Diseño de un modelo basado en máquinas de vectores de soporte para detectar las crisis epilépticas tónico - clónicas en adultos jóvenes en Lima - Perú

• Autor: Abarca Urbano, Grimaldo René
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/28675
• Enlace del recurso: http://hdl.handle.net/20.500.14076/28675
• Nivel de acceso: acceso abierto
• Materia: Inteligencia Artificial (IA); Aplicaciones médicas; Epilepsia; Señales biomédicas; Máquinas de vectores de soporte (SVM); https://purl.org/pe-repo/ocde/ford#2.02.04

Un asunto en salud pública de importancia en el Perú es el de la epilepsia; enfermedad que, entre el carácter en esencia, imprevisible de sus manifestaciones - las cuales son conocidas como crisis epilépticas - y los bajos índices de diagnóstico y de tratamiento, repercute en la calidad de vida de las personas que la padecen; siendo esto particularmente notable en quienes sufren de un tipo particular de crisis epilépticas denominadas tónico-clónicas, las cuales se caracterizan por la aparición de una actividad motora descontrolada precedida por la pérdida de conciencia constituyendo un motivo frecuente de atención en los servicios de emergencia y que conlleva a implicancias tanto en el ámbito sanitario como en el económico y social. Ante esta problemática en el presente trabajo se desarrolla un modelo que permite detectar estos tipos de crisis consideradas de alto riesgo, tomando como objeto de estudio a las señales motoras provenientes de personas adultas y jóvenes, es decir, quienes están dentro del rango de 18 a 59 años radicadas en Lima - Perú, que se dan durante una crisis epiléptica tónico-clónica y durante actividades motoras que se asemejan a este tipo de crisis. Dicho modelo está basado en la aplicación de las Máquinas de Vectores de Soporte (SVM), una técnica de aprendizaje automático que se centra en la identificación de patrones para la clasificación de datos. Tras la evaluación del desempeño del modelo se evidencia un alto nivel de rendimiento en la detección de crisis epilépticas tónico-clónicas.