Análisis de Desempeño en la Detección de Estados de Confusión Utilizando EEG

Abstract

En esta tesis se aborda la problemática de la detección de estados de confusión a partir de señales electroencefalográficas (EEG), un desafío significativo en el ámbito del monitoreo cognitivo y diagnóstico. Se lleva a cabo una comparación exhaustiva del desempeño de diferentes algoritmos de clasificación supervisados, entre ellos, máquinas de soporte vectorial (SVM), redes neuronales, árboles de decisión y k-Nearest Neighbors (k-NN), con el objetivo de determinar cuál de ellos ofrece la mayor precisión y eficacia en la identificación de estados de confusión.

La investigación incluye la implementación de técnicas avanzadas de extracción y selección de características, esenciales para reducir la dimensionalidad de los datos EEG y mejorar la calidad del proceso de clasificación. A través de un enfoque riguroso de validación cruzada, se evalúa el rendimiento de cada clasificador utilizando métricas clave como la precisión, sensibilidad, especificidad y el área bajo la curva ROC (AUC).

Los resultados de la tesis demuestran que, si bien todos los clasificadores presentan un rendimiento competente en la detección de estados de confusión, existen diferencias significativas entre ellos, con algunos modelos mostrando una mayor capacidad para manejar la variabilidad inherente de las señales EEG. Además, se evidencia que la selección adecuada de características tiene un impacto positivo en la mejora del desempeño de los clasificadores. Finalmente, la tesis ofrece recomendaciones sobre el uso de estos modelos en aplicaciones prácticas, sugiriendo que la combinación de clasificadores específicos con técnicas de selección de características puede optimizar la precisión en la detección de confusión, lo que es de gran relevancia para su implementación en contextos clínicos y educativos.