Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales
En este trabajo se presenta una metodología de entrenamiento de máquina a partir de ambientes multi-etiquetador, cuando la presencia de un conjunto de etiquetas confiable o Ground Truth no puede obtenerse de manera trivial y requiere obtenerse a partir del criterio de un grupo de evaluadores. Median...
- Autores:
-
Murillo Rendón, Santiago
- Tipo de recurso:
- Fecha de publicación:
- 2013
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/12022
- Acceso en línea:
- https://repositorio.unal.edu.co/handle/unal/12022
http://bdigital.unal.edu.co/9624/
- Palabra clave:
- 61 Ciencias médicas; Medicina / Medicine and health
62 Ingeniería y operaciones afines / Engineering
Aprendizaje automático (inteligencia artificial)
electrónica médica
fonocardiografía
Reconocimiento óptico de modelos
Machine learning
medical electronics
phonocardiography
Multi-etiquetador
vector de etiquetas
lti-labeler, labeling vector
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| id |
UNACIONAL2_f8cf6c1ae01b9d9b22ce216c69bd13fb |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/12022 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales |
| title |
Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales |
| spellingShingle |
Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales 61 Ciencias médicas; Medicina / Medicine and health 62 Ingeniería y operaciones afines / Engineering Aprendizaje automático (inteligencia artificial) electrónica médica fonocardiografía Reconocimiento óptico de modelos Machine learning medical electronics phonocardiography Multi-etiquetador vector de etiquetas lti-labeler, labeling vector |
| title_short |
Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales |
| title_full |
Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales |
| title_fullStr |
Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales |
| title_full_unstemmed |
Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales |
| title_sort |
Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales |
| dc.creator.fl_str_mv |
Murillo Rendón, Santiago |
| dc.contributor.advisor.spa.fl_str_mv |
Castellanos Domínguez, César Germán (Thesis advisor) |
| dc.contributor.author.spa.fl_str_mv |
Murillo Rendón, Santiago |
| dc.subject.ddc.spa.fl_str_mv |
61 Ciencias médicas; Medicina / Medicine and health 62 Ingeniería y operaciones afines / Engineering |
| topic |
61 Ciencias médicas; Medicina / Medicine and health 62 Ingeniería y operaciones afines / Engineering Aprendizaje automático (inteligencia artificial) electrónica médica fonocardiografía Reconocimiento óptico de modelos Machine learning medical electronics phonocardiography Multi-etiquetador vector de etiquetas lti-labeler, labeling vector |
| dc.subject.proposal.spa.fl_str_mv |
Aprendizaje automático (inteligencia artificial) electrónica médica fonocardiografía Reconocimiento óptico de modelos Machine learning medical electronics phonocardiography Multi-etiquetador vector de etiquetas lti-labeler, labeling vector |
| description |
En este trabajo se presenta una metodología de entrenamiento de máquina a partir de ambientes multi-etiquetador, cuando la presencia de un conjunto de etiquetas confiable o Ground Truth no puede obtenerse de manera trivial y requiere obtenerse a partir del criterio de un grupo de evaluadores. Mediante la modificación de la formulación estándar de una máquina de soporte vectorial es posible no solo obtener un conjunto de etiquetas confiable, sino también penalizar la calidad de evaluación de cada persona y emitir un valor de carácter objetivo de cara a la naturaleza de los datos. La metodología es probada sobre bases de datos reales como son la base de datos de voz para el estudio de hipernasalidad y la base de datos de fonocardiografía para el estudio de soplos, ambas bases de datos cuentan con etiquetas obtenidas de personal especialista. También es sometida a la base de datos Iris, ampliamente utilizada para ilustrar procedimientos relacionados con el reconocimiento de patrones y a la cual se han adicionado conjuntos de etiquetas simulados para presentar características particulares de la metodología expuesta. De manera adicional, se presenta la extensión de la metodología al caso multiclase abordado desde las propuestas habituales para máquinas de soporte vectorial y se sugiere una formulación especial del problema de optimización que incluye los datos de todas las clases al tiempo |
| publishDate |
2013 |
| dc.date.issued.spa.fl_str_mv |
2013 |
| dc.date.accessioned.spa.fl_str_mv |
2019-06-25T00:35:24Z |
| dc.date.available.spa.fl_str_mv |
2019-06-25T00:35:24Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/12022 |
| dc.identifier.eprints.spa.fl_str_mv |
http://bdigital.unal.edu.co/9624/ |
| url |
https://repositorio.unal.edu.co/handle/unal/12022 http://bdigital.unal.edu.co/9624/ |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.ispartof.spa.fl_str_mv |
Universidad Nacional de Colombia Sede Manizales Facultad de Ingeniería y Arquitectura Departamento de Ingeniería Eléctrica, Electrónica y Computación Departamento de Ingeniería Eléctrica, Electrónica y Computación |
| dc.relation.references.spa.fl_str_mv |
Murillo Rendón, Santiago (2013) Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales. Maestría thesis, Universidad Nacional de Colombia - Sede Manizales. |
| dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad Nacional de Colombia |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial 4.0 Internacional Derechos reservados - Universidad Nacional de Colombia http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/12022/1/7110505.2013.pdf https://repositorio.unal.edu.co/bitstream/unal/12022/2/7110505.2013.pdf.jpg |
| bitstream.checksum.fl_str_mv |
d1bdd8bc1fe78869d201f7f69bb6402a 166c59115e871e236631ddbbae5fb8b1 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1812169678833844224 |
| spelling |
Atribución-NoComercial 4.0 InternacionalDerechos reservados - Universidad Nacional de Colombiahttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Castellanos Domínguez, César Germán (Thesis advisor)c792a029-43aa-4eb1-ac01-0b8ac24a537e-1Murillo Rendón, Santiagoa258778b-cccd-420c-a778-1ddc21a091d63002019-06-25T00:35:24Z2019-06-25T00:35:24Z2013https://repositorio.unal.edu.co/handle/unal/12022http://bdigital.unal.edu.co/9624/En este trabajo se presenta una metodología de entrenamiento de máquina a partir de ambientes multi-etiquetador, cuando la presencia de un conjunto de etiquetas confiable o Ground Truth no puede obtenerse de manera trivial y requiere obtenerse a partir del criterio de un grupo de evaluadores. Mediante la modificación de la formulación estándar de una máquina de soporte vectorial es posible no solo obtener un conjunto de etiquetas confiable, sino también penalizar la calidad de evaluación de cada persona y emitir un valor de carácter objetivo de cara a la naturaleza de los datos. La metodología es probada sobre bases de datos reales como son la base de datos de voz para el estudio de hipernasalidad y la base de datos de fonocardiografía para el estudio de soplos, ambas bases de datos cuentan con etiquetas obtenidas de personal especialista. También es sometida a la base de datos Iris, ampliamente utilizada para ilustrar procedimientos relacionados con el reconocimiento de patrones y a la cual se han adicionado conjuntos de etiquetas simulados para presentar características particulares de la metodología expuesta. De manera adicional, se presenta la extensión de la metodología al caso multiclase abordado desde las propuestas habituales para máquinas de soporte vectorial y se sugiere una formulación especial del problema de optimización que incluye los datos de todas las clases al tiempoAbstract : In this work, a machine training methodology from multi-labeler environments is presented, when a truthful label set (Ground Truth) cannot obtain by a trivial way and it is necessary to obtain from the experts team criteria. A modification of traditional Support Vector Machine formulation is proposed to obtain a truthful label set and a penalization value for each expert, this penalization values is an objective criterion corresponding with the data nature. The methodology is tested over real database, for instance voice and phonocardiography database used to detect hypernasality and heart murmurs, respectively. Also, the Iris database widely used in pattern recognition scenarios and a simulated label set allow to show particular characteristics of the methodology. Additionally, the multiclass methodology extension is addressed by means of habitual support vector machine proposes. Finally a special optimization formulation is considered to take the information from all the classes at the same timeMaestríaapplication/pdfspaUniversidad Nacional de Colombia Sede Manizales Facultad de Ingeniería y Arquitectura Departamento de Ingeniería Eléctrica, Electrónica y ComputaciónDepartamento de Ingeniería Eléctrica, Electrónica y ComputaciónMurillo Rendón, Santiago (2013) Metodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñales. Maestría thesis, Universidad Nacional de Colombia - Sede Manizales.61 Ciencias médicas; Medicina / Medicine and health62 Ingeniería y operaciones afines / EngineeringAprendizaje automático (inteligencia artificial)electrónica médicafonocardiografíaReconocimiento óptico de modelosMachine learningmedical electronicsphonocardiographyMulti-etiquetadorvector de etiquetaslti-labeler, labeling vectorMetodología para el aprendizaje de máquina a partir de múltiples expertos en procesos de clasificación de bioseñalesTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMORIGINAL7110505.2013.pdfapplication/pdf4187540https://repositorio.unal.edu.co/bitstream/unal/12022/1/7110505.2013.pdfd1bdd8bc1fe78869d201f7f69bb6402aMD51THUMBNAIL7110505.2013.pdf.jpg7110505.2013.pdf.jpgGenerated Thumbnailimage/jpeg4830https://repositorio.unal.edu.co/bitstream/unal/12022/2/7110505.2013.pdf.jpg166c59115e871e236631ddbbae5fb8b1MD52unal/12022oai:repositorio.unal.edu.co:unal/120222022-09-29 23:05:19.117Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.co |