Examinando por Materia "Procesamiento de señales"

Mostrando 1 - 4 de 4
  • Miniatura
    PublicaciónAcceso abierto
    Base de datos de señales electrofisiológicas
    (Universidad EIA, 2013) Paniagua Gutiérrez, Yurley Viviana; Torres Villa, Róbinson Alberto
    En este trabajo de grado se pretende construir una base de datos de señales electrofisiológicas que contenga información de diferentes tipos de estudios, en este caso en particular se construyó un módulo en el cual se realizan dos tipos de actividades de concentración, la primera es una monotarea (jugar Sudoku) y la segunda es una multitarea (jugar sudoku y solitario); por medio de la elaboración de un algoritmo de tres interfaces, una de captura de señales, otra de consulta y por último una de procesamiento digital de dichas señales que permitan la reproducibilidad de la adquisición de datos para fines de investigación biomédica.
  • Miniatura
    PublicaciónAcceso abierto
    Semillero de procesamiento y detección de patrones en señales 2024-1
    (Universidad EIA, 2024) Alzate Márquez, Mateo; Gallón Duque, Santiago; Gutiérrez Noguera, Santiago; Jaramillo Codina, Alejandra Sofía; Zuluaga Gómez, Isabella; Castaño López, Juan Carlos
    RESUMEN: en el semillero de procesamiento de señales se utilizó una base de datos de estímulos emocionales por realidad virtual ya existente en donde se utilizaron señales de electrocardiograma (ECG). La base de datos contenía registros de 34 personas sometidas a 12 diferentes estímulos de realidad virtual (VR), clasificados como "felices" o "tristes", después se procesaron las señales usando Python y diversas librerías, comenzando con la limpieza y normalización de datos, seguida de la eliminación de ruido mediante el método IModPoly y un filtro pasa bajas de Butterworth y junto a esto se calcularon la frecuencia cardíaca y su variabilidad, la coherencia fisiológica y la entropía de Shannon como características de esta señal. Luego, se implementaron modelos de machine learning (KNN, MLP, SVM) para clasificar los estados emocionales, optimizando parámetros mediante GridSearchCV y evaluando los modelos con técnicas estándar de clasificación y gráficos SHAP para interpretar la importancia de las características. El ejercicio arrojó resultados como el análisis comparativo que mostró que el modelo KNN tuvo el mejor rendimiento con un área bajo la curva ROC de 0.71, seguido por MLP y SVM, ambos con un área de 0.61, también un análisis de las características demostró que las más influyentes fueron la coherencia fisiológica y la frecuencia cardíaca. Finalmente se concluyó que el modelo KNN fue el más adecuado para el conjunto de datos, mientras que MLP y SVM mostraron potencial en escenarios específicos con más datos y separación clara entre clases. El semillero estuvo constituido de sesiones explicativas y creativas donde se creó código de programación para resolver el problema planteado en el objetivo general.
  • Miniatura
    PublicaciónAcceso abierto
    Semillero de investigación de procesamiento y deteccion de patrones en señales 2024-2
    (Universidad EIA, 2024) Alzate Márquez, Mateo; Albino Pérez, Mary Leidy; Arcila Trejos, Juan José; Tobón Gallego, Mateo; Jaramillo, Alejandra Sofía
    RESUMEN: En el semillero del semestre 2024_2 se explora la clasificación de estados emocionales de "Felicidad" y "Tristeza" utilizando un modelo Random Forest entrenado con datos de señales de ECG obtenidas mediante estímulos musicales. Siguiendo el protocolo descrito en "Automatic ECG-Based Emotion Recognition in Music Listening" de Hsu et al. y empleando la Geneva Emotional Music Scale (GEMS), se realizó un experimento con participantes saludables de entre 15 y 25 años. Las señales se adquirieron utilizando la plataforma MAXREFDES104 Health Sensor en un entorno controlado, con dos listas de reproducción diseñadas para evocar emociones felices y tristes. El preprocesamiento, la extracción de características y el análisis se llevaron a cabo en Python, logrando una precisión del 75% mediante validación cruzada estratificada. A pesar de las limitaciones del conjunto de datos, los resultados destacan el potencial de las señales de ECG para el reconocimiento emocional en áreas como la psicología, la educación y la robótica asistencial. Los trabajos futuros se enfocarán en ampliar el conjunto de datos y explorar modelos avanzados, como redes neuronales convolucionales, para mejorar la precisión y robustez.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema de reconocimiento de patrones de potenciales evocados visuales de estado estacionario
    (Universidad EIA, 2013) Lara López, Daniel Mateo; Olaya Pabón, María Camila; Cuartas Molina, Jairo Antonio
    In this work, we present the development process of an recognition system of SSVEP order to allow the people, particulary the segment with motor disability, the devices and electronic tools control using electroencephalography signals of the visual cortex placed in the occipital and parietal zone of the brain.