Ciencias de la Computación e Inteligencia Artificial

Sistemas Inteligentes

TítuloNº AlumnosTutor/esCategorías
Vigilancia Tecnológica y Análisis de Opiniones en Redes Sociales 1 Antonio Gabriel López Herrera

Análisis de datos
Bases de datos
Estructuras de datos
Inteligencia artificial
Machine Learning
Minería de datos
Preprocesamiento de datos
Procesamiento de Leng. Natural
Redes sociales
Sistemas Inteligentes
Sistemas paralelos/distribuidos
Web 2.0
Descripción

Con el advenimiento de las nuevas TIC, soportadas en la Web 2.0, millones de personas crean billones de conexiones a través de los medios sociales cada día; con cada click y cada tecla que se pulsa se crean relaciones que, de manera agregada, forman una vasta red social. Usuarios de herramientas de comunicación social (email, blogs, microblogs, wikis, ...) envían de manera ferviente mensajes personales o públicos, publican enérgicamente opiniones sobre algún producto, alguna persona o evento, o contribuyen altruistamente a la comunidad de conocimiento para realizar colaboraciones, promover la herencia cultural, o avanzar en el desarrollo de algún producto o idea.

Apasionados de las redes sociales crean y comparten (textos, imágenes, vídeos, enlaces, …) y valoran o recomiendan productos, personas y servicios contando sus experiencias; proporcionando ayuda a otras personas (sean vecinos o vivan en el otro extremo del mundo), y expresando su creatividad (por ejemplo, fotos en Flickr o Instagram; vídeos en YouTube o Vimeo; …); contribuyendo así a la Inteligencia Colectiva de la Web.

El resultado de todo esto son vastas y tremendamente complejas redes de conexiones que relacionan personas con otras personas, documentos, localizaciones, conceptos, y toda clase de objetos (principalmente digitales).

Nuevas herramientas de minería de opiniones son ahora más que nunca necesarias para recopilar, analizar, visualizar y generar conocimiento profundo (en forma de insights) a partir de los conjuntos de conexiones formadas de millones de mensajes, links, posts, ediciones, actualizaciones de fotos y vídeos, revisiones y recomendaciones de productos. Estas herramientas podrían ayudar a empresas en varios sentidos:

 

  • A conocer qué se dice (ya sea bueno o no tan bueno) sobre los productos, servicios, departamentos de la empresa, o incluso de la propia empresa, en qué sentido versan las opiniones de los ya clientes o de los potenciales consumidores.

 

  • A conocer qué están haciendo empresas competidoras en el sector, a conocer cuáles son los productos más relevantes en base a las opiniones positivas y buenos comentarios en las redes sociales.

 

    • A detectar los posibles nichos de actuación, tanto a corto como a medio plazo, en los que la empresa pueda desmarcarse de sus competidores. Por ejemplo, un fabricante (o incluso distribuidor) de dispositivos móviles podría sondear los medios sociales y detectar que los consumidores valoran positivamente las pantallas grandes (o por el contrario negativamente las pequeñas) y en base a ello adelantarse al mercado y en consecuencia producir (o adquirir) nuevos dispositivos con estas características.
    • También podrían servir para localizar qué personas o grupos son los que más activamente interaccionan con la red (tienen muchos seguidores y aportan muchas y razonadas revisiones de productos), y por tanto influyendo en su entorno.

 

En el proyecto que solicitamos desarrollaremos una herramienta software para el análisis masivo de datos procede de diferentes medios sociales, cuyas principales características serán:

 

  • Poder agregar datos procedentes de diferentes medios sociales,
  • Poder realizar análisis combinados tanto de personas, como de objetos (productos, servicios, etc.), como de comentarios,
  • Que permita detectar el sentido (positivo, negativo o neutral) en el que giran los comentarios, cuantificando el grado en el que son positivos o negativos, así como predecir patrones de comportamiento a partir de dicha información.
  • Que permita realizar todo en una misma aplicación (descarga de datos, preprocesamiento, análisis y visualización).

Para más información contactar con el profesor.

Conocimientos Previos

Bases de datos

Lenguajes de programación: Java, R y/o Python

Sistema inteligente para identificar periodos de sueño con acelerometría 1 Juan Manuel Fernández Luna

Análisis de datos
Minería de datos
Sistemas Inteligentes
Descripción

 

Contextualización y problema

Los acelerómetros son unos dispositivos en creciente uso en el ámbito de la actividad física y el deporte. Se trata de unos dispositivos capaces de medir las aceleraciones del segmento del cuerpo donde se llevan puesto, y a través de esa medición, obtener unas estimaciones más o menos precisas sobre la cantidad de tiempo que una persona ha estado realizando actividad física a diferentes intensidades (ligera, moderada, vigorosa, moderada-vigorosa) durante cada día.

Para estimar la actividad física diaria de una persona es necesario desechar los periodos de sueño en los que no se realiza actividad voluntaria. Para ello, se pueden eliminar estos datos de forma manual o bien se pueden aplicar unos algoritmos que identifican los periodos de sueño automáticamente para extraerlos en los análisis posteriores. En los últimos años, estos algoritmos de sueño son capaces de analizar otras variables relacionadas con la calidad de sueño, como son: la eficiencia del sueño, la latencia del sueño o los periodos en los que la persona se despierta durante la noche, entre otros.

Tradicionalmente, los acelerómetros han sido colocados en la cadera aunque en los últimos años está incrementando su uso en la muñeca. Los estudios para desarrollar algoritmos de actividad física para personas adultas se han diseñado con el acelerómetro colocado en la cadera. Sin embargo, para identificar/analizar el sueño en esta población, lo habitual ha sido siempre colocar el dispositivo en la muñeca no dominante. Por lo tanto, nos encontramos con el problema de la imposibilidad de medir actividad física y sueño en una persona adulta con un mismo acelerómetro. En su lugar, habría que utilizar dos: uno en la cadera y el otro en la muñeca, cuestión que por razones económicas y factibilidad es a menudo imposible. En este sentido, el objetivo de este estudio que se propone será diseñar un algoritmo capaz de identificar periodos de sueño a través de las aceleraciones registradas en la cadera.

Metodología

Con el objeto de alcanzar el objetivo propuesto, tenemos disponibles los archivos con datos de acelerometría de 40 adultos investigadores o estrechamente relacionados con el mundo de la investigación. Cada uno de estos adultos llevó puesto 3 acelerómetros (uno en la cadera, y dos en las muñecas) durante una semana completa (modelo ActiSleep, marca ActiGraph, Pensacola, USA). Por tanto, disponemos de 280 noches registradas para cada una de esas posiciones. Junto con el registro de acelerometría, a cada participante se le pidió que registrara en un diario la hora a la que se acostaba cada noche, la hora a la que se despertaba y volvía a la cama durante la noche (si fuera el caso) y la hora a la que se levantaba por la mañana. Se instruyó a los participantes a que hicieran este registro de la forma más exacta posible, como si de metodología de observación directa se tratara, lo que llamaremos pseudo-observación directa. Con el diario como criterio o gold standard, el objetivo es crear un sistema inteligente que sea capaz de identificar si la persona está despierta o durmiendo en base al registro acelerométrico.



Objetivos

El TFM consistirá en el desarrollo de una aplicación que incorpore técnicas de computación flexible para, a partir de los datos suministrados por los acelerómetros, identificar periodos de sueño. La aplicación se desarrollará en una aplicación de sobremesa.



Conocimientos Previos

Se considera necesario tener conocimientos de técnicas de computación flexible o haber cursado la asignatura de Inteligencia de Negocio.

Material

El habitual en el desarrollo de un proyecto informático.