https://ri-ng.uaq.mx/handle/123456789/8140 2026-04-30T14:41:56Z https://ri-ng.uaq.mx/handle/123456789/12847 Desarrollo de modelo de Inteligencia Artificial para la detección de glaucoma basado en imágenes de fondo de ojo y OCT Rodrigo García López 2028-02-01T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12717 Algoritmos de optimización para búsqueda de trayectorias en espacios tridimensionales Iván Michael Gómez Azpilcueta En Inteligencia Artificial, la búsqueda de trayectorias consiste en encontrar el camino entre dos puntos dados en un escenario creado digitalmente. Se toman en cuenta criterios como la trayectoria más corta, más barata o rápida, entre dos puntos dispersos en un escenario. Los escenarios creados pueden ser multidimensionales. Existen diferentes algoritmos de búsqueda de trayectorias que aplican técnicas heurísticas para encontrar la solución a la búsqueda de trayectorias. Mediante dichas heurísticas es posible determinar de manera eficiente (rápida) aunque aproximada, qué tan lejos se encuentran un punto de otro en el espacio multidimensional. Normalmente se utiliza la distancia lineal al objetivo, ya que claramente es la mínima y por tanto la más rápida de obtener. Sin embargo, existen escenarios donde, en la búsqueda de la trayectoria, intervienen obstáculos dispersos, los cuales no permiten que la distancia lineal sea la trayectoria viable. En este trabajo se presenta un análisis comparativo entre los cuatro principales algoritmos de búsqueda de trayectorias en un entorno bidimensional con elementos gráficos tridimensionales y su posterior implementación mediante el lenguaje de programación Python. Dichos algoritmos son: el algoritmo de búsqueda en anchura, el algoritmo de búsqueda en profundidad, el algoritmo de Dijkstra y el algoritmo A*. Los algoritmos de búsqueda de trayectorias fueron programados en una computadora con un procesador Intel Core i5-3570 a 3.40 GHz de 64 bits y 32 GB de memoria RAM a 1660 MHz. Los criterios utilizados para evaluar los programas y seleccionar aquel con el mejor rendimiento computacional son: número de bloques procesados durante la ejecución del programa, número de pasos a seguir en la trayectoria encontrada, tiempo de ejecución del programa durante las pruebas, así como la memoria y porcentaje de CPU utilizados durante la ejecución de las pruebas. Con base en el análisis experimental llevado a cabo, se determinó que el algoritmo con mejor desempeño es el Algoritmo A*. Este algoritmo fue implementado finalmente en un entorno de búsqueda de trayectorias en tiempo real. 2026-02-16T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12592 Metodología basada en Inteligencia Artificial para detección de anormalidades Asociadas Al Cáncer de Mama En Imágenes Termográficas Dulce Sofía Marín Chávez El cáncer de mama es una de las causas más comunes de muerte en mujeres a nivel mundial, con más de 2.3 millones de casos al año y se espera un aumento a 3.2 millones en 2040. Existen diferentes técnicas de diagnóstico incluyendo la mastografía, el ultrasonido, muestras de biopsia y termografía. La termografía registra la variación de temperatura en la superficie del cuerpo, es rápida, no invasiva, sin radiación y de bajo costo. Esta técnica se divide en estática y dinámica, siendo esta última menos explorada. Varios trabajos han utilizado termografía estática con éxito, pero surge la necesidad de llevar a cabo más investigación en la versión dinámica, al igual de métodos efectivos para la detección temprana del cáncer de mama, por lo que este trabajo propone un sistema basado en inteligencia artificial para la clasificación de imágenes termográficas buscando mejorar la precisión y sensibilidad de efectividad del diagnóstico, siendo una respuesta innovadora a la demanda social y médica, por lo tanto, el escaso uso de la termografía dinámica resalta un área de enfoque de futuras investigaciones. 2025-12-10T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12427 Reconocimiento de emociones musicales basado en características de audio dotadas de un contexto Leonardo Daniel Villanueva Medina La música, elemento fundamental en la vida cotidiana, impacta profundamente a la sociedad debido a su capacidad para transmitir y evocar emociones. El estudio de esta relación ha consolidado el campo interdisciplinario del Reconocimiento de Emociones en la Música (MER). Tradicionalmente, los sistemas MER se han centrado en el análisis de características acústicas, a menudo omitiendo aspectos teóricos cruciales como el contexto armónico de una obra, el cual está intrínsecamente ligado a la expresión emocional. El presente trabajo aborda esta limitación mediante el desarrollo de un sistema MER multimodal que integra dos fuentes de información complementarias, utilizando los conjuntos de datos unificados de PMEmo y DEAM. Para el análisis acústico, se emplea una arquitectura ResNetSE como extractor de características a partir de espectrogramas. De forma paralela, el contexto armónico se modela codificando las secuencias de acordes con modelos Word2Vec. Finalmente, un modelo BiLSTM fusiona ambas representaciones para realizar la predicción final. El modelo de fusión propuesto alcanza un rendimiento robusto, con un error RMSE de 0.1087 y un R2 de 0.5087 para la dimensión de valence, y un RMSE de 0.1271 y un R2 de 0.5232 para la dimensión de arousal. Estos resultados demuestran que un enfoque multimodal, que combina la textura acústica con el contexto armónico, simula de manera más fiel el proceso de análisis humano. Se concluye que la percepción emocional no depende de un único componente, sino de la interacción de múltiples factores como el timbre, la dinámica, el ritmo y la estructura armónica, validando así la superioridad de la estrategia de fusión. 2025-10-28T00:00:00Z