Control neuro-fuzzy para páncreas artificial desarrollo y validación in-silico
La Diabetes Mellitus Tipo 1 (DMT1) es una de las enfermedades actuales más dañinas que afectan a personas de cualquier edad incluyendo niños desde el nacimiento. Las inyecciones de insulina exógena siguen siendo el tratamiento más común para estos pacientes, sin embargo, no es el óptimo. La comunida...
- Autores:
-
Rios, Y.
García Rodríguez, J. A.
Sánchez, E.
Alanis, A.
Ruiz-Velázquez, E.
Pardo, A.
- Tipo de recurso:
- Fecha de publicación:
- 2020
- Institución:
- Universidad Tecnológica de Bolívar
- Repositorio:
- Repositorio Institucional UTB
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.utb.edu.co:20.500.12585/9549
- Acceso en línea:
- https://hdl.handle.net/20.500.12585/9549
https://polipapers.upv.es/index.php/RIAI/article/view/13035/12926
- Palabra clave:
- Diabetes Mellitus Tipo1
Hardware en el lazo
Controlador embebido
Páncreas artificial
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/4.0/
| id |
UTB2_7f2d996a972a572a9511a3985d0d13bd |
|---|---|
| oai_identifier_str |
oai:repositorio.utb.edu.co:20.500.12585/9549 |
| network_acronym_str |
UTB2 |
| network_name_str |
Repositorio Institucional UTB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Control neuro-fuzzy para páncreas artificial desarrollo y validación in-silico |
| dc.title.alternative.spa.fl_str_mv |
Neuro-fuzzy control for artificial pancreas: in silico development and validation |
| title |
Control neuro-fuzzy para páncreas artificial desarrollo y validación in-silico |
| spellingShingle |
Control neuro-fuzzy para páncreas artificial desarrollo y validación in-silico Diabetes Mellitus Tipo1 Hardware en el lazo Controlador embebido Páncreas artificial |
| title_short |
Control neuro-fuzzy para páncreas artificial desarrollo y validación in-silico |
| title_full |
Control neuro-fuzzy para páncreas artificial desarrollo y validación in-silico |
| title_fullStr |
Control neuro-fuzzy para páncreas artificial desarrollo y validación in-silico |
| title_full_unstemmed |
Control neuro-fuzzy para páncreas artificial desarrollo y validación in-silico |
| title_sort |
Control neuro-fuzzy para páncreas artificial desarrollo y validación in-silico |
| dc.creator.fl_str_mv |
Rios, Y. García Rodríguez, J. A. Sánchez, E. Alanis, A. Ruiz-Velázquez, E. Pardo, A. |
| dc.contributor.author.none.fl_str_mv |
Rios, Y. García Rodríguez, J. A. Sánchez, E. Alanis, A. Ruiz-Velázquez, E. Pardo, A. |
| dc.subject.keywords.spa.fl_str_mv |
Diabetes Mellitus Tipo1 Hardware en el lazo Controlador embebido Páncreas artificial |
| topic |
Diabetes Mellitus Tipo1 Hardware en el lazo Controlador embebido Páncreas artificial |
| description |
La Diabetes Mellitus Tipo 1 (DMT1) es una de las enfermedades actuales más dañinas que afectan a personas de cualquier edad incluyendo niños desde el nacimiento. Las inyecciones de insulina exógena siguen siendo el tratamiento más común para estos pacientes, sin embargo, no es el óptimo. La comunidad científica se ha esforzado en optimizar el suministro de insulina usando dispositivos electrónicos y de esta manera mejorar la esperanza de vida de los diabéticos. Existen numerosas limitaciones para que esta evolución biomédica sea realidad tales como la validación de algoritmos controladores, experimentación con dispositivos electrónicos, aplicabilidad en pacientes de diferentes edades, entre otras. Este trabajo presenta el prototipado de un controlador inteligente neuro-fuzzy en la tarjeta LAUNCHXL-F28069M de Texas Instruments para formar un esquema de hardware en el lazo (HIL). Esto es, el controlador embebido manda los datos de la tasa de suministro de insulina al computador donde se capturan por el software Uva/Padova y se integran a la simulación metabólica de pacientes diabéticos virtuales tratados con bomba de insulina. Una tarea principal del algoritmo inteligente embebido es determinar la tasa óptima de infusión insulínica para cada uno de los 30 pacientes virtuales disponibles, los cuales llevan un protocolo de comida. La novedad de este trabajo se centra en superar las limitaciones actuales a través de un primer enfoque de algoritmo de control inteligente aplicable al páncreas artificial (PA) y analizar la factibilidad de esta propuesta en la trascendencia con la edad ya que los resultados corresponden a pruebas in-silico en poblaciones de 10 adultos, 10 adolescentes y 10 niños. |
| publishDate |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2020-11-04T21:45:09Z |
| dc.date.available.none.fl_str_mv |
2020-11-04T21:45:09Z |
| dc.date.issued.none.fl_str_mv |
2020 |
| dc.date.submitted.none.fl_str_mv |
2020-11-04 |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/article |
| dc.type.hasversion.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.spa.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 |
| status_str |
publishedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Rios, Y., Garc ́ıa-Rodríguez, J., Sanchez, E., Alanis, A., Ruiz-Velázquez, E., Pardo, A. 2020. Neuro-fuzzy control for artificial pancreas: in silico development and validation. Revista Iberoamericana de Autom ́atica e Inform ́atica Industrial 17, 390-400. https://doi.org/10.4995/riai.2020.13035 |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12585/9549 |
| dc.identifier.url.none.fl_str_mv |
https://polipapers.upv.es/index.php/RIAI/article/view/13035/12926 |
| dc.identifier.doi.none.fl_str_mv |
10.4995/riai.2020.13035 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Tecnológica de Bolívar |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Universidad Tecnológica de Bolívar |
| identifier_str_mv |
Rios, Y., Garc ́ıa-Rodríguez, J., Sanchez, E., Alanis, A., Ruiz-Velázquez, E., Pardo, A. 2020. Neuro-fuzzy control for artificial pancreas: in silico development and validation. Revista Iberoamericana de Autom ́atica e Inform ́atica Industrial 17, 390-400. https://doi.org/10.4995/riai.2020.13035 10.4995/riai.2020.13035 Universidad Tecnológica de Bolívar Repositorio Universidad Tecnológica de Bolívar |
| url |
https://hdl.handle.net/20.500.12585/9549 https://polipapers.upv.es/index.php/RIAI/article/view/13035/12926 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.cc.*.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 Internacional |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
11 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.place.spa.fl_str_mv |
Cartagena de Indias |
| dc.source.spa.fl_str_mv |
Revista Iberoamericana de Automática e Informática Industrial 17 (2020) 390-400 |
| institution |
Universidad Tecnológica de Bolívar |
| bitstream.url.fl_str_mv |
https://repositorio.utb.edu.co/bitstream/20.500.12585/9549/3/license.txt https://repositorio.utb.edu.co/bitstream/20.500.12585/9549/1/95.pdf https://repositorio.utb.edu.co/bitstream/20.500.12585/9549/2/license_rdf https://repositorio.utb.edu.co/bitstream/20.500.12585/9549/4/95.pdf.txt https://repositorio.utb.edu.co/bitstream/20.500.12585/9549/5/95.pdf.jpg |
| bitstream.checksum.fl_str_mv |
e20ad307a1c5f3f25af9304a7a7c86b6 afa906aa002704cba461d9a5ea1d8478 4460e5956bc1d1639be9ae6146a50347 7ca1caec015f49ca68a53a9724d50027 26ab75609d2d1a01252e7f3c01198baa |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional UTB |
| repository.mail.fl_str_mv |
repositorioutb@utb.edu.co |
| _version_ |
1814021625678397440 |
| spelling |
Rios, Y.e5931605-385a-49c3-aa72-10bea548d473García Rodríguez, J. A.dad588f6-98cc-4964-8952-54fae7514277Sánchez, E.c3cbed96-e403-4c87-ab73-58db9db4655cAlanis, A.196ea685-074f-4634-b57b-b34966aa28edRuiz-Velázquez, E.c52110a4-da5c-4ebe-acb8-77dc239458f5Pardo, A.8ce2fae6-f9b5-436d-9e84-8cb7a13cf4602020-11-04T21:45:09Z2020-11-04T21:45:09Z20202020-11-04Rios, Y., Garc ́ıa-Rodríguez, J., Sanchez, E., Alanis, A., Ruiz-Velázquez, E., Pardo, A. 2020. Neuro-fuzzy control for artificial pancreas: in silico development and validation. Revista Iberoamericana de Autom ́atica e Inform ́atica Industrial 17, 390-400. https://doi.org/10.4995/riai.2020.13035https://hdl.handle.net/20.500.12585/9549https://polipapers.upv.es/index.php/RIAI/article/view/13035/1292610.4995/riai.2020.13035Universidad Tecnológica de BolívarRepositorio Universidad Tecnológica de BolívarLa Diabetes Mellitus Tipo 1 (DMT1) es una de las enfermedades actuales más dañinas que afectan a personas de cualquier edad incluyendo niños desde el nacimiento. Las inyecciones de insulina exógena siguen siendo el tratamiento más común para estos pacientes, sin embargo, no es el óptimo. La comunidad científica se ha esforzado en optimizar el suministro de insulina usando dispositivos electrónicos y de esta manera mejorar la esperanza de vida de los diabéticos. Existen numerosas limitaciones para que esta evolución biomédica sea realidad tales como la validación de algoritmos controladores, experimentación con dispositivos electrónicos, aplicabilidad en pacientes de diferentes edades, entre otras. Este trabajo presenta el prototipado de un controlador inteligente neuro-fuzzy en la tarjeta LAUNCHXL-F28069M de Texas Instruments para formar un esquema de hardware en el lazo (HIL). Esto es, el controlador embebido manda los datos de la tasa de suministro de insulina al computador donde se capturan por el software Uva/Padova y se integran a la simulación metabólica de pacientes diabéticos virtuales tratados con bomba de insulina. Una tarea principal del algoritmo inteligente embebido es determinar la tasa óptima de infusión insulínica para cada uno de los 30 pacientes virtuales disponibles, los cuales llevan un protocolo de comida. La novedad de este trabajo se centra en superar las limitaciones actuales a través de un primer enfoque de algoritmo de control inteligente aplicable al páncreas artificial (PA) y analizar la factibilidad de esta propuesta en la trascendencia con la edad ya que los resultados corresponden a pruebas in-silico en poblaciones de 10 adultos, 10 adolescentes y 10 niños.Type 1 Diabetes Mellitus (DMT1) is currently one of the most harmful diseases that aect people of any age, including children from birth. Exogenous insulin injections remain the most common treatment for these patients, however, it is not the optimal one. The scientific community has endeavored to optimize insulin administration using electronic devices and thus improve the diabetics life expectancy. There are numerous limitations for this biomedical evolution to become a reality such as the control algorithms validation, experimentation with electronic devices, and applicability in patients age transcendence, among others. This work presents the prototyping of a neuro-fuzzy intelligent controller on the Texas Instruments LAUNCHXL-F28069M development board to form a hardware in the loop (HIL) scheme. That is, the embedded controller sends the insulin delivery rate data to the computer where it is captured by the Uva/Padova software and integrated into the metabolic simulation of virtual diabetic patients treated with an insulin pump. The main task of the embedded intelligent algorithm is to determine the optimal insulin infusion rate for each of the 30 virtual patients who follow a meal protocol. The novelty of this work focuses on overcoming current limitations through a first intelligent control algorithm approach applicable to artificial pancreas (AP) and analyzing the feasibility of this proposal in age transcendence since the results correspond to in-silico tests in populations of 10 adults, 10 adolescents and 10 children.11 páginasapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://purl.org/coar/access_right/c_abf2Revista Iberoamericana de Automática e Informática Industrial 17 (2020) 390-400Control neuro-fuzzy para páncreas artificial desarrollo y validación in-silicoNeuro-fuzzy control for artificial pancreas: in silico development and validationinfo:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_2df8fbb1Diabetes Mellitus Tipo1Hardware en el lazoControlador embebidoPáncreas artificialCartagena de IndiasPúblico generalAlanis, A. Y., Sanchez, E. N., Loukianov, A. G., 2007. Discrete-Time Adaptive Backstepping Nonlinear Control via High-Order Neural Networks. IEEE Transactions on Neural Networks 18 (4), 1185–1195. DOI: 10.1109/TNN.2007.899170American Diabetes Association, 2013. Economic costs of diabetes in the U.S. in 2012. Diabetes Care 36 (4), 1033–1046. DOI: 10.2337/dc12-2625Brown, J. B., Pedula, K. L., Bakst, A. W., 09 1999. The Progressive Cost of Complications in Type 2 Diabetes Mellitus. JAMA Internal Medicine 159 (16), 1873–1880. URL: https://doi.org/10.1001/archinte.159.16.1873 DOI: 10.1001/archinte.159.16.1873Centers for Disease Control and Prevention, 2017. National Diabetes Statistics Report, 2017. Estimates of Diabetes and Its Burden in the United States. National Center for Chronic Disease Prevention and Health Promotion. USA. 1 (1), 1–20.Chang, F. J., Chiang, Y. M., Chang, L. C., 2010. Multi-step-ahead neural networks for flood forecasting. Hydrological Sciences Journal 52 (1), 114–130. DOI: 10.1623/hysj.52.1.114Chen, P. A., Chang, L. C., Chang, F. J., 2013. Reinforced recurrent neural networks for multi-step-ahead flood forecasts. Journal of Hydrology 497 (2013), 71–79. DOI: 10.1016/j.jhydrol.2013.05.038Cinar, A., 2018. Artificial Pancreas Systems: An Introduction to the Special Issue. IEEE Control Systems 38 (1), 26–29. DOI: 10.1109/MCS.2017.2766321Control, T. D., Group, C. T. R., 1993. The effect of intensive treatment of diabetes on the development and progression of long-term complications in insulin-dependent diabetes mellitus. New England Journal of Medicine 329 (14), 977–986, pMID: 8366922. DOI: 10.1056/NEJM199309303291401Dalla Man, C., Micheletto, F., Lv, D., Breton, M., Kovatchev, B., Cobelli, C., jan 2014. The UVA/PADOVA Type 1 Diabetes Simulator. Journal of Diabetes Science and Technology 8 (1), 26–34. DOI: 10.1177/1932296813514502Freeman, R. A., Kokotovic, P., 2009. Robust Nonlinear Control Design, ´ springer s Edition. Birkhauser Boston, Boston. ¨ DOI: 10.1007/978-0-8176-4759-9Geman, O., Chiuchisan, I., Toderean, R., 2017. Application of adaptive neuro-fuzzy inference system for diabetes classification and prediction. In: 2017 E-Health and Bioengineering Conference (EHB). Sinaia, pp. 639–642. DOI: 10.1109/EHB.2017.7995505Institute of Medicine, 2005. Summary Tables, Dietary Reference Intakes. In: Press, T. N. A. (Ed.), Dietary Reference Intakes for Energy, the nation Edition. Elsevier, Washington D.C, U.S., Ch. Summary Ta, pp. 1319–1331. DOI: 10.17226/10490Karahoca, A., Karahoca, D., Kara, A., sep 2009. Diagnosis of diabetes by using adaptive neuro fuzzy inference systems. In: 2009 Fifth International Conference on Soft Computing, Computing with Words and Perceptions in System Analysis, Decision and Control. Famagusta, pp. 1–4. DOI: 10.1109/ICSCCW.2009.5379497Kim, S., 2007. Burden of hospitalizations primarily due to uncontrolled diabetes. Diabetes Care 30 (5), 1281–1282. URL: http://care.diabetesjournals.org/content/30/5/1281 DOI: 10.2337/dc06-2070Kovatchev, B., Raimondo, D., Breton, M., Patek, S., Cobelli, C., jan 2008. In Silico Testing and in Vivo Experiments with Closed-Loop Control of Blood Glucose in Diabetes. IFAC Proceedings Volumes 41 (2), 4234–4239. DOI: 10.3182/20080706-5-KR-1001.00712Kovatchev, B. P., Breton, M., Dalla Man, C., Cobelli, C., 2009. In silico preclinical trials: A proof of concept in closed-loop control of type 1 diabetes. Journal of Diabetes Science and Technology 3 (1), 44–55. DOI: 10.1177/193229680900300106Kropff, J., et al., December 2015. 2 month evening and night closed-loop glucose control in patients with type 1 diabetes under free-living conditions: a randomised crossover trial. The Lancet Diabetes & Endocrinology 3 (2), 939–947. DOI: 10.1016/S2213-8587(15)00335-6Kux, L., 2012. Guidance for Industry and Food and Drug Administration Staff; The Content of Investigational Device Exemption and Premarket Approval Applications for Artificial Pancreas Device Systems; Availability. Federal Register 77 (226), 1–63.Lekkas, S., Mikhailov, L., 2010. Evolving fuzzy medical diagnosis of Pima Indians diabetes and of dermatological diseases. Artificial Intelligence in Medicine 50 (2), 117–126. DOI: 10.1016/j.artmed.2010.05.007Leon, B. S., Alanis, A. Y., Sanchez, E. N., Ornelas-Tellez, F., Ruiz-Velazquez, E., 2013. Neural inverse optimal control applied to type 1 diabetes mellitus patients. Analog Integrated Circuits and Signal Processing 76 (3), 343–352. DOI: 10.1007/s10470-013-0109-8Li, W., Todorov, E., Liu, D., 2011. Inverse optimality design for biological movement systems. In: IFAC Proceedings Volumes (IFAC-PapersOnline). Vol. 44. Elsevier, Milano, pp. 9662–9667. DOI: 10.3182/20110828-6-IT-1002.00877Nath, A., Dey, R., Balas, V. E., 2018. Closed Loop Blood Glucose Regulation of Type 1 Diabetic Patient Using Takagi-Sugeno Fuzzy Logic Control. In: Advances in Intelligent Systems and Computing. Springer, Cham, Switzerland, pp. 286–296.Ornelas, F., Sanchez, E. N., Loukianov, A. G., 2011. Discrete-time nonlinear systems inverse optimal control: A control Lyapunov function approach. In: Proceedings of the IEEE International Conference on Control Applications. IEEE, Denver, pp. 1431–1436. DOI: 10.1109/CCA.2011.6044461Ornelas-Tellez, F., Sanchez, E. N., Loukianov, A. G., Navarro-Lopez, E. M., 2011. Speed-gradient inverse optimal control for discrete-time nonlinear systems. In: Proceedings of the IEEE Conference on Decision and Control. IEEE, Orlando, pp. 290–295. DOI: 10.1109/CDC.2011.6160374Pesl, P., Herrero, P., Reddy, M., Xenou, M., Oliver, N., Johnston, D., Toumazou, C., Georgiou, P., Jan 2016. An advanced bolus calculator for type 1 diabetes: System architecture and usability results. IEEE Journal of Biomedical and Health Informatics 20 (1), 11–17. DOI: 10.1109/JBHI.2015.2464088Rios, Y. Y., Garcia-Rodriguez, J., Sanchez, E. N., Alanis, A. Y., Ruiz-Velazquez, E., 2018a. Rapid Prototyping of Neuro-Fuzzy Inverse Optimal Control as Applied to T1DM Patients. In: 2018 IEEE Latin American Conference on Computational Intelligence (LA-CCI). IEEE, Guadalajara, pp. 1–5. DOI: 10.1109/LA-CCI.2018.8625241Rios, Y. Y., Garc´ıa-Rodr´ıguez, J. A., , Sanchez, E. N., Alanis, A. Y., Ruiz-Velazquez, E., Dur ´ an, C., 2018b. Treatment for T1DM patients ´ using neuro-fuzzy inverse optimal control algorithm: a rapid prototyping implementation. In: Revista Colombiana de Tecnolog´ıas de Avanzada. Colombia, pp. 26–33.Rios, Y. Y., Garc´ıa-Rodr´ıguez, J. A., Sanchez, O. D., Sanchez, E. N., Alanis, ´ A. Y., Ruiz-Velazquez, E., Arana-Daniel, N., 2018c. Inverse Optimal ´ Control Using A Neural Multi-Step Predictor for T1DM Treatment. In: Proceedings of the International Joint Conference on Neural Networks. Rio de Janeiro, pp. 1–8. DOI: 10.1109/IJCNN.2018.8489197Rovithakis, G. A., Christodoulou, M. A., 2000. Adaptive Control with Recurrent High-order Neural Networks : Theory and Industrial Applications. Springer London, London, U.K.Sanchez, E. N., Ornelas-Tellez, F., 2013. Discrete-time inverse optimal control for nonlinear systems, taylor & f Edition. CRC Press, Boca Raton, Florida, U.S. DOI: 10.1201/b14779Takagi, T., Sugeno, M., 1985. Fuzzy Identification of Systems and Its Applications to Modeling and Control. IEEE Transactions on Systems, Man and Cybernetics SMC-15 (1), 116 – 132. DOI: 10.1109/TSMC.1985.6313399Thabit, H., Hovorka, R., Sep. 2016. Coming of age: the artificial pancreas for type 1 diabetes. Diabetologia 59 (9), 1795–1805. DOI: 10.1007/s00125-016-4022-4Trevitt, S., Simpson, S., Wood, A., 2016. Artificial Pancreas Device Systems for the Closed-Loop Control of Type 1 Diabetes. Journal of Diabetes Science and Technology 10 (3), 714–723. DOI: 10.1177/1932296815617968Turksoy, K., Samadi, S., Feng, J., Littlejohn, E., Quinn, L., Cinar, A., Jan 2016. Meal detection in patients with type 1 diabetes: A new module for the multivariable adaptive artificial pancreas control system. IEEE Journal of Biomedical and Health Informatics 20 (1), 47–54. DOI: 10.1109/JBHI.2015.2446413van Bon, A. C., Luijf, Y. M., Koebrugge, R., Koops, R., Hoekstra, J. B. L., DeVries, J. H., 2014. Feasibility of a Portable Bihormonal Closed-Loop System to Control Glucose Excursions at Home Under Free-Living Conditions for 48 Hours. Diabetes Technology & Therapeutics 16 (3), 131–136, pMID: 24224750. DOI: 10.1089/dia.2013.0166Yeh, H., et al., 2012. Comparative effectiveness and safety of methods of insulin delivery and glucose monitoring for diabetes mellitus: A systematic review and meta-analysis. Annals of Internal Medicine 157 (5), 336–347. DOI: 10.7326/0003-4819-157-5-201209040-00508http://purl.org/coar/resource_type/c_2df8fbb1LICENSElicense.txtlicense.txttext/plain; charset=utf-83182https://repositorio.utb.edu.co/bitstream/20.500.12585/9549/3/license.txte20ad307a1c5f3f25af9304a7a7c86b6MD53ORIGINAL95.pdf95.pdfArtículo principalapplication/pdf5384435https://repositorio.utb.edu.co/bitstream/20.500.12585/9549/1/95.pdfafa906aa002704cba461d9a5ea1d8478MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.utb.edu.co/bitstream/20.500.12585/9549/2/license_rdf4460e5956bc1d1639be9ae6146a50347MD52TEXT95.pdf.txt95.pdf.txtExtracted texttext/plain56694https://repositorio.utb.edu.co/bitstream/20.500.12585/9549/4/95.pdf.txt7ca1caec015f49ca68a53a9724d50027MD54THUMBNAIL95.pdf.jpg95.pdf.jpgGenerated Thumbnailimage/jpeg103937https://repositorio.utb.edu.co/bitstream/20.500.12585/9549/5/95.pdf.jpg26ab75609d2d1a01252e7f3c01198baaMD5520.500.12585/9549oai:repositorio.utb.edu.co:20.500.12585/95492023-05-26 10:11:42.481Repositorio Institucional UTBrepositorioutb@utb.edu.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 |