Procesamiento de lecturas de actividad motriz para el desarrollo de un modelo de clasificación de pacientes con depresión y personas sanas.

Depression is a mental disorder that can become chronic and significantly hamper the performance of daily life. In its most serious form, it can lead to suicide. Motor activity measurements have become an emerging topic in the field of mental health. Several studies use sensors to measure movements...

Descripción completa

Detalles Bibliográficos
Autores: Espino Salinas, Carlos Humberto, Gamaliel Moreno Chávez, Enrique García Ceja
Tipo de recurso: tesis de maestría
Estado:Versión publicada
Fecha de publicación:2021
País:México
Institución:Universidad Autónoma de Zacatecas
Repositorio:Repositorio Institucional Caxcán
Idioma:español
OAI Identifier:oai:http://ricaxcan.uaz.edu.mx:20.500.11845/2587
Acceso en línea:http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/2587
Access Level:acceso abierto
Palabra clave:INGENIERIA Y TECNOLOGIA [7]
Depresión
Diagnostico
Actividad motriz
Redes neuronales Profundas
Aprendizaje automático
Depresión dataset
id MX_726e56e2088dc87f200d2ebae8a33fd9
oai_identifier_str oai:http://ricaxcan.uaz.edu.mx:20.500.11845/2587
network_acronym_str MX
network_name_str México
repository_id_str
spelling Procesamiento de lecturas de actividad motriz para el desarrollo de un modelo de clasificación de pacientes con depresión y personas sanas.Processing of motor activity readings for the development of a classification model for patients with depression and healthy people.Espino Salinas, Carlos HumbertoGamaliel Moreno ChávezEnrique García CejaINGENIERIA Y TECNOLOGIA [7]DepresiónDiagnosticoActividad motrizRedes neuronales ProfundasAprendizaje automáticoDepresión datasetDepression is a mental disorder that can become chronic and significantly hamper the performance of daily life. In its most serious form, it can lead to suicide. Motor activity measurements have become an emerging topic in the field of mental health. Several studies use sensors to measure movements of patients over time to create a diagnosis. The aim is to develop a model based on some machine learning techniques and genetic algorithms, to classify patients with depression and healthy people using motor activity. Readings of 55 patients (32 control patients and 23 patients with condition) were selected, during period of one week, obtaining a total of 385 observations (participants) and 1440 characteristics (time intervals) from which the intervals of one minute more representative to develop a machine learning model using algorithms such as: neural networks, logistic regression, random forests, vector support machines and deep neural networks where the latter obtained the best performance with 80.24% precision, it was trained with 270 of participants and was tested with remaining 30% of data, which 61 were correctly diagnosed as healthy and 32 with depression. Based on these results, it can be concluded that the implementation of these models in an assisted diagnostic tool can help avoid cases of severe depression.La depresión es un trastorno mental que puede volverse crónico y obstaculiza significativamente el rendimiento de la vida diaria. En su forma más grave, puede llevar al suicidio. Las mediciones de actividad motriz se han convertido en un tema emergente en el campo de la salud mental. Varios estudios utilizan sensores para medir los movimientos de los pacientes a lo largo del tiempo para ayudar al diagnostico. El objetivo es desarrollar un modelo basado en algunas técnicas de aprendizaje automático y algoritmos genéticos, con el fin de clasificar pacientes con depresión y personas sanas utilizando la actividad motriz. Se seleccionaron las lecturas de 55 pacientes (32 pacientes control y 23 pacientes con la afección), durante el periodo de una semana obteniendo un total de 385 observaciones (participantes) y 1440 características (intervalos de tiempo) de las cuales se extrajeron los intervalos de un minuto más representativos para desarrollar un modelo de aprendizaje automático utilizando algoritmos como: redes neuronales, regresión logística, bosques aleatorios, máquinas de soporte vectorial y redes neuronales profundas donde estas últimas obtuvieron el mejor desempeño con un 80.24 % de precisión, fue entrenada con 270 observaciones y fue puesta a prueba con el 30 % de datos restante de los cuales 61 fueron clasificadas como sanas y 32 con depresión de forma correctas. En base a estos resultados, se puede concluir que la implementación de estos modelos en alguna herramienta de diagnóstico asistido puede ayudar evitar casos de depresión severa.Universidad Autónoma de ZacatecasCarlos Eric Galván Tejada0000-0001-8092-13332021-06-15T14:58:05Z2021-06-15T14:58:05Z2021-06-04info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionapplication/pdfinfo:eu-repo/semantics/acceptedVersionhttp://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/2587reponame:Repositorio Institucional Caxcáninstname:Universidad Autónoma de Zacatecasinstacron:UAZspaMaestro en Ciencias del Procesamiento de la InformacióngeneralPublicGlobalinfo:eu-repo/semantics/openAccessoai:http://ricaxcan.uaz.edu.mx:20.500.11845/25872024-08-28T03:20:01Z
dc.title.none.fl_str_mv Procesamiento de lecturas de actividad motriz para el desarrollo de un modelo de clasificación de pacientes con depresión y personas sanas.
Processing of motor activity readings for the development of a classification model for patients with depression and healthy people.
title Procesamiento de lecturas de actividad motriz para el desarrollo de un modelo de clasificación de pacientes con depresión y personas sanas.
spellingShingle Procesamiento de lecturas de actividad motriz para el desarrollo de un modelo de clasificación de pacientes con depresión y personas sanas.
Espino Salinas, Carlos Humberto
INGENIERIA Y TECNOLOGIA [7]
Depresión
Diagnostico
Actividad motriz
Redes neuronales Profundas
Aprendizaje automático
Depresión dataset
title_short Procesamiento de lecturas de actividad motriz para el desarrollo de un modelo de clasificación de pacientes con depresión y personas sanas.
title_full Procesamiento de lecturas de actividad motriz para el desarrollo de un modelo de clasificación de pacientes con depresión y personas sanas.
title_fullStr Procesamiento de lecturas de actividad motriz para el desarrollo de un modelo de clasificación de pacientes con depresión y personas sanas.
title_full_unstemmed Procesamiento de lecturas de actividad motriz para el desarrollo de un modelo de clasificación de pacientes con depresión y personas sanas.
title_sort Procesamiento de lecturas de actividad motriz para el desarrollo de un modelo de clasificación de pacientes con depresión y personas sanas.
dc.creator.none.fl_str_mv Espino Salinas, Carlos Humberto
Gamaliel Moreno Chávez
Enrique García Ceja
author Espino Salinas, Carlos Humberto
author_facet Espino Salinas, Carlos Humberto
Gamaliel Moreno Chávez
Enrique García Ceja
author_role author
author2 Gamaliel Moreno Chávez
Enrique García Ceja
author2_role author
author
dc.contributor.none.fl_str_mv Carlos Eric Galván Tejada
0000-0001-8092-1333
dc.subject.none.fl_str_mv INGENIERIA Y TECNOLOGIA [7]
Depresión
Diagnostico
Actividad motriz
Redes neuronales Profundas
Aprendizaje automático
Depresión dataset
topic INGENIERIA Y TECNOLOGIA [7]
Depresión
Diagnostico
Actividad motriz
Redes neuronales Profundas
Aprendizaje automático
Depresión dataset
description Depression is a mental disorder that can become chronic and significantly hamper the performance of daily life. In its most serious form, it can lead to suicide. Motor activity measurements have become an emerging topic in the field of mental health. Several studies use sensors to measure movements of patients over time to create a diagnosis. The aim is to develop a model based on some machine learning techniques and genetic algorithms, to classify patients with depression and healthy people using motor activity. Readings of 55 patients (32 control patients and 23 patients with condition) were selected, during period of one week, obtaining a total of 385 observations (participants) and 1440 characteristics (time intervals) from which the intervals of one minute more representative to develop a machine learning model using algorithms such as: neural networks, logistic regression, random forests, vector support machines and deep neural networks where the latter obtained the best performance with 80.24% precision, it was trained with 270 of participants and was tested with remaining 30% of data, which 61 were correctly diagnosed as healthy and 32 with depression. Based on these results, it can be concluded that the implementation of these models in an assisted diagnostic tool can help avoid cases of severe depression.
publishDate 2021
dc.date.none.fl_str_mv 2021-06-15T14:58:05Z
2021-06-15T14:58:05Z
2021-06-04
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/2587
identifier_str_mv info:eu-repo/semantics/acceptedVersion
url http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/2587
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv Maestro en Ciencias del Procesamiento de la Información
generalPublic
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv Global
dc.publisher.none.fl_str_mv Universidad Autónoma de Zacatecas
publisher.none.fl_str_mv Universidad Autónoma de Zacatecas
dc.source.none.fl_str_mv reponame:Repositorio Institucional Caxcán
instname:Universidad Autónoma de Zacatecas
instacron:UAZ
instname_str Universidad Autónoma de Zacatecas
instacron_str UAZ
institution UAZ
reponame_str Repositorio Institucional Caxcán
collection Repositorio Institucional Caxcán
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1858175703800872960
score 14,964248

Similares en LA Referencia