Diseño de una red neuronal MLP (perceptrón multicapa) entrenada con una base de datos de señales EEG

• Autores: Meza Cotillo, Alberto Mariano, Ortiz Amaro, Mariell Alexandra
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/13894
• Enlace del recurso: https://hdl.handle.net/20.500.12867/13894
• Nivel de acceso: acceso abierto
• Materia: Enfermedad de Alzheimer; Electroencefalograma; Diagnóstico temprano; https://purl.org/pe-repo/ocde/ford#2.06.00

La enfermedad de Alzheimer es un trastorno neurodegenerativo progresivo que afecta la conectividad y dinámica cerebral desde etapas tempranas. Este estudio propone una metodología automatizada para apoyar su diagnóstico temprano mediante el análisis de señales electroencefalográficas, utilizando un enfoque basado en inteligencia artificial. Se recopilaron registros EEG de pacientes con Alzheimer y sujetos sanos, los cuales fueron preprocesados mediante filtrado en el rango 0.5–30 Hz, referencia centrada y remoción de artefactos con ICA. A partir de estas señales, se extrajeron once características relevantes que incluyen métricas espectrales (como energía por banda y frecuencia dominante), no lineales (entropía espectral, dimensión fractal) y de conectividad funcional. Con el objetivo de mejorar el balance de clases, se implementó un modelo autorregresivo de primer orden que permitió generar datos sintéticos con propiedades estadísticas similares a los reales. Posteriormente, se entrenó una red neuronal multicapa con una arquitectura optimizada y regularización L2, utilizando un conjunto mixto de datos reales y sintéticos. El sistema fue evaluado mediante métricas de desempeño estándar como la curva ROC, entropía cruzada, histograma de errores y matrices de confusión. Los resultados muestran una alta capacidad discriminativa del modelo, alcanzando una precisión del 92.9%, sensibilidad del 100% y un área bajo la curva (AUC) de 0.96. Además, el análisis de importancia de características reveló que la banda Theta, Alpha1 y la entropía espectral son los indicadores más relevantes para diferenciar entre sujetos con y sin deterioro cognitivo. Estos hallazgos son coherentes con estudios previos en la literatura y refuerzan la validez neurofisiológica del enfoque. Se concluye que la combinación de EEG preprocesado, generación sintética de datos y clasificación mediante redes neuronales ofrece una alternativa accesible, precisa y clínicamente útil para el diagnóstico temprano del Alzheimer.