59142 research outputs found
Sort by
Implementación de un sistema para análisis y clasificación de electrocardiogramas con algoritmos de inteligencia artificial
Get PDFCONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Las enfermedades cardiovasculares representan la principal causa de mortalidad a nivel mundial. En ellas, las arritmias requieren detección temprana y precisa, siendo el electrocardiograma (EKG) la herramienta estándar para su análisis. Sin embargo, la interpretación manual demanda tiempo y experiencia clínica, lo que limita su aplicabilidad. Tiene como objetivo implementar un sistema de clasificación de latidos cardíacos en señales de EKG mediante técnicas de IA, utilizando redes neuronales convolucionales (CNN) y la clasificación estandarizada de la AMMI. El proyecto se desarrolló utilizando la base de datos MIT-BIH Arrhythmia, procesada mediante técnicas de filtrado pasa eliminación de ruido, normalización y segmentación de latidos. Se aplicó balanceo de datos con SMOTE y posteriormente se entrenó y validó una CNN en Python, empleando bibliotecas como WFDB, TensorFlow y Keras. Los resultados evidenciaron un modelo con capacidad para clasificar latidos cardíacos en las cinco categorías definidas por la AAMI, alcanzando métricas de precisión y sensibilidad para un diagnóstico confiable. El sistema constituye una herramienta complementaria para el personal médico y potencial de integración en dispositivos portátiles, telemedicina, contribuyendo a la detección temprana de arritmias y optimización de la atención médica.CONDITION FOR PUBLICATION OF PROJECT. English to write the same as described before in the Resumen. Use cursive fonts in this section. Cardiovascular diseases are the leading cause of mortality worldwide. Arrthythmias require early and accurate detection, with the electrocardiogram (EKG) being the standard tool for analysis. However, manual interpretation requires time and clinical expertise, which limits its applicability. The project aims to implement a heartbeat classification system in EKG signals using artificial intelligence techniques, utilizing convolutional neural networks (CNNs) and the standardized AMMI classification. The project was developed using the MIT-BIH Arrhythmia database, processed using noise removal, normalization, and heartbeat segmentation filtering techniques. Data balancing was applied with SMOTE, and a CNN was subsequently trained and validated in a Python environment using specialized libraries such as WFDB, TensorFlow, and Keras. The results showed a model capable of classifying heartbeats into the five categories defined by the AAMI, achieving accuracy and sensitivity metrics for a reliable diagnosis. The system constitutes a complementary tool for medical personnel and has the potential for integration into portable devices and telemedicine, contributing to the early detection of arrhythmias and the optimizing medical care.
Keywords: Arrhythmias, AI, Neural Networks, AAMI
Sistema de supervisión y control con LOGO web editor para un secador híbrido
Get PDFCONDITION FOR PUBLICATION OF PROJECT. XCONDICIONAMIENTO DE PUBLICACION DE PROYECTO. En la ciudad de Guayaquil, a la altura del kilómetro 30.5 de la vía Perimetral, dentro
del Centro de Desarrollo Tecnológico Sustentable (CDTS) de la Escuela Superior
Politécnica del Litoral (ESPOL), se encuentra un secador híbrido diseñado para el
tratamiento de biomasa. Este equipo integra energía solar y resistencias eléctricas,
con el propósito de mantener las condiciones térmicas necesarias para el secado.
El sistema cuenta con una cámara de secado cubierta con una lámina de
policarbonato transparente y un flujo de aire precalentado mediante un colector
solar, complementado por resistencias que permiten dar estabilidad al proceso.
Actualmente, el secador presenta limitaciones operativas significativas. El registro
de datos se realiza de forma manual y se transfiere posteriormente a hojas de
cálculo en Excel, lo que genera pérdida de tiempo y aumenta la probabilidad de
errores. Adicionalmente, el controlador de temperatura encargado de regular las
resistencias se encuentra averiado, lo que dificulta su activación y ocasiona
discontinuidades en el proceso. Estas deficiencias afectan la eficiencia del sistema,
comprometen la calidad de los datos obtenidos y han provocado que el equipo se
encuentre fuera de servicio.
La ausencia de un sistema automatizado de supervisión y control limita el uso
experimental del secador, impidiendo validaciones técnicas y científicas. En
consecuencia, se desaprovecha el potencial del equipo para apoyar proyectos de
investigación orientados a la eficiencia energética y a la sostenibilidad de procesos
agrícolas
Identificación de puntos calientes mediante análisis multivariante y geoespacial de extorsiones en la ciudad Guayaquil empleando aprendizaje automático
No full textLa extorsión en Guayaquil constituye un fenómeno delictivo que impacta gravemente la seguridad y estabilidad social. El objetivo principal de esta investigación es analizar la distribución espacial y temporal de los delitos de extorsión en la ciudad, integrando técnicas estadísticas y modelos geoespaciales para identificar zonas críticas, planteando la hipótesis de que este delito no se distribuye de manera aleatoria, sino que se concentra en áreas específicas debido a factores socioeconómicos. Se analizó, mediante herramientas como RStudio y GeoDa, la base de datos de llamadas de emergencia al 911 Guayaquil desde el 2021 hasta 2024 proporcionada por la Empresa Pública Municipal para la Gestión de Riesgos y Control de Seguridad de Guayaquil en colaboración con el Centro de Estudios e Investigaciones Estadística. Se utilizaron índices como la Razón Estandarizada de Mortalidad y Riesgo Relativo, análisis multivariante mediante el Análisis de Componentes Principales y métodos geoespaciales como Getis-Ord Gi* y el Índice Local de Moran. Los resultados mostraron un incremento significativo de la tasa de extorsión por año en todos los distritos y circuitos de la ciudad de Guayaquil. A través de los métodos geoespaciales y el análisis multivariante se obtuvieron mapas de significancia y agrupamiento para identificar puntos calientes en circuitos. Se concluye que existen agrupaciones significativas de circuitos considerados puntos calientes desde la zona noroeste hasta la zona sur de Guayaquil, mientras que los puntos fríos están concentrados en la zona noreste de la ciudad, evidenciando una distribución no aleatoria de este delito. Palabras Clave: Extorsión, Mapas de Criminalidad, Análisis Espacial, Riesgo RelativoGuayaquilEscuela Superior Politécnica del LitoralExtortion in Guayaquil constitutes a criminal phenomenon that seriously affects security and social stability. The main objective of this research is to analyze the spatial and temporal distribution of extortion crimes in the city, integrating statistical techniques and geospatial models to identify critical areas, positing the hypothesis that this crime is not randomly distributed but rather concentrated in specific areas due to socioeconomic factors. Using tools such as RStudio and GeoDa, the database of emergency calls to 911 Guayaquil from 2021 to 2024 provided by the Empresa Pública Municipal para la Gestión de Riesgos y Control de Seguridad de Guayaquil in collaboration with the Centro de Estudios e Investigaciones Estadística was analyzed. Indices such as the Standardized Mortality Ratio and Relative Risk were used, as well as multivariate analysis through Principal Component Analysis and geospatial methods such as Getis-Ord Gi* and the Local Moran?s Index. The results showed a significant increase in the extortion rate per year in all districts and circuits of the city of Guayaquil. Through geospatial methods and multivariate analysis, significance and clustering maps were obtained to identify hot spots in circuits. It is concluded that there are significant clusters of circuits considered hot spots from the northwest to the south of Guayaquil, while cold spots are concentrated in the northeast of the city, evidencing a non-random distribution of this crime. Keywords: Extortion, Crime Maps, Spatial Analysis, Relative Risk
