Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
Vi-P3: Sesión de pósteres III Lugar: Zona pósteres | |
    | |
Estrategias de Preprocesamiento de Señal y Selección de Características como Factor Clave para la Clasificación de Alta Fidelidad de Tejidos mediante LIBS 1: Grupo de Ingeniería Biomédica, Universidad de Cantabria, España; 2: Centro de Investigaciones Ópticas y Energía, Universidad Privada Boliviana, Bolivia La Espectroscopía de Emisión Atómica con Plasma Inducido por Láser (LIBS) emerge como una técnica prometedora para la diferenciación de tejidos en tiempo real, una capacidad de gran valor en aplicaciones clínicas como la evaluación de márgenes quirúrgicos. Sin embargo, la alta variabilidad intrínseca de la señal LIBS y la complejidad de la matriz biológica representan un desafío significativo para la obtención de clasificadores robustos y fiables. Este trabajo aborda dicha problemática mediante la implementación y evaluación sistemática de un pipeline de preprocesamiento y clasificación para la discriminación de cinco clases de tejidos ex vivo. Se propone una estrategia de agregación de señal, denominada "Pico Máximo sobre Línea Base", diseñada para preservar eventos de plasma de baja frecuencia y maximizar la relación señal-ruido. Para garantizar la validez de los resultados y evitar la sobreestimación del rendimiento, se implementó un riguroso esquema de validación basado en GroupShuffleSplit para prevenir la fuga de datos entre muestras biológicas. Se compararon tres estrategias de preparación de características: datos escalados (Base), reducción de dimensionalidad mediante Análisis de Componentes Principales (PCA) y selección de características con Eliminación Recursiva de Características (RFE), antes de optimizar y evaluar múltiples algoritmos de Machine Learning. Los resultados demuestran que la estrategia de preprocesamiento de señal es el factor más determinante. Se concluye que las estrategias combinadas de preprocesamiento de señal avanzado y selección de características son fundamentales para desbloquear el potencial de LIBS en la clasificación de tejidos blandos de alta fidelidad.
| |