@article{Román_Cumbicus_Infante_Fonseca-Delgado_2022, title={Procesos Gausianos profundos y redes neuronales infinitas para el análisis de señales EEG en la enfermedad de Alzheimer}, volume={29}, url={https://revistas.ucr.ac.cr/index.php/matematica/article/view/48885}, DOI={10.15517/rmta.v29i2.48885}, abstractNote={<p>Los modelos de redes neuronales profundos (DGPs) se pueden repre[1]sentar jerárquicamente mediante una composición secuencial de capas. Cuando la distribución prior sobre los pesos y sesgos son independien[1]tes idénticamente distribuidos, existe una equivalencia con los procesos Gaussiano (GP), en el límite de una anchura de red infinita. Los DGPs son modelos estadísticos no paramétricos y se utilizan para caracterizar los patrones de sistema no lineales complejos, por su flexibilidad, mayor capacidad de generalización, y porque proporcionan una forma natural para hacer inferencia sobre los parámetros y estados del sistema. En este artículo se propone una estructura Bayesiana jerárquica para modelar los pesos y sesgos de la red neuronal profunda, se deduce una formula general para calcular las integrales de procesos Gaussianos con funciones de trans[1]ferencias no lineles, y se obtiene un núcleo para estimar las funciones de covarianzas. Para ilustrar la metodología se realiza un estudio empírico analizando una base de datos de electroencefalogramas (EEG) para el diagnóstico de la enfermedad de Alzheimer. Adicionalmente, se estiman los modelos DGPs, y se comparan con los modelos de NN para 5, 10, 50, 100, 500 y 1000 neuronas en la capa oculta, considerando dos funciones de transferencia: Unidad Lineal Rectificada (ReLU) y tangenge hiperbólica (Tanh). Los resultados demuestran buen desempeño en la clasificación de las señales. Finalmente, utilizó como medida de bondad de ajuste el error cuadrático medio para validar los modelos propuestos, obteniéndose errores de estimación bajos.</p>}, number={2}, journal={Revista de Matemática: Teoría y Aplicaciones}, author={Román, Krishna and Cumbicus, Andy and Infante, Saba and Fonseca-Delgado, Rigoberto}, year={2022}, month={jun.}, pages={289–312} }