Modelado y caracterización de señales cerebrales mediante wavelets y proyección sobre variables latentes

Abstract

[ES] En el presente trabajo se ha realizado la caracterización y clasificación de trastornos del sueño a partir de los EEGs registrados en Polisomnografías. Mediante la Transformada Wavelet Discreta, se han obtenido series de coeficientes referentes a distintas bandas de frecuencia con información sobre el registro. Posteriormente se ha realizado un Análisis de Componentes Principales con los parámetros calculados sobre las series de coeficientes. Finalmente se ha obtenido una matriz de observaciones formada por tantos vectoresfila de características, como individuos. Esta ha sido empleada en modelos K-Vecinos Más Próximos y Análisis Discriminante basado en Mínimos Cuadrados Parciales, para el análisis y estudio de las diversas patologías.

[CA] En el present treball s’ha realitzat la caracterització i classificació de desordres del somni partint de dades dels EEGs obtinguts en Polisomnografies. Mitjançant la Transformada Wavelet Discreta, s’han obtingut sèries de coeficients referents a diferents intervals de freqüència amb informació del registre. Posteriorment s’ha realitzat un Anàlisi de Components Principals amb el paràmetres calculats sobre les sèries de coeficients. Finalment s’ha obtingut una matriu d’observacions formada per tants vectors fila de característiques, com individus. Aquesta s’ha emprat en models K-Veïns Més Pròxims i Anàlisi Discriminant basat en Mínims Quadrats Parcials, per tal d’analitzar i estudiar les diverses patologies.

[EN] The goal of this project is the characterization and classification of sleeping disorders using EEG from Polysomnography records. Using the Discrete Wavelet Transform, series of coefficients with information about different frequency bands of the EEG signal were obtained. Afterwards a Principal Component Analysis was performed with the parameters calculated about Wavelet Transform coefficients. Finally, an observation matrix was obtained, having as many row vectors as individuals. This matrix was imputed in the generation of K-Nearest Neighbour models and Partial Least Square – Discriminant Analysis, for the analysis and study of various illnesses.