Se presenta la aplicación de técnicas de Inteligencia Artificial a tres casos de estudio reales. En concreto se desarrollan sistemas de modelado híbrido que combinan métodos de agrupamiento estándar, o clustering, con algoritmos de regresión. Para ello se divide el problema de modelado en un conjunto de modelos locales y se aplican varias técnicas sobre cada uno de los grupos para identificarles. El modelo híbrido está formado por el conjunto de todos estos modelos. El sistema desarrollado se aplica a tres problemas reales. En el primero de ellos, para obtener o predecir el valor de un sensor para detección de fallos. La aplicación real utiliza la señal BIS, el grado de hipnosis de un paciente sedado. En el segundo, ese crea un sensor virtual (IoT). Se aplica para monitorizar el estado de carga de una batería. En el último caso, el modelo híbrido se usa para predecir valores de variables en un tiempo futuro, en instantes posteriores al de la ejecución del modelo. Como aplicación real para este caso se trata de predecir el valor de la señal ANI empleada en operaciones quirúrgicas, que es un indicador del dolor que sufren los pacientes durante una intervención.

1. Aplicación de técnicas de
Inteligencia Artificial e IoT
a la vida real
Facultad de Informática – Universidad Complutense Madrid
26 de Noviembre de 2020
José Luis Casteleiro Roca
jose.luis.casteleiro@udc.es

2. Índice
 Propuesta de modelado híbrido
 Métodos utilizados
 Aplicaciones
2

3. Índice
 Propuesta de modelado híbrido
3

4. Modelado híbrido
4

5. Modelado híbrido
5

6. Modelado híbrido
6
Selección de la
topología híbrida
Mejores modelos
locales
Regresión
(por grupo)
Fase de
agrupamiento

7. Modelo híbrido
7

8. Modelo híbrido
Modelos locales
Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5
Global
Híbrido 2
grupos
Híbrido 3
grupos
Híbrido 4
grupos
Híbrido 5
grupos
8

9. 9
Modelo híbrido – Errores
𝑀𝑀𝑀𝑀𝑀𝑀 =
1
𝑛𝑛
�
𝑖𝑖=1
𝑛𝑛
𝑦𝑦𝑖𝑖 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
− 𝑦𝑦𝑖𝑖𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
2
𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 =
1
𝑛𝑛
�
𝑖𝑖=1
𝑛𝑛
𝑦𝑦𝑖𝑖 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚
− 𝑦𝑦𝑖𝑖𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
2
𝑦𝑦𝑖𝑖 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚
· 𝑦𝑦𝑖𝑖𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
𝑀𝑀𝑀𝑀𝑀𝑀 =
1
𝑛𝑛
�
𝑖𝑖=1
𝑛𝑛
𝑦𝑦𝑖𝑖 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
− 𝑦𝑦𝑖𝑖𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
𝑀𝑀𝑀𝑀𝑀𝑀𝑀𝑀 =
1
𝑛𝑛
�
𝑖𝑖=1
𝑛𝑛
𝑦𝑦𝑖𝑖 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚
− 𝑦𝑦𝑖𝑖𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
𝑦𝑦𝑖𝑖𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟

10. Modelo híbrido
Modelos locales
Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5
Global ANN-12
Híbrido 2
grupos
LS-SVR ANN-2
Híbrido 3
grupos
Poly-2 ANN-5 LS-SVR
Híbrido 4
grupos
ANN-5 ANN-3 ANN-4 LS-SVR
Híbrido 5
grupos
LS-SVR LS-SVR ANN-6 ANN-7 ANN-6
10

11. Modelo híbrido
11

12. Índice
 Propuesta de modelado híbrido
 Métodos utilizados
12

13. 13
Métodos utilizados
 Agrupamiento
 Regresión
 Validación
 Elección del modelo

14. 14
Agrupamiento – K-Means

15. 15
Agrupamiento – K-Means

16. 16
Agrupamiento – K-Means

17. Regresión
17

18. Regresión – Redes neuronales artificiales
18

19. Regresión – Redes neuronales artificiales
19

20. Regresión – Máquinas de vectores soporte
20

21. Regresión – Máquinas de vectores soporte
21

22. Regresión – Máquinas de vectores soporte
22

23. Regresión – Regresión polinomial
23

24. Regresión – Regresión polinomial
24

25. Regresión – Regresión polinomial
25
𝜃𝜃 = 𝑋𝑋 𝑇𝑇 · 𝑋𝑋 −1 · 𝑋𝑋 𝑇𝑇 · 𝑦𝑦

26. Validación
26

27. 27
Validación – Hold Out

28. 28
Validación – Cross Validation

29. Elección del modelo de regresión
29

30. Elección del modelo de regresión
 Validación con Hold Out
• Redes neuronales artificiales
– Diferente número de neuronas en la capa oculta
• Máquinas de vectores soporte
• Regresión polinomial
– Diferentes grados del polinomio
 Error de cada modelo
30

31. Elección del modelo de regresión
 Validación con Cross Validation
• Redes Neuronales Artificiales
– K - Diferente número de neuronas en la capa oculta
• K - Máquinas de soporte vectorial
• Regresión polinomial
– K - Diferentes grados del polinomio
 Error de cada modelo
31

32. Elección del modelo de regresión
 Validación
 Error de cada modelo
 Mejor modelo
 Entrenamiento del modelo con todos los datos
32

33. Índice
 Propuesta de modelado híbrido
 Métodos utilizados
 Aplicaciones
33

34. 34
Aplicaciones
 Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
 Power cell SOC modelling for intelligent virtual sensor
implementation
 Prediction of the energy demand of a hotel using an
artificial intelligence-based model: Luxury hotel in Tenerife
 Fuel cell hybrid model for predicting hydrogen inflow
through energy demand
 Hybrid intelligent system to predict the individual
academic performance o engineering students

35. Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
35

36. Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
36

37. Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
37

38. Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
38

39. Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
39

40.  50 pacientes
 42.788 muestras
Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
40
Grupo 1 Grupo 2
Global 100%
Híbrido 2
grupos
0,8% 99,2%
Grupo 1 Grupo 2
Global 0,8531
Híbrido 2
grupos
8,1·10-4 0,4129
Grupo 1 Grupo 2
Global ANN-6
Híbrido 2
grupos
ANN-2 ANN-9

41. Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
41

42. Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
42

43. Power cell SOC modelling for intelligent virtual sensor
implementation
43

44. Power cell SOC modelling for intelligent virtual sensor
implementation
44

45. Power cell SOC modelling for intelligent virtual sensor
implementation
45

46. Power cell SOC modelling for intelligent virtual sensor
implementation
46

47. Power cell SOC modelling for intelligent virtual sensor
implementation
47

48. Power cell SOC modelling for intelligent virtual sensor
implementation
48
Carga Reposo Descarga Reposo
Muestras 6.619 1.089 7.451 1.211
ANN 0,1094 0,0921 0,4767 0,0917
Poly 23,997 0,0904 17,814 0,0930
LS-SVR 0,1392 0,0902 0,5052 0,0865
ANN-10 LS-SVR ANN-8 LS-SVR

49. Prediction of the energy demand of a hotel using an artificial
intelligence-based model: Luxury hotel in Tenerife
49

50. Prediction of the energy demand of a hotel using an artificial
intelligence-based model: Luxury hotel in Tenerife
50

51. Prediction of the energy demand of a hotel using an artificial
intelligence-based model: Luxury hotel in Tenerife
51

52. Prediction of the energy demand of a hotel using an artificial
intelligence-based model: Luxury hotel in Tenerife
52

53. Prediction of the energy demand of a hotel using an artificial
intelligence-based model: Luxury hotel in Tenerife
53

54. Prediction of the energy demand of a hotel using an artificial
intelligence-based model: Luxury hotel in Tenerife
54

55. Prediction of the energy demand of a hotel using an artificial
intelligence-based model: Luxury hotel in Tenerife
55

56. Fuel cell hybrid model for predicting hydrogen inflow through
energy demand
56

57. Fuel cell hybrid model for predicting hydrogen inflow through
energy demand
57

58. Fuel cell hybrid model for predicting hydrogen inflow through
energy demand
58

59. Fuel cell hybrid model for predicting hydrogen inflow through
energy demand
59

60. Fuel cell hybrid model for predicting hydrogen inflow through
energy demand
60

61. Fuel cell hybrid model for predicting hydrogen inflow through
energy demand
61

62. Fuel cell hybrid model for predicting hydrogen inflow through
energy demand
62

63. Hybrid intelligent system to predict the individual academic
performance o engineering students
63

64. Hybrid intelligent system to predict the individual academic
performance o engineering students
64

65. Hybrid intelligent system to predict the individual academic
performance o engineering students
65

66. Hybrid intelligent system to predict the individual academic
performance o engineering students
66

67. Hybrid intelligent system to predict the individual academic
performance o engineering students
67

68. Hybrid intelligent system to predict the individual academic
performance o engineering students
68

69. Hybrid intelligent system to predict the individual academic
performance o engineering students
69

70. Aplicación de técnicas de
Inteligencia Artificial e IoT
a la vida real
Facultad de Informática – Universidad Complutense Madrid
26 de Noviembre de 2020
José Luis Casteleiro Roca
jose.luis.casteleiro@udc.es
Turno de preguntas

71. Aplicación de técnicas de
Inteligencia Artificial e IoT
a la vida real
Facultad de Informática – Universidad Complutense Madrid
26 de Noviembre de 2020
José Luis Casteleiro Roca
jose.luis.casteleiro@udc.es