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