https://ri-ng.uaq.mx/handle/123456789/8133 Sat, 04 Apr 2026 14:25:41 GMT 2026-04-04T14:25:41Z https://ri-ng.uaq.mx/handle/123456789/12595 Desarrollo y optimización geométrica de hemiprótesis de cadera con el método de elementos finitos e inteligencia artificial Melissa Yamileth Pérez Cruz La pérdida o modificación de masa ósea en el fémur constituye una de las principales causas del aflojamiento prematuro de los implantes de cadera, debido al fenómeno de protección contra el esfuerzo. En este trabajo se presenta una metodología de optimización inversa para el diseño de hemiprótesis de cadera adaptadas a pacientes mexicanos, con el objetivo de reducir dicho fenómeno bajo condiciones de caminata y trote. Se generaron cuatro modelos de vástagos mediante herramientas CAD y se evaluó su desempeño mecánico a fatiga conforme a la norma ISO 7206 utilizando el Método de Elementos Finitos (MEF). Posteriormente, se construyó una base de datos paramétrica con la cual se entrenaron modelos de inteligencia artificial para predecir y optimizar los valores de esfuerzo en las zonas proximal, medial y distal del fémur. Los resultados muestran que el diseño óptimo de la hemiprótesis de cadera logra reducir el fenómeno de protección contra el esfuerzo en la zona proximal en un 10 % y 13 % para las condiciones de carga de caminar y trotar, respectivamente, en comparación con el modelo base sin optimizar. Estos hallazgos demuestran que la integración del MEF y la inteligencia artificial constituye una estrategia efectiva para mejorar la transferencia de cargas al fémur Tue, 06 Jan 2026 00:00:00 GMT https://ri-ng.uaq.mx/handle/123456789/12595 2026-01-06T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12594 Desarrollo de sistema de inteligencia artificial aplicado a bases de datos para diagnosticar síndrome de intestino irritable Israel Cinta Ramírez El desarrollo de la Inteligencia Artificial (IA) y el Aprendizaje Máquina (AM) ofrece hoy en día la posibilidad de analizar grandes volúmenes de datos y obtener información valiosa que, de otro modo, sería inalcanzable. El uso de estas metodologías se ha extendido a múltiples campos, especialmente en la medicina, donde han demostrado ser altamente fiables al analizar datos de pacientes y proporcionar diagnósticos más exactos y precisos. El presente trabajo busca reducir las limitaciones asociadas con los métodos tradicionales de diagnóstico del Síndrome de Intestino Irritable (SII), una enfermedad que afecta a una gran parte de la población mundial y cuyo diagnóstico suele requerir tiempo, recursos y no siempre resulta suficientemente preciso. El objetivo fue desarrollar una herramienta basada en IA para el diagnóstico del SII. Para ello, se utilizó una base de datos pública con información sobre las abundancias bacterianas de 39 personas (30 con SII y 9 sanas), de la cual se obtuvieron seis indicadores estadísticos de cada filo bacteriano y cinco índices de diversidad por paciente. Con estos datos se entrenaron cuatro métodos de AM: Redes Neuronales Artificiales Multicapa (ANNMLP), Máquinas de Soporte Vectorial (SVM), Bosque Aleatorio (RF) y K Vecinos más Cercanos (KNN). Los modelos se evaluaron mediante matrices de confusión, obteniendo métricas de exactitud, precisión, sensibilidad y puntaje F1. Aunque el desempeño de los métodos varió, todos mostraron resultados satisfactorios; por ello, la herramienta desarrollada permite trabajar con los cuatro algoritmos, ofreciendo adaptabilidad si el usuario desea emplear diferentes bases de datos. En general, todos los métodos alcanzaron una exactitud del 92%; sin embargo, los mejores resultados se obtuvieron con las ANN-MLP y las SVM, que lograron una precisión del 100%, superando al método de diagnóstico más utilizado actualmente, el criterio de Roma IV, cuya precisión es del 82.4%. Mon, 05 Jan 2026 00:00:00 GMT https://ri-ng.uaq.mx/handle/123456789/12594 2026-01-05T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12493 Sistema para la detección y clasificación de alteraciones de la bóveda plantar mediante el uso de aprendizaje automático Rafael Eduardo Velasco Cerros El pie humano es una estructura compleja que actúa como soporte y distribuidor de cargas durante actividades estáticas y dinámicas. En su parte inferior se encuentra la bóveda plantar, encargada de adaptarse al terreno y cuya morfología permite clasificar el pie como plano, cavo o normal. Cuando dicha estructura presenta deformaciones, puede limitar la movilidad cotidiana y ocasionar afecciones en otras partes del sistema musculoesquelético. Según datos de la Secretaría de Salud, alrededor del 20% de la población Mexicana presenta alguna alteración en la bóveda plantar, afectando así su calidad de vida. Por ello, resulta necesario desarrollar herramientas que permitan clasificar automáticamente el tipo de pie. En el presente trabajo se desarrollaron metodologías basadas en visión artificial y aprendizaje automático. Se diseñó un procedimiento para la captura de imágenes RGB plantares mediante un equipo construido específicamente para este propósito. Posteriormente, se aplicaron técnicas de procesamiento de imágenes para extraer únicamente las bóvedas plantares, conformando una base de datos final con un n=180 imágenes binarizadas, las cuales muestran exclusivamente la zona de contacto entre el pie y el piso, lo que permite su evaluación morfológica. Se validaron tres conjuntos de datos diferentes: el primero con las imágenes RGB convertidas a escala de grises; el segundo con once características morfológicas extraídas de las imágenes binarizadas; y el tercero con las mismas características, pero reducidas a dos dimensiones mediante análisis discriminante lineal. Estos conjuntos fueron entrenados y validados con dos algoritmos de clasificación: máquinas de vectores de soporte y k vecinos más cercanos, mediante la técnica de validación cruzada, empleando un 80% de los datos para entrenamiento y 20% para validación. Los resultados se presentan mediante matrices de confusión e indicadores de desempeño, alcanzando una precisión del 97.92% para el mejor modelo. El sistema propuesto puede representar una herramienta de apoyo objetiva, rápida y de bajo costo, con aplicaciones potenciales en ámbitos clínicos y deportivos. https://ri-ng.uaq.mx/handle/123456789/12493 https://ri-ng.uaq.mx/handle/123456789/12423 Desarrollo de Sistema ADAS de alerta para el frenado de emergencia EWB en vehículo automotor basado en Deep Learning Victor Jose Ortiz Granados Los accidentes vehiculares son ocasionados por errores humanos, puesto que son susceptibles a distracciones que restan milisegundos valiosos para realizar maniobras de evasión. Para dar solución a ello, se desarrollan los sistemas avanzados de asistencia al conductor (ADAS, por sus siglas en inglés) que delegan tareas como navegación, dirección, alerta y frenado a sistemas que integran algoritmos de aprendizaje de máquinas y profundo. En este proyecto de tesis se presenta el desarrollo de un sistema ADAS de alerta al frenado de emergencia basado en cámaras digitales comerciales, utilizando técnicas de procesamiento de imágenes y de señales, para obtener la base de datos que entrena el algoritmo de aprendizaje profundo (Deep Learning), la cual es capturada en un vehículo eléctrico con un ambiente controlado en un espacio de estacionamiento vehicular acondicionado para las pruebas necesarias bajo distintas condiciones. Se utilizan objetivos dinámicos como dummies de adulto, objetos estáticos como un bote de seguridad y vehículos de prueba. Con los datos obtenidos se entrena el algoritmo de Deep Learning y así clasifica la posible colisión y con qué objetivo está siendo detectado, y así generando una alarma visual que genera una colisión realizando 160 pruebas en condiciones controladas, además de una prueba en entorno no controlado, obteniendo un 91.25% de precisión en la alerta oportuna de una posible colisión. Mon, 02 Feb 2026 00:00:00 GMT https://ri-ng.uaq.mx/handle/123456789/12423 2026-02-02T00:00:00Z