Este trabajo presenta el desarrollo de una herramienta computacional basada en aprendizaje automático para automatizar la identificación de adipocitos multivacuolados (fenotipo beige) en el microambiente tumoral del cáncer de mama. Dirigido por Gustavo Javier MESCHINO y Diego Sebastián COMAS, junto con la Dra. Bioquímica Judith TONEATTO, el proyecto aborda la dificultad del análisis manual, que resulta laborioso y subjetivo ante cambios morfológicos sutiles. Se evaluaron seis arquitecturas de redes neuronales convolucionales (CNN): dos modelos básicos diseñados desde cero y cuatro basados en aprendizaje por transferencia (ResNet50, EfficientNetB4, MobileNetV2 y AlexNet). Los resultados demostraron que los modelos preentrenados superaron significativamente a las CNN simples, alcanzando exactitudes superiores al 99%. El modelo V6 (AlexNet) destacó por su robustez y precisión espacial en la generación de mapas de calor mediante Grad-CAM, lo que evidenció una alta concordancia con las validaciones de expertos. Complementariamente, se integró un algoritmo de procesamiento digital de imágenes, con segmentación morfológica y transformada de Hough, para detectar clústeres de vacuolas pequeñas. Esta herramienta representa un avance significativo para la investigación clínica, permitiendo cuantificar la organización espacial del tejido adiposo y su rol en la progresión tumoral, facilitando el desarrollo de futuras estrategias terapéuticas innovadoras

Este trabajo final de Ingeniería en Informática propone un sistema informático orientado al análisis automático de estados de aireación pulmonar mediante videos de ecografías e Inteligencia Artificial. La iniciativa surge de la necesidad de objetivar el diagnóstico clínico ante factores como la variabilidad del operador o la baja calidad de la imagen. Para ello, se desarrolló una aplicación de escritorio con arquitectura híbrida, basada en React, Node.js, Electron y Python, que permite la carga masiva de videos, su recorte con FFmpeg y la generación de informes detallados. Debido a la escasez y heterogeneidad del conjunto de datos (1000 imágenes), se aplicaron técnicas de transfer learning con arquitecturas como MobileNet y VGG16, logrando una precisión cercana al 95% en la clasificación de patrones (Normal, B1, B2 y Consolidación). El sistema incluye visualizaciones interactivas de probabilidades por fotograma y métricas globales basadas en la mediana normalizada, superando las limitaciones del promedio aritmético o softmax. En conclusión, el proyecto integra con éxito un modelo robusto de IA en una herramienta operativa, fomentando la investigación y la formación médica en bioingeniería.

El proyecto "VisualiSOM", desarrollado por Lisandro D’Alú De Boni, María Camila Ezama y Augusto Maletta bajo la dirección de Gustavo Javier MESCHINO y Diego Sebastián COMAS, consistió en la creación de una herramienta interactiva para el análisis de datos multivariable mediante Mapas Autoorganizados (SOM). El sistema se diseñó con una arquitectura cliente-servidor, empleando Flutter para una interfaz web intuitiva y una API en Python (Flask) para el procesamiento y entrenamiento no supervisado de redes neuronales. VisualiSOM permite a investigadores cargar archivos CSV, configurar hiperparámetros y visualizar patrones complejos mediante mapas bidimensionales, grillas de distancias (U-Matrix) y mapas de componentes, eliminando la necesidad de programar. Además de la exploración de datos generales, la herramienta incluye módulos avanzados para el agrupamiento (clustering), la clasificación de nuevos datos y la segmentación de imágenes médicas, lo que permite reconstrucciones visuales mediante coloreado continuo o mediante clústeres. El proyecto culminó con éxito, cumpliendo los objetivos de accesibilidad y escalabilidad, y proporcionando un manual de uso y software documentado para facilitar la toma de decisiones basada en la identificación de tendencias y relaciones inherentes en grandes volúmenes de datos.

Esta tesis propone una metodología innovadora basada en Computación Granular (GrC) para la identificación de descriptores de actividad en series de tiempo, con el propósito central de optimizar la eficiencia computacional. La investigación parte del análisis del Laser Speckle Dinámico, fenómeno que ocurre cuando la luz láser interactúa con objetos que poseen actividad intrínseca, lo que genera patrones complejos. La hipótesis principal sostiene que el uso de GrC permite caracterizar estas señales al abstraer el motivo físico subyacente, lo que da lugar a un sistema de procesamiento robusto y veloz. El trabajo desarrolla propuestas para la detección y caracterización de la actividad tanto en el dominio temporal como en el espacial, validando la metodología mediante estudios comparativos con técnicas tradicionales de análisis de speckle. Los resultados demuestran la versatilidad del enfoque, al aplicarlo con éxito en diversos escenarios, que van desde el estudio de muestras biológicas e industriales hasta el procesamiento de videos de ultrasonido para la detección de tumores y patologías pulmonares. De este modo, la tesis logra consolidar una herramienta generalizable y eficaz para distinguir niveles de actividad en distintos tipos de registros dinámicos, aportando una solución técnica que equilibra la precisión analítica con la reducción de costos operativos en bioingeniería y procesamiento de imágenes.

Este Trabajo Final detalla el desarrollo de una aplicación para la adquisición y el procesamiento de sonidos cardiorrespiratorios en neonatos, desarrollada en la Facultad de Ingeniería de la Universidad Nacional de Mar del Plata. Dirigido por el Dr. Marcelo Nicolás GUZMÁN y el Dr. Gustavo Javier MESCHINO, el proyecto complementa el hardware previo del Ing. Anzorena mediante un software de escritorio robusto diseñado en Flutter y Dart. El sistema permite a profesionales de la salud monitorear, grabar y reproducir señales acústicas, lo que facilita el diagnóstico y la formación médica. Durante el desarrollo, se optimizó el firmware del microcontrolador PIC18F2550 para implementar un protocolo de transmisión que resolvió problemas críticos de sincronización, garantizando una frecuencia de muestreo de ~11 kHz en cuatro canales. La interfaz visual incluye herramientas para la gestión de datos del paciente, el registro de eventos en tiempo real y la aplicación de filtros de ecualización específicos para resaltar patologías. A pesar de los retrasos por falta de documentación en Windows y fallas de hardware, el proyecto acumuló 728 horas de labor, culminando en una solución funcional que destaca por su usabilidad y confiabilidad en el ámbito de la bioingeniería

Este trabajo presenta el desarrollo de un prototipo funcional de bajo costo para la adquisición, el procesamiento y la visualización remota de señales fisiológicas, destinado al Laboratorio de Bioingeniería de la Facultad de Ingeniería de la Universidad Nacional de Mar del Plata. El sistema aborda la problemática de la baja relación señal/ruido mediante un acondicionamiento preciso que integra un amplificador de instrumentación, un conversor analógico/digital y un microcontrolador gestionado por una implementación reducida de Python (MicroPython) vía interfaz SPI. A diferencia de los equipos importados y cerrados disponibles en el laboratorio, esta solución es de código abierto, permite la adquisición multicanal simultánea y facilita el marcado de eventos en estudios con estímulos externos. La plataforma se destaca por ser telemétrica, liviana y accesible, lo que la convierte en una herramienta versátil tanto para la investigación avanzada en electroencefalografía y neurociencias como para fines didácticos en la asignatura Introducción a la Bioingeniería. Los resultados confirman una alta precisión en las mediciones y una conectividad inalámbrica confiable, lo que ofrece una alternativa soberana y económica frente a los sistemas propietarios. Este avance no solo optimiza los recursos institucionales, sino que también sienta las bases para futuras mejoras en la eficiencia de dispositivos biomédicos portátiles y de desarrollo libre.

La bioimpedancia destaca como un método no invasivo y versátil para estimar la composición corporal y analizar tejidos, y está ganando terreno tanto en la medicina como en la investigación académica. En este contexto, se desarrolló un sistema de medición orientado a satisfacer las necesidades de investigación de la Facultad de Psicología de la UNMdP, enfocado en registrar la variación temporal de la impedancia de la piel ante estímulos audiovisuales. El dispositivo funciona mediante la inyección de una corriente alterna de 50 kHz en el antebrazo, procesando la tensión resultante mediante técnicas de multiplicación y filtrado para obtener valores precisos de módulo y fase. Los datos se visualizan en tiempo real mediante una interfaz gráfica y se exportan en formato .csv para su análisis estadístico posterior, lo que permite contrastar las respuestas subjetivas de los usuarios con sus reacciones fisiológicas. Construido con componentes discretos y bajo procesos no industrializados, el prototipo garantizó la seguridad del sujeto mediante aislación eléctrica y demostró un desempeño notable con un error relativo máximo de solo 2,5 %. Finalmente, el sistema se entregó con éxito al grupo de Psicología, cumpliendo con los estándares de fiabilidad y facilidad de uso requeridos para estudios de comportamiento humano.

Este Trabajo Final propone un sistema de interacción persona-computadora que permite controlar un cursor mediante el movimiento del globo ocular utilizando únicamente una cámara web convencional. La metodología emplea el algoritmo de Viola-Jones para definir la región de interés y la Transformada de Hough para segmentar el iris , incorporando un objeto físico "testigo" en la frente del usuario para establecer un sistema de referencia robusto ante movimientos de la cabeza. Implementado en MATLAB, el sistema permite la calibración personalizada de los extremos de la mirada, ajustes de iluminación y la detección de gestos, como los guiños, para simular clics del mouse. Los resultados demostraron una respuesta fluida en tiempo real a 30 cuadros por segundo con un bajo error en la localización del centro del iris , planteándose como trabajo futuro la aplicación de redes neuronales convolucionales para optimizar la precisión del seguimiento.

Este trabajo, en su segunda parte, propone una herramienta basada en inteligencia artificial para el monitoreo no invasivo de la aireación pulmonar en pacientes bajo anestesia o ventilación mecánica. Utiliza técnicas de aprendizaje profundo y de transferencia de aprendizaje para reconocer patrones ecográficos —como líneas A, líneas B y consolidaciones— en secuencias de video de ultrasonido, superando las limitaciones de métodos previos que requerían una intervención manual experta. El autor, Rodrigo Azpilcueta, evaluó arquitecturas como AlexNet, VGG19 y MobileNet, determinando que esta última ofrece un rendimiento superior con una precisión cercana al 90% en la clasificación de cuatro estados pulmonares. El sistema implementa un ensamble de clasificadores y propone diversos métodos de cálculo de scores automáticos (promedio, mediana, probabilístico y lógica difusa) para replicar objetivamente el estándar clínico Lung Ultrasound Score. Finalmente, se desarrolló una interfaz gráfica denominada Lung US Analyzer que integra el procesamiento, recorte de zonas de interés y visualización temporal de resultados, facilitando la toma de decisiones médicas en tiempo real

El trabajo consistió en el desarrollo de un dispositivo electrónico diseñado para la valoración sonográfica neonatal en tiempo real. El equipo utiliza cinco micrófonos electret de alta sensibilidad para capturar simultáneamente señales cardiofonográficas y fonográficas pulmonares, superando las limitaciones del estetoscopio tradicional al permitir el monitoreo continuo en unidades de cuidados intensivos sin interferir con maniobras de emergencia. El sistema incluye una etapa de acondicionamiento con amplificadores completamente diferenciales y filtros pasabanda específicos para cada tipo de sonido, un conversor analógico-digital de 16 bits controlado por un microcontrolador PIC18F2550 y una interfaz en MATLAB para la visualización, grabación y reproducción de datos. Los resultados validaron la capacidad del prototipo para adquirir sonidos con una frecuencia de muestreo de 11 kHz, lo que facilita la creación de registros clínicos digitales y abre la posibilidad de realizar diagnósticos avanzados mediante técnicas de Deep Learning y lógica difusa. Este desarrollo representa un avance significativo en la detección temprana de patologías como la neumonía intrahospitalaria o el distrés respiratorio en bebés prematuros.

El trabajo detalla el desarrollo de un sistema portable para la adquisición de electrocardiografía (ECG) y el análisis de la variabilidad de la frecuencia cardíaca (VFC). El diseño integra un front-end analógico ADS1298 de 24 bits para la captura de biopotenciales y un microcontrolador dsPIC33FJ128GP802 para el procesamiento digital de señales en tiempo real. El hardware incluye un sistema de alimentación con aislación galvánica para proteger al paciente, así como filtros analógicos y digitales (FIR) destinados a eliminar interferencias de la red eléctrica y ruidos respiratorios. Para el estudio de la VFC, se implementaron el algoritmo de detección de ondas R y el periodograma de Lomb-Scargle, lo que permitió estimar la densidad espectral de potencia sin recurrir a técnicas de interpolación regresiva que podrían introducir sesgos. El sistema se controla mediante comandos tipo AT desde una interfaz inalámbrica desarrollada en Android, lo que facilita la visualización de resultados, como el tacograma y las bandas de interés frecuencial (VLF, LF, HF), en dispositivos móviles. Finalmente, este prototipo destaca por su bajo costo y alta resolución, lo que lo posiciona como una herramienta eficiente para el monitoreo clínico remoto.

Este proyecto consistió en el desarrollo de un prototipo de pulsioxímetro diseñado para la investigación clínica, cuyo objetivo es obtener señales de fotopletismografía (PPG) de alta fidelidad. A diferencia de los equipos comerciales, que suelen filtrar en exceso la información, este dispositivo busca preservar la morfología de la onda para permitir diagnósticos precisos del tono vascular en pacientes críticos. El hardware utiliza el chip especializado AFE4400 de Texas Instruments y un microcontrolador STM32F4. Un componente crítico del diseño es la seguridad: se implementó una doble aislación galvánica mediante transformadores y optoacopladores para proteger al paciente. El software, desarrollado en Python en Linux, procesa las señales en tiempo real, calculando la saturación de oxígeno (SpO2), la frecuencia cardíaca y el índice de perfusión, y aplicando filtros digitales para eliminar el ruido de la red eléctrica. Las pruebas de validación mostraron una alta precisión, con errores menores al 2% en la medición de oxígeno y al 0.5% en el ritmo cardíaco en comparación con equipos profesionales. Los resultados confirman que el prototipo es una herramienta robusta para el estudio no invasivo de estados fisiológicos complejos, especialmente en pacientes bajo asistencia respiratoria mecánica o bajo anestesia.

El trabajo final de Sciarrone y Bracciale Sauro, dirigido por Eduardo Luis Blotta y Gustavo Javier Meschino, describe el desarrollo de un sistema portátil y de bajo costo para la adquisición y la transmisión remota de señales electrocardiográficas (ECG). El dispositivo utiliza un conversor analógico-digital ADS1299 de 24 bits y bajo ruido, diseñado específicamente para instrumentación médica, y un sistema embebido basado en la arquitectura ARM Cortex-M4 con un sistema operativo en tiempo real (RTOS). Para la telemetría, el proyecto emplea el concepto de Internet de las Cosas (IoT) mediante el protocolo de mensajería ligero MQTT, elegido por su eficiencia en redes de alta latencia y bajo consumo de recursos. La solución incluye una aplicación web que permite a los profesionales visualizar los datos en tiempo real, aplicar filtros digitales para eliminar las interferencias de 50 Hz y exportar la información para su análisis en herramientas como MATLAB. Los resultados experimentales confirmaron la precisión del sistema al obtener morfologías y valores de ondas P, complejas QRS y ondas T alineados con los estándares clínicos. Este avance facilita el acceso a diagnósticos médicos inmediatos y remotos, especialmente en sectores vulnerables o con movilidad reducida.

Los equipos de adquisición y procesamiento de señales biomédicas son instrumentos de vital relevancia en el ámbito de la salud, que permiten a los profesionales el monitoreo, la prevención y diagnóstico de patologías. En el presente proyecto se plantea el estudio y desarrollo de un sistema para la adquisición de diferentes tipos de señales biomédicas, basado en micrófonos de tecnología MEMS (del inglés Micro-Electro-Mechanical Systems). La adaptación de los micrófonos MEMS como sensores no es trivial, ya que están diseñados y construidos para un rango de frecuencia propio del audio, desde 20 Hz hasta 15 kHz, mientras que la mayoría de las señales biomédicas se encuentran por debajo de esos valores. Por lo tanto, cada caso requiere un abordaje especial. En este proyecto se analiza la capacidad de los micrófonos MEMS para adquirir señales de presión en la vía aérea, pulso cardíaco y sonidos cardíacos. Cada señal se procesa adecuadamente para extraer su información relevante. Adicionalmente, al obtener simultáneamente las señales de sonido cardíaco y de pulso, se realiza la medición del tiempo de tránsito de pulso (PTT), el cual, según investigaciones actuales, puede utilizarse para medir de forma continua la presión sanguínea.
Se obtuvo un dispositivo genérico y confiable y se realizaron mediciones de las señales de presión en la vía aérea, del pulso y de los sonidos cardíacos. Las señales de presión en la vía aérea no están bien conocidas fisiológicamente. Las señales de pulso obtenidas presentan similitud con las observadas en la bibliografía. Para el sonido cardíaco se obtuvieron los sonidos s1, s2 y, en algunos casos, s3. Se pudo medir la PTT de manera no invasiva, lo que hace de este proyecto, por tanto, un simiente para investigaciones futuras.

Las señales respiratorias y de flujo son fundamentales para monitorear el estado del paciente, especialmente en contextos quirúrgicos bajo ventilación mecánica. Este proyecto describe el diseño y la construcción de un sistema de adquisición de señales biomédicas (presión, flujo respiratorio y ECG) basado en microcontroladores, cuyo software permite la visualización y el almacenamiento de datos en tiempo real. La motivación central es el desarrollo de un método no invasivo para estimar indirectamente variables hemodinámicas, ofreciendo una alternativa a los procedimientos invasivos tradicionales, que suelen conllevar mayores riesgos. El dispositivo captura señales del paciente mediante sensores y las transmite a una computadora para su procesamiento posterior. El núcleo del análisis radica en el filtrado de las oscilaciones cardiogénicas: componentes de baja amplitud presentes en las vías aéreas que contienen información crítica sobre la actividad cardíaca. Como resultado, se obtuvo un instrumento preciso y confiable que sienta las bases para futuras investigaciones en el procesamiento de estas oscilaciones. Este avance permite proyectar la creación de una herramienta de diagnóstico y monitoreo hemodinámico no invasiva, un sistema de alto interés clínico que actualmente no está disponible en el mercado, lo que facilita una evaluación más segura y eficiente del sistema cardiorrespiratorio.

Las interfaces cerebro-computadora (BCI, Brain-Computer Interface) son dispositivos tecnológicos que se basan en la adquisición de señales cerebrales y su posterior procesamiento, con el fin de realizar acciones o actividades con base en la interpretación de las mismas. Constituyen una atractiva opción para mejorar la calidad de vida de las personas con discapacidades motrices severas, al permitirles comunicarse y enviar comandos a dispositivos externos únicamente mediante sus señales electroencefalográficas (EEG). En este proyecto se diseñó un circuito de bajo costo y factor de forma reducido para la adquisición de señales electroencefalográficas, y se implementó en una BCI que permite al usuario controlar un teclado virtual mediante potenciales evocados visuales de estado estable (SSVEP, Steady State Visually Evoked Potentials). Tanto el circuito diseñado como el software desarrollado demostraron un rendimiento altamente satisfactorio, lo que constituye un sistema no invasivo que representa un aporte concreto en la ayuda a personas con discapacidades motrices graves.

Estudio de procesos dinámicos mediante técnicas speckle optodigitales

Se plantea como objetivo en esta tesis la modelización de registros de Capnografía Volumétrica (CV) de pacientes sometidos a cirugía bajo anestesia general, con el propósito de obtener parámetros fisiológicos de interés para los especialistas médicos que realizan investigaciones en el campo de la fisiología respiratoria. Estos parámetros se calculan a partir de variables derivadas de la CV, las cuales deberían ser obtenidas en forma automática a los fines de poder adaptarse dinámicamente a los cambios producidos en la morfología de la CV como consecuencia de la influencia de diversas patologías que pueden presentar los pacientes bajo estudio. El análisis de la CV propuesto también podría ayudar a la comprensión de los efectos fisiológicos que las terapias como la ventilación mecánica producen en el pulmón de un paciente. Este trabajo involucra el estudio de las dificultades que se presentan en el cálculo de variables derivadas de la CV mediante los métodos tradicionales cuando los capnogramas resultan alterados en su morfología, y el ajuste de una única función analítica que permite encontrar matemáticamente las variables derivadas de interés con menor error, mayor precisión y en forma robusta. Las metodologías analizadas para la aproximación de la función son: la optimización de parámetros de una función específica creada ad-hoc; la obtención de un modelo difuso o híbrido basado en técnicas de Inteligencia Computacional. Los resultados obtenidos fueron validados con el especialista de campo y comparados con los métodos tradicionales para evaluar su performance.

Esta tesis propone un novedoso marco de inteligencia computacional híbrida para la segmentación de Imágenes por Resonancia Magnética (IRM) del cerebro. El objetivo principal de la tesis es superar las limitaciones de la segmentación manual, que es tediosa y subjetiva, creando un sistema automatizado, robusto y adaptable. El método propuesto, denominado PDLC (Predicados Difusos y Lógica Compensatoria), traduce el conocimiento lingüístico, cualitativo e impreciso de los especialistas en diagnóstico por imágenes (por ejemplo, "el líquido cefalorraquídeo se ve oscuro en las imágenes T1 y muy intenso en las T2") a un conjunto de predicados lógicos difusos formales. El sistema cuantifica el valor de verdad de estos predicados para cada píxel mediante funciones de pertenencia difusas que representan conceptos como "oscuro", "gris" o "intenso". Una innovación clave es el uso de operadores de la Lógica Difusa Compensatoria (LDC), que demostraron ser más eficaces para esta aplicación que los operadores tradicionales MIN/MAX. Para garantizar la precisión y la adaptabilidad a imágenes de distintas fuentes, los parámetros de estas funciones difusas se optimizan automáticamente mediante un Algoritmo Genético (AG). Esta optimización se guía por un pequeño conjunto de píxeles previamente clasificados de una imagen de referencia. El rendimiento del método se validó rigurosamente tanto en conjuntos de datos de IRM simuladas, con distintos niveles de ruido y distorsión, como en dos conjuntos diferentes de imágenes clínicas reales procedentes de distintos equipos. Los resultados demuestran que el sistema propuesto es computacionalmente eficiente y robusto. Al compararlo con otros algoritmos de segmentación —incluidos K-Means, Fuzzy-C-Means, Redes Neuronales y software establecido como BRAINS—, el método PDLC obtuvo en general una calidad de segmentación superior o comparable, medida por el Coeficiente de Tanimoto y otras métricas. La tesis concluye que este enfoque híbrido crea con éxito una herramienta objetiva, repetible y eficiente para asistir en el análisis cuantitativo de los tejidos cerebrales en el ámbito clínico y de investigación.

Esta tesis de doctorado propone metodologías innovadoras para modelizar procesos dinámicos en bioingeniería mediante la caracterización de imágenes estáticas y dinámicas. El trabajo se centra en el desarrollo de nuevos descriptores basados en la geometría fractal y la teoría de la información para analizar señales biológicas complejas y no estacionarias. En una primera etapa, se presenta una técnica para el realce de imágenes histopatológicas orientada a la detección de melanomas, que utiliza un estimador de Hurst local para identificar variaciones de textura en el tejido dérmico. Posteriormente, la investigación aborda el análisis de secuencias de "speckle" activo o "biospeckle" en tres aplicaciones clave: la predicción del tiempo de secado en pinturas, el test de viabilidad en semillas de maíz y la detección de golpes no visibles en manzanas. Para estos casos, se proponen descriptores como la entropía de la transformada ondita (wavelet), que superan en eficacia a los métodos tradicionales de segmentación. Finalmente, el trabajo integra estos descriptores en modelos de decisión avanzados que emplean redes neuronales de regresión generalizada optimizadas mediante algoritmos genéticos, permitiendo una predicción automatizada y precisa de los fenómenos estudiados

Este Trabajo Final de Grado, titulado DeepZ-Plankton, consiste en el desarrollo de un sistema automatizado para la identificación, clasificación y cuantificación de organismos de zooplancton mediante técnicas de visión por computadora y aprendizaje profundo. El proyecto surge para resolver un cuello de botella en el INIDEP, donde el gran volumen de muestras recolectadas desde la década de 1980 supera la capacidad de clasificación manual de los especialistas.El sistema utiliza arquitecturas modernas de redes neuronales convolucionales y transformers, como ResNet, EfficientNet y DenseNet, entrenadas con un conjunto de datos inicial de más de 15.000 imágenes de 26 clases. El objetivo principal es alcanzar una precisión superior al 90%, optimizando el flujo de trabajo de los investigadores para que puedan centrarse en el análisis de datos y no en la tarea repetitiva de clasificación.Además del modelo, el proyecto incluye una interfaz de usuario que permite el procesamiento por lotes, la visualización de la segmentación en tiempo real y la generación de reportes taxonómicos en formato CSV. El trabajo se desarrolla bajo la dirección de Gustavo Javier MESCHINO y Diego Sebastián COMAS, con la dirección disciplinar de Luciano Martín CHIAVERANO y Rosana Patricia DI MAURO, del INIDEP.

Se utilizarán enfoques de Inteligencia Artificial para evaluar características de las variaciones del diámetro de la arteria radial en relación con la edad y la técnica de análisis de onda de pulso en la determinación del riesgo cardiovascular. Se plantea la posibilidad de analizar alteraciones en la distensibilidad arterial de pacientes dislipidémicos, la evaluación cardiovascular de atletas de élite, y otras condiciones.

Esta tesis se enfoca en el uso de Inteligencia Artificial (IA) para mejorar y expandir la información de las señales de electrocardiografía (ECG) obtenidas con dispositivos portátiles. El objetivo principal es inferir signos vitales de los sistemas circulatorio y respiratorio en tiempo real y en condiciones ambulatorias. El proyecto aborda dos desafíos clave: la baja calidad de las señales de ECG en dispositivos móviles, debido a artefactos de movimiento, y el desaprovechamiento de la información respiratoria contenida en la propia señal de ECG. La hipótesis es que la IA puede potenciar los sistemas de adquisición actuales, filtrando el ruido y extrayendo datos respiratorios de calidad diagnóstica para aumentar la confianza en estos dispositivos.
La metodología incluye:
– El estudio de los sensores para mejorar la relación señal-ruido.
– El desarrollo de un sistema de adquisición de ECG.
– La creación de algoritmos de IA para clasificar las señales e inferir parámetros como la frecuencia respiratoria.
Los resultados se validarán experimentalmente frente a métodos de medición estándar. Se espera obtener un dispositivo de ECG confiable y algoritmos robustos que transformen al ECG en una herramienta de monitoreo multifuncional.

Las imágenes médicas desempeñan un papel predominante en la detección de tejidos, el diagnóstico, la evaluación y el planeamiento clínico, entre otras tareas. Debido al avance tecnológico continuo, se presentan nuevos requerimientos para su correcto estudio y aprovechamiento. Desde el punto de vista del procesamiento de imágenes, esto implica un aumento de la información a analizar y de la complejidad de los métodos involucrados en dicho procesamiento. Las técnicas basadas en el aprendizaje profundo han dado resultados relevantes en el procesamiento de imágenes. Su aplicación al análisis de imágenes médicas constituye una gran ayuda para los expertos en la detección y prevención de enfermedades, así como en la asistencia al diagnóstico. Los modelos secuenciales, en particular las redes del tipo Transformer, constituyen un área de actualidad con enorme potencial para el procesamiento de imágenes, que aún no ha sido estudiada en el Laboratorio. Se propone en este Plan el trabajo sobre redes de aprendizaje profundo secuenciales, a partir de dos aspectos interrelacionados: a) el estudio de modelos existentes, con énfasis en aquellos aplicados a imágenes médicas; y b) la implementación, propuesta y evaluación de nuevos modelos.

Inteligencia computacional para el procesamiento de señales en la investigación forense.

Esta tesis se enfoca en la optimización de las técnicas de procesamiento, caracterización y reconocimiento de patrones de speckle dinámico y biospeckle. El objetivo general es desarrollar nuevos procesos de adquisición y procesamiento, mediante inteligencia computacional y artificial, para crear sistemas inteligentes capaces de analizar e interpretar fenómenos biológicos e industriales. El speckle dinámico es un fenómeno óptico no invasivo que permite estudiar la dinámica de diversas muestras. Sin embargo, se busca mejorar la eficacia de los métodos actuales. La propuesta consiste en optimizar tanto la captura de los patrones (configuración del registro óptico) como su análisis posterior. Esto incluye el diseño de nuevos algoritmos de procesamiento en tiempo real, la evaluación de descriptores apropiados y la aplicación de técnicas de inteligencia artificial, como redes neuronales, para la clasificación y el reconocimiento de patrones. Las aplicaciones potenciales incluyen el campo de la biomedicina, como el análisis de la onda de pulso para evaluar la rigidez arterial, y el monitoreo ambiental, como el uso de biosensores para detectar la toxicidad del agua.

Este trabajo final requiere conocimientos de IA y de procesamiento de series temporales o señales.
Se trata de reconocer sonidos de insectos en grabaciones largas de audio.