La forma de pensar y de vivir de las personas ha ido cambiando a lo largo de la historia debido a los avances tecnológicos. Estas innovaciones han permitido un gran desarrollo en el campo de la medicina, entre otros. El desarrollo de nuevos softwares y herramientas matemáticas, contribuyen a mejorar el diagnóstico que realizan los médicos a la hora de detectar una enfermedad.
En este proyecto se aborda la epilepsia, una enfermedad que afecta a millones de pacientes en el mundo, con nuevos casos cada día, y afectando a la calidad de vida de las personas que la padecen. La presentación de esta enfermedad se centra en los conceptos más básicos, pero suficientes para poder continuar con el estudio de señales del encefalograma a través de algoritmos de Deep Learning para su caracterización. Este estudio se ha realizado teniendo en cuenta consideraciones éticas, con datos procedentes de una base de datos pública y anónima, manteniendo su confidencialidad.
Destacando el Deep Learning como uno de los grandes avances tecnológicos de los últimos años, éste ha generado gran interés debido a su capacidad para detectar enfermedades causadas por ritmos cerebrales anómalos o patologías a través de redes neuronales. El proyecto está centrado en el desarrollo de un modelo de red neuronal, un autocodificador variacional para la detección de crisis epilépticas. Por ello, el proyecto incluye tecnologías en continua evolución como la inteligencia artificial y el Deep learning para mejorar la precisión y la eficiencia en la identificación de crisis epilépticas, contribuyendo a mejorar la calidad de vida de las personas que la sufren.
Dentro de los factores económicos y ambientales, cabe destacar que el coste se puede reducir a largo plazo gracias a estos métodos, ya que el tratamiento de las personas sea menos elevado y la atención de la epilepsia más sencilla. Pero en relación con el impacto ambiental, el entramiento de un modelo de Deep Learning puede suponer un gran consumo de energía, por lo que el factor de sostenibilidad se ha tenido en cuenta con la implementación de un modelo sencillo pero eficaz.
La metodología que ha seguido el desarrollo de este proyecto se basa en un enfoque de optimización iterativa. Se recopilaron los datos y fueron preprocesados. Posteriormente, ha sido necesario iterar con ellos de manera continua hasta llegar a los resultados deseados con diferentes tipos de normalización de datos, hiperparámetros del modelo, capas del modelo, etc.
Los resultados obtenidos demuestran que el espacio latente del modelo de autocodificador variacional proporciona una mejor representación del espacio latente en comparación con el autocodificador estándar. Se demuestra además, a través de las métricas de rendimiento del CVAE, destacando la precisión, que existe una mejora en la detección de las crisis en el espacio latente del CVAE. Adicionalmente, la capacidad del CVAE para generar nuevas señales proporciona nuevas posibilidades para la simulación y análisis de datos en escenarios controlados.
En conclusión, el modelo CVAE se presenta como una herramienta prometedora para la detección de crisis epilépticas, ofreciendo ventajas significativas en términos de precisión y capacidad de generación de datos. Este trabajo no solo contribuye al avance del conocimiento en el campo del Deep learning en la medicina, sino también a futuras investigaciones y aplicaciones prácticas en el diagnóstico y manejo de la epilepsia.
Abstract:
The way people think and live has been changing throughout history due to technological advances. These innovations have allowed significant developments in the field of medicine, among others. The development of new software and mathematical tools contributes to the diagnosis made by doctors when detecting a disease.
In this proyect, epilepsy is presented, a disease that affects millions of patients worldwide, with new cases every day, impacting the quality of life of those who suffer from it. The presentation of this disease focuses on the most basic concepts, but enough to continue with the study of electroencephalogram signals through Deep Learning algorithms for its characterizations. This study has been conducted ethically, using data from a public and Anonymous database, maintaining confidentiality.
Highlighting Deep Learning as one of the technological advances, it has generated great interest due to its ability to detect diseases caused by abnormal brain rythms or pathologies through neural networks. The proyect focuses on the development of a neural network model, a variational autoencoder, for the detection of epileptic seizures. Therefore, the Project includes continuosly evolving technologies such as artificial intelligence and Deep Learning to improve the accuracy and efficiency in the identification of epileptic seizues, contributing to improving the quality of life of those who suffer from it.
Considering economic and environmental factors, it is worth nothing that costs can be reduced in log term thanks to these methods, as the treatment of people becomes less expensive and epilepsy care simple. However, regarding environmental impact, training a Deep Learning model can result in high energy consumption, so the sustainability has been considered with the implementation of a simple yet effective model.
The methodology followed in the development of this proyect is base don an iterative optimization approach. Data were collected and preprocessed. Subsequently, it was necessary to continuosly iterate with them intil reaching the desired results with different types of data normalization, model hyperparameters, model layers, etc.
The results obteained demonstrate that the latent space of the variational autoencoder model provides a better representation of the latent space compared to the standard autoencoder. It is demonstrated, though CVAE performance metrics, highlighting precision, an improvement in the detection of seizures in the CVAE’s latente space. Additionally, the CVAE’s ability to generate new signals provides new possibilities for the simulation and análisis of data in controlled scenarios.
In conclusion, the CVAE model is presented as promising tool for the detection of epileptic seizures, offering significant advantages in terms of precision and data generation capability. This work not only contributes to advancing knowledge in the field of Deep Learning in medicine but also to future research and practical applications in the diagnosis and management of epilepsy.
La forma de pensar y de vivir de las personas ha ido cambiando a lo largo de la historia debido a los avances tecnológicos. Estas innovaciones han permitido un gran desarrollo en el campo de la medicina, entre otros. El desarrollo de nuevos softwares y herramientas matemáticas, contribuyen a mejorar el diagnóstico que realizan los médicos a la hora de detectar una enfermedad.
En este proyecto se aborda la epilepsia, una enfermedad que afecta a millones de pacientes en el mundo, con nuevos casos cada día, y afectando a la calidad de vida de las personas que la padecen. La presentación de esta enfermedad se centra en los conceptos más básicos, pero suficientes para poder continuar con el estudio de señales del encefalograma a través de algoritmos de Deep Learning para su caracterización. Este estudio se ha realizado teniendo en cuenta consideraciones éticas, con datos procedentes de una base de datos pública y anónima, manteniendo su confidencialidad.
Destacando el Deep Learning como uno de los grandes avances tecnológicos de los últimos años, éste ha generado gran interés debido a su capacidad para detectar enfermedades causadas por ritmos cerebrales anómalos o patologías a través de redes neuronales. El proyecto está centrado en el desarrollo de un modelo de red neuronal, un autocodificador variacional para la detección de crisis epilépticas. Por ello, el proyecto incluye tecnologías en continua evolución como la inteligencia artificial y el Deep learning para mejorar la precisión y la eficiencia en la identificación de crisis epilépticas, contribuyendo a mejorar la calidad de vida de las personas que la sufren.
Dentro de los factores económicos y ambientales, cabe destacar que el coste se puede reducir a largo plazo gracias a estos métodos, ya que el tratamiento de las personas sea menos elevado y la atención de la epilepsia más sencilla. Pero en relación con el impacto ambiental, el entramiento de un modelo de Deep Learning puede suponer un gran consumo de energía, por lo que el factor de sostenibilidad se ha tenido en cuenta con la implementación de un modelo sencillo pero eficaz.
La metodología que ha seguido el desarrollo de este proyecto se basa en un enfoque de optimización iterativa. Se recopilaron los datos y fueron preprocesados. Posteriormente, ha sido necesario iterar con ellos de manera continua hasta llegar a los resultados deseados con diferentes tipos de normalización de datos, hiperparámetros del modelo, capas del modelo, etc.
Los resultados obtenidos demuestran que el espacio latente del modelo de autocodificador variacional proporciona una mejor representación del espacio latente en comparación con el autocodificador estándar. Se demuestra además, a través de las métricas de rendimiento del CVAE, destacando la precisión, que existe una mejora en la detección de las crisis en el espacio latente del CVAE. Adicionalmente, la capacidad del CVAE para generar nuevas señales proporciona nuevas posibilidades para la simulación y análisis de datos en escenarios controlados.
En conclusión, el modelo CVAE se presenta como una herramienta prometedora para la detección de crisis epilépticas, ofreciendo ventajas significativas en términos de precisión y capacidad de generación de datos. Este trabajo no solo contribuye al avance del conocimiento en el campo del Deep learning en la medicina, sino también a futuras investigaciones y aplicaciones prácticas en el diagnóstico y manejo de la epilepsia.
Abstract:
The way people think and live has been changing throughout history due to technological advances. These innovations have allowed significant developments in the field of medicine, among others. The development of new software and mathematical tools contributes to the diagnosis made by doctors when detecting a disease.
In this proyect, epilepsy is presented, a disease that affects millions of patients worldwide, with new cases every day, impacting the quality of life of those who suffer from it. The presentation of this disease focuses on the most basic concepts, but enough to continue with the study of electroencephalogram signals through Deep Learning algorithms for its characterizations. This study has been conducted ethically, using data from a public and Anonymous database, maintaining confidentiality.
Highlighting Deep Learning as one of the technological advances, it has generated great interest due to its ability to detect diseases caused by abnormal brain rythms or pathologies through neural networks. The proyect focuses on the development of a neural network model, a variational autoencoder, for the detection of epileptic seizures. Therefore, the Project includes continuosly evolving technologies such as artificial intelligence and Deep Learning to improve the accuracy and efficiency in the identification of epileptic seizues, contributing to improving the quality of life of those who suffer from it.
Considering economic and environmental factors, it is worth nothing that costs can be reduced in log term thanks to these methods, as the treatment of people becomes less expensive and epilepsy care simple. However, regarding environmental impact, training a Deep Learning model can result in high energy consumption, so the sustainability has been considered with the implementation of a simple yet effective model.
The methodology followed in the development of this proyect is base don an iterative optimization approach. Data were collected and preprocessed. Subsequently, it was necessary to continuosly iterate with them intil reaching the desired results with different types of data normalization, model hyperparameters, model layers, etc.
The results obteained demonstrate that the latent space of the variational autoencoder model provides a better representation of the latent space compared to the standard autoencoder. It is demonstrated, though CVAE performance metrics, highlighting precision, an improvement in the detection of seizures in the CVAE’s latente space. Additionally, the CVAE’s ability to generate new signals provides new possibilities for the simulation and análisis of data in controlled scenarios.
In conclusion, the CVAE model is presented as promising tool for the detection of epileptic seizures, offering significant advantages in terms of precision and data generation capability. This work not only contributes to advancing knowledge in the field of Deep Learning in medicine but also to future research and practical applications in the diagnosis and management of epilepsy. Read More
Related posts:
Generación de imágenes sintéticas para estimar la orientación del rostro
Estudio de la atención en las arquitecturas transformer
Comparación cualitativa de los resultados de la esqueletización de los viales identificados por segmentación semántica usando redes generativas y de los algoritmos tradicionales
Renderizado de escenas dinámicas usando el marco de trabajo TiNeuVox basado en NeRF
Modelización 3D de la Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía (BIM) a partir de escaneos
Monitorización a través de la voz y mediante redes neuronales de pacientes de la enfermedad de Parkinson