Oferta de TFT

En este Trabajo de Fin de Título (TFT) se utilizará Computación Inteligente, esencialmente Redes Neuronales Artificiales (RNA), y distintas técnicas de ciencia de datos, en el ámbito Clínico, con el objetivo de diseñar y desarrollar un entorno software para la automatización del diagnóstico de enfermedades neurodegenerativas asociadas al envejecimiento, tales como la Enfermedad del Alzhéimer (EA) y el Deterioro Cognitivo Leve (MCI).

Para realizar lo anterior se plantea un entorno software modular que mediante parametrización realice todas las fases de tratamiento inteligente, incluyendo carga y almacenamiento, de los datos procedentes de diversos Sistemas Clínicos Asistenciales y/o de bases de datos especializadas en el ámbito: ADNI, Physionet, eICU Collaborative Research, etc., así como el desarrollo del módulo software correspondiente para la ayuda a la clasificación y detección temprana de las neuropatologías consideradas.

Adicionalmente a lo anterior, se persigue también que el Sistema Software desarrollado esté preparado y organizado funcionalmente, para poder ser utilizado en estudios paramétricos sobre cualquier conjunto de datos del ámbito de las de Enfermedades Neurodegenerativas, así como analizar las capacidades de las RNA en la clasificación de dichas enfermedades y ejecutar comparativas de desempeño con otros Sistemas Software existentes

Desde la perspectiva tecnológica, este TFT plantea la realización de trabajos de desarrollo en los que utilizaremos el lenguaje de programación Python (htps://www.python.org/downloads/), y librerías asociadas: TensorFlow (htps://www.tensorflow.org/), Scikit-Learn (htps://scikit- learn.org/stable/), Matplotlib (htps://matplotlib.org/), etc.

El trabajo consiste en extraer todas las expresiones y locuciones del Diccionario de la Lengua Española de la Real Academia Española, clasificarlas adecuadamente en una base de datos de tal forma que se contemple la formas flexivas de cada una, si las hubiere, y posibles distancias entre las palabras que las componen. Habría que realizar dos aplicaciones, una de escritorio para extraer y clasificar todas las expresiones y locuciones y un servicio web que pasándole una oración o un texto nos devuelva las expresiones y/o locuciones encontradas. Este trabajo puede ser remunerado.

Partiendo de mediciones de la altura de la superficie del mar obtenidas por medio de satélites artificiales a lo largo de una serie de años, este trabajo pretende detectar las corrientes circulares (eddies) que se forman en los océanos de todo el mundo usando arquitecturas de redes neuronales ya existentes.

Varios TFT que hacen uso de cámaras PTZ y técnicas de aprendizaje automático para el procesamiento de las imágenes.

Partiendo de unos videos submarinos tomados en una playa, el trabajo consistirá en obtener fotogramas independientes, etiquetarlos y entrenar una red neuronal para que detecte distintas especies. En base a los resultados obtenidos, se planteará un estudio del número de peces de cada especie presente a lo largo del tiempo.

Con la implantación de las nuevas tecnologías, el movimiento puede ser cuantificado y proporcionar datos objetivos a los médicos para ayudarles en sus diagnósticos. El objetivo de este proyecto es, a partir las grabaciones de voz capturadas en un proyecto de investigación, aplicar algoritmos de evaluación del movimiento y sistema de IA para discriminar mejor entre diferentes tipos de Parkinson, y que se pueda mostrar a los médicos los parámetros obtenidos.

Con la implantación de las nuevas tecnologías, el movimiento puede ser cuantificado y dar datos objetivos a los educadores o psicólogos para ayudarles en sus diagnósticos. El objetivo de este proyecto es a partir de distintos tipos dibujos capturados con una tableta y de movimientos capturados por un reloj, y estudiar qué parámetros, sensores y sistema de IA permite discriminar mejor entre diferentes tipos de trastornos.

Este Trabajo de Fin de Título (TFT), enmarcado en el ámbito de la Ingeniería del Software, consistirá en el Diseño y Desarrollo de un Sistema de Visualización y Tratamiento Inteligente de Datos Clínicos.

Para realizar lo anterior se plantea un Sistema modular que mediante parametrización realice las fases de Extracción, Tratamiento/Proceso (limpieza, filtrado, ranqueado, etc.), Carga y Almacenamiento de los datos procedentes de los Sistemas Clínicos Asistenciales.

Así como el desarrollo de una API que permita acceder a los datos para realizar operaciones de Visualización de la Información (Query&Reporting), Procesado Analítico (Data Mining), Predicción y Lógica Computacional de Ayuda al Diagnóstico Clínico mediante técnicas de computación inteligente, como computación neuronal, deep learning, etc.

En definitiva, se persigue un Sistema Software preparado y organizado funcionalmente, para poder ser utilizado en estudios paramétricos sobre cualquier conjunto de datos de los almacena y gestiona.

Desde la perspectiva tecnológica, este TFT plantea un desarrollo que implemente las anteriores funcionalidades mediante la utilización de un stack tecnológico basado en Python (https://www.python.org/downloads/), Django (https://www.djangoproject.com/) y MongoDB (https://www.mongodb.com/).

Este Trabajo Fin de Grado se centrará en el desarrollo de algoritmos avanzados para el ensamblaje de secuencias de ADN, con especial interés en las secuencias de cloroplastos. El objetivo es mejorar la eficiencia y precisión del ensamblaje genómico, crucial para la investigación en biología molecular y genética. Se explorarán técnicas computacionales para optimizar la reconstrucción de secuencias, facilitando avances en el campo de la biotecnología y la conservación de especies.

Objetivo: Desarrollar un aplicativo en Realidad Virtual para Educar en Escenarios Clínicos.

Descripción: Desarrollar un prototipo de aplicación software sobre dispositivo de visión VR que permita la interacción virtual con un enfermo para aprender protocolos de control o actuación en ciertas circunstancias clínicas. Se usarán tecnologías afines y de IA generativa

Objetivo: Desarrollar un aplicativo con dispositivo de Realidad Aumentada para incluirlo en la formación de los estudiantes de medicina.

Descripción: Desarrollar un prototipo de aplicativo que pueda ser utilizado con escenarios sanitarios para ilustrar a estudiantes de medicina la capacidad de la tecnología inmersiva de la realidad aumentada mediante ejemplos prácticos.

Disponemos de una gran cantidad de palabras segmentadas en sílabas, con las que entrenar una red neuronal local para comprobar su potencialidad y eficacia en la respuesta ante nuevas entradas.

El objetivo del proyecto es analizar y estimar la diversidad de especies según factores ambientales, utilizando técnicas de aprendizaje automático, desarrollando una metodología para evaluar su relación con el entorno y el impacto humano.

Nuestro proyecto se basa en un algoritmo innovador en Matlab que recupera trazados de escritura a partir del esqueleto del manuscrito https://github.com/gioelecrispo/wor. El objetivo es introducir una velocidad humanoide basada en el principio de la lognormalidad. Una vez incorporada esta velocidad, realizaremos pruebas de reconocimiento biométrico, comparando los resultados obtenidos con los datos reales y los datos recuperados. Buscamos estudiantes con habilidades de programación en Matlab para unirse a este proyecto.

Este Trabajo de Fin de Título (TFT) consistirá en la realización de un estudio comparativo del desempeño de la red neuronal modular profunda Binomial Gate LSTM (BigLSTM), como arquitectura de cómputo tolerante a los datos faltantes y al muestreo irregular de las observaciones, frente a otras arquitecturas neuronales profundas y no profundas.

Para ejecutar lo anterior se trabajará con dos conjuntos de datos tabulados y públicos:

· Predicción espaciotemporal del pH de 36 fuentes de aguas del estado de Georgia, USA (https://www.kaggle.com/datasets/shrutisaxena/water-quality-prediction-data-set/),

· Predicción de la mortalidad por afecciones cardiacas en los pacientes de UCI (https://physionet.org/content/challenge-2012/1.0.0/).

Utilizaremos dichos conjuntos de datos en tareas de predicción y aplicaremos diversas técnicas convencionales de imputación de datos como, por ejemplo, basadas en estadísticos; así como técnicas menos convencionales, como pueden ser los algoritmos de cálculos de datos faltantes, o del ámbito de las Redes Neuronales tolerantes a datos faltantes.

Lo anterior se realizará con el propósito de comparar dichas técnicas con los resultados de predicción obtenidos con la red neuronal BigLSTM.

Desde la perspectiva tecnológica, este TFT plantea la realización de trabajos de desarrollo en los que utilizaremos el lenguaje de programación Python (https://www.python.org/downloads/), y librerías asociadas: TensorFlow (https://www.tensorflow.org/), Scikit-Learn (https://scikit-learn.org/stable/), Matplotlib (https://matplotlib.org/), etc.

Este TFT se encuentra enmarcado en al ámbito del Aprendizaje Automático (Machine Learning), así como como en el uso de técnicas de Aprendizaje Profundo (Deep Learning).

[Ya asignado a estudiante]

Se ofrecen varios TFG que giran en torno a aprovechar la tecnología de OpenAI (GPT) para la asistencia en la evaluación de pruebas escritas. Por ejemplo, implementar una demostración mediante un plugin de Moodle; generador automático de ejercicios; etc. El TFG concreto se acordará con el/la estudiante interesado/a. 

El proyecto pretende el análisis de movimientos a través de esqueletos o siluetas (2 proyectos, uno con esqueletos, otro con siluetas).

Se requieren habilidades en algún framework de deep learning (Keras o Pytorch).

-

[Ya asignado a estudiante]

Este Trabajo Fin de Grado propone estudiar la plataforma Nextgendem, evaluando su aplicabilidad y eficacia en el análisis de datos de células humanas, así como su potencial uso en estudios de virus y bacterias que afectan a humanos. Se investigará cómo esta herramienta puede contribuir a avances significativos en la comprensión de enfermedades y en el desarrollo de nuevas terapias, mediante el análisis detallado y la interpretación de complejos datasets genómicos.

Uno de los cuellos de botella en la gestión de las empresas es la inserción de datos en sus sistemas de información, que se suele realizar de forma manual. Esto produce errores de transcripción y falta de uniformidad en los datos. El objetivo de este TFG es utilizar redes neuronales recientes con el fin de extraer, automáticamente, información detallada de documentos estructurados, tales como facturas, recibos, albaranes, etc. Los documentos pueden estar en formato PDF o imagen, y la salida se debe organizar en formato JSON para poder importar los datos en cualquier ERP.

-

Se proponen TFG que exploren la tecnología actual de generación automática de imágenes, por ejemplo para generar ilustraciones o diagramas que acompañen a presentaciones, guías o manuales. Las herramientas de referencia son Stable Diffusion y ChatGPT. El TFG concreto se acordará con el/la estudiante interesado/a.