Santos Peñas, MatildeGarcía-Prieto Cuesta, Juan2023-06-202023-06-202011https://hdl.handle.net/20.500.14352/46361Máster en Investigación en Informática, Facultad de Informática, Departamento de Arquitectura de Computadores y Automática, curso 2010-2011La Enfermedad de Alzheimer adquiere una importancia cada vez mayor para el ser humano. Su diagnostico precoz como por ejemplo en la fase conocida como síndrome de Deterioro Cognitivo Leve, es útil para el tratamiento de dicha enfermedad. La magnetoencefalografía es una técnica relativamente moderna, que adquiere relevancia por su idoneidad para el estudio de la dinámica de las redes cerebral desde una perspectiva de conectividad Funcional. Mediante el tratamiento de datos magnetoencefalográficos pertenecientes a una prueba neuropsicológica y su estudio desde una perspectiva de Conectividad Funcional a través del algoritmo de Sincronización Likelihood, el presente trabajo pretende abordar el estudio de dichas señales para aplicar Máquinas de Vectores de Soporte y desarrollar un método de clasificación eficaz de pacientes con el síndrome de Deterioro Cognitivo Leve. Diferentes estrategias de pre-procesamiento serán estudiadas valorando sus resultados de manera paralela para intentar desarrollar un procedimiento estandarizado que sirva tanto para el método de clasificación utilizado en este trabajo como para posteriores aplicaciones. Diferentes funciones kernel serán valoradas para el conjunto de test y sus resultados y eficiencia de ejecución sometida a estudio comparativo. Así mismo, mediante el uso de la teoría de Predicción Conformal, la clasificación mediante Máquinas de Vectores de Soporte incorporará una medida cuantitativa de la fiabilidad y la credibilidad de cada predicción. Los resultados arrojan la cifra de 86 % de predicciones positivas para el conjunto de datos estudiado, mediante una estrategia de entrenamiento que minimiza el riesgo de sobreentrenamiento denominada leave one out cross validation. Por último, los resultados obtenidos serán evaluados mediante una técnica de eliminación recursiva de características, para permitir valorar desde una perspectiva neuropsicológica los diferentes links de sincronización cerebral más relevantes para la función de clasificación. Permitiendo de este modo, un posterior contraste de hipótesis sobre los efectos de la Enfermedad de Alzheimer y sus efectos en diferentes procesos cognitivos. [ABSTRACT] Alzheimer Disease and Mild Cognitive Impairment are an issue of serious global concern. Scientific progress has brought great benefits to the modern society; meanwhile the rapid increase in life expectancy has raised difference neurophysiology issues. The idea that appears in the horizon is clearly the possibility of an earlier diagnose of Alzheimer illness. The importance of early diagnose becomes critical due to the fact that neurological systems do not recover from degeneration. Therefore, an early detection and subsequent treatment could at least slow the cognitive disrepairment. There have been very satisfactory results while applying Likelihood Synchronization algorithm due to its particular capabilities towards time-space-synchronization capabilities. Since then, once introduced the processing algorithm to MEG data, synchronization gives an index which provides a nonlinear characterization of functional connectivity. This work represents a first approach from an Artificial Intelligence perspective by means of applying Machine Learning Support Vector Machine techniques in a twofold manner: mainly as an effort to develop a classifier based on MEG recordings and to try to develop a standardized procedure for dealing with MEG Synchronization recordings; and secondly a possible approach to extract information of the brain functioning inferred from the previously trained classifier. Trained SVM were used in order to apply Enhanced Recursive Feature Elimination techniques and weight the influence of single Synchronization Likelihood links on each classifier decision. Conformal prediction will grow a layer of credibility and reliability to prediction results. Final results show a top 86% correct ratio by leave one out cross validation training scheme, with linear, polynomial and radial basis kernels.engAtribución-NoComercial 3.0 Españamaster thesisopen access004:61(043.3)510.5(043.3)616.831-073.97(043.3)Enfermedad de AlzheimerDeterioro Cognitivo LeveMagnetoencefalografíaConectividad FuncionalSincronización LikelihoodMáquinas de Vectores de SoportePredicción ConformalEliminación Recursiva de Características. Alzheimer DiseaseMild Cognitive ImpairmentMagnetoencephalographyFunctional ConnectivityLikelihood SynchronizationSupport Vector MachineConformal PredictionRecursive Feature EliminationSistemas expertos