Oferta de TFT

El objetivo de este trabajo es utilizar redes neuronales convolucionales y/o Vision Transformers para clasificar y segmentar distintos tipos de enfermedades a partir de imágenes de resonancia magnética (MRI).

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 trata de desarrollar un plug-in Moodle para monitorizar imágenes de alumnos mientras están frente a la cámara de un ordenador portátil, durante una lección facilitada en Moodle y detectar con una granularidad fina las emociones de los sujetos.

Se espera publicar un artículo de revista indexada en parte como resultado de este TFG, incluyendo como autor al/la alumno/a.

Desarrollar una aplicación que permita jugar al bridge contra el ordenador, tanto en modo libre como guiado, para poder servir de herramienta de aprendizaje.

Se trata de diferentes propuestas para desarrollar en colaboración con la Cátedra de Tecnologías Médicas de la ULPGC, y con posibilidad de beca. Más detalle en la página de la cátedra.

Detección de cetáceos.

En colaboración con la empresa Arquimea.

Detección de objetos multifocal.

En colaboración con la empresa Arquimea.

Detección multimodal de objetos a partir de datos RGBT.

En colaboración con la empresa Arquimea.

Datasets de detección en entornos marinos.

En colaboración con la empresa Arquimea.

Aumentación en datasets para detección en entornos marinos.

En colaboración con la empresa Arquimea.

Se propone desarrollar una aplicación web en javascript que incluya la implementación de un método de detección de bordes en imágenes a nivel subpixel, y permita hacer zoom sobre la imagen para ver el resultado con mayor precisión. El objetivo es que dicha demo pueda publicarse en la revista científica online IPOL, donde ya existen otros métodos de procesado de imágenes que pueden aplicarse online.

El objetivo consistirá en desarrollar un visor de nubes de puntos para escenas exteriores, donde mostrar escenas rurales y urbanas que han sido escaneadas. El usuario debe poder orbitar y hacer zoom, al estilo de Google Earth, y seleccionar diferentes partes de la escena. Pueden usarse dos tecnologías diferentes para el desarrollo: Three.js, que es una librería javascript para gráficos 3D en la web, o Unreal Engine, que es un motor de videojuegos que usa C++ o blueprints.

-

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).

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/).

La interacción hombre-robot es una de las apuestas de la industria 5.0. En este TFT se propone que un humano interactúe con un brazo robótico de seis grados de libertad mediante el uso de sensores inerciales solidarios al brazo y mano de un sujeto. El TFT consistirá en llevar a cabo la interconexión de dispositivos con el fin de que el robot se mueva de acuerdo al movimiento del humano.

Requiere habilidades de programación en Matlab

El movimiento de los animales cuadrúpedos puede ser indicativo del bienestar animal. En este proyecto se pretende realizar un estudio del estado del sistema motor de animales cuadrúpedos como animales de ganado o mascotas (perros) y correlacionarlo con su bienestar. El movimiento se detectará con los sensores inerciales de un móvil. El movimiento se analizará en Matlab con la teoría cinemática de movimientos rápidos.

Requiere habilidades de programación en Matlab

Esta propuesta de TFT se enmarca en la línea de investigación interdisciplinar que desarrollan conjuntamente el área de Audiología y Equilibrio del Complejo Hospitalario Universitario Insular Materno-Infantil y el instituto universitario de investigación SIANI.
El equipo médico dispone de registros electrofisiológicos del nervio coclear (eCAPs) y de la función vestibular (VEMPs) en el oído interno.
Estos registros electrofisiológicos necesitan ser etiquetados para identificar las distintas partes que los componen. Actualmente, esta operación se realiza de forma manual.
En este TFT se propone implementar mediante técnicas de Inteligencia Artificial la marcación automática de los registros eCAP y VEMP.

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).