Trabajos de grado (Especializaciones y Pregrados)http://hdl.handle.net/10554/100572024-03-19T03:40:43Z2024-03-19T03:40:43ZPattern recognition in brain Networks to characterize preictal statesMelgarejo Quiñones, Laura Danielahttp://hdl.handle.net/10554/668842024-03-16T08:10:42Z2023-12-19T00:00:00ZPattern recognition in brain Networks to characterize preictal states
Melgarejo Quiñones, Laura Daniela
La epilepsia es uno de los trastornos neurológicos más comunes que afecta a más de 50 millones de personas
personas de todo el mundo. Se caracteriza por convulsiones recurrentes, que son el resultado de
descargas eléctricas que generan alteraciones en la actividad cerebral. En la mayoría de los pacientes epilépticos las convulsiones son poco frecuentes y son de ocurrencia impredecible, el uso de medicamentos anticonvulsivos
pueden reducir el número de incidencias de convulsiones en el paciente.
Desafortunadamente, para el 30% de los pacientes con epilepsia, las convulsiones persisten a pesar del uso de
este tratamiento, aumentando el riesgo de lesiones, muerte prematura y reduciendo su
calidad de vida. El objetivo del presente trabajo es desarrollar una herramienta de IA específica para cada paciente.
El pipeline desarrolado, integra análisis de conectividad funcional aplicado a las redes cerebrales epilépticas,
para identificar con precisión el período sin convulsiones (interictal) y el intervalo de tiempo inmediatamente
antes del inicio de la convulsión (estado preictal) y así, detectar un posible inicio de una convulsión.
En el presente estudio, se utilizó información de 17 pacientes con epilepsia, tomados del DB "EPILEPSIAE", con registros disponibles
de señal sEEG durante al menos 8-9 horas antes del inicio de la convulsión. Extracción de características, preprocesamiento de características, selección de características, aprendizaje automático y la Aplicación de Aprendizaje Profundo, y la Capacitación y Evaluación de Modelos, constituyen el
principales bloques de tuberías. Se seleccionaron cinco algoritmos de Machine Learning y Deep Learning
para la evaluación: Random Forest (RF), Support Vector Machines Classifier (SVC),
XGBoost (XGB), redes neuronales convolucionales (CNN) y memoria a largo plazo
(LSTM). Para mejorar el rendimiento de los algoritmos de clasificación a diferentes
contextos, se evaluaron tres ventanas preictales de 40, 60 y 80 minutos. Un F1
puntuación superior al 60% fue alcanzada por 11/17 pacientes, con un periodo preictal de 80 minutos.
2023-12-19T00:00:00ZHerramientas de acompañamiento para procesamiento de señalesCaballero Rincón, Diego Alejandrohttp://hdl.handle.net/10554/668832024-03-16T08:06:31Z2023-06-01T00:00:00ZHerramientas de acompañamiento para procesamiento de señales
Caballero Rincón, Diego Alejandro
Este proyecto tiene el potencial de transformar la forma en que se enseña y se aprende el procesamiento de señales. Los OVAs pueden ser utilizados por profesores de todo el mundo para mejorar la calidad de la educación y brindar a los estudiantes una experiencia de aprendizaje personalizada y efectiva.
2023-06-01T00:00:00ZIntraoral wearable device to measure physiological parameters for OSA detectionSanchez Moreno, Julian Andreshttp://hdl.handle.net/10554/668822024-03-16T08:11:51ZIntraoral wearable device to measure physiological parameters for OSA detection
Sanchez Moreno, Julian Andres
El estándar de oro en la detección de la Apnea Obstructiva del Sueño (AOS) es la polisomnografía (PSG). Si bien sigue siendo la opción más precisa para la detección y diagnóstico de los trastornos del sueño, muchas veces depende de la disponibilidad de personal y equipos especializados. Durante los últimos años, ha habido un interés creciente en desarrollar dispositivos portátiles para la detección de trastornos del sueño que tengan como objetivo la rentabilidad y la accesibilidad del paciente. Sin embargo, la mayoría de estos dispositivos no son cómodos y afectan la calidad del sueño de los pacientes. Esta tesis presenta el desarrollo de un prototipo de un dispositivo portátil capaz de realizar mediciones intraorales de los parámetros fisiológicos relevantes para detectar la apnea obstructiva del sueño: saturación de oxígeno, frecuencia cardíaca y frecuencia respiratoria. El desarrollo del prototipo se dividió en dos fases, cada una de las cuales abordó objetivos específicos. La primera versión se centró en tres aspectos principales: evaluar la viabilidad de realizar mediciones fotopletismográficas (PPG) intraorales, determinar la ubicación del sensor con la mayor precisión y probar el proceso de encapsulación para proteger y aislar los componentes electrónicos. Siguiendo la progresión del prototipo, se desarrolló una segunda versión. Esta iteración tenía como objetivo crear un dispositivo más realista, enfatizando la ubicación del sensor y la comodidad del sujeto. Además del proceso de diseño y fabricación de cada versión, se desarrolló el firmware necesario para analizar y calcular los parámetros para una adquisición en tiempo real. Este documento se centra en el proceso de diseño, fabricación y prueba de cada una de las versiones del prototipo.
Kits arduino para apoyar el aprendizaje y enseñanza en la programación de microcontroladoresNaranjo Imbachi, DanielLozano Polania, Brayan Camilohttp://hdl.handle.net/10554/668812024-03-16T08:03:07Z2023-11-27T00:00:00ZKits arduino para apoyar el aprendizaje y enseñanza en la programación de microcontroladores
Naranjo Imbachi, Daniel; Lozano Polania, Brayan Camilo
El uso de kits de desarrollo ha demostrado ser beneficioso al facilitar la programación de microcontroladores para los estudiantes. Sin embargo, se ha observado que, a pesar de esta ventaja, los estudiantes se enfrentan a desafíos al realizar montajes adicionales. Estos montajes, que consumen considerable tiempo, pueden resultar frágiles y no garantizan su funcionamiento, lo que destaca la necesidad de explorar métodos más eficientes y fiables en el proceso de aprendizaje.
Por lo mencionado anteriormente, este proyecto tuvo como objetivo desarrollar kits de aprendizaje que contuvieran todo el montaje tanto electrónico como mecánico de los sensores y actuadores necesarios para abarcar la mayor cantidad de conceptos que se aprenden en un curso a nivel universitario de programación de microcontroladores e incluso profundizar más. Para lograr esto, se hizo un estudio del estado del arte en el desarrollo de kits de aprendizaje ya existentes enfocados en este tema para de allí aprovechar todas las características más eficientes y atractivas para los estudiantes que ayuden en su aprendizaje.
A partir del análisis de la información recopilada, se describieron los requerimientos necesarios y se planteó una plataforma hardware basada en la tarjeta de desarrollo Arduino Mega 2560 con un montaje mecánico de apoyo. Se realizaron protocolos de pruebas de hardware y software con el fin de verificar el funcionamiento de la plataforma propuesta para después validarse con estudiantes y profesores de la Pontificia Universidad Javeriana. De todo esto resultó que es posible desarrollar una plataforma enfocada en la programación de microcontroladores que contenga sensores y actuadores que facilitan el aprendizaje de los estudiantes.
2023-11-27T00:00:00Z