Publication:

Modulación de emociones a través de la música en personas mayores

[1] E. G. Fernández Abascal , M. P. Jiménez Sánchez, B. Gracía Rodríguez, M. D. Marín Díaz y F. J. Domínguez Sánchez, Psicología de la Emoción, Madrid: Centro de Estudios Ramón Areces. S. A, 2010.

[2] L. F. Sarmiento Rivera y J. A. Ríos Flórez, «Bases neurales de la toma de decisiones e implicación de las emociones en el proceso» Neuropsicol. Vol. 12. Nº 2. P. 33, 2017

[3] J. R. Sánchez Tombe «LESIONES EN LA CORTEZA PREFRONTAL VENTROMEDIAL Y SU IMPACTO EN LA COGNICIÓN SOCIAL». Bibliotecadigital. 2019. [En línea]. Available: https://bibliotecadigital.univalle.edu.co/bitstream/handle/10893/14775/CB 0600182.pdf?sequence=1&isAllowed=y#:~:text=Lesiones%20en%20vmPFC%20ocasionan%20varios,conduct a%20sexual%20y%2Fo%20moral. [Último acceso: 2022 5 11]

[4] F. Morandín Ahuerma, «La hipótesis del marcador somático y la neurobiología de las decisiones» Escritos de Psicología. Vol 12. Nº 1. P 21.2019.

[5] E. E. Benarroch, «La Amígdala. Organización funcional y su participación en trastornos neurológicos», Neurology ,2015. [En línea]. Available: https://n.neurology.org/content/neurology/suppl/2015/07/06/WNL.0000000000001171.DC1/argentina_benarroc h.pdf. [Último acceso: 2022 11 5].

[6] J. Tirapu Ustárroz, A. García Molina, P. Luna Lario, A. Verdejo García y M. Ríos Lago, «Neuropsicología de la corteza prefrontal y las funciones ejecutivas y Conducta» Autismodiario. 2012. [En línea]. Available: https://autismodiario.com/wp-content/uploads/2013/12/Neuropsicología-de-la-corteza-prefrontal-y-las funciones-ejecutivas-y-Conducta.pdf. [Último acceso: 5 11 2022].

[7] F. Mora Terue, «¿Que es una emoción?» ARBOR Ciencia, Pensamiento y Cultura, Vol. 189. N° 759. P 5. 2013.

8] J. S. Saavedra Torres, W. J. Díaz Córdoba, L. F. Zúñiga Cerón, C. A. Navia Amézquita, y T. O. Zamora Bastidas. «Correlación funcional del sistema límbico con la emoción, el aprendizaje y la memoria» Morfolia. Vol 7. Nº 2. P. 35. 2015.

[9] C. Belnamonte Martínez, «Emosiones y Cerebro» Real Academia de Ciencias Exactas, Físicas y Naturales. Vol. 101, Nº 1. P 59-68. 2007.

[10] F. Ortiz, "Detección automática de emociones mediante el análisis del electroencefalograma", Máster, Universidad de Sevilla, Sevilla, 2019. Accedido el 22 de noviembre de 2022. [En línea]. Disponible: https://biblus.us.es/bibing/proyectos/abreproy/71431/fichero/TFM-1431-ORTIZ.pd

[11] X. Xua, M. Caoc, J. Dingc, H. Gub, and W. Lu. «Emotional Recognition of EEG Signals based on Fractal Dimension,» International Journal of performability Engineering, Vol. 15, Nº 11, PP. 3072-3080, 2019.

[12] A. Fernández. "Percepción de Emociones en la Música: Un Estudio de la Influencia del Parámetro Musical "Duración"". (2017). UCLM. 4 [En línea]. Disponible: https://ruidera.uclm.es/xmlui/bitstream/handle/10578/15271/TESIS% 20 Fernández%20Sotos.pdf?sequence=1&isAllowed=y [Último acceso: 2022 12 6]

[13] A.L. laureano, D.E. hernandez, M. Mora, J. Ramírez, «Aplicacion de un modelo cognitivo de valoracion emotiva a la función de evaluacion de tableros de un programa que juega ajedrez,» Matematica: Teoríıa y Aplicaciones, Vol. 19, Nº 12, PP. 211–237, 2012.

[14] «Engaging with Music 2021» IFPI. 2021. [En línea]. Disponible: https://www.ifpi.org/wp content/uploads/2021/10/IFPI-Engaging-with-Music-report.pdf. [Último acceso: 2022 11 3]

[15] L. Lehmberg y V. Fung, «Benefits of Music Participation for Senior Citizens:,» Music Education Research International,, vol. 4, pp. 19 - 27, 2010.

[16] M. Miranda, S. Hazard y P. Mirand, «La música como una herramienta terapéutica,» Chil Neuro-Psiquiat , Vol. 55, Nº 4, P. 266-277, 2017.

[17] V. Chaturvedi, A. Beer Kaur, V. Varshney, A. Garg, G. Singh Chhabra y M. Kumar, «Music mood and human emotion recognition based on physiological signals: a systematic review,» 2021. [En línea]. Disponible: https://link.springer.com/article/10.1007/s00530-021-00786-6. [Último acceso: 2022 5 11].

[17] V. Chaturvedi, A. Beer Kaur, V. Varshney, A. Garg, G. Singh Chhabra y M. Kumar, «Music mood and human emotion recognition based on physiological signals: a systematic review,» 2021. [En línea]. Disponible: https://link.springer.com/article/10.1007/s00530-021-00786-6. [Último acceso: 2022 5 11].

[18] F. Galvão, M. J. Fonseca y . S. M. Alarcão, «Predicting Exact Valence and Arousal Values from EEG,» Sensors (Basel)., Vol. 21, Nº 20, P. 1 - 21, 2021

[19] A. E. Gallegos Acosta, M. D. Torres Soto, A. Torres Soto y E. E. Ponce de León Sentí, «Contrastación de algoritmos de aprendizaje automático,» Research in Computing Science, Nol. 149, Nº 8, P. 515–525, 2020.

[20] R. Islam, M. Islam, M. Rahman, C. Mondal, S. K. Singha, M. Ahmad, A. Awal y S. Islam, «EEG Channel Correlation Based Model for Emotion Recognition,» Computers in Biology and Medicine, Vol. 132, 2021.

[21] Y. Yang, Q. Wu, M. Qiu, Y. Wang y X. Chen, «Emotion Recognition from Multi-Channel EEG» 8 International Joint Conference on Neural Networks, 2018.

[22] Nater, U. (2003). Cuestionario sobre la preferencia musical (MPQ-R). Music and Health Lab. [En línea]. Disponible: https://www.musicandhealthlab.com/publications. [Último acceso: 2022 5 11]

[23]. Angulo, R., y Albarracín, A. P. Validez y confiabilidad de la escala rasgo de metaconocimiento emocional (TMMS-24) en profesores universitarios. Revista Lebret. N° 10, P. 61-72. 2018

[24]. GONZALEZ, Rocío; CUSTODIO, Jesica Brenda and ABAL, Facundo Juan Pablo. Propiedades psicométricas del Trait Meta-Mood Scale-24 en estudiantes universitarios argentinos. Psicogente. Vol.23, N°.44 P.1-26. 2020.

[25]. CARDONA-ARANGO, Doris et al. LA FELICIDAD COMO PREDICTOR DE FUNCIONALIDAD FAMILIAR DEL ADULTO MAYOR EN TRES CIUDADES DE COLOMBIA. Hacia promoc. Salud , Vol.24, N°.1, P.97-111, 2019

[26]. "Depresión". World Health Organization (WHO).[En línea]. Disponible: https://www.who.int/es/news room/fact-sheets/detail/depression Último acceso: 2022 9 20]

[27]. BORDA PEREZ, Mariela et al. Depresión en adultos mayores de cuatro hogares geriátricos de Barranquilla (Colombia): prevalencia y factores de riesgo. Salud, Barranquilla, Vol.29, N°.1, P.64-73. 2013

[28]. MARTINEZ DE LA IGLESIA, J. et al. Versión española del cuestionario de Yesavage abreviado (GDS) para el despistaje de depresión en mayores de 65 años: adaptación y validación. Medifam. Vol.12, N°.10, P.26- 40. 2002

[29]. M. Gutiérrez y L. Bohórquez. "Ansiedad Rasgo – Estado en el Adulto Mayor Institucionalizado y no Institucionalizado en la Ciudad de Villavicencio, Meta: Un estudio comparativo". repository.uniminuto. https://repository.uniminuto.edu/bitstream/10656/13480/1/UVDT.P_BohorquezLina-GutierrezMaria_2018.pdf [Ultimo acceso: 2022 9 20]

[30]. M, González & Martín, Marta & A, Lorenzo & JA, Grau. (2007). Extractos del capítulo: Instrumentos de evaluación psicológica para el estudio de la ansiedad y la depresión.

[31]. Z. Nasreddine. "Montreal Cognitive Assessment [Evaluación Cognitiva Montreal] (MoCA) Versión 8.1 Instrucciones para la administración y puntuación de los resultados". Home Page - Champions for Health. https://championsforhealth.org/wp-content/uploads/2018/12/MOCA-8.1-Spanish.pdf. [Ultimo acceso: 2022 9 20]

[32] Gantiva, Carlos & Barrera Valencia, Mauricio & Cadavid, Natalia & Calderón, Liliana & Gelves Ospina, Melissa & Herrera, Eduar & Mejía-Orduz, Manuel & Montoya Arenas, David & Suárez-Pico, Paola. (2019). Inducción de estados afectivos a través de imágenes. Segunda validación colombiana del Sistema Internacional de Imágenes Afectivas (IAPS). Revista Latinoamericana de Psicología. Vol 51. N°2. P- 5. 2019

[33] Sanchez, R. and Ledesma, R., 2007. Los Cinco Grandes Factores: cómo entender la personalidad y cómo evaluarla. Academia.edu. [En línea]. Disponible: < https://d1wqtxts1xzle7.cloudfront.net/56725801/cap.LosCincoGrandesFactores-comoente-with-cover-page v2.pdf?Expires=1665683990&Signature=g2Lf6o2pqSixd3zs8HUsVPAA~8QeMNNBul551aauhoTgCoPD9qV47 XS42l-GZCveS9XRQVn2Q1rFFMQKJsKbFJyMuCQQ4UivHaa-7Ut AHl5ab4PLEbdtA80B~YwWH7fkjL9FdDK4zpJjxyd3NTf031X385wuGMPpC2t5H9B4iD0KigjqM3stvKuqIeE0IF~ ZxWVKWMWldAsA8-vRh4bDp0zJ41GPLig~vCZdjxzfRPf779Us1ARKnsgSN2tC52UMuYJ 5XjHxJN57Ups33nh33E4de8wryXBs3Oo2gE-X 8QvfbFR6vskGWiPFZsXlVWdjucH~7V6sBfTbfw2YV~A__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA> [Ultimo acceso: 2022 10 13]

[34] SANCHEZ, Roberto Oscar; MONTES, Silvana Andrea y SOMERSTEIN, Luis Daniel. Inventario de Personalidad para el DSM-5: propiedades psicométricas en población argentina. Estudio preliminar. Interdisciplinaria ., Vol.37, N°.1], P.7-8. 2020

[35] Neuroelectrics User Manual – P2. Electrodes –. (2018). Neuroelectrics, Vol 1. N° 4, P. 8–9.

[36] Santos, E.J. and McMullen, K. (2020). The Design of an Algorithmic Modal Music Platform for Eliciting and Detecting Emotion. Proceedings of 2020 8th International Winter Conference on Brain-Computer Interface (BCI), Gangwon.

[37] Alarcão, S.M. and Fonseca, M.J.. Emotions Recognition Using EEG Signals: A Survey.IEEE Transactions on Affective Computing, Vol. 10, No. 3. 2019

[38] J. López, "Análisis y clasificación de emociones en personas con discapacidad visual usando señales EEG y aprendizaje automático", resumen extendido de Doctoral, Universidad Carlos III de Madrid, 2021.

[39] C. Q. Lai, H. Ibrahim, M. Z. Abdullah, J. M. Abdullah, S. A. Suandi and A. Azman, "Artifacts and noise removal for electroencephalogram (EEG): A literature review," IEEE Symposium on Computer Applications & Industrial Electronics (ISCAIE), P. 326-332. 2018

[40] Y. Rodríguez, T. González, E. Marañón, A. Montoya y F. Sanabria, «Aplicación de la corrección de artefactos en el,» Rev Cubana Neurol Neurocir, Vol. 5, Nº 1, P. S9–S14, 2015.

[41] INFORMÁTICA XI-CUATRIMESTRE. (6 de 2017). SNR (Signal To Noise Ratio). Weebly. [En línea]. Disponible: https://recursoinformatico.weebly.com/uploads/1/0/7/3/107381475/snr.pdf. [Ultimo acceso: 2022 9 20]

[42] D. Zea, J. Arévalo. "Sistema de detección de la intención de dos movimientos de la mano a través del procesamiento de señales EEG", Pregrado, Universidad de Cuenca, Cuenca, 2020.

[42] D. Zea, J. Arévalo. "Sistema de detección de la intención de dos movimientos de la mano a través del procesamiento de señales EEG", Pregrado, Universidad de Cuenca, Cuenca, 2020.

[43] A. Torres, C. Reyes, L. Villaseñor, J. Ramírez. Análisis de señales electroencefalográficas para la clasificación de habla imaginada. Revista mexicana de ingeniería biomédica, Vol .34, N° 1, P 23-39. 2013

[44] E. Hernández, "Clasificación de señales EEG basada en representaciones bidimensionales y redes neuronales convolucionales", Máster, Instituto Nacional de Astrof´ısica Optica y Electrónica, Puebla, 2020.

[45] N. Mammone, F. La Foresta and F. C. Morabito, "Automatic Artifact Rejection From Multichannel Scalp EEG by Wavelet ICA," in IEEE Sensors Journal, Vol. 12, No. 3, P. 533-542, 2012.

[46] Introducción a la Transformada Wavelet. (2006). Obtenido de Unicen.edu: https://users.exa.unicen.edu.ar/catedras/escuelapav/cursos/wavelets/apunte.pdf

[47] Castillo, M., & Meneses , G. (s.f.). COMPRESIÓN Y DESCOMPRESIÓN DE VOZ MEDIANTE TÉCNICAS DE PROCESAMIENTO DIGITAL DE IMÁGENES UTILIZANDO WAVELETS. Obtenido de Repositorio.unicauca.edu: http://repositorio.unicauca.edu.co:8080/bitstream/handle/123456789/2040/Anexo_A.pdf?sequence=2&isAllowe d=y

[48] I. E. Gareis, G. Gentiletti, R. C. Acevedo & H. L. Rufiner; "Extracción de características en interfaces cerebro computadoras mediante transformada wavelet discreta: Resultados preliminares" Memorias del XVII Congreso Argentino de Bioingenieria (SABI 2009), No. 167, P. 58-62, 2009.

[49] MEDIN, B., Sierra, J., & Barrios, A. Técnicas de extracción de características de señales EEG en la imaginación de movimiento para sistemas BCI. ESPACIOS, Vol. 39, Nº22, PP 36. 2018

[50] J. Xiang, E. Maue, Y. Fan, L. Qi, F. Mangano, H. Greiner, J. Tenney. La curtosis y la asimetría de las señales cerebrales de alta frecuencia se alteran en la epilepsia pediátrica, Brain Communications. Vol 2, N° 1, 2020

[51] A. Delorme, T. Sejnowski, and S. Makeig, “Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analisis” Neuroimage, Vol. 34, P. 1443–1449, 2007.

[52] J.-R. Bouveresse, «Independent Components Analysis with the JADE algorithm» TrAC Trends in Analytical Chemistry, Vol. 50, P. 22-32, 2013.

[53] Anubhav, D. Nath, M. Singh, D. Sethia, D. Kalra and S. Indu, "An Efficient Approach to EEG-Based Emotion Recognition using LSTM Network," 2020 16th IEEE International Colloquium on Signal Processing & Its Applications (CSPA), 2020, P. 88-92, 2020

[54] Pardo, E., Talmant, M., Laugier, P. y San Emeterio, J. (2006). la transformada wavelet como herramienta para el estudio de señales ultrasónicas transmitidas en hueso cortical. Digital.csic.es/. [Y] https://www-scopus com.ez.urosario.edu.co/record/display.uri?eid=2-s2.0- 84879788862&origin=inward&txGid=7116af2dc76170f9a2aedc9551fb8bce

[55] Z. Gao, R. Li, C. Ma, L. Rui and X. Sun, "Core-Brain-Network-Based Multilayer Convolutional Neural Network for Emotion Recognition," in IEEE Transactions on Instrumentation and Measurement, Vol. 70, P. 1-9, 2021.

[56] Thangarajoo RG, Reaz MBI, Srivastava G, Haque F, Ali SHM, Bakar AAA, Bhuiyan MAS. Machine Learning Based Epileptic Seizure Detection Methods Using Wavelet and EMD-Based Decomposition Techniques: A Review. Sensors (Basel).. Vol 21, N° 24, P 84-85. 2021

[57] Wang, Hao & Chen, Zhihua & Zou, Safeng & Zhao, Li.. [The continuous analysis of EEG's alpha wave by morlet wavelet transform]. Journal of biomedical engineering. Vol. 27. 746-8, 752.2010

[58] Medina, L. (2017). Análisis de técnicas Wavelet para el desarrollo de compresores de audio (Publicación N.º 100) [Master, UNIVERSIDAD EAFIT]. Eafit. https://repository.eafit.edu.co/bitstream/handle/10784/11744/MedinaSanchez_LauraVictoria_2017.pdf?isAllow ed=y&amp;sequence=1

[59] V. B. Deepa, P. Thangaraj and S. Chitra, "Mining rare event classes in noisy EEG by over sampling techniques," 2010 International Conference on Innovative Computing Technologies (ICICT), 2010, P. 1-6

[60] D. Romaissa, M. E. Habib and M. A. Chikh, "Epileptic Seizure Detection from Imbalanced EEG signal," 2019 International Conference on Advanced Electrical Engineering (ICAEE), 2019, P.1-6

[61] Moreno, J & Rodriguez, Daniel & Sicilia, M. & Riquelme, José & Ruiz, Y. (2009). SMOTE-I: mejora del algoritmo SMOTE para balanceo de clases minoritarias. Actas de los Talleres de las Jornadas de Ingeniería del Software y Bases de Datos, Vol. 3, N°. 1, P- 200.

[62] Montoya, ó. (2018). Redes neuronales convolucionales profundas para el reconocimiento de emociones en imágenes [Máster, universidad politécnica de Madrid]. https://oa.upm.es/51441/1/TFM_OSCAR_PICAZO_MONTOYA.pdf

[63] Thalagala, Shiron & Walgampaya, Chamila. (2021). Application of AlexNet convolutional neural network architecture-based transfer learning for automated recognition of casting surface defects. Smart Computing and Systems Engineering .P .129-136.

[64] Martínez-Rodrigo A, García-Martínez B, Huerta Á, Alcaraz R. Detection of Negative Stress through Spectral Features of Electroencephalographic Recordings and a Convolutional Neural Network. Sensors (Basel).;Vol. 21,N° 9 ,P – 3050. 2021

[65] Asghar MA, Khan MJ, Fawad, Amin Y, Rizwan M, Rahman M, Badnava S, Mirjavadi SS. EEG-Based Multi Modal Emotion Recognition using Bag of Deep Features: An Optimal Feature Selection Approach. Sensors (Basel). Vol. 19, N° 23, P 5218. 2019

[66] Serrano, C. (2018). Sistema para la detección precoz de cáncer de piel basado en tratamiento de imágenes [Pregrado, UNIVERSIDAD AUTÓNOMA DE MADRID]. Uam. https://repositorio.uam.es/bitstream/handle/10486/688455/serrano_moreno_cecilia_tfg.pdf?sequence=1

[67] Borja-Robalino, Ricardo & Monleon-Getino, Antonio & Rodellar, José. Estandarización de métricas de rendimiento para clasificadores Machine y Deep Learning. RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao. N° 30. P 184-196. 2020

[68] P. Sanahuja. "Entendiendo la curva ROC y el AUC: Dos medidas del rendimiento de un clasificador binario que van de la mano. – Pol Martí Sanahuja". Data Scientist | PhD in Physics. https://polmartisanahuja.com/entendiendo-la-curva-roc-y-el-auc-dos-medidas-del-rendimiento-de-un clasificador-binario-que-van-de-la-mano/ . > [Ultimo acceso: 2022 12 12]

[69] Bouza, Carlos. (2021). LAS CURVAS ROC TEORÍA Y HERRAMIENTAS PARA SU USO.

[70] Memarian Sorkhabi, Majid. (2014). Emotion Detection from EEG signals with Continuous Wavelet Analyzing. American Journal of Computing Research Repository, 2014, Vol. 2, No. 4, 66-7

[71] Q. Li et al., "EEG signal processing and emotion recognition using Convolutional Neural Network," 2021 International Conference on Electronic Information Engineering and Computer Science (EIECS), P. 81-84, 2021

[72] Md. Rabiul islam, Md. Milon islam, Md. Mustafizur Rahman, Chayan Mondal, Suvojit Kumar Singha, Mohiuddin Ahmad, Abdul Awal, Md. Saiful Islam, Mohammad Ali Moni, EEG Channel Correlation Based Model for Emotion Recognition, Computers in Biology and Medicine, Volume 136, 2021.

[73] "CIE-11 para estadísticas de mortalidad y morbilidad". ICD-11. https://icd.who.int/browse11/l-m/es > [Ultimo acceso: 2022 12 11]

[74] "Clasificación Internacional del Funcionamiento de la Discapacidad y la Salud". 2011. Organización Mundial de la Salud.https://www.google.com/url?sa=t&amp;rct=j&amp;q=&amp;esrc=s&amp;source=web&amp;cd=&amp;ca d=rja&amp;uact=8&amp;ved=2ahUKEwjY bi9wPL7AhXsSDABHUOQBvoQFnoECCsQAQ&amp;url=https://aspace.org/assets/uploads/publicaciones/e74 e4-cif_2001.pdf&amp;usg=AOvVaw3x4zwj6O1phRunS7qKMAHm > [Ultimo acceso: 2022 12 12]