Diseño de algoritmos de aprendizaje profundo basados en números complejos para la identificación de patrones anómalos en bioseñales humanas

El objetivo es contribuir a la clasificación de patrones anómalos en bioseñales utilizando un enfoque novedoso. Nos enfocamos específicamente en el melanoma y en los soplos cardíacos. Usamos un estudio comparativo de dos redes de convolución en los dominios numéricos Complejo y Real. La idea es obtener un enfoque poderoso para construir sistemas portátiles para la detección temprana de enfermedades. Se eligieron dos estructuras algorítmicas similares para que no haya un sesgo determinado por la cantidad de parámetros a entrenar. Se utilizaron tres conjuntos de datos clínicos, ISIC 2017, PH2 y Pascal, para llevar a cabo los experimentos. Se realizaron pruebas de hipótesis de comparación de medias para asegurar la objetividad estadística en las conclusiones. En todos los casos, las redes de valor complejo presentaron un desempeño superior para las métricas de Precisión, Recall, F1 Score, Accuracy y Specificity en la detección de anomalías asociadas. El mejor clasificador basado en números complejos obtenido en el espacio ROC presenta una distancia euclidiana de 0,26127 con respecto al clasificador ideal, a diferencia del mejor clasificador basado en números reales, cuya distancia euclidiana al ideal es de 0,36022 para la misma tarea de detección de melanoma. La superioridad del 27,46 % en esta métrica, como en las otras reportadas en este trabajo, sugiere que las redes de valores complejos tienen una mayor capacidad para extraer características para una discriminación más eficiente en el conjunto de datos.

• Autores: Jojoa Acosta, Mario Fernando
• Tipo de recurso: Doctoral thesis
• Fecha de publicación: 2023
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/11331
• Acceso en línea: http://hdl.handle.net/10584/11331
• Palabra clave: Números complejos; Algoritmos; Melanoma
• Rights: openAccess
• License: https://creativecommons.org/licenses/by/4.0/