Métodos computacionales bayesianos avanzados para estimación, predicción y control en sistemas multisensoriales complejos
Los últimos años han visto la llegada de nuevas tecnologías con enorme potencial para mejorar las condiciones de vida de las personas de edad avanzada o con problemas de salud. La actual tecnología de sensores, combinada con modernos dispositivos de comunicaciones y cómputo de reducido tamaño, abre la puerta a la monitorización de pacientes en sus hogares con un nivel de atención que hasta hace poco tiempo sólo era posible en entornos hospitalarios.
No obstante, esta nueva tecnología por sí sola no es suficiente para hacer realidad este gran potencial. Garantiza un acceso rápido y asequible a grandes cantidades de datos, pero la extracción de conocimiento o cómo emplear estos datos para tomar decisiones fundamentadas son problemas de una naturaleza distinta. Existe una necesidad acuciante de modelos que permitan estructurar grandes cantidades de datos heterogéneos, así como de algoritmos eficientes para detectar y estimar variables de interés, o predecir eventos futuros, sobre esos modelos. Para satisfacer esta necesidad, proponemos una aproximación bayesiana a la inferencia y el aprendizaje estadísticos, que comprende las tareas de diseño, comparación y validación de modelos, así como el desarrollo de algoritmos probabilísticos de tratamiento de datos. La metodología bayesiana tiene ventajas importantes respecto a las técnicas más clásicas:
– Puede aplicarse de forma sistemática a amplias clases de modelos, posiblemente no lineales y no gaussianos.
– Es computacionalmente muy flexible: admite de manera natural la aplicación de métodos de integración numérica, de Monte Carlo o deterministas, así como aproximaciones variacionales.
– Proporciona soluciones “completas”, i.e., distribuciones de probabilidad que permiten calcular estimadores puntuales, pero también cotas de error, intervalos de credibilidad y otros estadísticos.
Debido a la clase de problemas que se encuentran en las aplicaciones de salud y medicina, nuestro interés primordial se centra en el desarrollo de modelos y algoritmos que puedan implementarse en redes formados por nodos de tamaño y peso reducidos, con capacidad de sensado, comunicación y cómputo. Éste es el caso, por ejemplo, de las redes de sensores inalámbricas (WSNs) empleadas para la monitorización de pacientes en el hogar. Investigaremos las cuestiones específicas que surgen en la implementación de los esquemas de inferencia bayesiana en esta clase de sistemas en red, incluyendo la paralelización, las restricciones en las comunicaciones, el consumo de energía o la optimización de los protocolos de comunicación y sensado. Por la generalidad del problema, se investigarán de forma específica nuevos algoritmos para la localización en interiores empleando WSNs.
Finalmente, pretendemos combinar las tecnologías computacionales y de localización desarrolladas para abordar tres problemas médicos de alta prevalencia:
– La evaluación funcional de pacientes psiquiátricos (específicamente, pacientes que sufren de esquizofrenia, trastorno bipolar y del estado del ánimo).
– La caracterización cuantitativa de crisis epilépticas.
– La caracterización y detección de rotores en episodios de fibrilación auricular.
Contando con la colaboración de un equipo multidisciplinar, se implementarán tres demostradores empleando elementos hardware y software disponibles comercialmente, para evaluar la efectividad de los métodos y soluciones propuestos.
