https://repositorio.unicauca.edu.co/xmlui/handle/123456789/4411 Fri, 15 May 2026 20:39:27 GMT 2026-05-15T20:39:27Z https://repositorio.unicauca.edu.co/xmlui/handle/123456789/10605 Sistema de diagnóstico asistido por computador para clasificación de imágenes dermatoscópicas mediante análisis de superpíxeles Herrera Bravo, Iván Santiago En el presente trabajo se expone el desarrollo de un sistema de diagnóstico asistido por computador que determina si una imagen dermatoscópica corresponde a cáncer de piel tipo Melanoma. Las ideas centrales de este trabajo se basan en procesamiento de imágenes, análisis de imágenes mediante superpixeles y clasificación de características. Específicamente, se diseña un algoritmo dividido en cinco etapas: adquisición de imágenes, preprocesamiento, segmentación, extracción de características y clasificación. El proyecto culmina evaluando la pertinencia del sistema propuesto a través de métricas de desempeño. Sun, 01 Jan 2023 00:00:00 GMT https://repositorio.unicauca.edu.co/xmlui/handle/123456789/10605 2023-01-01T00:00:00Z https://repositorio.unicauca.edu.co/xmlui/handle/123456789/10603 Un enfoque de machine learning para la detección de averías en motores c.c. basado en procesamiento de audio Prieto Estacio, Rommel Stiward La presente monografía está compuesta por cinco capítulos; en el primer capítulo se estudia una revisión sistemática de trabajos previos basados en la aplicación de técnicas de aprendizaje automático en procesos industriales, el mantenimiento predictivo de motores BLDC y otros tipos de motores, análisis de audio y las señales que pueden ser efectivas para este fin. En el segundo capítulo se explica el principio funcionamiento de los motores BLDC, se plantea su modelo matemático y se realiza el proceso de caracterización para obtener la función de transferencia en estado pleno de funcionamiento del motor modelo a utilizar en el desarrollo experimental. Además, se detalla el experimento realizado para la obtención de los datos de entrada y salida y su preprocesamiento para la obtención de las características probadas y seleccionadas para alimentar los modelos predictivos a entrenar En el tercer capítulo se introducen las técnicas utilizadas para el desarrollo del mínimo producto viable en forma de aplicación que permita la implementación de los modelos seleccionados en un entorno industrial. Se exponen las metodologías utilizadas, sus ventajas y desventajas y las características que les acompañan. El capítulo cuarto presenta los resultados obtenidos y su discusión; se exponen las matrices de confusión y otras métricas de evaluación que, una vez comparadas con la naturaleza estadística de cada modelo permitirían establecer diferencias, ventajas y desventajas en cada etapa del desarrollo de la investigación. El quinto capítulo entrega las conclusiones de este trabajo de grado en investigación; se resumen las metodologías, resultados y análisis obtenidos y se destacan sus principales contribuciones. Además, se plantean desarrollos futuros en la línea del procesamiento de señales, inteligencia artificial y automatización. Sun, 01 Jan 2023 00:00:00 GMT https://repositorio.unicauca.edu.co/xmlui/handle/123456789/10603 2023-01-01T00:00:00Z https://repositorio.unicauca.edu.co/xmlui/handle/123456789/10602 Implementación de algoritmos de inteligencia artificial para el análisis de la relación entre el cerebro y corazón durante la anestesia mediante señales fisiológicas Muñoz Ruiz, Marlen Sofia En este documento se presenta el procedimiento para analizar la relación entre el cerebro y el corazón durante la anestesia mediante algoritmos de inteligencia artificial y modelos computacionales. Fisiológicamente, estos dos órganos están interconectados a través de complejas conexiones, su comprensión ha permitido el entendimiento de varios mecanismos relacionados con afecciones neurológicas y cardiacas. Desde el punto de vista de la anestesia, el estudio de esta relación podría ser crucial para mitigar algunos de los desafíos que enfrentan los anestesiólogos diariamente, como el tomar decisiones rápidas, evaluar la salud del paciente, ajustar la anestesia y anticipar posibles complicaciones, garantizando la seguridad y bienestar del paciente. La metodología propuesta se centró en el uso de algoritmos de clasificación como una herramienta para observar el comportamiento del cerebro y el corazón en diferentes estados de anestesia: despierto, sedación moderada, anestesia general y anestesia profunda. Para clasificar estos estados, se extrajeron características de señales de electroencefalograma (EEG) y electrocardiograma (ECG), analizadas en diferentes bandas de frecuencia. Para asegurar la robustez de la clasificación, se implementó un método de clasificación por votos que combina varios algoritmos y se emplearon técnicas de validación cruzada estratificada, realizando la clasificación tanto de manera independiente como dependiente del paciente. La clasificación de los estados se llevó a cabo de tres formas, teniendo en cuenta: información proveniente del cerebro, proveniente del corazón y de ambos órganos. Los mejores resultados, se obtuvieron al emplear características extraídas de las señales de ambos órganos. En particular, mostraron que los diferentes estados de anestesia podían ser clasificadas con mayor precisión, lo que sugirió que ambos órganos varían dependiendo del estado y, por lo tanto, la relación entre ellos. Posteriormente, para validar lo descrito, se aplicaron técnicas que permitieron analizar la dependencia entre los dos órganos, como el análisis de interdependencia no lineal (NI) y la información mutua (MI) entre las señales EEG y ECG. Con dicha información se clasificaron los estados de anestesia y se comprobó que la relación cerebro-corazón varía según el estado de la anestesia. Adicionalmente, se observó que la dependencia entre ambos órganos puede variar entre pacientes, posiblemente debido a distintas condiciones presentes antes, durante y después de la anestesia y cirugía. Mon, 01 Jan 2024 00:00:00 GMT https://repositorio.unicauca.edu.co/xmlui/handle/123456789/10602 2024-01-01T00:00:00Z https://repositorio.unicauca.edu.co/xmlui/handle/123456789/10601 Estimación de la profundidad de la anestesia a partir de la variabilidad de la frecuencia cardiaca utilizando técnicas de inteligencia artificial Valencia Fajardo, Natalia Andrea La anestesia general (AG) es una condición reversible inducida por fármacos que provocan pérdida de conocimiento y es crucial en casi todas las cirugías, por lo que una monitorización precisa es esencial para minimizar complicaciones asociadas con la sobredosis o insuficiencia de anestésicos, asegurando la seguridad y calidad del procedimiento. Existen índices clínicamente aceptados para medir la profundidad de la anestesia, como el índice Bispectral (BIS), que varía de 0 a 100 y viene integrado en el monitor BIS, que actualmente uno de los más utilizados en la práctica clínica. Sin embargo, El monitor BIS estima la profundidad de la anestesia (PDA) a partir de señales electroencefalográficas (EEG), que son sensibles al ruido y requieren algoritmos complejos. Además, los electrodos EEG desechables son costosos en comparación con otros sensores fisiológicos, y la atención anestésica segura y accesible es limitada para más de la mitad de la población mundial debido a su alto costo. Aunque algunos estudios han explorado la predicción de la PDA usando otras señales, como las electrocardiográficas (ECG), aún hay brechas, ya que se centran en clasificar etapas de la anestesia en lugar de predecir su profundidad a lo largo del tiempo. Por esta razón, esta investigación tiene como objetivo general, establecer la PDA, como alternativa al Monitor de índice Bispectral, utilizando características derivadas de señales ECG implementando técnicas de Inteligencia Artificial. Para cumplir con el objetivo, se utilizó la metodología CRISP-DM (Cross-Industry Standard Process for Data Mining), comenzando con la selección de 3.000 pacientes de la base de datos VitalDB con la señal BIS y señal electrocardiográfica derivación II (ECG_II). Luego, se exploró toda la información clínica y las señales, con el fin de identificar y corregir ruidos y errores. Después del procesamiento, se redujo el conjunto a 2,647 pacientes, de los cuales se extrajeron las características de la Variabilidad de la Frecuencia Cardíaca (VFC), considerando tres ventanas de tiempo: 60, 180 y 300 segundos. Estas características se usaron para entrenar dos modelos: una red neuronal convolucional (CNN, por sus siglas en inglés) y una red neuronal de memoria a corto y largo plazo (LSTM) multivariadas. Como resultado, se observó que el modelo con la LSTM logró los mejores resultados, particularmente en la ventana de 300 segundos, considerando la escala BIS para anestesia profunda y sedación (valores BIS entre 20 y 60). De esa manera se evidenció, para el 54,29% de los pacientes del conjunto de prueba, un error absoluto medio (MAE, por sus siglas en inglés) entre 0,57 y 5,57, un error cuadrático medio (MSE, por sus siglas en inglés) promedio de 66,03 y un error porcentual absoluto medio (MAPE, por sus siglas en inglés) promedio de 15,63. Por tanto, los resultados sugieren que un algoritmo basado en señales ECG puede estimar de manera continua la profundidad de la anestesia, utilizando la misma escala que el monitor BIS, además, se ha observado que una mejor estimación se logra al utilizar ventanas de tiempo mayores a 60 segundos. Respecto al campo de aplicación, utilizar señales ECG para predecir la PDA ofrece una alternativa económica y accesible para hospitales rurales y comunidades con recursos limitados. No obstante, es esencial reconocer las limitaciones de este estudio y la necesidad de realizar más investigaciones como trabajo futuro, para validar y expandir su aplicación en distintos contextos clínicos. Mon, 01 Jan 2024 00:00:00 GMT https://repositorio.unicauca.edu.co/xmlui/handle/123456789/10601 2024-01-01T00:00:00Z