http://www.dspace.espol.edu.ec/handle/123456789/50566 Maestría en Ciencias de la Computación 2026-04-16T01:26:52Z http://www.dspace.espol.edu.ec/handle/123456789/67385 Title: Desarrollo de un modelo de aprendizaje profundo para la estimación de coordenadas GPS, utilizando metadatos del proceso de comunicación basado en el protocolo LoRaWAN Authors: Vera Méndez, Nelson Vicente; Realpe Robalino, Miguel Andrés, Director Abstract: CONDITION FOR PUBLICATION OF PROJECT. Description: CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Esta investigación aborda el desafío de la localización de dispositivos en espacios abiertos que se comunican de manera inalámbrica a través de redes LoRaWAN. Tradicionalmente, se emplea la tecnología GPS para la geolocalización; sin embargo, su uso implica la adición de un recurso adicional, lo cual puede elevar los costes. Por ello, se propone aprovechar la propia señal de comunicación de los dispositivos para fines de geolocalización, lo que reduce gastos y, además, ofrece versatilidad al ser una solución independiente de plataformas externas. Se desarrolló un modelo de aprendizaje profundo basado en Redes Neuronales de Grafos (GNN) para estimar coordenadas GPS, utilizando metadatos generados durante la comunicación LoRaWAN —como RSSI e información proporcionada por los gateways—. La propuesta presenta una metodología que combina métodos basados en datos—como técnicas de aprendizaje automático—con métodos teóricos fundamentados en los principios de propagación de ondas. Además, integra un enfoque mixto que reúne ambos paradigmas, aprovechando los principios físicos y las técnicas de aprendizaje automático para capturar y modelar el ruido. Esto permite equilibrar y ampliar los conjuntos de datos de manera eficiente, seleccionando y adaptando el método más adecuado para cada gateway. El estudio emplea algoritmos de clusterización como Clustering Difuso o Fuzzy C-Means (FCM), Clustering Sustractivo y Clustering Subjetivo para analizar y estructurar los datos. Los resultados destacan la efectividad del método híbrido, especialmente en gateways con mayor cantidad de datos disponibles para el desarrollo de la metodología propuesta, logrando un equilibrio entre precisión y eficiencia. Además de ser una solución para la estimación de coordenadas GPS en entornos con cobertura LoRaWAN, esta investigación ofrece un marco para optimizar la caracterización de la propagación de señales en escenarios de exteriores. El enfoque planteado aborda de manera eficiente las limitaciones inherentes a datos escasos y desbalanceados. Además, ofrece soluciones escalables para aplicaciones futuras que demanden una caracterización avanzada de la propagación de señales, incluyendo la geolocalización inteligente como una de sus principales aplicaciones, así como la reducción de interferencias, la optimización de la calidad del servicio y el diseño eficiente de redes inalámbricas. 2025-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/67384 Title: Detección temprana de la enfermedad de parkinson mediante análisis multimodal de escritura a mano utilizando aprendizaje profundo Authors: Constantine Macías, Alisson Asunción; Peláez Jarrín, Colon Enrique, Director Abstract: CONDITION FOR PUBLICATION OF PROJECT. Description: CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Este estudio propone un marco metodológico para la detección temprana de la enfermedad de Parkinson (EP) mediante un análisis multimodal basado en tareas de escritura registradas mediante una tableta de dibujo, comparando la eficacia de modelos de aprendizaje profundo (Deep Learning, DL) y no profundo (Machine Learning tradicional, ML) así cómo la explicabilidad de modelos de ML. Se utilizaron dos conjuntos de datos provenientes de regiones culturalmente diversas: PaHaW (República Checa) y una base de datos propietaria recolectada en Ecuador. Estos conjuntos integran señales motoras tales como presión, azimut, altitud y coordenadas espaciales capturadas durante tareas de dibujo de espirales. El análisis comparativo reveló que los modelos de aprendizaje automático no profundo, específicamente Extra Trees y Gradient Boosting, obtuvieron precisiones destacables de hasta el 93,27% y 94,20% respectivamente, superando a las redes neuronales convolucionales (CNN) y a las redes neuronales de picos (SNN). Adicionalmente, mediante técnicas de explicabilidad basadas en SHapley Additive exPlanations (SHAP), se identificaron biomarcadores clave para la detección de la enfermedad, destacando principalmente la presión máxima ejercida por el lápiz, la repetición angular (azimut) y bajos valores de altitud. La investigación demuestra la generalización potencial de los biomarcadores identificados a través de poblaciones con características lingüísticas diferentes. Además, proporciona herramientas interpretables que facilitan el entendimiento clínico de los resultados generados por modelos predictivos complejos. Sin embargo, también se identificaron limitaciones relevantes, tales como los altos requerimientos computacionales y limitaciones en escalabilidad asociadas a las SNN, lo cual abre futuras líneas de investigación hacia la optimización de recursos y mejora en la eficiencia computacional. 2025-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/67382 Title: Clasificación de cultivos en Ecuador utilizando técnicas de aprendizaje profundo con escasos datos Authors: Luna González, Jocellyn Marie; Córdova García, José Eduardo, Director Abstract: CONDITION FOR PUBLICATION OF PROJECT. In Ecuador, the lack of labeled agricultural data is a major obstacle to long-term planning, land management, and the development of evidence-based public policies. This data scarcity hinders the generation of reliable land use maps, especially when aiming to understand the spatial distribution and temporal dynamics of key crops. This thesis tackles this challenge by evaluating different crop classification strategies using satellite imagery, with a focus on low-data scenarios. Three main approaches are compared: traditional models (e.g., Random Forest), Convolutional Neural Networks (CNNs), and Presto, a recent model in the literature. Various combinations of spectral inputs (RGB, 10 bands, and indices) and classification types (binary and multiclass) are tested and evaluated using metrics such as the macro F1-score. The results show that traditional models remain robust in low-resource settings, while CNNs offer modest improvements. Presto demonstrates a promising trade-off between accuracy and computational efficiency, enabling the generation of informative maps for agricultural monitoring. This work highlights that even in data-constrained environments, it is possible to adapt machine learning methods to improve crop mapping and support decision-making in the agricultural sector. Description: CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. En Ecuador, la escasez de datos etiquetados sobre cultivos agrícolas representa una barrera significativa para la planificación territorial, la gestión de recursos y el desarrollo de políticas públicas a largo plazo. Esta falta de información dificulta la generación de mapas confiables de uso del suelo, especialmente en un contexto donde se requiere conocer la distribución y evolución de los principales cultivos del país. Esta tesis aborda dicho problema mediante la evaluación de distintas estrategias de clasificación de cultivos a partir de imágenes satelitales, considerando escenarios con datos limitados. Se comparan tres enfoques: modelos tradicionales (como Random Forest), redes neuronales convolucionales (CNN) y el modelo Transformador de teledetección preentrenado (Presto por sus siglas en inglés), recientemente propuesto en la literatura. Se utilizan diferentes combinaciones de entradas espectrales (RGB, 10 bandas e índices) y tipos de clasificación (binaria y multiclase), evaluando su desempeño mediante métricas como el F1-score macro. Los resultados muestran que, en contextos de escasez de datos, los modelos tradicionales siguen siendo una alternativa sólida, mientras que las CNN aportan mejoras moderadas. El modelo Presto ofrece un balance prometedor entre precisión y eficiencia computacional, generando mapas útiles para el monitoreo agrícola. Este trabajo demuestra que, incluso en países con recursos limitados, es posible adaptar estrategias de aprendizaje automático para mejorar la representación espacial de cultivos y apoyar la toma de decisiones en el sector agrícola. 2025-01-01T00:00:00Z http://www.dspace.espol.edu.ec/handle/123456789/63508 Title: Auditaje Automático de Góndolas en supermercados usando Técnicas de Aprendizaje Profundo y Visión por Computador Authors: Morán, Emmanuel Description: Los Supermercados son un sector industrial donde se realizan muchas actividades manuales diaria mente. Entre las actividades que se realizan existe una que consume mucho tiempo diariamente, y se denomina auditaje de góndolas; ésta engloba varias sub-actividades como: revisión de etiquetas de precios, revisión de estado de productos, perchado de productos, entre otros. Este proyecto se enfoca en evidenciar la necesidad de una sistema que pueda reportar a los operadores (personal de apoyo) sobre el estado de las góndolas de la tienda, con la finalidad de disminuir el tiempo que toma la revisión de las mismas. Para esto, se expondrá un conjunto de datos formulado para el correcto funcionamiento del proceso, un sistema de adquisición de datos y una flujo de trabajo para resolver el caso de auditaje de góndolas. Finalmente se mostrará resultados sobre una parte del flujo mencionado para evidenciar la robustes del flujo, mostrando posibles mejoras en los bloques que se puedan extender. 2024-01-01T00:00:00Z