Proyectos finales (grado)
Permanent URI for this collection
Browse
Browsing Proyectos finales (grado) by Subject "APRENDIZAJE AUTOMÁTICO"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
proyecto final de grado.listelement.badge Modelo de inteligencia artificial multimodal para detección de fatiga utilizando dispositivos móviles(2024-10) Amagliani, Martín; Daquarti, Gustavo; Bartellini Huapalla, NicoleLos siniestros viales generan daños en la salud de sus víctimas y en muchos casos los daños pueden resultar irreversibles, pero también generan grandes costos económicos por la ayuda médica necesaria, los objetos materiales dañados y el tiempo que deja fuera de servicio a las personas afectadas. La fatiga al volante es una de las principales causas de estos siniestros. Realizar una tarea poco estimulante y demandante como conducir por varias horas consecutivas lleva a la fatiga del conductor, aumentando los tiempos de reacción y disminuyendo la capacidad de percibir estímulos visuales y auditivos. Esto afecta a todos los conductores, pero más aún a los conductores de colectivos de larga distancia y camiones de carga que pasan largas jornadas conduciendo por rutas monótonas con pocos, o directamente sin, descansos en varias horas de manejo. La fatiga mental es un estado psicobiológico que presenta una alteración temporal de la eficiencia física y mental, manifestando una disminución de la capacidad de respuesta de esfuerzos tipo cognitivos. Múltiples autores han estudiado el proceso de expresión de la fatiga a través de los tiempos de reacción, alteraciones en el rostro, características de la voz y comportamiento de los ojos. Se han observado diversas técnicas para la detección a partir de muestras de audio, video y tiempos de reacción. La cementera mexicana CEMEX se contactó con la empresa argentina de inteligencia artificial en salud Uma para realizar un modelo que detecte la fatiga de sus conductores de camiones. El modelo no debía necesitar hardware adicional y la generación de una muestra debe ser simple y rápida, por lo tanto no se puede recurrir a implementaciones que necesitan un muestreo constante en vivo, por lo que la mayoría de las implementaciones que se encuentran en el mercado hoy en día no cumplen con estas características. La obtención de las muestras se realiza entonces con el dispositivo móvil de cada usuario. Durante el desarrollo del modelo también se prioriza la reducción de falsos positivos para reducir la cantidad de alarmas que generen una desestimación de las mismas. Se deciden realizar muestras que posean videos selfies hablando a cámara en español preferentemente con tonada mexicana, y que las muestras tengan asociadas tiempos de reacción. Por la especificidad del dataset necesitado se generan 2 datasets propios, uno conformado por muestras de conductores de CEMEX en México y otro por voluntarios en Argentina. Entre ambos datasets se consiguieron 302 muestras válidas que con la ayuda de paramédicos de CEMEX se generó el criterio de clasificación de muestras aptas y no aptas para manejar. Las muestras del mismo poseen 5 tiempos de reacción y un video selfie de 17 segundos hablando libremente, y como etiqueta se utiliza la escala de somnolencia de Karolinska, la cual es una escala subjetiva donde uno señala en qué lugar de la escala se ubica sobre su somnolencia en los últimos 15 minutos. Este tipo de muestra se idea de esta forma para priorizar la brevedad de la toma de datos. Se desarrollan 3 modelos, un modelo de audio, uno de imágenes del rostro y otro de imágenes de los ojos, la salida de estos junto con datos tabulares ingresan a un modelo integrador que genera la clasificación binaria final sobre si el conductor se encuentra apto para manejar. El desarrollo de los modelos intermedios se realizó mientras se completaban los datasets, con pocas muestras etiquetadas especialmente las fatigadas, por lo tanto se recurrió a modelos de poco entrenamiento. El modelo de audio genera embeddings con CLAP y calcula la similitud coseno con pares de referencias de una misma persona fatigada y alerta, este modelo obtuvo un AUC de 0,62. El modelo de imágenes genera embeddings de los rostros utilizando el modelo VGG y calcula similitud coseno de forma análoga al modelo de audio, con un AUC de 0,60. El modelo de PERCLOS calcula la cantidad de tiempo del video en el que los ojos permanecen cerrados, y obtiene un AUC de 0,57. Finalmente, se realiza un modelo de Catboost como modelo integrador, que utiliza los outputs del resto de los modelos sumado datos de los tiempos de reacción y la hora del día, y se entrena realizando cross validation con k=7 obteniendo en validación 79,5 % de precisión, 69,9 % de F1-score y 69,8 % de accuracy, y en el conjunto de prueba obtiene 81,8 % de precisión, 75 % de F1-score y 82,9 % de accuracy. En conclusión, se logró crear un modelo de detección de fatiga multimodal que clasifica a partir de características principales de audio y video, de PERCLOS y de tiempos de reacción, para ser utilizado en dispositivos móviles con un tipo de muestra rápido y simple. Se destaca que a pesar de la subjetividad de clasificar la aptitud de manejo de una persona a partir de la fatiga, que de por sí también es subjetiva, el modelo obtiene mejor rendimiento que los paramédicos que realizan esta tarea. Se logró un modelo que con pocas muestras de entrenamiento alcanza grandes resultados en validación y una buena generalización gracias a la técnica de validación empleada que genera mayor aprovechamiento de las muestras y métricas más robustas.proyecto final de grado.listelement.badge Organización de la información espacial, direccional y de velocidad en la corteza entorrinal y en el hipocampo de ratas a lo largo de un ciclo de la oscilación theta(2025) Zoani Gray, Barbara; Büker, Sol; Kropff, EmilioEn la corteza entorrinal y el hipocampo se encuentran tipos específicos de neuronas que codifican información espacial, direccional y de velocidad. Estas neuronas, conocidas como grid cells, place cells, head direction cells y speed cells, están estrechamente relacionadas con las oscilaciones theta presentes en el cerebro. En los ultimos años se han logrado numerosos avances sobre la relación entre estas neuronas y la oscilación theta. Esta investigación se centra en explorar cómo esta oscilación modula a las células previamente mencionadas del hipocampo y la corteza entorrinal, y cómo esta modulación varía para cada neurona según el área del cerebro, el subcampo o la capa. En este estudio se utilizaron registros neuronales de ratas proporcionados por el Laboratorio de Fisiología y Algoritmos del Cerebro de la Fundación Instituto Leloir. Estos registros fueron procesados para construir una base de datos, y luego se analizaron mediante técnicas como el cálculo de la tasa de disparo promedio, el contenido de información, la pendiente y la correlación. Además, se emplearon métodos de reducción de dimensionalidad y aprendizaje automático (Machine Learning) para interpretar los resultados y extraer conclusiones. Este estudio investiga cómo la oscilación theta modula el comportamiento de estas neuronas especializadas. Comprender esta modulación es fundamental para estudiar funciones cognitivas como la memoria y la navegación espacial, y puede ofrecer información valiosa para entender enfermedades neurodegenerativas como el Alzheimer, así como los mecanismos a través de los cuales estas condiciones afectan la función cerebral.proyecto final de grado.listelement.badge Predicción de mortalidad específica a dos años y mutación del gen KRAS en metástasis hepática de cáncer colorrectal mediante Radiómica y Aprendizaje Automático(2023-04-28) Dujaut, Iván Maximiliano; Esposito, Marco Iván; Ricci Lara, María AgustinaEl cáncer colorrectal es la segunda causa de muerte por cáncer en el mundo, y suele estar acompañado por metástasis hepática. Entre posibles tratamientos, la metástasis puede ser eliminada por medio de una cirugía de resección, y se sabe que una mutación en el gen KRAS es indicador de un peor pronóstico. Se han publicado investigaciones prometedoras sobre el uso de Inteligencia Artificial como herramienta de soporte a la toma de decisiones en el diagnóstico y pronóstico de pacientes con este tipo de patologías. Para este proyecto, se plantearon dos objetivos primarios, y múltiples secundarios. Como uno de los objetivos primarios, se definió entrenar y evaluar la capacidad diagnóstica de un clasificador basado en Radiómica e Inteligencia Artificial, para predecir la mortalidad específica a dos años en pacientes con metástasis hepática de cáncer colorrectal, utilizando imágenes de tomografía computada en fase venosa portal. Para este objetivo, el comienzo del período de dos años fue la cirugía de resección hepática como tratamiento a la enfermedad, y se definió la variable de respuesta Óbito, con dos posibles valores: cero o negativo, si el paciente vivía al finalizar el período, y uno o positivo, si la causa de muerte registrada fue la patología planteada. El otro objetivo primario consistió en entrenar y evaluar la capacidad diagnóstica de un clasificador basado en Radiómica e Inteligencia Artificial, empleando la misma modalidad y fase de imagen, pero para predecir el estado de mutación del gen KRAS. Para ello se definió la variable de respuesta KRAS, con dos valores posibles: cero o negativo para el estado Wild Type, y uno o positivo para el estado mutado, determinado por estudio genético. Como objetivos secundarios, se planteó el entrenamiento y evaluación de seis clasificadores basados en Radiómica e Inteligencia Artificial, con imágenes de tomografía computada en las fases sin contraste, venosa tardía, y arterial, para la predicción de las variables Óbito y KRAS. Se realizó un estudio de carácter retrospectivo, utilizando una base de datos de tomografías computadas conformada en el Hospital Italiano de Buenos Aires. Las imágenes fueron segmentadas por el departamento de Diagnóstico por Imágenes de la institución para identificar la lesión hepática de mayor tamaño y luego extraer las características radiómicas del volumen segmentado. La radiómica es un método de extracción de características cuantitativas de las imágenes, utilizadas como biomarcadores en medicina, y para el entrenamiento de algoritmos de Inteligencia Artificial. Se aplicaron métodos de selección de características y se realizó un ajuste de hiperparámetros para optimizar los modelos clasificadores. Los mismos se evaluaron con métricas como el área bajo la curva de la característica operativa del receptor. El modelo final para cada variable se produjo tomando el promedio de los puntajes de salida de los mejores modelos seleccionados. Mediante la combinación de filtros, métodos de selección de características y algoritmos de Inteligencia Artificial, se entrenaron más de 1.000 modelos entre todos los objetivos previstos. Para la variable Óbito, se utilizaron 101 casos en entrenamiento (64 vivos, 37 fallecidos) y 35 en evaluación (22 vivos, 13 fallecidos), resultando en un área bajo la curva de 0,875. Para la variable KRAS, se usaron 55 casos en entrenamiento (31 Wild Type, 24 mutados) y 30 en evaluación (17 Wild Type, 13 mutados), resultando en un área bajo la curva de 0,895. Los modelos entrenados mostraron resultados prometedores en su evaluación y podrían constituir una herramienta no invasiva de soporte a la toma de decisiones en el tratamiento de metástasis hepática de cáncer colorrectal. Existe la posibilidad de desarrollar futuros trabajos para mejorar los resultados alcanzados y validar el uso de los predictores para su uso clínico.