Search

Resumen (Objetivo): El objetivo era desarrollar un algoritmo automatizado para la estimación de un índice de proteína (Ki67), basado en la razón del área del núcleo celular de las células del tejido epitelial gástrico, utilizando imágenes digitales de histopatología. (Metodología): Cada región de interés de las imágenes fue anotada manualmente por un experto. Se utilizó una proporción de células Ki-67 positivas y negativas dentro de esa región para obtener la distribución de color de los píxeles correspondientes. El histograma de cada distribución de color se modeló como una Gaussiana y luego se estableció un umbral para la segmentación y clasificación. Finalmente, el índice Ki-67 se estimó como la relación entre el área positiva segmentada de los núcleos dividida por el área total de los núcleos positivos y negativos. (Resultados): El método automatizado tiene una fuerte correlación de 0,725 y un error cuadrático medio de 0,293, en comparación con el método manual, lo que da certeza de que el método automatizado se puede utilizar para analizar la tasa de proliferación. Además, en comparación con la clasificación manual, el método presentado clasifica automáticamente cada imagen en la misma categoría Ki-67: baja, intermedia y alta. (Conclusión): A pesar del pequeño tamaño de la muestra, se demostró la utilidad del método presentado. Sin embargo, el bajo número de imágenes puntuadas no permitió muestrear completamente los rangos de valores de píxeles y las intensidades observadas por los patólogos, lo cual será abordado en un trabajo futuro. Abstract (Objective): The objective was to develop an automated algorithm for the estimation of a protein (Ki-67) index based on cell nuclei area ratio of gastric epithelial tissue cells; for this purpose, digital histopathology images were used. (Methodology): An expert manually annotated each region of interest of the images. A proportion of Ki-67 positive and negative cells within that region was used to obtain the color distribution of the corresponding pixels. The histogram of each color distribution was modeled as a Gaussian and, later, thresholded for segmentation and classification. Finally, the Ki-67 index was estimated as the ratio between the segmented positive area of the nuclei divided by the total area of the positive and negative nuclei. (Results): The automated method has a strong correlation of 0.725 and a root mean square error of 0.293 when compared to the manual method, which gives certainty that the automated method can be used to analyze the proliferation rate. Furthermore, compared to manual classification, the presented method automatically classifies every image in the same Ki-67 category: low, intermediate, and high. (Conclusion): Despite the small sample size, the utility of the presented method was demonstrated. However, the low number of scored images did not allow for thoroughly sampling the ranges of pixel values and intensities observed by pathologists, which will be addressed in future work. Resumo (Objetivo): O objetivo foi desenvolver um algoritmo automatizado para a estimativa de um índice de proteína (Ki-67) baseado na razão da área do núcleo celular das células do tecido epitelial gástrico, utilizando imagens digitais de histopatologia. (Metodologia): Cada região de interesse nas imagens foi anotada manualmente por um especialista. Foi usada uma proporção de células Ki-67 positivas e negativas dentro dessa região para obter a distribuição de cores dos pixels correspondentes. O histograma de cada distribuição de cores foi modelado como uma Gaussiana e, em seguida, foi definido um limite para a segmentação e a classificação. Por fim, o índice Ki-67 foi estimado como a relação entre a área positiva segmentada dos núcleos dividida pela área total dos núcleos positivos e negativos. (Resultados): O método automatizado apresenta forte correlação de 0,725 e erro quadrático médio de 0,293, em relação ao método manual, o que dá certeza de que o método automatizado pode ser utilizado para analisar a taxa de proliferação. Além disso, em comparação com a classificação manual, o método apresentado classifica automaticamente cada imagem na mesma categoria Ki-67: baixa, média e alta. (Conclusões): Apesar do pequeno tamanho da amostra, foi demonstrada a utilidade do método apresentado. No entanto, o baixo número de imagens pontuadas não permitiu a amostragem completa das faixas de valores de pixels e intensidades observadas pelos patologistas, o que será abordado em trabalhos futuros.

El objetivo del presente Trabajo Fin de Grado es el análisis de la asimetría entre los dos ojos de un mismo paciente y la existencia de glaucoma para mejorar el diagnóstico precoz de esta enfermedad del nervio óptico. Se utilizarán dos modalidades de imagen médica: retinografías y tomografías de coherencia óptica (OCTs) de una base de datos recopilada por el Servicio de Oftalmología del Hospital General Universitario Reina Sofía de Murcia y el grupo de Tratamiento de Datos y Aprendizaje Máquina de la Universidad Politécnica de Cartagena. A partir de las segmentaciones del disco óptico y excavación realizadas en las retinografías, se obtendrá el anillo neurorretiniano y su grosor por sectores (Nasal Superior, Nasal Inferior, Nasal, Temporal Superior, Temporal Inferior, Temporal y Global). También se obtendrán otros parámetros morfológicos útiles en el diagnóstico de glaucoma como son la relación copa a disco (cup to disc ratio, CDR) o la relación borde a disco (rim to disc ratio, RDR). De las OCTs se extraerá el grosor de la capa de fibras nerviosas (retinal nerve fiber layer, RNFL) y se calculará el grosor medio por sectores. Utilizando las características extraídas de las retinografías y OCT se definirán diversas métricas para evaluar la asimetría entre los dos ojos de un mismo paciente. Con los resultados de las métricas de asimetría se diseñarán modelos de aprendizaje máquina supervisado que permitan clasificar si un nuevo paciente puede padecer glaucoma a partir del modelo entrenado con los datos etiquetados de la base de datos proporcionada. Entre los modelos de clasificación se empezará entrenando árboles de decisión y, según los resultados, se podrán diseñar otros modelos de clasificación como análisis discriminantes, máquinas de vectores soporte, etc. Escuela Técnica Superior de Ingeniería de Telecomunicación Universidad Politécnica de Cartagena

Digital, Este trabajo de investigación desarrolló un proceso de gestión y exploración, el cual buscó concertar una estrategia pedagógica para mejorar el nivel meta comprensivo inferencial de los Estudiantes de quinto grado de la Sede Hogar Monserrate a través de Exelearning. Para tal fin, la investigación planteó tres fases generales: un diagnóstico, un análisis y procesamiento de datos y el diseño de la propuesta de intervención. Gracias al proceso metodológico, tres aspectos saldrían a colación. Primero, el pensamiento computacional es una concepción holística, poco explorada hasta el momento desde el campo de la pedagogía. Segundo, la integración de herramientas TIC al proceso pedagógico sí es funcional, pero ello necesita un método; de ahí que una de las necesidades principales sea la construcción de procedimientos conexos con los cuales guiar al docente en materias didactológicas. Tercero, el enfoque pedagógico, previsto desde el pensamiento computacional, es un hecho innovador que dinamiza: curva del aprendizaje, capacidad de entendimiento, contextualización y construcción de nuevas formas de enseñanza para el campo de la lectura. Esta investigación se realizó bajo el argot de un enfoque cualitativo. El tipo utilizado fue investigación – acción – participación, y como resultados relevantes se obtuvieron dos nuevos alcances que conducirán al desarrollo de futuras investigaciones. Primero, la utilización de Exelearning como instrumento para potenciar capacidades meta comprensivas; segundo, la preparación docente para optimizar el empleo de herramientas TIC y tercero, la concertación de resultados experimentales que mejoren el proceso asociativo entre textos, contextos y formas de interpretación, This research work developed a management and exploration process, which sought to agree on a pedagogical strategy to improve the meta-comprehensive inferential level of the fifth-grade students of the Sede Hogar Monserrate through Exelearning. To this end, the research proposed three general phases: a diagnosis, an analysis and data processing, and the design of the intervention proposal. Thanks to the methodological process, three aspects would come up. First, computational thinking is a holistic conception, little explored so far from the field of pedagogy. Second, the integration of TIC tools to the pedagogical process is functional, but it needs a method; hence, one of the main needs is the construction of related procedures with which to guide the teacher in didactic matters. Third, the pedagogical approach, foreseen from computational thinking, is an innovative fact that stimulates: learning curve, understanding capacity, contextualization and construction of new forms of teaching for the field of reading. This research was carried out under the jargon of a qualitative approach. The type used was research - action - participation, and two new scopes were obtained as relevant results that will lead to the development of future research. First, the use of Exelearning as an instrument to enhance meta-comprehensive capabilities; second, teacher preparation to optimize the use of TIC tools and third, the coordination of experimental results that improve the associative process between texts, contexts and forms of interpretation, Maestría, Magíster en Tecnologías Digitales Aplicadas a la Educación, 1°ed, Contenido Introducción ..............................................................................................................................17 1. Presentación del trabajo de grado.................................................................................18 1.1 Planteamiento del problema. ................................................................................18 1.1.1. Descripción de la situación problema ....................................................21 1.1.2. Identificación del problema....................................................................22 1.1.3. Pregunta problema...................................................................................23 1.2 Justificación.............................................................................................................24 1.3 Objetivos .................................................................................................................26 1.3.1 Objetivo general........................................................................................26 1.3.2 Objetivos específicos ................................................................................26 2. Bases teóricas...............................................................................................................26 2.1. Aportes al estado del arte.......................................................................................26 2.1.1. Bases de datos seleccionadas para la revisión ........................................27 2.1.2. Ecuación de búsqueda.............................................................................27 2.1.3. Descripción del estado del arte ................................................................27 2.1.4. Antecedentes investigativos Internacionales............................................28 2.1.5. Antecedentes Investigativos Nacionales. .................................................29 2.1.6. Antecedentes Investigativos Regionales. .................................................32 2.1.7. Antecedentes Históricos...........................................................................33 2.2 Marco teórico...........................................................................................................35 2.2.1. Situación de Aprendizaje..........................................................................37 2.2.2. Estrategia Pedagógica .............................................................................38 2.2.3. Tecnologías de la Información y Comunicación. TIC................................39 2.2.4. Resolución de Problemas ........................................................................40 2.2.5. EL ABP (Aprendizaje Basado en Problemas)...........................................42 3. Diseño metodológico.....................................................................................................44 3.1. Tipo de investigación..............................................................................................44 3.2. Alcance ..................................................................................................................45 3.3. Hipótesis.................................................................................................................45 3.4. Variables o categorías............................................................................................46 3.5. Operacionalización de variables o descripción de categorías .................................47 3.6. Población y muestra. ..............................................................................................49 3.6.1 Población participante...............................................................................49 3.7 Procedimiento .........................................................................................................50 3.8 Instrumentos de recolección de información............................................................51 3.8.1 Encuesta...................................................................................................52 3.8.2. Entrevista.................................................................................................52 3.8.3. Actividades y talleres interactivos propuesta a través de la plataforma exelearning ........................................................................................................53 3.8.4. Diario de campo.......................................................................................53 3.8.5. Registro fotográfico ..................................................................................53 3.9. Técnicas de análisis de datos.................................................................................54 3.9.1. Prueba final de contraste .........................................................................54 3.9.2. Observación Directa.................................................................................54 3.9.3. Discusión .................................................................................................55 4. Consideraciones éticas .................................................................................................55 5. Diagnóstico ...................................................................................................................57 5.1. Análisis de la entrevista dirigida a estudiantes........................................................57 5.2. Análisis de encuesta dirigida a estudiantes ............................................................64 5.2.1. Análisis de la pregunta 1..........................................................................64 5.2.2. Análisis de la pregunta 2 ..........................................................................65 5.2.3. Análisis de la pregunta 3 ..........................................................................66 5.2.4. Análisis de la pregunta 4..........................................................................68 5.2.5. Análisis de la pregunta 5 ..........................................................................69 5.2.6. Análisis de la pregunta 6 ..........................................................................71 5.2.7. Descripción de hallazgos encontrados en el proceso de diagnóstico .......72 6. Estructura de la propuesta de intervención....................................................................74 6.1 Propuesta pedagógica.............................................................................................74 6.2 Componente tecnológico.........................................................................................75 6.3. Implementación ......................................................................................................75 6.3.1. Presentación de la propuesta...................................................................76 6.3.2. Aplicación de la prueba diagnóstica .........................................................76 6.3.3. Aplicación de la propuesta. ......................................................................77 6.3.4. Aplicación de la prueba contraste ............................................................78 6.3.5. Interrelación de la propuesta con el pensamiento computacional.............79 7. Análisis e interpretación de datos..................................................................................82 7.1 Análisis prueba final de contraste entrevista............................................................82 7.2 Análisis prueba final de contraste encuesta.............................................................87 7.2.1. Análisis de la pregunta 1..........................................................................87 7.2.2. Análisis de la pregunta 2..........................................................................88 7.2.3. Análisis de la pregunta 3..........................................................................90 7.2.4. Análisis de la pregunta 4..........................................................................91 7.2.5. Análisis de la pregunta 5..........................................................................93 7.2.6. Análisis de la pregunta 6..........................................................................95 7.3 Discusión.................................................................................................................97 7.4 Hallazgos...............................................................................................................101 7.5. Análisis general para cada instrumento utilizado.......................................105 8. Conclusiones...............................................................................................................107 9. Limitaciones ................................................................................................................109 10. Impacto, recomendaciones y trabajos futuros..............................................................110 10.1 Impacto................................................................................................................110 10.2 Recomendaciones...............................................................................................110 10.3. Trabajos futuros:.................................................................................................111 11. Referencias .................................................................................................................112 12. Apéndices ...................................................................................................................118

[EN] In neurosciences, imaging techniques are used to diagnose diseases and assist in surgical interventions to determine the exact location and size of a tumor. International research has used different techniques for the fusion of Positron Emission Tomography and Computed Tomography because it allows us to observe metabolic functions in correlation with anatomical structures. From the study of these techniques and algorithms a software was developed that performs the fusion of neuroimaging, using the fusion scheme based on Wavelet. Bicubic interpolation was used to correct the images. As a discrete Wavelet transform, Haar's was used. An evaluation of the quality of the resulting images was performed, obtaining 512 × 512 × 24 bit resolution images and a signal-to-noise ratio with values greater than 18. It was verified by histograms that the merged image contains more information than the input images independent., [ES] En neurociencias se utilizan técnicas imagenológicas para el diagnóstico de enfermedades y la asistencia en intervenciones quirúrgicas para determinar la ubicación y dimensión exactas de un tumor. Investigaciones a nivel internacional han utilizado diferentes técnicas para la fusión de la Tomografía por Emisión de Positrones y la Tomografía Computarizada debido a que permite observar las funciones metabólicas en correlación con las estructuras anatómicas. A partir del estudio de estas técnicas y algoritmos se desarrolló un software que realiza la fusión de neuroimágenes, utilizando el esquema de fusión basado en Wavelet. Para el corregistro de las imágenes se utilizó la interpolación Bicúbica. Como transformada discreta de Wavelet se utilizó la de Haar. Se realizó una evaluación de la calidad de las imágenes resultantes, obteniendo imágenes de resolución 512 × 512 × 24 bits y una relación señal-ruido con valores superiores a 18. Se comprobó mediante histogramas que la imagen fusionada contiene más información que las imágenes de entrada independientes., Este trabajo ha sido realizado parcialmente gracias al apoyo del Centro de Informática Médica de la Universidad de las Ciencias Informáticas de la Habana y el Centro de Neurociencias de Cuba CNEURO, por el apoyo logístico y asesoría especializada en temas de Neuroinformática.

In the case of delicate elements such as fossils, the use of the scanner is the most appropriate, the scanner uses a technology that allows the collection of information digitally with the purpose of: information gathering, modeling or restoration or even after modeling , individual element assemblies can be made to duplicate elements or recreate whole bodies. The results of the application developed in this work, have approximations very close to the real ones, evidencing the effectiveness of the developed methodology. Subsequently and once the 3D model is obtained, the necessary operations for the reproduction of the reconstructed fossil are carried out using rapid prototyping equipment; for which suitable software is used to allow these procedures to be carried out, and in this way to carry out the complete integration from 3D scanning to obtaining the final element in digital or physical form.

A lo largo de los años los sistemas de información Geográfica (SIG), se han convertido en una herramienta primordial, para la resolución de problemas territoriales, socioeconómicos e incluso ambientales, también se han utilizado como una herramienta que añade valor a la información, (Buzai & Baxendale, n.d.), ya que permiten transformar los datos con el fin de realizar análisis de información espacial haciendo uso del mayor número de información posible el cual le servirá como soporte a la toma de decisiones empresariales y a su vez la utilización y aprovechamiento de herramientas tecnológicas y geográficas. Over the years, Geographic Information Systems (GIS) have become an essential tool for the resolution of territorial, socioeconomic and including environmental, have also been used as a tool that adds value to the information, (Buzai & Baxendale, n.d.), since they allow transforming the data in order to perform analysis of spatial information using as much information as possible which will serve as support for business decision making and in turn the use and use of technological and geographic tools.

[ES] En este proyecto se implementarán métodos de aprendizaje profundo basados ​​en redes neuronales convolucionales (CNN) para problemas de clasificación de imágenes. El aprendizaje profundo (AP) es un enfoque de aprendizaje automático que se ha estudiado cada vez más como un método adecuado para muchos problemas complejos. Este enfoque ha demostrado capacidad y versatilidad para empaquetar diferentes pasos del proceso de clasificación y reconocimiento de patrones. Sin embargo, también se conocen los altos requisitos de AP de datos etiquetados para el entrenamiento y la carga computacional para el procesamiento. Analizaremos el ajuste de los parámetros en las diferentes capas de CNN: imagen, convolucional, normalización por lotes, ReLU, agrupación máxima, totalmente conectado, software y clasificación. Los datos de imagen empleados en este proyecto se extraerán de un repositorio de base de datos disponible públicamente. Los resultados de las CNNs se compararán con los métodos convencionales de clasificación, como el análisis discriminante lineal (LDA), el análisis discriminante cuadrático (QDA) y la máquina de vectores de soporte (SVM). La calidad de los resultados de la clasificación se evaluará utilizando varios índices como precisión, precisión equilibrada, matriz de confusión,¿ Además, se estimará el coste computacional para los diferentes casos de clasificación., [EN] This project will implement deep learning methods based on convolutional neural networks (CNN) for image classification problems. Deep learning (DL) is a machine learning approach that has been increasingly studied as a suitable method for many complex problems. This approach has demonstrated capability and versatility to package different steps of the classification and pattern recognition process. However, it is also known the high requirements of DL of labeled data for training and computational burden for processing. We will analyze the tuning of the parameters at the different layers of CNN: image, convolutional, batch normalization, ReLU, max pooling, fully connected, softmax, and classification. The image data employed in this project will be drawn from a publicly available database repository. CNN results will be compared with conventional methods of classification such as linear discriminant analysis (LDA), quadratic discriminant analysis (QDA), and support vector machine (SVM). The quality of classification results will be evaluated using several indices such as accuracy, balanced accuracy, confusion matrix, ¿ Besides, computational cost for the different cases of classification will be estimated.

La extracción de la Región de Interés (ROI, 'Región of Interest') en una imagen es una de la primeras y más importantes tareas a realizar para realizar su procesado posterior. En este trabajo, se realizará un método automática de extracción de la ROI en imágenes. Se concretará el estudio en imágenes retinográficas. Escuela Técnica Superior de Ingeniería de Telecomunicación Universidad Politécnica de Cartagena

El presente proyecto se centra en el desarrollo de un sistema de monitorización de salud estructural del fuselaje posterior de la aeronave UAV INTA Milano. Para ello, mediante un análisis de elementos finitos de la estructura original y utilizando materiales compuestos de resina-epoxi, se han realizado dos maquetas a escala real. A una de las maquetas se le ha distribuido una fibra óptica con 20 sensores FBG a través de los cuales es posible determinar si la estructura ha sufrido una deformación en función de la reflexión de la luz emitida. Una vez se dispone de la estructura con los sensores distribuidos se realizan ensayos aplicando cargas en distintas ubicaciones de la aeronave y estas mediciones junto a las obtenidas en condiciones óptimas antes de aplicar ninguna carga se obtiene el conjunto de datos con el que se trabajará. Dado que los ensayos no han sido automatizados algunas mediciones tienen ruidos de modo que en primer lugar se procede mediante la supresión de estos ruidos. Una vez eliminados los ruidos y las transiciones entre los distintos perfiles de cargas se observa que para algunas cargas no se dispone de un número suficiente de muestras de modo que se implementa un bootstrapping del 13,89 % de los datos totales. Una vez procesado el conjunto de datos inicial se implementa el algoritmo PCA (análisis de componentes principales) que da lugar a una matriz de 160 componentes principales. Mediante la métrica de la varianza acumulada se establece el uso 60 componentes principales ya que almacenan un 85,29% de la información del conjunto inicial. Al realizar la visualización de estas componentes principales se observa una anomalía, por ello, se calculan los estadísticos T2 -Hotelling y Q para detectar de donde procede. A través de la matriz de componentes principales y los estadísticos T2 -Hotelling y Q, se realiza una validación cruzada con K-Fold estratificado implementando el algoritmo KNN (K vecinos más cercanos) para determinar la exactitud, sensibilidad y especificidad de la metodología mediante las matrices de confusión y las curvas ROC. Finalmente se observa que el modelo desarrollado tiene una exactitud del 97,88% para detectar si existe defecto, del 78,86% para detectar la ubicación del defecto y del 74,52% para detectar la ubicación y el tamaño del defecto. El present projecte es centra en el desenvolupament d'un sistema de monitoratge de salut estructural al fuselatge posterior de l'aeronau UAV INTA Milano. Per aconseguir-ho, mitjançant una anàlisi d'elements finits de l'estructura original i utilitzant materials compostos de resina-epoxi, s'han realitzat dues maquetes a escala real. A una de les maquetes se li ha distribuït una fibra òptica amb 20 sensors FBG a través dels quals és possible determinar si l'estructura ha rebut deformacions en funció de la reflexió de la llum emesa. Una vegada es disposa de l'estructura amb els sensors distribuïts es realitzen assajos aplicant càrregues en diferents ubicacions de l'aeronau i comparant aquestes mesures amb les obtingudes en condicions òptimes abans d'aplicar cap càrrega s'obté el conjunt de dades amb el qual es treballarà. Atès que els assajos no han estat automatitzats algunes mesures tenen sorolls de manera que en primer lloc es procedeix mitjançant la supressió d'aquests sorolls. Una vegada eliminats els sorolls i les transicions entre els diferents perfils de càrregues s'observa que per a algunes càrregues no es disposa d'un nombre suficient de mostres de manera que s'implementa un bootstrapping del 13,89% de les dades totals. Una vegada processat el conjunt de dades inicial s'implementa l’algoritme PCA (anàlisi de components principals) que dóna lloc a una matriu de 160 components principals. Mitjançant la mètrica de la variància acumulada s'estableix l'ús 60 components principals ja que emmagatzemen un 85,29% de la informació del conjunt inicial. En realitzar la visualització d'aquestes components principals s'observa una anomalia, per això, es calculen els estadístics T2-Hotelling i Q per a detectar d'on procedeix. A través de la matriu de components principals i els estadístics T2-Hotelling i Q, es realitza una validació creuada amb K-Fold estratificat implementant l’algoritme KNN (K veïns més pròxims) per a determinar l'exactitud, sensibilitat i especificitat de la metodologia mitjançant les matrius de confusió i les corbes ROC. Finalment s'observa que el model desenvolupat té una exactitud del 97,88% per a detectar si existeix defecte, del 78,86% per a detectar la ubicació del defecte i del 74,52% per a detectar la ubicació i la grandària del defecte. This project focuses on developing a structural health monitoring system for the rear fuselage of the INTA Milano UAV. For this purpose, using a finite element analysis of the original structure and using resin-epoxy composite materials, two full-scale mock-ups have been made. An optical fibre with 20 FBG sensors has been placed in the fuselage to determine whether the structure has undergone deformation according to the reflection of the light emitted. Once the structure with the distributed sensors is available, tests are carried out by applying loads at different locations on the aircraft, and the dataset is obtained using both measurements before and after applying loads. Some of the measurements have noise because the tests had not been automated. Once the noise and transitions between the different load profiles have been removed, it is observed that for some loads, there are not enough samples available, so a bootstrapping of 13.89 % of the total data is implemented. Once the initial data set has been processed the PCA (principal component analysis) algorithm is implemented giving a matrix of 160 principal components. The cumulative variance metric is used to determine that 60 principal components store 85.29% of the information of the initial dataset. An anomaly is observed visualising these principal components, so the T2-Hotelling and Q statistics are calculated to detect where it comes from. The principal component matrix and the T2-Hotelling and Q statistics are used to implement crossvalidation with stratified K-Fold using KNN (K nearest neighbours) algorithm to determine the accuracy, sensitivity and specificity of the methodology by means of the confusion matrices and ROC curves. Finally, we can see that the developed model has 97.88% accuracy in detecting a defect, 78.86% accuracy in detecting defect location and 74.52% accuracy in detecting the size and location defect.

Digital, El problema que aborda esta investigación radica en que no hay aplicación de estrategias que focalicen una enseñanza para el desarrollo de competencias que sirvan de soporte en el desarrollo de las unidades de aprendizaje proyectadas en el programa de liderazgo socioambiental institucional. En la primaria el docente no propicia una enseñanza que fortalezca los procesos académicos involucrando la solución a los problemas del contexto desde el marco del desarrollo sostenible. Por lo tanto, el objetivo general de este estudio se enfocó en desarrollar las competencias de pensamiento computacional en docentes de primaria con el apoyo de Google Classroom incorporando la temática de solución de problemas socio ambientales en la Institución Educativa Nuestra Señora del Rosario de San Antero-Córdoba. Las bases teóricas que sostienen este trabajo son los fundamentos relacionados con la resolución de problemas y el aprendizaje significativo y los postulados de Wing sobre pensamiento computacional. Para el diseño metodológico de este proyecto se utiliza el tipo de investigación cuantitativa, porque pretende desarrollar las competencias de pensamiento computacional en docentes de primaria, el análisis de una realidad objetiva a partir de mediciones numéricas y análisis estadísticos para determinar las predicciones o patrones del problema planteado, la población y la muestra está compuesta por 15 docentes. En relación con las competencias de abstracción y reconocimiento de patrones de los docentes, se concluye que el 93,7% de los docentes logró aplicar el pensamiento computacional en la resolución de problemas de tipo ambiental, diseñaron ejercicios haciendo uso de los conceptos fundamentales de la computación, The problem that this research addresses is that there is no application of strategies that focus teaching for the development of competencies that serve as support in the development of the learning units projected in the institutional socio-environmental leadership program. In primary school, the teacher does not promote teaching that strengthens academic processes involving the solution to the problems of the context from the framework of sustainable development. Therefore, the general objective of this study was focused on developing computational thinking competencies in primary school teachers with the support of Google Classroom, incorporating the theme of solving socio-environmental problems in the Educational Institution Nuestra Señora del Rosario de San Antero- Cordova. The theoretical bases that support this work are the fundamentals related to problem solving and meaningful learning and Wing's postulates on computational thinking. For the methodological design of this project, the type of quantitative research is used, because it aims to develop computational thinking skills in primary school teachers, the analysis of an objective reality from numerical measurements and statistical analysis to determine the predictions or patterns of the problem. raised, the population and the sample is made up of 15 teachers. In relation to the abstraction and pattern recognition competencies of teachers, it is concluded that 93.7% of teachers managed to apply computational thinking in solving environmental problems, they designed exercises making use of the fundamental concepts of the computing, Maestría, Magíster en Tecnologías Digitales Aplicadas a la Educación, 1°ed, INTRODUCCIÓN ................................................................................................... 24 1. PRESENTACIÓN DEL PROYECTO ............................................................... 29 1.1 PLANTEAMIENTO DEL PROBLEMA ....................................................... 29 Descripción de la situación problema ................................................. 29 Identificación del problema ................................................................. 33 Pregunta problema ............................................................................. 36 1.2 ALCANCE ................................................................................................. 37 1.3 JUSTIFICACIÓN ....................................................................................... 39 1.4 OBJETIVOS .............................................................................................. 40 Objetivo general ................................................................................. 40 Objetivos específicos ......................................................................... 40 2 BASES TEÓRICAS ......................................................................................... 42 2.1 ESTADO DEL ARTE................................................................................. 42 2.2 MARCO REFERENCIAL .......................................................................... 47 Marco Teórico .................................................................................... 47 2.2.1.1 Modelo de enseñanza-aprendizaje centrado en la resolución de problemas ........................................................................................................ 48 2.2.1.2 El aprendizaje significativo en el desarrollo del pensamiento computacional ................................................................................................. 49 2.2.1.3 El Pensamiento computacional proceso mental implica la resolución de problemas ........................................................................................................ 50 2.2.1.4 La resolución de problemas ................................................................ 51 Marco conceptual ............................................................................... 53 2.2.2.1 Pensamiento computacional ............................................................... 53 2.2.2.2 La fase de abstracción ........................................................................ 54 2.2.2.3 La fase de reconocimiento de patrones ............................................... 55 2.2.2.4 Las competencias del docente ............................................................ 56 Marco tecnológico .............................................................................. 58 2.2.3.1 Google Classroom ............................................................................... 58 2.2.3.2 Google Gmail ..................................................................................... 61 2.2.3.3 Google Forms ...................................................................................... 61 2.2.3.4 Google Drive ....................................................................................... 61 2.2.3.5 YouTube .............................................................................................. 62 3 DISEÑO METODOLÓGICO ............................................................................ 63 3.1 TIPO DE INVESTIGACIÓN ...................................................................... 63 3.2 HIPÓTESIS ............................................................................................... 63 Hipótesis Inicial (Hi) ............................................................................ 63 Hipótesis nulas (Ho) ........................................................................... 64 Hipótesis alternativa (Ha) ................................................................... 64 3.3 VARIABLES O CATEGORÍAS .................................................................. 64 Variable independiente ....................................................................... 64 Variable dependiente ......................................................................... 64 3.4 OPERACIONALIZACIÓN DE VARIABLES O DESCRIPCIÓN DE CATEGORÍAS .................................................................................................... 65 3.5 POBLACIÓN Y MUESTRA ....................................................................... 65 Muestra .............................................................................................. 66 3.6 PROCEDIMIENTO ................................................................................... 66 Fase 1. Diagnóstico situacional .......................................................... 66 3.6.2 Fase 2. Diseño de la propuesta ............................................................. 67 Fase 3. Implementación ..................................................................... 67 Fase 4. Evaluación ........................................................................... 67 3.7 INSTRUMENTOS DE RECOLECCIÓN DE INFORMACIÓN .................... 68 Encuesta de caracterización .............................................................. 69 Prueba diagnóstica ............................................................................. 70 Prueba de salida ................................................................................ 70 Encuesta de satisfacción .................................................................... 71 3.8 TÉCNICAS DE ANÁLISIS DE DATOS ..................................................... 71 4 CONSIDERACIONES ÉTICAS ....................................................................... 73 5 DIAGNÓSTICO INICIAL .................................................................................. 75 5.1 CARACTERIZACIÓN DE ESTUDIANTES ................................................ 75 Tabulación, Gráficos y análisis individual ........................................... 75 Análisis General ................................................................................. 92 5.2 PRUEBA DIAGNÓSTICA ......................................................................... 93 Resultados ......................................................................................... 93 Análisis ............................................................................................. 106 6 ESTRUCTURA DE LA PROPUESTA DE INTERVENCIÓN .......................... 111 6.1 PROPUESTA PEDAGÓGICA .................................................................... 111 6.2 COMPONENTE TECNOLÓGICO ........................................................... 139 Descripción del ambiente virtual ...................................................... 144 6.3 IMPLEMENTACIÓN................................................................................ 144 Implementación unidad de aprendizaje 1 ......................................... 145 Implementación unidad de aprendizaje 2 ......................................... 149 Implementación unidad de aprendizaje 3 ......................................... 155 7 ANÁLISIS E INTERPRETACIÓN DE DATOS ............................................... 160 7.1 ACTIVIDADES TRABAJADAS EN CLASE ............................................. 160 Resultados ....................................................................................... 161 7.1.2 Análisis ............................................................................................. 168 7.2 PRUEBA DE SALIDA ............................................................................. 169 Resultados ....................................................................................... 169 Análisis ............................................................................................. 185 7.3 EVALUACIÓN PRUEBA DE SALIDA VS PRUEBA DIAGNÓSTICA ...... 188 Comparativo por preguntas .............................................................. 188 Resultados de la evaluación diagnóstica pregunta 1 vs prueba de salida pregunta 1 ..................................................................................................... 188 Resultados de la evaluación diagnóstica pregunta 2 vs prueba de salida pregunta 2 ..................................................................................................... 189 Resultados de la evaluación diagnóstica pregunta 3 vs prueba de salida pregunta 3 ..................................................................................................... 190 Resultados de la evaluación diagnóstica pregunta 4 vs prueba de salida pregunta 4 ..................................................................................................... 191 Resultados de la evaluación diagnóstica pregunta 5 vs prueba de salida pregunta 5 ..................................................................................................... 192 Resultados de la evaluación diagnóstica pregunta 6 vs prueba de salida pregunta 6 ..................................................................................................... 193 Resultados de la evaluación diagnóstica pregunta 7 vs prueba de salida pregunta 7 ..................................................................................................... 194 Resultados de la evaluación diagnóstica pregunta 8 vs prueba de salida pregunta 8 ..................................................................................................... 195 Resultados de la evaluación diagnóstica pregunta 9 vs prueba de salida pregunta 9 ..................................................................................................... 196 Resultados de la evaluación diagnóstica pregunta 10 vs prueba de salida pregunta 10 ................................................................................................... 197 Resultados de la evaluación diagnóstica pregunta 11 vs prueba de salida pregunta 11 ................................................................................................... 198 Resultados de la evaluación diagnóstica pregunta 12 vs prueba de salida pregunta 12 ................................................................................................... 199 Resultados de la evaluación diagnóstica pregunta 13 vs prueba de salida pregunta 13 ................................................................................................... 200 Resultados de la evaluación diagnóstica pregunta 4 vs prueba de salida pregunta 14 ................................................................................................... 201 Análisis ............................................................................................. 203 7.4 RESULTADOS DE LA ENCUESTA DE SATISFACCIÓN DE USO DE TIC 206 Resultados ....................................................................................... 206 Análisis ............................................................................................. 219 8 LIMITACIONES ............................................................................................. 222 9 CONCLUSIONES .......................................................................................... 223 10 IMPACTO / recomendaciones / TRABAJOS FUTUROS........................... 225 10.1 IMPACTO ............................................................................................ 225 10.2 RECOMENDACIONES ....................................................................... 226 10.3 TRABAJOS FUTUROS ....................................................................... 227 11 BIBLIOGRAFÍA ......................................................................................... 228 12 ANEXOS ................................................................................................... 232 12.1 ANEXO A FICHAS RAE ESTADO DEL ARTE ................................... 232 12.2 ANEXO B . CRONOGRAMA ............................................................... 254 12.3 ANEXO C. PRESUPUESTO ............................................................... 258 12.4 ANEXO D. ENCUESTA DE CARACTERIZACIÓN ............................. 259 12.5 ANEXO E. PRUEBA DIAGNÓSTICA .................................................. 260 12.6 ANEXO F PRUEBA DE SALIDA ......................................................... 263 12.7 ANEXO G ENCUESTA DE SATISFACCION ...................................... 266 12.8 ANEXO H. CARTA AVAL .................................................................... 267 12.9 ANEXO I. Consentimiento informado .................................................. 268

En este artículo se describe la metodología empleada para adquirir, almacenar y procesar señales de sonido cardiaco con el objetivo de comparar las señales de sonidos patológicos con los no patológicos y determinar las fronteras de decisión correspondientes para una futura clasificación. Las señales de sujetos no patológicos se han adquirido con el sistema propuesto en este documento, el cual se ha diseñado considerando las frecuencias tanto de sonidos patológicos como no patológicos. Dos casos, uno de estenosis aórtica y otro de regurgitación aórtica, obtenidos de un sitio público, se han analizado para efectuar las comparaciones. Empleando el algoritmo computacional de Alineamiento Temporal Dinámico se evaluó la similitud que existe en la forma de las señales no patológicas y patológicas. Los resultados han ayudado a proponer las fronteras de decisión de separación entre las clases de señales.

Digital, El presente trabajo da a conocer el proceso investigativo desarrollado con base en la investigación descriptiva y correlacional respecto al desarrollo del pensamiento computacional como herramienta para la resolución de problemas bajo la aplicación de una propuesta pedagógica que implementa el uso de actividades desconectadas y el editor makecode Esta investigación se desarrolló con un grupo de 24 estudiantes pertenecientes al grado nocebo de la institución Educativa Cabrera, ubicada en la zona rural del municipio de Pasto, a través de la implementación de una estrategia pedagógica se buscaba fortalecer en los estudiantes el desarrollo de competencias para la resolución de problemas a través del pensamiento computacional. Para ello la investigación se llevó a cabo en tres fases, iniciando por conocer el nivel de las competencias de los estudiantes del grado noveno en la resolución de problemas mediante la aplicación de una prueba diagnóstica, seguidamente estructuro y aplico una propuesta pedagógica que nos permitió más adelante analizar el desempeño de los estudiantes durante el desarrollo de las clases utilizando la plataforma MakeCode y el simulador de la Micro:Bit y finalmente determinar el nivel de mejora del pensamiento computacional mediante un análisis comparativo antes y después de aplicar las herramientas tecnológicas. Los resultados obtenidos dan cuenta que la propuesta pedagógica aporto al desarrollo del pensamiento computacional en los estudiantes de grado 9° en la resolución de problemas, This work presents the investigative process developed based on descriptive and correlational research regarding the development of computational thinking as a tool for problem solving under the application of a pedagogical proposal that implements the use of disconnected activities and the makecode editor. This research was developed with a group of 24 students belonging to the nocebo grade of the Cabrera Educational Institution, located in the rural area of the municipality of Pasto, through the implementation of a pedagogical strategy, it was sought to strengthen in the students the development of competencies to problem solving through computational thinking. For this, the research was carried out in three phases, starting with knowing the level of competencies of the ninth grade students in solving problems through the application of a diagnostic test, then I structured and applied a pedagogical proposal that allowed us more further analyze the performance of the students during the development of the classes using the MakeCode platform and the Micro: Bit simulator and finally determine the level of improvement in computational thinking through a comparative analysis before and after applying the technological tools. The results obtained show that the pedagogical proposal contributed to the development of computational thinking in 9th grade students in problem solving., Maestría, Magíster en Tecnologías Digitales Aplicadas a la Educación, 1°ed, INTRODUCCIÓN ................................................................................................... 14 1. PRESENTACIÓN DEL TRABAJO ................................................................... 15 1.1 PLANTEAMIENTO DEL PROBLEMA ................................................ 15 1.1.1 Descripción del problema ................................................................... 15 1.1.2 Pregunta problema ............................................................................. 18 1.2 ALCANCE........................................................................................... 18 1.3 JUSTIFICACIÓN ................................................................................ 18 1.4 OBJETIVOS ....................................................................................... 20 1.4.1 Objetivo general ................................................................................. 20 1.4.2 Objetivos específicos .......................................................................... 20 2 BASES TEÓRICAS ......................................................................................... 21 2.1 ESTADO DEL ARTE .......................................................................... 21 2.1.1 Antecedentes históricos ..................................................................... 21 2.1.2 Antecedentes legales ......................................................................... 23 2.1.3 Antecedentes investigativos ............................................................... 26 2.2 MARCO REFERENCIAL .................................................................... 31 2.2.1 Marco Teórico ..................................................................................... 31 2.2.2 Marco Conceptual .............................................................................. 33 2.2.3 Marco Tecnológico ............................................................................. 35 3 DISEÑO METODOLÓGICO ............................................................................ 39 3.1 TIPO DE INVESTIGACIÓN ................................................................ 39 3.2 HIPÓTESIS ........................................................................................ 40 3.3 VARIABLES........................................................................................ 40 3.4 OPERACIONALIZACIÓN DE VARIABLES ........................................ 40 3.5 POBLACIÓN Y MUESTRA ................................................................. 41 3.6 PROCEDIMIENTO ............................................................................. 43 3.7 INSTRUMENTOS DE RECOLECCIÓN DE INFORMACIÓN ............. 45 3.8 TÉCNICAS DE ANÁLISIS DE DATOS ............................................... 50 4 CONSIDERACIONES ÉTICAS ........................................................................ 54 5 DIAGNOSTICO INICIAL .................................................................................. 55 6 ESTRUCTURA DE LA PROPUESTA DE INTERVENCIÓN ............................ 57 6.1 PROPUESTA PEDAGÓGICA ............................................................ 57 6.2 COMPONENTE TECNOLÓGICO ...................................................... 58 6.3 IMPLEMENTACION ........................................................................... 62 7 ANÁLISIS E INTERPRETACIÓN DE DATOS ................................................. 71 8 CONCLUSIONES ............................................................................................ 72 9 LIMITACIONES ............................................................................................... 76 10 IMPACTO / RECOMENDACIONES / TRABAJOS FUTURO ........................... 76 BIBLIOGRAFÍA ...................................................................................................... 78 ANEXOS ................................................................................................................ 80

Doctoral thesis Nowadays, knowledge extraction from data is an essential task for decisionmaking in many areas. However, the data sets commonly present some negative problems (complexities) that decrease the performance in the knowledge extraction process. The imbalanced distribution of data between classes and the presence of noise and/or class overlap are data intrinsic characteristics that frequently decrease the performance of the knowledge extraction because data are assumed to keep a uniform distribution and free from any other problem. All these issues have been studied in Pattern Recognition and Data Mining, because of their impact on the performance of the learning models. Thus this Ph.D. thesis addresses class imbalance, class overlap and/or noise through techniques that reduce and clean the most represented class. Among the solutions to handle with the class imbalance problem, new algorithms based on graphs are proposed. This idea arises from the fact that many real-world problems (network analysis, chemical models, remote sensing, among others) have been tackled by using graph-based strategies, in which the problem is transformed in terms of vertices and edges. Keeping this in mind, the proposals presented in this Ph.D. thesis consider the most represented class as as a complete graph in such a way that a representative subset of majority class instances is obtained through reduction criteria. Regarding the data sets with class imbalance and class overlap and/or noise, the proposals include the use of clustering algorithms as a cleaning strategy. It is well known that these algorithms are used to group instances according to similar characteristics; however, the proposal here presented makes use of their ability to detect noisy instances. By this, the application of a clustering algorithm is carried out before facing the class imbalance. As a further extension to the proposals presented in this Ph.D. thesis and due to the growing interest in Big Data problems, the last part of this report introduces a graph-based algorithm to handle class imbalance in large-scale data sets. Becas nacionales del CONACYT

Digital, El análisis de esta investigación se realizó bajo la observación directa y aplicación de unos instrumentos que buscaron recoger la información necesaria con el fin de establecer de manera precisa las causas por las cuales los docentes de básica primaria desarrollaban poco el pensamiento computacional en competencias de lectoescritura, planteadas en el problema de esta investigación, la cual se enmarco en el enfoque cualitativo de investigación acción, de J Elliott. Se planificaron instrumentos que permitieron lograr los objetivos propuestos en los docentes intervenidos en esta investigación. Se comprobó la hipótesis debido al poco uso de habilidades creativas y herramientas Tics en su práctica de aula, los docentes de lenguaje de la Institución educativa Francisco Molina Sánchez obtienen bajos resultados en el desempeño de las competencias de lectoescritura en sus estudiantes. Finalmente, con el respectivo análisis e interpretación de los resultados del proyecto de investigación realizada se ha llegado a una serie de conclusiones y recomendaciones que mejoran y refuerzan las habilidades intelectuales creativas en lectoescritura que además llevan al uso de estrategias que indiquen el camino a seguir o a la solución ante determinados problemas que surjan en las personas que piensan de manera computacional para llevarlos a una solución oportuna y asertiva encaminadas al mejoramiento de la institución donde fue posible llevar a cabo este proyecto de investigación, The main purpose of this research project is to develop creative skills in reading and writing through Moodle through computational thinking in elementary school teachers at the Francisco Molina Sánchez Educational Institution. The analysis of this research was carried out under the direct observation and application of instruments that sought to collect the necessary information to establish precisely the causes why elementary school teachers developed little computational thinking in literacy skills, raised in the problem of this research, which was framed in the qualitative approach of action research, by J Elliott. Instruments were planned that made it possible to achieve the objectives proposed when the teachers intervened in this research. The hypothesis was verified due to the little use of creative skills and ICT tools in their classroom practice, the language teachers of the Francisco Molina Sánchez Educational Institution obtained low results in the performance of literacy skills in their students. Finally, with the respective analysis and interpretation of the results of the research project carried out, a series of conclusions and recommendations have been reached that improve and reinforce creative intellectual skills in literacy that also lead to the use of strategies that indicate the way forward oh a the solution to certain problems that arise in people who think in a computational way to bring them to a timely and assertive solution aimed at improving the institution where it was possible to carry out this research project, Maestría, Magíster en Tecnologías Digitales Aplicadas a la Educación, 1°ed, INTRODUCCIÓN .................................................................................................. 12 1. PRESENTACIÓN DEL TRABAJO DE GRADO .............................................. 13 1.1 PLANTEAMIENTO DEL PROBLEMA ................................................ 13 1.1.1 Descripción de la situación problema……………………………………14 1.1.2. Identificación del problema………………………………….…………….18 1.1.3 Pregunta problema…………………………………………….…………..21 1.2 ALCANCE .......................................................................................... 21 1.3 JUSTIFICACIÓN ................................................................................ 21 1.4 OBJETIVOS ....................................................................................... 23 1.4.1 Objetivo general ................................................................................ 23 1.4.2 Objetivos específicos ........................................................................ 23 2 BASES TEÓRICAS ........................................................................................ 24 2.1 ESTADO DEL ARTE .......................................................................... 24 2.2 MARCO REFERENCIAL .................................................................... 35 2.2.1 Marco Teórico ................................................................................... 35 2.2.2 Marco Conceptual ............................................................................. 40 3 DISEÑO METODOLÓGICO ........................................................................... 46 3.1 TIPO DE INVESTIGACIÓN ................................................................ 46 3.2 HIPÓTESIS ........................................................................................ 48 3.3 VARIABLES O CATEGORÍAS ........................................................... 48 3.4 OPERACIONALIZACIÓN DE VARIABLES O DESCRIPCIÓN DE CATEGORÍAS ................................................................................................ 49 3.5 POBLACIÓN Y MUESTRA ................................................................ 50 3.6 PROCEDIMIENTO ............................................................................. 51 3.7 INSTRUMENTOS DE RECOLECCIÓN DE INFORMACIÓN ............. 53 3.8 TÉCNICAS DE ANÁLISIS DE DATOS ............................................... 54 4 CONSIDERACIONES ÉTICAS ...................................................................... 56 5 DIAGNÓSTICO INICIAL ................................................................................. 57 6 ESTRUCTURA DE LA PROPUESTA DE INTERVENCIÓN ........................... 78 6.1 PROPUESTA PEDAGÓGICA ............................................................ 78 6.2 COMPONENTE TECNOLÓGICO ...................................................... 78 6.3 IMPLEMENTACIÓN ........................................................................... 79 7 ANÁLISIS E INTERPRETACIÓN DE DATOS ................................................ 83 8 CONCLUSIONES ........................................................................................ 105 9 LIMITACIONES ............................................................................................ 106 10 IMPACTO / RECOMENDACIONES / TRABAJOS FUTUROS .................. 103 BIBLIOGRAFÍA ................................................................................................... 110 ANEXOS ............................................................................................................ 116

[EN] The identification of the writer who has written a piece of text is needed in several applications of document analysis and recognition. In particular, it is required for the organization of historical manuscripts in archives and libraries. Traditional methods used to relay on a segmentation of the written text into individual characters, followed by more or less heuristic analysis of the shape of the characters. This approach has provided some results in simple cases where the text is clear enough to allow the detection and extraction of individual characters. However, it fails dramatically when the writing is sloppy and/or when ancient scripts are considered. Therefore, modern works follow holistic approaches where the writing style is analyzed without character or word detection or extraction. Moreover, machine learning techniques are proving highly adequate to tackle the writer's identification problem in a fully holistic, segmentation-free way. In this direction, deep convolutional neural networks are the most promising models tried so far. This proposal consists of the development of deep learning methods for the classification of a handwritten image, or a part thereof, into several classes corresponding to possible hands which have written the text. This work will also include experimentation on public-domain, benchmark datasets, as well as on other real-world datasets consisting of historical manuscripts., [ES] La identificación del escritor que ha escrito un texto es necesaria en varias aplicaciones de análisis y reconocimiento de documentos. En particular, se requiere para la organización de manuscritos históricos en archivos y bibliotecas. Los métodos tradicionales solían basarse en una segmentación del texto escrito en caracteres individuales, seguido de un análisis más o menos heurístico de la forma de los caracteres. Este enfoque ha proporcionado algunos resultados en casos simples donde el texto es lo suficientemente claro como para permitir la detección y extracción de caracteres individuales. Pero falla completamente cuando la escritura es informal o desordenada y/o cuando se consideran estilos de escritura antiguos. Por lo tanto, los trabajos modernas siguen enfoques holísticos en los que se analiza el estilo de escritura sin detección o extracción previa de caracteres o palabras. Además, las técnicas de aprendizaje automático están demostrando ser muy adecuadas para abordar el problema de identificación del escritor de una manera totalmente holística y sin segmentación. En esta dirección, las redes neuronales convolucionales profundas son los modelos más prometedores que se han probado hasta ahora. Esta propuesta consiste en el desarrollo de métodos de aprendizaje profundo para la clasificación de una imagen de texto, o una parte de ella, en clases correspondientes a las posibles manos que han escrito el texto. El trabajo también incluirá la experimentación con conjuntos de datos públicos de referencia, así como en otros conjuntos de datos del mundo real, que consisten en manuscritos históricos., [CA] La identificació de l’escriptor que ha escrit un text és necessària en diverses aplicacions d’anàlisi i reconeixement de documents. En particular, es requereix per a l’organització de manuscrits històrics en arxius i biblioteques. Els mètodes tradicionals solien basar-se en una segmentació de l’ text escrit en caràcters individuals, seguit d’una anàlisi més o menys heurístic de la forma dels caràcters. Aquest enfocament ha proporcionat alguns resultats en casos simples on el text és prou clar com per permetre la detecció i extracció de caràcters individuals. però falla completament quan l’escriptura és informal o desordenada i / o quan es consideren estils d’escriptura antics. Per tant, els treballs modernes segueixen enfocaments holístics en els que s’analitza l’estil d’escriptura sense detecció o extracció prèvia de caràcters o paraules. A més, les tècniques de aprenentatge automàtic estan demostrant ser molt adequades per a abordar el problema d’identificació de l’escriptor d’una manera totalment holística i sense segmentació. En aquesta direcció, les xarxes neuronals convolucionals profundes són els models més prometedors que s’han provat fins ara. Aquesta proposta consisteix en el desenvolupament de mètodes d’aprenentatge profund per a la classificació d’una imatge de text, o una part d’ella, en classes corresponents a les possibles mans que han escrit el text. El treball també inclourà l’experimentació amb conjunts de dades públiques de referència, així com en altres conjunts de dades del món real, que consisteixen en manuscrits històrics.

La evaluación experimental del campo de esfuerzos es de importancia en múltiples áreas de la ingeniería porque describe la respuesta mecánica que exhibe una estructura al ser sometida a cargas de distinta naturaleza. En este campo de trabajo, los estudios de fotoelasticidad digital sobresalen entre otras técnicas por ser no invasivos, de campo completo, y altamente computacionales. No obstante, su implementación reporta limitaciones en términos de las múltiples configuraciones del polariscopio requeridas para adquirir las imágenes, cantidad de subprocesos computacionales, sesgo en zonas de concentración de esfuerzos, desempeños dependientes de la geometría de la estructura, e imposibilidad de identificar puntos isotrópicos y zonas de inconsistencias. Frente a las oportunidades de estudios en fotoelasticidad digital, esta investigación desarrolla un método basado en casos dinámicos donde la descripción y clasificación del comportamiento temporal del color son utilizados como estrategia clave para la evaluación del campo de esfuerzos en situaciones donde las técnicas convencionales reportan limitaciones. Dentro de los procesos realizados en este trabajo, inicialmente se presenta una conceptualización del campo de esfuerzos en estructuras cargadas, su relación con las propiedades ópticas birrefringentes, y los parámetros que intervienen en la formación de las imágenes con franjas de color. Con ello un repositorio híbrido de imágenes es generado. Posterior a la generación de las imágenes, una estrategia basada en la extracción, selección y clasificación de características es implementada teniendo en cuenta métodos convencionales, la longitud de arco y el conocimiento previo del comportamiento temporal del color dependiendo de las categorías de esfuerzos a la que se asocia. Los resultados demuestran que el método de clasificación de las dinámicas del color presenta mejor desempeño que los métodos convencionales seleccionados y sus derivaciones híbridas propuestas para su mejoramiento. Evaluating the stress field is an important task in multiple engineering areas because it describes the mechanical response that a structure resist under load application. In this study field, digital photoelasticity stand out among other techniques for being non-invasive, full-field, and highly computational. However, its application reports drawbacks in terms of the multiple polariscope configurations it requires to acquire the images, number of computational procedures, lost information in stress concentration zones, performance that dependent on the structure geometry, and the impossibility of identifying isotropic points and inconsistency zones. Taking advantages of the research opportunities in digital photoelasticity, this work develops a method for evaluating the stress information in dynamic cases. Here, describing and classifying the temporal behavior of color in photoelasticity image sequences are used as a key strategy for the evaluation of the stress field in situations where conventional techniques report limitations. Into the processes carried out in this work, a conceptualization of the stress field in loaded structures, its relationship with birefringent optical properties, and the parameters involved in the formation of images with color fringes are initially presented. With this a hybrid image repository is generated. After the generation of the images, a strategy based on the extraction, selection and classification of characteristics is implemented considering conventional methods, the arc length and the prior knowledge of the temporal behavior of the color depending on the stress categories to which they are associated to. The results demonstrate that the new method of classifying color dynamics presents better performance than the selected conventional methods and their hybrid derivations proposed to improve them. Doctorado

En este trabajo se ha diseñado un sistema para la detección de instrumentos musicales desarrollado con el requisito innovador de tener cierta capacidad para la identificación simultánea de diversas categorías superpuestas en una misma señal, sin restricción alguna respecto a las posibles combinaciones. El enfoque empleado se basa en que el contenido frecuencial de las notas musicales se limita al entorno de la frecuencia fundamental y sus harmónicos, lo que permite bajo ciertas condiciones poder separar de forma aproximada el espectro de las distintas notas musicales superpuestas en un extracto de señal. Con este objetivo, se propone un conjunto de características calculadas a partir del espectro separado de cada nota, de forma que se puedan extraer varios vectores de un mismo segmento de señal. También se ha desarrollado un algoritmo que permite la identificación de las distintas notas superpuestas mediante la detección precisa de sus frecuencias fundamentales. Para la clasificación de los vectores se ha optado por una máquina de vectores de soporte (SVM) con Kernel cúbico tras realizar varias pruebas de comparación y optimización con distintas técnicas de machine learning. Finalmente, se ha desarrollado una App de MATLAB a modo de prototipo de pruebas del sistema. Este modelo ha sido entrenado para 26 instrumentos distintos obteniendo unas tasas aproximadas de precisión del 90% para señales con un único instrumento y del 60% en señales conteniendo de 2 a 4 instrumentos. This project presents the design of a musical instrument detection system developed with the innovative requirement of having some ability to distinguish between different categories mixed simultaneously in the same signal, without restrictions regarding possible combinations. The approach followed is based on the fact that the spectrum of musical notes is constrained to the regions near the fundamental frequency and its harmonics. This allows, under certain conditions, to separate the approximate spectrum of different notes mixed in a signal excerpt. For this purpose, a set of features calculated from the separated spectrum of each note is proposed so that several vectors can be extracted from the same signal excerpt. An algorithm has also been developed to identify the different overlapping notes by precisely detecting their fundamental frequencies. To classify the vectors, a support vector machine (SVM) with cubic Kernel has been chosen after carrying out various comparison and optimization tests with different machine learning techniques. Finally, a MATLAB App has been developed as a prototype to test the system. This model has been trained for 26 different instruments, obtaining approximate accuracy rates of 90% for signals with a single instrument and around 60% for signals containing between 2 and 4 instruments. En aquest treball s'ha dissenyat un sistema per a la detecció d'instruments musicals desenvolupat amb el requisit innovador de tenir certa capacitat per a la identificació simultània de diverses categories superposades en un mateix senyal, sense cap restricció respecte de les possibles combinacions. L'enfocament utilitzat es basa en què el contingut freqüencial de les notes musicals es limita a l'entorn de la freqüència fonamental i els seus harmònics, el que permet sota certes condicions poder separar de forma aproximada l'espectre de les diferents notes musicals superposades en un extracte del senyal. Amb aquest objectiu, es proposa un conjunt de característiques calculades a partir de l'espectre separat de cada nota, de manera que es puguin extraure diversos vectors d'un mateix segment del senyal. També s'ha desenvolupat un algoritme que permet la identificació de les diferents notes superposades mitjançant la detecció precisa de les seves freqüències fonamentals. Per a la classificació dels vectors s'ha optat per una màquina de vectors de suport (SVM) amb Kernel cúbic després de realitzar diverses proves de comparació i optimització mitjançant diferents tècniques de machine learning. Aquest model ha estat entrenat per a 26 instruments diferents obtenint unes taxes aproximades de precisió del 90% en senyals amb un únic instrument i del 60% per a senyals que contenen de 2 a 4 instruments.

The purpose of this research was to determine the effectivity of applying artificial vision on patterns recognition for the fruits classification in agrobusiness, for this purpose we has used a database with 50 records of 6 fruit varieties with 4 characteristics that are considered for each fruit and a sample of 20 fruits, likewise has been used the automatic pattern recognition technique through the Bayesian classifier implemented in Octave, in the experiment it was recognized to the fruits up to 93.33% and erring in other cases 6.67%. Concluding that is effective to apply artificial vision in the pattern recognition classify fruits. La presente tuvo como objetivo determinar la efectividad de aplicar visión artificial en reconocimiento de patrones para la clasificación de frutas en los agronegocios, para ello se ha empleado una base de datos con 50 registros de 6 variedades de frutas donde se consideró 4 características para cada fruta y una muestra de 20 frutas, así mismo se ha empleado la técnica reconocimiento automático de patrones por medio del clasificador bayesiano implementado en Octave, en el experimento se logró reconocer las frutas hasta en un 93.33% y errando en 6.67%. Concluyendo que si es efectivo aplicar la visión artificial en el reconocimiento de patrones para clasificar frutas.

[ES] En este trabajo se presenta el desarrollo de una aplicación web para su uso en las unidades de diálisis en hospitales, que permite la identificación de pacientes mediante reconocimiento de su huella dactilar, así como el volcado automático en el sistema de su temperatura a la entrada y salida de la sesión de diálisis. El objetivo del proyecto es cerrar el flujo de trabajo automatizado en dichas unidades hospitalarias, al que le faltan las actividades mencionadas anteriormente. La aplicación desarrollada está integrada en el sistema Nefrosoft, actualmente en explotación en varios hospitales. Para su desarrollo se ha seguido un proceso ágil, el cual se detalla en la presente memoria., [CA] En aquest treball es presenta el desenvolupament d’una aplicació web per a l’ús a les unitats de diàlisi en hospitals, que permet la identificació de pacients mitjançant reconeixement de la seua empremta dactilar, així com el bolcat automàtic en el sistema de la seua temperatura tant a l’entrada com a l’eixida de la sessió de diàlisi. L’objectiu del projecte és tancar el flux de treball automatitzat a aquestes unitats hospitalàries, al qual manquen les activitats esmentades anteriorment. L’aplicació desenvolupada està integrada en el sistema Nefrosoft, actualment en explotació en diversos hospitals. Per al seu desenvolupament s’ha seguit un procés àgil, el qual es detalla a la present memoria, [EN] In this work it is intended to introduce the development of a web application for its usage at dialysis units in hospitals, which allows patient identification via fingerprint recognition, as well as the automatic temperature data dump in the system, when arriving or exiting the dialysis session. The goal of this project is to complete the automatized workflow in these hospital units, which lacks the activities mentioned above. The developed application is integrated in the Nefrosoft system, currently operating in several hospitals. For its development, an agile process has been followed, which is detailed in the present project report.

International audience; The purpose of this research was to determine the effectivity of applying artificial vision on patterns recognition for the fruits classification in agrobusiness, for this purpose we has used a database with 50 records of 6 fruit varieties with 4 characteristics that are considered for each fruit and a sample of 20 fruits, likewise has been used the automatic pattern recognition technique through the Bayesian classifier implemented in Octave, in the experiment it was recognized to the fruits up to 93.33% and erring in other cases 6.67%. Concluding that is effective to apply artificial vision in the pattern recognition classify fruits.; La presente tuvo como objetivo determinar la efectividad de aplicar visión artificial en reconocimiento de patrones para la clasificación de frutas en los agronegocios, para ello se ha empleado una base de datos con 50 registros de 6 variedades de frutas donde se consideró 4 características para cada fruta y una muestra de 20 frutas, así mismo se ha empleado la técnica reconocimiento automático de patrones por medio del clasificador bayesiano implementado en Octave, en el experimento se logró reconocer las frutas hasta en un 93.33% y errando en 6.67%. Concluyendo que si es efectivo aplicar la visión artificial en el reconocimiento de patrones para clasificar frutas.

[ES] Las enfermedades cardiovasculares son las causantes de la mayoría de las muertes que se producen en el mundo occidental, siendo las arritmias cardiacas una de las enfermedades más frecuentes dentro de este ámbito. La fibrilación auricular es la arritmia cardiaca que más gasto sanitario conlleva debido a su alta prevalencia (1-2% en la población general), que consiste en una transmisión desorganizada de los impulsos eléctricos por el tejido cardíacos de la aurícula. Ante el desconocimiento de los mecanismos de inicio y mantenimiento de esta arritmia existen métodos experimentales como la Imagen Electrocardiográfica (ECGI) que permite estimar los potenciales epicárdicos a partir de registros electrocardiográficos de superficie. De esta forma se puede estudiar e identificar de forma no invasiva los posibles mecanismos que sustentan la fibrilación auricular. Para poder utilizar esta técnica de mapeo es necesario disponer de la anatomía de la superficie del torso y corazón del paciente, así como de la ubicación exacta de los electrodos de registro sobre el torso. El presente proyecto tiene como finalidad definir una metodología que permita identificar la localización exacta de los electrodos sobre el modelo 3D del torso del paciente de forma automática a partir de sistemas de adquisición 3D. Para lograr dicha finalidad, se ha procedido a generar un conjunto de marcadores para los electrodos del torso de tipo ArUco y OCR que permiten su identificación individual. Se ha desarrollado un algoritmo de procesamiento de los datos adquiridos mediante escaneado 3D del torso, que permite localizar la posición de posibles candidatos a marcadores mediante clustering y permite su identificación automática aplicando el proceso de reconocimiento de patrones correspondiente. Con dicho algoritmo se ha llevado a cabo un estudio comparativo de los 2 métodos de identificación bajo estudio. El resultado de dicha metodología ha sido más favorable al uso de marcadores de tipo OCR, ya que proporcionaron una ratio de detección automática de 93% respecto a ArUco (43%). También se vio que el proceso de modelado 3D es altamente dependiente del sensor, siendo esta tecnología la limitante para la obtención de localizaciones globales y precisas. Con esta metodología se ha logrado la automatización del proceso, lo cual permite su realización en un periodo de tiempo más reducido, mejorando su uso en la práctica clínica., [EN] Cardiovascular diseases are the main cause of death in the western world, with cardiac arrhythmia being one of the most frequent among them. Atrial fibrillation is the cardiac arrhythmia that supposes the greatest sanitary cost due to its high prevalence (1-2% in total population). It consists in a series of disorganized electric impulses which are transmitted by the cardiac atrial tissues. Since the mechanisms of how this cardiac disorder originates and becomes recurrent have not been elucidated yet, techniques such as Electrocardiographic Imaging (ECGI) are used to estimate epicardial potentials from collected electrocardiographic data. By this way, it is possible to study the atrial fibrillation mechanisms in a non-invasive fashion. In order to use this mapping technique, it is necessary to know the anatomy of both torso and heart, as well as the exact location of the recording electrodes over the torso¿s surface. This project aims to develop a new methodology for the identification of the exact location of the electrodes over a 3D torso model of the patient automatically from 3D acquisition systems. To attain this, a range of ArUco- and OCR-type markers have been generated for these torso electrodes, allowing their individual identification. An algorithm has been developed to process the acquired data through 3D scanning. The algorithm allows to indicate the position of potential marker candidates by clustering, as well as to automatically identify them using the appropriate pattern recognition process. A comparative study between the two studied identification methods has also been conducted using this algorithm. The results obtained indicate a much better detection ratio while using OCR type markers (93%) against ArUco markers (43%). In addition, it was demonstrated that 3D modelling is highly sensor-dependent, thus acting as a bottleneck in the process of obtaining precise and global locations. To conclude, this methodology enabled the automation of the electrode position detection process allowing a much faster performance, thus turning the ECGI technique into a very convenient solution for clinical uses.

[ES] Este artículo da seguimiento a previas experimentaciones actualmente publicadas acerca de la minimización de ruido ópticoeléctrico en los sistemas de barrido óptico OSS (en inglés, Optical Scanning Systems), implementando técnicas computacionales para el reconocimiento de los patrones que se generan de cada fuente de referencia y que son utilizadas para indicar una coordenada que el OSS monitoreará. Técnicas como análisis linear discriminante LDA (en inglés, Linear Discriminant Analysis) y regresión lineal LR (en inglés, Linear Regression) fueron implementadas para discriminar las señales causadas por otras fuentes distintas a las de referencia. Para aumentar la eficiencia de estos modelos fueron implementados codificación predictiva lineal LPC (en inglés, Linear Predictive Coding) y Cuantiles como extractores de características. Los resultados fueron alentadores con tasas de reconocimiento mayores al 91.2 %, alcanzando en algunos casos una exactitud del 100 %., [EN] This paper is a follow-up to previous researches already published regarding the minimization of optical-electrical noise in optical scanning systems OSS, by the implementation of computational techniques for pattern recognition generated by each reference source used to indicate a coordinate that the OSS will be monitoring. Techniques such as linear discriminant analysis LDA and linear regression LR were implemented in order to discriminate the signals caused by other sources different to the references. In order to enhance the efficiency of these models was implemented linear predictive coding LPC and quantiles as features extractors. The results were encouraging with rates of recognition greater than 91.2 %, reaching in some cases an accuracy of 100 %.

[ES] El objetivo de este proyecto es el análisis de diferentes estructuras de regresión para la detección de puntos clave en imágenes, así como de diferentes hiper-parámetros. Se particularizá para el problema de puntos claves en rostros humanos.

[ES] En este proyecto se realiza el diseño e implementación de un clasi cador basado en redes neuronales convolucionales con el objetivo de realizar el etiquetado de objetos 3D con el objetivo de alimentar un sistema de inspección industrial. El sistema propuesto pretende superar las limitaciones de los clasi cadores convencionales implementados actualmente en el sistema de inspección, donde un conjunto de objetos concretos pueden presentar una ambigüedad muy elevada debido al sistema de reconstrucción en tres dimensiones que se utiliza. Para poder desarrollar el sistema se ha investigado la bibliografía existente con tal de encontrar una arquitectura de red neuronal orientada a la clasi cación de objetos tridimensionales, ya sea mediante un sistema multivista o representaciones volumétricas basadas en nubes de puntos o en voxels. Se diseña un clasi cador de objetos 3D mediante un sistema multivista al que se le realiza una modi cación para poder aprender la escala de los objetos a partir de la resolución de la imagen. Este clasi cador se implementa utilizando diferentes arquitecturas para determinar cual es la más adecuada. Finalmente se han realizado pruebas de funcionamiento generando un segundo dataset de piezas defectuosas deformando las piezas del dataset original, comprobando la respuesta del clasi cador ante este tipo de entradas., [CA] En aquest projecte es realitza el disseny i implementació d'un classi cador basat en xarxes neuronals convolucionals amb l'objectiu de realitzar l'etiquetatge d'objectes 3D amb l'objectiu d'alimentar un sistema d'inspecció industrial. El sistema proposat pretén superar les limitacions dels classi cadors convencionals implementats actualment en el sistema d'inspecció, on un conjunt d'objectes concrets poden presentar una ambigüitat molt elevada a causa del sistema de reconstrucció en tres dimensions que s'utilitza. Per poder desenvolupar el sistema s'ha investigat la bibliogra a existent per tal de trobar una arquitectura de xarxa neuronal orientada a la classi cació d'objectes tridimensionals, ja sigui mitjançant un sistema multivista o representacions volumètriques basades en núvols de punts o en voxels. Es dissenya un classi cador d'objectes 3D mitjançant un sistema multivista al qual se li realitza una modi cació per poder aprendre l'escala dels objectes a partir de la resolució de la imatge. Aquest classi cador s'implementa utilitzant diferents arquitectures per determinar quina és la més adequada. Finalment s'han realitzat proves de funcionament generant un segon dataset de peces defectuoses deformant les peces del dataset original, comprovant la resposta del classi cador davant aquest tipus d'entrades., [EN] In this project, the design and implementation of a classi er based on convolutional neural networks is carried out with the aim of carrying out the labeling of 3D objects in order to feed an industrial inspection system. The proposed system aims to overcome the limitations of conventional classi ers currently implemented in the inspection system, where a set of concrete objects can present a very high ambiguity due to the three-dimensional reconstruction system that is used. In order to develop the system, the existing bibliography has been investigated in order to nd a neural network architecture oriented to the classi cation of three-dimensional objects, either through a multiview system or volumetric representations based on point clouds or voxels. A 3D object classi er is designed by means of a multiview system that is modi ed to be able to learn the scale of the objects based on the resolution of the image. This classi er is implemented using di erent architectures to determine which is the most appropriate. Finally, performance tests have been carried out generating a second dataset of defective parts, deforming the pieces of the original dataset, checking the response of the classi er to this type of inputs.

A través de la electroencefalografía se detecta la comunicación entre señales eléctricas creadas por las neuronas que, al conectarse entre sí, crean conexiones sinápticas. Esta técnica ha sido muy importante en la detección de trastornos neurológicos como laepilepsia. Caracterizada por cambios temporales en el funcionamiento bioeléctrico del cerebro, la epilepsia provoca convulsiones que afectan a la conciencia, el movimiento o la sensibilidad. Las redes neuronales artificiales (RNA) proporcionan modelos con diversas alternativas para detección, clasificación y predicción de muestras mediante el análisis del electroencefalograma a partir de la estructura de los datos, los cuales determinan la topología de la red. Este artículo propone la implementación de un modelo basado en RNA para analizar, clasificar y procesar señales epilépticas a partir del entrenamiento. Particularmente, la base de datos cuenta con muestras que registraron la actividad cerebral de pacientes sanos, pacientes que controlaron las crisis y pacientes que aún registraban oscilaciones en las señales emitidas por la actividad cerebral. Después de aplicar la transformada de Fourier, estas señales se integraron en una matriz aplicando tres tipos de umbral, procediendo a seleccionar los datos de entrada de la RNA para su entrenamiento y validación. Se consideran dos métodos de aprendizaje: redes neuronales multicapa con validación clásica (back propagation) y redes neuronales con validación cruzada (LOOCV, por sus siglas en inglés), para ello se calcula el error cuadrático medio (MSE, por sus siglas en inglés) así como la cantidad de errores por umbral con la finalidad de comparar los resultados obtenidos y precisar el método que proporciona los mejores resultados. Ambas redes se entrenaron usando un método híbrido basado en el templado simulado y el gradiente conjugado.Finalmente, se presenta el análisis de las RNA como sistemas de clasificación a través de los dos métodos en funcionamiento, alcanzando resultados satisfactorios que manifiestan la aplicación como herramienta de apoyo al diagnóstico médico para la detección de este trastorno

El Síndrome de Apnea-Hipopnea Obstructiva del Sueño (SAHOS) es un trastorno del sueño muy prevalente en la población general y con afectación de múltiples órganos. Se estima que esta patología afecta entre el 3% y 5% de la población adulta en todo el mundo y aumenta con la edad. Si bien el SAHOS es más frecuente en adultos, afecta también a niños con una prevalencia cercana al 3%. Los eventos respiratorios asociados al SAHOS durante el sueño ocurren como consecuencia de una alteración anatómico-funcional de la vía aérea superior que producen su estrechamiento parcial (hipopnea) o su bloqueo total (apnea). Para establecer el grado de severidad del SAHOS, se define el Índice de Apnea-Hipopnea. Éste índice representa el número de eventos de apnea-hipopnea por hora de sueño. El estudio de referencia para el correcto diagnóstico del SAHOS es la Polisomnografía nocturna. Dado que este tipo de estudio requiere no solo de la medición simultánea de una gran cantidad de señales fisiológicas, sino también de una infraestructura especial y de personal calificado, es de muy difícil acceso y muy costosa en términos de tiempo y dinero.En esta tesis se aborda el diseño, desarrollo, implementación y evaluación de tres métodos para el reconocimiento automático de los eventos de apnea-hipopnea a partir del análisis y procesamiento de las señales de saturación de oxígeno en sangre (SaO2). En particular, se presentan dos métodos de selección de características denominados MDAS y MDCS, los cuales se basan en representaciones ralas de señales de SaO2 para el reconocimiento de eventos de apnea-hipopnea. Además, en esta tesis se introduce una nueva medida de discriminabilidad binaria denotada por DCAF, la cual es capaz de detectar átomos discriminativos en un diccionario. Asimismo, esta medida permite cuantificar eficientemente sus correspondientes grados de discriminabilidad, lo cual resulta útil a los efectos de la clasificación. Los métodos MDAS y MDCS hacen uso de la media DCAF para detectar los átomos más discriminativos de un diccionario dado y, a partir de ellos, realizan la selección de características. En particular, el método MDCS utiliza la medida DCAF para seleccionar los átomos más discriminativos y, a partir de ellos, construir un sub-diccionario. En base a los experimentos desarrollados en esta tesis, el desempeño de la nueva medida DCAF fue comparada con el de varias otras medidas de información del estado del arte. Los resultados muestran que DCAF logró un muy buen desempeño. Por otro lado, el nuevo método MDCS fue comparado con otros tres métodos del estado de arte, superando significativamente el desempeño de todos ellos.Esta tesis introduce además una extensión del problema de clasificación binaria a uno multi-clase. En este contexto, se propone una generalización de la medida DCAF (la cual tiene en cuenta solo dos clases en los datos) a más de dos clases. En particular, la nueva medida de discriminabilidad combinada no solo tiene en cuenta la probabilidad condicional de activación de los átomos en un diccionario dada la clase y el valor de su correspondiente coeficiente de activación, sino que también incorpora el efecto que éste tiene sobre el error total de representación. Asimismo, se presenta un nuevo método iterativo llamado DAS-KSVD para el aprendizaje de diccionarios estructurados en el contexto de problemas de clasificación multi-clase, que utiliza ésta medida. El nuevo método permite detectar los átomos más discriminativos para cada una de las clases. Utilizando una base de datos de dígitos manuscritos ampliamente utilizada en la literatura, se realizó un análisis del desempeño del método DAS-KSVD obteniéndose tasas de reconocimiento superiores a las obtenidas por técnicas semejantes del estado del arte. También se utilizó el nuevo método DAS-KSVD en un problema de clasificación multi-clase asociado al SAHOS. Los resultados obtenidos muestran que éste método tiene un muy buen desempeño en la detección de la patología. Fil: Rolon, Roman Emanuel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Santa Fe. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas. Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional; Argentina