Examinando por Autor "Quintero Zea, Andrés"
Mostrando 1 - 11 de 11
Resultados por página
Opciones de ordenación
Publicación Acceso abierto Comparación estadística del desempeño de modelos de clasificación: un enfoque tutorial con Python(Universidad EIA, 2025) Quintero Zea, AndrésRESUMEN: La comparación objetiva del desempeño de clasificadores es fundamental en aplicaciones biomédicas donde las decisiones basadas en modelos tienen consecuencias clínicas. Este artículo presenta un enfoque tutorial para aplicar pruebas estadísticas a la evaluación comparativa de modelos de clasificación, tanto binarios como multiclase. Se revisan métricas comunes, así como pruebas estadísticas paramétricas y no paramétricas. Se incluyen ejemplos reproducibles en Python usando bibliotecas como scikit-learn y SciPy. Este trabajo busca apoyar a investigadores en la toma de decisiones fundamentadas sobre el rendimiento relativo de modelos predictivos.Publicación Acceso abierto Construcción de un atlas cerebral usando imágenes de resonancia magnética para el diagnóstico médico en Colombia(Universidad EIA, 2025) Noreña Luján, Emanuell; Castaño López, Juan Carlos; Quintero Zea, AndrésRESUMEN: El presente proyecto tuvo como objetivo principal el desarrollo de un atlas cerebral a partir de imágenes de resonancia magnética (RM) de una cohorte de 92 pacientes colombianos sanos (64 mujeres, 28 hombres; edad 25-48 años), con el fin de que sirva como referencia para el diagnóstico médico y la investigación clínica en Colombia. La metodología comprendió varias fases: (1) el establecimiento de un flujo de trabajo robusto y automatizado para el preprocesamiento de datos DICOM, su conversión a formato NIfTI, y la reorientación estándar; (2) la segmentación automática de 45 estructuras cerebrales y la cuantificación de sus volúmenes utilizando FreeSurfer, lo cual demostró una fiabilidad excepcional (ICC=1.00, Hausdorff 95%=0mm); (3) la construcción de plantillas cerebrales T1 promedio, específicas por sexo y con resolución isotrópica de 1 mm³, representativas de la población estudiada. Adicionalmente, (4) se implementó una aplicación web interactiva con tecnología React.js y Three.js para facilitar el acceso, la visualización 3D y la consulta de los datos volumétricos del atlas por parte de profesionales de la salud e investigadores, demostrando un buen rendimiento técnico. La evaluación formal del atlas y la interfaz mediante pruebas piloto y retroalimentación de expertos en neurociencia y neurología (Objetivo Específico 3) se plantea como una etapa futura crucial para validar su aplicabilidad clínica. Este trabajo sienta un precedente importante al proveer las primeras plantillas cerebrales poblacionales colombianas segregadas por sexo. Este proyecto desarrolló un atlas cerebral tridimensional a partir de imágenes de resonancia magnética estructural de voluntarios sanos en Colombia, con el propósito de ofrecer una guía anatómica representativa de la población local. El recurso apunta a optimizar el diagnóstico clínico, respaldar la investigación neurocientífica y fomentar el diseño de herramientas médicas adaptadas al contexto nacional. La metodología incluyó la recopilación de imágenes de alta resolución, la identificación de estructuras cerebrales clave y la aplicación de técnicas de registro no lineal para alinear los datos individuales. Con ello se generó una plantilla anatómica promedio y se construyeron mapas de probabilidad que describen la variabilidad morfológica entre sujetos. El producto final es un atlas 3D acompañado de una interfaz interactiva que facilita su uso por médicos, investigadores y estudiantes. La plataforma permite visualizar, explorar y descargar los datos, integrándolos de forma sencilla en aplicaciones clínicas y proyectos científicos. En conjunto, este atlas constituye una herramienta de referencia invaluable para el análisis del cerebro humano en el ámbito colombiano y representa un avance decisivo hacia una neuroimagen más precisa y contextualizada.Ítem Acceso abierto Decodificación de gestos imaginados de extremidades mediante sistemas BCI basados en EEG(2025) Alzate-Márquez, Mateo; Quintero Zea, AndrésLa electroencefalografía (EEG) es una de las técnicas más utilizadas en el desarrollo de interfaces cerebro-computadora (BCI), principalmente por su carácter no invasivo y su alta resolución temporal. Dentro de los sistemas BCI, aquellos orientados al control motor buscan asistir, reemplazar o emular movimientos de extremidades, incluyendo gestos complejos y específicos de la mano. No obstante, a pesar de los avances en la literatura, aún no existe un consenso sobre qué características de la señal EEG y qué configuración mínima de electrodos permiten una clasificación precisa y eficiente de gestos imaginados. Este estudio presenta un sistema BCI diseñado para identificar gestos complejos de la mano a partir de imaginación motora. El sistema se basa en un conjunto específico de características, clasificadores y un arreglo definido de electrodos, con el objetivo de lograr un rendimiento comparable o superior al reportado previamente. Para ello, se desarrolló un protocolo experimental bajo el paradigma de motor imagery, que busca activar la región sensorimotora mediante la evocación mental del movimiento, sin ejecución física. El enfoque propuesto se centra en la extracción de señales EEG en las bandas mu (8–13 Hz) y beta (13–30 Hz), que son relevantes en tareas motoras imaginadas. A partir de estas señales se calculan dos tipos principales de características: (1) Common Spatial Patterns (CSP), que permiten transformar la señal del dominio temporal hacia un espacio donde se maximiza la varianza discriminativa entre dos clases de movimientos; y (2) la Distribución Cuasi-Tiempo-Frecuencia de Choi-Williams (CWQTFD), que representa la evolución espectral de la señal a lo largo del tiempo, generando una representación en forma de imagen o mapa de calor. La clasificación de los gestos imaginados se realiza mediante dos enfoques: un Support Vector Machine (SVM) para las características extraídas con CSP, y una red neuronal convolucional (CNN) para las representaciones obtenidas con CWQTFD. Para la evaluación inicial del sistema, se utilizó la base de datos pública MI BCI2000, correspondiente a tareas de motor imagery. Los resultados preliminares muestran una precisión de hasta 78 % con CSP y 71 % con CWQTFD en la clasificación binaria de gestos. Se espera que la precisión del sistema pueda incrementarse mediante la adaptación del modelo a las características individuales de los sujetos y mediante la optimización del arreglo de electrodos. En fases posteriores, se implementarán técnicas adicionales para refinar la selección de canales y mejorar la robustez del sistema frente a variaciones intersujeto e intrasujeto. Este trabajo sienta las bases para futuros desarrollos de BCI centrados en el control fino de dispositivos mediante gestos imaginados de la mano.Publicación Acceso abierto Dispositivo para la estimación del efecto de una cámara de estimulación multisensorial en las señales fisiológicas de un ser humano(Universidad EIA, 2023) Neira Gómez, Ana Sofía; Torres Villa, Róbinson Alberto; Quintero Zea, AndrésRESUMEN: debido al crecimiento global de la meditación en el ámbito de la medicina complementaria, la empresa Hiroki 360 en Medellín, Colombia, desarrolló una cámara de estimulación multisensorial con la finalidad de potencializar los efectos de la meditación a través de experiencias sensoriales. Sin embargo, buscan respaldar sus beneficios mediante la fabricación de un dispositivo capaz de adquirir y procesar ciertas señales fisiológicas que provean información relevante para cuantificar los efectos de las cámaras de bienestar en la salud de los usuarios. Para la ejecución de este proyecto, se siguieron tres etapas clave. En primer lugar, se implementó un dispositivo capaz de adquirir las señales fisiológicas asociadas al bienestar: ECG, EEG y PPG. En segundo lugar, se desarrolló una aplicación que incorpora un modelo para la estimación de índices del estado bienestar, a partir del procesamiento de estas señales. Por último, se registró la actividad fisiológica de varios voluntarios durante una sesión de meditación en la Kamara de bienestar por medio del dispositivo implementado. Una vez construido un banco de señales se exploraron posibles correlaciones entre las señales obtenidas y los momentos de estimulación sensorial proporcionados en la cámara. Para ello se hizo uso de indicadores efectivos del estado de bienestar como la coherencia fisiológica, la variabilidad de la frecuencia cardiaca (HRV), la frecuencia respiratoria, entre otros. Y se aplicaron análisis estadísticos para evaluar los parámetros. Dentro de los resultados obtenidos se encuentra una disminución significativa de la frecuencia cardiaca y la frecuencia respiratoria entre el momento de llegada y minutos antes de finalizar la meditación. Asimismo, se observaron aumentos de los parámetros SDNN, PNN50 y RMSSD que sugieren un aumento en la actividad del sistema nervioso parasimpático relacionado con el estado de relajación. Estos hallazgos, sugieren un incremento en el nivel de bienestar en comparación con el estado inicial de los voluntarios. Sin embargo, se registraron bajos niveles de coherencia fisiológica durante toda la meditación y no fue posible encontrar una relación clara entre los resultados de todos los parámetros en cada uno de los momentos de meditación y las medidas de bienestar subjetivas.Ítem Acceso abierto Identificación de variables clínicas y radiómicas predictoras de variaciones en la presión intra-abdominal de pacientes internados en una unidad de cuidados intensivos(2025) Mercado Navarro, Fredy Andrés; Prado Gutiérrez, María del Mar; Quintero Zea, AndrésEl presente trabajo constituye un avance parcial de la investigación desarrollada en el marco del trabajo doctoral titulado “Modelo computacional para la estimación no invasiva de la Presión Intra-abdominal (PIA) de pacientes internados en una Unidad de Cuidados Intensivos (UCI)”. Este primer avance consiste en una revisión bibliográfica para identificar parámetros clínicos y características radiológicas predictoras de cambios en la PIA de pacientes en estado crítico internados en una Unidad de Cuidados Intensivos (UCI). El fin posterior de esta identificación es aportar a la construcción del mencionado modelo mediante la implementación de técnicas de machine learning, empleando datos clínicos y radiológicos de Tomografías Computarizadas (TC) para su entrenamiento y validación. Conocer la medida de la PIA es de vital importancia para pacientes en cuidado crítico, ya que su incremento por encima de 12 mmHg, denominado Hipertensión Intra-abdominal (HIA), puede causar efectos adversos en varios sistemas del cuerpo humano. En el abdomen, la HIA disminuye la Presión de Perfusión Abdominal (PPA) causando la diminución de la perfusión sanguínea y afectando funciones respiratorias y cardiovasculares, que pueden llevar a fallo multiorgánico, daños en los tejidos y la muerte. Algunas causas de la HIA son las cirugías abdominales, traumas, quemaduras importantes, infecciones, entre otras. En individuos sin condiciones patológicas, la PIA es de 0 mmHg, y aumenta debido a la presión de ventilación positiva. Si la PIA aumenta hasta un valor sostenido mayor que 20 mmHg se diagnostica Síndrome Compartimental Abdominal (SCA), una condición grave asociada con disfunciones orgánicas y mortalidad significativa. En cuanto a resultados, se halló la compliance abdominal como variable predictora de la Presión Intra-vesical (PIV). Esta variable es un parámetro ventilatorio calculado en función del volumen tidal y la PIA al final de la inspiración y al final de la espiración. Adicionalmente, se identificaron otras dos variables predictoras, que son el diámetro sagital abdominal que predice PIV, y la razón entre las distancias convexa y horizontal del xifoides al pubis, que predicen PIV y HIA, respectivamente. La Presión de Perfusión Abdominal (APP) también se identificó como predictora de la perfusión visceral en un estudio retrospectivo usando la base de datos pública MIMIC-IV, empleada para desarrollar un modelo de aprendizaje de máquina para calcular la probabilidad de mortalidad a 7 días de pacientes con HIA. Por otro lado, se identificaron tres variables predictoras de riesgo de HIA, que son el Índice Resistivo Renal Derecho calculado mediante ultrasonido Doppler, la Razón de Engrosamiento del Diafragma Derecho y el ácido láctico en la sangre. Se identificaron, también, parámetros clínicos medidos a partir del análisis de conjuntos de imágenes de TC, como son el aumento de la razón entre la altura peritoneal y la altura abdominal, el aumento de espesor de la pared intestinal y un indicador de redondez calculado con base en medidas de distancias de la pared abdominal a lo largo de los ejes transversal y anteroposterior.Publicación Restringido Informe final de semillero Neurociencia Computacional 2023-2Quintero Zea, Andrés; Quintero Zea, AndrésPublicación Restringido Informe final de semillero “Neurociencia Computacional” – Semestre 2022-2(2022-12-01) Quintero-Zea, Andrés; Quintero Zea, AndrésPublicación Acceso abierto Modelo de aprendizaje automático para la detección de gestos de la mano a partir de señales de electromiografía de superficie(Universidad EIA, 2025) Montoya Ortega, Santiago; Quintero Zea, AndrésRESUMEN: En este proyecto de grado se desarrolló un modelo de aprendizaje automático (ML) para la detección de gestos de la mano a partir de señales de electromiografía de superficie (sEMG) con potencial uso en tecnologías de apoyo. Las ayudas asistenciales disponibles para personas con amputaciones o traumas en miembros superiores suelen ser poco efectivas debido a la falta de estrategias de control avanzadas. Con el objetivo de aportar una solución a este problema, se utilizó una base de datos de sEMG de acceso abierto como fuente secundaria de información. El proyecto incluyó la extracción de características relevantes para la identificación de gestos manuales, utilizando herramientas y bibliotecas en Python. Posteriormente, se seleccionaron cinco modelos distintos de aprendizaje automático, para los cuales se diseñó y aplicó un protocolo de entrenamiento individual. El modelo con mejor desempeño fue optimizado mediante ajuste de hiperparámetros. Finalmente, se realizó una comparación de los resultados obtenidos con otros modelos reportados en la literatura científica. Como resultado, el modelo con mejor desempeño exhibió una exactitud superior al 98 % y precisión superior al 98 %.Publicación Restringido Semillero en Neurociencia Computacional – Semestre 2024-2Andres Quintero Zea; Quintero Zea, AndrésDurante el semestre 2024-2, el semillero en Neurociencia Computacional se enfocó en el análisis computacional de señales polisomnográficas provenientes de la base de datos Sleep-EDF Database Expanded, un repositorio abierto ampliamente utilizado en investigaciones del sueño. El objetivo principal fue explorar patrones fisiológicos asociados a distintas etapas del sueño mediante técnicas de procesamiento de señales, análisis estadístico y aprendizaje automático (machine learning). Este proyecto permitió a los estudiantes adquirir competencias en el manejo de bases de datos biomédicas, preprocesamiento de señales fisiológicas, visualización de datos, análisis exploratorio, y la construcción de modelos de clasificación automática de etapas del sueño.Publicación Acceso abierto Sistema de aprendizaje automático para diagnóstico de alzheimer(Universidad EIA, 2025) Solano Miguel, Salome; Quintero Zea, AndrésRESUMEN: La enfermedad de Alzheimer es una de las principales causas de demencia en todo el mundo. En vista del creciente número de nuevos casos, se necesitan herramientas de diagnóstico accesibles y precisas para apoyar la detección temprana de la enfermedad. Este trabajo presenta un sistema automático de análisis de imágenes por resonancia magnética (MRI) basado en aprendizaje profundo para ayudar a diagnosticar de manera temprana de la enfermedad de Alzheimer. El modelo se desarrolló empleando el conjunto de datos OASIS, al que se le implementó un protocolo de balanceo y aumento de datos para reducir el sesgo de clases. Cuatro arquitecturas de redes neuronales (DenseNet121, ResNet152V2, EfficientNetB0 y VGG16) fueron comparadas de manera uniforme. DenseNet121 fue seleccionada como la más prometedora por su equilibrio entre eficiencia computacional y precisión. Tras la selección del modelo base, se realizó una implementación en dos etapas que comprendió un fine-tuning progresivo, regularización L2, modificación dinámica de la prueba de aprendizaje y debates en clase. Adicionalmente, se incorporaron cinco iteraciones de validación cruzada para asegurar la solidez del desempeño. La interpretabilidad del sistema se aseguró mediante los métodos de visualización Grad-CAM y t-SNE, los cuales corroboraron que el modelo se enfocaba en áreas fundamentales del cerebro como los ventrículos laterales, la corteza entorrinal y el hipocampo. El sistema alcanzó una precisión que superó el 94 % en la evaluación final de un conjunto de pruebas independientes, con una media de AUC de 0,99 y una puntuación F1 de 0,95, lo que indica su factibilidad en entornos clínicos con recursos limitados.Publicación Acceso abierto Sistema embebido de adquisición y procesamiento de señales electroencefalográficas con potencial uso en el control de sistemas de movilidad asistida(Universidad EIA, 2025) Perrone Claro, Sebastián; Quijano Macías, Nicolás; Quintero Zea, AndrésRESUMEN:Las lesiones de médula espinal impactan considerablemente la vida de quien las presenta, generando consecuencias en ámbitos económicos, sociales y psicológicos, debido a la reducción o pérdida de la movilidad en las extremidades. Los dispositivos de apoyo convencionales con los que hoy en día se cuenta para este tipo de discapacidades, presentan problemas y limitaciones a la hora de ayudar a quien la sufre. Se han planteado dispositivos que permiten la interacción con la actividad cerebral remanente en los pacientes, desempeñándose como interfaces entre estos y sistemas que suplan las necesidades debidas a la discapacidad. En este contexto se plantea el presente trabajo en el que se diseñará y desarrollará un sistema embebido de adquisición y clasificación de señales de electroencefalografía que implemente ensambles de máquinas de soporte vectorial para la discriminación de las señales de intención de movimiento de las cuatro extremidades. Esto, siendo un potencial enfoque para el control de sistemas robóticos de movilidad asistida. En el desarrollo se tratan temas de adquisición de señales de electroencefalografía, procesamiento digital de señales, extracción de características y optimización de hiperparámetros para el entrenamiento de máquinas de soporte vectorial; todo, con un enfoque en dispositivos embebidos que sirva de base para el futuro desarrollo de wearables de bajo costo que mejoren la calidad de vida de las personas con discapacidades debidas a lesiones de médula espinal. El prototipo de interfaz cerebro computador desarrollado es capaz de clasificar de forma satisfactoria el estado de reposo y la intención de movimiento de cada una de las cuatro extremidades en pruebas offline de acuerdo con métricas de desempeño, como la exactitud y la brecha de generalización.