ANÁLISIS DE PROXIMIDAD DE MODELOS OCULTOS DE MARKOV PARA LA IDENTIFICACIÓN DE FUENTES DE ESPIGAS.

• Autores: Mauricio A. Álvarez López, Álvaro A. Orozco-Gutierrez, Germán Castellanos Domínguez
• Localización: Scientia et Technica, ISSN 0122-1701, Vol. 2, Nº. 31, 2006, págs. 13-18
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Recientemente, los modelos ocultos de Markov (HMM) se han usado para identificar fuentes de espigas en el tratamiento de la enfermedad de Parkinson.

    El criterio de clasificación que suele emplearse es la regla MAP (máximo a posteriori) para reconocer la clase correcta. Sin embargo, la clasificación puede mejorarse usando análisis de proximidad transformando las matrices que caracterizan el proceso de Markov a un espacio en el que se ven mejor reflejadas las similaridades y las diferencias entre los parámetros de estas matrices. Se presenta la aplicación del enfoque de análisis de proximidad usando HMM en la identificación de fuentes de espigas (Tálamo y Subtálamo, GPi y GPe). Los resultados muestran que el análisis de proximidad entrega mejores resultados (4% en promedio) que el enfoque tradicional.

  • English

    Recently, Hidden Markov Models (HMM) have been used for the identification of spike sources in Parkinson�s disease treatment. Usual classification criteria consists in máximum a posteriori rule (MAP) for the recognition of the correct class. However, classification could be improved using proximity analysis, transforming matrices of Markov process to another space where similarities and differences are better revealed. The authors present the proximity analysis approach using HMM for the identification of spike sources (Thalamo and Subthalamo, Gpi and GPe). Results show that proximity analysis improves recognition performance for about 4% over traditional approach.