dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Título variante: |
Detection of abnormalities in epileptic seizures with Autoencoders |
| Título variante: |
Detecció d'anomalies en atacs epilèptics amb Autoencoders |
| Fecha: |
2022 |
| Resumen: |
En este trabajo se propone realizar un aprendizaje automático para la detección de anomalías en casos de epilepsia a través del análisis de señales EEG. Se realizará un estudio del impacto/beneficio de incorporar la temporalidad en modelos de redes neuronales LSTM, principalmente Autoencoders, capaces de clasificar anomalías. Su prevención mejoraría la calidad de vida de los pacientes reduciendo el número y gravedad de las lesiones que la epilepsia ocasiona, con el fin de tomar las suficientes medidas preventivas. Previamente se han aplicado distintos modelos (Random Forest, SVM, KNN, . . ) que permiten realizar clasificaciones con precisiones entre el 80% y 98%. Los resultados de emplear Autoencoders muestran un 85, 6% de precisión en la clasificación de anomalías en señales EEG . |
| Resumen: |
In this work, it is proposed to carry out machine learning for the detection of anomalies in cases of epilepsy through the analysis of EEG signals. A study of the impact/benefit of incorporating temporality into LSTM neural network models, mainly Autoencoders, capable of classifying anomalies, will be carried out. Its prevention would improve the quality of life of patients by reducing the number and severity of injuries caused by epilepsy, in order to take sufficient preventive measures. Different models have been previously applied (Random Forest, SVM, KNN, . . . ) that allow classifications to be made with precision between 80% and 98%. The results of using Autoencoders show an 85. 6% accuracy in the classification of anomalies in EEG signals. |
| Resumen: |
En aquest treball es proposa fer un aprenentatge automàtic per a la detecció d'anomalies en casos d'epilèpsia mitjançant l'anàlisi de senyals EEG. Es realitzarà un estudi de limpacte/benefici dincorporar la temporalitat en models de xarxes neuronals LSTM, principalment Autoencoders, capaços de classificar anomalies. La seva prevenció milloraria la qualitat de vida dels pacients reduint el nombre i la gravetat de les lesions que l'epilèpsia ocasiona, a fi de prendre les mesures preventives suficients. Prèviament s'han aplicat diferents models (Random Forest, SVM, KNN, . . ) que permeten fer classificacions amb precisions entre el 80% i el 98%. Els resultats de fer servir Autoencoders mostren un 85, 6% de precisió en la classificació d'anomalies en senyals EEG . |
| Derechos: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Lengua: |
Castellà |
| Titulación: |
Grau en Enginyeria Informàtica [2502441] |
| Plan de estudios: |
Grau en Enginyeria Informàtica [958] |
| Documento: |
Treball final de grau ; Text |
| Área temática: |
Menció Computació |
| Materia: |
Ataques epilépticos ;
Redes neuronales ;
Predicción ;
Redes Neuronales Recurrentes(RNN) ;
Series Temporales ;
Anomalías ;
Atacs epilèptics ;
Xarxes neuronals ;
Predicció ;
Xarxes Neuronals Recurrents(RNN) ;
LSTM ;
Autoencoders ;
Sèries Temporals ;
Anomalies ;
Epileptic seizures ;
Neural networks ;
Prediction ;
Recurrent Neural Networks (RNN) ;
Time Series |
visitante ::
identificación
dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
