Método de clasificación para detección de estrés empleando electroencefalograma
dc.audience | generalPublic | es_MX |
dc.contributor | Carrillo Ruíz, Maya | |
dc.contributor | Colmenares Guillen, Luis Enrique | |
dc.contributor.advisor | CARRILLO RUIZ, MAYA; 217251 | |
dc.contributor.advisor | COLMENARES GUILLEN, LUIS ENRIQUE; 386446 | |
dc.contributor.author | Colula Medel, Iván | |
dc.date.accessioned | 2020-08-20T14:24:40Z | |
dc.date.available | 2020-08-20T14:24:40Z | |
dc.date.issued | 2018-12 | |
dc.description.abstract | “La presente investigación tuvo como objetivo desarrollar e implementar un m´etodo para detección de estr´es empleando electroencefalograma. Para lograrlo se tomó el Electroencefalograma (EEG) a 25 participantes con la diadema Emotiv Epoc plus. Adem´as, a dichos participantes, se les aplicó el test “Escala de Estr´es Percibido”(PSS), que mide el estrés general. Los participantes fueron estudiantes Universitarios de la Benemérita Universidad Auto´noma de Puebla con una edad promedio de 24 an˜os. Una vez obtenidas las señales EEGs de cada participante se analizaron con un software desarrollado en matlab. El software implementa tres fami- lias wavelet: coiflet, Daubichies y biorthogonal. Posteriormente se tomaron los coeficientes wavelet que corresponden a las frecuencias beta, pues el estr´es se produce a frecuencias altas de las ondas beta. Dichos coeficientes se eti- quetaron de acuerdo a los resultados obtenidos por el test PSS en dos clases: estr´es bajo y estr´es alto. Ya etiquetados los coeficientes se clasificaron utili- zando weka y los siguientes algoritmos de aprendizaje autom´atico: m´aquinas de soporte vectorial (SVM), random forest y naive bayes . Los mejores resultados se obtuvieron utilizando coiflet de orden 1 para descomponer las sen˜al y random forest para la clasificaci´on, obteniendo un70.25 % de preciso.” | es_MX |
dc.folio | 747818TL | es_MX |
dc.format | es_MX | |
dc.identifier.uri | https://hdl.handle.net/20.500.12371/7257 | |
dc.language.iso | spa | es_MX |
dc.matricula.creator | 201041500 | es_MX |
dc.publisher | Benemérita Universidad Autónoma de Puebla | es_MX |
dc.rights.acces | openAccess | es_MX |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
dc.subject.lcc | Benemérita Universidad Autónoma de Puebla | es_MX |
dc.subject.lcc | Estrés (Fisiología)--Investigación | es_MX |
dc.subject.lcc | Estrés (Psicología) | es_MX |
dc.subject.lcc | Electroencefalografía--Investigación | es_MX |
dc.subject.lcc | Electroencefalografía--Procesamiento de datos | es_MX |
dc.subject.lcc | Software de aplicación--Desarrollo | es_MX |
dc.subject.lcc | Tren de ondas (Matemáticas)--Software | es_MX |
dc.thesis.career | Licenciatura en Ciencias de la Computación | es_MX |
dc.thesis.degreediscipline | Área de Ingeniería y Ciencias Exactas | es_MX |
dc.thesis.degreegrantor | Facultad de Ciencias de la Computación | es_MX |
dc.thesis.degreetoobtain | Ingeniero (a) en Ciencias de la Computación | es_MX |
dc.title | Método de clasificación para detección de estrés empleando electroencefalograma | es_MX |
dc.type | Tesis de licenciatura | es_MX |
dc.type.conacyt | bachelorThesis | es_MX |
dc.type.degree | Licenciatura | es_MX |