Risco Martín, José LuisPagán Ortiz, JosuéViñas Martins, Fernando2023-06-182023-06-182017https://hdl.handle.net/20.500.14352/20508Trabajo de Fin de Grado en Ingeniería Informática (Universidad Complutense, Facultad de Informática, curso 2016/2017)Buscamos predecir crisis de migraña mediante técnicas de aprendizaje automático. Estas técnicas serán introducidas en un dispositivo electrónico que monitoriza y predice las migrañas del paciente para su uso médico. A día de hoy, han surgido diversos enfoques sobre la predicción de migrañas que han respondido al problema. Uno ha dado muy buenos resultados. Se basa en el entrenamiento de un modelo de aprendizaje automático construido mediante variables hemodinámicas y la intensidad del dolor sufrida por el paciente. Como criterio de decisión se empleó un módulo muy sencillo. Se trata de un umbral que detecta si hay migraña. Sin embargo, debido a los posibles errores en la señal derivados de su uso en la vida real, el umbral puede dar falsos positivos al ser superado sin haber episodios de migraña. Se hace necesaria la mejora de este criterio de decisión. El siguiente trabajo pretende abordar el desarrollo de un sistema de apoyo a decisión para mejorar la respuesta del criterio basado en umbral y sustituirlo. Plantea el desarrollo de un sistema decisor previo basado en datos biomédicos, el desarrollo de un sistema predictor de migrañas basado en datos ambientales y su integración en un sistema decisor experto mayor que incluya información acerca de los síntomas prodrómicos y de los datos de actividad para enriquecerlo. El experimento final nos ha dado como resultado que quien comanda la robustez del sistema es el sistema decisor previo basado en datos biomédicos. Por otro lado, la influencia de los datos ambientales según el enfoque utilizado es nula, la de los datos prodrómicos es muy débil y la de los datos de actividad de los pacientes es algo más relevante. Por ello, la información periférica añadida no nos sirve de mucho.The aim of this work is to predict migraine crisis with machine learning techniques. These techniques will be implemented into an electronic device, which will be used for monitoring and prediction of these migraine crisis. Nowadays, there are several approaches about migraine prediction that have tackled the problem. One of them have offered good results. It is based on the training of a machine learning model built with hemodynamic variables and the intensity of the pain suffered by the patient. As decision criteria a simple module was used. It detects if a migraine occur through a threshold. But, because of the possible errors in the signal in a real time scenario, the threshold could give false positives if is reached without migraine episodes. The improvement of this decision criteria is necessary. Additionally, this work seeks to approach the development of a Decision Support System based on environmental data to improve the response of the threshold-based criteria and to substitute it. We have planned the development of a migraine decision system based on biomedical data and the development of a migraine predictor system based on environmental data to integrate them in a mayor expert decision system, which include information about prodromic symptoms and activity data to enrich it. The final experiment gave us the result that who commands the robustness of the final system is the previous decision system based on biomedical data. On the other hand, according to our approach, the ambient data influence is null, the influence of prodromic data is very weak and activity data is a bit more relevant. Therefore, the peripheral information added doesn’t serve us much.spaAtribución-NoComercial 3.0 Españabachelor thesisopen access004.85(043.3)519.216.3(043.3)004:61(043.3)Modelado y simulaciónSistema experto decisorPerceptrón multicapaAdaptive neuro fuzzy inference system (ANFIS)Active LearningModeling and simulationExpert decision systemMulti-layer perceptronInteligencia artificial (Informática)Estadística aplicadaInformática médica y telemedicina1203.04 Inteligencia Artificial