Ingeniería en Ciencias Computacionales http://www.dspace.espol.edu.ec/handle/123456789/54824 2026-02-21T11:39:57Z 2026-02-21T11:39:57Z Rodríguez Reyes, Peter Josué Zambrano López, José Enrique Mendoza Morales, Luis Eduardo, Director http://www.dspace.espol.edu.ec/handle/123456789/67346 2026-01-19T20:41:38Z 2025-01-01T00:00:00Z

Title: Sistematización del proceso de gestión de solicitudes del comité de ética en investigación de la ESPOL – Fase 4 Authors: Rodríguez Reyes, Peter Josué; Zambrano López, José Enrique; Mendoza Morales, Luis Eduardo, Director Abstract: CONDITION FOR PUBLICATION OF PROJECT. project aims to optimize the user experience of the request management system for the Research Ethics Committee (REC) of the Escuela Superior Polit´ecnica del Litoral (ESPOL). Currently, the process is performed manually, which generates delays and difficulties in user interaction with the system. To address these limitations, a functional prototype was developed to improve the issuance of resolutions by integrating email notifications into key processes and optimizing the user interface, while respecting institutional standards. New features have also been incorporated, such as a Frequently Asked Questions (FAQ) section to guide users through the use of the system and the implementation of electronic signatures, which strengthens the validity and security of the issued documents. The prototype was implemented using React technologies for the frontend, ASP.NET for the backend, MySQL as the database manager, and various APIs for integration with ESPOL’s internal processes. The development was carried out using an agile methodology, dividing the work into weekly sprints with client participation and performing functional tests to validate the system’s performance and reliability. The results reflect a significant improvement in process efficiency, improved communication with users, and improved system usability. Keywords: CEI, Ethics in Research Request Management, React, ASP.NET, MySQL, User Interface (UI), User Experience (UX), Automated Processes, Email Notifications, System Notifications, FAQ, Electronic Signature, DSPACE, Microsoft Enter ID Description: CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. El presente proyecto tiene como objetivo optimizar la experiencia de usuario del sistema de gesti´on de solicitudes dirigidas al Comit´e de ´ Etica en Investigaci´on (CEI) de la Escuela Superior Polit´ecnica del Litoral (ESPOL). Actualmente, el proceso se realiza de manera manual, lo que genera retrasos y dificultades en la interacci´on de los usuarios con el sistema. Para abordar estas limitaciones, se desarroll´o un prototipo funcional que mejora la emisi´on de resoluciones, integrando notificaciones por correo electr´onico en los procesos clave y optimizando la interfaz de usuario, respetando siempre los est´andares institucionales. Asimismo, se incorporaron nuevas funcionalidades como una secci´on de Preguntas Frecuentes (FAQ) para guiar a los usuarios en el uso del sistema y la implementaci´on de firma electr´onica, lo que fortalece la validez y seguridad de los documentos emitidos. El prototipo fue implementado utilizando las tecnolog´ıas React para el frontend, ASP.NET para el backend, MySQL como gestor de base de datos y diversos APIs para la integraci´on con procesos internos de la ESPOL. El desarrollo se llev´o a cabo siguiendo una metodolog´ıa ´agil, dividiendo el trabajo en sprints semanales con la participaci´on del cliente y realizando pruebas funcionales con el fin de validar el desempe˜no y la fiabilidad del sistema. Los resultados reflejan una mejora significativa en la eficiencia del proceso, mejor comunicaci´on con los usuarios y mayor usabilidad del sistema.

2025-01-01T00:00:00Z Herrera Pérez, Pablo Gabriel Macias Garzón, Irving Ricardo Peláez Jarrin, Colon Enrique, Director http://www.dspace.espol.edu.ec/handle/123456789/67345 2026-01-19T20:27:23Z 2025-01-01T00:00:00Z

Title: Detección supervisada de anomalías en tomografías torácicas mediante autoencoders y clustering Authors: Herrera Pérez, Pablo Gabriel; Macias Garzón, Irving Ricardo; Peláez Jarrin, Colon Enrique, Director Abstract: CONDITION FOR PUBLICATION OF PROJECT. project addresses the early detection of anomalies in chest computed tomography within the framework of preventive healthcare at the university level, aiming to support clinical diagnosis through supervised artificial intelligence. The hypothesis states that a deep learning model, trained with preprocessed and balanced data, can identify pulmonary abnormalities, contributing to institutional epidemiological surveillance and aligning with SDG 3: Good Health and Well-being. For its development, images were collected and filtered from public databases such as NIH ChestX-ray8, incorporating additional tuberculosis and pneumonia datasets. Preprocessing techniques such as thoracic segmentation, CLAHE, and normalization were applied. Ten models between machine learning and deep learning were trained and their performance was compared using AUC-ROC, accuracy, and confusion matrices. The results showed that DenseNet121, trained with a combined dataset of original and segmented images, achieved the best performance (accuracy: 0.94, AUC: 0.91). Moreover, segmentation improved predictions in most classes, although it introduced limitations in specific cases such as emphysema. It is concluded that supervised AI enhances automated diagnosis, and that preprocessing quality and class balance are key factors in optimizing outcomes. Keywords: artificial intelligence, chest tomography, anomaly detection, supervised learning Description: CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. El proyecto aborda la detección temprana de anomalías en tomografías torácicas en el contexto de salud preventiva universitaria, con el objetivo de apoyar el diagnóstico clínico mediante inteligencia artificial supervisada. La hipótesis plantea que un modelo de aprendizaje profundo, entrenado con datos preprocesados y balanceados, puede identificar alteraciones torácicas, contribuyendo a la vigilancia epidemiológica institucional y alineándose con el ODS 3: Salud y Bienestar. Para su desarrollo, se recopilaron y depuraron imágenes de bases públicas como NIH ChestX-ray8, incorporando además tuberculosis y neumonía de datasets complementarios. Se aplicaron técnicas de preprocesamiento como segmentación torácica, CLAHE y normalización. Se entrenaron cinco modelos de ML y cinco de DL, comparando su desempeño con métricas AUCROC, accuracy y matrices de confusión. Los resultados mostraron que DenseNet121, entrenado con un dataset combinado de imágenes originales y segmentadas, alcanzó el mejor rendimiento (accuracy: 0.94, AUC: 0.91). Además, la segmentación mejoró la precisión de predicción en la mayoría de las clases, aunque generó limitaciones en casos específicos como enfisema. Se concluye que el uso de IA supervisada fortalece el diagnóstico automatizado y que la calidad del preprocesamiento y balance de clases es determinante para optimizar resultados.

2025-01-01T00:00:00Z Fernandez Bustamante, Daniel Francisco Jaramillo Arana, José Gabriel Realpe Robalino, Miguel Andrés, Director http://www.dspace.espol.edu.ec/handle/123456789/67343 2026-01-19T20:16:06Z 2025-01-01T00:00:00Z

Title: Sistema inteligente para la automatización del rastreo vehicular por medio de múltiples cámaras Authors: Fernandez Bustamante, Daniel Francisco; Jaramillo Arana, José Gabriel; Realpe Robalino, Miguel Andrés, Director Abstract: CONDITION FOR PUBLICATION OF PROJECT. project implements an automated vehicle tracking system using Deep Learning and computer vision techniques. The system employs YOLOv8 for vehicle detection, ByteTrack for intra-camera tracking, and Vision Transformer (ViT) to generate robust embeddings enabling multi-camera ReIDentification. Multiple camera video sequences were processed, applying cosine similarity matching and re-ranking techniques to improve accuracy. Results demonstrated 94.7% Rank-1 accuracy and 77.96% mAP, validating the effectiveness of the proposed approach. The system provides a scalable solution for automated vehicle monitoring in complex urban environments. Keywords: Vehicle tracking, Computer vision, Deep Learning, ReIDentification, Multi-camera processing. Description: CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Este proyecto implementa un sistema automatizado de rastreo vehicular mediante técnicas de Deep Learning y visión por computadora. El sistema utiliza YOLOv8 para detectar vehículos, ByteTrack para seguimiento intra-cámara y Vision Transformer (ViT) para generar embeddings robustos que permiten la Reidentificación multicámara. Se procesaron secuencias de video de múltiples cámaras, aplicando técnicas de matching por similitud coseno y re-ranking para mejorar la precisión. Los resultados demostraron un 94.7% de precisión Rank-1 y 77.96% mAP, validando la efectividad del enfoque propuesto. El sistema ofrece una solución escalable para el monitoreo vehicular automatizado en entornos urbanos complejos.

2025-01-01T00:00:00Z Bravo Palma, Mauricio Andres Castillo Chiang, Jared Elian Pelaez Jarrin, Colon Enrique, Director http://www.dspace.espol.edu.ec/handle/123456789/67342 2026-01-19T19:54:25Z 2025-01-01T00:00:00Z

Title: Diagnóstico asistido de la enfermedad de Parkinson mediante aprendizaje profundo a partir de datos fMRI Authors: Bravo Palma, Mauricio Andres; Castillo Chiang, Jared Elian; Pelaez Jarrin, Colon Enrique, Director Abstract: This project addresses the need for early and objective diagnosis of Parkinson’s disease by proposing the development of an Artificial Intelligence model for automatic patient classification using functional magnetic resonance imaging (fMRI) data. The main objective is to develop a deep learning model that speeds up diagnostic times and reduces the inherent influence of specialist subjectivity. Two fMRI datasets were collected and standardized: one with subjects in a resting state (DR) and another performing attention tasks (DA). Two preprocessing flows were applied: SPM for DR data and Fmriprep for DA data. Subsequently, two deep learning architectures, Vision Transformer and a hybrid 3DCNN+LSTM model were trained and evaluated with both datasets to compare their performance. The Vision Transformer model performed better with a classification accuracy of 93%. It is concluded that resting state fMRI data are the most suitable for this task and that the pre-processing flow with SPM together with the Vision Transformer model constitutes the most effective and efficient approach for assisted diagnosis of the disease. Keywords: Deep learning, Neuroimaging, Vision Transformer, SPM. Description: El presente proyecto aborda la necesidad de un diagnóstico temprano y objetivo de la enfermedad de Párkinson, proponiendo el desarrollo de un modelo de inteligencia artificial para la clasificación automática de pacientes a partir de datos de resonancia magnética funcional (fMRI). El objetivo principal es desarrollar un modelo de aprendizaje profundo que agilice los tiempos de diagnóstico y se disminuya la inherencia de la subjetividad del especialista. Se recopilaron y estandarizaron dos conjuntos de datos fMRI: uno con sujetos en estado de reposo (DR) y otro realizando tareas de atención (DA). Se aplicaron dos flujos de preprocesamiento, SPM para los datos DR y Fmriprep para los datos DA. Posteriormente, se entrenaron y evaluaron dos arquitecturas de aprendizaje profundo, Vision Transformer y un modelo híbrido 3DCNN+LSTM, con ambos conjuntos de datos para comparar su rendimiento. El modelo con Vision Transformer obtuvo mejores resultados con una precisión del 93% de precisión en la clasificación. Se concluye que los datos fMRI en estado de reposo son los más adecuados para realizar esta tarea y que el flujo de pre-procesamiento con SPM junto al modelo Vision Transformer, conforman la aproximación más efectiva y eficiente para el diagnóstico asistido de la enfermedad.

2025-01-01T00:00:00Z