Software de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLM

La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo progresivo que representa un desafío significativo para la salud pública a nivel mundial. Se estima que millones de personas viven con esta enfermedad, y su prevalencia continúa en aumento (Alzheimer's Association, 2021). La dete...

Full description

Autores:
Peña Jiménez, Yitzhak
Salas Redondo, Set
Zhu Ye, Kenny
Tipo de recurso:
Fecha de publicación:
2025
Institución:
Universidad del Norte
Repositorio:
Repositorio Uninorte
Idioma:
spa
OAI Identifier:
oai:manglar.uninorte.edu.co:10584/13413
Acceso en línea:
http://hdl.handle.net/10584/13413
Palabra clave:
Alzheimer
Redes Neuronales Convolucionales
Electroencefalograma
Alzheimer
Convolutional neural networks
Electroencephalography
Rights
License
Universidad del Norte
id REPOUNORT2_127772cdf154578ced22e49590d98bfa
oai_identifier_str oai:manglar.uninorte.edu.co:10584/13413
network_acronym_str REPOUNORT2
network_name_str Repositorio Uninorte
repository_id_str
dc.title.es_ES.fl_str_mv Software de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLM
dc.title.en_US.fl_str_mv EEG signal analysis software for alzheimer's detection using CNNs and LLMs
title Software de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLM
spellingShingle Software de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLM
Alzheimer
Redes Neuronales Convolucionales
Electroencefalograma
Alzheimer
Convolutional neural networks
Electroencephalography
title_short Software de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLM
title_full Software de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLM
title_fullStr Software de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLM
title_full_unstemmed Software de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLM
title_sort Software de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLM
dc.creator.fl_str_mv Peña Jiménez, Yitzhak
Salas Redondo, Set
Zhu Ye, Kenny
dc.contributor.advisor.none.fl_str_mv Zurek, Eduardo
dc.contributor.author.none.fl_str_mv Peña Jiménez, Yitzhak
Salas Redondo, Set
Zhu Ye, Kenny
dc.subject.es_ES.fl_str_mv Alzheimer
Redes Neuronales Convolucionales
Electroencefalograma
topic Alzheimer
Redes Neuronales Convolucionales
Electroencefalograma
Alzheimer
Convolutional neural networks
Electroencephalography
dc.subject.en_US.fl_str_mv Alzheimer
Convolutional neural networks
Electroencephalography
description La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo progresivo que representa un desafío significativo para la salud pública a nivel mundial. Se estima que millones de personas viven con esta enfermedad, y su prevalencia continúa en aumento (Alzheimer's Association, 2021). La detección temprana de la EA es fundamental para implementar intervenciones que puedan ralentizar su progresión y mejorar significativamente la calidad de vida de los pacientes (Sperling et al., 2011). En este contexto, el electroencefalograma (EEG) ha emergido como una herramienta prometedora para la identificación de patrones en biomarcadores asociados a la EA, proporcionando información valiosa sobre los cambios en la actividad eléctrica cerebral relacionados a esta enfermedad, y presentando una ventaja sobre otros medios de detección, al ser mas accesible y menos invasivo. Sin embargo, los métodos actuales para el analisis de señales de EEG a menudo son limitados en su capacidad de interpretación. Muchos enfoques existentes carecen de herramientas efectivas para visualizar, localizar y explicar anomalías relacionadas al alzheimer en las señales de EEG, lo que dificulta la identificación y visualización de patrones relevantes en los biomarcadores relacionados a esta enfermedad. Por lo tanto, este proyecto se centra en desarrollar un prototipo de software que analice señales de EEG para identificar la presencia de Alzheimer a traves de patrones en biomarcadores asociados a esta enfermedad. Utilizaremos técnicas avanzadas de procesamiento de señales y modelos de machine learning, como redes neuronales convolucionales (CNN), para analizar el comportamiento de estas señales en diferentes areas del cerebro.
publishDate 2025
dc.date.accessioned.none.fl_str_mv 2025-06-05T15:35:14Z
dc.date.available.none.fl_str_mv 2025-06-05T15:35:14Z
dc.date.issued.none.fl_str_mv 2025-06-04
dc.type.es_ES.fl_str_mv article
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10584/13413
url http://hdl.handle.net/10584/13413
dc.language.iso.es_ES.fl_str_mv spa
language spa
dc.rights.es_ES.fl_str_mv Universidad del Norte
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Universidad del Norte
http://purl.org/coar/access_right/c_abf2
dc.publisher.es_ES.fl_str_mv Barranquilla, Universidad del Norte, 2025
institution Universidad del Norte
bitstream.url.fl_str_mv https://manglar.uninorte.edu.co/bitstream/10584/13413/1/PF_final.pdf
https://manglar.uninorte.edu.co/bitstream/10584/13413/2/poster-pf.pdf
https://manglar.uninorte.edu.co/bitstream/10584/13413/3/license.txt
bitstream.checksum.fl_str_mv 4a93929845d5b06341346e688410db94
2842e6a076c786063da925a38ce9c24e
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Digital de la Universidad del Norte
repository.mail.fl_str_mv mauribe@uninorte.edu.co
_version_ 1836754002916671488
spelling Zurek, EduardoPeña Jiménez, YitzhakSalas Redondo, SetZhu Ye, Kenny2025-06-05T15:35:14Z2025-06-05T15:35:14Z2025-06-04http://hdl.handle.net/10584/13413La enfermedad de Alzheimer (EA) es un trastorno neurodegenerativo progresivo que representa un desafío significativo para la salud pública a nivel mundial. Se estima que millones de personas viven con esta enfermedad, y su prevalencia continúa en aumento (Alzheimer's Association, 2021). La detección temprana de la EA es fundamental para implementar intervenciones que puedan ralentizar su progresión y mejorar significativamente la calidad de vida de los pacientes (Sperling et al., 2011). En este contexto, el electroencefalograma (EEG) ha emergido como una herramienta prometedora para la identificación de patrones en biomarcadores asociados a la EA, proporcionando información valiosa sobre los cambios en la actividad eléctrica cerebral relacionados a esta enfermedad, y presentando una ventaja sobre otros medios de detección, al ser mas accesible y menos invasivo. Sin embargo, los métodos actuales para el analisis de señales de EEG a menudo son limitados en su capacidad de interpretación. Muchos enfoques existentes carecen de herramientas efectivas para visualizar, localizar y explicar anomalías relacionadas al alzheimer en las señales de EEG, lo que dificulta la identificación y visualización de patrones relevantes en los biomarcadores relacionados a esta enfermedad. Por lo tanto, este proyecto se centra en desarrollar un prototipo de software que analice señales de EEG para identificar la presencia de Alzheimer a traves de patrones en biomarcadores asociados a esta enfermedad. Utilizaremos técnicas avanzadas de procesamiento de señales y modelos de machine learning, como redes neuronales convolucionales (CNN), para analizar el comportamiento de estas señales en diferentes areas del cerebro.Alzheimer’s disease (AD) is a progressive neurodegenerative disorder that poses a significant public health challenge worldwide. It is estimated that millions of people live with this disease, and its prevalence continues to rise (Alzheimer's Association, 2021). Early detection of AD is crucial for implementing interventions that can slow its progression and significantly improve patients' quality of life (Sperling et al., 2011). In this context, electroencephalography (EEG) has emerged as a promising tool for identifying patterns in biomarkers associated with AD. EEG provides valuable information about changes in brain electrical activity related to the disease and offers advantages over other detection methods by being more accessible and less invasive. However, current methods for analyzing EEG signals are often limited in their interpretability. Many existing approaches lack effective tools for visualizing, localizing, and explaining AD-related anomalies in EEG signals, making it difficult to identify and interpret relevant patterns in associated biomarkers. Therefore, this project focuses on developing a software prototype that analyzes EEG signals to identify the presence of Alzheimer’s disease through patterns in related biomarkers. We will use advanced signal processing techniques and machine learning models, such as convolutional neural networks (CNNs), to analyze the behavior of these signals across different areas of the brain.spaBarranquilla, Universidad del Norte, 2025Universidad del Nortehttp://purl.org/coar/access_right/c_abf2AlzheimerRedes Neuronales ConvolucionalesElectroencefalogramaAlzheimerConvolutional neural networksElectroencephalographySoftware de análisis de señales de EEG para la detección de alzheimer con modelos de CNN y LLMEEG signal analysis software for alzheimer's detection using CNNs and LLMsarticlehttp://purl.org/coar/resource_type/c_6501Nieto, WilsonORIGINALPF_final.pdfPF_final.pdfArtículo principalapplication/pdf1224194https://manglar.uninorte.edu.co/bitstream/10584/13413/1/PF_final.pdf4a93929845d5b06341346e688410db94MD51poster-pf.pdfposter-pf.pdfPósterapplication/pdf6870167https://manglar.uninorte.edu.co/bitstream/10584/13413/2/poster-pf.pdf2842e6a076c786063da925a38ce9c24eMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://manglar.uninorte.edu.co/bitstream/10584/13413/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5310584/13413oai:manglar.uninorte.edu.co:10584/134132025-06-05 10:35:14.457Repositorio Digital de la Universidad del Nortemauribe@uninorte.edu.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

Publicaciones similares