Examinando por Materia "K-means"

Mostrando 1 - 3 de 3
  • Miniatura
    PublicaciónAcceso abierto
    Análisis de algoritmos para el agrupamiento de muestras metagenómicas
    (Universidad EIA, 2016) Escobar Vasco, Adriana María; Bonet Cruz, Isis
    Las formas de vida microscópicas se encuentran en todos los lugares y ambientes del planeta, y en su genética se halla información de gran valor para los científicos, sin embargo al tomar una muestra para estudiarlos solo se logra aislar y cultivar menos del 1% de ellos. La metagenómica nace con el fin de estudiar el otro 99% de la muestra y de descubrir más acerca de estas comunidades. El objetivo de la metagenómica es la secuenciación y el análisis de los genes contenidos en los cromosomas de microorganismos, esfuerzos en los cuales se enfoca el presente proyecto. Para la realización del proyecto se utiliza el programa weka y el algoritmo k-means, implementado en una versión iterativa que utiliza la distancia coseno o euclidiana dependiendo del criterio del experto. Además utiliza cómo parámetro las distancias entre los clústeres para escoger los mejores y optimizar los resultados de la segunda iteración. Con en desarrollo de este proyecto se llega a la conclusión que el k-means iterativo es una mejora al k-means, optimizando los resultados y encontrando clústeres más puros. También se encuentra que los resultados obtenidos con la función de distancia coseno son mejores que aquellos obtenidos con la función euclidiana y que el mejor atributo para describir las distancias es el 4-mer.
  • Miniatura
    PublicaciónAcceso abierto
    Optimización de algoritmos de agrupamiento aplicados a metagenómica usando big data
    (Universidad EIA, 2018) Vanegas Piedrahita, Julián; Bonet Cruz, Isis
    En el campo de la metagenómica, está incrementando el uso de la metagenómica balística como proceso de extracción de cadenas de aminoácidos de microorganismos previamente no identificados, basándose en muestras ambientales de diversas fuentes. Estas cadenas de aminoácidos, debido al proceso de extracción, son separadas en subcadenas de tamaños variables que luego buscan ser comparadas e identificadas con una base de datos para no sólo determinar qué especies ya reconocidas habitan en las muestras tomadas, sino también qué porciones de estas secuencias de aminoácidos no han sido previamente categorizadas. En búsqueda de que este método de identificación produzca mayores resultados, se usan algoritmos de agrupamiento como facilitadores en el proceso de identificación de las diferentes especies. Estos algoritmos agrupan secuencias de aminoácidos que tienen cierto grado de similitud, produciendo clústeres de subcadenas, para que luego estos puedan ser comparados en grupo y ser más rápidamente analizadas. Con el objetivo de mejorar los tiempos de ejecución, se usaron plataformas como Apache Spark y TensorFlow, que dentro de sus librerías incluyen implementaciones nativas de estos algoritmos de agrupamiento. A partir de estas librerías se implementó el K-means iterativo que fue usado como punto de comparación. En los resultados se puede apreciar que el uso de K-means Iterativo mejora la pureza comparado con la alternativa de una sola iteración, para el caso de uso de una base de metagenómica usando los 4mer como rasgos, y usando el coseno como distancia. Debido a este último punto, y a que la implementación de Apache Spark de K-means no tiene la distancia coseno, se utilizó TensorFlow principalmente para la toma de resultados. El uso de TensorFlow muestra una mejora en general de tiempos de ejecución, siendo mucho más significativa en el caso de K-means Iterativo, teniendo como desventaja que requiere mucho más poder de procesamiento.
  • Miniatura
    PublicaciónAcceso abierto
    Procesamiento de la señal electroencefalográfica bajo anestesia general
    (Universidad EIA, 2015) Hernandez Solarte, David Antonio; Gómez Suarez, Nicolás Eugenio
    La anestesia general es un procedimiento muy frecuente en el ambiente médico, el cual es un estado en el que el cuerpo del paciente no percibirá ningún estímulo, o por lo menos es lo que busca, por tal motivo existe la necesidad de realizar una monitorización de que tan anestesiado está el paciente, cumpliendo los principios básicos de la anestesia que son la hipnosis, amnesia, analgesia, relajación muscular. Para realizar dicho control del estado anestesico del paciente, se utiliza la concentracion alveolar minima (CAM) para “cuantificar” que tan profundo se encuentra cuando se utiliza una anestesia inducida por farmacos gaseosos, y se utilizan varios dispositivos que hacen estudios electroencefalograficos, como el BIS cuando se realiza una anestesia total intravenosa (TIVA), todo esto debe realizarse para poder aplicar con debida mesura la cantidad de farmaco para que el paciente no reaccione de manera adversa al procedimiento. A nivel de anestesiología, los especialistas tienen mucha confianza en la CAM, pero en un medio más moderno, la tendencia es realizar anestesia mediante TIVA ya que ofrece ciertas ventajas y características con respecto a la anestesia inhalada, pero tiene una desventaja que es la implementación del monitoreo de la anestesia, lo cual resulta sumamente costoso cuando se implementa con el BIS cuyos consumibles, los electrodos, implican alto costo y no son reutilizables, por otro lado, la respuesta de este dispositivo suele tener problemas cuando se utiliza un electrobisturí y hay estudios que indican que no es confiable del todo. El presente trabajo busca desarrollar un estudio de electroencefalografía (EEG) que permita de forma más fiable poder monitorear el estado de profundidad anestésica del paciente implementando herramientas informáticas como el reconocimiento de patrones para eliminar información redundante y reducir la dimensionalidad de los datos y la aplicación de aprendizaje automático para poder extraer características de la señal EEG para determinar estados anestésicos que pueda presentar el paciente. Se realizó un sistema de clasificación de estados anestésicos partiendo de la reducción de la dimensionalidad de los 16 a 14 canales, dando como resultado que cada señal capturada por cada canal es diferente, lo cual realizara un estudio más completo que con menos electrodos. Se creó una matriz de características para ingresarla al algoritmo de K-means para entrenar el sistema. Al validar la información con la base de datos suministrada se obtuvo que el algoritmo funciona aceptablemente para la clasificación de estados anestésicos obteniendo resultados por encima del 83%.