FRC-Tesis Doctoral Mención Sistemas de Información
Permanent URI for this collectionhttp://48.217.138.120/handle/20.500.12272/5180
Browse
2 results
Search Results
Item Estrategia de recomendación por similitud semántica en repositorios con grande volúmenes de datos de medición y evaluación(2023) Sánchez Reynoso, María Laura; Diván, MarioLa medición es una actividad común a diversas disciplinas, lo que permite determinar el estado actual de un concepto bajo estudio. La evaluación consiste en interpretar los valores medidos a la luz de ciertos criterios para poder concluir (o estimar) sobre su estado. Por tal, el hecho de poder definir proyectos de medición y evaluación es común a diferentes disciplinas, con las particularidades de cada campo de aplicación. Diversas alternativas se han propuesto para medir en forma remota diferentes conceptos, desarrollando actividades de telemetría sobre ordenadores de placa única (en inglés, Single Board Computers -SBC). El bajo costo y disponibilidad de sensores relacionado con el Internet de las Cosas (IoC) ha permitido masificar la automatización de procesos de medición con una aceptable relación costo-beneficio. Sin embargo, IoC se caracteriza por la heterogeneidad de las fuentes de datos, y el solo hecho de obtener un valor desde un sensor no aporta demasiado, salvo que exista una lógica embebida en una aplicación o lo interprete una persona con conocimiento en particular. Por tal, los “framework” de medición y evaluación basados en ontologías permiten incorporar conocimiento específico de los conceptos medidos, sus características, cómo cuantificarlas e interpretarlas. En este sentido, el “framework” C-INCAMI (en inglés Context - Information Need, Concepts, Attributes, Metrics, and Indicators) es un marco conceptual con una ontología subyacente, la cual define los conceptos, términos y relaciones necesarias para especificar un proceso de medición y evaluación (M&E). De este modo y mediante su utilización, se logra un entendimiento común sobre el concepto de lo que representa una entidad, su caracterización a través de atributos, la cuantificación de atributos mediante métricas y la interpretación de los atributos a través de indicadores con su correspondiente criterio de decisión asociados. La ontología de CINCAMI fue extendida para incorporar la posibilidad de discriminar estados de entidad y escenarios, para extender la definición de los criterios de decisión y su interpretación en función del contexto. De este modo, la estrategia de procesamiento del flujo de datos, es capaz de soportar definiciones de escenarios, análisis de las transiciones en conjunto con la posibilidad de ajustar los criterios de decisión de cada indicador a cada escenario en particular. Basado en la ontología extendida, se extendió la estrategia GOCAME (Goal - Oriented Context-aware Measurement and Evaluation) derivando en GOCAME -ESVI (Gocame-Entity States, Scenarios, and Visualization Guidelines). La misma permite definir consistentemente un proyecto de medición, especificándolo en un archivo auto contenido, factible de ser intercambiado entre diferentes SBC para su interpretación y emparejamiento con los sensores. Un componente software denominado adaptador de mediciones (localizado en SBC o dispositivos móviles) es responsable de emparejar la definición de proyectos con los sensores. De este modo, cada sensor tiene asociación con una métrica directa en el proyecto, y por ende sus medidas serán procesadas en consecuencia. Al momento de procesar e interpretar las medidas de múltiples métricas guiado por sus metadatos (ejemplo, el ID de cada una), un índice de similitud compuesto permite identificar recomendaciones similares, incluso cuando el proyecto no las posea. Basado en la ontología C-INCAMI extendida, se propuso un índice que evalúa la similitud estructural y comportamental de entidades bajo monitoreo y su contexto a partir de la definición del proyecto de medición y su flujo de medidas. Esto permite proveer recomendaciones ante situaciones similares a la actual aun cuando no se cuente con conocimiento específico. Un esquema de interpretación basado en criterios de decisión soportado por escenario y estados de entidad, es autocontenido en BriefPD. Dado que las fuentes de datos son distribuidas por naturaleza, se planteó una articulación basada en microservicios y arquitectura blockchain para soportar transmisiones indirectas y recomendaciones in-situ. Complementariamente, se aprovecha la extensión de la ontología de medición para incorporar controles de integridad de datos basados en Merkle Tree a los efectos de poder determinar el origen de los mismos (sin necesidad de que dispositivos de capacidades limitadas deban almacenar los datos transmitidos). De este modo, se ha logrado integrar en la Arquitectura de Procesamiento basada en Metadatos de Mediciones (en inglés Processing Architecture based on Measurement Metadata - PAbMM), desde la captación de los datos hasta el esquema de recomendación. PAbMM es un motor de procesamiento de flujos de mediciones basada en topologías de Apache Storm, que está especializada en el monitoreo de entidades (físicas o no) en proyectos de medición y evaluación basados en C-INCAMI extendido. Aquí se ha extendido la ontología original (por ejemplo, incorporando escenarios y estados de entidad) y por ende actualizado la arquitectura en consecuencia. Así, aquí se introduce una estrategia que permite brindar recomendaciones en tiempo real ante situaciones tipificadas basado en los criterios de decisión de los indicadores y en las entidades monitoreadasItem Clasificación automática del grado general de disfonía(Universidad Tecnológica nacional. Facultad Regional Córdoba, 2021-12-03) García, Mario Alejandro; Destéfanis, EduardoEl análisis audioperceptivo es una parte principal de la rutina de evaluación clínica de pacientes con trastornos de la voz para medir y registrar la calidad vocal. Esta valoración repercute en la detección y tratamiento de enfermedades vocales. GRBAS es una escala de valoración de cinco dimensiones usualmente utilizada en este proceso, donde la dimensión “G” representa el grado general de disfonía. En este trabajo se desarrolla un modelo de aprendizaje profundo para calcular el grado general de disfonía en escala GRBAS con el propósito de contribuir a la comprensión y mejora de este tipo de modelos en el ámbito de la calidad vocal. La arquitectura de la red neuronal se definió a partir de dos versiones de un modelo llamado modelo inicial, creado en base a modelos más pequeños. Estos modelos neuronales pequeños, diseñados a partir del conocimiento del dominio del problema, se enfocan en resolver la representación frecuencial del audio, la extracción de características y la clasificación. Una de las versiones recibe el audio sin procesar como entrada y la otra recibe el cepstrograma. Los modelos fueron entrenados y evaluados con los datos de una base de datos pública que contiene audios y valoraciones en escala GRBAS, a los que se añadieron valoraciones de calidad vocal realizadas por un evaluador local. Las métricas utilizadas para evaluar los modelos de clasificación son la exactitud y el error absoluto medio. Debido a que las valoraciones audioperceptivas tienen un alto grado de variación entre distintos evaluadores médicos y también entre distintas valoraciones del mismo evaluador médico, se plantea que el rendimiento de los modelos automáticos se debe evaluar en relación al índice de concordancia medio interevaluador e intraevaluador de la base de datos. En base a los resultados obtenidos, por un lado se concluye que la versión del modelo que recibe el cepstrograma como entrada es capaz de predecir el grado general de disfonía, para los datos utilizados, con una exactitud cercana a la de un evaluador humano. Por otro lado, se concluye que una red neuronal profunda diseñada para reconocer patrones de perturbación de amplitud, perturbación de frecuencia y ruido, obtiene información útil para la predicción del grado general de disfonía, que para el diseño utilizado (donde la extracción de características está basada en el cepstrum) no es posible utilizar el audio sin procesar como entrada y que el modelo presentado es un buen punto de partida para futuros desarrollos de clasificadores de la calidad vocal aplicables en la práctica clínica.