Ingeniería de Sistemas
Permanent URI for this collection
Browse
Browsing Ingeniería de Sistemas by browse.metadata.evaluator "Correa Pugliese, Claudia Victoria"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Diseño de un sistema de identificación para la clasificación automática de tornillos metálicos usados en osteosíntesis(Universidad Industrial de Santander, 2023-05-23) Pinzón Uribe, Hazel David; Sanmiguel Arenas, Camilo Enrique; González Gómez, Andrés Leonardo; Meneses Fonseca, Jaime Enrique; Bacca Quintero , Jorge Luis; Correa Pugliese, Claudia VictoriaLa implementación de un sistema automatizado de identificación y clasificación de tornillos ofrece numerosos beneficios. Al reducir los errores en la clasificación, se mejora la precisión y la eficiencia de los procedimientos quirúrgicos. Además, se optimizan los recursos humanos al apoyar el trabajo de los operarios. Esta puede ser una tarea propensa a errores, debido a la gran variedad de tornillos existentes en el mercado y a la dificultad de distinguir entre ellos. Además, el proceso manual de clasificación puede ser costoso en términos de tiempo, recursos humanos e inducir cansancio en los operarios, lo que puede afectar la eficiencia del proceso quirúrgico y aumentar el riesgo de errores y complicaciones. Por lo tanto, se necesita una solución automatizada que pueda clasificar de manera precisa y eficiente los tornillos de osteosíntesis para mejorar la seguridad de los procedimientos quirúrgicos, que apoyen la labor de operarios humanos, lo que hace al sistema más eficiente y efectivo. En este trabajo se presenta, un sistema de identificación que permita clasificar automáticamente tornillos metálicos a partir de imágenes bidimensionales implementando técnicas de visión por computador y redes neuronales convolucionales para reducir el nivel de error en procesos de identificación y clasificación de tornillos de osteosíntesis.Item REPRESENTACIONES AUTO-SUPERVISADAS DE MATRICES SPD PARA LA CUANTIFICACIÓN DE PATRONES DE FIJACIÓN OCULAR EN PACIENTES CON PARKINSON(Universidad Industrial de Santander, 2023-08-09) Sandoval Pineda, Edward Andres; Martinez Carrillo, Fabio; Moreno Tarazona, Alejandra; Correa Pugliese, Claudia VictoriaLa enfermedad de Parkinson (EP) es el segundo trastorno neurodegenerativo más común en el mundo, afectando entre el 2 y 3 % de la población mayor a 65 años. Esta enfermedad no tiene cura y hasta ahora no se conoce un biomarcador definitivo para la detección y cuantificación de la enfermedad. Recientemente las alteraciones oculomotoras durante tareas de fijación ocular han demostrado evidencias prometedoras como descriptor de la enfermedad, con suficiente sensibilidad para discriminar entre estadios de la enfermedad, incluso en etapas tempranas. No obstante, los métodos computacionales para soportar el diagnóstico y apoyar la cuantificación son basados en procesos estrictamente supervisados, requiriendo grandes volúmenes de datos e incluyendo un sesgo asociado a la subjetividad de las observaciones de expertos. En este trabajo se propone una arquitectura auto-supervisada de caracter Riemanniano que puede aprender patrones de fijación oculomotor sin supervisión. Los descriptores embebidos resultantes de esta representación tiene la capacidad de discriminar secuencias de video de personas afectadas con la EP con respecto a una población control. Las observaciones de fijación son proyectadas a una red convolucional pre-entrenada para obtener una descripción en términos de características profundas de nivel intermedio. Estas características son a su vez codificadas en matrices simétricas definidas positivas (SPD), que sirven como entrada a la representación la arquitectura auto-supervisada. Entonces, la representación propuesta es capaz de aprovechar la estructura geométrica de los datos, considerando al variedad de Riemann, para obteners descriptores embebidos geométricos y compactos. Estos vectores en una tarea de clasificación, en un estudio con 13 pacientes control y 13 pacientes diagnósticados con la EP, logró una exactitud de 92.3% y un AUC de 0.97$