Amalia Gil, Sergio Pérez Velasco, Víctor Rodríguez González, Hideyuki Hoshi, Yoshihito Shigihara
La magnetoencefalografía (MEG) es una técnica no invasiva que permite estudiar el funcionamiento del cerebro en diversas condiciones y patologías. Sin embargo, las señales MEG pueden estar contaminadas por señales indeseadas de origen no neuronal, sesgando los resultados. Por ello, resulta necesario minimizar la presencia de estas antes de analizar los datos. Uno de los métodos más empleados para abordar este problema es el Análisis de Componentes Independientes (ICA). Sin embargo, ICA no ofrece una clasificación en función del origen de las componentes de las señales, sino que esta depende, en la mayoría de los casos, de la interpretación subjetiva de un técnico. En el presente trabajo se ha desarrollado un sistema basado en Deep Learning (DL) que, haciendo uso de una variante de la Red Neuronal Convolucional EEG-Inception, permite diferenciar y clasificar las componentes ICA de origen neuronal y las componentes indeseadas. Para ello, se diseñaron y evaluaron dos sistemas de clasificación ...
© 2001-2024 Fundación Dialnet · Todos los derechos reservados