tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Títol variant: |
Clasificación de señales EEG del cerebro humano usando tecnicas de aprendizaje automático |
| Títol variant: |
EEG data classification using machine learning techniques |
| Data: |
2025 |
| Resum: |
Aquest estudi classifica senyals EEG segons ritmes lingüístics (Mora, Syllable, Stress) utilitzant aprenentatge automàtic. Analitzant dades de 48 participants (24 nadius en llengua anglesa i 24 en castellana), es van preprocessar senyals EEG i extreure característiques com la potència mitjana i complexitat Lempel-Ziv. Malgrat l'èxit en l'agrupament de canals, els models amb kernels tant lineals com no lineals no van diferenciar els ritmes, i van obtenir precisions properes a l'atzar. Els resultats suggereixen que les diferències entre dades amb ritmes lingüístics diferents són massa subtils per a les característiques tradicionals, assenyalant la necessitat d'enfocaments més avançats i més volum de dades. |
| Resum: |
Este estudio clasifica señales EEG según ritmos lingüísticos (Mora, Syllable, Stress) utilizando aprendizaje automático. Analizando datos de 48 participantes (24 nativos en lengua inglesa y 24 en castellana), se preprocesaron señales EEG y se extrajeron características como la potencia media y la complejidad Lempel-Ziv. A pesar del éxito en el agrupamiento de canales, los modelos con kernels tanto lineales como no lineales no lograron diferenciar los ritmos, obteniendo precisiones cercanas al azar. Los resultados sugieren que las diferencias entre datos con distintos ritmos lingüísticos son demasiado sutiles para las características tradicionales, señalando la necesidad de enfoques más avanzados y un mayor volumen de datos. |
| Resum: |
This study classifies EEG signals according to linguistic rhythms (Mora, Syllable, Stress) using machine learning. Analysing data from 48 participants (24 native English speakers and 24 Spanish speakers), EEG signals were preprocessed and features such as mean power and Lempel-Ziv complexity were extracted. Despite optimal channel clustering, models with both linear and non-linear kernels failed to distinguish between rhythms, achieving near-chance accuracy. The results suggest that neural differences are too subtle for traditional features, indicating the need for more advanced approaches and larger datasets. |
| Drets: |
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.  |
| Llengua: |
Català |
| Titulació: |
Grau en Enginyeria de Dades [2503758] |
| Pla d'estudis: |
Enginyeria de Dades [1394] |
| Document: |
Treball final de grau ; Text |
| Matèria: |
EEG ;
Ritmes lingüístics ;
Aprenentatge automàtic ;
Processament de senyal ;
Complexitat lempel-ziv ;
Agrupació de canals ;
Anàlisi tf ;
Models de classificació ;
Phase Locking Value ;
Louvain ;
Saltanaj ;
Ritmos lingüísticos ;
Aprendizaje automático ;
Procesamiento de señales ;
Complejidad de lempel-ziv ;
Agrupamiento de canales ;
Análisis tiempo-frecuencia ;
Modelos de clasificación ;
Linguistic rhythms ;
Machine learning ;
Signal processing ;
Lempel-Ziv complexity ;
Channel clustering ;
TF analysis ;
Classification models |
visitant ::
identificació
tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
