Examinando por Materia "Neural network"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    Detección de ataques epilépticos a partir de señales fisiológicas
    (Universidad EIA, 2019) Carrizosa Botero, Susana; Mejía Mejía, Elisa
    More than 60 million people suffer from epilepsy, a disease due to neuronal hypersynchronous discharges. Refractory epilepsy is defined when patients do not respond to antiepileptic medications. Therefore, it is necessary to find other methods to control and monitor epileptic seizures. Physiological signals are alternatives to do this. Electroencephalography (EEG) is considered the gold standard method for seizure identification. EEG has the disadvantage of time-limited ambulatory recording. On the other hand, the autonomic nervous system (ANS) exercises control over the heart rate evaluable by electrocardiography (ECG). Epileptic seizures exert an autonomous effect on heart rate variability (HRV) that is a measurable, continuous and non-invasive indicator In this project, different systems of recognition of epileptic seizures were evaluated through ECG signals using characteristics of the HRV and morphological, statistical and frequency characteristics of the ECG. This, implemented in a device that records ECG in real time, could help patients keep better control of their lives and provide information to doctors for a proper diagnosis and follow up. For the development of the project, ECG signals were collected from databases available in free repositories and from institutions providing health services. The use of these signals was endorsed by the Institutional Ethics Committee of the EIA University. These signals were processed and filtered according to different signals quality indexes (SQI), and 56 characteristics of the HRV and ECG were extracted of the entire signal. These characteristics were analyzed by means of statistical methods to choose which contributed to the detection of epileptic seizures. Different neural network classifiers, support vector machines (SVN) and nearest neighbor methods (k-NN) that recognize these patterns were designed and, finally, the validity of these systems was evaluated to differentiate seizures. The SVN with polynomial function of third order obtained 82.8% ± 8.9% sensitivity and 80.78% ± 11.75% specificity. The neural network with three hidden layers obtained 79.8% ± 5.1% sensitivity and 74.1% ± 6.8% specificity. Finally, the k-NN method with k = 3 obtained 75.6% ± 12.6% sensitivity and 68.3% ± 6.4% specificity. These systems of identification of epileptic seizures can contribute to the implementation of new non-invasive technologies for diagnosis and monitoring of patients with epilepsy. The best performing system was the support vector machine.
  • Miniatura
    PublicaciónAcceso abierto
    Máquina de vector soporte multidimensional para la negociación de divisas en el mercado Forex
    (Universidad EIA, 2018) Castaño Calderón, Daniel; Marín Tobón, Juan Diego; Peña Palacio, Juan Alejandro. IM, MsC, PhD; Universidad EIA
    El mercado Forex es uno de los mercados más negociados en la actualidad gracias a las características que este ofrece. Dadas las características que posee el mercado de divisas como la gran velocidad a la cual fluctúan los precios en el mismo, la alta volatilidad, liquidez y las diferentes formas de apalancamiento, surgen nuevas plataformas de trading avanzadas que han permitido que las personas puedan negociar automáticamente a través de robots de trading, con lo cual se crea la necesidad de utilizar técnicas de inteligencia artificial para diseñar negociadores automáticos, los cuales cuentan con la capacidad de detectar patrones que un ser humano no puede percibir a simple vista, además de tener un aprendizaje propio a medida que se realizan operaciones en el mercado. En este trabajo se desarrolla un modelo a partir de la técnica de inteligencia artificial llamada máquina vector soporte, el cual pueda ser introducido en el mercado Forex para realizar negociación automática a partir de indicadores técnicos, los cuales son seleccionados con base en revisión bibliográfica de diferentes estrategias de negociación, y finalmente se valida el modelo a través de Backtesting, en donde los beneficios son el criterio para determinar la eficiencia del modelo en este mercado. Por último, de acuerdo a los resultados obtenidos se identifican tres tipos de eficiencias: La eficiencia con respecto a los beneficios, en la cual el modelo es eficiente ya que genera rendimientos durante el periodo de prueba; la eficiencia operativa del modelo, en la cual se muestra un alto porcentaje de error, por lo cual el modelo no es confiable en este aspecto; por último, de cara a la eficiencia basada en el riesgo/beneficio, se observa que el modelo es ineficiente, esto debido a la rentabilidad obtenida dentro del periodo de prueba frente al riesgo que representa el mercado de divisas.