Health Monitoring System using Raspberry PI

Los autores usan las siguientes tecnologías para el desarrollo del proyecto:
• Sensor de temperatura (DS18B20)
• Sensor de frecuencia cardíaca
• Raspberry Pi

En el artículo desarrollan un proyecto que propone un seguimiento de la salud que supervisa los parámetros vitales del paciente, como temperatura y frecuencia cardíaca utilizando sensores, así como un Fitbit que están conectados a una placa Raspberry Pi. El proyecto implica alertar el médico a través de SMS si algún parámetro vital del paciente se desvía del valor normal. Aparte de ayudar al doctor monitorear los parámetros básicos de salud del paciente, el sistema de monitoreo también asegura que el paciente tome los medicamentos recetados en el momento adecuado. Rapberry pi actúa como servidor personal que registra los detalles de la medicación del paciente. El paciente recibe recordatorios para que tome medicamentos a través de SMS según su prescripción.

En el proyecto lo que realizan es registrar información de la temperatura medida y los latidos del corazón en un rango delimitado. Entonces esta recopilación de datos puede permitir o servir para realizar predicciones, pongamos el caso de que si uno de los parámetros de salud del paciente está cambiando. Podemos identificar el problema fácilmente y poder ayudar al paciente encontrar el remedio más rápido.

Conclusiones

El sistema propuesto por los autores se puede instalar fácilmente en hospitales, casas y puede sirven como una gran base de datos para recopilar datos. Los resultados pueden ser integrado con el móvil asi desarrollar una aplicación para que se puede acceder fácilmente en todo momento y en todas las ubicaciones.

Face recognition for Student Attendance using Raspberry Pi

En el artículo revisan diferentes tecnologías/artículos como:

• Técnicas de reconocimiento automático de reconocimiento facial
• Raspberry Pi
• Open CV
• Codificación binaria monogénica: una característica local eficiente enfoque de extracción para el reconocimiento facial.
• La autenticación se vuelve personal con la biometría
• regresión vectorial, reconocimiento y detección de rostros basada en clasificación
• Un reconocimiento facial eficiente, algoritmo basado en análisis robusto de componentes principales

El artículo revisado presenta el desarrollo de reconocimiento facial para la asistencia de los estudiantes usando raspberry pi. La idea de este proyecto es que el registro de las llegadas a clases de los estudiantes sea más fácil. Que es lo que buscamos también el proyecto TermUNI, por ejemplo, que las personas asintomáticas no estén en contacto directo con otros personas que es muy riesgoso.

Aquí mostramos un pequeño diagrama de los pasos del reconocimiento de rostro planteado en el artículo.


El sistema de asistencia utiliza cámaras de visión nocturna raspberry pi y también Raspberry Pi, que es la principal columna vertebral del procesamiento de imágenes y también del reconocimiento facial de una persona antes de que se pueda registrar la presencia de un estudiante en la base de datos.

Conclusiones
• Este trabajo propuso un marco completo para el reconocimiento facial para asistencia a clase que es simple de fabricar, modesta en costo y convincente.
• Tecnología de reconocimiento facial e integrado capacidades de procesamiento de dispositivos de portal como Raspberry Pi puede ayudar a los profesores e incluso a los estudiantes a registrar las llegadas a clases más fácilmente.


Referencias:
Artículo 1: Health Monitoring System using Raspberry PI
Artículo 2: Face recognition for Student Attendance using Raspberry Pi

Machine Learning for Prediction of Frost Episodes in the Maule Region of Chile

Los autores revisan diferentes trabajos entre las que destacan tenemos:
“Responses of Plants to Environmental Stresses. Chilling, Freezing and High Temperature Stresses and Responses and Adaptation to Freezing Stress”
Se dice que la sensibilidad al frío de una planta depende de su estado de desarrollo, siendo las etapas fenológicas más vulnerables la floración y la fructificación.

“Evaluation of the occurence of agricultural frost in state of Parana, Brazil, generated by a regional forecast model”
Indica que la frecuencia y los efectos de las condiciones de heladas en la agricultura se han exhibido en todo el mundo durante los últimos años teniendo en cuenta que el artículo fue publicado en 2017. Además, utilizan modelos de inteligencia artificial para desarrollar modelos que permita predecir condiciones climáticas extremas.

“Techniques of frost prediction and methods of frost and cold protection. World Meteorological Organization Technical Note”
La previsibilidad de los eventos de heladas depende en gran medida de los pronósticos de temperatura basados en modelos predictivos generales.

El problema que tratan son pérdidas en el sector productivo agrícola a causa de las heladas, en Chile, provocando perdidas de la cosecha de un año entero y comprometiendo ingresos del año siguiente, sobre todo para fruticultores y viticultores. Lo que se plantea es procesar información obtenida de Automatic Weather Station AWS que incluye información de temperatura, humedad, radiación y velocidad y dirección del viento entre otros. Se evalúan bajo los métodos de clasificación Naives Bayes, Random-Forest, Arboles de decisión y SVM. Todos implementados en lenguaje de programación R. Como resultado se obtiene que Random-Forest obtiene mejores resultados que los otros modelos. El modelo desarrollado alcanza una eficiencia cercana al (90%) de eficiencia, pudiendo predecir hasta con 12 h de anticipación la ocurrencia de un episodio de helada.

Conclusiones
Las heladas registradas en datos históricos muestran efectos devastadores para la agricultura en el centro-sur de Chile. Se evaluaron varios métodos de aprendizaje automático para esta tarea, encontrando que el algoritmo de clasificación Random-Forest dio los mejores resultados en los diferentes escenarios y condiciones evaluados para registros congelados y no congelados en el período 2010-2016 de los diferentes AWS estudiados en el Maule Región - Chile. Sin embargo, es importante mencionar que es necesario estudiar área por área por separado, de acuerdo con los resultados obtenidos.

Frost Forecast using Machine Learning - from association to causality

Los autores revisan diversos trabajos como:
• “Daños extremos por nevadas y heladas en Europa”
• “El calentamiento global aumenta el daño por heladas en los árboles en Europa Central”
• “Aplicación de redes neuronales artificiales para la detección de heladas en el centro de Chile utilizando el pronóstico de temperatura mínima del aire al día siguiente”
• “Predicción y aplicaciones de series temporales, un enfoque de inteligencia artificial”

Las heladas son un tipo de fenómeno climático que causa daños a las plantas de modo que afecta al cultivo. La ocurrencia de heladas está estrechamente relacionada con múltiples factores ambientales que incluyen temperatura, humedad, radiación y más. El artículo propone la construcción de modelos predictivos utilizando un enfoque de máquina de vectores de soporte para capturar posibles causas relación entre estos factores y las heladas. Se espera que estos modelos entrenados con datos locales específicos ayuden a pronosticar las heladas con unas pocas horas de anticipación en el área local. En el artículo se discute el análisis de problemas, la metodología de modelado y el conjunto de modelos, y se experimenta con datos reales.

Como resultado se obtiene:

Tasa de recuperación	horas	falsa alarma
100%	1h	18.9%
99.3%	2h	20.1%
99.8	3h	9.6%

que la tasa de recuperación del modelo individual se ha logrado al 100%, 99,3% y 99,8%, en términos deprobabilidad de heladas en las próximas 1 h, 2 h y 3 h, respectivamente con la correspondiente falsa alarma al 18,9%, 20,1% y9,6%.


Conclusiones
Se ha propuesto el pronóstico de heladas por aprendizaje automático a partir de datos utilizando una máquina de vectores de soporte para regresión (SVR).

Se confirma que la temperatura es el factor clave para participar en los modelos predictivos de heladas; la humedad ayuda a una alarma temprana en un período relativamente más largo, como en 2 horas o 3 horas antes; y la radiación mejora la sensibilidad de respuesta a algunos cambios locales en un período corto.

Referencias:
Artículo 1: Machine Learning for Prediction of Frost Episodes in the Maule Region of Chile
Artículo 2: Frost Forecast using Machine Learning - from association to causality

Los brotes de enfermedades como el coronavirus a menudo se desarrollan demasiado rápido para que los científicos encuentren una cura. Pero en el futuro, la inteligencia artificial podría ayudar a los investigadores a hacer un mejor trabajo.

Si bien es probable que sea demasiado tarde para que la nueva tecnología desempeñe un papel importante en la epidemia actual, hay esperanza para los próximos brotes. La IA es buena para examinar los montones de datos para encontrar conexiones que faciliten determinar qué tipos de tratamientos podrían funcionar o qué experimentos realizar a continuación.
Más información aquí: Artificial Intelligence Could Fight a Future Coronavirus

"Es difícil encontrar personas que puedan operar en la intersección de la IA y la biología, y es difícil para las grandes empresas tomar decisiones rápidas sobre tecnología como esta", dijo Irina Haivas, socia de la firma de capital de riesgo Atomico y ex cirujana que trabaja en El consejo de Healx. "No es suficiente ser un ingeniero de inteligencia artificial, hay que entender y entrar en las aplicaciones de la biología".

Facebook ha estado aumentando sus adquisiciones para las nuevas empresas de inteligencia artificial. Si bien los acuerdos parecen ser relativamente pequeños, es probable que sigan siendo críticos para el futuro de la empresa. Más información aquí

Here are some ways e-commerce businesses are utilizing data science to enhance the customer experience.
More inf: 10 Data Science Projects E-Commerce Businesses Are Using

El transporte, la industria que se encarga del traslado de mercancias y pasajeros de un lugar a otro. Se realizaron muchos estudios, investigaciones, ensayos y cambios para llegar a lo que es ahora. Uno de los mayores hitos en el transporte fue el buque de vapor en 1787. Una de las tecnologías que ha contribuido en la al sector es la Inteligencia artificial. ¿Como? Incrementando la seguridad de los pasajeros, reduciendo el trafico y los accidentes, minimizando la emision de carbono y tambien los gastos finacieros. Cuatro aplicaciones de la innteligencia artificial en el transporte.
Más inf: Como la IA puede cambiar la industria del transporte

• Vehiculos Autonomos. Existen taxis autonomos que ya empezaron a operar en Tokyo. Asi como tambien la logistica de EEUU esta adoptando camiones autonomos con el fin de disminuir costos operativos.
  Más inf: Como la IA puede cambiar la industria del transporte

• Gestion del trafico. La inteligencia artificial no solo reduce el trafico, sino tambien mejora la seguridad en la carreteras y reduce los tiempos de espera.
  Más inf: Como la IA puede cambiar la industria del transporte

• Prediccion de retrasos de Vuelo. La cancelacion de los vuelos por diferentes factores, tiene consecuencias muy alto en los costos.
  Más info: Como la IA puede cambiar la industria del transporte

• Taxis Drone. Más info:Como la IA puede cambiar la industria del transporte

La IA ha sido una de las innovaciones tecnológicas más asombrosas de la humanidad, de hecho. Sin embargo, a pesar de todos los inventos increíbles que hemos visto hasta ahora, es importante tener en cuenta que solo hemos arañado solo la superficie de la IA y aún queda mucho por explorar. Las aplicaciones de IA en el transporte mencionadas anteriormente muestran solo un vistazo de las posibilidades y oportunidades que la tecnología puede ofrecer.

¡Imagínete lo increíble y emocionante que sería el futuro impulsado por la IA!