Search

Trabajo de Fin de Grado. Grado en Ingeniería Informática. Curso académico2021-2022., [ES]Este trabajo de fin de grado busca la creación de una aplicación para el sistema operativo iOS que sea capaz de, mediante el análisis de imágenes, proporcionar al usuario la puntuación obtenida en el juego de los dardos en la variante 501. La aplicación permitirá al usuario utilizar la cámara del móvil para escanear su entorno y capturar la imagen de una diana de forma automática una vez haya sido localizada, este proceso es posible gracias a un modelo de inteligencia artificial (IA). Esta imagen de la diana servirá de entrada a un modelo de visión artificial que localizará los dardos que se encuentren clavados en ella. Posteriormente se hará una estimación de la posición de los dardos utilizando un modelo tridimensional de este como referencia. El proceso de entrenamiento del modelo de inteligencia artificial será realizado usando exclusivamente datos sintéticos generados de manera artificial mediante simulaciones en un entorno 3D, buscando así indagar sobre este campo de entrenamiento de IA. Para el desarrollo de la aplicación se ha utilizado la herramienta Xcode 13 con el lenguaje de programación Swift. Para el desarrollo de las IA se ha utilizado la herramienta Create ML, integrada en las utilidades de Xcode. Para la creación de datos artificiales se ha utilizado Blender, Unity y Swift., [EN]This end-of-degree project aims to the development of an application for the iOS operating system that will be able to, through image analysis, give the user the obtained score in the game of darts with the variant 501. The application will let the user to make use of the smartphone’s camera to scan their surroundings and automatically capture the image of a dartboard once it has been located, this process is possible through the use of an artificial intelligence model (AI). This image of the dartboard will then serve as input for an artificial vision model which will locate the darts nailed on it. Afterwards an estimation of the position of each dart will be made using a three dimensional model of it as reference . The training process of the AI model will be exclusively done using artificially generated data using simulations in a 3D environment, which will serve as an introduction into the field of AI training. Xcode 13 and the Swift programming language have been used for the development of the application. Create ML, integrated in Xcode, has been used for the development of the AI. Blender and Unity have been used for the creations of artificial data.

[EN] Signals obtained from sensors are widely used in different scientific fields. However, the resources to obtain the data are not always available due to structural constraints, physical, economic, environmental, and data collection failures, etc. It is in this scenario that the generation of synthetic data is established. The generation of synthetic data has several benefits, such as, reducing waiting times compared to the long periods required by some sensors to obtain large volumes of samples. In addition, the generated data can be as robust as users need it to be. For this reason, this paper presents a pseudo-realistic synthetic signal generation system for use in the validation of methods and design of experiments. The proposed signal generation method makes use of statistical models and the gradient of the signal to generate new data. The developed system is open for the public, available as a web tool., [ES] Las señales obtenidas desde sensores son ampliamente utilizadas en diferentes campos científicos. Sin embargo, no siempre se dispone de los recursos necesarios para obtener dichos datos, debido a limitaciones estructurales, físicas, económicas, ambientales, fallos en la recolección de los datos, etc. Es en este escenario limitante, donde se erige la generación de datos sintéticos. La generación de datos sintéticos tiene la característica de reducir tiempos de espera frente a los largos periodos temporales que necesitan algunos sensores para obtener grandes volúmenes de muestras. Además, los datos generados pueden llegar a ser todo lo robustos que los usuarios necesiten. Por ello este trabajo presenta un sistema de generación de señales sintéticas con carácter pseudo-realista para su uso aplicado a la validación de métodos y diseño de experimentos. El método de la generación de señales propuesto, hace uso de modelos estadísticos y el comportamiento del gradiente de la señal para ir generando nuevos datos. El sistema desarrollado se encuentra disponible públicamente como herramienta web., Este trabajo ha sido parcialmente financiado mediante el proyecto DPI2013-47347-C2-2-R.

[ES] En este proyecto se implementarán varias técnicas para aumentar el tamaño de la muestra de categorías de datos en problemas de clasificación utilizando datos sintéticos. Estas técnicas buscan mejorar el desequilibrio que se puede encontrar en las poblaciones de datos, cuando una o algunas de las categorías de datos son escasas en número de muestras. Por lo tanto, la probabilidad a priori de las categorías de datos podría aproximarse para ser igualmente probable. Supondremos que los datos sintéticos permiten obtener una versión suavizada de los estimadores para la clasificación y, por lo tanto, el rendimiento de la clasificación podría mejorarse. La aplicación considerada en este proyecto es la apnea del sueño que es una enfermedad que comporta que un sujeto pueda tener varios microdespertares durante el sueño. De hecho, existe un gran desequilibrio entre el tiempo que el sujeto permanece dormido y despierto. Los datos consistirán en características extraídas de señales electroencefalográficas (EEG) y electrocardiográficas (ECG) medidas en los sujetos mientras duermen. Los datos sintéticos se pueden obtener, por ejemplo, como réplicas distorsionadas de los datos originales o datos sustitutos que siguen una distribución similar a los originales. Este proyecto implementará varios casos de clasificación considerando aumentar el tamaño de la muestra con diferentes cantidades de datos sintéticos. El índice de precisión de la clasificación se utilizará para evaluar la calidad y la comparación de los resultados, en combinación con la información de anotaciones clínicas., [EN] This project will implement several techniques to augment the sample size of categories of data in classification problems using synthetic data. These techniques seek to improve the imbalance that can be found in data populations, when one or some of the data categories are scarce in number of samples. Thus, the a priori probability of the categories of data could be approximated to be equally-probable. We will assume that synthetic data enables a smoothed version of the estimators for classification to be obtained, and thus, classification performance might be improved. The application considered in this project is sleep apnea which is a disease that behaves that a subject can have several micro-awakenings, also called microarousals, during sleep. Indeed, there is a great imbalance between the time that the subject remains asleep and awake. The data will consist of features extracted from electroencephalographic (EEG) and electrocardiographic (ECG) signals measured from subjects while sleeping. The synthetic data can be obtained, for instance, as distorted replicas of the original data or surrogate data that follows a similar distribution of the original ones. This project will implement several classification cases considering to increase the sample size with different amounts of synthetic data. The classification accuracy index will be used to evaluate the quality and comparison of the results, in combination with clinical annotation information.

La interferometría por corrimiento de fase es una técnica bien establecida para mediciones de fase, la cual requiere de una serie de patrones de franjas corridos en fase. En este trabajo, se analizan dos algoritmos de corrimiento de fase, los cuales se han usado para la recuperación de fase cuando se considera que los corrimientos de fase tienen error de calibración. El primer esquema analizado fue el algoritmo iterativo avanzado (AIA) y el segundo método es un esquema basado en el método de Levenberg-Marquardt (LM). Con el objetivo de mostrar su rendimiento, los evaluamos usando datos sintéticos y tomando en cuenta la exactitud,el orden de convergencia, así como el error por desentonamiento en los pasos. Los resultados muestran que ambos métodos reducen el error linealmente respecto al número de patrones de franjas; sin embargo, el esquema AIA tiene un desempeño significativamente mejor tanto en precisión como en tiempo de procesamiento. Este estudio arroja luz sobre las ventajas y desventajas de uso de las soluciones lineal y no lineal para la demodulación de patrones de franjas.