Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.yachaytech.edu.ec/handle/123456789/123
Título : Study of Artificial Intelligence Models Applied to the Analysis of Electroencephalograms in Alzheimer’s Disease
Autor : Fonseca Delgado, Rigoberto Salomón
Martínez Arias, Paola Nathaly
Palabras clave : Alzheimer’s Disease
Electroencephalogram (EEG)
Feature selection
Power Spectral Density (PSD)
Higuchi’s Fractal Dimension (HFD)
Feed Forward Neural Net- work (FFNN)
Alzheimer
Electroencefalograma (EEG)
Selección de características
Densidad espectral de potencia (PSD)
Dimensión fractal de Higuchi (HFD)
Red neuronal alimentada hacia adelante (FFNN).
Fecha de publicación : feb-2020
Editorial : Universidad de Investigación de Tecnología Experimental Yachay
Resumen : La enfermedad de Alzheimer es el tipo más común de demencia. Es una desorden neurodegenerativo que destruye las células cerebrales gradualmente provocando pérdida de memoria y de habilidades cognitivas, así como también confusión, desorientación y problemas para comunicarse. A pesar de que un diagnóstico definitivo de esta enfermedad solo es posible post-mortem se puede hacer un diagnóstico diferenciado de otros tipos de demencia. Existen varios exámenes médicos que incluyen evaluaciones fisiológicas, neurológicas y de imagen que son usados para el diagnóstico de Alzheimer. Sin embargo, actualmente se está investigando acerca del potencial de los Electroencefalogramas (EEG) para el diagnóstico de Alzheimer ya que es una técnica no invasiva y de bajo costo que podría ser muy útil para el diagnóstico temprano de Alzheimer. Esta investigación tiene como objetivo proponer un sistema para la detección y clasificación de Alzheimer usando características extraídas del electroencefalograma, tanto de la señal como de su transformación espectral, y el modelo óptimo de clasificación. Para esto se realiza un estudio comparativo usando características que capturan dos efectos que produce la enfermedad de Alzheimer sobre los EEGs, que son la desaceleración del EEG y la reducción de complejidad de la señal. Asimismo, se comparan diferentes modelos de clasificación como son la red neuronal alimentada hacia adelante (FFNN), máquina de vectores de soporte (SVM), k-vecinos más cercanos (KNN), clasificador bayesiano ingenuo (NB) y árbol de decisión (DT). Las características que obtuvieron un mejor resultado para la clasificación fueron la dimensión fractal de Higuchi (HFD) y la densidad espectral de potencia (PSD), y el modelo con mejor resultado de clasificación fue la red alimentada hacia adelante. Como resultado, experimentalmente se evidencia el potencial de los EEGs como herramienta para el diagnóstico de Alzheimer usando una red neuronal FFNN y las características antes mencionadas como un enfoque adecuado para detectar y clasificar la enfermedad, obteniendo resultados de desempeño de 99.8%. También se propone un sistema que usa solamente dos canales del EEG y que obtiene resultados mayores al 95% de rendimiento de clasificación
Descripción : Alzheimer’s disease (AD) is the most common type of dementia. It is a neurodegenerative disorder that gradually destroys brain cells causing loss of memory and cognitive abilities, as well as confusion, disorientation, and communication problems. Although a definitive diagnosis of this disease is only possible by necropsy, a differentiated diagnosis of other types of dementia is possible. Several medical tests include physiological, neurological, and neuroimaging evaluations that are used for the diagnosis of Alzheimer’s disease. However, the potential of Electroencephalograms (EEG) for the diagnosis of Alzheimer’s disease is currently studied since it is a low-cost, non-invasive technique that might be very useful for the early diagnosis of Alzheimer’s disease. This research aims to propose a system for AD detection and classification using characteristics extracted from the EEG and the optimal classification model. To this end, a comparative study is carried out using characteristics that capture two effects that Alzheimer’s disease produces on EEGs, which are the slowing of the EEG and the complexity reduction of the signal. In addition, different classification models are compared, such as the feed-forward neural network (FFNN), support vector machines (SVM), k-nearest neighbors (KNN), Naive Bayes (NB) and decision tree (DT). The features that obtained the best classification result were Higuchi’s fractal dimension (HFD) and Power Spectral Density (PSD) and the model with the best classification result was the FFNN. As a result, the potential of EEGs as a tool for the diagnosis of Alzheimer’s disease is evidenced by the use of a FFNN and the characteristics mentioned above as an adequate approach to detect and classify between AD patients and healthy controls, obtaining an accuracy of 99.8%. Besides, another system that uses only two out of the 16 channels of the EEG is also proposed, and it obtains results greater than 95 % of classification accuracy.
URI : http://repositorio.yachaytech.edu.ec/handle/123456789/123
Aparece en las colecciones: Tecnologías de la Información

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
ECMC0016.pdf1.54 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.