Ingeniería Biomédica
Permanent URI for this collection
Browse
Browsing Ingeniería Biomédica by Author "Vargas Cardona, Hernán Darío"
Now showing 1 - 5 of 5
Results Per Page
Sort Options
Item Desarrollo de un aplicativo móvil para la identificación de arritmias cardíacas mediante procesamiento digital de señales ECG y aprendizaje automático(Pontificia Universidad Javariana Cali, 2025) Muñoz de la Torre, Jereminth; Otero Argel, Karolina María; Vargas Cardona, Hernán DaríoLas enfermedades cardiovasculares (ECV) representan una preocupación global, siendo una de las principales causas de mortalidad según la Organización Mundial de la Salud (OMS). En Colombia, estas enfermedades ocupan un lugar importante en las estadísticas de mortalidad, destacándolas arritmias cardíacas como un factor crítico debido a su potencial para desencadenar muerte súbita cardíaca (MSC). El objetivo de esta propuesta es desarrollar un aplicativo móvil basado en procesamiento digital de señales ECG y aprendizaje automático para identificar arritmias cardíacas y alertar sobre la posibilidad de MSC en pacientes con antecedentes cardiovasculares o enfermedades crónicas. La metodología del estudio se estructura en varias etapas, incluyendo la selección de la base de datos ECG adecuada, el procesamiento de señales, la extracción de características, el entrenamiento de modelos de aprendizaje automático, la validación y evaluación de los modelos, la implementación del aplicativo móvil y la validación del mismo mediante simuladores de ECG. Los resultados obtenidos incluyen un modelo de aprendizaje automático con una precisión del 96 %, lo que demuestra su eficacia en la clasificación de arritmias cardíacas. Además, se logró integrar exitosamente el modelo en el aplicativo móvil denominado KIBO, el cual ofrece tres salidas principales: el ritmo cardíaco, la identificación de arritmias potencialmente peligrosas capaces de desencadenar muerte súbita cardíaca (MSC), y el vector de ECG asociado. Esto permite lograr el fin último de activar de manera oportuna una ruta de atención en emergencias, mejorando la respuesta ante posibles complicaciones relacionadas con MSC y contribuyendo a la prevención de eventos fatales.Item Desarrollo de un sistema predictivo para el apoyo en el diagnóstico temprano de la enfermedad de Alzheimer mediante inteligencia artificial y estudios PET(Pontificia Universidad Javeriana Cali, 2025) Bolaños Aldana, Alejandra; Castillo Estacio, Nicoll Dayana; Vargas Cardona, Hernán DaríoLa enfermedad de Alzheimer constituye la principal causa de demencia a nivel mundial, afectando a más de 55 millones de personas. No obstante, su diagnóstico temprano continúa siendo un desafío clínico relevante, dado que los métodos convencionales suelen identificar la enfermedad en fases avanzadas, cuando las alternativas terapéuticas son limitadas. En este contexto, el presente trabajo desarrolló un sistema predictivo orientado al apoyo en el diagnóstico temprano de la enfermedad de Alzheimer mediante el uso de inteligencia artificial aplicada a estudios de tomografía por emisión de positrones (PET). El objetivo principal consistió en integrar técnicas de aprendizaje profundo y aprendizaje automático para la clasificación de pacientes en tres categorías diagnósticas: cognitivamente normal, deterioro cognitivo leve y enfermedad de Alzheimer. La metodología se fundamentó en el uso de datos del repositorio público ADNI, incorporando un total de 5,673 imágenes PET adquiridas con diferentes radiofármacos, así como 4,617 registros clínicos que incluyen variables sociodemográficas, cognitivas y genéticas. Para el análisis de neuroimagen, se implementaron y compararon tres arquitecturas de redes neuronales convolucionales tridimensionales: ResNet3D, un enfoque de transfer learning basado en ResNet10-3D preentrenado y la arquitectura VoxCNN3D. De manera complementaria, se evaluaron modelos clásicos de aprendizaje automático aplicados a datos tabulares, específicamente K-Nearest Neighbors, Naive Bayes y Random Forest. Adicionalmente, se desarrolló un modelo híbrido que integró las representaciones profundas extraídas por ResNet10-3D con variables clínicas procesadas mediante Random Forest, con el fin de aprovechar información multimodal. Los resultados evidenciaron que el modelo híbrido alcanzó el mejor desempeño global, logrando una exactitud del 77.12% en el conjunto de prueba, superando de manera significativa a los modelos individuales. En particular, el sistema obtuvo una precisión del 100% para la clase Alzheimer, un recall del 94.92% para la clase de controles normales y métricas balanceadas para la categoría de deterioro cognitivo leve, lo que refleja una adecuada capacidad discriminativa. Como parte del desarrollo tecnológico, se implementó una interfaz gráfica funcional mediante Gradio, la cual permite la carga de estudios PET, la captura de información clínica, la visualización multiplanar de las neuroimágenes y la generación automática de reportes diagnósticos en formatos TXT y PDF. En conclusión, este trabajo demuestra que la integración multimodal de neuroimagen funcional y datos clínicos, mediante técnicas avanzadas de inteligencia artificial, mejora de forma sustancial el desempeño diagnóstico frente a enfoques unimodales. El sistema propuesto se perfila como una herramienta prometedora de apoyo al diagnóstico clínico, con potencial para fortalecer la detección temprana y la estratificación de pacientes dentro del espectro del deterioro cognitivo.Item Identificación automática de ataque cerebrovascular (ACV) isquémico mediante la aplicación de técnicas de Deep Learning en imágenes de tomografía computarizada(Pontificia Universidad Javariana Cali, 2025) Hurtado Bustos, Sebastián; Valencia Amaya, Santiago; Vargas Cardona, Hernán DaríoEl ataque cerebrovascular isquémico (ACV) ocurre cuando un coágulo de sangrebloquea una arteria del cerebro, llevando a una interrupción del flujo sanguíneo y privando a las células cerebrales de oxígeno y nutrientes, siendo la segunda causa de muerte a nivel mundial según la OMS y es de las primeras causas de discapacidad a largo plazo. Por otro lado, la desinformación es un factor importante que agrava la problemática, dando prioridad a trabajar en la concientización de este. El proyecto tiene como objetivo principal entrenar modelos para apoyo al diagnóstico que puedan ayudar a los profesionales de la salud a detectar de manera más rápida y precisa el ACV isquémico, lo que podría tener un impacto significativo en el tratamiento y la recuperación de los pacientes, así como en la reducción de los costos asociados y el impacto socioeconómico de esta enfermedad. Los modelos implementan técnicas de aprendizaje profundo basadas en redes neuronales convolucionales en 3 dimensiones (CNN3D) las cuales se usaron como extractores de características sobre estudios de tomografía computacional (CT). Luego de procesar el conjunto de datos con todos los modelos de deep learning, se aplicaron clasificadores SVM con los kernels lineal, RBF y polinomial utilizando Grid Search para ajustar hiperparámetros, KNN evaluado con 3 y 5 vecinos; Perceptrón Multicapa (MLP) y XGBoost. Para cada clasificador se realizaron 10 repeticiones con partición 70-30 % (Hold-Out aleatorio), y se reportó el valor promedio ± desviación estándar de la exactitud, sensibilidad, especificidad, F1-Score, y AUCROC. El esquema experimental permitió demostrar que las CNN 3D funcionan muy bien comoextractores de información relevante en CT, para identificar automáticamente ACV.Item Integración de interfaces hápticas en la rehabilitación de miembro superior(Pontificia Universidad Javeriana Cali, 2024) Rubiano Giraldo, Andrea del Pilar; Vargas Cardona, Hernán Darío; Amador Rodríguez, Andrés FelipeLas actividades de la vida diaria (AVD) conllevan movimientos repetitivos, especialmente del miembro superior, siendo esencial para ejecutar diversas tareas cotidianas. La repetición de ciertos movimientos puede desencadenar Lesiones Musculoesqueléticas (LME), afectando la ejecución de tareas básicas de cuidado personal. Además, tras un Accidente Cerebrovascular (ACV), la funcionalidad del miembro superior puede verse afectada, generando secuelas sensoriales y motoras que comprometen la realización de tareas voluntarias. Para recuperar o mejorar la movilidad del miembro afectado, se recurre a terapias de rehabilitación de miembro superior, determinadas por profesionales de la salud según la condición del paciente. Sin embargo, las terapias convencionales ofrecidas por el sistema de salud presentan limitaciones: son ejercicios repetitivos, carecen de seguimiento y pueden resultar molestos. Esta falta de efectividad contribuye al abandono temprano de las terapias, reflejando una baja adherencia por parte de los pacientes. El abandono de las terapias no solo afecta la recuperación del movimiento, sino que también genera molestias y dolores, impactando en la realización de AVD. La dependencia resultante hacia familiares disminuye la autoestima del individuo. Este trabajo de grado tiene como objetivo implementar una herramienta que elabore una trayectoria a seguir empleando Curvas de Bézier, diseñar un escenario interactivo para realizar la ejecución de terapias de rehabilitación y finalmente evaluar los resultados obtenidos mediante encuestas a fisioterapeutas que prueben la herramienta. Como resultado se obtuvo una herramienta de software, compuesta por un escenario virtual interactivo en el que se pueden llevar a cabo ejercicios básicos de rehabilitación del miembro superior, gracias a la interacción que permiten la interfaz háptica Meta Quest 2. Adicionalmente, se obtuvieron resultados sobresalientes en la etapa de validación, realizada con fisioterapeutas y/o profesionales con conocimientos en el área de fisiologíaItem Reconocimiento de expresiones faciales a partir de imágenes para posible soporte de ayuda en personas con Trastorno del Espectro Autista (TEA)(Pontificia Universidad Javeriana Cali, 2025) González Torres, Miguel Santiago; Pérez Ramírez, Sebastián; Vargas Cardona, Hernán DaríoEste proyecto de grado se centra en el desarrollo de una aplicación software diseñada para la el reconocimiento de expresiones faciales a partir de imágenes para personas con trastorno de espectro autista (TEA), con un enfoque en los niños, buscando la posible mejora de sus habilidades sociales mediante el reconocimiento efectivo de emociones básicas. El núcleo de la aplicación software radica en el uso de técnicas de deep learning, mediante las cuales el sistema aprenderá a identificar emociones a partir de una extensa base de datos de expresiones faciales. La fase de entrenamiento implicará el procesamiento de imágenes de diversas emociones, permitiendo que el prototipo desarrolle un modelo de reconocimiento que se adapte a las variaciones en las expresiones faciales propias de las personas. Una vez entrenado, el aplicativo se utilizará en los autores del proyecto, donde podrá validar y corroborar las emociones detectadas en las imágenes capturadas durante las actividades. Esto permitirá una retroalimentación de calidad, reforzando el aprendizaje en la identificación correcta de las emociones.