Browsing by Author "Fonnegra Tarazona, Ruben Dario"

Now showing 1 - 2 of 2

Desarrollo de un algoritmo para clasificación de lesiones benignas y malignas en imágenes de resonancia magnética de mama usando inteligencia artificial.
(Institución Universitaria Pascual Bravo, 2022) Montoya Duque, Juliana; Fonnegra Tarazona, Ruben Dario; Briñez de León, Juan Carlos
El cáncer de mama es un problema a nivel mundial, es la principal causa de mortalidad en mujeres. Para el diagnóstico de lesiones en mama, normalmente se realiza resonancia magnética sin medio de contraste y con medio de contraste para la clasificación de la lesión. Por otro lado, la Inteligencia Artificial se entiende como la capacidad de las máquinas para usar algoritmos, aprender de los datos y utilizar lo aprendido en la toma de decisiones tal y como lo haría un ser humano. En este sentido, este proyecto tiene como objetivo la clasificación de las lesiones de imágenes postcontraste de resonancia magnética de mama, implementando para ello algoritmos convencionales de clasificación de patrones e Inteligencia Artificial.
Desarrollo de un algoritmo para la detección e identificación de fallas en motores eléctricos a partir de señales de audio
(Institución Universitaria Pascual Bravo, 2023) Zea Orozco, Juan Manuel; Fonnegra Tarazona, Ruben Dario; Briñez de León, Juan Carlos
Este proyecto tiene como objetivo principal desarrollar un algoritmo binario de clasificación de fallas en motores eléctricos utilizando señales de audio y técnicas de machine learning. Se propone estructurar una base de datos que contenga información pública y recolectada, con el fin de tener datos representativos del funcionamiento regular y anómalo de motores eléctricos. El enfoque se centra en implementar un algoritmo que pueda identificar y clasificar las diferentes fallas presentes en los motores eléctricos utilizando modelos de inteligencia artificial. Se busca aprovechar las capacidades de aprendizaje automático para entrenar algoritmos que puedan reconocer patrones y características específicas asociadas para determinar si existe o no existe falla. Una vez desarrollado el algoritmo, se realizará una evaluación de su desempeño utilizando métricas computacionales ampliamente utilizadas en este tipo de tareas. Estas métricas permitirán cuantificar la precisión, el F1 score, la matriz de confusión y otras medidas relevantes para evaluar la capacidad de clasificación y detección de fallas del algoritmo implementado. El resultado de este proyecto contribuirá al avance en el diagnóstico de fallas en motores eléctricos, al proporcionar un método basado en el análisis de señales de audio y el uso de algoritmos de deep learning. Esto puede tener aplicaciones importantes en la industria, permitiendo una detección temprana de fallas y un mantenimiento preventivo más efectivo en los motores eléctricos.