Search

[Abstract]: This article examines the use of artificial intelligence (AI) in the field of paediatric care within the framework of the 7P medicine model (Predictive, Preventive, Personalized, Precise, Participatory, Peripheral and Polyprofessional). It highlights various applications of AI in the diagnosis, treatment and management of paediatric diseases as well as the role of AI in prevention and in the efficient management of health care resources and the resulting impact on the sustainability of public health systems. Successful cases of the application of AI in the paediatric care setting are presented, placing emphasis on the need to move towards a 7P health care model. Artificial intelligence is revolutionizing society at large and has a great potential for significantly improving paediatric care., [Resumen]: Se examina el uso de la inteligencia artificial (IA) en el campo de la atención a la salud pediátrica dentro del marco de la "Medicina de las 7P" (Predictiva, Preventiva, Personalizada, Precisa, Participativa, Periférica y Poliprofesional). Se destacan diversas aplicaciones de la IA en el diagnóstico, el tratamiento y el control de enfermedades pediátricas, así como su papel en la prevención y en la gestión eficiente de los recursos médicos con su repercusión en la sostenibilidad de los sistemas públicos de salud. Se presentan casos de éxito de la aplicación de la IA en el ámbito pediátrico y se hace un gran énfasis en la necesidad de caminar hacia la Medicina de las 7P. La IA está revolucionando la sociedad en general ofreciendo un gran potencial para mejorar significativamente el cuidado de la salud en pediatría.

[Resumen]: En el contexto actual de una era en la que gran parte de la gente vive continuamente en línea, teniendo como grandes fuentes de entretenimiento diversas plataformas de streaming de contenido multimedia, y en la cual el comercio electrónico también juega un papel fundamental, los sistemas de recomendación se hacen hueco como una de las herramientas más importantes y utilizadas a la hora de mejorar la experiencia de los usuarios en estas plataformas. En este trabajo se hará un estudio y comparación de algunas de las técnicas utilizadas en el ámbito de estos sistemas, principalmente de aquellas basadas en filtrado colaborativo, implementando múltiples sistemas de recomendación en base a cada una de estas técnicas, y utilizando para ello datos de valoraciones de CDs y vinilos realizadas por usuarios de Amazon., [Abstract]: In the current context of an era in which a significant portion of people are constantly living online, with various multimedia streaming platforms serving as major sources of entertainment, and with e-commerce playing also a key role, recommender systems are carving out their place as one of the most important and widely used tools for enhancing user experiences on these platforms. This work undertakes a comparative study on some of the techniques used within these systems, mainly focused on those based in collaborative filtering. Multiple recommender systems will be implemented according to each of these methods, taking for this purpose the vinyl records and CDs Amazon’s user ratings.

[Resumen]: En la actualidad, la experimentación animal continúa vigente: en la investigación y monitorización del comportamiento, la farmacología y la ecotoxicología, en los estudios de los efectos del cambio climático, en los estudios de procesos de aprendizaje, así como en la monitorización de granjas. Considerando necesario e importante acompañar la investigación mediante la experimentación animal, es relevante mencionar los programas de seguimiento de imágenes. Mediante la determinación de la posición de los animales, cada imagen, y relacionando las posiciones del animal a lo largo del tiempo para generar su trayectoria, podemos extraer información de gran utilidad. El problema reside en relacionar cada posición con el animal que le corresponde cuando estudiamos múltiples individuos. Los momentos críticos son los instantes de oclusión entre individuos o con el entorno. En este proyecto estudiaré y validaré las de técnicas de aprendizaje máquina y transferencia del conocimiento para el estudio de ratas de laboratorio en imágenes. El aprendizaje máquina son un grupo de técnicas capaces de aprender relaciones entre datos. La metodología de la transferencia del conocimiento se basa en la reutilización de técnicas previamente entrenadas en tareas similares. Mediante la velocidad del entrenamiento del aprendizaje por transferencia, en contraposición con enfoques tradicionales de aprendizaje máquina, estas técnicas suponen una optimización sustancial en el tiempo de entrenamiento de los modelos. Así, el resultado fundamental de este trabajo, es demostrar la viabilidad de las técnicas de aprendizaje máquina con transferencia del conocimiento. para identificar animales de laboratorio como las ratas en videos de ensayos animales., [Abstract]: Today, animal experimentation continues: in behavioural research and monitoring, pharmacology and ecotoxicology, in studies of the effects of climate change, in studies of learning processes, as well as in farm monitoring. Considering it necessary and important to accompany research through animal experimentation, it is relevant to mention image-tracking programs. By determining the position of the animals in each image and relating the animal's positions over time to generate its trajectory, we can extract useful information. The problem arises when relating each position to the corresponding animal when we study multiple individuals. The critical moments occur in the moments of occlusion between individuals or with the environment. In this research, I will study and validate machine learning and knowledge transfer techniques for the study of laboratory rats in images. Machine learning is a group of techniques capable of learning relationships between data. The knowledge transfer methodology based on the reuse of techniques previously trained in similar tasks. Through the speed of transfer learning training, as opposed to traditional machine learning approaches, these techniques provide substantial optimization in model training time. Thus, the fundamental result of this work is to demonstrate the feasibility of machine learning techniques with knowledge transfer to identify laboratory animals such as rats in animal testing videos.

[Resumen] Las redes sociales han alcanzado un éxito indiscutible en nuestra sociedad, forman parte de nuestras vidas en el día a día y cuentan con innumerables virtudes. Lamentablemente, también son un soporte ideal para la propagación del ciberacoso, el cual puede acarrear un gran impacto a largo plazo, con efectos tanto físicos como psicológicos padecidos por las víctimas. Debido al auge del uso de las redes sociales (el cual se vio potenciado por la pandemia provocada por el COVID-19) y a la cantidad ingente de datos existentes, la detección del ciberacoso haciendo uso de algoritmos de Inteligencia Artificial se hace primordial, ya que busca paliar un problema que afecta diariamente a muchas personas. Siguiendo las fases de la metodología CRISP-DM, hemos aplicado diversos algoritmos de Machine Learning, centrados en el aprendizaje supervisado, a un conjunto de datos que abarca una amplia gama de información de la red social Instagram, con el objetivo de predecir si un comentario es acoso o no. Una vez que los datos han sido analizados y procesados, se han utilizado para alimentar a los algoritmos correspondientes. Posteriormente, hemos comparado los resultados en función de su desempeño y eficacia, con el propósito de identificar cuáles son los más adecuados., [Abstract] Social networks have achieved undeniable success in our society; they are an integral part of our daily lifes and possess countless virtues. Unfortunately, they also serve as an ideal platform for the proliferation of cyberbullying, which can have a significant long-term impact, with both physical and psychological effects suffered by the victims. Due to the rise in the use of social networks (which was further accelerated by the COVID- 19 pandemic) and the vast amount of existing data, the detection of cyberbullying using Artificial Intelligence algorithms becomes paramount, as it aims to mitigate a problem that affects many people daily. Following the phases of the CRISP-DM methodology, we have applied various Machine Learning algorithms, primarily focused on supervised learning, to a dataset covering a wide range of information from the social network Instagram. The objective was to predict whether a comment constitutes harassment or not. Once the data has been analyzed and processed, it has been used to feed the corresponding algorithms. Subsequently, we have compared the results based on their performance and effectiveness, with the aim of identifying which ones are the most suitable.

[Resumen] El satélite Gaia de la Agencia Espacial Europea recoge mediciones de miles de millones de estrellas como parte de su misión, apodada con el mismo nombre. Entre los instrumentos utilizados en sus mediciones está el Espectrómetro de Velocidad Radial (RVS), que recaba los espectros de luz emitidos por las estrellas, y de los cuales se puede obtener información valiosa sobre la composición y parámetros físicos de la misma. Dichos espectros son complejos de interpretar, por lo que, incluso desde antes de la puesta en órbita del satélite, se analizaron diferentes alternativas con sistemas inteligentes para poder procesar y extraer esa información de millones de espectros. Recientemente, los primeros espectros RVS de Gaia se hicieron públicos en la Gaia Data Release 3 del 13 de junio del 2022, por lo que es la oportunidad perfecta para explorar técnicas de la Inteligencia Artificial sobre los datos observacionales obtenidos del satélite en búsqueda de modelos que puedan representar esos datos con máxima precisión. También se realizará un análisis exhaustivo de estos datos para detectar posibles problemas que puedan presentar debido al ruido inherente, cuyo modelo no ha sido precisado., [Abstract] The European Space Agency’s Gaia satellite collects information from billions of stars as part of its mission, which shares the same name. Among the various instruments used in its measurements is the Radial Velocity Spectrometer (RVS), which gathers the light spectra emitted by stars, from which valuable information about their composition and physical parameters can be obtained. These spectra are complex to interpret, so even before the satellite had been launched, different alternatives with intelligent systems were analyzed with the goal of processing and extracting information from millions of spectra. Recently, the first RVS spectra from Gaia were made public in the Gaia Data Release 3 on June 13, 2022. This presents the perfect opportunity to explore Artificial Intelligence techniques on the observational data obtained from the satellite in search of models that can represent this data with the highest precision. An exhaustive analysis of this data will also be conducted to detect possible issues that may arise due to inherent noise, which has not been precisely modelled yet.

By using a triple machine learning approach, we conduct a content analysis on dos million bites of Mexican government information, and 28, 127 news and opinion columns published in 2020, relating to COVID pandemia. Findings report similarity in news and polarization in opinion columns. This means that news covered accurately Health General Council recommendations, but comments in media tended to distort what this group of professionals in Medicine provided with the objective of protect Mexicans’ lives. Those findings bring media social responsibility and right to information to the further discussions of COVID-19, the most serious health crisis in Mexico history., ¿Cuál fue el nivel de información disponible a la ciudadanía un día cualquiera de 2020 respecto a la pandemia de COVID-19? Se analiza aquí el contenido en medios de la Ciudad de México y conferencias del gobierno en la pandemia de COVID, con tres técnicas de aprendizaje automático, a dos millones de caracteres de conferencias, y 28,127 notas y columnas de impresos y noticieros. Los principales resultados indican que hubo similitud en noticias y polarización en opinión. Esto es, la superficie narrativa de los medios consideró seguir la información que el Consejo General de Salubridad proporcionó con el objetivo de salvar más vidas. En cambio, la superficie de comentarios en los medios muestra una tendencia a discrepar de la opinión del conjunto de profesionales de la medicina cuya función principal fue salvaguardar vidas. Se discuten implicaciones de la responsabilidad social de los medios, en el contexto de una emergencia sanitaria.

[Resumen]: Gaia es una misión de la Agencia Espacial Europea que tiene como objetivo realizar un mapa tridimensional preciso de la posición y velocidad radial de millones de estrellas en nuestra galaxia. Para realizar esta tarea, Gaia dispone de un satélite, con el mismo nombre, que obtiene multitud de parámetros estelares de entre los que destacan los espectros RVS, proporcionados por el instrumento Radial Velocity Spectrometer, que son los que se utilizarán en este trabajo, donde se analizará la relación señal-ruido de los espectros publicados en la Gaia Data Release 3 el 13 de junio del 2022, con el objetivo de identificar y cuantificar la relación señal-ruido inherente a la observación de dichos espectros por parte del satélite. Se realizará un estudio sobre el conjunto de datos existentes para identificar las características y regiones de interés. A continuación, se desarrollará un procedimiento automático mediante técnicas de aprendizaje máquina para estimar la relación señal-ruido de dichos espectros, elaborando a su vez un mecanismo para detectar aquellos espectros que presenten anomalías, lo que permite un tratamiento especial y una mejoría en el procedimiento de estimación de parámetros que se lleva a cabo dentro del consorcio de procesado de Gaia., [Abstract]: Gaia is a mission of the European Space Agency that aims to make an accurate threedimensional map of the position and radial velocity of millions of stars in our galaxy. To perform this task, Gaia has a satellite with the same name, which obtains a multitude of stellar parameters, among which are the RVS spectra, provided by the Radial Velocity Spectrometer instrument, which will be used in this work, where the signal-to-noise ratio of the spectra published in the Gaia Data Release 3 on June 13, 2022 will be analyzed, with the objective of identifying and quantifying the signal-to-noise ratio inherent to the observation of these spectra by the satellite. A survey of the existing data set will be conducted to identify features and regions of interest. Then, an automatic procedure will be developed using machine learning techniques to estimate the signal-to-noise ratio of these spectra, developing in turn a mechanism to detect those spectra that present anomalies, allowing a special treatment and an improvement in the parameter estimation procedure carried out within the Gaia processing consortium.

[Abstract]: The present Master’s Dissertation (MD) exposes the design and development of fingerAI, an Operating System (OS) fingerprinting tool based on Artificial Intelligence (AI). OS fingerprinting aims to identify the OS of a machine analysing its network traffic. Traditional OS fingerprinting tools use a rule-based approach to perform this task, analysing the traffic characteristics of the target machine and comparing these values against an OS signature database in order to obtain a result. The problem with this approach arises when there is no signature in the database that matches the values of the tests carried out. This situation can occur due to configuration changes, installation of hardening tools or the appearance of new OSs. In this sense, the application of AI techniques to this task has shown to offer good results, while it can solve some of the problems exposed. In this context, the main objective of this project is to create a new OS fingerprinting tool, modular and easily extensible, that bases its operation on the application of AI models. First, a capture module capable of collecting and processing network traffic from a target has been designed and implemented. This module can collect traffic both actively, interacting with the target machine, and passively, capturing the usual network traffic of the target. Secondly, a module has been created that allows us to generate signatures from that traffic and identify their OS applying AI models. The data used to train these models was extracted from the databases of the most relevant active and passive OS fingerprinting tools, nmap and p0f, respectively. Finally, a command line user interface has been designed, allowing the user to easily specify the different scanning parameters and view the results in different formats, allowing its integration into security scripts. For the development of fingerAI, well-established practices within software engineering have been used. Special emphasis has been pl, [Resumen]: En el presente Trabajo Fin de Máster (TFM) se expone el diseño y desarrollo de fingerAI, una herramienta de fingerprinting de Sistemas Operativos (SOs) basada en Inteligencia Artificial (IA). El fingerprinting de SOs pretende identificar el SO de una máquina analizando su tráfico de red. Las herramientas de fingerprinting de SOs tradicionales utilizan una aproximación basada en reglas para realizar esta tarea, analizando las características del tráfico de la máquina objetivo y comparando estos valores contra una base de datos de firmas de SOs para así obtener un resultado. La problemática de esta aproximación surge cuando no existe una firma en la base de datos que encaje con los valores de las pruebas realizadas. Esta situación puede ocurrir por cambios de configuración, instalación de herramientas de hardening o aparición de nuevos SOs. En este sentido, la aplicación de técnicas de IA a esta tarea ha demostrado ofrecer buenos resultados, a la vez que puede solucionar algunos de los problemas expuestos. En este contexto, el principal objetivo del presente proyecto es crear una nueva herramienta de fingerprinting de SOs, modulable y fácilmente extensible, que base su funcionamiento en la aplicación de modelos de IA. En primer lugar, se ha diseñado e implementado un módulo de captura que es capaz de recolectar y procesar tráfico de red de un objetivo. Este módulo es capaz de capturar tráfico tanto de forma activa, interaccionando con la máquina objetivo, como pasiva, capturando el tráfico de red habitual del objetivo. En segundo lugar, se ha creado un módulo que permite generar firmas a partir de ese tráfico e identificar sus SOs a partir de modelos de IA. Los datos de entrenamiento utilizados para crear estos modelos se han extraído de las bases de datos de las herramientas de fingerprinting activo y pasivo de SOs más relevantes, nmap y p0f, respectivamente. Por último, se ha diseñado una interfaz de usuario por línea de comandos que permite al usuario es

[ES] En este proyecto se implementarán varias técnicas de selección de características que se aplican para mejorar el rendimiento de la clasificación automática. Se analizarán varios problemas de clasificación de un repositorio de bases de datos disponible públicamente correspondiente al análisis de datos biofísicos. Esos problemas podrían incluir los siguientes temas médicos: arritmia; cáncer de mama; insuficiencia cardiaca; y virus de la hepatitis C. Los datos consisten en características extraídas de señales electrocardiográficas (ECG), señales electroencefalográficas (EEG), imágenes médicas, anamnesis, etc. En algunos casos, podría ser necesario un paso de preprocesamiento para tratar la normalización, la eliminación de artefactos y los datos faltantes. El objetivo de los métodos de selección de características es obtener una lista ordenada del conjunto completo de características de acuerdo con algunos criterios definidos. A partir de esta clasificación de características se puede obtener un conjunto más pequeño de características que permite mejorar el rendimiento de la clasificación y evitar un posible sobreajuste del modelo de clasificación entrenado. En este proyecto, se realiza una comparación de los métodos SF, incluidos los métodos de selección de características secuenciales (SFS) y basados ​​en relieve. Como clasificadores, consideraremos el análisis discriminante lineal (LDA), el análisis discriminante cuadrático (QDA) y la máquina de vectores de soporte (SVM), entre otros. La calidad de los resultados de la clasificación se evaluará utilizando diferentes rangos de la lista de clasificación de características y varios índices como precisión, precisión equilibrada, matriz de confusión, ¿ Además, se estimará el costo computacional de los diferentes casos de clasificación., [EN] This project will implement several techniques of feature selection applied to improve automatic classification performance. Several classification problems from a publicly available database repository corresponding to biophysical data analysis will be analyzed. Those problems could include the following medical subjects: arrhythmia; breast cancer; heart failure; and hepatitis C virus. The data consist of features extracted from electrocardiographic (ECG) signals, electroencephalographic (EEG) signals, medical images, anamnesis, etc. In some cases, a preprocessing step could be required to deal with normalization, artifact removing, and missing data. The objective of feature selection methods is to obtain a sorted list of the full set of features according to some defined criteria. From this ranking of features a smaller set of features can be obtained that allows the classification performance be improved and avoid possible overfitting of the trained classification model. In this project, a comparison of SF methods is made including Relief-based and sequential feature selection (SFS) methods. As classifiers we will consider linear discriminant analysis (LDA), quadratic discriminant analysis (QDA), and support vector machine (SVM) among others. The quality of classification results will be evaluated using different ranges of the feature ranking list and several indices such as accuracy, balanced accuracy, confusion matrix, ¿ Besides, computational cost of the different cases of classification will be estimated.

[Resumen]: La finalidad de este proyecto es la detección de anomalías en el flujo de datos de una red definida por software. De esta manera, se sigue un procedimiento marcado por la metodología CRISP-DM. Inicialmente se dispone de un conjunto de datos no supervisado, que dispone de diferen tes observaciones sobre el tráfico del flujo de la red definida por software, el cual se examina y analiza. Para ello, se emplea ingeniería de características sobre el conjunto, utilizando determi nadas tecnologías, aplicando una transformación sobre los datos y obteniendo como resultado un conjunto válido para el análisis en las siguientes fases. Una vez alcanzado esta fase de los datos, se estudian los posibles algoritmos de aprendizaje máquina a utilizar. Posteriormente, se busca la mejor combinación de parámetros a aplicar a estos algoritmos, comparándose en tre sí y generando unos modelos lo más óptimos posibles, los cuales son capaces de agrupar las muestras de datos con características similares y detectar anomalías en el flujo, atendiendo así a los objetivos establecidos. A través de los modelos realizados, se evalúan los resultados obtenidos con las puntuaciones de las diversas métricas internas seleccionadas. Finalmente, se realiza una comparación de los algoritmos utilizados, basándose en los resultados, los tiempos de ejecución y la facilidad de comprensión, destacando el más óptimo y eficiente., [Abstract]: The purpose of this project is the detection of data flow anomalies in a software-defined network. In this way, a procedure marked by the CRISP-DM methodology is followed. Initially, an unsupervised data set is available, which has different observations on the traffic flow of the software-defined network, which is examined and analyzed. For this pur pose, feature engineering is used on the set, using certain technologies, applying a transforma tion on the data and obtaining as a result a valid set for analysis in the following phases. Once this phase of the data has been reached, the possible machine learning algorithms to be used are studied. Subsequently, the best combination of parameters to apply to these algorithms is sought, comparing each other and generating the most optimal models possible, which are capable of grouping data samples with similar characteristics and detecting anomalies in the flow, thus meeting to the established objectives. The models are used to evaluate the results obtained with the scores of the various internal metrics selected. Finally, a comparison of the algorithms used is made, based on the results, execution times and ease of understanding, highlighting the most optimal and efficient one.

[Resumen] El sector del aceite de oliva y de la aceituna de mesa representan ya el 3% del PIB total de Andalucía. Teniendo en cuenta las cifras que este hecho supone, predecir la cosecha campaña tras campaña es clave para definir estrategias de marketing. Dada la gran superficie de olivar existente resulta interesante la integración de tecnologías emergentes que puedan facilitar esta tarea de predicción. En este trabajo se estudia la viabilidad del uso de cámaras de visión por computador de espectro visible embarcadas en UAVs para valorar de forma cualitativa la carga frutal de los olivos de una plantación. Las imágenes adquiridas fueron etiquetadas y posteriormente utilizadas para entrenar tres arquitecturas CNN (AlexNet, GoogLeNet, y ResNet) por el método de transferencia de aprendizaje. La arquitectura que mejor rindió fue GoogLeNet, que posteriormente fue optimizada obteniendo finalmente una tasa de éxito del 90% a la hora de clasificar imágenes que mostraban regiones de olivos con carga alta, media, baja y descarte (no olivo).

[Resumen]: El COVID-19 es una amenaza global para los sistemas sanitarios debido a la rápida propagación del patógeno que lo provoca, el SARS-CoV-2. En tal situación, los clínicos deben tomar decisiones importantes, en un entorno en el que los recursos médicos pueden ser insuficientes. En esta tarea, los sistemas de diagnóstico asistido por ordenador pueden ser de gran utilidad no sólo en la tarea de apoyar la toma de decisiones, sino también para realizar análisis relevantes que les permitan comprender mejor la enfermedad y las variables que pueden identificar a los pacientes de alto riesgo. En este contexto, los datos clínicos de los pacientes recogidos durante la pandemia tienen un gran potencial para ser explotados en el desarrollo de métodos automatizados para realizar tareas relevantes orientadas al diagnóstico. Con este propósito, este trabajo propone el uso de varios algoritmos de aprendizaje automático para estudiar el impacto de determinadas variables clínicas sobre un conjunto de datos recogidos durante la crisis sanitaria. Para ello, se ha utilizado un conjunto de datos real proporcionado por el Complejo Hospitalario Universitario A Coruña, diseñado específicamente para los fines de este estudio. En concreto, los estudios considerados en esta propuesta son útiles para conocer cuáles son las variables clínicas más relevantes para cada escenario estudiado (riesgo de muerte u hospitalización de un paciente con COVID-19), así como para medir el rendimiento de clasificación de los modelos de aprendizaje automático seleccionados. Además, se proporciona diferentes diagramas representativos mediante estrategias basadas en los árboles de decisión binarios que ayudan a comprender la toma de decisiones de los modelos de aprendizaje automático a la hora de estratificar el riesgo de que un paciente sea hospitalizado o que fallezca debido a la COVID-19., [Abstract]: COVID-19 is a global threat to healthcare systems due to the rapid spread of the pathogen that causes it, SARS-CoV-2. In such a situation, clinicians must make important decisions, in an environment where medical resources may be insufficient. In this task, computer-aided diagnostic systems can be of great use not only in supporting decision making, but also in performing relevant analyses to better understand the disease and the variables that can identify high-risk patients. In this context, clinical patient data collected during the pandemic have great potential to be exploited in the development of automated methods to perform relevant diagnosis-oriented tasks. To this end, this paper proposes the use of several machine learning algorithms to study the impact of certain clinical variables on a dataset collected during the health crisis. For this purpose, a real dataset provided by the Complejo Hospitalario Universitario A Coruña, specifically designed for the purposes of this study, has been used. Specifically, the studies considered in this proposal are useful to know which are the most relevant clinical variables for each scenario studied (risk of death or hospitalisation of a patient with COVID-19), as well as to measure the classification performance of the selected machine learning models. In addition, different representative diagrams are provided using strategies based on binary decision trees that help to understand the decision-making of the machine learning models when stratifying the risk of a patient being hospitalised or dying due to COVID-19.

[Resumen]: El Aprendizaje Máquina es usado por gran parte de la comunidad científica como una caja negra: datos de entrada, ajuste de hiperparámetros, entrenamiento del modelo y obtención de resultados. Los modelos que se desarrollen bajo este escenario corren el riesgo de no escalar bien, volverse estáticos o ser difíciles de evaluar. El Aprendizaje Máquina Interactivo son un conjunto de técnicas que intentan introducir activamente a los humanos en el bucle de aprendizaje de los modelos, funciona especialmente bien cuando el dominio es complejo, no hay suficientes datos o son muy costosos de anotar. El Aprendizaje Máquina Interactivo se divide dependiendo del papel que ocupa el humano dentro del ciclo de aprendizaje del modelo. En nuestro proyecto el Aprendizaje Activo es la aproximación desarrollada que consiste en que el modelo consulta al humano (oráculo) los casos que generan mayor incertidumbre en sus predicciones. En este proyecto aplicamos las técnicas de Aprendizaje Máquina Interactivo a un problema real con datos de pacientes oncológicos con cáncer de páncreas, donde los datos y el tiempo de etiquetado de los médicos son limitados. Para aplicar la solución fue necesario utilizar técnicas de aumento de datos generando casos sintéticos de cáncer de páncreas mediante una Red Generativa Antagónica. Los resultados muestran como la incorporación del humano al bucle de entrenamiento provoca que el modelo converja de manera más rápida y eficiente con un menor coste humano que las aproximaciones clásicas., [Abstract]: Machine Learning is used by most of the scientific community as a black box: input data, hyperparameters optimization, training the model and obtaining results. Models developed under this scenario run the risk of not scaling well, becoming static or difficult to evaluate. Interactive Machine Learning are a set of techniques that attempt to actively introduce humans into the learning loop of models, works especially well when the domain is complex, not enough data or is too costly to annotate. Interactive Machine Learning is divided depending on the role of the human within the model learning loop. In our project, Active Learning is the approach developed which consists of the model consulting the human (oracle) for the cases that generate greater uncertainty in its predictions. In this project we applied the Interactive Machine Learning techniques to a real problem with data from oncological patients with pancreatic cancer, where data and labeling time of physicians are limited. To apply the solution it was necessary to use data augmentation techniques generating synthetic cases of pancreatic cancer using an Generative Adversarial Network. The results show how the incorporation of the human into the training loop causes the model to converge faster and more efficiently with a lower human cost than classical approaches.

[Resumen] En la última década, la evolución del Machine Learning ha sido muy próspera, necesitando los modelos más fructíferos ser nutridos por grandes volúmenes de datos. A menudo, la obtención y gestión de estos datos es complicada, siendo generalmente escasos y sujetos a medidas de privacidad. El Federated Learning implica un cambio de paradigma en el entrenamiento de modelos de Machine Learning. Este nuevo enfoque permite realizar el proceso de aprendizaje sobre datos distribuidos entre una gran cantidad de clientes. A pesar de que esta novedosa técnica trae consigo numerosas ventajas, una de sus grandes limitaciones es la necesidad de un servidor que orqueste todo el proceso de aprendizaje, suponiendo un único punto de falla. Así mismo, se necesitará disponer de una gran infraestructura para hacer escalables estos sistemas. Para tratar de solventar estas desventajas, surgirán nuevas aproximaciones denominadas Decentralized Federated Learning, siendo una de las soluciones más prometedoras el uso de redes peer-to-peer. Ante la inexistencia de alguna librería de soporte al Decentralized Federated Learning, en este proyecto, se propone el desarrollo de una librería de propósito general que permita el Federated Learning sobre redes peer-to-peer, empleando el protocolo Gossip. El uso del protocolo Gossip garantizará la tolerancia a fallos en la red peer-to-peer, creando un ecosistema descentralizado, escalable y robusto. La librería busca dar soporte a toda clase de dispositivos, haciendo especial hincapié en su facilidad de uso y ampliación futura. Además de permitir el despliegue, ésta, posibilita la ejecución de simulaciones, haciendo posible la realización de pruebas en entornos controlados. Para el desarrollo, se ha hecho uso de la metodología ágil SCRUM. Las iteraciones centrales se han destinado a la implementación del sistema, mientras que la inicial y final se han dedicado a la preparación del proyecto y realización de pruebas respectivamente. En las diversa, [Abstract] In the last decade, the evolution of Machine Learning has been really thriving. The most productive models need to be fed by a large volume of data. Obtaining and managing these data is often complicated, as they are generally scarce and subject to privacy measures. Federated Learning implies a paradigm shift in the training of Machine Learning models. This new approach allows us to carry out the learning process on data which are distributed among a large number of clients. In spite of the fact that this new technique has numerous advantages, one of its great limitations is the need for a server that orchestrates the entire learning process, assuming a single point of failure. Moreover, a large infrastructure will be necessary to make these systems scalable .In order to solve these disadvantages, new approaches called Decentralized Federated Learning will emerge, and one of the most promising solutions will be the use of peer-to-peer networks. Given the lack of any library to support Decentralized Federated Learning, this project proposes the development of a general purpose library that allows Federated Learning over peer-to-peer networks, using the Gossip protocol. The use of the Gossip protocol will guarantee fault tolerance in the network, creating a decentralized, scalable and robust ecosystem. The library will seek to support all kinds of devices, with special emphasis on ease of use and future expansion. In addition to allowing deployment, it will enable the execution of simulations, making it possible to perform tests in controlled environments. The agile SCRUM methodology has been used for this development. The central iterations have been used to the implementation of the system, while the initial and final iterations have been respectively dedicated to project preparation and testing. The MNIST and FEMNIST datasets have been used in the different tests carried out, obtaining results that are really similar to equivalent executions with classic

[Resumen]: La industria portuaria ofrece un elevado potencial para el desarrollo socioeconómico local y regional por su situación estratégica para el intercambio de mercancías por vía marítima y terrestre. Con el avance en las tecnologías de la información y las comunicaciones, los puertos están avanzando hacia infraestructuras denominadas ”Smart Ports” o puertos inteligentes, que son plataformas para la gestión global e inteligente que permiten la integración y comunicación entre diferentes sistemas, facilitando la automatización de procedimientos complejos. En este contexto, dado el volumen de tráfico y mercancías, las tareas de vigilancia de las zonas de almacenamiento es crucial para garantizar la seguridad y la eficiencia en la operativa diaria del puerto. La monitorización activa de las zonas de ocupación de superficies es una tarea que consume tiempo y recursos, por lo que disponer de un sistema automático para este proceso proporcionaría una herramienta útil y fiable de apoyo a la videovigilancia. En este proyecto se propone un sistema automático basado en técnicas avanzadas de procesado de imagen e inteligencia artificial para la estimación de los porcentajes de ocupación de carga a partir de imágenes obtenidas por las cámaras Closed-Circuit Television (CCTV) en zonas de interés definidas en instalaciones portuarias. Con este fin, por un lado se consideran aproximaciones basadas en técnicas clásicas de aprendizaje máquina y por otro lado, se propone el uso de técnicas basadas en deep learning. Para determinar qué método es más apropiado para abordar este problema se ha realizado un estudio del impacto de diferentes configuraciones con conjuntos de datos formado por imágenes capturadas por las cámaras CCTV de diferentes instalaciones portuarias. Se ha realizado un análisis comparativo y se ha seleccionado el método que mejores resultados proporciona para este dominio de aplicación. Adicionalmente, el método seleccionado ha sido integrado en un servicio de vi, [Abstract]: The port industry offers a high potential for local and regional socio-economic development due to its strategic location for the exchange of goods by sea and land. With the advances in information and communication technologies, ports are moving towards infrastructures known as ”Smart Ports”, which are platforms for global and intelligent management that allow integration and communication between different systems, facilitating the automation of complex procedures. In this context, given the volume of traffic and goods, the surveillance of storage areas is crucial to guarantee security and efficiency in the port’s daily operations. The active monitoring of surface occupation zones is a time-consuming and resource-intensive task, so having an automatic system for this process would provide a useful and reliable tool to support video surveillance. This project proposes an automatic system based on advanced image processing and artificial intelligence techniques for estimating the percentages of cargo occupancy from images obtained by Closed-Circuit Television (CCTV) cameras in defined areas of interest in port facilities. To this end, on the one hand, approaches based on classical machine learning techniques are considered and, on the other hand, the use of techniques based on deep learning is proposed. In order to determine which method is more appropriate to address this problem, a study of the impact of different configurations with datasets composed of images captured by the CCTV cameras of different port facilities has been performed. A comparative analysis has been carried out and the method that provided the best results for this application domain has been selected. Additionally, the selected method has been integrated into a video surveillance service providing a support tool that allows the reliable and objective monitoring of surface occupation zones in a real environment.

[Resumen] En este trabajo se desarrolla un sistema que permite generar, mediante aprendizaje por refuerzo, comportamientos basados en las imágenes capturadas por una cámara en un robot capaz de moverse por sí mismo. A parte de un robot real (Formado por una Raspberry Pi 3 y el robot educativo Makeblock Ranger) se usó el simulador de robótica Webots, que facilitó el desarrollo gracias a que presenta un entorno controlado en el que se puede automatizar el aprendizaje. Los robots reciben estímulos mediante sensores, de forma automática, o manualmente, mediante la pulsación de un botón por parte de un operador humano, para así obtener un refuerzo con el que aprender el comportamiento deseado. De esta forma, y centrándonos en la tarea de seguir una línea a través de un circuito cerrado, desarrollamos dos controladores: El primero se sirve del algoritmo de Q-Learning para aprender el comportamiento, y se ayuda de técnicas de visión por computador para detectar la línea y parametrizarla. El segundo controlador se sirve de Deep Q-Learning para, tomando la imagen capturada por la cámara, identificar por si solo los elementos importantes y actuar en consecuencia. Ambos controladores se han desarrollado con una estructura modular, de forma que se puedan editar esos módulos para adaptarlos a otras tareas y otros entornos de ejecución., [Abstract] In this project, a system is developed that allows generating behaviors through reinforcement learning, based on the images captured by a camera in a robot capable of moving by itself. Apart from a real robot (consisting of a Raspberry Pi 3 and the Makeblock Ranger educational robot) the Webots robotics simulator was used, which facilitated development thanks to a controlled environment where learning could also be automated. The robots receive input either automatically, through sensors, or manually, by a human operator pressing a button, all in order to obtain a reinforcement with which to learn the desired behavior. In this way, focusing on the task of following a line through a closed circuit, we developed two controllers: The first uses the Q-Learning algorithm to learn the behavior, and uses computer vision techniques to detect the line and parameterize it. The second controller uses Deep Q-learning and, by taking the image captured by the camera, identifies the important elements on its own and acts accordingly. Both drivers have been developed with a modular structure, so that those modules can be edited to suit other tasks and runtime environments.

[Resumen]: La idea de ordenar tareas o datos dependiendo de su dificultad, creando un currículo, se lleva usando muchos años en ámbitos como el de la enseñanza y, más recientemente, el aprendizaje máquina. En este trabajo aplicaremos el uso de un currículo en aprendizaje profundo, comparando los resultados obtenidos con varios tipos de aprendizaje por currículo y un caso base con una red neuronal profunda entrenada sin utilizar ningún currículo. Para comprobar su eficacia, usaremos las redes neuronales resultantes para clasificar fragmentos de polisomnogramas en cinco clases, representando las cinco etapas del sueño., [Abstract]: The idea of sorting tasks or data by their difficulty, creating a curriculum, has been used for a long time in fields like teaching and, more recently, machine learning. In this study we apply the use of a curriculum to deep learning, comparing the results obtained through different types of curriculum learning and a base case with a deep neural network trained without using a curriculum. In order to test their effectiveness, we will use the resulting neural networks to classify polysomnogram fragments in five classes, representing the five sleep stages.

[ES] Los meningiomas son neoplasias cerebrales de crecimiento lento y mayoritariamente benignas, derivadas de las células meningoteliales de la capa aracnoidea. Existen tres grupos histológicos principales de meningiomas, que se clasifican según su comportamiento en 3 grados de agresividad (I, II y III). La mayoría de meningiomas son de grado I y comportamiento benigno, mientras que los meningiomas de grado II y III presentan resultados clínicos, con mayores tasas de recidiva. Por todo ello, la caracterización de la neoplasia en la primera etapa es necesaria para obtener una mejora en el tratamiento y en el seguimiento. Actualmente, su diagnóstico está basado en criterios histológicos establecidos, que son dependientes del observador y no cuantitativos. El objetivo del presente Trabajo Final de Máster es desarrollar una metodología de análisis de imagen para la evaluación de cortes histopatológicos de meningiomas, y la posterior asociación de la información obtenida con datos genéticos y clínicos. Para ello, se hará uso de la herramienta de Matlab para trabajar sobre imágenes de biopsias humanas teñidas con tinciones convencionales (hematoxilina-eosina) en matrices de tejido (¿tissue microarrays¿). La metodología de trabajo a seguir pretende incluir un proceso de identificación automática de las biopsias en las matrices de tejido, para posteriormente pre-procesar cada muestra eliminando de forma semiautomática los elementos no analizables. Finalmente, se desarrollará un proceso de detección automática de los núcleos de cada biopsia, para posteriormente cuantificar parámetros morfológicos, celulares, histopatológicos y posibles patrones ocultos. Una vez adquiridos dichos datos y junto con la información clínica, se analizarán mediante métodos estadísticos tradicionales y métodos basados en técnicas de aprendizaje máquina, con el fin de identificar nuevos marcadores basados en imagen y obtener una metodología de análisis para el apoyo al diagnóstico clínico y a la tom, [CA] Els meningiomes són neoplàsies cerebrals de creixement lent i majoritàriament benignes, derivades de les cèl·lules meningotelials de la capa aracnoidea. Es classifiquen segons el seu comportament en 3 graus d'acord amb les seues característiques histològiques relacionades amb l'agressivitat (I, II i III), i per tant, la caracterització de la neoplàsia en la primera etapa és necessària per a obtindre una millora en el tractament i en el seguiment. Aquests criteris histològics actuals són en part dependents de l'observador i principalment qualitatius. L'objectiu del present Treball Final de Màster és desenvolupar una metodologia d'anàlisi d'imatge per a l'avaluació de talls histopatológics de meningiomes. Per a això, es farà ús de l'eina de Matlab per a treballar sobre imatges de biòpsies humanes tenyides amb tincions convencionals (hematoxilinaeosina) en matrius de teixit (“tissue microarrays”). La metodologia de treball inclou un procés d'identificació automàtica de les mostres en les matrius de teixit, per a posteriorment pre-processar cada mostra eliminant de manera semiautomàtica els elements no analitzables. Finalment, es procedeix a la detecció automàtica dels nuclis de cada imatge per a la quantificació de paràmetres morfològics, cel·lulars, histopatológics i possibles patrons ocults, que, juntament amb la informació clínica, s'analitzaran mitjançant mètodes estadístics amb la finalitat d'obtindre una metodologia d'anàlisi per al suport al diagnòstic clínic i a la presa de decisions en la gestió del pacient. El resultat és el desenvolupament d'una metodologia efectiva que genera un conjunt de dades associades a paràmetres morfològics amb tendències diferents segons els grups patològics estudiats. S'ha desenvolupat una eina que permet l'anàlisi efectiva semiautomàtica de les imatges per a avaluar aquests paràmetres de manera objectiva i reproduïble, ajudar en la presa de decisions clíniques i escometre projectes en grans sèries de mostres., [EN] Meningiomas are slow-growing, mostly benign neoplasms of the brain derived from meningothelial cells of the arachnoid layer. There are three main histological groups of meningiomas, which are classified according to their behaviour into three grades of aggressiveness (I, II and III). The majority of the meningiomas are from grade I and have a benign behaviour, while grade II and III meningiomas present clinical results, with higher rates of recurrence. Therefore, characterisation of the neoplasm in the first state is necessary to improve treatment and follow-up. Currently, diagnosis is based on established histological criteria, which are observer-dependent and not quantitative. The aim of this Final Master's Project is to develop an image analysis methodology for the evaluation of histopathological sections of meningiomas, and the subsequent association of the information obtained with genetic and clinical data. To this, the Matlab tool will be used to work on images of human biopsies stained with conventional stains (haematoxylin-eosin) in tissue microarrays. The working methodology to be followed pretends to include a process of automatic identification of the biopsies in the tissue microarrays, in order to pre-process each sample by a semi-automatic method and eliminate non-analysable elements. Finally, a process of automatic detection of the nuclei of each biopsy will be developed, in order to quantify morphological, cellular and histopathological parameters and possible hidden patterns. Once these data have been acquired and together with the clinical information, they will be analysed using traditional statistical methods and methods based on machine learning techniques, with the aim of identify new image-based markers and obtain an analysis methodology to support clinical diagnosis and decision-making in patient management. The expected result is a set of new morphological parameters associated with different pathological groups and a tool that allows t

[ES] Las enfermedades cardiovasculares son la principal causa de muerte a nivel mundial. Solo en España fallecen cada año más de 10.000 personas debido a un infarto agudo de miocardio (IAM). Ante esta problemática, resulta vital realizar un diagnóstico temprano que permita suministrar el tratamiento más adecuado al paciente. El objetivo de este trabajo es el desarrollo de algoritmos de aprendizaje máquina que permitan detectar y clasificar la transmuralidad del infarto de miocardio mediante el análisis de imágenes de resonancia magnética cardíaca (CMR). Para ello, se realiza una segmentación de la región de interés en imágenes de CMR obtenidas mediante la técnica de realce tardío de gadolinio. Posteriormente, utilizando diferentes softwares de análisis de imagen de CMR, se obtienen 21 características de interés. Estas características contienen información sobre la deformación y torsión de las estructuras cardíacas, y se obtienen mediante el uso de diferentes técnicas de imagen, como CMR Feature Tracking y CMR Tagging. Una vez extraídas las características de interés, se almacenan en un fichero de datos. Tras esto, se definen, entrenan y validan los algoritmos de aprendizaje máquina en MATLAB, con el objetivo de crear diferentes modelos de clasificación que detecten la presencia de infartos. Inicialmente, se plantea un análisis multiclase, considerando tres clases (no infarto, infarto no transmural e infarto transmural). Sin embargo, los resultados obtenidos no son satisfactorios para el análisis multiclase, por lo que se plantea el problema como dos análisis binarios: detectar la presencia de infarto y, posteriormente, determinar su extensión. Con el objetivo de comparar diferentes algoritmos de aprendizaje máquina, se desarrollan cinco modelos. Para todos ellos, se estudian los resultados en términos de AUC, sensibilidad y especificidad. Según estos indicadores, se puede distinguir si se trata de un paciente sano, o si presenta daños en el tejido miocárdico. Los re, [CA] Les malalties cardiovasculars són la principal causa de mort a nivell mundial. Només a Espanya moren cada any més de 10.000 persones a causa d’un infart agut de miocardi (IAM). Davant aquesta problemàtica, resulta vital realitzar un diagnòstic primerenc que permeta subministrar el tractament més adequat al pacient. L’objectiu d’aquest treball és el desenvolupament d’algorismes d’aprenentatge màquina que permeten detectar i classificar la transmuralidad de l’infart de miocardi mitjançant l’anàlisi d’imatges de ressonància magnètica cardíaca (CMR). Per a això, es realitza una segmentació de la regió d’interés en imatges de CMR obtingudes mitjançant la tècnica de realç tardà de gadolini. Posteriorment, utilitzant diferents softwares d’anàlisis d’imatge de CMR, s’obtenen 21 característiques d’interés. Aquestes característiques contenen informació sobre la deformació i torsió de les estructures cardíaques, i s’obtenen mitjançant l’ús de diferents tècniques d’imatge, com CMR Feature Tracking i CMR Tagging. Una vegada extretes les característiques d’interés, s’emmagatzemen en un fitxer de dades. Després d’això, es defineixen, entrenen i validen els algorismes d’aprenentatge màquina en MATLAB, amb l’objectiu de crear diferents models de classificació que detecten la presència d’infarts. Inicialment, es planteja una anàlisi multiclasse, considerant tres classes (no infart, infart no transmural i infart transmural). No obstant això, els resultats obtinguts no són satisfactoris per a l’anàlisi multiclasse, per la qual cosa es planteja el problema com dues anàlisis binàries: detectar la presència d’infart i, posteriorment, determinar l’extensió d’aquest. Amb l’objectiu de comparar diferents algorismes d’aprenentatge màquina, es desenvolupen cinc models. Per a tots ells, s’estudien els resultats en termes de AUC, sensibilitat i especificitat. Segons aquests indicadors, es pot distingir si es tracta d’un pacient sa, o si presenta danys en el teixit miocàrdic. Els resultats o, [EN] Cardiovascular diseases are the leading cause of death worldwide. In Spain, more than 10,000 people pass away every year due to acute myocardial infarction (AMI). As a result of this problem, it is vital to make an early diagnosis that enables the most appropriate treatment to be provided for the patient. The objective of this project is the development of machine learning algorithms to facilitate the detection and classification of myocardial infarction transmurality by studying cardiac magnetic resonance images (CMR). For this purpose, the region of interest is segmented in CMR images acquired with the late gadolinium enhancement (LGE) technique. Subsequently, using different CMR image analysis softwares, 21 features are obtained. These features or predictors contain information on the cardiac deformation and torsion, and are obtained with different imaging techniques, as CMR Feature Tracking and CMR Tagging. Once the features of interest have been extracted, they are stored in a dataset. After, machine learning algorithms are defined, trained, and validated in MATLAB, with the aim of creating different classification models that detect the presence of heart attacks. Initially, a multiclass analysis is proposed, considering three classes (noninfarction, non-transmural infarction, and transmural infarction). However, the results obtained are not satisfactory for the multiclass analysis, and, therefore, the problem is posed as two binary analyses: first, detecting the presence of infarction and, later, determining its extension. In order to compare different machine learning algorithms, five models are developed. For all of them, the results are studied in terms of AUC, sensitivity, and specificity. According to these indicators, it is possible to distinguish if the patient is healthy, or if the myocardial tissue is damaged. The results obtained are promising for the detection and characterization of the extent of myocardial infarction. For the problem of infar