Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/11531/86488
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Ruíz González, Berta | es-ES |
dc.contributor.advisor | López López, Álvaro Jesús | es-ES |
dc.contributor.author | Barragán Castro, Francisco | es-ES |
dc.contributor.other | Universidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI) | es_ES |
dc.date.accessioned | 2024-01-24T10:07:40Z | - |
dc.date.available | 2024-01-24T10:07:40Z | - |
dc.date.issued | 2024 | es_ES |
dc.identifier.uri | http://hdl.handle.net/11531/86488 | es_ES |
dc.description | Máster Universitario en Ingeniería Industrial + Máster en Industria Conectada / in Smart Industry | es_ES |
dc.description.abstract | La integración de modelos de aprendizaje profundo y sensores IoT está marcando el comienzo de una nueva era de avances, con profundas implicaciones para las industrias de la salud y la automoción. En este proyecto, exploramos el potencial de modelos basados en transformers para la detección de estrés utilizando señales de electrocardiograma (ECG) en vehículos. Optimizamos los procesos de entrenamiento y la arquitectura del modelo, demostrando la efectividad del aprendizaje auto-supervisado para tales tareas. Además, se realiza un estudio interpretativo para entender los mecanismos médicos detrás del éxito del modelo, cerrando la brecha entre teoría y práctica. Nuestra contribución representa un enfoque integral para aplicar modelos basados en transformadores en la detección de estrés a partir de señales ECG, logrando resultados de vanguardia para el conjunto de datos WESAD. | es-ES |
dc.description.abstract | The integration of deep learning models and IoT sensors is heralding the onset of a new era of advancements, with profound implications for the health and automotive industries. In this project, we explore the potential of transformer-based models for stress detection using electrocardiogram (ECG) signals in vehicles. We optimize training processes and the model's architecture, demonstrating the effectiveness of self-supervised learning for such tasks. Furthermore, we conducted an interpretative study to understand the medical mechanisms behind the model's success, bridging the gap between theory and practice. Our contribution represents a comprehensive approach to applying transformer-based models in stress detection from ECG signals, achieving state-of-the-art results for the WESAD dataset. | en-GB |
dc.format.mimetype | application/pdf | es_ES |
dc.language.iso | en-GB | es_ES |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | es_ES |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | es_ES |
dc.subject.other | H62-electronica (MII-N) | es_ES |
dc.title | SELF-SUPERVISED LEARNING FOR ACUTE STRESS DETECTION IN ELECTROCARDIOGRAMS | es_ES |
dc.type | info:eu-repo/semantics/masterThesis | es_ES |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es_ES |
dc.keywords | Aprendizaje profundo, Sensores IoT, Detección de estrés, Señales ECG, Salud automotriz, Aprendizaje autosupervisado | es-ES |
dc.keywords | Deep Learning, IoT Sensors, Stress Detection, ECG Signals, Automotive Health, Self-Supervised Learning | en-GB |
Aparece en las colecciones: | TFG, TFM (temporales) |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
TFM - Barragan Castro, Francisco.pdf | Trabajo Fin de Máster | 3,86 MB | Adobe PDF | Visualizar/Abrir |
ANEXO I (2).pdf | Autorización | 541,91 kB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.