Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático
En el campo de la biónica se han llevado a cabo proyectos que, usando algoritmos de aprendizaje automático, pueden realizar clasificación de señales, mostrar estadísticas o controlar prótesis. El trabajo desarrollado es un aporte al área de rehabilitación de miembros, se trata de un algoritmo capaz...
- Autores:
-
Bejarano Miranda, Luisa Fernanda
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/34737
- Acceso en línea:
- http://hdl.handle.net/11634/34737
- Palabra clave:
- Machine learning
Bionic
Electromyography
Multilayer Perceptron
Neural Networks
Artificial intelligence
Aprendizaje automático
Electromiografía
Inteligencia artificial
Biónica
Perceptrón Multicapa
Redes Neuronales
- Rights
- restrictedAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
| id |
SANTTOMAS2_e4da934c3daf865176560297222bccfd |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/34737 |
| network_acronym_str |
SANTTOMAS2 |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático |
| title |
Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático |
| spellingShingle |
Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático Machine learning Bionic Electromyography Multilayer Perceptron Neural Networks Artificial intelligence Aprendizaje automático Electromiografía Inteligencia artificial Biónica Perceptrón Multicapa Redes Neuronales |
| title_short |
Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático |
| title_full |
Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático |
| title_fullStr |
Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático |
| title_full_unstemmed |
Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático |
| title_sort |
Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático |
| dc.creator.fl_str_mv |
Bejarano Miranda, Luisa Fernanda |
| dc.contributor.advisor.none.fl_str_mv |
Calderón Chávez, Juan Manuel |
| dc.contributor.author.none.fl_str_mv |
Bejarano Miranda, Luisa Fernanda |
| dc.contributor.orcid.spa.fl_str_mv |
https://orcid.org/0000-0002-4471-3980 |
| dc.contributor.cvlac.spa.fl_str_mv |
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000380938 |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.subject.keyword.spa.fl_str_mv |
Machine learning Bionic Electromyography Multilayer Perceptron Neural Networks Artificial intelligence |
| topic |
Machine learning Bionic Electromyography Multilayer Perceptron Neural Networks Artificial intelligence Aprendizaje automático Electromiografía Inteligencia artificial Biónica Perceptrón Multicapa Redes Neuronales |
| dc.subject.lemb.spa.fl_str_mv |
Aprendizaje automático Electromiografía Inteligencia artificial |
| dc.subject.proposal.spa.fl_str_mv |
Biónica Perceptrón Multicapa Redes Neuronales |
| description |
En el campo de la biónica se han llevado a cabo proyectos que, usando algoritmos de aprendizaje automático, pueden realizar clasificación de señales, mostrar estadísticas o controlar prótesis. El trabajo desarrollado es un aporte al área de rehabilitación de miembros, se trata de un algoritmo capaz de aprender y reconocer el movimiento de los dedos de la mano de forma individual (menique, anular, corazón, índice y pulgar). El artículo presenta el diseño del algoritmo que a través un sensor electromiográfico (Myo desarrollado por Thalmic Labs), procesa las señales generadas por los miembros superiores. Para esto se realiza el diseño de una etapa de filtrado, una etapa de entrenamiento y una interfaz gráfica que le permita al usuario interactuar con las señales obtenidas. El desarrollo propone el uso de una red neuronal artificial tipo perceptrón multicapa usando las herramientas que proporciona el software de MATLAB como las librerías Multi-Layer Perceptron y el Add-On MinGW-w64. Los resultados de este desarrollo muestran cómo el algoritmo identifica las diferencias entre las características principales de las señales de cada dedo con una exactitud del 75.71% y utiliza la información recopilada para identificar nuevas muestras. Los resultados de este desarrollo muestran las fortalezas y debilidades del algoritmo, y permiten concluir que los algoritmos de aprendizaje automático ofrecen una solución escalable para el control de prótesis de brazo. |
| publishDate |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2021-07-03T06:06:43Z |
| dc.date.available.none.fl_str_mv |
2021-07-03T06:06:43Z |
| dc.date.issued.none.fl_str_mv |
2021-07-02 |
| dc.type.none.fl_str_mv |
bachelor thesis |
| dc.type.local.spa.fl_str_mv |
Tesis de pregrado |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.category.spa.fl_str_mv |
Formación de Recurso Humano para la Ctel: Trabajo de grado de Pregrado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Bejarano Miranda, L. F. (2021). Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático. [Trabajo de pregrado, Universidad Santo Tomás]. Repositorio Institucional. |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/34737 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
Bejarano Miranda, L. F. (2021). Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático. [Trabajo de pregrado, Universidad Santo Tomás]. Repositorio Institucional. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://hdl.handle.net/11634/34737 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
J. Kimura, Electrodiagnosis in Diseases of Nerve and Muscle : Principles and Practice, New York: Oxford University Press, 2013. J. A. L. S. Eduardo Francisco Caicedo Bravo, Una aproximación práctica a las redes neuronales artificiales, Cali, Colombia: Programa Editorial Universidad del Valle, 2009. C. F. Valencia, J. A. Suarez, A. Cogollos, R. A. Uribe y G. C. Flores, «Heridos en combate, experiencia del Grupo de Trauma del Hospital Militar Central de Bogotá,» Revista Colombiana de Cirugía, vol. 30, nº 1, pp. 18-23, 2015. Z.-G. Kathryn, J. Ellen, L. Patti, G. Thomas y B. Ron, «Estimating the Prevalence of Limb Loss in the United States: 2005 to 2050,» Archives of Physical Medicine and Rehabilitation, vol. 89, nº 3, pp. 422-429, 2008. C. D. Aguila, Electromedicina, 2 ed., Buenos Aires: Presencia Ltda, 1994, pp. 225-238. J. Moore y G. Zouridakis, Biomedical Technology and Devices Handbook, United States of America: CRC Press, 2004. L. Bi, C. Guan y G. Feleke, «A review on EMG-based motor intention prediction of continuous human upper limb motion for human-robot collaboration,» Biomedical Signal Processing and Control, vol. 51, pp. 113-127, 2018. J. Mads, W. Asim y K. Ernest Nlandu, «The effect of arm position on classification of hand gestures with intramuscular EMG,» Biomedical Signal Processing and Control, vol. 43, pp. 1-8, 2018. N. Emiliano, B. Alberto Dellacasa, C. Anna Lisa, S. Rinaldo, D. Angelo, G. Eugenio y Z. Loredana, «EMG and ENG-envelope pattern recognition for prosthetic hand control,» Journal of Neuroscience Methods, vol. 311, pp. 38-46, 2019. D. B. Alberto, G. Emanuele, C. Giorgio, D. Angelo, S. Rinaldo, G. Eugenio y Z. Loredana, «NLR, MLP, SVM, and LDA: a comparative analysis on EMG data from people with trans-radial amputation,» Journal of NeuroEngineering and Rehabilitation, 2017. A. Ciancio, R. Barone, L. Zollo, G. Carpino, A. Davalli, R. Sacchetti y E. Guglielmelli, «A bio-inspired force control for cyclic manipulation of prosthetic hands,» 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 4824-4827, 2015. N. Chaiyaratana, Zalzala y D. Datta, «Myoelectric Signals Pattern Recognition for Intelligent Functional Operation of Upper-Limb Prosthesis,» White Rose, nº 621, 1996. B. Roberto, A. L. Ciancio, R. A. Romeo, A. Davall, R. S. E. Guglielmelli y L. Zollo, «Multilevel control of an anthropomorphic prosthetic hand for grasp and slip prevention,» Advances in Mechanical Engineering, vol. 8, nº 9, 2016. J. P. T. Portillo, Introducción a las señales y sistemas, Barranquilla: Universidad del Norte, 2017. L. Tan, Digital Signal Processing : Fundamentals and Applications, Amsterdam: Academic Press, 2008. N. Y. M. F. Christian Kanzow, «Levenberg–Marquardt methods with strong local convergence properties for solving nonlinear equations with convex constraints,» Journal of Computational and Applied Mathematics, vol. 172, nº 2, pp. 375-397, 2004. NORTH, «Downloads Myo Support,» [En línea]. Available: https://support.getmyo.com/hc/en-us/articles/360018409792-Myo-Connect-SDK-and-firmware-downloads. B. M. Kte’pi, «MATLAB (matrix laboratory).,» Salem Press Encyclopedia of Science, p. 1, 2020. M. B. Velasco, F. C. Roldán, R. J. Martínez y J. S. Landete, Tratamiento Digital de Señales, Universidad de Alcalá, 2013. E. Ogier, Multi-layer perceptron, MATLAB Central File Exchange, 2018. A. Reyes, E. Camacho, A. Mateus y J. M. Calderón, «LSTM based brain-machine interface tool for text generation through eyes blinking detection,» IEEE 18th Annual Consumer Communications & Networking Conference (CCNC), pp. 1-6, 2021. |
| dc.rights.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Acceso restringido |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/restrictedAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_16ec |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Acceso restringido http://purl.org/coar/access_right/c_16ec |
| eu_rights_str_mv |
restrictedAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería Electrónica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería Electrónica |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/34737/2/2021luisabejarano.pdf https://repository.usta.edu.co/bitstream/11634/34737/1/Carta%20Derechos%20de%20Autor.pdf https://repository.usta.edu.co/bitstream/11634/34737/3/Carta%20Aprobacion%20Facultad.pdf https://repository.usta.edu.co/bitstream/11634/34737/4/license_rdf https://repository.usta.edu.co/bitstream/11634/34737/5/license.txt https://repository.usta.edu.co/bitstream/11634/34737/6/2021luisabejarano.pdf.jpg https://repository.usta.edu.co/bitstream/11634/34737/7/Carta%20Derechos%20de%20Autor.pdf.jpg https://repository.usta.edu.co/bitstream/11634/34737/8/Carta%20Aprobacion%20Facultad.pdf.jpg |
| bitstream.checksum.fl_str_mv |
340ba0c02a32456c9c4d81a1e2cef4f6 a8d1e0100b4047e11732bdbf91596eee a2aeace6a2ca74bef224945635fd53c8 217700a34da79ed616c2feb68d4c5e06 aedeaf396fcd827b537c73d23464fc27 23c8cdf6015f9330b48ff300fbb974d9 a9fe252df468206959d5ffd15d5093c7 cac3d04b3eb7cad0398f077416807398 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
noreply@usta.edu.co |
| _version_ |
1782026108363866112 |
| spelling |
Calderón Chávez, Juan ManuelBejarano Miranda, Luisa Fernandahttps://orcid.org/0000-0002-4471-3980https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000380938Universidad Santo Tomás2021-07-03T06:06:43Z2021-07-03T06:06:43Z2021-07-02Bejarano Miranda, L. F. (2021). Desarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automático. [Trabajo de pregrado, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/34737reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coEn el campo de la biónica se han llevado a cabo proyectos que, usando algoritmos de aprendizaje automático, pueden realizar clasificación de señales, mostrar estadísticas o controlar prótesis. El trabajo desarrollado es un aporte al área de rehabilitación de miembros, se trata de un algoritmo capaz de aprender y reconocer el movimiento de los dedos de la mano de forma individual (menique, anular, corazón, índice y pulgar). El artículo presenta el diseño del algoritmo que a través un sensor electromiográfico (Myo desarrollado por Thalmic Labs), procesa las señales generadas por los miembros superiores. Para esto se realiza el diseño de una etapa de filtrado, una etapa de entrenamiento y una interfaz gráfica que le permita al usuario interactuar con las señales obtenidas. El desarrollo propone el uso de una red neuronal artificial tipo perceptrón multicapa usando las herramientas que proporciona el software de MATLAB como las librerías Multi-Layer Perceptron y el Add-On MinGW-w64. Los resultados de este desarrollo muestran cómo el algoritmo identifica las diferencias entre las características principales de las señales de cada dedo con una exactitud del 75.71% y utiliza la información recopilada para identificar nuevas muestras. Los resultados de este desarrollo muestran las fortalezas y debilidades del algoritmo, y permiten concluir que los algoritmos de aprendizaje automático ofrecen una solución escalable para el control de prótesis de brazo.In the field of bionics, projects have been carried out that can perform signal classification, display statistics or control prostheses using machine learning algorithms. The work developed is a contribution to the area of limb rehabilitation, it is an algorithm capable of learning and recognizing the movement of the fingers of the hand individually (little, ring, heart, index and thumb). This article presents the design of the algorithm that processes the signals generated by the arms through an electromyographic sensor (Myo developed by Thalmic Labs). It contains the design of a filtering stage, a training stage and a graphical interface that allows the user to interact with the obtained signals. The project proposes the use of an artificial neural network (multilayer perceptron) using the tools provided by MATLAB software such as the Multi-Layer Perceptron library and the MinGW-w64 Add-On. The results of this development show how the algorithm identifies the differences between the main characteristics of the signals of each finger with an accuracy of 75.71% and uses the collected information to identify new samples. The results of this development show the strengths and weaknesses of the algorithm, and allow to conclude that machine learning algorithms offer a scalable solution for the control of arm prostheses.Ingeniero Electronicohttp://unidadinvestigacion.usta.edu.coPregradoapplication/pdfspaUniversidad Santo TomásPregrado Ingeniería ElectrónicaFacultad de Ingeniería ElectrónicaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Acceso restringidoinfo:eu-repo/semantics/restrictedAccesshttp://purl.org/coar/access_right/c_16ecDesarrollo de algoritmo de reconocimiento de movimientos de la mano basado en aprendizaje automáticobachelor thesisTesis de pregradoinfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisMachine learningBionicElectromyographyMultilayer PerceptronNeural NetworksArtificial intelligenceAprendizaje automáticoElectromiografíaInteligencia artificialBiónicaPerceptrón MulticapaRedes NeuronalesCRAI-USTA BogotáJ. Kimura, Electrodiagnosis in Diseases of Nerve and Muscle : Principles and Practice, New York: Oxford University Press, 2013.J. A. L. S. Eduardo Francisco Caicedo Bravo, Una aproximación práctica a las redes neuronales artificiales, Cali, Colombia: Programa Editorial Universidad del Valle, 2009.C. F. Valencia, J. A. Suarez, A. Cogollos, R. A. Uribe y G. C. Flores, «Heridos en combate, experiencia del Grupo de Trauma del Hospital Militar Central de Bogotá,» Revista Colombiana de Cirugía, vol. 30, nº 1, pp. 18-23, 2015.Z.-G. Kathryn, J. Ellen, L. Patti, G. Thomas y B. Ron, «Estimating the Prevalence of Limb Loss in the United States: 2005 to 2050,» Archives of Physical Medicine and Rehabilitation, vol. 89, nº 3, pp. 422-429, 2008.C. D. Aguila, Electromedicina, 2 ed., Buenos Aires: Presencia Ltda, 1994, pp. 225-238.J. Moore y G. Zouridakis, Biomedical Technology and Devices Handbook, United States of America: CRC Press, 2004.L. Bi, C. Guan y G. Feleke, «A review on EMG-based motor intention prediction of continuous human upper limb motion for human-robot collaboration,» Biomedical Signal Processing and Control, vol. 51, pp. 113-127, 2018.J. Mads, W. Asim y K. Ernest Nlandu, «The effect of arm position on classification of hand gestures with intramuscular EMG,» Biomedical Signal Processing and Control, vol. 43, pp. 1-8, 2018.N. Emiliano, B. Alberto Dellacasa, C. Anna Lisa, S. Rinaldo, D. Angelo, G. Eugenio y Z. Loredana, «EMG and ENG-envelope pattern recognition for prosthetic hand control,» Journal of Neuroscience Methods, vol. 311, pp. 38-46, 2019.D. B. Alberto, G. Emanuele, C. Giorgio, D. Angelo, S. Rinaldo, G. Eugenio y Z. Loredana, «NLR, MLP, SVM, and LDA: a comparative analysis on EMG data from people with trans-radial amputation,» Journal of NeuroEngineering and Rehabilitation, 2017.A. Ciancio, R. Barone, L. Zollo, G. Carpino, A. Davalli, R. Sacchetti y E. Guglielmelli, «A bio-inspired force control for cyclic manipulation of prosthetic hands,» 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 4824-4827, 2015.N. Chaiyaratana, Zalzala y D. Datta, «Myoelectric Signals Pattern Recognition for Intelligent Functional Operation of Upper-Limb Prosthesis,» White Rose, nº 621, 1996.B. Roberto, A. L. Ciancio, R. A. Romeo, A. Davall, R. S. E. Guglielmelli y L. Zollo, «Multilevel control of an anthropomorphic prosthetic hand for grasp and slip prevention,» Advances in Mechanical Engineering, vol. 8, nº 9, 2016.J. P. T. Portillo, Introducción a las señales y sistemas, Barranquilla: Universidad del Norte, 2017.L. Tan, Digital Signal Processing : Fundamentals and Applications, Amsterdam: Academic Press, 2008.N. Y. M. F. Christian Kanzow, «Levenberg–Marquardt methods with strong local convergence properties for solving nonlinear equations with convex constraints,» Journal of Computational and Applied Mathematics, vol. 172, nº 2, pp. 375-397, 2004.NORTH, «Downloads Myo Support,» [En línea]. Available: https://support.getmyo.com/hc/en-us/articles/360018409792-Myo-Connect-SDK-and-firmware-downloads.B. M. Kte’pi, «MATLAB (matrix laboratory).,» Salem Press Encyclopedia of Science, p. 1, 2020.M. B. Velasco, F. C. Roldán, R. J. Martínez y J. S. Landete, Tratamiento Digital de Señales, Universidad de Alcalá, 2013.E. Ogier, Multi-layer perceptron, MATLAB Central File Exchange, 2018.A. Reyes, E. Camacho, A. Mateus y J. M. Calderón, «LSTM based brain-machine interface tool for text generation through eyes blinking detection,» IEEE 18th Annual Consumer Communications & Networking Conference (CCNC), pp. 1-6, 2021.ORIGINAL2021luisabejarano.pdf2021luisabejarano.pdfTrabajo de Gradoapplication/pdf2121002https://repository.usta.edu.co/bitstream/11634/34737/2/2021luisabejarano.pdf340ba0c02a32456c9c4d81a1e2cef4f6MD52open accessCarta Derechos de Autor.pdfCarta Derechos de Autor.pdfCarta Derechos de Autorapplication/pdf127683https://repository.usta.edu.co/bitstream/11634/34737/1/Carta%20Derechos%20de%20Autor.pdfa8d1e0100b4047e11732bdbf91596eeeMD51metadata only accessCarta Aprobacion Facultad.pdfCarta Aprobacion Facultad.pdfCarta Aprobación Facultadapplication/pdf169579https://repository.usta.edu.co/bitstream/11634/34737/3/Carta%20Aprobacion%20Facultad.pdfa2aeace6a2ca74bef224945635fd53c8MD53metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/34737/4/license_rdf217700a34da79ed616c2feb68d4c5e06MD54open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/34737/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessTHUMBNAIL2021luisabejarano.pdf.jpg2021luisabejarano.pdf.jpgIM Thumbnailimage/jpeg4982https://repository.usta.edu.co/bitstream/11634/34737/6/2021luisabejarano.pdf.jpg23c8cdf6015f9330b48ff300fbb974d9MD56open accessCarta Derechos de Autor.pdf.jpgCarta Derechos de Autor.pdf.jpgIM Thumbnailimage/jpeg7256https://repository.usta.edu.co/bitstream/11634/34737/7/Carta%20Derechos%20de%20Autor.pdf.jpga9fe252df468206959d5ffd15d5093c7MD57open accessCarta Aprobacion Facultad.pdf.jpgCarta Aprobacion Facultad.pdf.jpgIM Thumbnailimage/jpeg6191https://repository.usta.edu.co/bitstream/11634/34737/8/Carta%20Aprobacion%20Facultad.pdf.jpgcac3d04b3eb7cad0398f077416807398MD58open access11634/34737oai:repository.usta.edu.co:11634/347372023-07-19 17:07:34.704open accessRepositorio Universidad Santo Tomásnoreply@usta.edu.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 |