INFLUENCIA DEL DESBALANCE EN LA DETECCION DE DESORDENES PSIQUIATRICOS MEDIANTE EGG

Abstract

En esta tesis se aborda la problemática del desbalance de clases en la detección de trastornos psiquiátricos utilizando señales de electroencefalogramas (EEG). A lo largo del desarrollo, se muestra cómo este tipo de sesgo puede influuir de manera considerable en el rendimiento de los modelos de aprendizaje automático, generando una tendencia hacia las clases más representadas y dejando de lado información relevante de las clases minoritarias. Se abordan conceptos fundamentales sobre la electroencefalografía, los tipos de trastornos mentales que pueden identificarse mediante esta técnica y las implicaciones que tiene el desbalance de clases en ese contexto. Además, los resultados muestran que, si bien todos los clasificadores presentan un rendimiento competente, es importante tener en cuenta la implementación de distintas estrategias para contrarrestar este problema, como el submuestreo, el sobremuestreo y la generación de datos sintéticos (SMOTE). Estas técnicas se evalúan sobre un conjunto de datos, y se comparan los resultados obtenidos con y sin su aplicación. Los resultados reflejan que el uso adecuado de estas herramientas pueden mejorar notablemente la detección de los trastornos, permitiendo un análisis más justo y completo de la información. Finalmente, se ofrecen recomendaciones practicas sobre el uso de estos algoritmos en contextos clínicos y se plantean propuestas para investigaciones futuras.