Sistema de detección temprana de deterioro cognitivo a través del análisis del test de figura compleja de rey, haciendo uso de visión artificial

Cruz Prieto, Ivan Camilo

Sistema de detección temprana de deterioro cognitivo a través del análisis del test de figura compleja de rey, haciendo uso de visión artificial

dc.contributor.advisor	Arias Ballen , Oscar Mauricio
dc.contributor.advisor	Puentes Morales , Carlos Alberto
dc.contributor.author	Cruz Prieto, Ivan Camilo
dc.date.accessioned	2024-07-08T19:57:46Z
dc.date.available	2024-07-08T19:57:46Z
dc.date.issued	2024-06
dc.description.abstract	El Test de la Figura Compleja de Rey es un instrumento de evaluación neuropsicológica que evalúa las capacidades cognitivas de una persona. Este test es altamente subjetivo en su interpretación, lo que puede resultar en diferentes conclusiones dependiendo del profesional que lo analice, lo cual puede generar confusión en los pacientes. Además, los resultados suelen demorarse debido a la gran cantidad de imágenes que deben ser analizadas. Por esta razón, se ha decidido implementar un análisis más ágil mediante la clasificación del test en su fase de copia. En caso de sospechar que un paciente presente algún nivel de deterioro cognitivo, el profesional aplica este test. El análisis temprano, junto con la reducción de la subjetividad, ayuda a determinar el curso de acción en caso de detectar algún tipo de deterioro cognitivo. Para una interpretación precisa del test, se ha creado un algoritmo que clasifica las pruebas obtenidas en la fase de copia en tres grupos, realizando un análisis detallado de cada uno. Estos grupos se dividen según el nivel de deterioro cognitivo detectado: normal, propenso a un deterioro cognitivo leve y propenso a un deterioro cognitivo grave. Este estudio se lleva a cabo mediante visión por computadora, utilizando diversas técnicas de análisis de imagen como umbralización, ajuste de exposición y contraste, erosión y dilatación, entre otras. Además, se emplean diferentes técnicas de comparación y clasificación en su desarrollo. Los datos utilizados en este proyecto son proporcionados por el Instituto de Neurociencias de la Universidad El Bosque en colaboración con la FUCS.
dc.description.abstractenglish	The Rey's complex figure test is a neuropsychological evaluation instrument that evaluates a person's cognitive abilities. This test is very subjective when it comes to interpreting it, producing different results depending on the professional who analyzes it and generating confusion in patients, in addition. Its results are late due to the high number of images that must be analyzed. For this reason, it was decided to generate a faster analysis by classifying the test in its copy phase, since if there is a suspicion that a patient has some level of cognitive impairment, the professional applies this test, and its prompt Analysis together with the reduction of its subjectivity help determine the step to follow if some type of cognitive deterioration is detected. For the correct interpretation of the test, the created algorithm classifies the tests obtained in the copy phase into three groups, performing a detailed analysis of each one. These groups depend on the prone level of cognitive impairment that is detected and are: normal, prone to mild cognitive impairment and prone to severe cognitive impairment. This study is done through computer vision using different image analysis techniques such as: thresholding, exposure and contrast adjustment, erosion and dilation, among others. Different comparison and classification techniques are also used in its development. The data used in the development of this project was provided by the neuroscience institute of the El Bosque University in collaboration with the FUCS.
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Bioingeniero	spa
dc.format.mimetype	application/pdf
dc.identifier.instname	instname:Universidad El Bosque	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad El Bosque	spa
dc.identifier.repourl	https://repositorio.unbosque.edu.co
dc.identifier.uri	https://hdl.handle.net/20.500.12495/12588
dc.language.iso	es
dc.publisher.faculty	Facultad de Ingeniería	spa
dc.publisher.grantor	Universidad El Bosque	spa
dc.publisher.program	Bioingeniería	spa
dc.relation.references	Adugna, T., Xu, W., & Fan, J. (2022). Comparison of random forest and support vector machine classifiers for regional land cover mapping using coarse resolution FY-3C images. Remote Sensing, 14(3), 574.
dc.relation.references	Aguilar, P. M. L., Casares, T. E. R., Merino, V. D. R. P., Sisalema, M. F. A., Martínez, M. D. C. A., Yacchirema, A. V. C., ... & Gordon, G. A. Q. (2024). Desarrollo y evaluación de un algoritmo educativo basado en inteligencia artificial para mejorar la enseñanza de la división en estudiantes de secundaria utilizando Python y Google Cola. Polo del Conocimiento, 9(1), 940-956.
dc.relation.references	Andueza Ibarrola, A. (2022). Aplicación de filtros de concurrencias en redes neuronales convolucionales para mejorar la transferencia de estilos en imágenes.
dc.relation.references	Angosto Fernández, J. M. (2018). Monitor de parámetros clínicos en código abierto: interfaz de usuario/adquisición de datos.
dc.relation.references	Asensio Jiménez, P. (2022). Estimación de la cosecha en imágenes digitales tomadas en el olivar mediante visión por computador
dc.relation.references	ArcGIS. (2024). Detección de Cambios de Valor de Píxel. Detección de cambios de valor de píxel-ArcGIS Pro \| Documentación. https://pro.arcgis.com/es/pro-app/latest/help/analysis/image-analyst/pixel-value-change-detection.htm.
dc.relation.references	Artola Moreno, Á. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python.
dc.relation.references	Aslam, M. (2022). Removal of the noise & blurriness using Global & Local Image Enhancement Equalization Techniques. International Journal of Computational and Innovative Sciences. https://ijcis.com/index.php/IJCIS/article/view/9
dc.relation.references	Blasco, J., Dong, C. W., Kleynen, O., Leemans, V., Li, Q. Z., Li, J. B., Qin, J. W., Razmjooy, N., Sauvola, J., Throop, J. A., Wen, Z. Q., Yang, Q. S., Brodie, J. R., Bersen, J., & Cubero, S. (2017, April 28). Computer vision detection of surface defect on oranges by means of a sliding comparison window local segmentation algorithm. Computers and Electronics in Agriculture. https://www.sciencedirect.com/science/article/pii/S0168169916305579#s0010.
dc.relation.references	Bravo, Antonio & Vera, Miguel & Madriz, Delia & Contreras, Julio & Huerfano, Yoleidy & Chacón, José & Wilches-Durán, Sandra & Graterol-Rivas, Modesto & Riaño-Wilches, Daniela & Rojas Quintero, Joselyn & Bermudez, Valmore. (2016). Análisis de imágenes cardiacas tridimensionales [Analysis of three-dimensional cardiac images]. Revista Latinoamericana de Hipertension. 11. 76-86.
dc.relation.references	Bravo, B. D. L., & Quispe, L. E. C. (2023). Reconocimiento de la presencia de sars-cov-2 en pulmones a través de imágenes de radiodiagnóstico haciendo uso de Machine Learning con Python: Recognition of the Presence of Sars-Cov-2 in Lungs from Radiodiagnostic Images Using Machine Learning with Python. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(1), 788-806.
dc.relation.references	Brosnan, T., Du, C. J., & Fernandez, L. (2006, January 24). A classification system for beans using computer vision system and Artificial Neural Networks. A classification system for beans using computer vision system and artificial neural networks. https://www.sciencedirect.com/science/article/pii/S0260877405007934#section0010
dc.relation.references	Cabello Miranda, A. M. (2020). Proceso de deterioro cognitivo y del lenguaje en el adulto mayor. (thesis). Universidad de la laguna , San Cristobal de la Laguna.
dc.relation.references	Cabrera, J. J., Cebollada, S., Ballesta, M., Jiménez, L. M., Payá, L., & Reinoso, O. (2021). Entrenamiento, optimización y validación de una CNN para localización jerárquica mediante imágenes omnidireccionales. In XLII Jornadas de Automática (pp. 640-647). Universidade da Coruña, Servizo de Publicacións.
dc.relation.references	Cabrera Mora, J. J. (2021). Entrenamiento, optimización y validación de una CNN para la localización de un robot móvil mediante tareas de clasificación y regresión.
dc.relation.references	Campos , G. (2020). Retrieved from https://www.seguridad-laboral.es/sl-latam/colombia/normatividad-en-seguridad-y-salud-en-el-trabajo-2019-2020 colombia_20200630.html
dc.relation.references	Caruso, G., Godos, J., Privitera, A., Lanza, G., Castellano, S., Chillemi, A., ... & Grosso, G. (2022). Phenolic acids and prevention of cognitive decline: Polyphenols with a neuroprotective role in cognitive disorders and Alzheimer’s disease. Nutrients, 14(4), 819.
dc.relation.references	Castillo Malo, A. (2007). Desarrollo de Herramientas de Análisis de Contornos Basado en Python. Pàgina inicial de UPCommons. https://upcommons.upc.edu/handle/2099.1/4046.
dc.relation.references	Cecconi, B., Louis, C. K., Bonnin, X., Loh, A., & Taylor, M. B. (2023). Time-frequency catalogue: JSON implementation and python library. Frontiers in Astronomy and Space Sciences, 9, 1049677.
dc.relation.references	Challenger-Pérez, I., Díaz-Ricardo, Y., & Becerra-García, R. A. (2014). El lenguaje de programación Python. Ciencias Holguín, 20(2), 1-13.
dc.relation.references	Chanampe, H., Aciar, S., Vega, M. D. L., Molinari Sotomayor, J. L., Carrascosa, G., & Lorefice, A. (2019). Modelo de redes neuronales convolucionales profundas para la clasificación de lesiones en ecografías mamarias. In XXI Workshop de Investigadores en Ciencias de la Computación (WICC 2019, Universidad Nacional de San Juan).
dc.relation.references	Chen, C., Chandra, S., Han, Y., & Seo, H. (2021, December 27). Deep learning-based thermal image analysis for pavement defect detection and classification considering complex pavement conditions. MDPI. https://www.mdpi.com/2072-4292/14/1/106.
dc.relation.references	Cheah, W.-T., Chang, W.-D., Hwang, J.-J., Hong, S.-Y., Fu, L.-C., & Chang, Y.-L. (2019). A Screening System for Mild Cognitive Impairment Based on Neuropsychological Drawing Test and Neural Network. 2019 IEEE International Conference on Systems, Man and Cybernetics (SMC). doi:10.1109/smc.2019.8913880.
dc.relation.references	Chen, C. J., & Zhang, Z. (2020). Grid: a python package for field plot phenotyping using aerial images. Remote Sensing, 12(11), 1697.
dc.relation.references	Chirlaque Hernández, L. (2021). Implementación de un servicio web basado en una red neuronal convolucional (Doctoral dissertation, Universitat Politècnica de València).
dc.relation.references	Clinic, M. (2023). Demencia. Mayo Clinic. https://www.mayoclinic.org/es/diseases-conditions/dementia/symptoms-causes/syc-20352013.
dc.relation.references	Cruz Alcalá, L. E., Rodríguez Leyva, I., Aguilar Navarro, S., Albert, G., Bazaldua Ávila, H. N., Cantú Brito, C. G., ... & Vélez Jiménez, M. K. (2015). Guías prácticas para el manejo de las demencias. Suplemento. Revista Mexicana de Neurociencia.
dc.relation.references	Custodio, N. et al. (2012) Deterioro cognitivo leve: ¿Dónde termina el envejecimiento normal Y Empieza La Demencia?, Anales de la Facultad de Medicina. Available at: http://www.scielo.org.pe/scielo.php?pid=S1025-55832012000400009&script=sci_arttext.
dc.relation.references	DANE, D. (2010). Estimación y proyección de población nacional, departamental y municipal total por área 1985-2020. Bogotá DC: Departamento Administrativo Nacional de Estadística DANE.
dc.relation.references	Di Febbo, D., Ferrante, S., Baratta, M., Luperto, M., Abbate, C., Trimarchi, P. D., ... & Matteucci, M. (2023). A decision support system for Rey–Osterrieth complex figure evaluation. Expert Systems With Applications, 213, 119226
dc.relation.references	Estella Nonay, E. (2020). Diagnóstico Automático de la Figura Compleja de Rey mediante Redes Siamesas.
dc.relation.references	Espinosa, M. C., Fernández, A., & Sánchez, C. (2021). Neuroimagen en la demencia. Revista española de medicina nuclear e imagen molecular, 40(3), 198-203.
dc.relation.references	Fang, J. et al. (2019). Feature Extraction and Analysis of Cell Line Images for Classifying Triple-Negative Breast Cancer. 2019 9th International Conference on Biomedical Engineering and Technology (ICBET). doi:10.1109/icbet.2019.8834505
dc.relation.references	Ferreira, S., & Renó, C. (2023). Uso de geotecnologías y aprendizaje automático para la clasificación de usos de la tierra en cuencas hidrográficas: un caso de estudio en la cuenca del río Paraguai-Mirim. Revista Brasileira de Cartografia, 75(1), 47-63.
dc.relation.references	García, G. F. H. (2018). Machine Learning en la industria de la salud. Revista Digital de Tecnología & Innovación, 2(1), 22-30.
dc.relation.references	García, H. A. C. (2020). Identificación de defectos en piezas de acero usando redes neuronales convolucionales. (thesis). Universidad de Guadalajara
dc.relation.references	Géron, A. (2020). Aprende machine learning con scikit-learn, keras y tensorflow. España: Anaya.
dc.relation.references	Ghimire, D. (2020). Comparative study on Python web frameworks: Flask and Django.
dc.relation.references	González-Mendoza, E. C., Vázquez-Ramos, J. G., Castro-Torres, J. J., Pérez-Brito, D., & Hernández-Ávila, J. L. (2020). Demencia y sus trastornos relacionados. Revista Médica del Instituto Mexicano del Seguro Social, 56(4), 400-408.
dc.relation.references	Graterol-Ruiz, M. (2020). Áreas para la observación astronómica a través del procesamiento digital de imágenes nocturnas en Python. Revista de la Academia Colombiana de Ciencias Exactas, Físicas y Naturales, 44(173), 1126-1136.
dc.relation.references	Harvey, P. D. (2012). Clinical applications of neuropsychological assessment. Dialogues in clinical neuroscience, 14(1), 91-99.
dc.relation.references	Herrera, J. P. A., Márquez, D. H. L., & Rodríguez, M. J. L. (2014). Diagnóstico de alteraciones neuropsicológicas en pacientes con enfermedad de Alzheimer a través de una red neuronal artificial. Revista Cubana de Informática Médica, 6(1), 25-34.
dc.relation.references	Higuera, V. R., & Baena, J. D. M. (2020). Clasificación de texturas de imágenes de suelos en regiones de interés usando modelos de color y redes neuronales convolucionales. Revista U.D.C.A Actualidad & Divulgación Científica, 23(2), e1687.
dc.relation.references	Hijano Cubelos, O. (2022). Representación de imágenes geométricas con grafos y diagnóstico automático de la Figura Compleja de Rey.
dc.relation.references	Jabir, B., & Falih, N. (2021). Dropout, a basic and effective regularization method for a deep learning model: A case study. Indonesian Journal of Electrical Engineering and Computer Science, 24(2), 1009-1016.
dc.relation.references	Jawad, M. et al. (2019). A Neural Network-Based System for Defect Inspection of Metal Parts. 2019 IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON). doi:10.1109/uemcon47517.2019.8993115
dc.relation.references	Jishnu, M. S., & Junaitha, S. (2019). Brain MRI image classification using machine learning algorithms. In 2019 3rd International Conference on Electronics, Communication and Aerospace Technology (ICECA) (pp. 287-292). IEEE.
dc.relation.references	Jove, M., Porta, F., Martínez, D., & Cuenca, M. A. (2019). Estrategias de marketing digital para emprendedores. Editorial UOC.
dc.relation.references	Kaushik, V., Gupta, K., & Gupta, D. (2019). React native application development. International Journal of Advanced Studies of Scientific Research, 4(1).
dc.relation.references	Kong, J. et al. (2022). Development and Application of a Paddy Field Mapping System Based on UAV Remote Sensing. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15, 636-645.
dc.relation.references	Langer, N., Weber, M., Vieira, B. H., Strzelczyk, D., Wolf, L., Pedroni, A., ... & Zhang, C. (2022). Automating clinical assessments of memory deficits: Deep Learning based scoring of the Rey-Osterrieth Complex Figure. bioRxiv, 2022-06.
dc.relation.references	Lecuona, P. P. G. (2021). Construcción de clasificadores multietiqueta para la detección de deterioro cognitivo a partir de datos de rastreo de ojos. (thesis). Universidad Rey Juan Carlos, Madrid.
dc.relation.references	Liu, J., Nicolae, B., Li, D., Wozniak, J. M., Bicer, T., Liu, Z., & Foster, I. (2022, July). Large Scale Caching and Streaming of Training Data for Online Deep Learning. In Proceedings of the 12th Workshop on AI and Scientific Computing at Scale using Flexible Computing Infrastructures (pp. 19-26).
dc.relation.references	López, R. H. C. (2018). Detección y corrección de defectos superficiales en piezas de fundición gris usando visión artificial y redes neuronales. (thesis). Universidad Politécnica de Madrid.
dc.relation.references	Lorenzo, M., Iarussi, F., Cifuentes, V., & Rodriguez, G. (2020). Clasificador multiclase con redes neuronales convolucionales. In XXIII Concurso de Trabajos Estudiantiles (EST 2020)-JAIIO 49 (Modalidad virtual).
dc.relation.references	Macri, F. R. (2018). Generación de un Modelo de Machine Learning para la Predicción de Ingresos en PyMEs. (thesis). Universidad de Belgrano.
dc.relation.references	Martinez, R. M. (2014). Desarrollo de un sistema de diagnóstico automático de fallos en la soldadura MIG/MAG con visión artificial. (thesis). Universidad de Oviedo.
dc.relation.references	Mayer, S., Müller, D., & Kramer, F. (2022). Standardized Medical Image Classification across Medical Disciplines. arXiv preprint arXiv:2210.11091.
dc.relation.references	McLeod, S. A. (2019). What is machine learning? Simply Psychology. https://www.simplypsychology.org/machine-learning.html
dc.relation.references	Méndez, A. L. (2018). Diagnóstico de enfermedad vascular cerebral mediante imagen médica basado en inteligencia artificial. (thesis). Universidad Nacional Autónoma de México.
dc.relation.references	Mijatovic, I., Popovic, N., Kukolj, D., & Milosavljevic, M. (2022). Human Activity Recognition Using Wearable Sensors and Machine Learning Algorithms. Sensors, 22(3), 1004.
dc.relation.references	Millar, D., Bermúdez, M., & Martínez, N. (2022). Técnicas de visión artificial para el análisis de imágenes de la superficie del terreno. XXIII Congreso Internacional de Informática y Estadística en Salud.
dc.relation.references	Millstein, F. (2020). Convolutional neural networks in Python: beginner's guide to convolutional neural networks in Python. Frank Millstein.
dc.relation.references	Montes, L. R. A., Reyes, L. A., & Villalonga, R. G. (2019). Las aplicaciones de la visión artificial en la identificación de patrones. Visión Artificial, 13(2), 91-106.
dc.relation.references	Moradi, S., Soares, J., & Seixas, F. (2019). Integración de una plataforma de Machine Learning en un sistema de monitorización remota. Proceedings of the Simposio de Informática.
dc.relation.references	Muehlbauer, L., & Eckert, S. (2019). Machine Learning for the Detection of Defective Components on Manufacturing Lines. Proceedings of the IEEE International Conference on Artificial Intelligence and Industrial Applications (A2IA 2019).
dc.relation.references	Muhammad, L. A., Azzeh, M. M., & Al-Betar, M. A. (2020). A Comprehensive Review on Brain MRI Image Segmentation Techniques. IEEE Access, 8, 175724-175746.
dc.relation.references	Mujica, G. G. (2015). Análisis de la eficacia del uso de la visión artificial y las redes neuronales en la identificación de objetos en fotografías digitales. (thesis). Universidad Nacional Experimental Politécnica.
dc.relation.references	Municio Durán, D. (2019). Técnicas de oversampling aplicadas al análisis de imágenes hiperespectrales (Bachelor's thesis).
dc.relation.references	Munir, A. et al. (2019). Transfer Learning for Brain MRI Segmentation. 2019 10th International Conference on Information and Communication Technology for Embedded Systems (IC-ICTES). doi:10.1109/icictes45732.2019.8961787
dc.relation.references	Naranjo Ornedo, V. et al. (2022). Virtual Reality-Based Neuropsychological Evaluation Tool for Elderly: A Literature Review. Current Alzheimer Research, 19, 1-15.
dc.relation.references	Ospina, L. G. G. (2014). Implementación de algoritmos de segmentación de imágenes aplicados en el área de la salud para la detección temprana de cáncer de mama. (thesis). Universidad de Antioquia.
dc.relation.references	Paredes Ballesteros, B. G. (2023). Análisis de algoritmos optimizadores de función de coste en el rendimiento de una red neuronal convolucional YOLO aplicada a la detección automática de peatones (Master's thesis).
dc.relation.references	Pardo, G. R., & Villarraga, J. G. (2014). Evaluación del rendimiento de los clasificadores bayesianos ingenuos y los árboles de decisión para el diagnóstico de enfermedades neurológicas. Revista Ingenierías Universidad de Medellín, 13(25), 123-134.
dc.relation.references	Park, J. Y., Seo, E. H., Yoon, H. J., Won, S., & Lee, K. H. (2023). Automating Rey Complex Figure Test scoring using a deep learning-based approach: a potential large-scale screening tool for cognitive decline. Alzheimer's Research & Therapy, 15(1), 145.
dc.relation.references	Patricio, B. C., Rosa, S. C., Mendes, F. M., & Silva, R. A. (2017). Diagnóstico de lesiones tempranas de melanoma en imágenes dermoscópicas utilizando redes neuronales convolucionales. (thesis). Instituto Politécnico de Leiria.
dc.relation.references	Pech, J. S. et al. (2016). Handwritten Signature Verification using Genetic Algorithm. 2016 13th International Conference on Electrical Engineering, Computing Science and Automatic Control (CCE). doi:10.1109/iceee.2016.7581686.
dc.relation.references	Pei, X., hong Zhao, Y., Chen, L., Guo, Q., Duan, Z., Pan, Y., & Hou, H. (2023). Robustness of machine learning to color, size change, normalization, and image enhancement on micrograph datasets with large sample differences. Materials & Design, 232, 112086.
dc.relation.references	Pérez, O. S. H. (2018). Identificación y clasificación de patrones de interés en imágenes médicas digitales a través de técnicas de visión artificial y redes neuronales. (thesis). Universidad de Sevilla.
dc.relation.references	Pérez, R. G., & Álvarez, L. A. (2017). Machine Learning Aplicado al Estudio de Imágenes Médicas. Tendencias en Computación, 23(2), 153-170.
dc.relation.references	Prieto, C. G. S. (2019). Detección y clasificación automática de microcalcificaciones mamarias utilizando inteligencia artificial. (thesis). Universidad Complutense de Madrid.Priyadarshini, S. et al. (2019). Fruit Quality Inspection System based on Image Processing and Machine Learning Techniques. 2019 IEEE International Conference on System, Computation, Automation and Networking (ICSCAN). doi:10.1109/icscan.2019.8865911.
dc.relation.references	Puente, A. G., Jiménez, L. C. A., Pérez, M. D. B., & Juan, L. C. M. (2018). La tecnología como herramienta de análisis de la calidad de la formación en línea. Revista de Estudios Socioeducativos, 1(5), 132-149.
dc.relation.references	Quintana, A. A. A., Martínez, A. J. M., & Grau, R. G. (2014). Análisis de los signos y síntomas en pacientes con deterioro cognitivo leve. Revista Cubana de Investigaciones Biomédicas, 33(1), 27-38.
dc.relation.references	Quiroga, M. V. (2015). Desarrollo de un prototipo de asistente de reconocimiento de voz para la navegación web. (thesis). Universidad Tecnológica Nacional, Buenos Aires.
dc.relation.references	Ramos, L. A., González, F. G., & López, O. O. (2017). Desarrollo de un sistema de reconocimiento facial para personas con Alzheimer. Journal of Reviews on Global Economics, 6, 164-170.
dc.relation.references	Reinoso Hidalgo, B. (2023). TINTOlib: librería en Python de transformación de datos tabulares en imágenes para redes neuronales convolucionales de dos dimensiones (Doctoral dissertation, ETSI_Informatica).
dc.relation.references	Reyes, L. M. et al. (2015). Ocular Recognition for Alzheimer Disease Classification. 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). doi:10.1109/embc.2015.7319563.
dc.relation.references	Rey, F. G. (2022). La subjetividad en psicología: su importancia para una psicología crítica. Caminando por las veredas de la psicología, 29.
dc.relation.references	Robles, N. M. (2019). Sistema de monitoreo del sueño mediante sensores inerciales y técnicas de aprendizaje automático. (thesis). Universidad de Guadalajara.
dc.relation.references	Rodríguez, L. L. M., & Ramírez, C. R. (2014). Diagnóstico automático de la enfermedad de Parkinson a través de una red neuronal artificial. Ingeniería Industrial, 35(2), 163-172.
dc.relation.references	Rey, A. (1997). Rey: Test de copia y de reproducción de memoria de figuras geométricas complejas. Madrid: TEA ediciones.
dc.relation.references	Rojas, E. M. (2020). Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo. Revista Ibérica de Sistemas e Tecnologias de Informação, (E28), 586-599.
dc.relation.references	Ruiz, M. P. (2021). Estudio comparativo de algoritmos de clasificación en el diagnóstico de demencia mediante técnicas de neuroimagen. (thesis). Universidad Politécnica de Madrid.Rulaningtyas, R., & Ain, K. (2021, February). CT scan image segmentation based on hounsfield unit values using Otsu thresholding method. In Journal of Physics: Conference Series (Vol. 1816, No. 1, p. 012080). IOP Publishing.
dc.relation.references	Saab, W., & Florez, D. A. (2017). Alzheimer’s Disease Detection through Multimodal Data Analysis using Machine Learning Techniques. International Journal of Computational Intelligence Systems, 10(1), 231-243.
dc.relation.references	Salcedo, S., Cifuentes, A., & Martínez, J. (2015). Reconocimiento de voz para el control de un robot móvil utilizando un método de combinación de clasificadores basado en probabilidad. Revista Politécnica, 35(2), 30-40.
dc.relation.references	Sandoval, J. et al. (2019). Deep Learning for Automatic Defect Detection on Textured Surfaces. 2019 IEEE 12th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI). doi:10.1109/cisp-bmei47850.2019.8966317
dc.relation.references	Santana, D. J., Reyes, A. J., & Marrero, S. R. (2022). Comparación de desempeño de algoritmos de machine learning en la identificación de enfermedades cardiacas. Encuentro Multidisciplinario, 2(1), 67-78.
dc.relation.references	Santamaría, M. E. S., Espinosa, M. C., & Martínez, M. F. G. (2018). Fundamentos de neuroimagen. Revista Española de Medicina Nuclear e Imagen Molecular, 37(2), 111-118.
dc.relation.references	Schmidt, H., Ares, B., & Pazos, A. (2021). On the Use of Convolutional Neural Networks to Segment Cognitive Load. Sensors, 21(7), 2465.
dc.relation.references	Schneider, J., Angles, F., Climent, S., & Torres, J. C. (2015). CogniDriver: A monitoring and warning system for preventing driver's cognitive impairments. Engineering Applications of Artificial Intelligence, 37, 108-118.
dc.relation.references	Shanmungam, A. E., & Jegannathan, J. (2023, August). Application of image classification using deep learning approach: A comparative study. In AIP Conference Proceedings (Vol. 2857, No. 1). AIP Publishing.
dc.relation.references	Serradilla, F. J. B., García, J. A. M., & Esteban, E. A. (2015). Diagnóstico de enfermedades cardíacas a través de técnicas de minería de datos. Revista CENIC Ciencias Biológicas, 46(2), 45-55.
dc.relation.references	Shafique, S., & Akhtar, M. (2022). Diagnosis of Alzheimer's disease using machine learning techniques: A review. Human-Centric Computing and Information Sciences, 12(1), 9.
dc.relation.references	Simfukwe, C., Youn, Y. C., & Jeong, H. T. (2023). A machine-learning algorithm for predicting brain age using Rey–Osterrieth complex figure tests of healthy participants. Applied Neuropsychology: Adult, 1-6.
dc.relation.references	Singh, A., Sunkaria, R. K., & Singh, R. K. (2016). A comprehensive study of segmentation techniques in brain tumor detection. In 2016 9th International Conference on Contemporary Computing (IC3) (pp. 1-6). IEEE.
dc.relation.references	Singh, H., & Singh, H. (2019). Advanced image processing using opencv. Practical Machine Learning and Image Processing: For Facial Recognition, Object Detection, and Pattern Recognition Using Python, 63-88.
dc.relation.references	Smith, J. (2023). Animating Static Pictures: A Cartoon Transformation Approach with OpenCV and Python. International Journal of Creative Research In Computer Technology and Design, 5(5).
dc.relation.references	Tabares, D., Ceballos, E., & Prieto, F. (2018). Aplicación de la red neuronal artificial Backpropagation para la estimación de índices de madurez en frutos de tomate. Revista Facultad Nacional de Agronomía Medellín, 71(2), 8421-8428.
dc.relation.references	Tamayo, S. E. C., & Tique, A. F. V. (2021). Análisis de la relación entre la enfermedad de Alzheimer y la diabetes mellitus tipo II. Revista Científica Lasallista, 8(2), 65-74.
dc.relation.references	Torres-Vásquez, M., Hernández-Torruco, J., Hernández-Ocaña, B., & Chávez-Bosquez, O. (2021). Impact of oversampling algorithms in the classification of Guillain-Barré syndrome main subtypes. Ingenius. Revista de Ciencia y Tecnología, (25), 20-31.
dc.relation.references	Tarifa, E. E., Martínez, S. L., Franco Domínguez, S., & Nuñez, A. F. (2021). Análisis de entornos matemáticos numéricos para simulación.
dc.relation.references	Tornell, G. V., Morales, C. J., & Ayala, M. L. (2015). Aplicaciones de visión artificial en la agricultura. (thesis). Universidad de las Fuerzas Armadas-ESPE.
dc.relation.references	Totaro, S., Hussain, A., & Scardapane, S. (2020). A non-parametric softmax for improving neural attention in time-series forecasting. Neurocomputing, 381, 177-185.
dc.relation.references	Tanudjaja, D., & Tanone, R. (2021). Analisis Penerapan Code Splitting Library React pada Aplikasi Penjualan Mebel Berbasis Website. Jurnal Teknik Informatika dan Sistem Informasi, 7(2), 344-356.
dc.relation.references	Valero, F., Serrano, E., & Rivera, O. (2017). Reconocimiento de voz empleando modelos ocultos de Markov. Tec Empresarial, 11(3), 39-46.
dc.relation.references	Vélez, E. V. (2018). Segmentación de defectos en superficies de piezas automotrices usando técnicas de procesamiento de imágenes y redes neuronales convolucionales. (thesis). Universidad de Antioquia
dc.relation.references	Velho, H., Mattos, A., Almeida, G., Oliveira, E., Serejo, J., & Serejo, J. (2022). Aplicación del concepto de industria 4.0 en la producción y distribución de alimentos: Un estudio de caso en el sector avícola. Procesamiento de Alimentos.
dc.relation.references	Vértiz, F., & Seoane, C. (2021). Identificación de deterioro cognitivo en adultos mayores mediante una red neuronal convolucional. Revista Ciencias de la Computación e Informática, 3(2), 1-9.
dc.relation.references	Villar, J. A. R. (2021). Desarrollo de una herramienta de diagnóstico asistido por ordenador para la detección precoz de enfermedad de Alzheimer. (thesis). Universidad Complutense de Madrid.
dc.relation.references	Villar, Y., González, E., García, Y., de la Iglesia-Vayá, M., Prieto, C., & Plaza, V. (2020). Predicción de enfermedad de Alzheimer a partir de imágenes de resonancia magnética utilizando aprendizaje profundo. Actas del XXXVII Congreso Anual de la Sociedad Española de Ingeniería Biomédica.
dc.relation.references	Villarreal, J. R. M., & Gómez, L. E. R. (2015). Segmentación de imágenes digitales en aplicaciones agrícolas utilizando redes neuronales convolucionales. Tec Empresarial, 9(1), 43-50.
dc.relation.references	Wang, J., Zhang, C., & Wang, L. (2019). Speech recognition based on deep learning neural network. EURASIP Journal on Wireless Communications and Networking, 2019(1), 1-7.
dc.relation.references	Wang, Y., Xiong, Z., Wang, Y., Zhang, C., & Zhou, M. (2022). Application of convolutional neural network in remote sensing image recognition of paddy fields. International Journal of Remote Sensing, 43(3), 1029-1048.
dc.relation.references	Waoo, A. A., & Soni, B. K. (2021). Performance analysis of sigmoid and relu activation functions in deep neural network. In Intelligent Systems: Proceedings of SCIS 2021 (pp. 39-52). Springer Singapore.
dc.relation.references	Youn, Y. C., Pyun, J. M., Ryu, N., Baek, M. J., Jang, J. W., Park, Y. H., ... & Kim, S. Y. (2021). Use of the Clock Drawing Test and the Rey–Osterrieth Complex Figure Test-copy with convolutional neural networks to predict cognitive impairment. Alzheimer's Research & Therapy, 13, 1-7.
dc.relation.references	Yuan, Z., Li, J., Xu, Y., & Zhang, H. (2020). Classification of ADHD Based on Task-Related fMRI Data Using a Two-Stage CNN. IEEE Access, 8, 182759-182770
dc.relation.references	Zamudio, D. A. V., & Martínez, D. V. (2016). Desarrollo de un sistema de reconocimiento automático de lenguaje de señas mexicano basado en técnicas de visión por computadora y redes neuronales. Revista de la Facultad de Ingeniería, 31(2), 131-142.
dc.relation.references	Zapata, L. F. (2016). Evaluación de la calidad de frutas y hortalizas mediante visión artificial. (thesis). Universidad Nacional de Colombia.
dc.relation.references	Zepeda, F., Pérez, L. A., Mendoza, M., & Hernández, E. (2016). A Brain Computer Interface for Communication in Paralysis Patients. In 2016 International Conference on Electronics, Communications and Computers (CONIELECOMP) (pp. 91-95). IEEE.
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Internacional	en
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.local	Acceso abierto	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Deterioro cognitivo
dc.subject	Pruebas neuropsicológicas
dc.subject	Procesamiento de imágenes
dc.subject	Machine learnig
dc.subject	Procesamiento de datos
dc.subject	Comparación de imágenes
dc.subject	Análisis de características
dc.subject	Clasificación del test de figura compleja de rey
dc.subject	Técnicas de visión artificial
dc.subject	Reducción de subjetividad
dc.subject.ddc	610.28
dc.subject.keywords	Cognitive impairment
dc.subject.keywords	Neuropsychological tests
dc.subject.keywords	Image processing
dc.subject.keywords	Machine learning
dc.subject.keywords	Data processing
dc.subject.keywords	Image comparison
dc.subject.keywords	Feature analysis
dc.subject.keywords	Classification of the Rey complex figure test
dc.subject.keywords	Artificial vision techniques
dc.subject.keywords	Reduction of subjectivity
dc.title	Sistema de detección temprana de deterioro cognitivo a través del análisis del test de figura compleja de rey, haciendo uso de visión artificial
dc.title.translated	Early detection system for cognitive impairment through the analysis of the Rey complex figure test, using artificial vision
dc.type.coar	https://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	https://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver	info:eu-repo/semantics/bachelorThesis
dc.type.hasversion	info:eu-repo/semantics/acceptedVersion
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado	spa