Metodología para la implementación de un operador inteligente sobre tarjeta de desarrollo que permita la clasificación de individuos sanos y enfermos con fenotipos metabólicos sobrepeso y obesos

Gerardo  Chacón; Oscar J.  Suarez; Duran Leyder; Joseph  Sequeda; Juan  Tarazona

doi:10.24054/rcta.v1i29.199

Autores/as

Gerardo Chacón Universidad de Pamplona
Oscar J. Suarez Centro de Investigación y de Estudios Avanzados del IPN
Duran Leyder Universidad Simón Bolívar
Joseph Sequeda Semillero investigación Ciencias Computacionales
Juan Tarazona Universidad Simón Bolívar

DOI:

https://doi.org/10.24054/rcta.v1i29.199

Palabras clave:

Hipertensión, Operadores Inteligentes, Fenotipos Metabólicos

Resumen

La obesidad y el sobrepeso son unas patología que ha estado aumentando a un ritmo acelerado en las últimas décadas y ahora ha alcanzado proporciones epidémicas. Datos recientes sugieren que el 65% de los adultos tienen sobrepeso (índice de masa corporal > 25 kg m -2 ) y el 30% son obesos (índice de masa corporal > 30 kg m -2 ). Estas patologías se asocia con numerosas complicaciones metabólicas como Diabetes tipo 2, Dislipidemia, Hipertensión, enfermedades cardiovasculares y varias formas de cáncer. Se postula actualmente que no todos los individuos que muestran fenotipos metabólicos de obesos y con sobrepeso tienen que considerarse como individuos patológicos. Un alto porcentaje de los individuos estudiados que presentan estos fenotipos no muestran las complicaciones metabólicas habituales. El objetivo general de esta investigación es desarrollar una metodología para la implementación de un operador inteligente en tarjeta de desarrollo que permita hacer una clasificación de individuos sanos y enfermos considerando los fenotipos metabólicos sobrepeso y obesos. El resultado de esta investigación es un protocolo de desarrollo de una aplicación que permita diagnosticar con un porcentaje aceptable de error los individuos sanos y enfermos en los fenotipos mencionados y además sirva como apoyo a los especialistas de la salud en el diagnóstico de este tipo de patologías.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

"Álvarez L, R. y Arango M, A. (2013). “Implementación de la generación fotovoltaica Como respaldo ante fallos en la red de distribución”. Revista Colombiana de Tecnologías de Avanzada, Vol 2, N° 22, p 14-19."

"Álvarez L, R., García A, M. y Terregroza E, A. (2014). “Convertidores fotovoltaicos en módulos integrados basados en inversores de fuente – semi – cuasi –z: un nuevo esquema de control por modos deslizantes. Revista Colombiana de Tecnologías de Avanzada, Vol 1, N° 23, p 61-66."

Beleño S, K., Pardo G, A. y Torres C, I. (2014). “control aplicado a una estructura mecánica Para el posicionamiento automático de módulos fotovoltaicos”. Revista Colombiana de Tecnologías de Avanzada, Vol 2, N° 22, p 138-144.

"Carignano F 2011. Tecnología inalámbrica Near Field Communication y sus aplicaciones en sistemas embebidos Especialidad en Sistemas Embebidos Instituto Universitario Aeronáutico Av. Fuerza Aérea 6500 - (5010) Universidad Nacional de Córdoba."

Colmenares, G. (2009). Inteligencia Artificial. En G. Colmenares, Maquinas de Vectores de Soporte.

Cybenko G. (1989). Appoximacion by Superpositions of Sigmoidal Function. Mathematics of control, Signals, ahd Systems 303-3014 Sprnger_Variag New York Inc.

Flores J, Barrera R., (2002). Entrenamiento de Máquinas de Soporte Vectorial. Universidad Autónoma del Carmen, Campeche, México.

González M. (2005). Aprendizaje Estadístico, Redes Neuronales y Support Vector Machines: Un enfoque global. Universidad Veracruzana, Xalapa, México.

Gunn S. (1997). Support Vector Machines for Classification and Regression. Universidad de Southampton.

Haykin S Neural Networks and Learning Machines Hamilton, Ontario, Canada ISBN-13: 978-0- 13-147139-9 ISBN-10: 0-13-147139-2 . Neural networks. II.Title. QA76.87.H39 2008 006.3--dc22 (1999).

Hilera J , Martínez V, “Redes Neuronales Artificiales”, Alfa omega-Rama, 2000.

"Leal G, F. y Hernandez C, M. (2013). “estudio del potencial eólico y solar de Cúcuta, Norte de Santander”. Revista Colombiana de Tecnologías de Avanzada, Vol 2 , N° 22, p 27-33."

Mandal, U., Banerjee, I., (2015) Cancer classification using neural network, International Journal of Emerging Engineering Research and Technology, 3(7): 172-178.

Mathworks (2008) INC gettingStarted Guide. The MathWorks, Inc.USA.

McCarthy, J (1956) Computer scientist known as the father of AI. John McCarthy, computer scientist: Died Stanford, California 24 October 2011.

Moreno, G. M. (2012). Definición y clasificación de la obesidad. Revista Médica Clínica Las Condes, 23(2), 124-128.

Olabe, X. B. (1998). Redes neuronales artificiales y sus aplicaciones. Publicaciones de la Escuela de Ingenieros 101pp.

Ramírez C. Universidad Nacional Experimental del Táchira. [Tesis Doctoral] Universidad de Surrey, Inglaterra. 1997.

Raponi M Bonnin R (2011) Investigador del Centro de Investigaciones en Láseres y Aplicaciones (CEILAP), perteneciente al Instituto de Investigaciones Científicas y Técnicas para la Defensa (CITEDEF).

"Vides H, C., Pardo G, A. y Torres C, I. (2013). “Módulo robótico de seguimiento solar Usand o mppt supervisado y controlado vía Ethernet”.Revista Colombiana de Tecnologías de Avanzada, Vol 1, N° 23, p 112-119."