Publicación:
Propuesta supervisada de aprendizaje de máquina para la estimación de la edad biológica humana basada en odontología forense

Vista sencilla de ítem
dc.contributor.authorBecerra Alvarez, Johana Gabrielaspa
dc.contributor.authorCortés Osorio, Jimy Alexanderspa
dc.date.accessioned2020-06-21 00:00:00
dc.date.accessioned2022-06-17T20:20:43Z
dc.date.available2020-06-21 00:00:00
dc.date.available2022-06-17T20:20:43Z
dc.date.issued2020-06-21
dc.description.abstractCódigo de Procedimiento Penal Colombiano avala el uso apropiado de las piezas dentales para la identificación de individuos, por lo que esta técnica resulta una herramienta de gran importancia en las instituciones que apoyan la administración de justicia. Los métodos clásicos de identificación humana, en especial, los usados para la determinación de la edad biológica de muerte en adultos, han sido desarrollados usando información de poblaciones con características morfológicas, métricas y culturales diferentes a las de Colombia. En consecuencia, se han obtenido tasas de error altas en sus resultados. En esta investigación, se calculó inicialmente la edad biológica usando el método clásico de Lamendin. Posteriormente, con las medidas directas e indirectas, también usadas en el método de Lamendin, se realizó el entrenamiento de las técnicas de aprendizaje de máquina conociendo la edad cronológica de los individuos de la muestra. Se compararon los resultados de las técnicas de regresión de aprendizaje de máquina supervisado: Máquinas de Soporte Vectorial (SVM), Procesos Gaussianos por Regresión (GPR) y Conjuntos de Árboles (Ensembles of Trees), entre otras. Se estudió una muestra de 48 piezas dentales de una sola raíz pertenecientes a 45 individuos de nacionalidad colombiana, con edades cronológicas de fallecimiento conocidas dentro del rango de edades desde los 19 años hasta los 81 años. Por otro lado, se utilizaron el pie de rey digital y el macroscopio de comparación para estimar las alturas de las características morfológicas en las piezas dentales. La mejor exactitud en la estimación de la edad biológica se alcanzó con GPR que presentó una raíz del error medio cuadrático (RMSE) de 3,37 años en la identificación, la cual se contrastó con la exactitud alcanzada por el método de Lamendin con un RMSE de 15,52 años. Esta investigación evidencia que el aprendizaje de máquina con regresión GPR, en especial para el caso colombiano, resulta una herramienta válida para la estimación de la edad biológica de muerte con errores muy inferiores a los entregados por técnicas tradicionales de origen europeo.spa
dc.description.abstractColombian Criminal Procedure Code supports the appropriate use of dental pieces for the identification of individuals, so this technique is a tool of great importance for the administration of justice institutions. The classic methods of human identification, especially those used to estimate the biological age of death in adults such as Lamendin, have been developed using information from populations with morphological, metric and cultural characteristics different from those in Colombia. Consequently, Colombian forensic specialists have obtained high error rates in age estimation results. In this research, the biological age was initially calculated using the classic method of Lamendin. Subsequently, with the direct and indirect measures, also used in the Lamendin method, the training of machine learning techniques was carried out knowing the chronological age of the individuals in the sample. The results of the supervised machine learning regression techniques were compared: Vector Support Machines (SVM), Gaussian Regression Processes (GPR) and Ensembles of Trees (EoT), among others. A sample of 48 single-root dental pieces belonging to 45 individuals of Colombian nationality was studied, with chronological ages of death known within the age range from 19 to 81 years. Additionally, the digital caliper gauge and the comparison microscope were used to measure the heights of the morphological characteristics in the dental pieces. The best accuracy in the estimation of the biological age was achieved with the GPR regression that showed a root mean square error (RMSE) of 3.37 years in the identification, which was compared with the accuracy reached by the Lamendin method with a RMSE of 15.52 years. This research shows that the GPR machine learning regression, especially for the Colombian case, is a valid tool for estimating the biological age of death with much lower errors than those achieved by traditional European techniques.eng
dc.format.mimetypeapplication/pdfspa
dc.identifier.doi10.24050/reia.v17i34.1392
dc.identifier.eissn2463-0950
dc.identifier.issn1794-1237
dc.identifier.urihttps://repository.eia.edu.co/handle/11190/5109
dc.identifier.urlhttps://doi.org/10.24050/reia.v17i34.1392
dc.language.isospaspa
dc.publisherFondo Editorial EIA - Universidad EIAspa
dc.relation.bitstreamhttps://revistas.eia.edu.co/index.php/reveia/article/download/1392/1346
dc.relation.citationeditionNúm. 34 , Año 2020spa
dc.relation.citationendpage19
dc.relation.citationissue34spa
dc.relation.citationstartpage1
dc.relation.citationvolume17spa
dc.relation.ispartofjournalRevista EIAspa
dc.relation.referencesAlvarado Garcia, A. M. & Salazar Maya, A. M., 2014. Análisis del concepto de envejecimiento. Gerokomos., 25(2), pp. 57-62.spa
dc.relation.referencesBaviera, T., 2017. Técnicas para el análisis del sentimiento en Twitter: Aprendizaje Automático Supervisado y SentiStrength. Revista Dígitos, 1(3), pp. 33-50.spa
dc.relation.referencesBedoya, O. & Bustamante, S., 2011. CNN-PROMOTER, NEW CONSENSUS PROMOTER PREDICTION PROGRAM BASED ON NEURAL NETWORKS. Revista EIA, 8(15), pp. 153-164spa
dc.relation.referencesDrucker, H. y otros, 1997. Support vector machine. Advances in neural information processing systems, Enero.pp. 155-161. Foti, B. y otros, 2001. Limits of the Lamendin method in age determination. Forensic Science International, pp. 101-106.spa
dc.relation.referencesGarcia Cambronero, C. & Gomez Moreno, I., 2006. Algoritmos de aprendizaje: KNN & KMEANS. [Inteligencia en Redes de Telecomuncicación, Universidad Carlos III de Madrid.spa
dc.relation.referencesGuyon, I. & Elisseeff, A., 2003. An Introduction to Variable and Feature Selection. Journal of Machine Learning, pp. 1157-1182.spa
dc.relation.referencesJCGM 100, 2008. Guide to the expression of uncertainty in measurement. En: J. C. f. G. i. Metrology, ed. Evaluation of measurement data. s.l.:s.n., pp. 36-37.spa
dc.relation.referencesKrenzer, U., 2005. Odontología forense. En: Tomo VI Antropología Dental. Guatemala: CAFCA, pp. 52-58. Krenzer, U., 2006. Cambio en las dientes. En: Tomo III Estimación de la edad Osteológica en adultos. Guatemala: CAFCA, pp. 14-16.spa
dc.relation.referencesLamendin, H. y otros, 1992. A simple Technique for age estimation in adult corpses: The two criteria dental method. Journal of forensic sciences, pp. 1373-1379.spa
dc.relation.referencesMartinez Rodriguez, E., 2005. Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario jurídico y económico escurialense, Issue 38, pp. 315-331.spa
dc.relation.referencesMorales, D., Betancourt, C. & Mesa, . L., 2010. Cálculo de la incertidumbre de medida al equipo de movimiento rectilíneo uniforme del grupo de investigación dicoped. Scientia et Technica, Issue 46, pp. 206-210.spa
dc.relation.referencesPelaez Chávez, N., 2012. Aprendizaje no supervisado y el algoritmo WAKE-SLEEP en redes neuronales. s.l.:s.n. Suárez Ponce , D. G., 2014. Reconstrucción osteobiográfica. Odontología Sanmarquina, pp. 44-46.spa
dc.relation.referencesPretelt de la Vega, S., 2004. Código de Procedimiento Penal. [En línea] Available at: https://www.oas.org/juridico/mla/sp/col/sp_col-int-text-cpp-2005.html [Último acceso: Noviembre 2017].spa
dc.relation.referencesPrince, D. A. & Ubelaker, D. H., 2002. Application of Lamendin's adult dental aging Technique to a diverse skeletal sample. Journal Forensic Science, pp. 107-116.spa
dc.relation.referencesTobón, I. & Cortés, J., 2018. Identificación de instrumentos musicales de cuerdas pulsadas de la región andina colombiana en solo, mediante técnicas de aprendizaje de máquina. Revista EIA, 15(30), pp. 177-193.spa
dc.relation.referencesVapnik, V., Golowich, S. & Smola, A., 1997. Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing. Advances in neural information processing systems, pp. 281-287.spa
dc.relation.referencesVilcapoma Guerra, H. J., 2012. Método dental modificado para la estimación de la edad en individuos adultos. Odontología Sanmarquina, pp. 27-30.spa
dc.relation.referencesWillmott, C. & Matsuura, K., 2005. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research, Volumen 30, pp. 79-82.spa
dc.relation.referencesWitten, I. H., Frank, E. & Hall, M. A., 2011. Cross Validation. En: Data Mining Practical Machine Learning. USA: Morgan Kaufmann, pp. 152-154.spa
dc.relation.referencesWitten, I. H., Frank, E. & Hall, M. A., 2011. Ensemble learning. En: Data Mining Practical Machine Learning. s.l.:Morgan Kaufmann, pp. 352-362.spa
dc.rightsRevista EIA - 2020spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.creativecommonsEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0spa
dc.sourcehttps://revistas.eia.edu.co/index.php/reveia/article/view/1392spa
dc.subjectaprendizaje de máquinaspa
dc.subjectdientesspa
dc.subjectedad biológicaspa
dc.subjectidentificación humanaspa
dc.subjectLamendinspa
dc.subjectFísicaspa
dc.subjectCiencias de los Datosspa
dc.subjectAprendizaje de Máquinaspa
dc.subjectbiological ageeng
dc.subjectforensic dentistryeng
dc.subjecthuman identificationeng
dc.subjectLamendineng
dc.subjectMachine learningeng
dc.subjecttootheng
dc.titlePropuesta supervisada de aprendizaje de máquina para la estimación de la edad biológica humana basada en odontología forensespa
dc.title.translatedSupervised Machine Learning Proposal For The Estimation Of Human Biological Age Based On Forensic Dentistryeng
dc.typeArtículo de revistaspa
dc.typeJournal articleeng
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTREFspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
Archivos
Colecciones
Revista EIA (Portal de Revistas)