4 results
Search Results
Now showing 1 - 4 of 4
Item Diseño de sistema BMI no invasivo con procesamiento de señales EEG mediante Machine Learning(2021-08) Paez Amaro, Ricardo Thaddeus; de Celis Alonso, BENITO; 387709"Una interfaz cerebro-máquina o brain machine-interface (BMI) es una configuración que permite comunicar señales cerebrales directamente con una máquina o dispositivo. Detecta, clasifica y usa las señales cerebrales como órdenes de control. Sin embargo, los equipos y métodos que usan las BMI’s aún son costosos, por lo que se necesita una opción asequible y} portable. En este estudio, señales cerebrales de imaginación motora (MI por sus siglas en inglés) obtenidas por EEG, de la base de datos pública PhysioNet y de datos propios obtenidos en nuestro laboratorio usando un equipo Emotiv, fueron clasificadas con cuatro algoritmos de aprendizaje automático: CSP en conjunto con LDA, redes neuronales profundas, redes neuronales convolucionales, y MDM con geometría riemanniana. La exactitud media para cada algoritmo fue de 78%, 66%, 60% y 80% respectivamente. Los mejores resultados se obtuvieron en el caso bicategórico de Línea Base vs MI. Personas con derrame o parálisis cerebral, distrofia muscular, daños en la médula espinal, con miembros amputados, y en general con cualquier discapacidad motriz, podrían rehabilitarse física o socialmente a través del uso de alguna BMI. Esto les permitiría controlar una prótesis robótica, silla de ruedas eléctrica, cursor de computadora, o sencillamente comunicarse a través de un sistema binario interpretable como respuestas de “sí” o “no”.Item Metodología para el aprendizaje ontológico semiautomático de dominio pedagógico(Benemérita Universidad Autónoma de Puebla, 2020-12) Alemán Muñoz, Candy Yuridiana; ALEMAN MUÑOZ, CANDY YURIDIANA; 418302; SOMODEVILLA GARCIA, MARIA JOSEFA; 64545; VILARIÑO AYALA, DARNES; 216751“En este trabajo de tesis de experimenta con distintas técnicas de PLN para la construcción semiautomática de ontologías en el dominio pedagógico. Se eligen tres subdominios relacionados con el aprendizaje significativo, y con estos datos, se utiliza como entrada un conjunto de artículos escritos en español, alusivos a dichos temas. En la realización de los experimentos propuestos se diseñan procedimientos que pueden ser útiles para otras tareas propias del área. El documento se divide en 6 capítulos que abarcan tres secciones principales: En los capítulos I, II y III se desarrolla la fundamentación de la investigación, abarcando el planteamiento del problema y los conceptos teóricos relacionados con este. Finalmente, se describen algunas investigaciones relacionadas con dicha investigación, tanto en las áreas de pedagogía como inteligencia artificial. La segunda sección integra los capítulos IV y V, donde se explica la metodología propuesta para resolver el problema planteado en la primera sección. Se describen las técnicas implementadas y el objetivo de éstas, se analizan los resultados obtenidos de acuerdo a los recursos creados para la evaluación, además de generar ontologías manuales que ayuden a este proceso. Finalmente, en el capítulo VI se presentan las conclusiones sobre la investigación, integrando comentarios sobre los experimentos y contribuciones para las ciencias computacionales y pedagogía.”Item Desarrollo, validación numérica y experimental de un nuevo método de detección de daños en aerogeneradores Offshore(2020-09) Aquino González, Gabriela; GUTIERREZ ARIAS, JOSE ELIGIO MOISES; 76842“Este trabajo se enfoca en el desarrollo de un nuevo paradigma, capaz de validar de manera numérica y experimental la detección de daños en la estructura de los aerogeneradores colocados en altamar, también conocidos como aerogeneradores Offshore. A lo largo de estas páginas se propone una metodología que permite detectar las fallas estructurales específicamente en las plataformas con cimentaciones tipo jacket. Este enfoque se ha validado de manera experimental en el laboratorio del grupo CoDAlab (Laboratorio de control, dinámica y aplicaciones), perteneciente a la Universidad Politécnica de Cataluña (UPC). En este escrito se identifican dos partes principales: la primera, la obtención de datos a partir del banco experimental de pruebas que consta de una plataforma de aerogenerador offshore a escala con un soporte tipo jacket como cimentación. La plataforma se somete a diversas vibraciones que simulan diferentes intensidades de viento, ya que en la realidad la intensidad del viento no se puede imponer. Estas vibraciones se generan a partir de una señal de ruido. Y la segunda, consiste en el procesamiento de los datos obtenidos, la aplicación de técnicas para la reducción de dimensión y posteriormente la utilización de los algoritmos de aprendizaje automático (machine learning) para la detección e identificación de fallas.”Item Clasificación de MRI hepáticas de infantes utilizando herramientas de machine learning(Benemérita Universidad Autónoma de Puebla, 2022-06) Ramírez Bautista, Mario Alexis; DE CELIS ALONSO, BENITO; 387709"La obesidad es un problema mundial que suele iniciarse en la infancia o en la adolescencia. Los estudios sobre este tema se han dado desde diferentes enfoques, los objetivos han sido variados pero el más común es detectar las múltiples patologías que esta condición trae como consecuencia y de las cuales, las enfermedades hepáticas no son la excepción. Las investigaciones han mostrado entre otras cosas, que la acumulación de grasa en la zona del hígado es una de las primeras secuelas de la obesidad, además, se ha confirmado que la mayor frecuencia de esteatosis hepática en la población hispana se debe a una mayor prevalencia de obesidad. Los métodos que utilizan para estudios de obesidad son variados, van desde ecografías, bioimpedanciometría, absorción dual de rayos X, plicometría y MRI. En este trabajo se presenta una forma de distinguir entre imágenes de resonancia magnética (MRI) hepáticas de niños con normopeso y con obesidad, utilizando regiones de interés de la zona hepática e imágenes completas. Se emplean herramientas de Machine Learning como clasificadores y modelos de redes neuronales mediante Transfer Learning (TL), finalmente se hace una comparación del desempeño de los modelos empleados para el estudio".