Examinando por Autor "Gallón Duque, Santiago"

Mostrando 1 - 3 de 3
  • Miniatura
    ÍtemAcceso abierto
    Informe final de semillero de Ingenieria Deportiva 2024-02
    (2024) Chavarriaga Patiño, Mateo; Salazar Aristizabal, Samuel; Gallón Duque, Santiago; Tobon Gallego, Mateo; Zuluaga Gomez, Isabella; Restrepo Maya, Sara; Corrales Suaza,Maria Paulina; Ospina Castaño, Juliana; Ramirez Rocha, Mateo
  • Miniatura
    PublicaciónAcceso abierto
    Informe final de semillero de investigación 2023-2
    Grajales Grisales , Ana Cristina; Ospina Castaño , Juliana; Zuluaga Gómez, Isabella; Gallón Duque, Santiago; Tobón Espinosa, Melissa; Pacheco Ramírez , Ana María; Tobón Gallego, Mateo; Ospina Aristizabal, Sofía; Aguilar Jaramillo , Juan Pablo; Carreño Bello, Juan Sebastián; Montoya Valencia , Isabella
  • Miniatura
    PublicaciónAcceso abierto
    Semillero de procesamiento y detección de patrones en señales 2024-1
    (Universidad EIA, 2024) Alzate Márquez, Mateo; Gallón Duque, Santiago; Gutiérrez Noguera, Santiago; Jaramillo Codina, Alejandra Sofía; Zuluaga Gómez, Isabella; Castaño López, Juan Carlos
    RESUMEN: en el semillero de procesamiento de señales se utilizó una base de datos de estímulos emocionales por realidad virtual ya existente en donde se utilizaron señales de electrocardiograma (ECG). La base de datos contenía registros de 34 personas sometidas a 12 diferentes estímulos de realidad virtual (VR), clasificados como "felices" o "tristes", después se procesaron las señales usando Python y diversas librerías, comenzando con la limpieza y normalización de datos, seguida de la eliminación de ruido mediante el método IModPoly y un filtro pasa bajas de Butterworth y junto a esto se calcularon la frecuencia cardíaca y su variabilidad, la coherencia fisiológica y la entropía de Shannon como características de esta señal. Luego, se implementaron modelos de machine learning (KNN, MLP, SVM) para clasificar los estados emocionales, optimizando parámetros mediante GridSearchCV y evaluando los modelos con técnicas estándar de clasificación y gráficos SHAP para interpretar la importancia de las características. El ejercicio arrojó resultados como el análisis comparativo que mostró que el modelo KNN tuvo el mejor rendimiento con un área bajo la curva ROC de 0.71, seguido por MLP y SVM, ambos con un área de 0.61, también un análisis de las características demostró que las más influyentes fueron la coherencia fisiológica y la frecuencia cardíaca. Finalmente se concluyó que el modelo KNN fue el más adecuado para el conjunto de datos, mientras que MLP y SVM mostraron potencial en escenarios específicos con más datos y separación clara entre clases. El semillero estuvo constituido de sesiones explicativas y creativas donde se creó código de programación para resolver el problema planteado en el objetivo general.