Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa.

PDF

Kaydedildi:

Detaylı Bibliyografya
Yazar:	Alarcón Tumbaco, Evelyn Yuliana (author)
Diğer Yazarlar:	Murillo Santana, Olinda Eliana (author)
Materyal Türü:	bachelorThesis
Dil:	spa
Baskı/Yayın Bilgisi:	2024
Konular:	ENFERMEDADES MENTALES DEPRESIÓN ESTRÉS ANSIEDAD DASS-42 MACHINE LEARNING LÓGICA DIFUSA REDES NEURONALES ARTIFICIALES MENTAL DISORDERS DEPRESSION STRESS ANXIETY FUZZY LOGIC ARTIFICIAL NEURAL NETWORKS
Online Erişim:	https://repositorio.ug.edu.ec/handle/redug/74106
Etiketler:	Etiketle Etiket eklenmemiş, İlk siz ekleyin!

_version_	1858987985201004544
author	Alarcón Tumbaco, Evelyn Yuliana
author2	Murillo Santana, Olinda Eliana
author2_role	author
author_facet	Alarcón Tumbaco, Evelyn Yuliana Murillo Santana, Olinda Eliana
author_role	author
collection	Repositorio Universidad de Guayaquil
dc.contributor.none.fl_str_mv	Patiño Pérez, Darwin Guillermo
dc.creator.none.fl_str_mv	Alarcón Tumbaco, Evelyn Yuliana Murillo Santana, Olinda Eliana
dc.date.none.fl_str_mv	2024-08-30T19:53:24Z 2024-08-30T19:53:24Z 2024-02
dc.format.none.fl_str_mv	application/pdf
dc.identifier.none.fl_str_mv	https://repositorio.ug.edu.ec/handle/redug/74106
dc.language.none.fl_str_mv	spa
dc.publisher.none.fl_str_mv	Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Sistemas Computacionales
dc.rights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.source.none.fl_str_mv	reponame:Repositorio Universidad de Guayaquil instname:Universidad de Guayaquil instacron:UG
dc.subject.none.fl_str_mv	ENFERMEDADES MENTALES ENFERMEDADES MENTALES DEPRESIÓN ESTRÉS ANSIEDAD DASS-42 MACHINE LEARNING LÓGICA DIFUSA REDES NEURONALES ARTIFICIALES MENTAL DISORDERS DEPRESSION STRESS ANXIETY DASS-42 MACHINE LEARNING FUZZY LOGIC ARTIFICIAL NEURAL NETWORKS
dc.title.none.fl_str_mv	Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa.
dc.type.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/publishedVersion
description	PDF
eu_rights_str_mv	openAccess
format	bachelorThesis
id	UG_e7bc0e7d14c5b4ef7224bb19ddfd91b7
instacron_str	UG
institution	UG
instname_str	Universidad de Guayaquil
language	spa
network_acronym_str	UG
network_name_str	Repositorio Universidad de Guayaquil
oai_identifier_str	oai:repositorio.ug.edu.ec:redug/74106
publishDate	2024
publisher.none.fl_str_mv	Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Sistemas Computacionales
reponame_str	Repositorio Universidad de Guayaquil
repository.mail.fl_str_mv	.
repository.name.fl_str_mv	Repositorio Universidad de Guayaquil - Universidad de Guayaquil
repository_id_str	0
spelling	Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa.Alarcón Tumbaco, Evelyn YulianaMurillo Santana, Olinda ElianaENFERMEDADES MENTALESENFERMEDADES MENTALESDEPRESIÓNESTRÉSANSIEDADDASS-42MACHINE LEARNINGLÓGICA DIFUSAREDES NEURONALES ARTIFICIALESMENTAL DISORDERSDEPRESSIONSTRESSANXIETYDASS-42MACHINE LEARNINGFUZZY LOGICARTIFICIAL NEURAL NETWORKSPDFEn los últimos años los problemas de salud mental se han vuelto muy comunes en todo el mundo, en especial los casos de depresión, ansiedad y estrés han mostrado un repunte, esto ha provocado que se explore el campo de la Inteligencia Artificial. La presente investigación tiene como objetivo desarrollar modelos de Machine Learning y Lógica Difusa que permitan la detección temprana de las enfermedades mentales para mejorar la calidad de vida de las personas que las padecen haciendo uso de algoritmos de aprendizaje como Random Forest, Decision Tree, SVM, XGBoost y Redes Neuronales Artificiales, además de realizar comparaciones entre los algoritmos propuestos. El proceso del algoritmo consiste en tomar los datos de la herramienta en línea DASS-42, procesarlos y analizarlos para posteriormente determinar el nivel de gravedad (normal, leve, moderado, grave y extremadamente grave) de las enfermedades mentales. El entrenamiento de los modelos se llevó a cabo en Colab para garantizar su eficiencia, también se consideró el uso de métricas de evaluación como Precision, Recall, F1Score, Accuracy para una evaluación más completa. Donde se concluyó que el modelo con resultados más bajos para las tres enfermedades fue Decision Tree con métricas de evaluación en un rango del 70% mientras que SVM se ha destacado en todas las condiciones logrando métricas del 100%.In recent years, mental health issues have become increasingly prevalent worldwide, particularly witnessing a surge in cases of depression, anxiety, and stress. This trend has prompted exploration into the realm of Artificial Intelligence. The present research aims to develop Machine Learning and Fuzzy Logic models for the early detection of mental disorders, with the goal of enhancing the quality of life for individuals affected. This involves the utilization of learning algorithms such as Random Forest, Decision Tree, SVM, XGBoost, and Artificial Neural Networks, alongside conducting comprehensive comparisons among the proposed algorithms. The algorithmic process entails retrieving data from the DASS-42 online tool, processing and analyzing it to subsequently determine the severity level (normal, mild, moderate, severe, and extremely severe) of mental disorders. Model training was carried out in Colab to ensure efficiency, and various evaluation metrics including Precision, Recall, F1 Score, and Accuracy were considered for a thorough assessment. The findings concluded that the model with the lowest results across all three mental disorders was Decision Tree, with evaluation metrics in the range of 70%, while SVM demonstrated outstanding performance across all conditions, achieving metrics of 100%.Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Sistemas ComputacionalesPatiño Pérez, Darwin Guillermo2024-08-30T19:53:24Z2024-08-30T19:53:24Z2024-02info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://repositorio.ug.edu.ec/handle/redug/74106spainfo:eu-repo/semantics/openAccessreponame:Repositorio Universidad de Guayaquilinstname:Universidad de Guayaquilinstacron:UG2024-08-31T03:03:40Zoai:repositorio.ug.edu.ec:redug/74106Institucionalhttp://repositorio.ug.edu.ec/Universidad públicahttps://www.ug.edu.ec/..Ecuador...opendoar:02026-03-07T06:59:01.639968Repositorio Universidad de Guayaquil - Universidad de Guayaquiltrue
spellingShingle	Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa. Alarcón Tumbaco, Evelyn Yuliana ENFERMEDADES MENTALES ENFERMEDADES MENTALES DEPRESIÓN ESTRÉS ANSIEDAD DASS-42 MACHINE LEARNING LÓGICA DIFUSA REDES NEURONALES ARTIFICIALES MENTAL DISORDERS DEPRESSION STRESS ANXIETY DASS-42 MACHINE LEARNING FUZZY LOGIC ARTIFICIAL NEURAL NETWORKS
status_str	publishedVersion
title	Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa.
title_full	Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa.
title_fullStr	Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa.
title_full_unstemmed	Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa.
title_short	Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa.
title_sort	Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa.
topic	ENFERMEDADES MENTALES ENFERMEDADES MENTALES DEPRESIÓN ESTRÉS ANSIEDAD DASS-42 MACHINE LEARNING LÓGICA DIFUSA REDES NEURONALES ARTIFICIALES MENTAL DISORDERS DEPRESSION STRESS ANXIETY DASS-42 MACHINE LEARNING FUZZY LOGIC ARTIFICIAL NEURAL NETWORKS
url	https://repositorio.ug.edu.ec/handle/redug/74106

Predicción de enfermedades mentales –DASS usando técnicas de Machine Learning y Lógica Difusa.

Benzer Materyaller