Examinando por Materia "validación cruzada"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    Sistema de aprendizaje automático para diagnóstico de alzheimer
    (Universidad EIA, 2025) Solano Miguel, Salome; Quintero Zea, Andrés
    RESUMEN: 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.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema de Reconocimiento de Patrones de Señales Electrocardiográficas para el Monitoreo Remoto de Pacientes
    (Universidad EIA, 2016) Moreno Hincapié, Gustavo Andrés
    Las enfermedades cardiovasculares son una de las principales causas de muerte a nivel mundial. Para la detección de las diferentes arritmias se requiere del conocimiento avanzado de un médico especialista en el área. Sin embargo, la cantidad de especialistas existentes no son suficientes para prestar una atención inmediata a la mayoría de la población con presencia de una anomalía cardíaca. Es por ello que, en este proyecto se creó una herramienta diagnóstica que permite clasificar 4 tipos de arritmias cardíacas: ritmo sinusal normal, bigeminismo ventricular, taquicardia ventricular y taquicardia supraventricular. Para la adquisición de estas señales se utilizó un simulador de pacientes MPS-450 de Fluke, un dispositivo para la lectura de la señal ECG y una tarjeta de adquisición de datos NI myRIO. La señal se adquirió en la derivación DII, los datos se variaron en amplitud, se adicionaron diferentes tipos de ruidos: muscular, línea eléctrica a 60 Hz, respiración y línea de base. Para el pre-procesamiento de la señal, se implementó la transformada de Fourier con el fin de identificar los componentes frecuenciales de la señal, para luego filtrar el ruido en la señal y posteriormente extraer el conjunto de características pertenecientes al dominio de la frecuencia. Se seleccionaron 10 características, de las cuales por medio del análisis de nuevos componentes principales (PCA) se logró obtener una reducción de dimensionalidad a 3 nuevos componentes. A partir de este nuevo conjunto de características, se implementó un modelo de clasificación supervisado que se basa en el método no paramétrico de k-vecinos más cercanos (KNN) y se logró obtener un modelo de predicción con una fiabilidad real entre 98.27% y 99.97%, una sensibilidad y especificidad del 96.77% y 100% respectivamente, además de un tiempo de predicción en promedio de 12 microsegundos por cada muestra. A su vez se creó un sistema de monitoreo remoto que permite el envío de la predicción hecha por el sistema y los registros electrocardiográficos a una base de datos y la visualización de los mismos en un PC de escritorio o portátil o en una aplicación móvil.