichas t\u00e9cnicas de la siguiente manera:   en el primer m\u00e9todo, las se\u00f1ales de eeg en primer lugar se descomponen mediante la transformada wavelet discreta en varias se\u00f1ales, y de cada una de ellas se extraen caracter\u00edsticas basadas en la energ\u00eda relativa de wavelet y la longitud de l\u00ednea, que se usan para clasificar las se\u00f1ales originales de eeg, mediante el uso de rr.Nn.Aa. Como sistema de clasificaci\u00f3n.   en el segundo m\u00e9todo, se usa el an\u00e1lisis multiwavelet para analizar las se\u00f1ales de eeg en lugar de wavelets escalares. Cada se\u00f1al de eeg se descompone en varias se\u00f1ales mediante la transformada multiwavelet. Despu\u00e9s de ello, de cada una de estas se\u00f1ales se extraen diversas caracter\u00edsticas basadas en la entrop\u00eda y en distintos estad\u00edsticos, que ser\u00e1n utilizadas en dos sistemas clasificadores distintos: una rna y el algoritmo knn, con el objetivo de estudiar la posibilidad del uso del an\u00e1lisis multiwavelet en la clasificaci\u00f3n de se\u00f1ales de eeg.   en el tercer m\u00e9todo se utiliza pg para crear un nuevo conjunto de caracter\u00edsticas basado en un anterior conjunto de caracter\u00edsticas cl\u00e1sicas para la detecci\u00f3n de ataques epil\u00e9pticos. La pg es una t\u00e9cnica de la familia de la computaci\u00f3n evolutiva (ce) que en este caso se puede utilizar para generar caracter\u00edsticas de forma \u00f3ptima y artificial. Estas caracter\u00edsticas halladas mediante pg son \u00f3ptimas en el sentido en que la pg maximiza una funci\u00f3n objetivo que mide la precisi\u00f3n de las caracter\u00edsticas artificiales en la tarea distinguir la actividad epil\u00e9ptica de la no epil\u00e9ptica en las se\u00f1ales de eeg. Las caracter\u00edsticas obtenidas mediante pg basada se dicen artificiales porque este algoritmo devuelve resultados hallados de forma computerizada que podr\u00edan no tener significado f\u00edsico. conclusiones en este trabajo se desarrollan, por lo tanto, tres m\u00e9todos de detecci\u00f3n automatizada de crisis epil\u00e9pticas, y se eval\u00faan mediante problemas de clasificaci\u00f3n cl\u00ednica. el primer m\u00e9todo se basa en combinar la transformada wavelet con rr.Nn.Aa. El primer experimento emple\u00f3 la caracter\u00edstica de la energ\u00eda relativa de wavelet, llegando a una precisi\u00f3n en la clasificaci\u00f3n del 95.56% al discriminar eeg normales y epil\u00e9pticos. El segundo experimento se bas\u00f3 en caracter\u00edsticas de longitud de l\u00ednea. En este caso, se consideraron tres problemas de clasificaci\u00f3n de dos clases para evaluar este m\u00e9todo, obteni\u00e9ndose precisiones muy altas en los mismos. la segunda metodolog\u00eda propuesta en este estudio utiliza multiwavelets, una nueva t\u00e9cnica en la familia de la teor\u00eda wavelet, para analizar se\u00f1ales de eeg con el objetivo de detectar actividad de crisis epil\u00e9ptica. En este m\u00e9todo se realizaron dos experimentos basados en la extracci\u00f3n de distintas caracter\u00edsticas. El primero de ellos explora la posibilidad de usar caracter\u00edsticas basadas en la entrop\u00eda de las se\u00f1ales que se derivan del an\u00e1lisis multiwavelet. Estas caracter\u00edsticas se combinaron con una rna como sistema clasificador para discriminar las se\u00f1ales de eeg, obteni\u00e9ndose altas precisiones para los tres problemas de clasificaci\u00f3n. Adicionalmente, se realiz\u00f3 comparaci\u00f3n entre multiwavelets y wavelets escalares y los resultados demostraron que los multiwavelets ofrecieron mejores resultados en este caso de discriminaci\u00f3n de se\u00f1ales de eeg. El segundo experimento emple\u00f3 caracter\u00edsticas basadas en estad\u00edsticos tomados de los coeficientes de los multiwavelets. Los resultados de estos dos experimentos probaron que los multiwavelets tienen un gran potencial en la clasificaci\u00f3n de eeg. la tercera metodolog\u00eda desarrollada en este estudio consiste en aplicar pg para realizar una extracci\u00f3n autom\u00e1tica de caracter\u00edsticas con el objetivo de mejorar los resultados ofrecidos por el clasificador knn y, simult\u00e1neamente, reducir la dimensionalidad del espacio de entradas. Mediante el uso de estas caracter\u00edsticas basadas en pg, las precisiones medias en la clasificaci\u00f3n de los tres problemas se mejoraron entre un 3.5% y un 25% comparado con el uso de las caracter\u00edsticas originales. Al mismo tiempo, la dimensionalidad de las entradas al sistema clasificador se redujo de forma dr\u00e1stica. Para problemas de clasificaci\u00f3n en dos clases, la dimensi\u00f3n de las entradas se redujo de las 25 originales a 3. Para problemas de 3 clases, la dimensi\u00f3n se redujo de las 25 a 4. Adicionalmente, mediante el an\u00e1lisis de las expresiones de las caracter\u00edsticas basadas en pg, se hall\u00f3 que elementos que formaban parte de la base de datos original de caracter\u00edsticas fueron eventualmente descartados por el m\u00e9todo de pg, dado que en el proceso evolutivo se puso de manifiesto que no eran \u00fatiles en la clasificaci\u00f3n. aportaciones la clasificaci\u00f3n de las grabaciones de eeg entre estados normal y anormal es un paso importante en el diagn\u00f3stico y tratamiento de la epilepsia. Esta tesis tiene como contribuci\u00f3n principalmente el desarrollo de tres nuevos m\u00e9todos para la detecci\u00f3n de crisis epil\u00e9pticas. En el primer m\u00e9todo, se muestra c\u00f3mo la energ\u00eda relativa de wavelet en bandas de frecuencia espec\u00edficas y la longitud de l\u00ednea, basadas en la transformada wavelet discreta, son caracter\u00edsticas adecuadas para la detecci\u00f3n de crisis epil\u00e9pticas con un bajo coste computacional y una alta precisi\u00f3n en la discriminaci\u00f3n. En el segundo m\u00e9todo, los resultados de utilizar multiwavelets en el an\u00e1lisis de se\u00f1ales de eeg demuestran el gran potencial de esta herramienta de procesado de se\u00f1ales en el campo de la investigaci\u00f3n en epilepsia. En el tercer m\u00e9todo, el uso de caracter\u00edsticas basadas en pg en problemas de clasificaci\u00f3n de eeg indica que el uso de pg puede generar autom\u00e1ticamente caracter\u00edsticas sin car\u00e1cter f\u00edsico, las cuales no solamente sirven para discriminar se\u00f1ales de eeg, sino que tambi\u00e9n disminuyen la carga de los sistemas de clasificaci\u00f3n. con los a\u00f1os, se ha convertido cada vez m\u00e1s claro que las \u00e1reas de neurociencia, las t\u00e9cnicas de soft computing y el an\u00e1lisis de la se\u00f1al eeg no son \u00e1reas de investigaci\u00f3n disjuntas. M\u00e1s bien, presentan diferentes aspectos y cualquier nuevo conocimiento adquirido a partir de uno puede ser un avance en los dem\u00e1s. Por lo tanto, se espera que los resultados de esta investigaci\u00f3n puedan conducir a un mejor diagn\u00f3stico y tratamiento de las crisis epil\u00e9pticas y una mejor calidad de vida de los millones de personas afectadas por la epilepsia.<\/p>\n<p>&nbsp;<\/p>\n<h3>Datos acad\u00e9micos de la tesis doctoral \u00ab<strong>Soft computing techniques for advanced epileptic eeg analysis and classification<\/strong>\u00ab<\/h3>\n<ul>\n<li><strong>T\u00edtulo de la tesis:<\/strong>\u00a0 Soft computing techniques for advanced epileptic eeg analysis and classification <\/li>\n<li><strong>Autor:<\/strong>\u00a0 Ling Guo <\/li>\n<li><strong>Universidad:<\/strong>\u00a0 A coru\u00f1a<\/li>\n<li><strong>Fecha de lectura de la tesis:<\/strong>\u00a0 26\/05\/2011<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<h3>Direcci\u00f3n y tribunal<\/h3>\n<ul>\n<li><strong>Director de la tesis<\/strong>\n<ul>\n<li>Alejandro Pazos Sierra<\/li>\n<\/ul>\n<\/li>\n<li><strong>Tribunal<\/strong>\n<ul>\n<li>Presidente del tribunal: anselmo Del moral bueno <\/li>\n<li>Ana Mar\u00eda Perfeito tom\u00e9 (vocal)<\/li>\n<li>m. victoria L\u00f3pez alonso (vocal)<\/li>\n<li>elmar wolfgang Lang (vocal)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Tesis doctoral de Ling Guo Introducci\u00f3n la epilepsia es un estado neurol\u00f3gico anormal provocado por una perturbaci\u00f3n el\u00e9ctrica anormal y [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"footnotes":""},"categories":[18576,2528],"tags":[16108,126615,13598,213176,217754,40171],"class_list":["post-108693","post","type-post","status-publish","format-standard","hentry","category-a-coruna","category-inteligencia-artificial","tag-alejandro-pazos-sierra","tag-ana-maria-perfeito-tome","tag-anselmo-del-moral-bueno","tag-elmar-wolfgang-lang","tag-ling-guo","tag-m-victoria-lopez-alonso"],"_links":{"self":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/108693","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/comments?post=108693"}],"version-history":[{"count":0,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/108693\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/media?parent=108693"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/categories?post=108693"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/tags?post=108693"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}