Doctorado en Ciencias de la Computaciónhttps://ri-ng.uaq.mx/handle/123456789/84772026-04-04T13:37:50Z2026-04-04T13:37:50ZAlgoritmo de aprendizaje automático basado en información genética para predecir la respuesta de pacientes con esclerosis múltiple al tratamiento de interferón betaEdgar Rafael Ponce de León Sánchezhttps://ri-ng.uaq.mx/handle/123456789/123852025-10-30T07:09:44Z2025-10-27T00:00:00ZAlgoritmo de aprendizaje automático basado en información genética para predecir la respuesta de pacientes con esclerosis múltiple al tratamiento de interferón beta
Edgar Rafael Ponce de León Sánchez
La esclerosis múltiple (EM) es una enfermedad inflamatoria crónica del sistema nervioso central (SNC), caracterizada patológicamente por desmielinización, pérdida axonal y gliosis con la formación de múltiples placas en el cerebro y la médula espinal; y clínicamente por una variedad de signos y síntomas neurológicos diseminados en el tiempo y el espacio.
Aunque la etiología (causas) y la patogenia (origen) de la EM no están claramente establecidas, es probable que sea el resultado de interacciones complejas entre factores genéticos y ambientales. La etiología autoinmune de la EM ha sido el objetivo del acercamiento terapéutico a los pacientes.
El interferón (IFN)-β es una de las terapias modificadoras de la enfermedad más prescritas en pacientes con esclerosis múltiple recurrente-remitente (EMRR). Sin embargo, este tratamiento es parcialmente efectivo y una proporción significativa de pacientes no responde a este fármaco.
El aprendizaje automático (ML) es una rama de la inteligencia artificial (IA) que se enfoca en el desarrollo de modelos computacionales basados en datos para mejorar tareas específicas. En los últimos años se han aplicado algunos métodos de aprendizaje no supervisado (agrupación jerárquica, k-means, etc.) en el estudio de la EM, para realizar tareas de clasificación.
Aunque estos métodos son relativamente fáciles de implementar, rara vez proporcionan la mejor solución debido a la gran cantidad de decisiones arbitrarias, y funcionan eficazmente solo cuando el conjunto de datos contiene grupos de tamaño similar y no hay valores atípicos notables.
Por lo tanto, en este trabajo de investigación se propone un algoritmo de ML que incluye un sistema experto difuso, basado en la opinión de un experto en neurología, para mejorar la eficiencia en la clasificación de la respuesta al IFN-β en 25 pacientes con EMRR, y un algoritmo genético (GA) para optimizar la sintonización de hiperparámetros de un modelo de red neuronal artificial (ANN) entrenado con biomarcadores genéticos, con el fin de estimar si los pacientes son candidatos potenciales a ser tratados con este fármaco.
Los resultados experimentales muestran que el sistema experto difuso propuesto tuvo una mayor eficiencia de clasificación comparado con un método convencional de agrupamiento jerárquico. El modelo ANN logró una mayor precisión de rendimiento y una convergencia más rápida de la función de pérdida, en comparación con otros métodos convencionales de ML.
2025-10-27T00:00:00ZArquitectura para Análisis Drill-Down mediante el uso de Multilayer Perceptron Neural NetworksVictor Hugo Silva Blancashttps://ri-ng.uaq.mx/handle/123456789/121452025-08-12T06:09:13Z2025-08-07T00:00:00ZArquitectura para Análisis Drill-Down mediante el uso de Multilayer Perceptron Neural Networks
Victor Hugo Silva Blancas
Actualmente se están usando tecnologías emergentes para capitalizar los datos, crear valor de negocios y competir en un mundo controlado digitalmente. La implementación de análisis de grandes bases de datos es generalmente complicada y consumidora de recursos y por tal razón es necesario desarrollar nuevas herramientas. El análisis drilldown, DD, que es un entorno efectivo para codificar múltiples consultas en una representación compacta y eficiente, potencia significativamente los métodos actuales de recuperación de información y puede ser aplicado al sistema financiero para la creación de indicadores, normalizaciones y predicciones, como aquellas basadas en el precio. Esta investigación ha diseñado una nueva metodología de análisis de datos integrada con herramientas de machine learning, ML, como K-means y MLP, con el objeto de sesgar los valores difusos provocados por los problemas de análisis sobre-saturados y permitir una predicción y una proyección más certeras aprovechando la información de los mercados de valores micro y macro económico. Como resultado, durante el análisis de datos se pudo observar que el problema de la sobre-saturación se redujo al momento de realizar operaciones de clasificación a través de algoritmos aplicados de K-means previos al uso de MLP. Se dedujeron teoremas y corolarios, y también hipótesis de carácter matemático, que fundamentaron teóricamente los cálculos realizados. También, con respecto al precio y sus determinantes, se produjo un conjunto de indicadores que demostraron que las particularidades de cada tendencia informativa son capaces de ofrecer diferentes perspectivas en el aprovechamiento del conjunto de datos. La aplicación de K-means y MLP redujo la sobre-saturación durante el exploratory data analysis del conjunto de datos. Por el lado del mercado financiero, se pudo observar que la sofisticación del esquema de datos (dada por la cantidad de tipos, perfiles, profundidad y volumen) permitió una normalización y racionalización durante la experimentación capaz de ofrecer diferentes enfoques y perfiles. El precio como factor fundamental se vio potenciado por el tipo de transacción, su manipulación, su temporalidad y su disponibilidad.
2025-08-07T00:00:00ZLenguaje de descripción de eventos para análisis de video a través de un sistema distribuido multicámaraSelene Ramírez Rosaleshttps://ri-ng.uaq.mx/handle/123456789/118892025-07-02T06:09:29Z2025-06-04T00:00:00ZLenguaje de descripción de eventos para análisis de video a través de un sistema distribuido multicámara
Selene Ramírez Rosales
El aumento en la demanda de sistemas de vigilancia ha impulsado la b ´usqueda
de soluciones capaces de prevenir y predecir eventos cada vez m ´as complejos.
La integraci ´on de estos sistemas presenta diversos retos, como el acceso a
entornos, variedad de sensores y c ´amaras disponibles en la actualidad, adem ´as
la necesidad de un enfoque solido para la detecci ´on de movimiento e inferencia
de actividades. En este contexto surge SEL(Semantic Event Language) un
lenguaje de alto nivel para el an ´alisis de video en entornos distribuidos de m ´ultiples
c ´amaras, proporcionando una visi ´on m ´as completa de las actividades en
m ´ultiples ubicaciones, dise ˜nada para entornos distribuidos de vigilancia con multic
´amara. SEL ofrece un marco estructurado, expresivo y accesible para modelar
y detectar actividades a partir de primitivas de movimiento, considerando relaciones
espaciales y temporales. Este lenguaje de alto nivel permite representar
eventos de forma coherente al integrar datos provenientes de m ´ultiples fuentes
y ´angulos, mejorando la escalabilidad, la tolerancia a fallos y la toma de decisiones
en entornos complejos. Su aplicaci ´on en sistemas multic ´amara facilita la
definici ´on y an ´alisis de actividades complejas, optimizando la comunicaci ´on entre
componentes y proporcionando una visi ´on unificada del entorno. SEL se presenta
como una soluci ´on flexible y efectiva para el an ´alisis de video en aplicaciones
como la seguridad p ´ublica, la gesti ´on de infraestructura y las ciudades inteligentes.
2025-06-04T00:00:00ZDeveloping an algorithm based on Soft and Adaptive computing for Direct Current Motors that Syntonizes Membership Functions to Smartly Control Motor OutputJosé Alfonso Niembro Ceceñahttps://ri-ng.uaq.mx/handle/123456789/117382025-05-20T06:09:36Z2025-04-11T00:00:00ZDeveloping an algorithm based on Soft and Adaptive computing for Direct Current Motors that Syntonizes Membership Functions to Smartly Control Motor Output
José Alfonso Niembro Ceceña
Este trabajo presenta un método de control novedoso que tiene la intención de
controlar la velocidad de la flecha de un motor de corriente directa mediante el uso
de cómputo suave auto sintonizado y asistido de métodos adaptivos en la medida
de lo posible. La idea detrás de este proyecto viene como una extensión de los
estudios que este autor realizó para obtener el grado de maestría desarrollando un
control difuso (control mediante el uso de lógica difusa) e incrementar la
comprensión, además de estudiar en el estado del arte, que la sintonización de las
funciones de membresía es realizada a prueba y error (método heurístico) con la
finalidad de hacerlo rápido. Basado en estos eventos se encontró que hacer esto no
es rápido y carece de precisión. Es entendido que por sí mismo el control difuso es
tolerante a los cambios y tiende a ser benevolente con la acción de control, sin
embargo, en el trabajo de investigación presente se desarrolló un concepto con el
que se busca implementar un mecanismo inteligente computacionalmente para
tomar la decisión de usar un tipo de control difuso u otro (basado en el método de
Takagi-Sugeno). Finalmente, se implementó esta propuesta en un microcontrolador
de 8-bits para comprobar la factibilidad de incluir este método como una alternativa
de control, pero principalmente con la idea de realizar las pruebas y presentar los
resultados comparativos.
2025-04-11T00:00:00Z