Identificación automática del núcleo subtalámico mediante el entrenamiento de redes neuronales convolucionales a partir de señales MER

Simple item page
dc.contributor.advisorVargas Cardona, Hernán Darío
dc.contributor.authorLozano Millán, Diego Alejandro
dc.contributor.authorParada Hernández, Andrés
dc.contributor.authorVega Preciado, Christian Camilo
dc.date.accessioned2025-02-24T17:11:53Z
dc.date.available2025-02-24T17:11:53Z
dc.date.issued2024
dc.description.abstractSegún la Organización Mundial de la Salud, la enfermedad de Parkinson ha impactado de manera significativa a la población mayor en todo el mundo. Para reducir los efectos secundarios de los medicamentos y superar las limitaciones de las terapias convencionales, la estimulación cerebral profunda (DBS, por sus siglas en inglés) se ha consolidado como una alternativa de gran valor. No obstante, su aplicación plantea desafíos importantes. Este procedimiento se centra en la implantación de microelectrodos en el núcleo subtalámico (STN, Subthalamic Nucleus) para, posteriormente, aplicar una estimulación que disminuye los temblores característicos de la enfermedad. Aunque se han logrado avances en la identificación del STN, el proceso sigue siendo complejo y requiere el desarrollo de sistemas automatizados que permitan a los especialistas tomar decisiones informadas con mayor facilidad. Para abordar estos desafíos en la identificación del STN mediante señales MER, se formuló la siguiente pregunta de investigación principal: ¿Cómo identificar el STN mediante el entrenamiento de modelos basados en CNN con las señales MER?. A partir de esta interrogante, se derivan otras preguntas clave que estructuran el proceso de investigación: ¿Cuáles son los procedimientos necesarios para llevar a cabo el preprocesamiento de una base de datos de señales MER previamente etiquetadas, incluyendo registros del STN y otras estructuras relevantes en la EP?; ¿Cuáles son las arquitecturas o modelos basados en CNN más adecuados para implementar en la identificación del STN a partir de señales MER?; y, finalmente, ¿Cómo se puede realizar una evaluación robusta y confiable del rendimiento de los diferentes modelos de CNN en el contexto de clasificación, utilizando métricas apropiadas para medir su eficacia? Estas preguntas orientan el desarrollo de una metodología sólida que contempla desde el procesamiento de datos hasta la elección de modelos y la evaluación rigurosa de su desempeño, con el objetivo de optimizar la identificación del STN en pacientes con Parkinson.
dc.description.abstractengAccording to the World Health Organization, Parkinson's disease has significantly impacted the elderly population around the world. To reduce the side effects of medications and overcome the limitations of conventional therapies, deep brain stimulation (DBS) has established itself as a valuable alternative. However, its application poses significant challenges. This procedure focuses on the implantation of microelectrodes in the subthalamic nucleus (STN) to subsequently apply stimulation that reduces the tremors characteristic of the disease. Although progress has been made in identifying STN, the process remains complex and requires the development of automated systems that allow specialists to make informed decisions more easily. To address these challenges in STN identification using MER signals, the following primary research question was formulated: How to identify the STN by training CNN-based models with MER signals? From this question, other key questions are derived that structure the research process: What are the necessary procedures to carry out the preprocessing of a database of previously labeled MER signals, including STN records and other relevant structures in PD?; What are the most appropriate CNN-based architectures or models to implement for STN identification from MER signals? and, finally, how can a robust and reliable evaluation of the performance of different CNN models be performed in the classification context, using appropriate metrics to measure their effectiveness? These questions guide the development of a solid methodology that covers everything from data processing to the choice of models and the rigorous evaluation of their performance, with the aim of optimizing the identification of the STN in patients with Parkinson's.
dc.format.extent89 p.
dc.format.mimetypeapplication/pdf
dc.identifier.urihttp://hdl.handle.net/11522/4526
dc.language.isospa
dc.publisherPontificia Universidad Javariana Cali
dc.publisher.facultyFacultad de Ingeniería y Ciencias
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectNúcleo Subtalámico
dc.subjectEnfermedad de Parkinson
dc.subjectRed Neuronal
dc.subjectSeñales MER
dc.subjectEstimulación Cerebral Profunda
dc.subjectSubthalamic Nucleus
dc.subjectParkinson's Disease
dc.subjectNeural Network
dc.subjectMER Signals (Microelectrode Recordings Signals)
dc.subjectDeep Brain Stimulation
dc.thesis.disciplineFacultad de Ingeniería y Ciencias. Maestría en Ciencia de Datos - Modalidad virtual
dc.thesis.grantorPontificia Universidad Javeriana
dc.thesis.levelMaestría
dc.thesis.nameMagíster en Ciencia de Datos
dc.titleIdentificación automática del núcleo subtalámico mediante el entrenamiento de redes neuronales convolucionales a partir de señales MERspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
Files
Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
informe_proyecto_grado_ (5).pdf
Size:
1.78 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Licencia Autorizacion (1).pdf
Size:
888.21 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ciencia de Datos