000009790 001__ 9790 000009790 005__ 20150325140145.0 000009790 037__ $$aTAZ-PFC-2012-769 000009790 041__ $$aspa 000009790 1001_ $$aGalán Lafarga, Roldán 000009790 24500 $$aEvaluación de técnicas de clasificación para detección del movimiento a partir de EEG 000009790 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2012 000009790 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000009790 520__ $$aEl 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. 000009790 521__ $$aIngeniero en Informática 000009790 540__ $$aDerechos regulados por licencia Creative Commons 000009790 6531_ $$asvm 000009790 6531_ $$alda 000009790 6531_ $$ahmm 000009790 6531_ $$acrf 000009790 6531_ $$aeeg 000009790 6531_ $$ahemiplejia 000009790 6531_ $$amachine learning 000009790 6531_ $$aclasificación automática señales 000009790 6531_ $$aclasificadores 000009790 700__ $$aAnteis, Mauricio$$edir. 000009790 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cLenguajes y Sistemas Informáticos 000009790 7202_ $$aMontesano del Campo, Luis$$eponente 000009790 8560_ $$f539891@celes.unizar.es 000009790 8564_ $$s1141440$$uhttps://zaguan.unizar.es/record/9790/files/TAZ-PFC-2012-769.pdf$$yMemoria (spa) 000009790 909CO $$ooai:zaguan.unizar.es:9790$$pproyectos-fin-carrera$$pdriver 000009790 950__ $$a 000009790 980__ $$aTAZ$$bPFC$$cEINA