Publicación:
Desarrollo de un modelo basado en aprendizaje profundo con arquitectura LSTM extendida para el diagnóstico computacional de crisis epilépticas mediante señales EEG

Vista sencilla de ítem
dc.contributor.advisorLescher, Alfredo [asesor]
dc.contributor.advisorCeron, Manuel [director]
dc.contributor.authorRamos Villarreal, Eliecer Alberto [autor]
dc.date.accessioned2026-06-29T19:22:41Z
dc.date.available2026-06-29T19:22:41Z
dc.date.issued2025
dc.description.abstractLa presente investigación tiene como finalidad, diseñar e implementar un modelo de red neuronal híbrido CNN–BiLSTM para la detección de crisis epilépticas utilizando señales EEG. Se empleó el dataset CHB-MIT, compuesto por registros clínicos multicanal con anotaciones ictales, y se aplicaron técnicas de preprocesamiento como filtrado paso banda, filtro notch y normalización Z-score. Las características fueron extraídas mediante FFT y DWT, capturando información tanto en el dominio de la frecuencia, como en el tiempo. El modelo fue entrenado, con una arquitectura de doble entrada para combinar ambas fuentes de información, evaluando su rendimiento mediante validación cruzada y pruebas en pacientes no vistos. Los resultados mostraron un desempeño destacado, con una precisión del 95.45% y un AUC de 0.94, lo que evidencia su potencial clínico. Asimismo, se exploró la capacidad de generalización del modelo en señales EEG de diferentes orígenes, confirmando su robustez frente a variabilidad interpaciente y de adquisición. Este estudio demuestra la eficacia de combinar técnicas de extracción multiespectral y arquitecturas profundas para abordar el reto de la detección automática de eventos epilépticos, contribuyendo al desarrollo de sistemas de monitoreo continuo y diagnóstico asistido por inteligencia artificial.spa
dc.description.abstractThis research aims to design and implement a hybrid CNN–BiLSTM neural network model for the detection of epileptic seizures using EEG signals. The CHB-MIT dataset was employed, containing multichannel clinical recordings with expertannotated seizure events. Preprocessing steps included band-pass filtering, notch filtering, and Z-score normalization. Features were extracted using FFT and DWT, capturing information in both frequency and time domains. The model was trained using a dual-input architecture to merge both sources of information, and its performance was evaluated through cross-validation and testing on unseen patients. Results showed outstanding performance, achieving 95.45% accuracy and an AUC of 0.94, highlighting its clinical potential. The model's generalization capabilities were further validated on EEG signals from various sources, confirming its robustness against inter-patient and acquisition variability. This study demonstrates the effectiveness of combining multispectral feature extraction and deep learning architectures to tackle the challenge of automatic seizure detection, contributing to the development of continuous monitoring systems and AI-assisted diagnostic toolseng
dc.description.degreelevelPregrado
dc.description.degreenameLicenciado en Ingeniería Biomédica e Instrumentación
dc.description.tableofcontentsCapítulo 1: El Problema.
dc.description.tableofcontentsCapítulo 2: Marco teórico.
dc.description.tableofcontentsCapítulo 3: Marco Metodológico.
dc.description.tableofcontentsCapítulo 4: Análisis de Resultados.
dc.description.tableofcontentsCapítulo 5: Discusión y Análisis Crítico de los Resultados
dc.description.tableofcontentsConclusiones.
dc.description.tableofcontentsRecomendaciones.
dc.description.tableofcontentsReferencia.
dc.description.tableofcontentsAnexo.
dc.format.extent93 p.
dc.format.mimetypeapplication/pdf
dc.format.mimetypeimage/jpeg
dc.identifier.urihttps://repositorio.ulatina.edu.pa/handle/001/842
dc.publisherUniversidad Latina de Panamá
dc.publisher.branchSede Central, Panamá
dc.publisher.facultyFacultad de Ingeniería
dc.publisher.placePanamá
dc.publisher.programLicenciatura en Ingeniería Biomédica e Instrumentación
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.lembIngeniería
dc.subject.lembLicenciatura en Ingeniería Biomédica e Instrumentaciónspa
dc.subject.lembEpilepsia
dc.subject.lembInteligencia Artificial
dc.subject.lembEpilepsia-Diagnóstico
dc.subject.lembElectroencefalografía
dc.subject.lembAprendizajespa
dc.subject.proposalEpilepsiaspa
dc.subject.proposalEEGspa
dc.subject.proposalCNNspa
dc.subject.proposalBiLSTMspa
dc.subject.proposalDetección de crisisspa
dc.subject.proposalFFTspa
dc.subject.proposalDWTspa
dc.subject.proposalAprendizaje Profundospa
dc.subject.proposalEpilepsyeng
dc.subject.proposalEEGeng
dc.subject.proposalCNNeng
dc.subject.proposalBiLSTMeng
dc.subject.proposalSeizure Detectioneng
dc.subject.proposalFFTeng
dc.subject.proposalDWTeng
dc.subject.proposalDeep Learningeng
dc.titleDesarrollo de un modelo basado en aprendizaje profundo con arquitectura LSTM extendida para el diagnóstico computacional de crisis epilépticas mediante señales EEGspa
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/publishedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
Desarrollo de un modelo.pdf
Tamaño:
6.28 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
Eliecer Ramos-Firma de Autorización.pdf
Tamaño:
179.98 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed to upon submission
Descripción:
Descargar
Colecciones
Licenciatura en Ingeniería Biomédica e Instrumentación