Mostrar el registro sencillo del objeto digital

dc.contributor Cervantes, Jair
dc.contributor.author Uribe Bautista, Alan
dc.date.accessioned 2025-01-17T20:35:52Z
dc.date.available 2025-01-17T20:35:52Z
dc.date.issued 2024-11-15
dc.identifier.uri http://hdl.handle.net/20.500.11799/141893
dc.description Tesis de deteccion de estados de confusión mediante EEG es
dc.description.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. es
dc.language.iso spa es
dc.publisher Universidad Autónoma del Estado de México es
dc.rights openAccess es
dc.rights.uri http://creativecommons.org/licenses/by/4.0 es
dc.subject Estados de confusión es
dc.subject EEG es
dc.subject Aprendizaje máquina es
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es
dc.title Análisis de Desempeño en la Detección de Estados de Confusión Utilizando EEG es
dc.type Tesis de Licenciatura es
dc.provenance Tecnológica y de Inovación es
dc.road Dorada es
dc.organismo Centro Universitario UAEM Texcoco es
dc.ambito Estatal es
dc.cve.CenCos 30401 es
dc.cve.progEstudios 38 es
dc.modalidad Tesis es
dc.validacion.itt No es


Ficheros en el objeto digital

Este ítem aparece en la(s) siguiente(s) colección(ones)

Visualización del Documento

  • Título
  • Análisis de Desempeño en la Detección de Estados de Confusión Utilizando EEG
  • Autor
  • Uribe Bautista, Alan
  • Director(es) de tesis, compilador(es) o coordinador(es)
  • Cervantes, Jair
  • Fecha de publicación
  • 2024-11-15
  • Editor
  • Universidad Autónoma del Estado de México
  • Tipo de documento
  • Tesis de Licenciatura
  • Palabras clave
  • Estados de confusión
  • EEG
  • Aprendizaje máquina
  • Los documentos depositados en el Repositorio Institucional de la Universidad Autónoma del Estado de México se encuentran a disposición en Acceso Abierto bajo la licencia Creative Commons: Atribución-NoComercial-SinDerivar 4.0 Internacional (CC BY-NC-ND 4.0)

Mostrar el registro sencillo del objeto digital

openAccess Excepto si se señala otra cosa, la licencia del ítem se describe cómo openAccess

Buscar en RI


Buscar en RI

Usuario

Estadísticas