Modelado autorregresivo de señales electroencefalográficas para simuladores médicos
RESUMEN: El registro de la actividad eléctrica cerebral ha permitido la comprensión de diferentes estados neurofisiológicos, posibilitando el diagnóstico de algunos trastornos neuronales, de aquí, la importancia de la caracterización y el conocimiento de las diferentes morfologías que pueden present...
- Autores:
-
Sánchez Restrepo, Frank
Hernández Valdivieso, Alher Mauricio
- Tipo de recurso:
- Article of investigation
- Fecha de publicación:
- 2017
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/26409
- Acceso en línea:
- http://hdl.handle.net/10495/26409
- Palabra clave:
- Electroencefalografía
Electroencephalography
Aplicaciones de la Informática Médica
Medical Informatics Applications
Modelado
Modeling
Simuladores
Modelos matemáticos
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/2.5/co/
| id |
UDEA2_e80a6842cdf085747ef7cb224eaffe04 |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/26409 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelado autorregresivo de señales electroencefalográficas para simuladores médicos |
| dc.title.translated.spa.fl_str_mv |
Autoregressive modelling of electroencephalographic signals for medical simulators |
| title |
Modelado autorregresivo de señales electroencefalográficas para simuladores médicos |
| spellingShingle |
Modelado autorregresivo de señales electroencefalográficas para simuladores médicos Electroencefalografía Electroencephalography Aplicaciones de la Informática Médica Medical Informatics Applications Modelado Modeling Simuladores Modelos matemáticos |
| title_short |
Modelado autorregresivo de señales electroencefalográficas para simuladores médicos |
| title_full |
Modelado autorregresivo de señales electroencefalográficas para simuladores médicos |
| title_fullStr |
Modelado autorregresivo de señales electroencefalográficas para simuladores médicos |
| title_full_unstemmed |
Modelado autorregresivo de señales electroencefalográficas para simuladores médicos |
| title_sort |
Modelado autorregresivo de señales electroencefalográficas para simuladores médicos |
| dc.creator.fl_str_mv |
Sánchez Restrepo, Frank Hernández Valdivieso, Alher Mauricio |
| dc.contributor.author.none.fl_str_mv |
Sánchez Restrepo, Frank Hernández Valdivieso, Alher Mauricio |
| dc.contributor.researchgroup.spa.fl_str_mv |
Grupo de Investigación en Bioinstrumentación e Ingeniería Clínica (GIBIC) |
| dc.subject.decs.none.fl_str_mv |
Electroencefalografía Electroencephalography Aplicaciones de la Informática Médica Medical Informatics Applications |
| topic |
Electroencefalografía Electroencephalography Aplicaciones de la Informática Médica Medical Informatics Applications Modelado Modeling Simuladores Modelos matemáticos |
| dc.subject.lemb.none.fl_str_mv |
Modelado Modeling |
| dc.subject.proposal.spa.fl_str_mv |
Simuladores Modelos matemáticos |
| description |
RESUMEN: El registro de la actividad eléctrica cerebral ha permitido la comprensión de diferentes estados neurofisiológicos, posibilitando el diagnóstico de algunos trastornos neuronales, de aquí, la importancia de la caracterización y el conocimiento de las diferentes morfologías que pueden presentarlas señales de electroencefalografía (EEG). El modelado matemático de señales biomédicas facilita el desarrollo de simuladores que pueden servir como herramienta de entrenamiento médico en computadores o dispositivos móviles. Este artículo presenta el modelado paramétrico autorregresivo (AR) y la simulación de señales EEG en diferentes estados fisiológicos, como: reposo con ojos abiertos y cerrados y crisis epilépticas, además bajo la presencia de algunos de los artefactos más comunes, como son: parpadeo, actividad muscular, electrodo “pop” y ruido 60Hz. Se valida el desempeño de los modelos en el dominio del tiempo a través del porcentaje de ajuste FIT, el cual siempre estuvo por encima del 70%, y en el dominio de la frecuencia a través de la energía en las bandas de frecuencia características del EEG. Se presenta la metodología de modelado, los gráficos de las señales simuladas y los valores de los parámetros evaluados. La amplia variedad de señales EEG modeladas permitirá el desarrollo de simuladores de señales cerebrales para el entrenamiento del personal médico, e igualmente para el análisis y la caracterización de las señales de electroencefalografía. |
| publishDate |
2017 |
| dc.date.issued.none.fl_str_mv |
2017 |
| dc.date.accessioned.none.fl_str_mv |
2022-03-04T21:06:52Z |
| dc.date.available.none.fl_str_mv |
2022-03-04T21:06:52Z |
| dc.type.spa.fl_str_mv |
Artículo de investigación |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/ART |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/article |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| format |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| status_str |
publishedVersion |
| dc.identifier.issn.none.fl_str_mv |
0122-3461 |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10495/26409 |
| dc.identifier.doi.none.fl_str_mv |
10.14482/inde.35.2.10164 |
| dc.identifier.eissn.none.fl_str_mv |
2145-9371 |
| identifier_str_mv |
0122-3461 10.14482/inde.35.2.10164 2145-9371 |
| url |
http://hdl.handle.net/10495/26409 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.ispartofjournalabbrev.spa.fl_str_mv |
Ing. Desarro. |
| dc.relation.citationendpage.spa.fl_str_mv |
356 |
| dc.relation.citationissue.spa.fl_str_mv |
2 |
| dc.relation.citationstartpage.spa.fl_str_mv |
337 |
| dc.relation.citationvolume.spa.fl_str_mv |
35 |
| dc.relation.ispartofjournal.spa.fl_str_mv |
Ingeniería y Desarrollo |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
20 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Ediciones Uninorte |
| dc.publisher.place.spa.fl_str_mv |
Barranquilla, Colombia |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstreams/c04633a1-db5e-45d5-9554-fff65490d502/download https://bibliotecadigital.udea.edu.co/bitstreams/33baee21-5c3a-4d4d-8efc-4ebff1a526f1/download https://bibliotecadigital.udea.edu.co/bitstreams/1783717d-46de-4292-8f66-d1b6797c7064/download https://bibliotecadigital.udea.edu.co/bitstreams/8853d237-df9b-474d-bfa9-e4490b9e8582/download https://bibliotecadigital.udea.edu.co/bitstreams/f851c57f-5b3f-4116-a2c7-d7259f589d67/download |
| bitstream.checksum.fl_str_mv |
e2060682c9c70d4d30c83c51448f4eed aacabc2d1dafc963f58a7f15126ccfb7 8a4605be74aa9ea9d79846c1fba20a33 13a016f7f7f6562a1ec46ca97d6dde64 52f14f0991e2c569669f3d0962ea4a99 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional de la Universidad de Antioquia |
| repository.mail.fl_str_mv |
aplicacionbibliotecadigitalbiblioteca@udea.edu.co |
| _version_ |
1851052556300582912 |
| spelling |
Sánchez Restrepo, FrankHernández Valdivieso, Alher MauricioGrupo de Investigación en Bioinstrumentación e Ingeniería Clínica (GIBIC)2022-03-04T21:06:52Z2022-03-04T21:06:52Z20170122-3461http://hdl.handle.net/10495/2640910.14482/inde.35.2.101642145-9371RESUMEN: El registro de la actividad eléctrica cerebral ha permitido la comprensión de diferentes estados neurofisiológicos, posibilitando el diagnóstico de algunos trastornos neuronales, de aquí, la importancia de la caracterización y el conocimiento de las diferentes morfologías que pueden presentarlas señales de electroencefalografía (EEG). El modelado matemático de señales biomédicas facilita el desarrollo de simuladores que pueden servir como herramienta de entrenamiento médico en computadores o dispositivos móviles. Este artículo presenta el modelado paramétrico autorregresivo (AR) y la simulación de señales EEG en diferentes estados fisiológicos, como: reposo con ojos abiertos y cerrados y crisis epilépticas, además bajo la presencia de algunos de los artefactos más comunes, como son: parpadeo, actividad muscular, electrodo “pop” y ruido 60Hz. Se valida el desempeño de los modelos en el dominio del tiempo a través del porcentaje de ajuste FIT, el cual siempre estuvo por encima del 70%, y en el dominio de la frecuencia a través de la energía en las bandas de frecuencia características del EEG. Se presenta la metodología de modelado, los gráficos de las señales simuladas y los valores de los parámetros evaluados. La amplia variedad de señales EEG modeladas permitirá el desarrollo de simuladores de señales cerebrales para el entrenamiento del personal médico, e igualmente para el análisis y la caracterización de las señales de electroencefalografía.ABSTRACT: The recording of brain electrical activity has led to a greater understanding of different neurophysiological states, has even made possible the diagnosis of some neuronal disorders, hence the importance of characterization and understanding of the different morphologies that may have electroencephalography signals (EEG). The mathematical modeling of biomedical signals facilitates the development of simulators that can be useful as medical training tools on computers or mobile devices. This paper presents the autoregressive (AR) modeling and simulation of EEG signals in different physiological states: seizures, resting with eyes open and eyes closed, and also under the presence of some of the most common artifacts: muscle, eye blinking, electrode “pop”, and 60-Hz. The performance of the models has been validated in the time domain using the percentage of fitting (FIT), which was always above 70%, and in the frequency domain through energy of the characteristic frequency bands of the EEG. The modeling methodology, figures of simulated signals and the values of the parameters evaluated are presented. The wide variety of EEG signals modeled allow the development of brain signals simulators for training of medical personnel, and also for the analysis and characterization of EEG signals.COL005496320application/pdfspaEdiciones UninorteBarranquilla, Colombiahttp://creativecommons.org/licenses/by-nc-sa/2.5/co/https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Modelado autorregresivo de señales electroencefalográficas para simuladores médicosAutoregressive modelling of electroencephalographic signals for medical simulatorsArtículo de investigaciónhttp://purl.org/coar/resource_type/c_2df8fbb1https://purl.org/redcol/resource_type/ARThttp://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionElectroencefalografíaElectroencephalographyAplicaciones de la Informática MédicaMedical Informatics ApplicationsModeladoModelingSimuladoresModelos matemáticosIng. Desarro.356233735Ingeniería y DesarrolloPublicationCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81051https://bibliotecadigital.udea.edu.co/bitstreams/c04633a1-db5e-45d5-9554-fff65490d502/downloade2060682c9c70d4d30c83c51448f4eedMD52falseAnonymousREADORIGINALSanchezFrank_2017_ModeladoElectroencefalograficas.pdfSanchezFrank_2017_ModeladoElectroencefalograficas.pdfArtículo de investigaciónapplication/pdf1262870https://bibliotecadigital.udea.edu.co/bitstreams/33baee21-5c3a-4d4d-8efc-4ebff1a526f1/downloadaacabc2d1dafc963f58a7f15126ccfb7MD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstreams/1783717d-46de-4292-8f66-d1b6797c7064/download8a4605be74aa9ea9d79846c1fba20a33MD53falseAnonymousREADTEXTSanchezFrank_2017_ModeladoElectroencefalograficas.pdf.txtSanchezFrank_2017_ModeladoElectroencefalograficas.pdf.txtExtracted texttext/plain41024https://bibliotecadigital.udea.edu.co/bitstreams/8853d237-df9b-474d-bfa9-e4490b9e8582/download13a016f7f7f6562a1ec46ca97d6dde64MD54falseAnonymousREADTHUMBNAILSanchezFrank_2017_ModeladoElectroencefalograficas.pdf.jpgSanchezFrank_2017_ModeladoElectroencefalograficas.pdf.jpgGenerated Thumbnailimage/jpeg11523https://bibliotecadigital.udea.edu.co/bitstreams/f851c57f-5b3f-4116-a2c7-d7259f589d67/download52f14f0991e2c569669f3d0962ea4a99MD55falseAnonymousREAD10495/26409oai:bibliotecadigital.udea.edu.co:10495/264092025-03-27 00:15:55.549http://creativecommons.org/licenses/by-nc-sa/2.5/co/open.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.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 |