Statistical modeling and quantification of EEG signals: application to the characterization and onset detection in epileptic seizures

"Identificar la actividad cerebral epiléptica utilizando señales de electroencefalografía (EEG) en tiempo real es un problema difícil. Los métodos modernos de detección basados en técnicas avanzadas de aprendizaje automático, son efectivos pero requieren grandes conjuntos de datos de entrenamie...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Quintero-Rincón, Antonio
Otros Autores: Risk, Marcelo
Formato: Tesis de doctorado
Lenguaje:Inglés
Publicado: 2019
Materias:
EPILEPSIA
ELECTROENCEFALOGRAFIA
PROCESAMIENTO DE SEÑALES
ESTADISTICA
ALGORITMOS
Acceso en línea:http://ri.itba.edu.ar/handle/123456789/1536
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-123456789-1536
record_format dspace
spelling I32-R138-123456789-15362022-12-07T15:17:52Z Statistical modeling and quantification of EEG signals: application to the characterization and onset detection in epileptic seizures Quintero-Rincón, Antonio Risk, Marcelo Batatia, Hadj EPILEPSIA ELECTROENCEFALOGRAFIA PROCESAMIENTO DE SEÑALES ESTADISTICA ALGORITMOS "Identificar la actividad cerebral epiléptica utilizando señales de electroencefalografía (EEG) en tiempo real es un problema difícil. Los métodos modernos de detección basados en técnicas avanzadas de aprendizaje automático, son efectivos pero requieren grandes conjuntos de datos de entrenamiento y son difíciles de implementar en sistemas de monitoreo en tiempo real, debido a su costo computacional relativamente alto. Esta tesis se centra en dos problemas centrales vinculados a la caracterización de las crisis epilépticas con señales de EEG. El primero se relaciona con la detección de inicio y el otro se refiere al reconocimiento de patrones epileptiformes. Usando el nuevo método de caracterización presentado en el capítulo 2, ambos problemas pueden implementarse en tiempo real y lograr un alto rendimiento de detección. En general, esta tesis permitió aportar cinco nuevas contribuciones para tratar los problemas desafiantes de la epilepsia." "Identifying epileptic brain activity using electroencephalography signals (EEG) in real-time is a difficult problem. Modern detection methods based on advanced machine learning techniques are effective but require large training datasets, and are difficult to implement in real-time monitoring systems because of their relatively high computational cost. This thesis focuses on two central problems linked to the characterization of epileptic seizures with EEG signals. The first one is related to onset detection and the other one is about epileptiform pattern recognition. Using the new characterization method presented in chapter 2, both can be implemented in real-time and achieve a high detection performance. In general, this thesis brings five new contributions to deal with challenging epilepsy problems." Tesis Ingeniería (doctorado) - Instituto Tecnológico de Buenos Aires, Buenos Aires, 2019 2019-04-11T18:36:09Z 2019-04-11T18:36:09Z 2019-04 Tesis de doctorado http://ri.itba.edu.ar/handle/123456789/1536 en application/pdf
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Inglés
topic EPILEPSIA
ELECTROENCEFALOGRAFIA
PROCESAMIENTO DE SEÑALES
ESTADISTICA
ALGORITMOS
spellingShingle EPILEPSIA
ELECTROENCEFALOGRAFIA
PROCESAMIENTO DE SEÑALES
ESTADISTICA
ALGORITMOS
Quintero-Rincón, Antonio
Statistical modeling and quantification of EEG signals: application to the characterization and onset detection in epileptic seizures
topic_facet EPILEPSIA
ELECTROENCEFALOGRAFIA
PROCESAMIENTO DE SEÑALES
ESTADISTICA
ALGORITMOS
description "Identificar la actividad cerebral epiléptica utilizando señales de electroencefalografía (EEG) en tiempo real es un problema difícil. Los métodos modernos de detección basados en técnicas avanzadas de aprendizaje automático, son efectivos pero requieren grandes conjuntos de datos de entrenamiento y son difíciles de implementar en sistemas de monitoreo en tiempo real, debido a su costo computacional relativamente alto. Esta tesis se centra en dos problemas centrales vinculados a la caracterización de las crisis epilépticas con señales de EEG. El primero se relaciona con la detección de inicio y el otro se refiere al reconocimiento de patrones epileptiformes. Usando el nuevo método de caracterización presentado en el capítulo 2, ambos problemas pueden implementarse en tiempo real y lograr un alto rendimiento de detección. En general, esta tesis permitió aportar cinco nuevas contribuciones para tratar los problemas desafiantes de la epilepsia."
author2 Risk, Marcelo
author_facet Risk, Marcelo
Quintero-Rincón, Antonio
format Tesis de doctorado
author Quintero-Rincón, Antonio
author_sort Quintero-Rincón, Antonio
title Statistical modeling and quantification of EEG signals: application to the characterization and onset detection in epileptic seizures
title_short Statistical modeling and quantification of EEG signals: application to the characterization and onset detection in epileptic seizures
title_full Statistical modeling and quantification of EEG signals: application to the characterization and onset detection in epileptic seizures
title_fullStr Statistical modeling and quantification of EEG signals: application to the characterization and onset detection in epileptic seizures
title_full_unstemmed Statistical modeling and quantification of EEG signals: application to the characterization and onset detection in epileptic seizures
title_sort statistical modeling and quantification of eeg signals: application to the characterization and onset detection in epileptic seizures
publishDate 2019
url http://ri.itba.edu.ar/handle/123456789/1536
work_keys_str_mv AT quinterorinconantonio statisticalmodelingandquantificationofeegsignalsapplicationtothecharacterizationandonsetdetectioninepilepticseizures
_version_ 1765660811071586304

Ejemplares similares