Classification of people who suffer schizophrenia and healthy people by EEG signals using Deep Learning

• Autor: Torres Naira, Carlos Alberto
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/12560
• Enlace del recurso: http://hdl.handle.net/20.500.12773/12560
• Nivel de acceso: acceso abierto
• Materia: Red Neuronal Convolucional (CNN); Electroencefalografía; Coeficiente de Correlación de Pearson (PCC); Señales de Electroencefalograma (EEG); Aprendizaje Profundo; Esquizofrenia; Clasificación; https://purl.org/pe-repo/ocde/ford#1.02.01

Más de 21 millones de personas en todo el mundo sufren de esquizofrenia. Este grave trastorno mental expone a las personas a estigmatización, discriminación y la violación de sus derechos humanos. Diferentes trabajos sobre clasificación y diagnóstico de enfermedades mentales usan señales de electroencefalograma (EEG), ya que refleja el funcionamiento del cerebro y cómo estas enfermedades lo afectan. Debido a la información proporcionada por las señales de EEG y el rendimiento demostrado por los algoritmos de Aprendizaje Profundo, el presente trabajo propone un modelo para la clasificación de personas esquizofrénicas y personas saludables a través de señales EEG utilizando métodos de Aprendizaje Profundo. Teniendo en cuenta las propiedades de un EEG, de alta dimensión y multicanal, aplicamos el coeficiente de correlación de Pearson (PCC) para representar las relaciones entre los canales, de esta manera, en lugar de utilizar la gran cantidad de datos que proporciona un EEG, utilizamos una matriz más corta como entrada de una red neuronal convolucional (CNN). Finalmente, los resultados demostraron que el modelo de clasificación basado en EEG propuesto logró una precisión, especificidad y sensibilidad del 90%, 90% y 90%, respectivamente.