| Tesis Doctorales de la Universidad de Alcalá |
| STATISTICAL MODELS FOR BAYESIAN LEARNING IN TIME AND FREQUENCY DOMAINS FOR INFORMATION TECHNOLOGY APPLICATIONS | | Autor/a | al-Qaysi, Bakr Rashid Majeed | | Departamento | Teoría de la Señal y Comunicaciones | | Director/a | Rosa Zurera, Manuel | | Fecha de defensa | 24-09-2026 | | Calificación | Notable | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | No | | Resumen | Esta tesis aborda el desafío de clasificar conjuntos de datos a gran escala para determinar si los individuos son sanos o están afectados por la enfermedad de Parkinson (EP), utilizando Redes Neuronales Bayesianas (estadísticas) con estimación de Incertidumbre Predictiva para mejorar la fiabilidad de las predicciones. El entrenamiento de dichos modelos de clasificación requiere conjuntos de datos masivos para lograr resultados precisos y robustos. Debido a la escasez de datos de pacientes con EP y a la complejidad de las señales EEG no lineales y temporales, aprender patrones temporales a largo plazo y características no estacionarias de las señales biológicas representa un desafío significativo. Para superarlo, en la tesis se propone la generación de señales electroencefalográficas (EEG) sintéticas para aumentar los conjuntos de datos y mejorar el rendimiento del entrenamiento del modelo.
Inicialmente, se aplicaron modelos lineales convencionales como AR, MA y ARMA para generar señales EEG sintéticas. Sin embargo, estos no lograron preservar los componentes de alta frecuencia necesarios para la precisión diagnóstica, resultando en resultados insatisfactorios. Para superar estas limitaciones, se implementaron modelos basados en IA, seleccionando una red neuronal basada en unidades BDLSTM, que alcanzó un rendimiento superior. Con una red de una sola capa oculta con un número optimizado de celdas BDLSTM, se han obtenido resultados consistentes y estables en todos los conjuntos de datos. La evaluación mediante Error Cuadrático Medio, coeficiente de correlación de Pearson y análisis del espectro de potencia, ha confirmado que el modelo preservaba las características esenciales de las señales originales, manteniendo un equilibrio entre complejidad y precisión.
Se ha desarrollado un modelo híbrido para la clasificación de EEG, combinando Redes Neuronales Convolucionales para extraer características espaciotemporales, Redes de Memoria a Largo y Corto Plazo con memoria a largo y corto plazo para modelar los patrones temporales de las señales, y un Mecanismo de Atención para centrarse en las características más discriminativas. En la etapa final, se han empleado Redes Neuronales Bayesianas para mejorar la fiabilidad de las predicciones y habilitar la Incertidumbre Predictiva, utilizando muestreo de Monte Carlo para entrenamiento, validación y test, logrando predicciones más estables y precisas. Esta arquitectura combina la potencia de la extracción de características, modelado temporal preciso, atención eficiente a la información crítica y fiabilidad en la predicción, haciéndola adecuada para la mayoría de aplicaciones, especialmente aplicaciones médicas sensibles, donde la confianza y la incertidumbre en la predicción son cruciales para la toma de decisiones.
Para la evaluación del modelo, se ha utilizado la Curva ROC para visualizar el rendimiento en todos los umbrales de decisión, y se calculó el Área Bajo la Curva para proporcionar una medida cuantitativa de la capacidad del modelo para discriminar entre clases. Los resultados de la evaluación han demostrado una precisión muy alta del modelo, confirmando su gran éxito en la clasificación de datos EEG. Se ha encontrado que hyperparámetros como la constante de aprendizaje, la probabilidad de Dropout, o el tamaño de la ventana temporal usada en los datos de entrada, tienen una influencia importante en los resultados. Los mejores resultados se obtienen con constante de aprendizaje y probabilidad de Dropout inferiores a 10^{-2} y con ventanas de longitud 1024 muestras, llegando a valores de exactitud, precisión y recall próximos a la unidad, con incertidumbre media de 3.88· 10^{-3} que demuestran la utilidad del método de generacíón de datos sintéticos y del detector propuesto |
|
