Tesis (Ingeniero Electrónico) -- Universidad Surcolombiana. Facultad de Ingeniería, Programa de Ingeniería Electrónica, 2016.

Somnolencia, concepto y consecuencias, trastornos del sueño, estado del arte sobre la somnolencia y sus sistemas de detección -- Electroencefalografia y somnolencia, actividad eléctrica cerebral, conducción nerviosa, señales y potenciales bioelectricos, electroencefalograma, características de la señal EEG, EMOTIV Epoc+, ritmos cerebrales, ondas delta, ondas Theta, Ondas Alpha, ondas beta, ondas Gamma -- Fases del sueño, I, II, III, IV,Rem -- Procesamiento de la señal EEG, adquisición de la señal EEG, normalización de la señal, ventaneo de la señal, filtrado y cotación de la señal, transformada discreta de wavelet, niveles y coeficientes, umbralización, coeficientes de aproximación y de detalle, transformada inversa discreta y de Wavelet -- Procesamiento y caracterización de la señal EEG, densidad espectral de potencia, caracterización EEG, historial de muestras de EEG, análisis de componentes principales, normalización de características, aplicación del pca -- Reconocimiento de patrones para la clasificación de la señal EEG, preparación de datos, seccionamiento de datos y validación cruzada, pipeline, stack de clasificación, indicadores de entrenamiento, validación y testeo, precisión, exhaustivamente, vectores, valor F – K- ésimo vecino mas cercano -- maquina de vectores de soporte, Análisis de resultados, análisis del subproceso de preprocesamiento de la señal, análisis del subproceso de procesamiento de la señal, análisis del subproceso de clasificación y reconocimiento de patrones de la señal, análisis de los sistemas de entrenamiento y clasificación.

"Este documento presenta un algoritmo para el procesamiento de señales electroencefalográficas EEG con el objetivo de detectar estados de somnolencia y vigilia. El dispositivo seleccionado para la adquisición de los registros EEG utilizados durante el desarrollo de este proyecto, es el EPOC+, diseñado y fabricado por Emotiv Systems. Las muestras electroencefalográficas, regularmente contaminadas por artefactos, deben ser sometidas a una etapa de preprocesamiento antes de continuar con los pasos lógicos en el proceso de caracterización. Se realizó el proceso de atenuación de artefactos utilizando la transformada discreta de Wavelet junto con el método de umbralización suave, para luego reconstruir la señal con su transformada inversa. Mediante la función de densidad espectral de potencia, se procede a determinar los estadios de vigilia y somnolencia. De este proceso fue posible extraer seis características por canal, para posteriormente construir un vector final de 84 características, las cuales representan una ventana de tiempo de cuatro segundos de duración. El algoritmo de máquinas de vectores de soporte con kernel gaussiano fue la técnica de aprendizaje supervisado finalmente elegida, siendo esta la encargada de los procedimientos de clasificación y reconocimiento de patrones que establecerían el estado de la persona y con la cual se alcanzó un 92% de exactitud".

El CD-ROM para ser consultado en la Biblioteca. Hemeroteca.Director. José de Jesús Salgado Patrón.