APRENDIZAJE NO SUPERVISADO A DATOS ELECTROENCEFALOGRÁFICOS DISCRETIZADOS

RESUMEN

Introducción. Los estudios de Electroencefalografía son de creciente interés, impulsados por la constante adquisición de datos. Las Tecnologías de Información  integran el tratamiento de datos estructurados y no estructurados, incluyendo el electroencefalograma. Las Ciencias de Datos convergen con la Inteligencia Artificial, teniendo como punto de encuentro el Aprendizaje Automático.

Esta investigación realiza un Análisis Exploratorio exhaustivo sobre datos electroencefalográficos discretizados, formalizando la adquisición de electroencefalogramas en el ámbito académico con estudiantes de Ingeniería en Computación de la Facultad de Estudios Superiores Aragón.

Se seleccionó el Aprendizaje No Supervisado para la búsqueda de patrones en registros no etiquetados, logrando un óptimo desempeño con la combinación de técnicas de agrupación y el manejo de datos atípicos. Se adquirió un conjunto de datos de 398,491 registros, sometidos al aprendizaje automático, consolidando muestras en la población estudiada y favoreciendo la visualización de características mediante la Reducción de la Dimensionalidad.

Objetivos. Los objetivos principales de esta investigación fueron formalizar la adquisición de electroencefalograma en el ámbito académico, desarrollar un Análisis Exploratorio exhaustivo sobre datos electroencefalográficos discretizados, seleccionar el Aprendizaje No Supervisado para la búsqueda de patrones en registros no etiquetados, y encontrar el óptimo desempeño en el Aprendizaje No Supervisado mediante la combinación de técnicas de agrupación y el manejo de datos atípicos.

Resultados. Los resultados demostraron la efectividad del Aprendizaje No Supervisado para la búsqueda de patrones en registros electroencefalográficos no etiquetados. El algoritmo HDBSCAN destacó por su superior desempeño en comparación con otros algoritmos de clustering. El manejo de datos atípicos y la Reducción de la Dimensionalidad contribuyeron a mejorar la calidad e interpretabilidad de los resultados.

Contrario a lo esperado, la implementación de una arquitectura de procesamiento distribuida o el uso de muestreo estratificado no generaron una mejora significativa en los resultados.

Conclusiones. La investigación concluyó que el Aprendizaje No Supervisado, especialmente el algoritmo HDBSCAN, es efectivo para el análisis de datos EEG discretizados. El manejo de datos atípicos y la Reducción de la Dimensionalidad son técnicas complementarias importantes. Se exploraron cinco enfoques de aprendizaje automático, y se completaron satisfactoriamente los objetivos del estudio, incluyendo el análisis de datos cerebrales y el ajuste de modelos de aprendizaje automático. El estudio enfrenta incertidumbre debido a la naturaleza compleja y dinámica del cerebro, y aunque los resultados iniciales mejoraron, aún existen limitaciones y áreas de mejora.