Resumen

Uno de los trastornos mentales graves en los que las personas interpretan la realidad de forma anormal es la esquizofrenia. La esquizofrenia provoca una combinación de pensamientos extremadamente desordenados, delirios y alucinaciones, y las funciones diarias de una persona se ven gravemente perturbadas por este trastorno. La esquizofrenia provoca una amplia gama de problemas, como alteraciones del pensamiento y del comportamiento. En el campo de la neurociencia humana, el análisis de la actividad cerebral es un área de investigación muy importante. Para el análisis de la actividad cognitiva general, las señales de electroencefalografía (EEG) se utilizan ampliamente como herramienta de diagnóstico de baja resolución. Las señales de EEG son una gran ayuda para entender la anormalidad de los trastornos cerebrales, especialmente la esquizofrenia. En este trabajo se realiza una clasificación de señales de EEG de esquizofrenia en la que, inicialmente, se extraen características como el Análisis de Fluctuación de Detrend (DFA), el Exponente de Hurst, el Análisis de Cuantificación de Recurrencias (RQA), la Entropía de Muestra, la Dimensión Fractal (FD), la Complejidad de Kolmogorov, el exponente de Hjorth, la Complejidad de Lempel Ziv (LZC) y el Exponente de Lyapunov más grande (LLE). Las características extraídas son, entonces, optimizadas para seleccionar las mejores características a través de cuatro tipos de algoritmos de optimización aquí, como la optimización de la Flora Artificial (AF), la optimización de la Búsqueda de la Lombriz (GS), la optimización del Agujero Negro (BH), y la optimización de la Búsqueda del Mono (MS), y finalmente, se clasifica a través de ciertos clasificadores. Los mejores resultados muestran que, para los casos normales, se obtiene una precisión de clasificación del 87,54% cuando se utiliza la optimización BH con el kernel Support Vector Machine-Radial Basis Function (SVM-RBF), y para los casos de esquizofrenia, se obtiene una precisión de clasificación del 92,17% cuando se utiliza la optimización BH con el kernel SVM-RBF.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:precisión de la clasificación, esquizofrenia, optimización de bh, trastornos mentales graves, rango del problema, máquina de vectores de apoyo, área de investigación importante, análisis de cuantificación de recurrencia, tipo de optimización, función de base radial
• Keywords:classification accuracy, schizophrenia, bh optimization, serious mental disorders, range of problem, support vector machine, important research area, recurrence quantification analysis, type of optimization, radial basis function