Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.uan.edu.co/handle/123456789/5015
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorDuarte González, Mario Enrique-
dc.creatorMartinez Saiz, John Jairo-
dc.date.accessioned2021-10-11T20:27:19Z-
dc.date.available2021-10-11T20:27:19Z-
dc.date.created2021-06-08-
dc.identifier.urihttp://repositorio.uan.edu.co/handle/123456789/5015-
dc.description.abstractSeizures are harmful to patients, who, without timely prediction, can lead to death. Therefore, having algorithms that indicate when an epileptic episode is going to occur provides security and action time to act. The present work focuses on the prediction of seizures in patients with epilepsy from electroencephalography (EEG) and Electrocardiography (ECG) signals. The study was carried out in patients who suffered seizures and Machine Learning algorithms were implemented for the prediction of the pre-ictal phase of seizures using the "Class Learner" tool from Matlab. For the development of the work, the CRISP-DM methodology was used, with which characteristics of 10 patients can be extracted in order to train different classification algorithms. The EEG and EKG signals were considered together and separately to show which of the two obtained better performance according to the metrics computed from the confusion matrix. It was shown that the best sensitivity was obtained when the characteristics extracted from the EEG and EKG were worked together.es_ES
dc.description.tableofcontentsLas convulsiones son perjudiciales para los pacientes, los cuales, sin la predicción oportuna, pueden llegar a la muerte. Por lo tanto, tener algoritmos que indiquen cuándo va a ocurrir un episodio epiléptico brinda seguridad y tiempo de acción para actuar. El presente trabajo, se enfoca en la predicción de convulsiones en pacientes con epilepsia a partir de señales de electroencefalografía (EEG) y Electrocardiografía (ECG). El estudio se realizó en pacientes que sufrieron convulsiones y se implementan algoritmos de Machine Learning para la predicción de la fase preictal de convulsiones usando la herramienta “classification learner” de Matlab. Para el desarrollo del trabajo, se utilizó la metodología CRISP-DM, con la cual se logró extraer características de 10 pacientes con la finalidad de entrenar diferentes algoritmos de clasificación. Se consideró las señales EEG y EKG en conjunto y por separado para mostrar cuál de las dos obtuvo un mejor rendimiento según las métricas computadas a partir de la matriz de confusión.Se mostró que la mejor sensibilidad fue obtenida cuando se trabajó con las características extraídas de las EEG y EKG en conjunto.es_ES
dc.language.isospaes_ES
dc.publisherUniversidad Antonio Nariñoes_ES
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 Estados Unidos de América*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.sourceinstname:Universidad Antonio Nariñoes_ES
dc.sourcereponame:Repositorio Institucional UANes_ES
dc.sourceinstname:Universidad Antonio Nariñoes_ES
dc.sourcereponame:Repositorio Institucional UANes_ES
dc.subjectMachine Learninges_ES
dc.subjectelectroencefalografíaes_ES
dc.subjectelectrocardiografíaes_ES
dc.subjectmetodología CRISP-DMes_ES
dc.titlePredicción de la fase pre-ictal de convulsiones en pacientes con epilepsia a partir de señales electroencefalográficas y electrocardiográficases_ES
dc.publisher.programIngeniería Biomédicaes_ES
dc.rights.accesRightsopenAccesses_ES
dc.subject.keywordMachine Learninges_ES
dc.subject.keywordelectroencephalographyes_ES
dc.subject.keywordelectrocardiographyes_ES
dc.subject.keywordCRISP-DM methodologyes_ES
dc.type.spaTrabajo de grado (Pregrado y/o Especialización)es_ES
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersiones_ES
dc.source.bibliographicCitationZAVALA-VILLEDA, José Alfredo. Descripción del electrocardiograma normal y lectura del electrocardiograma. Revista Mexicana de Anestesiología, 2017, vol. 40, no S1, p. 210-213. Koertge, N. (2008). Complete Dictionary of Scientific Biography.es_ES
dc.source.bibliographicCitationMORENO, Iveth, et al. Los sistemas de interfaz cerebro-computadora basado en EEG: características y aplicaciones. I+ D Tecnológico, 2019, vol. 15, no 2, p. 13-26. Engel, J. (2013). Seizures and epilepsy (Vol. 83). Oxford University Press.es_ES
dc.source.bibliographicCitationNARIÑO, Daniel. Epilepsia y embarazo. Asociación Colombiana de Neurología [en línea][consultado el 13/04/2018]. Disponible en http://www. acnweb. org/guia/g2c11i. pdf, 2003.es_ES
dc.source.bibliographicCitationSÁNCHEZ, Leonardo Palacios. EPILEPSIA: ALGUNAS DENOMINACIONES DADAS A TRAVÉS DE LOS SIGLOS. Medicina, 2020, vol. 42, no 3, p. 486-490es_ES
dc.source.bibliographicCitationBARRERA, Manuel Nieto; JIMÉNEZ, M. Nieto; JIMÉNEZ, E. Nieto. Epilepsias y síndromes epilépticos del preescolar y del escolar. Protocolos de Neurolo, p. 28.es_ES
dc.source.bibliographicCitationYAMADA, Mikiko. UNCONTROLLED SEIZURES AND BONE HEALTH AMONG ADULT EPILEPSY PATIENTS. 2013. Tesis Doctoral. University of Kansas.es_ES
dc.source.bibliographicCitationLarson, D. E. (1990). Mayo Clinic family health book. W. Morrow.es_ES
dc.source.bibliographicCitation. FORNEY, Elliott M. Electroencephalogram classification by forecasting with recurrent neural networks. 2011. Tesis Doctoral. Colorado State University.es_ES
dc.source.bibliographicCitationFELTANE, Amal. Time-frequency based methods for non-stationary signal analysis with application to EEG signals. 2016.es_ES
dc.source.bibliographicCitationIDIÁQUEZ, Juan, et al. Bradicardia asociada a crisis epilépticas: Casos clínicos. Revista médica de Chile, 2009, vol. 137, no 3, p. 401-404.es_ES
dc.source.bibliographicCitationROSAS-ROMERO, Roberto, et al. Prediction of epileptic seizures with convolutional neural networks and functional near-infrared spectroscopy signals. Computers in biology and medicine, 2019, vol. 111, p. 103355.es_ES
dc.source.bibliographicCitationHERNÁNDEZ, Olga Helena, et al. Estado epiléptico refractario en la unidad de cuidados intensivos: revisión de la literatura y diagrama de flujo de manejo en el Instituto Neurólogico de Antioquia: [revisión]. Acta neurol. colomb, 2011, p. 33-45.es_ES
dc.source.bibliographicCitationRAMOS-ARGÜELLES, F., et al. Técnicas básicas de electroencefalografía: principios y aplicaciones clínicas. En Anales del sistema sanitario de Navarra. Gobierno de Navarra. Departamento de Salud, 2009. p. 69-82. Gómez Figueroa, L. J. (2016). Análisis de señales EEG para detección de eventos oculares, musculares y cognitivos (Doctoral dissertation, Industriales).es_ES
dc.description.degreenameIngeniero(a) Biomédico(a)es_ES
dc.description.degreelevelPregradoes_ES
dc.publisher.facultyFacultad de Ingeniería Mecánica, Electrónica y Biomédicaes_ES
dc.description.notesPresenciales_ES
dc.publisher.campusBogotá - Sures_ES
Aparece en las colecciones: Ingeniería biomédica

Ficheros en este ítem:
Fichero Tamaño  
2021Acta.pdf
  Restricted Access
241.68 kBVisualizar/Abrir  Request a copy
2021Formato de Autorización.pdf
  Restricted Access
838.1 kBVisualizar/Abrir  Request a copy
2021John Jairo Martínez Saiz.pdf1.14 MBVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons