Browsing by Author "Bravo, Antonio"

Now showing 1 - 2 of 2

Neural networks-based prediction of insulin resistance by means the homeostatic model assessment without the insulin concentration test
(LACCEI, Inc., 2019-07) Chacon, Gerardo; Madriz, Delia; Bravo, Antonio; Pardo, Aldo
Tissues insulin sensitivity has been estimated using the homeostasis model assessment. The insulin resistance is thus calculated from the plasma insulin and glucose concentrations. However, the insulin testing is an expensive test. Here, a computational approach based on neural networks for predicting the insulin resistance index through the homeostasis model assessment without considering the insulin testing results is proposed. A dataset of the prevalence study of metabolic syndrome (MS) is used to develop our approach. A total of 1919 subjects is used. The dataset if randomly split into a training set, a testing set, and a validating set for prediction approach performance assessment. Two of the neural networks commonly used in medical application are selected as functional predictors. The indexes obtained using the predictors are compared with the homeostasis model assessment-based index reported on the used dataset. From the comparison, one of neural networks-based approaches is considered the best predictor.
Reconstrucción 3-D del Ventrículo Izquierdo de Corazón Humano a partir de Angiocardiografía Rotacional por Rayos X Usando Conectores Difusos
(LACCEI Inc., 2018-09) Chacon, Gerardo; Rodríguez, Johel; Vera, Miguel; Madriz, Delia; Bravo, Antonio
En este trabajo, se propone un método de reconstrucción tri-dimensional aproximada del ventrículo izquierdo de corazón humano. El método realiza la reconstrucción a partir de la información asociada a los niveles de gris y considera la geometría de proyección perspectiva expresada por el modelo pin-hole. El método está inspirado en la etapa de aproximación utilizada por los enfoques difuso y probatorio. La reconstrucción tridimensional se realiza combinando la retroproyección de cada una de las proyecciones de la cavidad en la misma fase del ciclo cardíaco. La información de nivel de gris de las imágenes de entrada se combina mediante conectores difusos. Los conectores difusos considerados corresponden a norma T, conorma T, función de promediación y el operador de compensación generalizada del conector difusa lógico. El método de reconstrucción genera errores menores al 13.23%.