Universidad de Zaragoza Custodiado por la Biblioteca de la Universidad de Zaragoza Premis-plugin for CDSInvenio, developed by Miguel Martín Miguel Martín González
oai:zaguan.unizar.es:9790 2015-03-25
spa Galán Lafarga, Roldán Anteis, Mauricio Evaluación de técnicas de clasificación para detección del movimiento a partir de EEG http://zaguan.unizar.es/record/9790/files/TAZ-PFC-2012-769.pdf El objetivo del presente proyecto ha sido evaluar diferentes técnicas de clasificación que permitan inferir, a partir de una actividad cerebral capturada con EEG, la detección e intención de movimiento en pacientes con hemiplejia. Este tipo de información es muy valiosa en terapias de rehabilitación ya que permite automatizar parte del tratamiento con prótesis robóticas y evaluar de una forma independiente y objetiva el grado de involucramiento del paciente en la tarea. Se enmarca dentro del proyecto CONSOLIDER HYPER, que investiga en el uso de técnicas de aprendizaje automático para el desarrollo de sistemas robóticos aplicados a la rehabilitación. El uso de estas técnicas resulta necesario debido a que las señales eléctricas obtenidas mediante los EEG suponen un enorme conjunto de datos con un espacio de dimensiones muy amplio par realizar análisis manual o por inspección visual. En particular, se han estudiado dos aproximaciones diferentes para la clasificación del movimiento y de la intención del mismo. Por un lado, se han estudiado clasificadores del EEG para cada instante de tiempo independientemente (por puntos de trayectoria). Este tipo de técnicas son las más habituales en la mayoría de investigaciones de clasificación de señales capturadas por EEG, aunque debemos destacar que en su mayor parte se realizan sobre pacientes sanos. La novedad de este trabajo radica en su condición de haber sufrido un infarto cerebral, lo cual complica el análisis. Hemos seleccionado maquinas lineales como Análisis Discriminante (LDA) y no lineales como Máquinas de Soporte Vectorial (SVM). La segunda aproximación, menos habitual en el campo del EEG, se ha realizado analizando clasificadores que tienen en cosideración información de la secuencia completa a analizar. Dentro de este área, nos hemos centrado en los el Modelo Oculto de Márkov (HMM) y en el Campo Aleatorio Condicional (CRF). Hemos trabajado con ondas cerebrales, grabadas con anterioridad, correspondientes al movimiento y al reposo de pacientes que han sufrido infarto cerebral, estudiando los resultados tanto del lado con parálisis como del lado sano. En este proyecto se ha realizado la extracción de las características más adecuadas para, a continuación, evaluar la eficiencia de los distintos algoritmos de aprendizaje automático estudiados. 2014-11-27
9790 20150325140145.0 TAZ-PFC-2012-769 spa Galán Lafarga, Roldán Evaluación de técnicas de clasificación para detección del movimiento a partir de EEG Zaragoza Universidad de Zaragoza 2012 by-nc-sa Creative Commons 3.0 http://creativecommons.org/licenses/by-nc-sa/3.0/ El objetivo del presente proyecto ha sido evaluar diferentes técnicas de clasificación que permitan inferir, a partir de una actividad cerebral capturada con EEG, la detección e intención de movimiento en pacientes con hemiplejia. Este tipo de información es muy valiosa en terapias de rehabilitación ya que permite automatizar parte del tratamiento con prótesis robóticas y evaluar de una forma independiente y objetiva el grado de involucramiento del paciente en la tarea. Se enmarca dentro del proyecto CONSOLIDER HYPER, que investiga en el uso de técnicas de aprendizaje automático para el desarrollo de sistemas robóticos aplicados a la rehabilitación. El uso de estas técnicas resulta necesario debido a que las señales eléctricas obtenidas mediante los EEG suponen un enorme conjunto de datos con un espacio de dimensiones muy amplio par realizar análisis manual o por inspección visual. En particular, se han estudiado dos aproximaciones diferentes para la clasificación del movimiento y de la intención del mismo. Por un lado, se han estudiado clasificadores del EEG para cada instante de tiempo independientemente (por puntos de trayectoria). Este tipo de técnicas son las más habituales en la mayoría de investigaciones de clasificación de señales capturadas por EEG, aunque debemos destacar que en su mayor parte se realizan sobre pacientes sanos. La novedad de este trabajo radica en su condición de haber sufrido un infarto cerebral, lo cual complica el análisis. Hemos seleccionado maquinas lineales como Análisis Discriminante (LDA) y no lineales como Máquinas de Soporte Vectorial (SVM). La segunda aproximación, menos habitual en el campo del EEG, se ha realizado analizando clasificadores que tienen en cosideración información de la secuencia completa a analizar. Dentro de este área, nos hemos centrado en los el Modelo Oculto de Márkov (HMM) y en el Campo Aleatorio Condicional (CRF). Hemos trabajado con ondas cerebrales, grabadas con anterioridad, correspondientes al movimiento y al reposo de pacientes que han sufrido infarto cerebral, estudiando los resultados tanto del lado con parálisis como del lado sano. En este proyecto se ha realizado la extracción de las características más adecuadas para, a continuación, evaluar la eficiencia de los distintos algoritmos de aprendizaje automático estudiados. Ingeniero en Informática Derechos regulados por licencia Creative Commons svm lda hmm crf eeg hemiplejia machine learning clasificación automática señales clasificadores Anteis, Mauricio dir. Universidad de Zaragoza Informática e Ingeniería de Sistemas Lenguajes y Sistemas Informáticos Montesano del Campo, Luis ponente 539891@celes.unizar.es 1141440 http://zaguan.unizar.es/record/9790/files/TAZ-PFC-2012-769.pdf Memoria (spa) oai:zaguan.unizar.es:9790 proyectos-fin-carrera driver TAZ PFC EINA URI http://zaguan.unizar.es/record/9790 SUPPORTED 0 MD5 http://zaguan.unizar.es/record/9790/files/TAZ-PFC-2012-769.md5 0 image/x.djvu 6 http://djvu.sourceforge.net/abstract.html DJVU/6 Profile information Lizardtech Document Express Enterprise 5.1 0 URI http://zaguan.unizar.es/record/9790/files/TAZ-PFC-2012-769.pdf disk Minimum View Print Visualization of DJVU requires specific software, like DjVu Browser Plugin URI http://creativecommons.org/licenses/by-nc/3.0 URI http://creativecommons.org/licenses/by-nc/3.0 license URI http://creativecommons.org/licenses/by-nc/3.0 You are free to adapt, copy, transmite or distribute the work under the following conditions: (1) You must attribute the work in the manner specified by the author or licensor (but not in any way that suggests that they endorse you or your use of the work). (2) You may not use this work for commercial purposes (3) For any reuse or distribution, you must make clear to others the license terms of this work (4) Any of the above conditions can be waived if you get permission from the copyright holder (5) Nothing in this license impairs or restricts the author's moral rights This object is licensed under Creative Common Attribution-NonCommercial 3.0 (further details: http://creativecommons.org/licenses/by-nc/3.0/). Universidad de Zaragoza Automatizacion de Bibliotecas Edif. Matematicas, Pedro Cerbuna 12, 50009 Zaragoza auto.buz@unizar.es