Presentation

Detección del trastorno mayor depresivo basado en aprendizaje máquina a partir de estudios clínicos de electroencefalograma

0 purchase

Course
Computer-aided diagnostics (TBD1905)

Institution
Instituto Tecnologico De Tijuana

Book
Principles of Neural Science

El propósito del trabajo presente recae en analizar la correlación entre el trastorno mayor depresivo y un decremento en la potencia de espectro de las bandas alfa y theta de la señal de electroencefalograma, exponiéndolo como un biomarcador. Para ello, se emplearon los algoritmos de K-vecinos ...

[Show more]

Preview 4 out of 72 pages

View example

Uploaded on March 29, 2021
Number of pages 72
Written in 2020/2021
Type Presentation
Person Unknown

machine learning
graphic interfase
python programming
aprendizaje maquina
eeg
major depressive disorder
spectral bandpower
support vector machine
k nearest neighbors
diagnos
computer aided diagnostics

Book Title:Principles of Neural Science

Author(s):Eric R. Kandel, James H. Schwartz, Thomas M. Jessell

Edition:1991
ISBN:9780838580684
Edition:Unknown

Exam (elaborations)
Anatomy-briain
Summary
Summary Principles of Neural Science - chapter 1 handwritten notes

Institution
Instituto Tecnologico De Tijuana
Course
Computer-aided diagnostics (TBD1905)

$3.99

Add to cart

Save

100% satisfaction guarantee
Immediately available after payment
Both online and in PDF
No strings attached

SEP Tecnológico Nacional de México
Instituto Tecnológico de Tijuana
Departamento de Ingeniería Eléctrica y Electrónica

Informe Técnico de Proyecto
Detección del trastorno mayor depresivo basado
en aprendizaje máquina a partir de estudios
clínicos de electroencefalograma
Presenta:
Eduardo Francisco Sánchez Saavedra
Número de Control: 16212267

Tijuana, Baja California, México
19 de enero de 2021

,Índice general

Índice de figuras III

Índice de tablas VI

1. Introducción 1

1.1. Problemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2.2. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.3. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.4. Alcances y limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.5. Problemas a resolver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2. Fundamentos teóricos 4

2.1. Fisioanatomía del sistema nervioso y su relación con el trastorno de de-

presión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.1.1. Sistema nervioso central . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.1.2. Caracterización del trastorno de depresión . . . . . . . . . . . . . . 7

2.2. Principios de electroencefalograma . . . . . . . . . . . . . . . . . . . . . . . 8

2.2.1. Fundamentos de la señal de electroencefalograma . . . . . . . . . . 9

2.2.2. Ritmos cerebrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2.3. Adquisición de la señal de electroencefalograma . . . . . . . . . . . 11

2.3. Características de la señal EEG en pacientes con trastorno de depresión . 11

i

,3. Resultados 14

3.1. Diseño conceptual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2. Especificaciones de diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.3. Desarrollo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.3.1. Extracción de los canales de interés . . . . . . . . . . . . . . . . . . . 18

3.3.2. Extracción de rasgos . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.3.3. Interpretación de los rasgos obtenidos . . . . . . . . . . . . . . . . . 20

3.3.4. Implementación del algoritmo KNN . . . . . . . . . . . . . . . . . . . 23

3.3.5. Implementación del algoritmo SVM . . . . . . . . . . . . . . . . . . . 32

3.4. Interfaz Gráfica de Usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4. Conclusión 39

A. Códigos en MATLAB 41

A.1. seleccion_de_canales.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

A.2. fir_blackman_lowpass.m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

B. Códigos en Python 46

B.1. extractor.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

B.2. bandpower.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

B.3. knn.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

B.4. svm.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

B.5. gui.py . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

ii

, Índice de figuras

2.1. Vista lateral del cerebro. Fuente: [13] pag.3 fig 1 . . . . . . . . . . . . . . . 6

2.2. Etapas de diagnostico y tratamiento de pacientes con enfermedades neu-

rológicas. Fuente: [21] pag.1 fig 1-1 . . . . . . . . . . . . . . . . . . . . . . 8

2.3. Contraste de las formas de onda del potencial de acción y del potencial

postsináptico. Fuente: [22] pag.4 fig 1.1 . . . . . . . . . . . . . . . . . . . . 9

2.4. Comparación de las bandas de frecuencia del EEG. Fuente: [26] pag.187

fig 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.5. Representación de la configuración 10-20. Fuente: [24] pag.17 fig 9 . . . . 11

3.1. Diagrama de bloques preliminar . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2. Diagrama de flujos preliminar . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.3. Descripción de los rasgos extraídos . . . . . . . . . . . . . . . . . . . . . . . 20

3.4. Diagrama de caja sin delimitar los valores de la muestra . . . . . . . . . . 21

3.5. Diagrama de caja tras eliminar renglones con valores atípicos . . . . . . . 21

3.6. Scatter Plot de los rasgos extraídos . . . . . . . . . . . . . . . . . . . . . . . 22

3.7. Accuracy plot para el algoritmo KNN con K=1:20, training dataset=40 %,

test dataset=60 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3.8. Matriz de confusión y coeficientes para el algoritmo KNN con K=1:18,

training dataset=40 %, test dataset=60 % . . . . . . . . . . . . . . . . . . . 24

3.9. Matriz de confusión y coeficientes para el algoritmo KNN con K=19:20,

training dataset=40 %, test dataset=60 % . . . . . . . . . . . . . . . . . . . 25

3.10.Accuracy plot para el algoritmo KNN con K=1:20, training dataset=50 %,

test dataset=50 % . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

iii

The benefits of buying summaries with Stuvia:

Guaranteed quality through customer reviews

Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.

Quick and easy check-out

You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.

Focus on what matters

Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!

Frequently asked questions

What do I get when I buy this document?

You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.

Satisfaction guarantee: how does it work?

Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.

Who am I buying these notes from?

Stuvia is a marketplace, so you are not buying this document from us, but from seller EduardoSaavedra. Stuvia facilitates payment to the seller.

Will I be stuck with a subscription?

No, you only buy these notes for $3.99. You're not tied to anything after your purchase.

Can Stuvia be trusted?

4.6 stars on Google & Trustpilot (+1000 reviews)

66184 documents were sold in the last 30 days

Founded in 2010, the go-to place to buy study notes for 15 years now

Start selling

Presentation

Detección del trastorno mayor depresivo basado en aprendizaje máquina a partir de estudios clínicos de electroencefalograma

Document information

Subjects

Connected book

More summaries for

Written for

Seller

Content preview