Volume 1

Resumen. La documentación de lenguas de bajos recursos requiere métodos que integren trabajo de campo, protocolos técnicos de grabación y procesos computacionales para asegurar la calidad de los datos. Este trabajo presenta una propuesta metodológica aplicada para usos computacionales, la recolección de datos, preprocesamiento, transcripción, anotación y organización de un corpus de una lengua indígena. Este proceso abarcó la generación de un diccionario inicial compuesto de 127 palabras nativas de la lengua, la grabación controlada con micrófonos profesionales, la transcripción por hablantes nativos y la creación de un prototipo de base de datos de audio digital de palabras segmentado. Se discuten aspectos técnicos, éticos y recomendaciones para ampliar y hacer útil este recurso con herramientas de Procesamiento de Lenguaje Natural.

PDF 

Resumen. Este artículo presenta el desarrollo de un traductor automático entre Español y Náhuatl en su variante tlaxcalteca, empleando un enfoque neuronal basado en la arquitectura Transformer. Se construyó un corpus paralelo mediante recolección, digitalización (OCR), limpieza, segmentación y normalización ortográfica en concordancia con recomendaciones del INALI. Con este corpus, se aplicó fine-tuning a un modelo T5/mT5 de tamaño pequeño, manteniendo la tokenización SentencePiece del modelo base y optimizando hiperparámetros mediante grid search. Se exploró un módulo de postprocesamiento (re-ranqueo semántico y reglas morfológicas específicas); sin embargo, no se integró en la versión final del sistema debido a que produjo resultados muy similares a la salida del modelo neuronal. La evaluación con BLEU, chrF y TER mostró mejoras sustantivas respecto a líneas base, evidenciando la viabilidad de adaptar modelos neuronales preentrenados a una lengua de bajos recursos y alta variación morfológica como el Náhuatl tlaxcalteca.

PDF

Abstract. This work presents the development of an adaptive emotional conversational agent designed specifically for the Spanish language, leveraging Transformer-based language models to detect human emotions from written text. The proposed system integrates three key components: an emotion classification module trained on Spanish datasets, arule-based empathetic response generator, and a graphical visualization tool providing real-time feedback on the user’s emotional state. Experimental results demonstrate a global accuracy of around 79%, with strong performance in recognizing emotions such as fear and surprise, while highlighting challenges in detecting subtler emotions like joy and in distinguishing semantically similar classes such as sadness and anger. The system’s cultural and linguistic adaptation to Spanish, combined with interactive commands and emotional visualizations, enhances user experience and promotes emotional self-awareness. Limitations include the reliance on textual input without prosodic or contextual cues and the constrained variability of rule-based responses.

PDF

Resumen. La destilación de conocimiento multimaestro es una técnica avanzada de aprendizaje automático que busca transferir e integrar el conocimiento de múltiples modelos maestros de alta capacidad en un modelo de estudiante más pequeño y eciente. Este enfoque preserva el rendimiento predictivo, a la vez que reduce signicativamente los requisitos computacionales y de memoria, lo que lo hace especialmente adecuado para entornos con recursos limitados. En este proyecto, se implementa dicha técnica utilizando como modelos maestros variantes de la arquitectura ResNet y, como modelo estudiante, una versión ligera denominada ResNet10. El marco propuesto se evalúa utilizando el conjunto de datos PathMNIST, que contiene 107k imágenes biomédicas estandarizadas. Los resultados obtenidos muestran que el modelo estudiante alcanza un desempeño cercano al de los modelos maestros, lo cual resalta el potencial de la metodología propuesta para soluciones de aprendizaje automático escalables y rentables.

PDF

Este trabajo presenta una metodología para el análisis cuantitativo del movimiento del miembro superior en pacientes en rehabilitación post-accidente cerebrovascular (ACV), basada en la adquisición de parámetros cinemáticos mediante sensores inerciales MPU6050 y el procesamiento de datos con algoritmos computacionales. El sistema se estructura en cuatro niveles: captura sensorial, preprocesamiento de señales, modelado computacional y análisis clínico, permitiendo una evaluación objetiva de la función motora durante tareas especícas. El pipeline incluye ltrado pasa banda, calibración, segmentación por ventanas deslizantes y extracción de características en dominios temporal, dinámico, energético y de frecuencia. Se incorporan métricas de simetría y correlación que evalúan tiempo de reacción, velocidad pico y rango de movimiento, junto con fusión sensorial para identicar compensaciones posturales y desequilibrios entre miembros.

La arquitectura propuesta se integra progresivamente en programas de rehabilitación, facilitando la validación con escalas clínicas estandarizadas como Fugl-Meyer Assessment (FMA), Action Research Arm Test (ARAT) y Modied Ashworth Scale (MAS). Los parámetros derivados de los sensores rango de movimiento (°), velocidad pico (m/s), aceleración extrema (m/s2), jerk (m/s3) y frecuencia dominante (Hz) se expresan en unidades físicas y muestran alta consistencia (ICC >0.8). El análisis estadístico permite distinguir diferencias signicativas entre pacientes post-ACV y controles sanos, así como correlaciones clínicas superiores a r >0.6. Este enfoque complementa las valoraciones tradicionales con información objetiva, cuantitativa y reproducible, fortaleciendo el seguimiento terapéutico, la detección temprana de compensaciones y la personalización de estrategias de rehabilitación.

PDF

Resumen. La Retinopatía Diabética es la principal causa de ceguera que se puede prevenir en adultos. Por eso, detectarla a tiempo es clave. El problema es que el método actual, donde un especialista revisa las imágenes de los ojos (retinografías) se vuelve un proceso lento y limitado dependiente de la disponibilidad de personal. Para solucionar esto, en este trabajo desarrollamos un sistema de inteligencia artificial que clasifica automáticamente la Retinopatía Diabética en sus cinco etapas de gravedad. Utilizamos un modelo de red neuronal pre-entrenado EfficientNet-B0 y lo optimizamos con una técnica conocida como aprendizaje por transferencia para usar la base de datos pública APTOS 2019. Al ponerlo a prueba, nuestro modelo alcanzó una precisión general del 79.45 % y demostró una capacidad considerable para distinguir entre las distintas etapas de la enfermedad (con un AUC micro de 0.963). Lo más destacado fue su habilidad para identificar los casos de personas sanas, con una sensibilidad del 97.4 % y un AUC de 0.994. Este enfoque nos permitiría crear sistemas de diagnóstico por computadora que podrían hacer que la detección de la Retinopatía Diabética sea mucho más accesible y eficiente para todos.

PDF

La enfermedad de la COVID-19 ha causado millones de muertes en todo el mundo. Afecta principalmente al sistema respiratorio, pero también puede afectar a los sistemas nervioso central y cardiovascular. El objetivo de este estudio fue explorar los perles de expresión génica en sangre periférica para identicar posibles biomarcadores de la COVID-19 utilizando una red bayesiana. Se analizaron datos de expresión génica basados en microarreglos de 47 individuos (11 pacientes sintomáticos, 18 asintomáticos y 18 controles sanos) obtenidos de la base de datos GEO (GSE177477). El preprocesamiento se realizó con el paquete oligo de R, con normalización RMA. La clasicación se llevó a cabo utilizando una red bayesiana en WEKA y el rendimiento del modelo se evaluó mediante la técnica de validación cruzada dejar uno fuera. El modelo de la red identicó tres genes (GIMAP6, EAF1 y ND4 ) con una exactitud del 85.10 %, una sensibilidad del 85.10 % y una especicidad del 92.55 %. Estos genes están involucrados en la regulación de los linfocitos y la respuesta inmunitaria, la modulación de la transcripción génica y la producción de energía mitocondrial, respectivamente, y podrían participar de manera conjunta en la respuesta celular frente a la COVID-19.

PDF

La clasicación de especies vegetales a nivel de grano no constituye un reto signicativo debido a su alta similitud visual entre las distintas especies tanto en el color, la forma y el tamaño. Los enfoques tradicionales, están basados en la extracción manual de características y el uso de clasicadores como SVM las cuáles presentan diversas limitaciones ante escenarios visualmente complejos. Mientras que en las investigaciones recientes han demostrado que las redes neuronales convolucionales (CNN) superan a los métodos anteriores debido a que capturan patrones visuales de mayor nivel y reducen el sesgo dentro del modelo. Además con el preprocesamiento adecuado de las imágenes se mejora de forma circunstancial la precisión de la clasicación, dado que optimizan la calidad y relevancia de las características extraídas por la red. En este trabajo se propone un modelo de clasicación de plantas basado en CNN que integra técnicas de preprocesamiento, aumentación de imágenes, ajuste de hiperparámetros y aprendizaje por transferencia. El modelo propuesto obtuvo un rendimiento destacado con una media de exactitud de 0.9922 y una desviación estándar de 0.0020.

PDF

Resumen. La evaluaci ́on emocional en la infancia es importante para identificar de manera temprana posibles problemas que puedan afectar el desarrollo integral de los niños. Este proyecto desarrolla de modelos aprendizaje automático para la clasificación de emociones en dibujos infantiles obtenidos mediante la prueba del dibujo de la familia. La clasificación se basa en el análisis exploratorio de datos y la extracción de características relevantes desde la perspectiva psicológica con base a los elementos gráficos y estructurales. Los modelos Máquina de vectores de soporte (SVM) con kernel RBF y Perceptrón multicapa (MLP) lograron aprendizajes efectivos de patrones en los trazos y la distribución espacial del dibujo, alcanzando exactitudes en prueba de 66.1% y 61.9%. Estos resultados permiten ofrecer una herramienta de apoyo para especialistas, padres y docentes en la detecci ́on temprana de problemas emocionales.

PDF

Resumen. Las redes neuronales convolucionales (CNN) representan una arquitectura fundamental en el análisis y la clasicación de imágenes digitales, destacando por su capacidad para extraer características jerárquicas a partir de los datos de entrada. Un aspecto relevante en este proceso es la representación de las imágenes mediante diferentes espacios de color, como RGB y HSV, cuya elección puede inuir en el rendimiento y la eficiencia del modelo. El presente trabajo tiene como objetivo comparar el impacto de ambos espacios de color en la clasicación de imágenes mediante CNN. Se desarrollaron seis modelos con arquitectura idéntica, variando únicamente la representación de los píxeles y el número de épocas de entrenamiento. Los resultados evidencian que el espacio HSV favorece la convergencia en escenarios de entrenamiento reducido, mientras que el espacio RGB ofrece un desempeño superior en configuraciones de mayor complejidad, alcanzando valores de exactitud superiores al 50%. Estos hallazgos permiten concluir que la selección del espacio de color constituye un factor crítico para optimizar tanto la velocidad de entrenamiento como la capacidad predictiva, aportando lineamientos para futuras investigaciones orientadas a la elección de configuraciones más adecuadas según el contexto de aplicación.

PDF

Resumen. Se esperaba que la pandemia de COVID-19 provocara una disminución generalizada en los niveles de bienestar y felicidad global. No obstante, utilizando datos del World Happiness Report (2015–2024), que abarca 175 países y 1,502 observaciones, este estudio revela un resultado contraintuitivo: los puntajes promedio de felicidad aumentaron de 5.38 (prepandemia) a 5.54 (pospandemia). A través de modelos predictivos basados en Random Forest validados mediante tres estrategias complementarias (partición aleatoria: R2 = 0.82; validación por país: R2= 0.75±0.03; validación temporal: R2 = 0.75±0.03), se identificó que el apoyo social (52 % de importancia con IC 95 %: [0.49, 0.56]) emergió como el principal determinante del bienestar, superando significativamente al PIB per cápita (30 %, IC: [0.28, 0.32]). Se observaron disparidades regionales significativas: Europa presentó aumentos de +0.40 a +0.55 puntos (p<0.05), mientras que Asia del Sur experimentó disminuciones de -0.50 puntos (p<0.05). El análisis de agrupamiento (K=4, justificado mediante método del codo y coeficiente de silueta) identificó cuatro conglomerados con distintos patrones de resiliencia. Los hallazgos sugieren que la pandemia actuó como un reinicio de valores", promoviendo el capital social y la libertad individual como fuentes esenciales de felicidad sostenible.

PDF