Browsing by Author "Torres Valencia, Cristian Alejandro"

Now showing 1 - 8 of 8
  • Thumbnail Image
    Item
    Análisis de sentimientos en llamadas en centros de atención al cliente
    (Pontificia Universidad Javeriana Cali, 2025) Arias Gómez, Andrea; Rincón Loaiza, Daniel; Rojas Tavera, Jhon Alexander; Torres Valencia, Cristian Alejandro
    En el contexto de los centros de contacto, la calidad de las interacciones entre agentes telefónicos y clientes es esencial para garantizar la satisfacción del cliente y promover el crecimiento empresarial. La ausencia de herramientas para identificar los factores que influyen en el rendimiento de los servicios puede impactar negativamente la reputación y eficiencia operativa. En este contexto, se desarrolló un proyecto de análisis de sentimientos aplicado a transcripciones de llamadas en español, específicamente en el call center de la Universidad Pontificia Javeriana de Cali. El objetivo principal fue analizar y clasificar las emociones expresadas en estas interacciones para identificar patrones emocionales, mejorar la comprensión de las necesidades de los usuarios y optimizar la experiencia del cliente en un entorno educativo. El proyecto integra técnicas avanzadas de aprendizaje automático y procesamiento de lenguaje natural (PLN), incluyendo reconocimiento automático del habla y diarización, para segmentar y analizar las conversaciones. El trabajo abarcó desde la construcción de un corpus representativo y el preprocesamiento avanzado de texto, hasta la configuración y adaptación de modelos de aprendizaje profundo. Además, se diseñó una interfaz con AppScript, que facilita la carga de datos y la visualización de resultados, asegurando una experiencia de usuario eficiente y accesible. La evaluación de los modelos de clasificación se realizó mediante métricas como precisión, recall y F1-score, dentro de un marco metodológico robusto que combina CRISP-DM y Scrum, garantizando un proceso estructurado y ágil. Este enfoque permite a las empresas del sector BPO en Colombia anticipar problemas, optimizar operaciones y mantener una reputación positiva en un mercado altamente competitivo.
  • Thumbnail Image
    Item
    Desarrollo de Sistema Portátil para el Monitoreo Continuo de la Presión Arterial Basado en Fotopletismografía (PPG)
    (Pontificia Universidad Javeriana Cali, 2025) Canaval Dicue, Valentina; Marmolejo Hernández, Natalia; Palacios Duarte, Juan Esteban; Torres Valencia, Cristian Alejandro
    La hipertensión arterial constituye uno de los principales problemas de salud pública a nivel mundial debido a su alta prevalencia, carácter asintomático y estrecha relación con enfermedades cardiovasculares y cerebrovasculares. En respuesta a esta problemática, se desarrolló un sistema portátil para el monitoreo continuo de la presión arterial, basado en una técnica óptica no invasiva, orientado al seguimiento continuo de la salud cardiovascular. El proyecto abarcó el procesamiento de señales fisiológicas, el diseño electrónico del sistema y la implementación de un modelo matemático predictivo que permite estimar los valores de presión arterial sistólica y diastólica a partir de las características de la señal adquirida. Asimismo, se integró un sistema de comunicación inalámbrica que posibilita la visualización de los datos mediante una aplicación móvil, permitiendo el seguimiento de tendencias y la generación de alertas ante valores compatibles con hipertensión. De forma paralela, se desarrolló el diseño físico del prototipo y la fabricación de placas electrónicas personalizadas, garantizando la portabilidad y estabilidad del dispositivo. El prototipo final presentó un funcionamiento estable en condiciones controladas, con una adquisición y transmisión de datos confiables. Los resultados obtenidos evidencian la viabilidad del sistema como una herramienta para el monitoreo continuo de la presión arterial, aportando al desarrollo de tecnologías biomédicas portátiles orientados a la detección temprana y la prevención de enfermedades cardiovasculares.
  • Thumbnail Image
    Item
    Modelo de clasificación de planos cerebrales en ecografías prenatales utilizando aprendizaje de máquina profundo
    (Pontificia Universidad Javariana Cali, 2025) Aguado Valderrama, Juan José; Rodríguez López, Luis Alfredo; Torres Valencia, Cristian Alejandro; Palta, Felipe
    Las Ecografías Craneales Prenatales (ECP) desempeñan un papel crucial en el monitoreo del desarrollo fetal. No obstante, la evaluación de imágenes de ECP entre las semanas 18 a 40 del embarazo enfrenta grandes retos debido a la falta de herramientas automatizadas para su clasificación. Actualmente, el diagnóstico depende en gran medida de la interpretación de especialistas, lo que implica largas horas de clasificación manual para análisis más profundos y el almacenamiento de la información. Esta situación se ve agravada en áreas con recursos limitados, donde la escasez de profesionales capacitados y equipos de alta calidad puede comprometer la precisión y accesibilidad de las evaluaciones. La automatización de la clasificación de imágenes ECP podría aliviar la carga de trabajo de los especialistas y mejorar la eficiencia en los análisis. Este estudio propone desarrollar una herramienta basada en aprendizaje profundo para clasificar los distintos planos del cerebro (transventricular, transtalámico y transcerebeloso) en imágenes de ECP. La metodología incluye el preprocesamiento de imágenes, segmentación y clasificación mediante redes neuronales convolucionales. Además, se evaluará el rendimiento del modelo utilizando métricas como precisión, exactitud, sensibilidad y puntuación F1, con validación por profesionales de la salud.
  • Thumbnail Image
    Item
    MyoAlert Vision: sistema inteligente de apoyo diagnóstico para la identificación automática del infarto agudo de miocardio con elevación del segmento ST mediante análisis electrocardiográfico
    (Pontificia Universidad Javeriana Cali, 2025) Daza Cerón, Julieth Alejandra; Obregón Londoño, William Felipe; Torres Valencia, Cristian Alejandro
    El infarto agudo de miocardio es una de las principales causas de mortalidad a nivel mundial, con aproximadamente 3 millones de casos al año, siendo su variante con elevación del segmento ST una de las presentaciones más críticas. En Colombia, esta condición figura entre las principales causas de defunción, lo que resalta la necesidad de herramientas que mejoren la detección temprana y la precisión diagnóstica en entornos clínicos. Con el objetivo de brindar soporte diagnóstico a los profesionales de la salud, este trabajo desarrolló MyoAlert Vision, una aplicación web capaz de identificar patrones asociados a la enfermedad en registros de ECG de 12 derivaciones y estimar la localización anatómica del infarto (anterior, inferior, lateral o septal). El sistema integra modelos de aprendizaje automático XGBoost y CNN-1D, alcanzando precisiones del 93 % y 91 % en la detección del evento isquémico, y emplea LightGBM para la identificación de la zona afectada, con una precisión del 86 %. Para esta última etapa, se incorporó un proceso previo que combinó un segundo modelo XGBoost con valores SHAP, con el fin de mejorar la interpretabilidad de los resultados y respaldar la asignación anatómica de las predicciones. En conjunto, estos resultados consolidan a MyoAlert Vision como un prototipo eficiente, que constituye un primer acercamiento al soporte diagnóstico asistido por inteligencia artificial en el infarto agudo de miocardio con elevación del segmento ST.
  • Thumbnail Image
    Item
    Sistema basado en deep learning para el análisis de imágenes de cápsula endoscópica del intestino delgado
    (Pontificia Universidad Javeriana Cali, 2025) Pabón Andrade, Juan José; Pantoja Londoño, Ingrid Nathalia; Torres Valencia, Cristian Alejandro; Noreña Agudelo, Gonzalo
    El presente trabajo describe el diseño y desarrollo de un sistema automatizado basado en deep learning para el análisis de imágenes obtenidas mediante cápsula endoscópica del intestino delgado. El objetivo general consistió en facilitar la identificación, clasificación y localización aproximada de anomalías en dichas imágenes, buscando reducir la carga de trabajo del especialista y mejorar la precisión diagnóstica. Para ello, se seleccionó una base de datos pública que incluye imágenes correspondientes a diferentes patologías y estructuras anatómicas del intestino delgado, las cuales fueron sometidas a un proceso de preprocesamiento para estandarizar su formato y mejorar la calidad de los datos. Posteriormente, se entrenaron y validaron tres modelos de redes neuronales convolucionales, evaluando su desempeño con métricas estándar de clasificación. Los modelos entrenados lograron diferenciar de forma precisa las imágenes según su clase, obteniendo resultados satisfactorios tanto en la detección de patologías como en la identificación de hitos anatómicos, lo que facilitó aproximar la ubicación distal o proximal de dichas imágenes. Finalmente, se integraron los modelos seleccionados en una interfaz gráfica, brindando al usuario la capacidad de interactuar con el sistema de forma intuitiva. Este desarrollo constituye un aporte relevante desde la ingeniería biomédica, al proponer una herramienta de apoyo diagnóstico. Asimismo, se establecen las bases para futuras mejoras relacionadas con la ampliación de la base de datos y la implementación del sistema en escenarios reales de atención médica.
  • Thumbnail Image
    Item
    Sistema de reconocimiento de la estructura cerebral Cavum Septum Pellucidum basado en Deep Learning para el análisis de anomalías del desarrollo en imágenes de ultrasonido fetal en 2D
    (Pontificia Universidad Javariana Cali, 2025) Cifuentes Ortega, Milton Fabián; Torres Valencia, Cristian Alejandro
    En este proyecto se presenta el diseño, desarrollo e implementación de un sistema de reconocimiento basado en Deep Learning para la detección de la estructura craneal en fetos llamada Cavum Septum Pellucidum sobre imágenes de ultrasonido 2D, el cual tiene como objetivo colaborar con el sector salud en la detección temprana de anormalidades prenatales, debido a que este tipo de inconvenientes son muy comunes en el desarrollo del feto y así se podría reducir los índices de mortalidad en recién nacidos. Para el desarrollo del sistema se llevaron a cabo tareas de selección de criterios de recolección y procesamiento de las imágenes de ultrasonido fetal en 2D, además de la identificación de métricas de evaluación para la clasificación de normalidad o anormalidad. Estos modelos podrían ser aplicado a cualquier proceso de seguimiento prenatal donde se tomen imágenes de ultrasonidos para el control del crecimiento del feto. Las anormalidades detectadas podrían ayudar a diagnosticar posibles enfermedades tales como holoprosencefalia, displasia septo-óptica, agenesia de cuerpo calloso, enfermedad de Alexander, esclerosis tuberosa, facomatosis, pinealoma, trisomía del par y esquisencefalia. Teniendo en cuenta todo lo anterior se obtuvo como resultado final de este proyecto dos modelos; El primer modelo se centró en el reconocimiento de los planos craneales y se obtuvo un 99% de accuracy. Por otro lado, el segundo modelo se dividió por plano cerebral (Trans-Ventricular, Trans-Thalamic y Trans-Cerebellum) y se creó específicamente cada uno de ellos enfocados en la identificación de la estructura cerebral Cavum Septum Pellucidum, obteniendo como resultado final un 88.8%, 91% y 95.1% de Curva AUC ROC respectivamente.
  • Thumbnail Image
    Item
    Sistema de soporte al diagnóstico no invasivo de ictericia neonatal en Colombia: un enfoque desde la visión por computador
    (Pontificia Universidad Javeriana Cali, 2025) Salazar Barney, Camilo; Ruiz Ortiz, Angélica María; Torres Valencia, Cristian Alejandro
    La ictericia neonatal es una de las condiciones clínicas más comunes durante los primeros días de vida y su identificación temprana es fundamental para evitar complicaciones asociadas a niveles elevados de bilirrubina. En muchos entornos de atención en salud, en especial aquellos con recursos limitados, el diagnóstico continúa dependiendo de métodos invasivos o evaluaciones visuales sujetas a variabilidad, lo que puede prolongar los tiempos de respuesta y limitar la oportunidad del tratamiento. Este proyecto se desarrolló con el propósito de explorar una alternativa no invasiva basada en el procesamiento digital de imágenes y en la aplicación de modelos de aprendizaje profundo para apoyar la detección de ictericia neonatal y estimar la concentración aproximada de bilirrubina a partir de fotografías neonatales. El alcance del estudio se centró al análisis del conjunto de imágenes y datos presentes en la base de datos de acceso abierto NeoJaundice y no incluyó la validación clínica directa en instituciones de salud. La metodología aplicada se dividió en cuatro etapas. En primer lugar, se realizó un análisis de las imágenes disponibles, determinando las características cromáticas y variaciones relevantes para el diagnóstico. Posteriormente, se implementó un pipeline de preprocesamiento que incluyó normalización de color, segmentación de la región de interés y la generación de una máscara adaptativa orientada a resaltar tonalidades amarillentas. En la tercera etapa, se entrenaron modelos basados en redes neuronales convolucionales para las tareas de clasificación y regresión, ajustando parámetros para obtener predicciones compatibles con las etiquetas del conjunto de datos. Finalmente, se desarrolló una interfaz interactiva que permitiera realizar análisis individuales y por lotes, integrando así el flujo completo de etapas desarrolladas y facilitando la visualización detallada de los análisis realizados. Los resultados obtenidos muestran que el sistema propuesto logró procesar las imágenes del conjunto de datos de manera estable y generar predicciones coherentes con la información disponible, evidenciando que el enfoque planteado constituye una base sólida para avanzar hacia futuras evaluaciones en escenarios clínicos reales.
  • Thumbnail Image
    Item
    Sistema empresarial inteligente para la clasificación de residuos
    (Pontificia Universidad Javeriana Cali, 2023) Cantor, Elkin Leonardo; Morales Cadavid, Santiago; Correa, Leidy Johana; Vargas Cardona, Hernán Darío; Torres Valencia, Cristian Alejandro
    Existe evidencia de que en Colombia se producen 24,8 millones de toneladas de residuos al año, de los cuales el 47% provienen de los hogares con una generación per cápita de 515 kilogramos y a su vez la tasa de reciclaje, que se refiere a la proporción de material reciclado sobre la generación total de residuos sólidos, es cercana al 12% en el año 2019, siendo esta una cifra muy baja comparada con la de otros países como Alemania donde llega al 68%. Por medio de este proyecto se buscó realizar un modelo de aprendizaje automático que a través del reconocimiento de imágenes permitiera en el ámbito empresarial realizar una correcta clasificación de residuos en las diferentes canecas del punto ecológico, así como la recolección de información que permita calcular diversos indicadores a nivel individual y de empresa, proporcionando información clave para el desarrollo de futuras campañas de impacto ambiental y buscando diversos mecanismos y estrategias que promuevan el uso de esta herramienta y nos convierta en un aliado estratégico del medio ambiente. Asimismo, por medio del desarrollo de este proyecto, se obtuvo un dataset que permitió crear algoritmos robustos que contribuyen al correcto entrenamiento del modelo de clasificación de residuos, este modelo se desarrolló en lenguaje Python, empleando algoritmos de Deep Learning, especialmente haciendo uso de redes neuronales convolucionales que permitieron la construcción de un prototipo o diseño (mockup) de una aplicación móvil donde a futuro se podrá desplegar el modelo realizado.