Mostrar el registro sencillo del ítem

dc.contributor.advisorSarmiento Vela, Luis Carlosspa
dc.contributor.authorClaros Collazos, Ana Silviaspa
dc.coverage.spatialBogotá, Colombiaspa
dc.date.accessioned2021-10-05T23:16:21Z
dc.date.available2021-10-05T23:16:21Z
dc.date.issued2021
dc.identifier.urihttp://hdl.handle.net/20.500.12209/16427
dc.description.abstractDurante los últimos años, el cerebro ha sido un tema de estudio importante debido a la interpretación de sus funciones, dentro de las que se encuentra la relación entre la conducta y la forma en la que aprende el individuo (Uva, 2017). Las funciones hemisféricas específicas del cerebro humano, han dado lugar a la distinción de los estilos cognitivos, permitiendo así identificar la forma particular en la que las personas procesan la información, actúan en un proceso de aprendizaje, características de su personalidad, su relación con el entorno, entre otras (Hayes y Allinson, 1998). Particularmente, el hemisferio izquierdo juega un papel fundamental en la conducta humana. Este tiene un predominio en la actividad lingüística, dentro de sus funciones está la elaboración del lenguaje proposicional y la emisión de palabras, debido a su relación directa con las áreas de Broca y de Wernicke, encargadas de la producción del lenguaje y la comprensión de las palabras (Portellano, 1992; Desrosiers, 1993). Adicional a lo anterior, en este hemisferio se lleva a cabo la producción interna de palabras sin la emisión de un sonido verbal, a lo que se le denomina imaginería del habla (Tamm, et al. 2020; Martin, et al. 2017) que junto con los estilos cognitivos en las dimensiones dependencia e independencia de campo, son el tema principal de esta investigación.spa
dc.formatPDFspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospa
dc.publisherUniversidad Pedagógica Nacionalspa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectEstilos cognitivosspa
dc.subjectImaginería del hablaspa
dc.subjectSeñales electroencefalográficasspa
dc.subjectDependencia de campospa
dc.subjectIndependencia de campospa
dc.titleEstilos cognitivos y adquisición de señales de imaginería del habla por medio de señales EEG.spa
dc.publisher.programMaestría en Tecnologías de la Información aplicadas a la Educaciónspa
dc.subject.keywordsCognitive styleeng
dc.subject.keywordsSpeech imageryeng
dc.subject.keywordsEEG signalseng
dc.subject.keywordsField dependencyeng
dc.subject.keywordsField independenceeng
dc.rights.accessAcceso abiertospa
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.relation.referencesAmezcua-Aguilar, T., & Amezcua-Aguilar, P. (2018). Contextos inclusivos: el reconocimiento de la lengua de signos como derecho de las personas con diversidad funcional.
dc.relation.referencesAshok Muzumdar, Ed., Powered Upper Limb Prostheses. OttawaCanada: Springer-Verlag Berlin Heidelberg, 2004.
dc.relation.referencesBakardjian, H., Tanaka, T., & Cichocki, A. (2010). Optimization of SSVEP brain responses with application to eight-command brain–computer interface. Neuroscience letters, 469(1), 34-38.
dc.relation.referencesBalaji, A., Haldar, A., Patil, K., Ruthvik, T. S., Valliappan, C. A., Jartarkar, M., & Baths, V. (2017, July). EEG-based classification of bilingual unspoken speech using ANN. In 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 1022-1025). IEEE.
dc.relation.referencesBengio, Y., Goodfellow, I., & Courville, A. (2017). Deep learning (Vol. 1). Massachusetts, USA: MIT press.
dc.relation.referencesBera, T. K. Brain Computer Interfaces: Current Trends and Applications.
dc.relation.referencesCamacho, L. J. R., & Martínez, C. H. (2012). Escritura inicial y estilo cognitivo. Folios, (35), 49-65.
dc.relation.referencesChen, Q., Li, Y., & Yuan, X. (2021). A hybrid method for muscle artifact removal from EEG signals. Journal of Neuroscience Methods, 353, 109104.
dc.relation.referencesCooney, C., Korik, A., Folli, R., & Coyle, D. (2020). Evaluation of Hyperparameter Optimization in Machine and Deep Learning Methods for Decoding Imagined Speech EEG. Sensors, 20(16), 4629.
dc.relation.referencesCooney, C., Korik, A., Raffaella, F., & Coyle, D. (2019, September). Classification of imagined spoken word-pairs using convolutional neural networks. In The 8th Graz BCI Conference, 2019 (pp. 338-343). Verlag der Technischen Universitat Graz.
dc.relation.referencesCoretto, G. A. P., Gareis, I. E., & Rufiner, H. L. (2017, January). Open access database of EEG signals recorded during imagined speech. In 12th International Symposium on 62 Medical Information Processing and Analysis (Vol. 10160, p. 1016002). International Society for Optics and Photonics.
dc.relation.referencesDesrosiers-Sabbath, R. (1993). L’Enseignement et L’Hémisphère Cérebral Droit. Quebec: Ed. Presses de L’Université du Quebec.
dc.relation.referencesEdelman, B. J., Baxter, B., & He, B. (2015). EEG source imaging enhances the decoding of complex right-hand motor imagery tasks. IEEE Transactions on Biomedical Engineering, 63(1), 4-14.
dc.relation.referencesEl Imrani, N. (2018). Una revisión de la neuroanatomía y neurofisiología del lenguaje. Revista de Neuro-Psiquiatría, 81(3), 196-202.
dc.relation.referencesFarina, D., Jiang, N., Rehbaum, H., Holobar, A., Graimann, B., Dietl, H., & Aszmann, O. C. (2014). The extraction of neural information from the surface EMG for the control of upper-limb prostheses: emerging avenues and challenges. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 22(4), 797-809.
dc.relation.referencesFujimaki, N., Takeuchi, F., Kobayashi, T., Kuriki, S., & Hasuo, S. (1994). Event-related potentials in silent speech. Brain topography, 6(4), 259-267.
dc.relation.referencesGarcía, M. A., & Galán, Y. I. J. (2009). Diagnóstico de los estilos de aprendizaje en los estudiantes: Estrategia docente para elevar la calidad educativa. CPU-e, Revista de Investigación educativa, (9), 1-21.
dc.relation.referencesGarcía-Salinas, J. S., Villaseñor-Pineda, L., Reyes-García, C. A., & Torres-García, A. A. (2019). Transfer learning in imagined speech EEG-based BCIs. Biomedical Signal Processing and Control, 50, 151-157.
dc.relation.referencesGhosh, R., Sinha, N., Biswas, S. K., & Phadikar, S. (2019). A modified grey wolf optimization based feature selection method from EEG for silent speech classification. Journal of Information and Optimization Sciences, 40(8), 1639-1652.
dc.relation.referencesGonzález, R., & Hornauer-Hughes, A. (2014). Cerebro y lenguaje. Revista Hospital Clínico Universidad de Chile, 25(1), 144-153.
dc.relation.referencesGonzález-Castañeda, E. F., Torres-García, A. A., Reyes-García, C. A., & Villaseñor-Pineda, L. (2017). Sonification and textification: Proposing methods for classifying unspoken words from EEG signals. Biomedical Signal Processing and Control, 37, 82-91.
dc.relation.referencesGraimann, B., Allison, B. Z., & Pfurtscheller, G. (Eds.). (2010). Brain-computer interfaces: Revolutionizing human-computer interaction. Springer Science & Business Media.
dc.relation.referencesHashim, N., Ali, A., & Mohd-Isa, W. N. (2017, November). Word-based classification of imagined speech using EEG. In International Conference on Computational Science and Technology (pp. 195-204). Springer, Singapore.
dc.relation.referencesHassanien, A. E., & Azar, A. A. (2015). Brain-computer interfaces. Switzerland: Springer.
dc.relation.referencesHeilmeyer, F. A., Schirrmeister, R. T., Fiederer, L. D., Völker, M., Behncke, J., & Ball, T. (2018). A framework for large-scale evaluation of deep learning for EEG. In IEEE International Conference on Systems, Man, and Cybernetics (SMC).
dc.relation.referencesHerrera, L. (2019). Procesamiento Cerebral del Lenguaje: Historia y evolución teórica. Fides et Ratio-Revista de Difusión cultural y científica de la Universidad La Salle en Bolivia, 17(17), 101-130.
dc.relation.referencesIto, N., Ono, N., Vincent, E., & Sagayama, S. (2010, March). Designing the Wiener post-filter for diffuse noise suppression using imaginary parts of inter-channel cross-spectra. In 2010 IEEE International Conference on Acoustics, Speech and Signal Processing (pp. 2818-2821). IEEE.
dc.relation.referencesJingwei, L., Yin, C., & Weidong, Z. (2015, July). Deep learning EEG response representation for brain computer interface. In 2015 34th Chinese Control Conference (CCC) (pp. 3518-3523). IEEE.
dc.relation.referencesKaongoen, N., & Jo, S. (2017). A novel hybrid auditory BCI paradigm combining ASSR and P300. Journal of neuroscience methods, 279, 44-51.
dc.relation.referencesLee, D. Y., Lee, M., & Lee, S. W. (2020, October). Classification of Imagined Speech Using Siamese Neural Network. In 2020 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (pp. 2979-2984). IEEE.
dc.relation.referencesLi, G., Lee, C. H., Jung, J. J., Youn, Y. C., & Camacho, D. (2020). Deep learning for EEG data analytics: A survey. Concurrency and Computation: Practice and Experience, 32(18), e5199.
dc.relation.referencesLópez-Vargas, O., Hederich-Martínez, C., & Camargo-Uribe, Á. (2011). Estilo cognitivo y logro académico. Educación y educadores, 14(1).
dc.relation.referencesMartin, S., Brunner, P., Holdgraf, C., Heinze, H. J., Crone, N. E., Rieger, J., ... & Pasley, B. N. (2014). Decoding spectrotemporal features of overt and covert speech from the human cortex. Frontiers in neuroengineering, 7, 14.
dc.relation.referencesMartin, S., Brunner, P., Iturrate, I., Millán, J. D. R., Schalk, G., Knight, R. T., & Pasley, B. N. (2016). Word pair classification during imagined speech using direct brain recordings. Scientific reports, 6, 25803.
dc.relation.referencesMartin, S., Brunner, P., Iturrate, I., Millán, J. D. R., Schalk, G., Knight, R. T., & Pasley, B. N. (2017). Corrigendum: Word pair classification during imagined speech using direct brain recordings. Scientific reports, 7.
dc.relation.referencesMathew, A., Amudha, P., & Sivakumari, S. (2020, February). Deep Learning Techniques: An Overview. In International Conference on Advanced Machine Learning Technologies and Applications (pp. 599-608). Springer, Singapore.
dc.relation.referencesMoctezuma, L. A., & Molinas Cabrera, M. M. (2018). Towards an API for EEG-based imagined speech classification. In ITISE 2018-International Conference on Time Series and Forecasting.
dc.relation.referencesMoctezuma, L. A., Torres-García, A. A., Villaseñor-Pineda, L., & Carrillo, M. (2019). Subjects identification using EEG-recorded imagined speech. Expert Systems with Applications, 118, 201-208.
dc.relation.referencesMohammad, A., Siddiqui, F., & Alam, M. A. (2021, January). Feature Extraction from EEG Signals: A deep learning perspective. In 2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence) (pp. 757-760). IEEE.
dc.relation.referencesMuñoz González, J. M., Gutiérrez-Arenas, M. P., & Serrano Rodríguez, R. (2012). Los hemisferios cerebrales: dos estilos de pensar, dos modos de enseñar y aprender.
dc.relation.referencesNguyen, C. H., Karavas, G. K., & Artemiadis, P. (2017). Inferring imagined speech using EEG signals: a new approach using Riemannian manifold features. Journal of neural engineering, 15(1), 016002.
dc.relation.referencesPanachakel, J. T., Ramakrishnan, A. G., & Ananthapadmanabha, T. V. (2020). A novel deep learning architecture for decoding imagined speech from eeg. arXiv preprint arXiv:2003.09374.
dc.relation.referencesPortellano Pérez, J. (1992). Introducción al estudio de las asimetrías cerebrales. Madrid: Colección Neurociencia Ciencias de la Educación Preescolar y Especia
dc.relation.referencesQureshi, M. N. I., Min, B., Park, H. J., Cho, D., Choi, W., & Lee, B. (2017). Multiclass classification of word imagination speech with hybrid connectivity features. IEEE Transactions on Biomedical Engineering, 65(10), 2168-2177.
dc.relation.referencesRoy, Y., Banville, H., Albuquerque, I., Gramfort, A., Falk, T. H., & Faubert, J. (2019). Deep learning-based electroencephalography analysis: a systematic review. Journal of neural engineering, 16(5), 051001.
dc.relation.referencesSalama Salama, M., ElSherif, L., Lashin, H., & Gamal, T. (2014). Recognition of unspoken words using electrode electroencephalograhic signals. In The Sixth International Conference on Advanced Cognitive Technologies and Applications (pp. 51-5)
dc.relation.referencesSarmiento Vela, L. C. (2019). Interfaces cerebro-computador para el reconocimiento automático del habla silenciosa. Universidad Pedagógica Nacional.
dc.relation.referencesStern, J. M. (2005). Atlas of EEG patterns. Lippincott Williams & Wilkins.
dc.relation.referencesTamm, M. O., Muhammad, Y., & Muhammad, N. (2020). Classification of Vowels from Imagined Speech with Convolutional Neural Networks. Computers, 9(2), 46.
dc.relation.referencesTong, S., & Thakor, N. V. (2009). Quantitative EEG analysis methods and clinical applications. Artech House.
dc.relation.referencesTorres-García, A. A., Reyes-García, C. A., Villaseñor-Pineda, L., & Ramírez-Cortés, J. M. (2013). Electroencephalographic Signals Analysis for Imagined Speech Classification. Revista Mexicana de Ingeniería Biomédica, 34(1), 23-39. Uva,
dc.relation.referencesUva, A. (2017). Neurociencias en el ámbito educativo. Estilos cognitivos y estrategias de aprendizaje. Revista Internacional Magisterio, 68.
dc.relation.referencesVillamizar, S. I., Sarmiento, L. C., López, O., Caballero, J., & Bacca, J. (2019, November). EEG Vowel Silent Speech Signal Discrimination Based on APIT-EMD and SVD. In International Conference on Advanced Engineering Theory and Applications (pp. 74-83). Springer, Cham.
dc.relation.referencesWang, L., Zhang, X., Zhong, X., & Zhang, Y. (2013). Analysis and classification of speech imagery EEG for BCI. Biomedical signal processing and control, 8(6), 901-908.
dc.publisher.facultyFacultad de Ciencia y Tecnologíaspa
dc.type.localTesis/Trabajo de grado - Monografía - Maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcceng
dc.description.degreenameMagister en Tecnologías de la Información aplicadas a la Educaciónspa
dc.description.degreelevelMaestríaspa
dc.type.driverinfo:eu-repo/semantics/masterThesiseng
dc.identifier.instnameinstname:Universidad Pedagógica Nacionalspa
dc.identifier.reponamereponame: Repositorio Institucional UPNspa
dc.identifier.repourlrepourl: http://repositorio.pedagogica.edu.co/
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dc.type.versionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.rights.creativecommonsAttribution-NonCommercial-NoDerivatives 4.0 International


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

https://creativecommons.org/licenses/by-nc-nd/4.0/
Excepto si se señala otra cosa, la licencia del ítem se describe como https://creativecommons.org/licenses/by-nc-nd/4.0/