Clasificación de señales cerebrales utilizando técnicas de aprendizaje automático

Mostrar todas las versiones(2)

En esta tesis de licenciatura nos proponemos realizar un trabajo interdisciplinario, que consiste en aplicar técnicas de aprendizaje automático al estudio de la actividad cerebral en humanos en el procesamiento de palabras nuevas, frente a la existencia de lo que se conoce como priming morfológico....

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Caravario, Martín Julián
Otros Autores: Brusco, Pablo
Formato: Tesis de grado publishedVersion
Lenguaje:Español
Publicado: Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2018
Materias:
APRENDIZAJE AUTOMATICO
ELECTROENCEFALOGRAMA
POTENCIALES EVOCADOS
PRIMING
IMPORTANCIA DE VARIABLES
SELECCION DE MODELOS
PROCESAMIENTO DE SERIES TEMPORALES
MACHINE LEARNING
ELECTROENCEPHALOGRAM
EVOKED POTENTIALS
FEATURE IMPORTANCE
MODEL SELECTION
TIMES SERIES PROCESSING
Acceso en línea:https://hdl.handle.net/20.500.12110/seminario_nCOM000629_Caravario
Aporte de:
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) de Universidad de Buenos Aires
id seminario:seminario_nCOM000629_Caravario
record_format dspace
spelling seminario:seminario_nCOM000629_Caravario2025-08-08T16:50:28Z Clasificación de señales cerebrales utilizando técnicas de aprendizaje automático Caravario, Martín Julián Brusco, Pablo Kaczer, Laura APRENDIZAJE AUTOMATICO ELECTROENCEFALOGRAMA POTENCIALES EVOCADOS PRIMING IMPORTANCIA DE VARIABLES SELECCION DE MODELOS PROCESAMIENTO DE SERIES TEMPORALES MACHINE LEARNING ELECTROENCEPHALOGRAM EVOKED POTENTIALS PRIMING FEATURE IMPORTANCE MODEL SELECTION TIMES SERIES PROCESSING En esta tesis de licenciatura nos proponemos realizar un trabajo interdisciplinario, que consiste en aplicar técnicas de aprendizaje automático al estudio de la actividad cerebral en humanos en el procesamiento de palabras nuevas, frente a la existencia de lo que se conoce como priming morfológico. El objetivo fue investigar si los modelos predictivos entrenados a partir de datos recolectados en experimentos biológicos pueden constituir una nueva herramienta de análisis, que complementen (o incluso mejoren) las técnicas estad´ısticas empleadas en la actualidad. Para eso nos basamos en resultados de trabajos previos y utilizamos los datos all´ı obtenidos como corpus de datos para realizar diversos experimentos de aprendizaje autom´atico. Sobre estos datos, extrajimos características de las señales cerebrales para luego experimentar construyendo modelos de clasificación para predecir condiciones de priming. Los resultados obtenidos fueron prometedores para algunos sujetos en donde obtuvimos valores cercanos a 0.7 utilizando la métrica AUC ROC sobre datos de evaluación. En segundo lugar, abordamos el problema de construir clasificadores que utilicen instancias de distintos sujetos para luego predecir sobre un nuevo sujeto no visto durante la etapa de entrenamiento y de esta manera encontrar modelos que generalicen propiedades entre distintas personas. Los resultados muestran las dificultades encontradas ante esta nueva tarea y posibles caminos para continuar el análisis. Finalmente, dejamos a disposición un framework de análisis de datos construido sobre el lenguaje Python para futuras tareas de aprendizaje automático sobre señales cerebrales. We propose an interdisciplinary study that consisted in applying machine learning techniques to the study of human brain activity under a morphological priming protocol. Our work relied on building data-driven predictive models using collected data from biological experiments. The main goal was to develop machine learning tools for analysis that complement the classical statistical techniques. We performed several experiments by extracting features from brain signals data and then, by creating classifiers that predict one possible priming condition. Promising results were obtained for some subjects where we reach scores around 0.7 of AUC ROC on evaluation data. A second part of the study aimed at building inter-subject classifiers with the objective of finding patterns and properties that generalize among different subjects. Results showed several difficulties associated with this task. We presented possible solutions to these difficulties where further analysis is required. Finally, we contribute by releasing a python-based framework built to carry out new machine learning experiments with EEG data. Fil: Caravario, Martín Julián. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2018 info:eu-repo/semantics/bachelorThesis info:ar-repo/semantics/tesis de grado info:eu-repo/semantics/publishedVersion application/pdf spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/seminario_nCOM000629_Caravario
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-134
collection Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA)
language Español
orig_language_str_mv spa
topic APRENDIZAJE AUTOMATICO
ELECTROENCEFALOGRAMA
POTENCIALES EVOCADOS
PRIMING
IMPORTANCIA DE VARIABLES
SELECCION DE MODELOS
PROCESAMIENTO DE SERIES TEMPORALES
MACHINE LEARNING
ELECTROENCEPHALOGRAM
EVOKED POTENTIALS
PRIMING
FEATURE IMPORTANCE
MODEL SELECTION
TIMES SERIES PROCESSING
spellingShingle APRENDIZAJE AUTOMATICO
ELECTROENCEFALOGRAMA
POTENCIALES EVOCADOS
PRIMING
IMPORTANCIA DE VARIABLES
SELECCION DE MODELOS
PROCESAMIENTO DE SERIES TEMPORALES
MACHINE LEARNING
ELECTROENCEPHALOGRAM
EVOKED POTENTIALS
PRIMING
FEATURE IMPORTANCE
MODEL SELECTION
TIMES SERIES PROCESSING
Caravario, Martín Julián
Clasificación de señales cerebrales utilizando técnicas de aprendizaje automático
topic_facet APRENDIZAJE AUTOMATICO
ELECTROENCEFALOGRAMA
POTENCIALES EVOCADOS
PRIMING
IMPORTANCIA DE VARIABLES
SELECCION DE MODELOS
PROCESAMIENTO DE SERIES TEMPORALES
MACHINE LEARNING
ELECTROENCEPHALOGRAM
EVOKED POTENTIALS
PRIMING
FEATURE IMPORTANCE
MODEL SELECTION
TIMES SERIES PROCESSING
description En esta tesis de licenciatura nos proponemos realizar un trabajo interdisciplinario, que consiste en aplicar técnicas de aprendizaje automático al estudio de la actividad cerebral en humanos en el procesamiento de palabras nuevas, frente a la existencia de lo que se conoce como priming morfológico. El objetivo fue investigar si los modelos predictivos entrenados a partir de datos recolectados en experimentos biológicos pueden constituir una nueva herramienta de análisis, que complementen (o incluso mejoren) las técnicas estad´ısticas empleadas en la actualidad. Para eso nos basamos en resultados de trabajos previos y utilizamos los datos all´ı obtenidos como corpus de datos para realizar diversos experimentos de aprendizaje autom´atico. Sobre estos datos, extrajimos características de las señales cerebrales para luego experimentar construyendo modelos de clasificación para predecir condiciones de priming. Los resultados obtenidos fueron prometedores para algunos sujetos en donde obtuvimos valores cercanos a 0.7 utilizando la métrica AUC ROC sobre datos de evaluación. En segundo lugar, abordamos el problema de construir clasificadores que utilicen instancias de distintos sujetos para luego predecir sobre un nuevo sujeto no visto durante la etapa de entrenamiento y de esta manera encontrar modelos que generalicen propiedades entre distintas personas. Los resultados muestran las dificultades encontradas ante esta nueva tarea y posibles caminos para continuar el análisis. Finalmente, dejamos a disposición un framework de análisis de datos construido sobre el lenguaje Python para futuras tareas de aprendizaje automático sobre señales cerebrales.
author2 Brusco, Pablo
author_facet Brusco, Pablo
Caravario, Martín Julián
format Tesis de grado
Tesis de grado
publishedVersion
author Caravario, Martín Julián
author_sort Caravario, Martín Julián
title Clasificación de señales cerebrales utilizando técnicas de aprendizaje automático
title_short Clasificación de señales cerebrales utilizando técnicas de aprendizaje automático
title_full Clasificación de señales cerebrales utilizando técnicas de aprendizaje automático
title_fullStr Clasificación de señales cerebrales utilizando técnicas de aprendizaje automático
title_full_unstemmed Clasificación de señales cerebrales utilizando técnicas de aprendizaje automático
title_sort clasificación de señales cerebrales utilizando técnicas de aprendizaje automático
publisher Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publishDate 2018
url https://hdl.handle.net/20.500.12110/seminario_nCOM000629_Caravario
work_keys_str_mv AT caravariomartinjulian clasificaciondesenalescerebralesutilizandotecnicasdeaprendizajeautomatico
_version_ 1843126043605467136

Ejemplares similares