000 | 03287nam a22003737a 4500 | ||
---|---|---|---|
003 | EC-UrYT | ||
005 | 20221206000926.0 | ||
008 | 150116t9999 mx r gr 000 0 spa d | ||
040 | _cEC-UrYT | ||
041 |
_aeng _bspa |
||
100 | 1 |
_912774 _aCarrión Ojeda, Dustin Javier _eautor |
|
245 | 1 | 0 |
_aBiometric system based on electroencephalogram analysis / _cDustin Javier Carrión Ojeda ; tutor Israel Gustavo Pineda Arias y Rigoberto Salomón Fonseca Delgado |
264 | 4 |
_aUrcuquí, _c2020 |
|
300 |
_a96 hojas : _bilustraciones (algunas a color) ; _c30 cm + _e1 CD-ROM |
||
502 |
_aTrabajo de integración curricular _b(Ingeniero/a en Tecnologías de la Información) _cUniversidad de Investigación de Tecnología Experimental Yachay. _gUrcuquí, _d2020 |
||
504 | _aIncluye referencias bibliográficas (páginas 71-86) | ||
506 | _aTrabajo de integración curricular con acceso abierto | ||
516 | _aTexto (Hypertexto Links) | ||
520 | _aActualmente la búsqueda de nuevos rasgos biométricos es una necesidad debido a que los rasgos tradicionales como huella dactilar, voz o rostro, son altamente propensos a falsificaciones. Por tal motivo, el estudio de señales bioeléctricas llama la atención por su potencial para desarrollar sistemas biométricos. Una motivación para utilizar señales electroencefalográficas es que son únicas para cada persona y son mucho más difíciles de replicar que los biométricos convencionales. El presente estudio está enfocado en el desarrollo de un sistema biométrico basado en el análisis de electroencefalogramas (EEG). Empleando seis clasificadores distintos: Clasificador ingenuo de Bayes (GNB), K-vecinos más cercanos (KNN), Bosque aleatorio (RF), AdaBoost (AB), Máquina de vectores de soporte (SVM) y Perceptrón multicapa (MLP); se realizó una comparación entre diferentes niveles de descomposición de la transformada discreta de ondícula, utilizada como método de preprocesamiento. Demostrando que el nivel de descomposición no posee un gran impacto sobre el resultado general del sistema. Posteriormente se analizó el efecto del tiempo de grabación de los EEGs sobre el desempeño del sistema, probando que este tiempo es un factor altamente influyente del desempeño general. Cabe mencionar que, durante este estudio, se utilizaron dos conjuntos de datos distintos. Finalmente, SVM y AB fueron los mejores clasificadores ya que obtuvieron valores de sensibilidad, especificidad y precisión superiores a 95%. | ||
546 | _aTextos en inglés con resúmenes en español e inglés | ||
650 | 0 |
_912770 _aBiometrics |
|
650 | 0 |
_912775 _aElectroencephalogram |
|
650 | 0 |
_912776 _aLevel of decomposition |
|
650 | 0 |
_912777 _aRecording time |
|
650 | 0 |
_912778 _aClassification |
|
650 | 0 |
_912779 _aDiscrete wavelet transform |
|
650 | 0 |
_93891 _aTecnologías de la Información _vTrabajos y disertaciones académicas |
|
700 | 1 |
_912595 _aPineda Arias, Israel Gustavo _etutor |
|
700 | 1 |
_912709 _aFonseca Delgado, Rigoberto Salomón _etutor |
|
710 | 1 |
_aUniversidad de Investigación de Tecnología Experimental Yachay. _bEscuela de Ciencias Matemáticas Computacionales _911232 |
|
856 |
_zVer recurso _uhttp://repositorio.yachaytech.edu.ec/handle/123456789/245 |
||
942 |
_2ddc _cTIC |
||
999 |
_c3950 _d3950 |