Física Biomédica (plan 2015) 2022-1

Ciencias Médicas y de la Salud, Temas Selectos en Instrumentación Biomédica

Introducción a las técnicas de Machine Learning en Biomedicina

Física Biomédica (Optativa Área Ciencias Médicas y de la Salud)

Profesor a cargo: Dr. en C. José Eduardo Chairez Veloz

Horario: Miércoles 12:00-15:00 pm (definitivo)

1. Motivación del curso:

En el ámbito biomédico, gran parte de los instrumentos empleados para el monitoreo de variables fisiológicas, suministro de fármacos, cauterización, rehabilitación, etc., requieren señales de realimentación que permitan llevar a cabo tareas de ajuste automático, calibración, toma de decisiones, entre otras, por lo que las acciones de pre-procesamiento y control juegan un papel sumamente importante en este sector. Además, la inminente inmersión de tecnologias digitales que involucran sistemas embebidos (portables) como microntroladores y tarjetas de desarollo, obligan la integración de técnicas de inteligencia artificial que mejoren el desempeño ante cambios que ocurran a nivel sistemico. En esta dirección, este curso surge para proporcionar al estudiante las bases preliminares (teóricas y de simulación) para el diseño de diferentes controladores digitales que se adecuen a las necesidades del sistema biomédico sobre el que se busca implementar, así como también técnicas pre y post-procesamiento que conlleven el uso de inteligencia artifical para optimizar su desempeño.

2. Contenido temático

Módulo 1. Introducción al Machine Learning

• 1.1. Definición y etapas del aprendizaje artificial
• 1.2. Fundamentación estadística del Machine Learning
• 1.3. Importancia del origen y volumen de los datos.

Módulo 2. Técnicas de pre-procesamiento digital de señales

• 2.1. Transformada Zetta y su aplicación al diseño de filtros digitales
• 2.2. FilterDesigner App
• 2.3. Extracción de características post-procesamiento
• 2.4. Análisis de series de tiempo

Módulo 3. Aprendizaje supervisado

• 3.1. Regresión lineal univariable y multivariable
• 3.2. Regresión lógistica
• 3.3. Regularización
• 3.4. Redes neuronales
• 3.5. Set de validación y validación cruzada
• 3.6. Métricas de error y clases distorsionadas
• 3.7. Funciones de optimización y clasificación de margénes amplios
• 3.8. Support Vector Machine

Módulo 4. Aprendizaje no supervisado

• 4.1. k-means y k-medoids
• 4.2. Funciones de optimización e inicilización aleatoria
• 4.3. Análisis de componentes principales

Módulo 5. Detección de anomalías y sistemas de recomendación

Proyecto Final

3. Dinámica del curso

4. Evaluación

Los entregables del curso, dependiendo de cada módulo son:

• Simulaciones
• Reportes
• Tareas

Distribución de porcentajes de evaluación final