Thesis: Reconstrucción de canales EEG faltantes mediante procesamiento de señales en grafos con regularización temporal
| datacite.subject.fos | Engineering and technology::Electrical engineering, Electronic engineering, Information engineering::Electrical and electronic engineering | |
| dc.contributor.correferente | Zañartu Salas, Matías | |
| dc.contributor.department | Departamento de Electrónica | |
| dc.contributor.guia | Weinstein, Alejandro | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Saldivia Heinz, Carlos | |
| dc.date.accessioned | 2026-08-19T17:47:26Z | |
| dc.date.available | 2026-08-19T17:47:26Z | |
| dc.date.issued | 2026-06 | |
| dc.description.abstract | La electroencefalografía (EEG) es una herramienta central en neurociencia clínica y experimental, pero la pérdida de canales por fallas de contacto, movimiento o saturación del amplificador compromete análisis posteriores. Esta tesis evalúa métodos de interpolación de canales EEG faltantes bajo un protocolo reproducible que combina métodos geométricos, estadísticos, GSP y regularización espacio–temporal. El estudio considera tres bases públicas (PhysioNet, BCI Competition IV 2a y MNE Sample), escenarios de pérdida aleatoria y contigua con severidades entre 10% y 40%, y métricas de amplitud, forma temporal, preservación espectral y costo computacional. La evaluación se organiza en fases: selección preliminar de métodos y grafos, reducción de candidatos, optimización intermedia y comparación final pareada entre TRSS y MNE Python. Los resultados apoyan una conclusión condicional. TRSS fijo reduce la mediana de MAE en 12,4% frente a MNE-Python, alcanza una tasa de victoria de 72,0% y mejora NRMSE en 13,9%. Su ventaja aumenta en pérdidas cercanas o periféricas severas, donde la continuidad temporal compensa la pérdida de información espacial local. Sin embargo, MNE-Python conserva ventajas en costo computacional, estabilidad operativa y preservación espectral global. Por tanto, TRSS es recomendable cuando la fidelidad de reconstrucción bajo pérdida espacial difícil es prioritaria y el análisis puede ejecutarse fuera de línea; MNE Python sigue siendo la referencia robusta para preprocesamiento estándar y escenarios con restricciones de tiempo. El código, configuraciones, registros de optimización y artefactos de resultados se preservan para garantizar trazabilidad completa. | es |
| dc.description.abstract | Electroencephalography (EEG) is a central tool in clinical and experimental neuroscience, but channel loss caused by contact failures, motion artifacts, or amplifier saturation can compromise downstream analyses. This thesis evaluates methods for interpolating missing EEG channels under a reproducible protocol that includes geometric, statistical, Graph Signal Processing (GSP), and spatio-temporal regularization approaches. The study uses three public datasets (PhysioNet, BCI Competition IV 2a, and MNE Sample), random and contiguous loss scenarios with severities from 10% to 40%, and metrics covering amplitude error, temporal shape, spectral preservation, and computational cost. The evaluation is organized into phases: preliminary method–graph selection, candidate reduction, intermediate optimization, and a final paired comparison between TRSS and MNE-Python. The results support a conditional conclusion. Fixed TRSS reduces median MAE by 12.4% relative to MNE-Python, reaches a 72.0% win rate, and improves NRMSE by 13.9%. Its advantage increases under severe nearby or peripheral losses, where temporal continuity compensates for missing local spatial information. However, MNE-Python retains advantages in computational cost, operational stability, and global spectral preservation. Thus, TRSS is advisable when reconstruction fidelity under difficult spatial loss is the priority and offline processing is acceptable; MNE-Python remains the robust reference for standard preprocessing and time-constrained scenarios. Code, configurations, optimization logs, and result artifacts are preserved to ensure full traceability. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Electrónica | |
| dc.description.sponsorship | ANID-FONDECYT-1231132 | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 80 páginas | |
| dc.identifier.barcode | MC_CS_2026 | |
| dc.identifier.doi | 10.71959/p10j-bk63 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/4489 | |
| dc.identifier.uri | https://doi.org/10.71959/p10j-bk63 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Canales faltantes | |
| dc.subject | Interpolación | |
| dc.subject | Procesamiento de señales en grafos | |
| dc.subject | Regularización temporal | |
| dc.subject | Evaluación reproducible | |
| dc.title | Reconstrucción de canales EEG faltantes mediante procesamiento de señales en grafos con regularización temporal | |
| dc.type.driver | info:eu-repo/semantics/masterThesis | |
| dspace.entity.type | Tesis |
Política de Privacidad 
