Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/10495/28940
Título : Caracterización de Alzheimer temprano en poblaciones con riesgo genético mediante electroencefalografía
Autor : García Pretelt, Francisco Javier
metadata.dc.contributor.advisor: Ochoa Gómez, John Fredy
metadata.dc.subject.*: Enfermedad de Alzheimer
Alzheimer Disease
Electroencefalografía
Electroencephalography
Máquina de Vectores de Soporte
Support Vector Machine
Técnicas y Procedimientos Diagnósticos
Diagnostic Techniques and Procedures
Diagnóstico Precoz
Early Diagnosis
Fecha de publicación : 2022
Resumen : RESUMEN : La enfermedad de Alzheimer (EA) representa entre el 60% y el 80% de los casos globales de demencia. En Colombia, tanto el diagnóstico tardío de la patología como la prevalencia rural de la condición pueden impedir que pacientes reciban tratamiento o asesoría oportuna. Por este motivo el desarrollo de nuevos biomarcadores, así como de protocolos flexibles que permitan la detección temprana de la EA es un reto importante en la medicina moderna. Mediante la implementación de medidas para extracción de índices espectrales (potencia relativa), de conectividad (Synchronization Likelihood) y de modulación de amplitud (Percentage Modulation Energy) sobre registros electroencefalográficos (EEG), se busca establecer un protocolo de procesamiento y caracterización para lograr una clasificación entre portadores asintomáticos de la mutación PSEN-1 E280A de Alzheimer familiar y un grupo control de sujetos no portadores sanos, implementando un montaje que requiera de una reducida cantidad de electrodos. De esta manera, se logró la correcta clasificación del 83% de las muestras implementando una máquina de soporte vectorial, entrenada con las características espectrales obtenidas de un conjunto de componentes independientes encontradas mediante ICA grupal. De igual manera, un modelo basado en random forest entrenado implementando características basadas en la conectividad entre tres señales bipolares (montaje de seis electrodos: C4-C1, P3 P2, POZ-CP1) logró un rendimiento similar (accuracy = 83%).
ABSTRACT: Alzheimer disease (AD) represents between 60% and 80% of the global cases of dementia. In Colombia, both, late diagnosis and the condition's rural prevalence can prevent early and appropriate treatment and assessment. For that reason, new biomarkers and flexible methods for early AD detection are needed in modern medicine. Implementing features of spectral (relative power), connectivity (Synchronization Likelihood) and modulation (Percentage Modulation Energy) nature over electroencephalographic (EEG) data, a processing and characterization protocol is aimed, to achieve classification of PS-1 E280A mutation of asymptomatic familial Alzheimer's carriers and healthy control non-carrier group, using a reduced number of electrodes. In this way, the correct classification of 83% of the samples was achieved by implementing a support vector machine, trained with the spectral features obtained from a set of independent components found by group ICA. Likewise, a model based on random forest trained implementing connectivity-based features between three bipolar signals (six electrode array: C4-C1, P3-P2, POZ-CP1) achieved a similar performance (accuracy = 83%).
Aparece en las colecciones: Maestrías de la Facultad de Ingeniería

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
GARCIAFRANCISCO_2022_ClasificacionAlzheimerTemprano.pdfTesis de maestría4.39 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons