ELIOTH+ML

Evaluación de bases de datos existentes con datos similares a los que obtendríamos con el hardware definitivo, de tal forma que permita el avance en el desarrollo de técnicas de “Machine Learning” de manera paralela al desarrollo del hardware.

Desarrollo de algoritmia (IA). Evaluar la idoneidad de los distintos algoritmos de ML para el análisis de rutinas y patrones y para la detección de anomalías y prevención de situaciones de riegos o accidentes. En particular se evaluarán: autoencoders convolucionales y variaciones, redes profundas realimentadas, aproximadores y proyectores de espacios latentes uniformes como UMAP).

Desarrollo de herramienta de visualización e interpretación. Las herramientas de visualización e interpretación de espacios latentes obtenidos mediante redes profundas (Deep Learning), permitirán eventualmente una más adecuada (menos heurística) interpretación de situaciones que permitan una más eficiente participación de familiares, cuidadores o clínicos, a través del seguimiento de patrones y la detección de anomalías.

Solución en la nube. Desarrollar un modelo de base de datos y computación en la nube para la plataforma tecnológica desarrollada, que permita una más flexible gestión, actualización y computación de todos los datos y elementos que podrían eventualmente formar parte del sistema. Para ello se emplearán las herramientas de AWS.

Diseño y modelado de la solución propuesta. Realizar una prospección tecnológica de elementos de sensorización, realizando las mejoras necesarias al hardware de la plataforma ELIOTH, con tal de proporcionar los datos con las características necesarias requeridas por las técnicas de OE2, como, por ejemplo, nuevos tipos de sensores o características mejoradas con respecto a la plataforma inicial.

Validación de los algoritmos en la solución final. Validar los modelos de “Machine Learning” diseñados con datos reales adquiridos con la plataforma mejorada y adaptada ELIOTH+ML.