Adimen artifiziala Osasunean. Konputazio fisiologikoa

Ikerketa-lerro hau nerbio-sistemaren ondoriozko gaixotasunen eta anomalien diagnostikoan eta prebentzioan adimen artifizialeko teknikak aplikatzean datza. Zehazki, horrelakoetan lan egiten dugu: biomarkatzaile esanguratsuak identifikatzea, estres-egoerak detektatzeko sistema adimendunak garatzea, Parkinson gaixotasunaren diagnostiko goiztiarra eta pronostikoa, Alzheimerraren eboluzioaren diagnostikoa, epilepsia-krisien iragarpena eta abar.

Konputazio fisiologikoari dagokionez, inbasiorik gabe hartutako seinale fisiologikoak erregistratu, aztertu eta erabiltzen espezializatuta dago taldea. Ahalik eta gutxien inbaditzen duten erregistro-sistemak (wearables) garatzeaz gain, informazio fisiologiko horretatik ateratako biomarkatzaile berriak proposatzen dira (ECG, EDA, EEG…), patologia horiek diagnostikatzeko edo prebenitzeko sistema adimendunen bitartez.

Ikasketa automatikoa. Eredu esplikagarriak eta bidezkoak

Taldearen ikerketa-lerro guztietan helburua sistema justuak diseinatzea da eta horretarako eredu esplikagarriak erabiltzea ezinbestekoa bilakatzen da.

Lerro honetan taldekideek sailkapen eraginkorraz gain egindako sailkapenaren azalpena eskatzen duten arazoak ebazteko ikasketa algoritmoak diseinatu eta lantzen dituzte; sortutako sistemen ekitatea bultzatuz. Horretarako sailkatzaile anitzetan (ensembles) erabiltzen diren estrategiak erabiltzen dira. Horrez gain, klaseetako baten kasu-kopurua besteekiko oso desorekatua dagoen testuinguruak (class imbalance problem) ikertzen dira. Ikasketa automatikoko paradigma gehienentzat arazo larria baita hau.

Ekitateari dagokionean, genero-ikuspegia bereziki lantzen da, alborapenik gabeko sistemak sortzeko metodologiak txertatuz.

Aurrekariak

Arestian aipatutako lerroek ALDAPA taldearen egungo jarduera islatzen duten arren, taldearen aktibitatea 90. hamarkadan hasi zen patroien erazagutzean, optimizazioan eta konputazio paraleloan ikerketa eginez. Sailkapen gainbegiratuko eta gainbegiratu gabeko sailkapeneko hainbat paradigma –neurona sare artifizialak, auzotasunean oinarritutako sailkatzaileak (kNN), sailkatzaile anitzak, multzokatze-teknikak edo clustering-a, balioztatze-indizeen analisia– aplikatu ziren testuinguru desberdinetan. Hala nola, sare elektrikoetan akatsen detekzioa, karaktereen errekonozimendu automatikoa (OCR, Optical Character Recognition), merkantzien banaketaren optimizazioa (TD-TSPTW, Time Dependent Traveling Salesman, Problem with Time Windows), iruzurra iragartzea, bezeroen fidelizazioa, segurtasun informatikoa, ezgaitasuna duten edo ez duten erabiltzaileen portaera modelaketa, sistema digitalekin elkarreraginean (Web Mining, Sheltered Social Networks, eGovernment, eServices, eTourism), besteak beste. Prestazio altuko konputazioan ere lan egin da, nagusiki fenomeno fisikoen simulazioan (elkarrekintza elektronikoa maila molekularrean, monte carlo zinetikoa, etab.), baita konputazio federatu eta paraleloan ere.