Seguimiento automatizado de variables de control en pacientes crónicos

Uni e sidad Complu ense de Mad id Facul ad de In o má ica T abajo de Fin de G ado Seguimien o au oma izado de a iables de con ol en pacien es c ónicos Ál a o Allegue Lo enzo Ana Ca olina Rueda Sil a Di igido po Ja ie A oyo Galla do Depa amen o de Ingenie ía del So wa e e In eligencia A i icial Mad id 2016 I Au o ización Los au o es de es e p oyec o au o izan a la Uni e sidad Complu ense de Mad id a di undi y u iliza el p esen e abajo de in es igación, an o la aplicación como la memo ia, únicamen e con ines académicos, no come ciales y mencionando exp esamen e a sus au o es. También au o izan a la Biblio eca de la UCM a deposi a el abajo en el A chi o Ins i ucional E-P in s Complu ense. Au o es Ál a o Allegue Lo enzo Ana Ca olina Rueda Sil a Tu o Ja ie A oyo Galla do III Ag adecimien os Solo al acaba un p oyec o uno es ealmen e conscien e de odo el abajo que ha cos ado y de las pe sonas que han es ado ahí pa a saca lo adelan e. Po eso que íamos dedica es a sección a odas aquellas pe sonas que nos han apoyado y nos han dado ánimos pa a llega has a aquí, incluyendo amigos, amilia es y p o eso es. A Albe o y E a ya que de no se po ellos es e abajo no exis i ía. En especial que emos ag adece a nues o p o eso y u o del abajo Ja ie A oyo Galla do po acep a y hace más in e esan e nues a in es igación y guia nos a lo la go de odo el desa ollo. Po es a ahí cuando le necesi amos y po su paciencia. Pe o, sob e odo, po c ee en noso os más de lo que lo hacíamos noso os mismos. Po úl imo, que emos ag adece a nues os amigos que han es ado con noso os en las buenas y en las malas y que nunca deja on de apoya nos. V Resumen Un sueño escaso o de mala calidad puede ene epe cusiones nega i as en la ida dia ia. Si es a si uación se p olonga en el iempo, puede a ec a al es ado de ánimo e in e e i en el abajo y la ida social de una pe sona. Son muchos los ac o es que de e minan la calidad del sueño. No es su icien e con do mi , sino que hay que do mi bien pa a que el sueño sea ealmen e epa ado y se pueda uno le an a descansado y con ene gía. Muchos aspec os como la ac i idad ísica, las comidas y bebidas, los ho a ios, pueden al e a la calidad del sueño o gene a di icul ades pa a concilia lo po lo que en los úl imos años han salido al me cado a ios disposi i os y aplicaciones cuan i icado as que ayudan a moni o iza el sueño. Exis en disposi i os que solamen e egis an el mo imien o y la empe a u a co po al y aun así gene an una g an can idad de da os. Debido a es o, la in o mación p oducida puede no se ácilmen e in e p e able. En es e p oyec o usamos un disposi i o de moni o ización que o ece más in o mación (como empe a u a y lujo é mico) po lo que que emos mejo a la in e p e abilidad de los da os que se gene an pa a ayuda a acili a el abajo de los médicos que las u ilizan con sus pacien es in en ando descub i as o nos me abólicos. Se aspi a a simpli ica el abajo manual que aho a se ealiza in en ando que sea más au omá ico. Pa a ello, en es e p oyec o se u ilizan écnicas de mine ía de da os en se ies empo ales que pe mi en hace un análisis explo a o io de los da os y ag upa la in o mación de o ma que los esul ados se mues en de una o ma esumida y conc e a y que pueda se pe cibida de un is azo. U ilizando es as écnicas c eamos una aplicación que ob iene se ies empo ales de los da os pa icionadas en dis in os ipos de episodios, cen ándonos en episodios de sueño y de ac i idad ísica, clasi icando los episodios de sueño po su simili ud y p esen ando un esumen de la ac i idad del pacien e a lo la go de oda la moni o ización. Palab as cla e Moni o ización del sueño, mo imien o, mine ía de da os, se ies empo ales, dynamic ime wa ping, clus e ing, Py hon. VII Abs ac Spa ce o poo quali y sleep can ha e a nega i e impac on daily li e. I his si ua ion con inues o e ime, i can a ec he mood and in e e e wi h wo k and social li e. The e a e many ac o s ha de e mine he quali y o sleep. I is no su icien wi h sleeping e e y day, bu mus sleep well so ha sleep is a eally es ul sleep and one can li es ed and ene gized. Many aspec s such as physical ac i i y, meals and d inks, schedules, can dis up sleep quali y o cause di icul y alling asleep so in ecen yea s ha e come on he ma ke se e al b acele s o a mbands and quan i ying applica ions ha help moni o he sleep. The e a e de ices ha only eco d he mo emen and body empe a u e and ye gene a e a la ge amoun o da a. Because o his, he in o ma ion p oduced can no be easily in e p e able. In his p ojec we use a moni o ing de ice ha p o ides mo e in o ma ion (such as empe a u e and hea low) so we wan o imp o e he in e p e abili y o he da a gene a ed o help ease he wo k o doc o s who use i wi h hei pa ien s ying o disco e me abolic diso de s. We aim o simpli y he manual wo k ha is now pe o med ying o be mo e au oma ed. Fo his pu pose, in his p ojec ime se ies da a mining echniques a e used ha allow an explo a o y analysis o he da a and g oup in o ma ion so he esul s a e displayed in a summa ized and conc e e way and allow o obse e hem a a glance. Using hese echniques, we ha e c ea ed an applica ion ha ob ains ime se ies da a pa i ioned in o di e en ypes o episodes, ocusing on episodes o sleep and physical ac i i y, classi ying sleep episodes by hei simila i y and a doing a summa y o pa ien ac i i y h oughou o all moni o ing. Keywo ds Sleep moni o ing, mo emen , da a mining, ime se ies, dynamic ime wa ping, clus e ing, Py hon. XIV Figu a 4.18: Ejemplo de ag upamien o basado en densidad con DBSCAN. ..................................... 42 Figu a 4.19: Clasi icación de los ipos de ep esen ación de se ies empo ales. ............................... 45 Figu a 4.20: Visualización de la écnica de educción de dimensionalidad PAA ............................. 46 Figu a 4.21: Visualización de la écnica de educción de dimensionalidad SAX. ............................ 47 Figu a 4.22: Ejemplo de isualización en espi al de una se ie pe iódica. ......................................... 48 Figu a 4.23: Cap u a de pan alla de VizT ee. .................................................................................... 48 Figu a 5.1: Selección de iche o a ca ga ........................................................................................... 53 Figu a 5.2: Nomb es de episodios ...................................................................................................... 54 Figu a 5.3: Pes aña del in é p e e de sueños de la aplicación ............................................................ 55 Figu a 5.4 Selección de episodios de sueño ....................................................................................... 56 Figu a 5.5 Tipos de episodios en la g á ica de ba as ........................................................................ 56 Figu a 5.6: G á ica de pos u a ............................................................................................................ 57 Figu a 5.7 Cu as de mo imien o y consumo ................................................................................... 57 Figu a 5.8 Fil o y selec o de episodios ............................................................................................ 59 Figu a 5.9 In o mación del episodio isualizado ............................................................................... 60 Figu a 5.10: Ejemplo de in e p e ación de coe icien e de co elación. ............................................. 60 Figu a 5.11: Cap u a de g á icas de lujo empo al y empe a u a .................................................... 61 Figu a 5.12: Diag ama de dispe sión ................................................................................................. 61 Figu a 5.13 Pes aña de clus e ing ...................................................................................................... 62 Figu a 5.14: Selec o de ipo de clus e ing ........................................................................................ 63 Figu a 5.15: Fil o de episodios de sueño. ......................................................................................... 63 Figu a 5.16: Ma iz de dis ancias ....................................................................................................... 64 Figu a 5.17: Cap u a de dend og ama................................................................................................ 64 Figu a 5.18: Ejemplo de g upos simila es en dend og ama ............................................................... 65 Figu a 5.19: Compa ación de dos episodios de sueño ....................................................................... 66 Figu a 5.20: Pes aña consumos de la aplicación ................................................................................ 67 Figu a 5.21: G á ico de ba as ........................................................................................................... 67 Figu a 5.22: G á icas de consumo co espondien es a un día ............................................................ 68 I In oducción Pa e I In oducción Página | 3 1 In oducción Nume osos es udios demues an que la ac i idad ísica epe cu e di ec amen e en la du ación y calidad del sueño. Según el es udio [1], las pe sonas due men signi ica i amen e mejo y se sien en más ac i as du an e el día si han ealizado un mínimo de unos 150 minu os de ac i idad ísica a la semana. Se usó una mues a ep esen a i a de más de 3000 homb es y muje es de edades comp endidas en e los 18 y los 85 años, eniendo en cuen a su índice de masa co po al, es ado de salud, y además si son o no umado es y/o su en dep esiones, que dio como esul ado que al ealiza 150 minu os de eje cicio mode ado a in enso a la semana se ob iene una mejo a del 65% en la calidad del sueño. Las pe sonas que ealizan eje cicio a i ma on sen i menos sueño du an e el día en compa ación con los que ealizan meno ac i idad ísica [2]. También se ob u ie on esul ados simila es pa a el sínd ome de pie nas inquie as (68% de meno p obabilidad) y pa a la di icul ad de concen a se cuando se es á cansado (45% menos p obable). El do mi mal puede a ec a nega i amen e a la p oduc i idad del indi iduo en el abajo o en el caso de un es udian e a su a ención en clase y po lo an o su endimien o académico. En Es ados Unidos, sob e el 35-40% de la población adul a padece p oblemas pa a concilia el sueño o iene p oblemas de somnolencia diu na [1]. El sueño insu icien e y la al e ación del mismo se asocia con nume osos esul ados nega i os pa a la salud en adul os, incluyendo la dep esión clínica y o as condiciones pe judiciales como las en e medades ca dio ascula es, la diabe es ipo 2, la obesidad y la mo alidad [3]. Es os hechos son la azón de que se hayan desa ollado a ias soluciones de moni o ización del sueño. G acias a es os disposi i os se puede de ec a las posibles al e aciones que puedan es a ocasionando un sueño de mala calidad. La di icul ad es á en analiza los da os que gene an, ya que po lo gene al su in e p e ación no es sencilla y muchas eces equie e de la ayuda de un especialis a. Como esul ado de es as e lexiones, la mo i ación p incipal de es e p oyec o es la de ayuda al especialis a a abaja mejo con los da os pa a diagnos ica a sus pacien es. 1.1 Obje i o El obje i o p incipal de es e abajo consis e en c ea una aplicación que abaje con una se ie de da os gene ados po un disposi i o de moni o ización y que pe mi a acili a el abajo de los expe os. Pa a ello con amos con la colabo ación del doc o Albe o O dóñez Pé ez y de la en e me a E a Pacho, de Ibe mu uamu , que, además de p opo ciona nos las he amien as necesa ias nos ayudan a e lo que pod ía se ú il analiza en la aplicación. El disposi i o es un b azale e con dis in os senso es, empleado gene almen e po depo is as en cen os de al o endimien o y de un al o cos e económico, po lo que has a aho a no se había u ilizado con ines médicos. Dada la posibilidad de que el usua io medio que aya a u iliza la aplicación ca ezca de conocimien os in o má icos a anzados, es necesa io inclui en los obje i os una in e az simple y cla a. A la ho a de diseña el p og ama ambién cob a impo ancia el que sea capaz de ealiza la misma labo an e posibles cambios de con igu ación del disposi i o, ya que puede se necesa io modi ica los alo es iniciales pa a adecua los a cada pacien e. Así pues, lo p ime o que enemos que Página | 4 hace es consegui lee los da os con los que amos a abaja y que és os no gene en p oblemas. A pa i de es e pun o di idimos la aplicación en cua o ases: 1. P e-p ocesa los da os pa a ex ae sólo la in o mación álida. No u ilizamos odos los pa áme os egis ados po el b azale e y desca amos aquellos da os in álidos. 2. P ocesa los da os pa a il a la in o mación impo an e que p esen a al usua io. Dependiendo del apa ado de la aplicación pa icionamos los da os en días, episodios de sueño o de ac i idad ísica. También sepa amos los episodios de sueño en e diu nos y noc u nos. 3. Analiza los da os median e écnicas de análisis de da os, clasi icando la in o mación po clus e ing de se ies empo ales. Es o nos pe mi e ag upa episodios po su simili ud con la inalidad de encon a pa ones y anomalías en e los episodios de sueño. 4. Visualiza los esul ados. De o ma lo más sencilla posible sin eque i una g an in e acción y siguiendo un o den que pe mi a i descub iendo la in o mación de o ma acional. Po lo an o, se a a de ealiza un análisis de los da os ob enidos po el disposi i o que pe mi a al especialis a de ec a anomalías en los episodios de sueño del pacien e. Es as anomalías pod ían suge i posibles as o nos en el sueño e indica el es ilo de ida que lle a en cuan o a ac i idad ísica y consumo ene gé ico se e ie e. Pa a ello pa imos de écnicas de explo ación como el clus e ing pa a in en a ob ene in o mación de u ilidad a pa i de los da os disponibles. Pos e io men e diseñamos una aplicación que sea capaz de ep esen a los da os de una o ma sencilla que equie a poca in e acción po pa e del usua io y en ocada la isualización de episodios de sueño y de ac i idad ísica, con ag upamien o de los episodios de sueño po simili ud y un esumen del consumo caló ico del pacien e. 1.2 P oblemas asociados y me odología de abajo seguida El p ime incon enien e encon ado ue con i ma si e a posible ex ae los da os b u os egis ados po el b azale e en algún o ma o que se pudie a lee , como cs . En un p incipio únicamen e conocíamos el so wa e p opo cionado po el ab ican e y solamen e con él nos esul a ía imposible ealiza ninguna aplicación o es udio de mine ía de da os, ya que a a di ec amen e con los da os y los mues a median e g á icas, lo que ha ía imposible manipula los. Finalmen e, as pode p oba el p og ama po nues a cuen a nos ce cio amos de que exis ía la opción de expo a los da os en o ma o cs y xls. O o p oblema elacionado con los da os es su iabilidad. El b azale e no siemp e ecoge da os álidos, ya que an o al coloca lo como al qui a lo es posible que egis e in o mación e ónea que es necesa ia desca a pa a no al e a los esul ados ob enidos. Cabe la posibilidad de que el pacien e se e i e el b azale e du an e la moni o ización, po i a la ducha, a la piscina u o as ac i idades incompa ibles con su uso. Po lo an o, se ob end án sal os empo ales que no amos a desca a , sino que ep esen a emos de igual o ma ya que se supone que el p opio pacien e debe in o ma de es os acon ecimien os, que queda án egis ados en el dia io. Al se una colabo ación en e dos mundos an di e en es como la medicina y la in o má ica, nos lle ó a ias euniones es ablece unos obje i os y equisi os iniciales pa a el p oyec o. Empezamos documen ándonos sob e emas médicos que pudie an es a elacionados con los b azale es siguiendo las di ec ices del doc o , ales como as o nos del sueño, as o nos me abólicos, ases del sueño, en e o os y sob e la uncionalidad del b azale e y la o ma de egis a los da os, Página | 5 consul ando las dudas que nos iban su giendo. El p o eso Ja ie A oyo nos p opo cionaba nue as ideas y e aluaba el abajo ealizado as cada eunión. Pos e io men e nos euníamos en Ibe mu uamu donde p esen ábamos los a ances y p egun ábamos las dudas que nos iban su giendo. De es a o ma uimos desa ollando a ios p og amas independien es que después ag upamos en la aplicación inal. Po lo an o, du an e odo el desa ollo hubo que a on a cambios en los equisi os, lo que implicaba desca a algunos a ances y adap a la es uc u a del código pa a implemen a las nue as ideas, po ello la es uc u a debía se lo más lexible y abie a posible a u u os cambios. II Es ado del a e Pa e II Es ado del a e Página | 9 2 Disposi i os de moni o ización en la ac ualidad Aunque el es ánda pa a e alua el sueño sigue siendo el labo a o io de sueño (polisomnog a ía) exis e un in e és c ecien e po los disposi i os de igilancia po á iles que p opo cionan la opo unidad de e alua el sueño en en o nos del mundo eal, como el hoga o el abajo [4]. Los disposi i os po á iles pe mi en múl iples mediciones, la e aluación de pa ones empo ales y la au o- expe imen ación. Desde el pun o de is a clínico y de in es igación, la capacidad de ob ene da os de sueño- igilia longi udinales pueden mejo a el eno ipo de la en e medad, y las decisiones de a amien o y la op imización de la salud indi idualizadas. Desde el pun o de is a del bienes a , los disposi i os disponibles en el me cado pe mi en al indi iduo ealiza un seguimien o de su p opio sueño con el obje i o de encon a pa ones y co elaciones modi icables en su es ilo de ida ales como el eje cicio, la die a y medicamen os pa a el sueño. El labo a o io de polisomnog a ía (PSG) ha demos ado se muy ú il pa a el diagnós ico y a amien o de la apnea obs uc i a del sueño (AOS), aunque los as o nos menos comunes ambién son ácilmen e iden i icables incluyendo la na colepsia, el sueño de mo imien os ocula es ápidos (REM), pa asomnias no-REM y el sínd ome de pie nas inquie as en e o os. A pesa de la cla a u ilidad del PSG en medicina, iene bas an es incon enien es que hacen imposible ealiza la p ueba a cualquie pacien e. Algunos de es os incon enien es son el cos e y su di icul ad de uso y apa a osidad, ya que se necesi a una habi ación con máquinas conec adas al pacien e median e una g an can idad de cables, además de especialis as que p epa en la p ueba y pe manezcan jun o al pacien e du an e oda la medición además de la pos e io in e p e ación de la in o mación. Es os incon enien es han mo i ado el desa ollo de disposi i os po á iles capaces de e alua el sueño en el hoga y ue a de él. En un p incipio es os disposi i os es aban o ien ados al diagnós ico de apneas, pe o con el iempo ue on desa ollándose nue os pa a pacien es con insomnio y as o nos del sueño más habi uales pa a cuya de ección no e a necesa ia una p ueba de polisomnog a ía. Las p ime as pulse as de ac ig a ía 1 se colocaban en la muñeca y egis aba mo imien os del pacien e du an e el sueño. E a ú il pa a la documen ación de pa ones de sueño A con inuación, se lis a algunos de los disposi i os que se han u ilizado pa a dis in os ipos de mediciones. 2.1 Disposi i os basados en señales de la ac i idad ce eb al 2.1.1 Zeo El disposi i o de Zeo es pequeño, con un diseño muy pa ecido al de un pulsóme o con la única di e encia de que se ha de coloca en la cabeza a modo de diadema [5]. Es e disposi i o cons a de una cin a elás ica con senso es de ela que se colocan en la en e. Es os senso es de ec an una combinación de elec oence alog ama (EEG), elec omiog ama del músculo on alis (EMG), y las señales del elec ooculog ama (EOG). T ansmi e las señales pa a su análisis de o ma inalámb ica, 1 Pe mi e da una idea indi ec a de la es uc u a del sueño a a és de la ac i idad ísica y mo imien os del pacien e. Página | 16  Ma e ial i a: Nylon, poliés e , polica bona o, lyc a.  Ins umen o medical de Clase IIa CE/93/42 Tipo BF CE0086 3.2 Mediciones El b azale e SenseWea incluye a ios senso es adicionales que pueden iden i ica los cambios isiológicos del eje cicio que no es án asociados con el mo imien o. Es os incluyen in e cambio de calo , empe a u a de la piel y sudo , pe mi iendo a los algo i mos iden i ica con p ecisión an o el gas o ene gé ico como los es ados de sueño y igilia independien emen e del mo imien o del pacien e. Con odos es os senso es el b azale e puede de e mina el ipo de eje cicio y la in ensidad de la ac i idad ísica ealizada. Es o es impo an e po que cada pe sona quema calo ías de mane a di e en e ya que cada una iene su me abolismo basal [13], siendo és e el alo mínimo de ene gía necesa ia pa a subsis i . Las mediciones que puede hace el b azale e, haciendo uso de sus 5 senso es, son:  Mo imien o: El b azale e con iene un acele óme o, un disposi i o que mide el mo imien o. Se usa pa a medi el mo imien o desde múl iples ejes y pe spec i as, pe mi iendo así de ini mejo la ac i idad ealizada.  Pasos: El b azale e cuen a los pasos u ilizando el acele óme o pa a medi los dis in os pa ones c eados po camina y / o co e .  Respues a gal ánica de la piel: Mide la conduc i idad eléc ica de la piel, que cambia en espues a al sudo y es ímulos emocionales. Si e pa a medi mejo el ni el de ac i idad.  Tempe a u a de la piel: Un e móme o elec ónico muy sensible mide la empe a u a de la piel.  Flujo de calo : Mide la can idad de disipación de calo del cue po p oducido po los músculos al mo e se. Figu a 3.2: Senso es del b azale e Bodymedia SenseWea . Página | 17 3.3 Limi aciones El b azale e no es sume gible ni puede en a en con ac o con el agua ni o os líquidos po lo que el pacien e debe ce cio a se de e i a lo an es de las duchas y o as ac i idades que pueda moja el disposi i o como piscina, sauna e c. Tampoco se debe coloca el b azale e en zonas de la piel donde se haya aplicado alguna c ema ya que puede deg ada el plás ico de la ca casa. Sólo puede almacena los da os de un pacien e al mismo iempo du an e un máximo de 28 días. Cada ez que se quie a coloca el b azale e en un nue o pacien e hay que olca los da os del pacien e an e io en el o denado median e el p og ama incluido. 3.4 So wa e p opo cionado po el ab ican e La isualización de los da os se ealiza, as un olcado de los mismos a un o denado a a és del pue o USB del b azale e, en una única en ana median e g á icas empo ales especi icando pe iodos de iempo o e en os conc e os (uno o a ios días, unas ho as...) y pudiendo il a los da os con los pa áme os ob enidos po los senso es del b azale e. Se dispone de 24 pa áme os en o al en e los que des acan la echa de cada egis o, los es acele óme os ( ans e sal, an e óg ado y longi udinal), empe a u a de la piel, empe a u a ce ca del cue po, con ado de pasos, acos ado (si/no), sueño (si/no), ac i idad ísica (si/no), gas o ene gé ico, MET 7 , elocidad, dis ancia, clasi icación de ac i idad y sueño, lujo é mico y ano aciones po cada egis o. Algunos de los pa áme os ienen dados como la media de la medida du an e el minu o que egis a o como los picos máximos de esa medida, lo cual esul a ú il pa a según qué mediciones. Po ejemplo, pa a la de ección de mo imien o du an e el sueño, es mejo obse a los picos en un minu o que la media, ya que los mo imien os se án ápidos y co os, lo que di icul a ía en g an medida su ap eciación obse ando sólo la media. Figu a 3.3: Cap u a de SenseWea P o essional. 7 Unidad de medida del índice me abólico de inida como la can idad de calo emi ido po una pe sona en posición seden e po me o cuad ado de piel. Página | 18 Al inaliza el pe iodo de moni o ización, se puede ob ene un in o me pe sonalizado con los siguien es da os:  Gas o dia io o al (Kcal consumidas)  Du ación, cuan i icación y clasi icación de la ac i idad ísica  METS equi alen e me abólico (Kcal / HR / Kg)  Gas o ene gé ico ac i o du an e la ac i idad  Núme o de pasos e ec uados  Posición co po al  Tiempo en pie, sen ado y umbado  E iciencia y du ación del sueño Se puede e un ejemplo del in o me pe sonalizado en la Figu a 3.4. Es e in o me es escaso en cuan o a la in o mación que o ece ya que solo pe mi e ag ega o qui a días pa a e una acumulación de los da os. Figu a 3.4: In o me en la aplicación SenseWea P o essional. También pe mi e expo a un in o me más de allado y isualiza g á icamen e los da os. Es e in o me se gene a en o ma o PDF con ep esen aciones g á icas sob e el es ilo de ida del pacien e como se puede e en la Figu a 3.5. De odas o mas, es e in o me es á muy limi ado dado que es es á ico y solo mues a la suma de los da os ecogidos sin dis inción del ipo de ac i idad o ipo de sueño. Página | 19 Los da os b u os de odas las señales egis adas y la in o mación del pacien e se pueden expo a en o ma o cs y xls, lo que nos pe mi e isualiza los da os con p og amas como Excel o Ma lab, en e o os y pode manipula los pa a ealiza mine ía de da os e in es iga en de alle sin depende de es e p og ama. Figu a 3.5: In o me gene ado po aplicación SenseWea P o essional. 3.5 Finalidad o u ilidad médica En el depa amen o de Ibe mu uamu colabo ado , a an gene almen e con pacien es que han su ido acciden es labo ales y es án en pe iodo de ecupe ación. También a an con obesos, depo is as y pacien es con as o nos del sueño. Página | 20 La inalidad de coloca un b azale e a cada pacien e es la de ealiza un seguimien o a lo la go de en e una y dos semanas de la ac i idad ísica y de los pe iodos de sueño del pacien e pa a pode aplica le die as pe sonalizadas y obse a la du ación, calidad y pa ones de sueño. El seguimien o se ealiza conjun amen e con el pacien e, al que se le hacen p egun as sob e el día a día mien as lle a colocado el b azale e y se an ano ando en un dia io pa a pos e io men e con as a con la in o mación p opo cionada po el disposi i o. Es o esul a muy ú il pa a, po ejemplo, comp oba si la ac i idad ísica ealizada po el pacien e es su icien emen e e ec i a o pa a co obo a si se eje ci a an o como indica en el dia io. T anscu ido el iempo de colocación del b azale e, el pacien e lo de uel e y los médicos uelcan los da os en un o denado a a és del p og ama SenseWea P o essional. Consul an el in o me gene ado po el p og ama donde suele des aca el consumo basal del pacien e, el consumo dia io, la can idad e in ensidad de ac i idad ísica ealizada y la e icacia de sueño. Con es os da os y el dia io, dependiendo del diagnós ico in o man al pacien e de los cambios que debe ealiza en su es ilo de ida pa a mejo a su si uación. Es os cambios engloban cambia la die a, la ecuencia, in ensidad y ho a del eje cicio ísico y la u ina de sueño en e o as cosas. También u ilizan el p og ama pa a obse a con más de alle e en os pun uales que se hayan podido p oduci du an e el iempo en que el pacien e lle aba el b azale e. Po ejemplo, pueden e cómo se desa ollan los episodios de sueño, si alcanza siemp e el sueño p o undo, si se despie a ecuen emen e, si a da mucho en do mi desde que se acues a, si se mue e mucho, e c. Puede se i como un p ime diagnós ico an e posibles apneas del sueño, an es de ealiza una polisomnog a ía, ya que es a p ueba es ca a y no siemp e necesa ia. Po lo an o, aunque se a e de un disposi i o o iginalmen e ideado pa a depo is as y die é ica en gene al, puede esul a de g an u ilidad médica dada su acilidad de uso, p ecisión y cos e espec o a o as p uebas más p ecisas y ca as como la polisomnog a ía. III Mé odos de mine ía de da os Pa e III Mé odos de mine ía de da os Página | 23 4 Mine ía de da os de se ies empo ales A con inuación, se da una in oducción sob e mine ía de da os y más especialmen e la mine ía de da os de se ies empo ales, en la que nos amos a cen a dado que es la base de nues o p oyec o. 4.1 In oducción El obje i o gene al del p oceso de mine ía de da os es ex ae in o mación de un conjun o de da os y ans o ma la en una es uc u a comp ensible pa a su uso pos e io [14]. Pa a ello u iliza mé odos de in eligencia a i icial, ap endizaje au omá ico, es adís ica y sis emas de bases de da os. El é mino es una palab a de moda, y es ecuen emen e mal u ilizado pa a e e i se a cualquie o ma de da os a g an escala o p ocesamien o de la in o mación ( ecolección, ex acción, almacenamien o, análisis y es adís icas), así como cualquie aplicación del sis ema de apoyo a la oma de decisiones po o denado , incluyendo la in eligencia a i icial, ap endizaje au omá ico, y la in eligencia emp esa ial. La a ea de mine ía de da os eal es el análisis au omá ico o semi-au omá ico de g andes can idades de da os pa a ex ae pa ones p e iamen e desconocidos e in e esan es, ales como g upos de egis os de da os (análisis de clus e ing), egis os inusuales (de ección de anomalías), y dependencias ( eglas de asociación). Es o gene almen e implica el uso de écnicas de bases de da os como los índices espaciales. Es os pa ones se pueden e como una especie de esumen de los da os de en ada, y se pueden usa en un análisis adicional o, po ejemplo, en ap endizaje au omá ico y análisis p edic i o. Un p oceso ípico de mine ía de da os cons a de los siguien es pasos gene ales:  Selección del conjun o de da os, an o en lo que se e ie e a las a iables obje i o (aquellas que se quie e p edeci , calcula o in e i ), como a las a iables independien es (las que si en pa a hace el cálculo o p oceso), como posiblemen e el mues eo de los egis os disponibles.  Análisis de las p opiedades de los da os, en especial his og amas, diag amas de dispe sión, p esencia de alo es a ípicos y ausencia de da os ( alo es nulos).  T ans o mación del conjun o de da os de en ada, que se ealiza de di e sas o mas en unción del análisis p e io, con el obje i o de p epa a lo pa a aplica la écnica de mine ía de da os que mejo se adap e a los da os y al p oblema, a es e paso ambién se le conoce como p ep ocesamien o de los da os.  Selección y aplicación de écnicas de mine ía de da os, donde se cons uye el modelo p edic i o, de clasi icación o segmen ación.  Ex acción de conocimien o, median e una écnica de mine ía de da os, se ob iene un modelo de conocimien o, que ep esen a pa ones de compo amien o obse ados en los alo es de las a iables del p oblema o elaciones de asociación en e dichas a iables. También pueden usa se a ias écnicas a la ez pa a gene a dis in os modelos, aunque gene almen e cada écnica obliga a un p ep ocesado di e en e de los da os. Página | 24 Cuando se abaja con se ies empo ales hablamos de mine ía de da os de se ies empo ales donde una se ie empo al ep esen a una colección de alo es ob enidos a pa i de mediciones secuenciales en el iempo. La mine ía de da os de se ies empo ales se de i a del deseo de ma e ializa nues a capacidad na u al pa a isualiza la o ma de los da os. Los se es humanos se basan en esquemas complejos con el in de ealiza dichas a eas. De hecho, se puede e i a el cen a se en pequeñas luc uaciones con el in de ob ene una idea de la o ma y es ablece las simili udes en e los pa ones casi al ins an e en a ias escalas de iempo. Las p incipales a eas elacionadas con las se ies empo ales se desc iben a con inuación [15]. Algunas de es as a eas se explican en p o undidad más adelan e. Dado que el p oyec o se basa en el análisis explo a o io nos cen a emos en los algo i mos de clus e ing y medición de dis ancias, así como ambién en mé odos más especí icos como son la p edicción, la ep esen ación y el esumen.  Indexación (consul as en el con enido): dada una se ie empo al 𝑄 y una medida de simili ud/disimili ud 𝐷(𝑄,𝐶), encon a la se ie empo al más simila en la base de da os [16].  Clus e ing: encon a ag upaciones na u ales de la se ie empo al en la base de da os bajo alguna medida de simili ud/disimili ud 𝐷(𝑄,𝐶) [17].  Clasi icación: dada una se ie empo al sin e ique a 𝑄, asigna la a una de dos o más clases p ede inidas [17]. Se conoce ambién como ap endizaje supe isado ya que las clases se de e minan an es de examina los da os; un conjun o de da os p ede inido se u iliza en el p oceso de o mación y ap endizaje pa a econoce pa ones de in e és. Los dos mé odos más popula es de clasi icación de se ies empo ales incluyen los a boles de decisión [18] y el de los ecinos más ce canos [19]. El endimien o de los algo i mos de clasi icación gene almen e se e alúa midiendo la exac i ud de la clasi icación, median e la de e minación del po cen aje de obje os que es án en la clase co ec a. Ejemplos conocidos de aplicaciones de clasi icación pueden se : econocimien o de imágenes y pa ones, il ado de co eo no deseado, diagnós ico médico y de ección de allos en aplicaciones indus iales.  P edicción: dada una se ie empo al 𝑄 que con iene 𝑛 da os, p edeci el alo en el iempo 𝑛+1.  Resumen: dada una se ie empo al 𝑄 que con iene 𝑛 pun os de da os, donde 𝑛 es un núme o ex emadamen e g ande, c ea una ap oximación (posiblemen e g á ica) de 𝑄, que conse e sus ca ac e ís icas secuenciales esenciales, pe o cabe en una sola página [20].  De ección de anomalías: dada una se ie empo al 𝑄 que se supone no mal, y dada una se ie empo al 𝑅, encon a odas las subsecuencias de 𝑅 que con ienen anomalías o incidencias “so p enden es, inespe ados o in e esan es” [21].  Segmen ación: Dada una se ie empo al 𝑄 que con iene 𝑛 pun os de iempo, cons ui un modelo 𝑄 a pa i de segmen os de la unción de inida a ozos 𝐾 (𝐾≪𝑛), al que 𝑄 es é muy p óxima a 𝑄 [17]. El p ep ocesado de da os es el p ime paso en muchos p ocesos de oma de decisión y de algo i mos de mine ía de da os. Además, hay que ene en cuen a que la indexación y la ag upación o clus e ing hacen un uso explíci o de medidas de dis ancia, y muchos en oques pa a la clasi icación, p edicción, de ección de anomalías hacen un uso implíci o de medidas de dis ancia. Po lo an o, amos a dedica un apa ado pa a explica en de alle cada uno de los emas an es mencionados. Página | 25 4.2 P ep ocesado El p opósi o undamen al del p ep ocesamien o es manipula y ans o ma los da os en b u o de modo que la in o mación con enida en ellos pueda queda expues a pa a que sea más ácilmen e a able. Si los da os no se limpian y no malizan exis e un al o iesgo de consegui esul ados alsos y sin sen ido. Es o puede debe se a que se cuen a con un conjun o de da os inicial incomple o, con uido o que és os sean inconsis en es. La p epa ación de los da os puede gene a un conjun o de da os más pequeño que el o iginal, lo cual puede mejo a la e iciencia del p oceso de mine ía de da os y conduci a pa ones de calidad, pe mi iendo ecupe a in o mación incomple a o esol e con lic os [22]. El p ep ocesamien o de da os engloba a odas aquellas écnicas de análisis de da os que pe mi en mejo a la calidad de un conjun o de da os de modo que las écnicas de ex acción de conocimien o o mine ía de da os puedan ob ene mayo y mejo in o mación. Es a ac uación incluye:  Selección ele an e de da os y limpieza: esol iendo p oblemas de p esen ación y codi icación, eliminando egis os duplicados, eliminando anomalías y alo es nulos e in eg ando da os desde di e en es ablas pa a c ea in o mación homogénea.  Reducción y ans o mación de da os: seleccionando ca ac e ís icas ele an es pa a ex ae in o mación, disc e izando o haciendo un mues eo o seleccionando ins ancias. Vamos a enume a b e emen e las écnicas más impo an es y da algunos ejemplos. Un paso muy impo an e cuando se u ilizan se ies empo ales ob enidas a pa i de mediciones de la ida eal es la educción del uido. La educción del uido se puede hace , po ejemplo, usando il os digi ales o ijando umb ales en las ondas. Los alo es que al an, a menudo pueden se sus i uidos po in e polación lineal. Las écnicas de selección de ca ac e ís icas pueden pe mi i mejo a la p ecisión e in e ope abilidad de los mé odos de ap endizaje au omá ico o pa a p opo ciona in o mación adicional, además de educi el amaño de la base de da os y el iempo de los algo i mos de ap endizaje. El p ep ocesamien o de da os iene como incon enien e el no con a con una me odología conc e a de ac uación pa a odos los p oblemas. Cada p oblema puede eque i una ac uación di e en e, u ilizando di e en es he amien as de p ep ocesamien o [23]. 4.2.1 T a amien o de los alo es nulos o del uido Los da os del mundo eal suelen p esen a se de o ma incomple a, inconsis en e y uidosa po lo que como paso p e io a su u ilización hay que limpia los. Hay a ias o mas de en en a se a es e p oblema:  Rellena los da os de mane a manual, algo inabo dable en la mine ía de da os en aplicaciones eales.  Usa una cons an e global pa a ellena los da os, po ejemplo, cambia un da o ausen e o que es á ue a de ango po NAN (No A Numbe ).  Usa la media o la moda de los alo es de en o no pa a sus i ui po el da o que al a.  Co egi inconsis encias.  Usa écnicas de educción de uido Página | 32 Pa a alinea es as dos secuencias usando DTW se cons uye una ma iz 𝑀 de 𝑛×𝑚 donde el (𝑖-ésimo,𝑗-ésimo) elemen o 𝑚𝑖𝑗 co esponde a la dis ancia cuad á ica, 𝑑(𝑞𝑖,𝑐𝑗) = (𝑞𝑖 – 𝑐𝑗)2, que es el alineamien o en e los pun os 𝑞𝑖 y 𝑐𝑖. Pa a encon a la mejo coincidencia en e las dos secuencias se busca un camino a a és de la ma iz que minimice el o al acumulado de dis ancias en e pun os. La dis ancia en e pun os que se suele usa es la euclídea o Manha an, és a úl ima es la que usamos noso os en el algo i mo DTW. Un camino, 𝑊, es un conjun o con iguo de elemen os de la ma iz 𝑀 que ca ac e iza a un mapeo en e 𝑄 y 𝐶. El 𝑘-ésimo elemen o de 𝑊 se de ine como 𝑤𝑘 = (𝑖,𝑗)𝑘. Po lo que se ob iene: 𝑊 = 𝑤1,𝑤2,…,𝑤𝑘,…,𝑤𝐾 donde max(𝑚,𝑛) ≤ 𝐾 < 𝑚+ 𝑛− 1 Po de inición, el camino óp imo 𝑊𝑜 es el camino que minimiza el cos e de alineamien o. 𝐷𝑇𝑊(𝑄,𝐶)={√∑ 𝑤𝑘 𝐾 𝑘=1 } Es e camino se puede encon a u ilizando p og amación dinámica pa a e alua la siguien e ecu encia que de ine la dis ancia acumulada 𝛾(𝑖,𝑗) como la dis ancia 𝑑(𝑖,𝑗) encon ada en la celda ac ual y el mínimo de las dis ancias acumuladas de los elemen os adyacen es: 𝛾(𝑖,𝑗)=𝑑(𝑞𝑖,𝑐𝑗)+min{ 𝛾(𝑖−1,𝑗−1),𝛾(𝑖−1,𝑗),𝛾(𝑖,𝑗−1) } En la p ác ica, no se e alúan odos los posibles caminos de alineamien o. En su luga , se ienen en cuen a las siguien es limi aciones que educen el núme o de caminos conside ados du an e el p oceso de co espondencia. Es a educción del núme o de caminos conside as ambién iene el e ec o secunda io deseable de acele a los cálculos, aunque solo en un (pequeño) ac o cons an e.  Condiciones de con o no: El camino debe empeza en 𝑤1 = (1,1) y e mina en 𝑤𝐾 = (𝑚,𝑛), es deci , el camino de alineamien o iene que empeza en la pa e in e io izquie da y e mina en la pa e supe io de echa de la ma iz. Figu a 4.8: Ejemplo de condición de con o no. Página | 33  Condición de con inuidad: Cada pun o en la lis a de candida os debe se usado en el camino de alineamien o y ambos índices 𝑖 y 𝑗 solo pueden aumen a en 0 o 1 en cada paso del camino. En o as palab as, si se oma un pun o (𝑖,𝑗) de la ma iz, el pun o an e io debe habe sido (𝑖−1,𝑗− 1), (𝑖−1,𝑗) o (𝑖,𝑗−1).  Condición de mono onía: Dado 𝑤𝑘 = (𝑎,𝑏) en onces 𝑤𝑘−1 = (𝑎′,𝑏′) donde 𝑎− 𝑎′ ≥ 0 y 𝑏− 𝑏′ ≥ 0. El camino de alineamien o no puede i hacia a ás en el iempo; ambos índices 𝑖 y 𝑗 cualesquie a pe manecen igual o aumen an. Nunca pueden disminui .  Condición de es icción de pendien e: El camino no debe se demasiado empinado o demasiado poco p o undo. Es o e i a que subsecuencias muy co as coincidan con o as muy la gas. La condición se exp esa como una elación 𝑎 / 𝑏, donde 𝑏 es el núme o de pasos en la di ección 𝑥 y 𝑎 es el núme o de pasos en la di ección 𝑦. T as 𝑏 pasos en 𝑥, se debe da un paso en 𝑦, y ice e sa. Figu a 4.9: Ejemplo de es icción de la pendien e.  Condición de la en ana de ajus e: Un camino de alineamien o in ui i o es poco p obable que de i e muy lejos de la diagonal. La dis ancia que se pe mi e que el camino eco a se limi a a una en ana de amaño , di ec amen e po encima y a la de echa de la diagonal. Figu a 4.10: Ejemplo de en ana de ajus e y con inuidad. Página | 34 Median e la aplicación de es as condiciones, se pueden es ingi los mo imien os que se pueden hace desde cualquie pun o del camino y, po an o, se educen el núme o de caminos que deben ene se en cuen a. La dis ancia euclidiana en e dos secuencias se puede e como un caso especial de DTW donde el 𝑘-ésimo elemen o de 𝑊 es á limi ado de al mane a que 𝑤𝑘 = (𝑖,𝑗)𝑘,𝑖 = 𝑗 = 𝑘. Hay que ene en cuen a que solo se de ine en el caso especial de que las dos secuencias ienen la misma longi ud. La complejidad empo al y espacial de DTW es de 𝑂(𝑛𝑚) [31]. Sin emba go, las es icciones an e io es mi igan es e cos e en un ac o cons an e. Página | 35 4.4 Clus e ing De odas las écnicas aplicadas a las se ies empo ales, el clus e ing o ag upación es quizás la más u ilizada, siendo ú il en sí mismo como una écnica de explo ación, y como una sub u ina en o os algo i mos más complejos de mine ía de da os [32]. Se puede conside a el p oblema de ap endizaje no supe isado más impo an e. Una g an pa e de la a ención de la comunidad de mine ía de da os se cen a en los da os de se ies empo ales. Es o es comp ensible y muy espe ado ya que los da os de se ies empo ales son un subp oduc o en p ác icamen e odas las ac i idades humanas, incluyendo la biología [33], las inanzas, la geología, la explo ación del espacio, la obó ica y el análisis del mo imien o humano. Una de inición de clus e ing pod ía se “el p oceso de o ganización de obje os en g upos cuyos miemb os son simila es de alguna mane a”. Po an o, un clús e o g upo es una colección de obje os que son “simila es” en e ellos y son “di e en es” a los obje os que pe enecen a o os g upos. Podemos demos a es o con un ejemplo g á ico sencillo. En la Figu a 4.11 se iden i ican ácilmen e los cua o g upos en los que los da os se pueden di idi ; el c i e io de simili ud es la dis ancia donde dos o más obje os pe enecen al mismo g upo si es án “ce ca” de acue do a una dis ancia de e minada (en es e caso la dis ancia euclídea). Es o se llama ag upación basada en dis ancia. O o ipo de ag upación es el ag upamien o concep ual donde dos o más obje os pe enecen al mismo g upo si és e de ine un concep o común a odos los demás obje os. En o as palab as, los obje os se ag upan en unción de su ajus e a los concep os desc ip i os, no de acue do a las medidas de simili ud simples [34]. Figu a 4.11: Ejemplo de clus e ing. 4.4.1 Las me as del clus e ing El clus e ing 8 es el p oceso de c ea g upos de da os según un c i e io de dis ancia o simili ud. Cada g upo debe se lo más homogéneo posible y dis in o de o os g upos. Es una écnica explo a o ia cuyo obje i o es de e mina la ag upación ins ínseca en un conjun o de da os sin e ique a. Pe o, ¿cómo decidi lo que cons i uye una buena ag upación? Se puede demos a que no hay un c i e io absolu o que esul e mejo independien emen e del obje i o inal de la ag upación. En consecuencia, es el usua io quien debe p opo ciona es e c i e io, de al mane a que el esul ado de la ag upación se adap e a sus necesidades. Po ejemplo, pod íamos es a in e esados en la búsqueda de ep esen an es de g upos homogéneos ( educción de da os), en la búsqueda de g upos na u ales y desc ibi sus p opiedades desconocidas ( ipo de da os na u ales), en la búsqueda de ag upaciones ú iles y adecuadas ( ipo de da os “ú iles”) o en la búsqueda de obje os de da os inusuales (de ección de alo es a ípicos). 8 A eces clus e ing ecibe ambién el nomb e de clasi icación sin supe isión. Página | 36 4.4.2 Posibles aplicaciones Los algo i mos de clus e ing se pueden aplica en muchos campos, po ejemplo:  Come cialización: búsqueda de g upos de clien es con un compo amien o simila dado en una g an base de da os de clien es que con ienen sus p opiedades y egis os de comp a pasados.  Biología: clasi icación de plan as y animales dadas sus ca ac e ís icas.  Segu os: iden i icación de g upos de usua ios de segu os de mo o con un cos o p omedio ele ado: la iden i icación de audes.  U banís ico: iden i icación de g upos de i iendas de acue do a su ipo de casa, el alo y la ubicación geog á ica.  Es udio de e emo os: obse ación de epicen os sísmicos con clus e ing pa a iden i ica zonas pelig osas 4.4.3 Requisi os Los p incipales equisi os que un algo i mo de clus e ing debe cumpli son:  Escalabilidad  T a a bien con di e en es ipos de a ibu os que haya  El descub imien o de ag upaciones con o ma a bi a ia  Conocimien os mínimos del dominio pa a de e mina los pa áme os de en ada  Habilidad pa a a a con el uido y los alo es ex emos  Insensibilidad al o den de los egis os de en ada  Al a dimensionalidad  In e p e abilidad y acilidad de uso 4.4.4 P oblemas Hay a ios p oblemas con el clus e ing. En e ellos se puede encon a que las écnicas ac uales de clus e ing no a ienden adecuadamen e odos los equisi os, al mismo iempo que a a con un g an núme o de dimensiones y un g an núme o de da os puede se complicado debido a la complejidad. La e icacia del mé odo u ilizado depende de la de inición de dis ancia (pa a el ag upamien o basado en dis ancia); si no exis e una medida de dis ancia ob ia se iene que de ini , lo cual no siemp e es ácil, especialmen e en espacios mul idimensionales. Po úl imo, el esul ado del ag upamien o, que en muchos casos puede se en sí a bi a io, puede in e p e a se de di e en es mane as. 4.4.5 Algo i mos de clus e ing La idea de clús e o g upo no se puede de ini de mane a uní oca ya que puede obedece a dis in os c i e ios, y es o es una de las azones po las que hay an os algo i mos de clus e ing. Hay un denominado común: un g upo de da os. Sin emba go, se pueden usa di e en es modelos de clús e , y pa a cada uno de es os modelos se pueden da de nue o di e en es algo i mos [35]. Así, la idea de clús e a ía signi ica i amen e en sus p opiedades según los di e en es algo i mos. La comp ensión de es os modelos es cla e pa a en ende las di e encias en e los dis in os algo i mos. El algo i mo ap opiado pa a un p oblema pa icula a menudo iene que se elegido de o ma expe imen al, a menos que exis a una azón ma emá ica pa a p e e i un modelo sob e o o [36]. Página | 37 Los modelos ípicos de clús e incluyen:  Modelos de conec i idad: po ejemplo, la ag upación je á quica cons uye modelos basados en la dis ancia de las conexiones.  Modelos cen oide: po ejemplo, el algo i mo K-means ep esen a cada g upo po un único ec o medio.  Modelos de densidad: po ejemplo, DBSCAN 9 y OPTICS 10 de inen g upos como egiones densas conec adas en el espacio de los da os.  Modelos de g upo: algunos algo i mos no p opo cionan un modelo e inado pa a sus esul ados y solo p opo cionan la in o mación de la ag upación.  Modelos basados en g a o: un clique, es deci , un subconjun o de nodos en un g a o al que cada dos nodos en el subconjun o es án conec ados po una a is a puede se conside ado como un p o o ipo o o ma de g upo. 4.4.5.1 Clus e ing basado en conec i idad o ag upamien o je á quico El ag upamien o je á quico es á basado en la idea p incipal de que los obje os más ce canos es án más elacionados que los que es án más alejados. Es os algo i mos conec an elemen os pa a o ma los g upos basándose en la dis ancia. Un g upo puede se desc i o, en g an pa e, po la dis ancia máxima necesa ia pa a conec a odos los elemen os del g upo. A dis ancias di e en es, se o ma án g upos di e en es, los cuales pueden se ep esen ados usando un dend og ama que explica de dónde p o iene el nomb e de ag upamien o je á quico. Es os algo i mos no solo p opo cionan una única pa ición del conjun o o iginal de da os, sino que de uel e una amplia je a quía de g upos que se uni ican unos con o os a cie as dis ancias. En un dend og ama, el eje y ma ca la dis ancia a la que los g upos se uni ican, mien as que los obje os se colocan a lo la go del eje x de al mane a que los g upos no se mezclan. Se puede e un ejemplo en la Figu a 4.12. Figu a 4.12: Ejemplo de dend og ama. 9 Ag upamien o espacial basado en densidad de aplicaciones con uido. 10 O denación de pun os pa a iden i ica la es uc u a de clus e ing. Página | 38 El ag upamien o basado en conec i idad es una amilia en e a de mé odos que di ie e en cómo se miden las dis ancias. Apa e de la elección habi ual de unciones de dis ancia, el usua io ambién iene que decidi sob e el c i e io de inculación pa a su uso ya que un g upo se compone de a ios obje os y hay a ios candida os hacia los que calcula la dis ancia. Las es a egias pa a el ag upamien o je á quico gene almen e son de dos ipos:  Aglome a i as: que consis e en un en oque ascenden e, cada obse ación comienza en su p opio g upo y los pa es de g upos son mezclados mien as se sube en la je a quía. A con inuación, enume amos algunas écnicas de encadenamien o.  CLINK: en el ag upamien o de enlace comple o se usionan en cada paso los dos g upos cuya usión iene el diáme o más pequeño o las dos ag upaciones con la dis ancia máxima po pa ejas más pequeña [37]. 𝐷(𝑋,𝑌)= max 𝑥∈𝑋,𝑦∈𝑌𝑑(𝑥,𝑦) donde: 𝑋, 𝑌 son dos g upos de elemen os y 𝑑(𝑥,𝑦) es la dis ancia en e los elemen os 𝑥∈𝑋 y 𝑦∈𝑌  SLINK: en el ag upamien o de enlace simple se usionan en cada paso los dos g upos cuyos dos miemb os más ce canos ienen la meno dis ancia o las dos ag upaciones con la dis ancia mínima po pa ejas más pequeña [37]. 𝐷(𝑋,𝑌)= min 𝑥∈𝑋,𝑦∈𝑌𝑑(𝑥,𝑦) donde: 𝑋, 𝑌 son dos g upos de elemen os y 𝑑(𝑥,𝑦) es la dis ancia en e los elemen os 𝑥∈𝑋 y 𝑦∈𝑌 Se puede e un ejemplo en la Figu a 4.13 donde se c ean 35 g upos, al p incipio el g upo más g ande se agmen a en g upos más pequeños, mien as que oda ía es á conec ado al segundo mayo po el e ec o de enlace simple. Figu a 4.13: Ejemplo de ag upamien o con SLINK en da os Gaussianos. Página | 39  Ag upamien o de p omedios: hay un comp omiso en e el ag upamien o de alo es ex emos de CLINK y la endencia a o ma la gas cadenas de elemen os de SLINK. En el p oyec o usamos el algo i mo UPGMA 11 que cons uye un dend og ama que e leja la es uc u a p esen e en una ma iz de simili ud po pa es. En cada i e ación los dos g upos más ce canos se combinan en un g upo que se encuen a en un ni el supe io [38]. 𝐷 (𝐴,𝐵)= 1 |𝐴|∙|𝐵|∑∑𝑑(𝑥,𝑦) 𝑦∈𝐵𝑥∈𝐴 donde: 𝐴 y 𝐵 son dos g upos de elemen os de ca dinal |𝐴| y |𝐵| espec i amen e y 𝑑(𝑥,𝑦) es la dis ancia p omedio en e los elemen os 𝑥∈𝐴 y 𝑦∈𝐵  Di isi as: que consis e en un en oque descenden e donde odas las obse aciones comienzan en un g upo y se ealizan di isiones mien as se a bajando en la je a quía. Es e p ocedimien o se conoce como algo i mo DIANA 12 y se aplica de o ma ecu si a has a que cada elemen o o ma en sí mismo un g upo [39]. El ag upamien o descenden e es concep ualmen e más complejo que el ascenden e ya que hace al a un segundo algo i mo que se usa como sub u ina pa a di idi el g upo inicial, pe o iene la en aja de se más e icien e si no se gene a una je a quía comple a, es deci , si no se llega a las hojas del á bol. Pa a un núme o ijo de ni eles se puede usa como sub u ina el algo i mo K-means que iene un cos e lineal espec o al núme o de elemen os y g upos [40]. En el caso gene al, la complejidad del ag upamien o aglome a i o es 𝑂(𝑛3), lo cual lo hace demasiado len o pa a g andes conjun os de da os. En cambio, el ag upamien o di isi o con búsqueda exhaus i a iene una complejidad de 𝑂(2𝑛), lo cual es oda ía peo . Sin emba go, pa a algunos casos especiales, se conocen mé odos aglome a i os e icien es y óp imos de complejidad 𝑂(𝑛2) como SLINK pa a ag upamien os de enlace simple y CLINK pa a ag upamien os de enlace comple o y de complejidad 𝑂(𝑛2log𝑛) como UPGMA pa a ag upamien os de p omedios. 4.4.5.2 Clus e ing basado en cen oide En el ag upamien o basado en cen oide los g upos se ep esen an po un ec o cen al que puede no se necesa iamen e un miemb o del conjun o de da os. Cuando el núme o de g upos se ija a 𝑘, el algo i mo K-means [41] da una de inición o mal como un p oblema de op imización: se a a de encon a los 𝑘 cen os de los g upos y asigna los obje os al cen o del g upo más ce cano, de mane a que las dis ancias al cuad ado del g upo al cen o es én minimizadas. Es e p oblema de op imización es NP-Comple o, y po ello el obje i o común es busca solo soluciones ap oximadas. Un mé odo ap oximado pa icula men e bien conocido es el algo i mo de Lloyd [42], al que se hace e e encia no malmen e como algo i mo K-means [41]. Sin emba go, solo encuen a un óp imo local y no malmen e es necesa io ejecu a lo a ias eces con di e en es inicializaciones alea o ias.  Algo i mo K-means: Es uno de los algo i mos de ap endizaje sin supe isión más simples que esuel en el p oblema de ag upación. El p ocedimien o sigue una mane a simple y ácil de clasi ica un de e minado conjun o de da os a a és de un cie o núme o de g upos 11 Unweigh ed Pai G oup Me hod wi h A i hme ic Mean 12 DI isi e ANAlysis Clus e ing Página | 40 (suponiendo 𝑘 g upos) ijados a p io i. La idea p incipal es de ini 𝑘 cen oides, uno po cada g upo. Es os cen oides deben coloca se de mane a as u a ya que ubicaciones di e en es p o ocan esul ados di e en es. Po lo an o, la mejo opción es coloca los lo más alejados posible de cualquie o o cen oide. El segundo paso es oma cada del conjun o de da os y asocia lo con el cen oide más ce cano. Cuando ya no quedan pun os po asigna se ha inalizado el segundo paso ob eniéndose así un p ime ag upamien o. En es e pun o, como e ce paso hay que ol e a calcula 𝑘 nue os cen oides como ba icen os de las ag upaciones esul an es del paso an e io . Después con es os nue os cen oides se uel e a hace el segundo paso asignando los pun os al nue o cen oide más ce cano. Los pasos segundo y e ce o se epi en has a que los cen oides dejan de a ia su posición [43]. En el ejemplo de la Figu a 4.14 se eligen inicialmen e es cen oides (cí culos azul, e de y ojo) que cambian su posición al e mina de aplica el algo i mo. Los g upos c eados inicialmen e ambién a ían al cambia la posición de los cen oides. Figu a 4.14: Ejemplo de K-means. K-means iene una se ie de p opiedades eó icas in e esan es [44]. En p ime luga , di ide el espacio de da os en una es uc u a conocida como diag ama de Vo onoi, donde se supone igual amaño pa a los g upos. En segundo luga , es concep ualmen e ce cano al mé odo de clasi icación del ecino más ce cano, y como al es muy popula en el ap endizaje au omá ico. En e ce luga , se puede e como una a iación de la clasi icación basada en modelos. Figu a 4.15: Esquemas de Vo onoi esul an es de ejecu a K-means Las a iaciones de K-means a menudo incluyen op imizaciones ales como la elección de la “mejo ” de las múl iples ejecuciones, donde una o ma de elegi una mejo solución es con el mé odo Elbow, que a a de elegi el núme o de g upos ob enidos de o ma que al añadi o o g upo no se ob iene una mejo a signi ica i a [45]. En la Figu a 4.16 se mues an dos unciones como ejemplo de aplicación del mé odo Elbow, en la unción de la izquie da se ap ecia que elegi la ejecución que Página | 41 gene a es g upos es la que mejo es esul ados ob iene ya que usa cua o g upos no p esen a ninguna mejo a impo an e. Po el con a io, en la unción de la de echa pod ía usa se un 𝑘=3 pe o ambién un 𝑘=4 dado que no se ap ecia demasiada di e encia. O as a iaciones incluyen el es ingi el cen oide a miemb os del conjun o de da os, elegi medianas, elegi los cen os iniciales menos al aza (K-means++) o pe mi i una asignación de clús e s di usa (Fuzzy c-means). Figu a 4.16: Ejemplo de mé odo Elbow. 4.4.5.3 Clus e ing basado en dis ibuciones El modelo de Clus e ing más es echamen e elacionado con la es adís ica se basa en modelos de dis ibución. Los g upos pueden se ácilmen e de inidos como los obje os que pe enecen más p obablemen e a la misma dis ibución. Una p opiedad con enien e de es a ap oximación es que es o se pa ece mucho a la mane a en la que los conjun os de da os a i iciales es án gene ados: po mues eos alea o ios de obje os de una dis ibución. Mien as que el undamen o eó ico de es os mé odos es excelen e, su en del p oblema cla e conocido como sob eajus e o o e i ing, a menos que las es icciones es én incluidas en la complejidad del modelo. Un mé odo des acado se conoce como los modelos de mezcla Gaussianos (usando el algo i mo espe anza-maximización [46] o algo i mo EM). En es e caso, el conjun o de da os se suele ep esen a median e un núme o ijo (pa a e i a el sob eajus e) de dis ibuciones Gaussianas o dis ibuciones no males que se inicializan al aza y cuyos pa áme os se han op imizado de mane a i e a i a pa a ajus a se mejo al conjun o de da os. Es e con e ge á a un óp imo local, po lo que a ias ejecuciones pueden p oduci di e en es esul ados. Figu a 4.17: EM usado en da os de una dis ibución no mal. Página | 48 Figu a 4.22: Ejemplo de isualización en espi al de una se ie pe iódica. El VizT ee [56] es un á bol que mues a odas las subsecuencias de longi ud ija de una se ie empo al simbólica ob enida po disc e ización SAX. Es ú il pa a di e en es a eas de mine ía de da os de se ies empo ales como de ección de anomalías y localización de (sub)secuencias coinciden es. El á bol es á inculado con las ep esen aciones con encionales de se ies empo ales pa a mos a los alo es o iginales de los pa ones seleccionados po el usua io. Figu a 4.23: Cap u a de pan alla de VizT ee. IV Aplicación Pa e IV Aplicación Página | 51 5 Desc ipción de la aplicación En es e apa ado amos a explica la uncionalidad y la a qui ec u a de la aplicación. En p ime luga , ha emos una pequeña e lexión ace ca de po qué elegimos Py hon como lenguaje pa a desa olla la aplicación. 5.1 Po qué usa Py hon y no R Py hon es un lenguaje de p og amación de p opósi o gene al ampliamen e u ilizado en aplicaciones web po su sin axis simple y mul isis ema. Mien as que R es popula po su g an capacidad pa a la isualización de da os dado que ue desa ollado especialmen e pa a el cálculo es adís ico. Ambos lenguajes encabezan la lis a de he amien as básicas de cálculo es adís ico que un ingenie o dedicado al análisis de da os debe conoce . Hay un g an deba e sob e cuál es más alioso, pe o es o depende del pun o de is a del p og amado ya que ambos lenguajes se especializan en ámbi os que pueden complemen a se [57]. 5.1.1 Análisis de da os Py hon o ece una se ie de lib e ías que ayudan a abaja con la g an a iedad de da os de los que se suele pa i . Además, puede acili a el juga con los da os pe mi iendo hace cualquie cosa que se necesi e con ellos, a o eciendo ambién el esc ibi código obus o y escalable con un ácil man enimien o. Pe o a di e encia de R, Py hon no iene paque es in eg ados, aunque iene sopo e pa a lib e ías como Sciki , Numpy, Pandas, Sipy y Seabo n, en e o as, muy ú iles pa a a eas es adís icas y de ap endizaje au omá ico. Sin ol ida que la p og amación en Py hon es simila al pseudocódigo po lo que se lee y comp ende de un is azo, como si de un lenguaje na u al se a a a. No obs an e, ambién pe mi e exp esiones ma emá icas [58] [59]. R es usado ampliamen e pa a esol e p oblemas di íciles elacionados con el cálculo es adís ico y ma ke ing cuan i a i o. Se ha con e ido en una he amien a esencial pa a el análisis de inanzas y negocios en compañías como Google o Twi e . R es un lenguaje de código abie o que puede usa se en cualquie pla a o ma de sob emesa. Tiene un inno ado sis ema de paque es que pe mi e amplia la uncionalidad y puede se ácilmen e in eg ado con o os lenguajes de p og amación con o ien ación a obje os ales como C, C++ y Ja a. Su sin axis es simple e in ui i a con lo que cualquie p o esional con conocimien os mínimos de p og amación puede maneja lo sin p oblema. Además, R es el lenguaje más u ilizado po la comunidad in es igado a en análisis de da os pa a disemina las écnicas es adís icas y de mine ía de da os desa olladas. 5.1.2 ¿Qué con ie e a Py hon en el más ex endido? En Py hon odo son obje os po lo que es posible c ea aplicaciones usando a ios pa adigmas de p og amación de una o ma cla a y comp ensible.  Ampli ud: Py hon dispone de un índice de paque es público llamado PyPi con mul i ud de add-ons bien o ganizados que pe mi en al p og amado aho a iempo de desa ollo. Po lo an o, si un p og amado quie e hace algo con Py hon es muy p obable que ya haya algo Página | 52 implemen ado con lo se e i a empeza de ce o.  E iciencia: Hoy en día se gas a mucho iempo en de ini y p ocesa g andes olúmenes de da os. Con la c ecien e can idad de da os que necesi an se p ocesados se uel e ex emadamen e impo an e el pode ges iona de mane a e icien e el uso de la memo ia. Py hon iene la capacidad de p ocesa los da os de o ma i e a i a cogiendo un da o a la ez y eco iendo oda una cadena de p ocesamien o. Además o ece una he amien a de mig ación llamada collec i e. ansmog i ie que ayuda a ealiza ac ualizaciones complejas e in e dependien es de los da os a medida que se an p ocesando. Es a he amien a juega un papel i al cuando se a a de g andes conjun os de da os.  G an dominio del lenguaje: La popula idad de Py hon se debe en g an pa e a una sin axis cla a y ácil ap endizaje guiado. 5.1.3 ¿Po qué usa R pa a análisis de da os? R es una de las mejo es he amien as pa a análisis de da os en el mundo de la isualización de da os. Tiene p ác icamen e odo lo necesa io pa a abaja con da os. Se pueden c ea isualizaciones únicas y muy a iadas que an más allá de simples ablas o g á icos de ba as. Es á diseñado especialmen e pa a el análisis de da os y iene una lexibilidad pa a mezcla y combina di e en es modelos es adís icos y p edic i os pa a ob ene los mejo es esul ados posibles. Una g an ca ac e ís ica de R es la posibilidad de ep oduci un abajo a pa i de los da os o iginales y consegui los mismos esul ados. Po úl imo, R iene una g an comunidad de ás que no hacen sino aumen a las posibilidades del lenguaje con nue as uncionalidades en o ma de paque es. 5.1.4 Limi aciones Py hon es un lenguaje in e p e ado y po lo an o es más len o que un lenguaje compilado, sin emba go, muchos de sus paque es han sido op imizados en los úl imos años llegando a una elocidad simila a la de C. Py hon además es un lenguaje de ipos polimó icos que plan ea cie as es icciones de diseño y equie e de p uebas igu osas ya que los e o es apa ecen solo en iempo de ejecución. La cu a de ap endizaje de R no es i ial pa a pe sonas que no ienen una base en p og amación o p o ienen del mundo de in e aces g á icas. T abaja con R puede se muy len o si el código es á mal esc i o, aunque iene soluciones en o ma de paque es pa a ayudan a palia el p oblema. 5.1.5 Conclusiones Cuando empezamos a plan ea es e p oyec o que íamos, po una pa e, que nues as aplicaciones pudie an se po encialmen e u ilizadas, ampliadas o mejo adas po el mayo núme o de pe sonas posibles. Po es e en oque que que emos da al p oyec o hemos decidido abaja con Py hon dada su e sa ilidad y acilidad pa a abaja con iche os de da os. Además, c eemos que ap ende a u iliza lo nos se á ú il en el u u o. Página | 53 5.2 Obje i o de la aplicación Como ya se ha comen ado en el apa ado del so wa e del ab ican e, SenseWea es una aplicación bas an e comple a que pe mi e mucho de alle en la isualización de los da os egis ados po el b azale e. Sin emba go, iene una inalidad muy abie a y no se cen a en ninguna a ea de análisis conc e a como pod ía se encon a pa ones de sueño del indi iduo o su es ilo de ida en cuan o a eje cicio ísico, po ejemplo. Pod ía deci se que es á en ocada a la ep esen ación g á ica de odos los da os del iche o y a p opo ciona un in o me esumen. Si bien es posible obse a cada episodio y cada ins an e deseado, puede esul a edioso y lle a demasiado iempo po la g an can idad de in e acción necesa ia pa a ecopila oda la in o mación eque ida. Po ejemplo, pa a compa a dos episodios de sueño de días dis in os, hab ía que selecciona el día deseado, aco a el inicio y inal del ins an e a isualiza desplazándose a izquie da o a de echa en el eje de abscisas que co esponde al iempo, después hab ía que ajus a los il os pa a isualiza sólo los pa áme os necesa ios y elegi pa a cada uno las unidades de ep esen ación y epe i el mismo p oceso pa a el segundo episodio con el que se desea comp a , pe diendo el oco del p ime o. Es po ello que decidimos, mien as íbamos analizando los da os que eníamos, ealiza una aplicación que no sólo nos acili a a es a a ea, sino que pudie a se de u ilidad médica po o ece una isualización ápida y sencilla de la in o mación ecopilada. Nues a aplicación abo da la isualización gene al de odos los episodios, el análisis de los episodios de sueño y el análisis del consumo ene gé ico. Pa a ello, p ime o selecciona los ins an es de comienzo y inal de cada episodio de sueño y de ac i idad ísica, incluidos los seden a ios pa a pos e io men e ep esen a los en dis in os o ma os dependiendo de la in o mación que se p e ende mos a en cada pes aña. El análisis de sueño engloba la isualización de cada episodio de sueño en de alle, con pa áme os como la empe a u a y el lujo é mico, ag upa los episodios de sueño median e écnicas de mine ía de da os como el clus e ing pa a obse a pa ones en la u ina de sueño del pacien e. Po o o lado, el análisis de consumo ene gé ico p esen a de un is azo un esumen con las calo ías consumidas en cada ipo de ac i idad ísica, po o den c onológico y po día. Po lo an o, el obje i o de la aplicación es acili a el análisis del sueño y la ac i idad ísica de un pacien e que ha lle ado colocado el b azale e un pe iodo de iempo, cen ándose pa a ello en los dis in os ipos de episodios de sueño y de ac i idades. 5.3 Desc ipción de la uncionalidad La aplicación consis e en una única en ana con a ias pes añas donde cada una p opo ciona dis in a in o mación. Una ez se ejecu a, se mues a una pan alla acía con odas las pes añas. Pa a empeza a isualiza la in o mación hay que pulsa el bo ón de ca ga iche os, al como se mues a en la Figu a 5.1. Figu a 5.1: Selección de iche o a ca ga Página | 54 La in o mación se di ide en episodios y cada uno ienen asignado un nomb e iden i ica i o pa a localiza los en e las di e en es pes añas. La nomencla u a que se sigue es la siguien e: 𝑓𝑒𝑐ℎ𝑎−𝑇𝑖𝑝𝑜𝑁𝑢𝑚  Fecha es el día en el que se p oduce el episodio.  Tipo ma ca los dis in os ipos de episodios, que pueden se : o 𝑆𝑢 pa a episodios de sueño. o 𝑆𝑒 pa a episodios seden a ios. o 𝐿𝑖 pa a episodios de ac i idad lige a. o 𝑀𝑜 pa a episodios de ac i idad mode ada a in ensa.  𝑁𝑢𝑚 es el núme o de episodio espec o a su ipo, po ejemplo, 𝑆𝑒4 se co esponde con el cua o episodio seden a io. Se puede e un ejemplo en la Figu a 5.2 donde se ap ecia que es á seleccionado el p ime episodio de sueño del día 15. Figu a 5.2: Nomb es de episodios A con inuación, se desc iben los colo es usados en la aplicación:  Azul: en la ba a de ac i idades ep esen a el sueño, se usan a ias onalidades siendo el más cla o un sueño lige o y el más oscu o un sueño muy p o undo. Cuando se usa en g á icas de se ies empo ales ep esen a la empe a u a  Ama illo: ac i idad seden a ia  Na anja: ac i idad lige a  Rojo: ac i idad mode ada  Ve de: lujo é mico Página | 55 5.3.1 Pes aña 1: Visualización de episodios de sueño Figu a 5.3: Pes aña del in é p e e de sueños de la aplicación La p ime a pes aña pe mi e isualiza en de alle cada episodio de sueño. Un episodio de sueño es un in e alo de iempo que empieza en el ins an e en que el pacien e se due me has a el momen o en que se despie a y pe manece así más de 30 minu os seguidos. De es a o ma se e i a di idi un mismo sueño en a ios episodios dis in os, ya que es habi ual que el pacien e se despie e en a ias ocasiones mien as es á du miendo. Po lo an o, se pod án ap ecia odas las in e upciones que se p oduzcan, mos ándose despie o. En es a pes aña cada episodio a isualiza es á con enido en un in e alo que con iene las 6 ho as an e io es al inicio del sueño y las 6 ho as pos e io es a su inalización. Así se puede con empla la ac i idad del pacien e an es y después de concilia el sueño pa a in en a a e igua el mo i o de posibles as o nos del sueño. Po ejemplo, es posible que, si el pacien e ealiza eje cicio in enso an es de do mi no pueda concilia el sueño ápidamen e o no enga un sueño lo su icien emen e p o undo y po an o la calidad del sueño se ía meno que si ealiza eje cicio en o o momen o del día. Todos los ejes de las g á icas ienen la misma escala y és a es ija pa a odos los episodios del mismo pacien e. Es deci , en odos los episodios de dicho pacien e las g á icas se ajus an siemp e a un ango de alo es de e minado, que se calculan como el egis o mínimo y el egis o máximo de cada pa áme o. De es a o ma se pueden compa a episodios dis in os de o ma más e ec i a que si las escalas ue an a iables, lo que da ía isualizaciones dis o sionadas y di ícilmen e compa ables. Página | 56 Figu a 5.4 Selección de episodios de sueño Es a pes aña ambién dispone de un selec o de episodio desplegable y dos bo ones pa a a anza y e ocede en e episodios po o den c onológico. En es e caso y según la Figu a 5.4 se puede obse a que hay un o al de 26 episodios de sueño epa idos en e los 9 días de du ación de la moni o ización. En el panel p incipal de es a pes aña se mues a una g á ica donde se ep esen an a ios pa áme os a la ez como son la clasi icación de ac i idad ísica y ipos de sueño. O as g á icas mues an la pos u a del pacien e, las medidas egis adas po el acele óme o ans e sal, el consumo ene gé ico, la empe a u a y el lujo é mico. Todos los pa áme os compa en el mismo eje de abscisas, donde se mues a la echa y ho a, minu o a minu o de cada pa áme o egis ado po el disposi i o. La p ime a g á ica de ba as indica con un colo el ipo de ac i idad ísica o el ipo de sueño en el que se encuen a el pacien e en cada minu o. Median e la a iación de colo es se puede ap ecia una mayo in ensidad de ac i idad ísica o p o undidad de sueño según el ono del colo . Los colo es azules ep esen an el sueño y el es o co esponden con la ac i idad ísica, siendo el ama illo ac i idad seden a ia y el ojo ac i idad mode ada. Figu a 5.5 Tipos de episodios en la g á ica de ba as En el caso de la Figu a 5.5, se a a de un episodio de casi dos ho as de du ación que se p oduce du an e el día. Se puede ap ecia cómo el pacien e ha ealizado a ios ipos de ac i idad ísica an es de do mi , aunque de poca in ensidad ya que la du ación de los episodios mode ados es de unos pocos minu os. Haciendo zum en el episodio ambién se puede ap ecia que el pacien e no iene un sueño con inuado, pues se despie a has a en cua o ocasiones an es de despe a se inalmen e. Además, llega a alcanza el sueño muy p o undo en poco iempo y en a ias ocasiones, lo cual puede se un indica i o de que el pacien e no due me bien po las noches. A con inuación, se encuen a una segunda g á ica de ba as que indica la pos u a del pacien e. Si es á umbado se ma ca con colo azul y si no lo es á se ma ca con colo ama illo. Es a g á ica pe mi e conoce el iempo que a da el pacien e en do mi se as habe se acos ado lo que ambién puede se un indica i o de su e icacia del sueño. Jun o con la cu a del acele óme o ambién se puede obse a si se mues a inquie o al acos a se o si en las in e upciones del sueño se ha le an ado o Página | 57 pe manece acos ado po nomb a algunas u ilidades. Figu a 5.6: G á ica de pos u a En la Figu a 5.6 apa ece o o episodio de sueño donde se ap ecia que el pacien e se acues a y a da unos minu os (20 ap oximadamen e) en do mi . Se p oducen algunas in e upciones en el sueño, aunque sigue acos ado has a que despie a inalmen e y al a o se le an a. T as le an a se se p oduce una co a in e upción en los egis os del disposi i o lo que indica que el pacien e se lo ha e i ado. Las dos p ime as cu as de la g á ica ep esen an el mo imien o del pacien e de ec ado po el acele óme o an e óg ado del disposi i o y el consumo en cada ins an e. Conoce la can idad de mo imien o esul a ú il pa a sabe si el pacien e se mue e du an e el sueño y ene indicios de posibles pa ologías elacionadas con el mo imien o, como apneas del sueño o el sínd ome de pie nas inquie as. También pe mi e sabe si el pacien e lle a un es ilo de ida seden a io. El consumo jun o con el mo imien o pe mi e da a conoce el consumo basal del pacien e en momen os de seden a ismo y las calo ías consumidas en momen os de ac i idad ísica pa a sabe si el eje cicio que ealiza es su icien e y ene un ni el de de alle mayo al que o ece el g á ico de ba as de colo es. También es una o ma de disce ni en e eje cicio ísico, que consumi á más calo ías en un iempo meno o simplemen e mo imien o. El consumo iene dado en kilo-calo ías. Figu a 5.7 Cu as de mo imien o y consumo En la Figu a 5.7 se puede ap ecia que du an e el sueño el pacien e p ác icamen e no se mue e sal o cuando se despie a, po lo que en p incipio no hay indica i os de p oblemas. Las dos úl imas se ies empo ales se co esponden con la empe a u a y el lujo é mico. Es os pa áme os son los que se usa án pos e io men e pa a elaciona y ag upa episodios de sueño. Es a Página | 64 Figu a 5.16: Ma iz de dis ancias El dend og ama de la Figu a 5.17 si e pa a explica la o ma de in e p e a lo. Es e dend og ama es el esul ado del ag upamien o ealizado donde se puede e en o ma de á bol las ca ego ías que an o mando los episodios dependiendo de la dis ancia ob enida en e unos y o os. Figu a 5.17: Cap u a de dend og ama Es e ag upamien o ha concluido con es g andes g upos ( e de, ojo y u quesa) que a su ez se di iden en o os más pequeños. El g upo e de se compone de muchos episodios bas an e pa ecidos en e sí. Sin emba go, el g upo ojo y u quesa, menos nume osos, ienen episodios más dispa es. Además, se obse a que el g upo e de se pa ece menos al ojo y menos aún a los episodios del g upo azul, dada la dis ancia que hay en e ellos. La dis ancia se ep esen a en el eje de o denadas lo que signi ica que cuan o meno sea más pa ecidos se án los episodios, es deci cuan o más bajo se encuen e una línea ho izon al uniendo a dos g upos, más simila es son en e sí. Se puede e un ejemplo en la Figu a 5.18 donde los episodios 21−𝑆𝑢20 a 18−𝑆𝑢10 son los que más se asemejan seguidos de 16−𝑆𝑢6 y 22−𝑆𝑢22. Siguiendo con la explicación, el g upo o mado po 21−𝑆𝑢20 a 18−𝑆𝑢10 a su ez o ma un g upo Página | 65 con 15−𝑆𝑢2 al exis i una línea ho izon al que los une. El siguien e g upo se c ea ía con el que acabamos de comen a y po el o mado po 16−𝑆𝑢6 y 22−𝑆𝑢22. Es e p oceso se epi e has a llega al g upo inal o mado po odos los episodios y que es a ía en lo más al o del eje de o denadas. Figu a 5.18: Ejemplo de g upos simila es en dend og ama Es o se hace pa a in en a encon a inicialmen e episodios de sueño que puedan se anómalos, ya que des aca ían po es a a g an dis ancia de o os episodios de sueño. En es e caso, as comp oba el dend og ama y las pes añas co espondien es a los sueños diu nos y los noc u nos, encon amos que la mayo ía de los episodios pe enecien es al g upo ojo y al u quesa o man pa e de sueños noc u nos, mien as que los del g upo e de son en su mayo ía sueños diu nos. Sin emba go, el episodio 16−𝑆𝑢4 pe enecien e al g upo ojo es un sueño diu no muy di e en e al es o de sueños del g upo e de, lo puede indica una anomalía que puede obse a se en las co espondien es g á icas. Se iene la opción de compa a la o ma de las se ies empo ales de dos episodios de sueño en la pa e de echa de la pes aña pudiendo elegi el episodio deseado con el selec o de la pa e supe io . De es a o ma se puede obse a la o ma y de alles de los episodios de cada g upo. En la Figu a 5.19 se mues an dos episodios comple os, cada uno con la echa y la ho a a la que anscu e. Como en la pes aña an e io , aquí ambién se dibujan las g á icas de empe a u a y lujo é mico, además del consumo ene gé ico, y se usan anjas e icales pa a des aca el momen o en que el pacien e se despie a (en ama illo) o los minu os de sueño p o undo o muy p o undo (en azul). Se puede e una compa ación en e los episodios 16−𝑆𝑢6 y 22−𝑆𝑢22 donde queda cla o isualmen e que las o mas de las se ies empo ales de empe a u a y lujo é mico son muy simila es. Página | 66 Figu a 5.19: Compa ación de dos episodios de sueño En las pes añas 4 y 5 se sepa an los episodios de sueño diu no de los noc u nos pa a ealiza clus e ing de o ma independien e. Es impo an e sepa a los episodios diu nos de los noc u nos ya que, debido a la di e encia ho a ia la du ación ambién es muy di e en e. Al hace clus e ing de odos los episodios debe ía e se es a di isión y de se así no se apo a in o mación ele an e. Debido a es o es que hemos sepa ado los sueños pa a analiza los. Po lo an o, es as dos pes añas segui án el mismo o ma o que la e ce a solo que analizando los episodios diu nos y noc u nos po sepa ado. Página | 67 5.3.4 Pes aña 6: Consumos Figu a 5.20: Pes aña consumos de la aplicación T as analiza los episodios de sueño, el segundo en oque de la aplicación consis e en el análisis de la ac i idad ísica. En es a pes aña se p e ende mos a de un is azo el es ilo de ida que lle a el pacien e cuando no es á du miendo, en cuan o a eje cicio y consumo caló ico se e ie e. Pa a lo cual se mues an a ias ap oximaciones desde dis in os pun os de is a empleando cua o ipos de g á icas. En es e caso los da os del pacien e se di iden en días comple os de 24 ho as comenzando a las 00:00h de la noche has a las 23:59h del mismo día. Los dis in os ipos de episodios con enidos en cada día se ob ienen de la misma mane a que en los apa ados an e io es, aunque pueden no coincidi en núme o debido a que los episodios que queden en e dos días, se án con ados como dos episodios dis in os. Po lo an o, la única o ma de e en de alle un episodio conc e o se á median e su ipo y núme o de día co espondien es. Figu a 5.21: G á ico de ba as Lo p ime o que se e es la g á ica de ba as de la Figu a 5.21, donde las ba as ep esen an los días egis ados po el b azale e. Cada ba a se di ide en colo es con el ipo de ac i idad ealizado cuya al u a es la suma de las calo ías consumidas. Es a g á ica si e pa a hace se una idea del consumo caló ico del pacien e día a día. Página | 68 Figu a 5.22: G á icas de consumo co espondien es a un día La segunda pa e de la en ana co esponde con la compa ación de dos días elegidos median e los selec o es desplegables. La in o mación de un día se desglosa en es g á icas. La p ime a mues a el po cen aje de iempo o al in e ido en cada ipo de episodio. La segunda mues a el po cen aje de calo ías consumidas en el día po ac i idad, es o es equi alen e a lo que se mues a en la g á ica de ba as. En la e ce a se mues a la can idad de calo ías consumidas po minu o po cada uno de los episodios del día y se o denan c onológicamen e y po colo es indicando el ipo de episodio al que co esponden. La u ilidad de es as g á icas es combina su in o mación pa a conoce de un is azo la ac i idad ísica del pacien e. En es e caso, como se ap ecia en las igu as Figu a 5.21 y Figu a 5.22 el pacien e ealiza poco eje cicio, dado que la mayo pa e del iempo y del consumo se ocupa en episodios seden a ios, donde el consumo es casi an bajo como en los episodios de sueño. Los episodios de ac i idad lige a son muy co os y po an o no llega a ene un gas o signi ica i o de calo ías como se e leja en la p ime a g á ica. Al con a io que un episodio de ac i idad mode ada que aun siendo co o en du ación su consumo es bas an e ele ado. Página | 69 5.5 Manejo de los da os Los da os de en ada deben es a en un iche o en o ma o cs y con ene , como mínimo los siguien es campos:  Sueño  Clasi icaciones_del_sueño  Flujo_ é mico_media  Time  Lige a  Seden a ia  Mode ada  Gas o_ene gé ico  Acel_ ans e sal_picos  Acos ado El o den de las columnas no es ele an e ya que los da os se ob ienen po su nomb e, po lo que es imp escindible man ene el nomb e de los campos pa a un co ec o uncionamien o de la aplicación. Es posible, aunque poco ecuen e, encon a ilas con da os in álidos, como ene algunos pa áme os sin mediciones o echas e óneas. Es o p o oca allos en los cálculos que se ealizan en la aplicación po lo que son desca ados median e un il o ejecu ado as lee odos los campos. Po lo an o, los da os esul an es de lee el iche o se componen de a ias lis as (una po campo) que con ienen odas las ilas álidas. Es posible que haya sal os de iempo en e un da o y el siguien e debido a la al a de egis os po la e i ada del disposi i o o ambién as aplica el il o an e io men e desc i o. Es o no da ningún p oblema ya que las lib e ías g á icas empleadas son capaces de ep esen a sal os empo ales. 5.6 Desc ipción del código y a qui ec u a Cada ez que se a anca el p og ama o se pulsa en el bo ón co espondien e pa a ca ga los da os de un nue o pacien e, p ime o se llama a la clase Lec o Fiche o. Lec o Fiche o ecibe un iche o de da os en o ma o cs y se enca ga de p ocesa odas las ilas pa a desca a las in álidas y c ea con ellos un obje o de la clase Da os que con iene una lis a po cada pa áme o del b azale e que a a se de u ilidad. En es a aplicación se u ilizan los siguien es pa áme os:  Tiempo: echa comple a de cada minu o egis ado po el b azale e.  Sueño: booleano que indica si el pacien e es á o no do mido.  Clasi icación de sueño: en e o que indica el ipo de sueño en el que se encuen a el pacien e, pudiendo oma los alo es 0, 2, 4 y 5 que co esponden a despie o, sueño lige o, sueño p o undo y sueño muy p o undo espec i amen e.  Flujo é mico (media)  Tempe a u a ce ca del cue po (media)  Ac i idad seden a ia  Ac i idad lige a  Ac i idad mode ada Página | 70  Gas o ene gé ico  Acele ación ans e sal (picos)  Acos ado: booleano que indica si el pacien e es á o no umbado. La clase Da os ambién pe mi e de ol e una lis a con los da os pa icionados en días comple os, necesa io pa a la pes aña de consumo ene gé ico. Una ez se ienen gua dados los da os p e-p ocesados, se pasan a la clase SelEpisodio que pe mi e sepa a los da os en odos los ipos de episodios, a sabe : sueños diu nos, sueños noc u nos, ac i idad seden a ia, ac i idad lige a y ac i idad mode ada La o ma de di idi los da os en episodios consis e en eco e cada ila del iche o de e minando el ipo de episodio según la du ación de sus pa áme os y de la con igu ación de las in e upciones. Debido a que, po lo gene al a mayo in ensidad de eje cicio, más co o es el episodio no se puede u iliza la misma con igu ación pa a odos los ipos de episodio po que de lo con a io pe de íamos muchos de ellos o end íamos demasiados muy pequeños. La con igu ación po de ec o es de:  Episodios de sueño: máximo 35 minu os de in e upción  Episodios de ac i idad seden a ia: 7 minu os de in e upción  Episodios de ac i idad lige a: 4 minu os de in e upción  Episodios de ac i idad mode ada: 3 minu os de in e upción Cuando un ipo de episodio supe a su in e upción, se conside a que el episodio ha inalizado y se siguen p ocesando las siguien es ilas. Además, pa a que un episodio sea álido, debe du a un mínimo de 5 minu os. La clase SelEpisodio ecibe como pa áme os los ipos de episodios que se desean ob ene y ambién pe mi e especi ica si se quie en los episodios comple os o no. Po de ec o, los episodios ienen comple os, es deci , cada episodio es un obje o del ipo EpisodioComple o que he eda del ipo Episodio e incluye oda la in o mación ecolec ada en Da os en el in e alo que du a el episodio. Si no hace al a an a in o mación, se puede desac i a el pa áme o de episodios comple os con lo que se ob ienen obje os del ipo Episodio que únicamen e incluyen el ins an e de inicio, el de in, el ipo de episodio y su nomb e (con la nomencla u a desc i a). Es posible il a los episodios po ipo en cualquie momen o llamando a su mé odo upda e que ac ualiza á la lis a de episodios il ados con los pa áme os especi icados. La aplicación se ejecu a desde el iche o inal.py que c ea una en ana pe sonalizada de pyq de la clase Ven anaMain que u iliza las clases Lec o Fiche o y selEpisodio pa a ob ene los episodios y ellena con ellos el con enido de la in e az con las pes añas desc i as en el apa ado 5.1. Pa a ello Ven anaMain c ea un obje o In e p e e, un obje o PanelSca e , es obje os PanelSueno y un obje o PanelConsumo que eciben sus espec i os elemen os de la in e az y los episodios necesa ios. La uncionalidad de cada pes aña se encuen a en su iche o co espondien e, de o ma que el con olado de la pes aña In é p e e es panelIn e p e e.py, el de la pes aña Co elaciones es panelSca e .py, el de las es pes añas de sueños es panelSueno.py y el de la pes aña Consumos es panelConsumo.py. Página | 71 5.7 Tecnologías u ilizadas En es e apa ado amos a desc ibi b e emen e algunas de las he amien as que hemos u ilizado en el p oyec o. o Pale on 16 : Aplicación online que p opo ciona una he amien a pa a c ea combinaciones y pale as de colo es que uncionan bien jun os. La p incipal en aja de Pale on es que no usa el espacio RGB común de los o denado es, sino que es una ueda de colo a ís ica clásica. Aplica la eo ía del colo y unciona den o de un espacio de colo RYB especialmen e c eado pa a ella. Po an o, las combinaciones de colo es que se p oducen son di e en es de las que se pueden ob ene en muchas aplicaciones g á icas conocidas. o Vi ualen 17 : Es una he amien a pa a c ea un espacio comple amen e independien e de o os en o nos i uales y de los paque es ins alados globalmen e en el sis ema. Un en o no i ual es una he amien a pa a man ene las dependencias eque idas po los di e en es p oyec os en luga es sepa ados. Soluciona el dilema de "el p oyec o X depende de la e sión 1.x, pe o el p oyec o Y necesi a 4.x", y man iene el di ec o io global de módulos limpio y manejable. o SciPy 18 : es una lib e ía de código abie o de he amien as y algo i mos ma emá icos pa a Py hon. o Numpy 19 : es una ex ensión de Py hon, que le ag ega mayo sopo e pa a ec o es y ma ices, cons i uyendo una lib e ía de unciones ma emá icas de al o ni el pa a ope a con esos ec o es o ma ices. o Ma plo lib 20 : es una lib e ía pa a la gene ación de g á icos a pa i de da os con enidos en lis as o a ays en el lenguaje de p og amación Py hon y su ex ensión ma emá ica NumPy. o Mlpy 21 : es un módulo de Py hon pa a el ap endizaje au omá ico desa ollado sob e NumPy / SciPy y las Biblio ecas Cien í icas de GNU. P opo ciona una amplia gama de mé odos de ap endizaje au omá ico con écnicas mode nas. 16 h p://pale on.com/ 17 h ps:// i ualen .pypa.io/en/s able/ 18 h p://www.scipy.o g/ 19 h p://www.numpy.o g/ 20 h p://ma plo lib.o g/ 21 h p://mlpy.sou ce o ge.ne / V Conclusiones y abajo u u o Pa e V Conclusiones y abajo u u o Página | 81 9 O ganización del p oyec o A con inuación, explica emos cómo nos hemos o ganizado, la me odología de abajo que hemos seguido y lo que hemos hecho cada uno de noso os en el p oyec o. 9.1 O ganización del p oyec o Empezamos a p epa a el p oyec o en e ano cuando nues o di ec o nos mandó in o mación sob e a ios mé odos de mine ía de da os que pod íamos aplica . Leímos documen ación sob e una amplia a iedad de concep os y écnicas ya que oda ía no eníamos cla o el en oque que se da ía al p oyec o. Ap endimos lo que es DTW (alineamien o empo al dinámico de dos se ies), SAX (simbolización de se ies), Ho SAX (búsqueda de anomalías en se ies empo ales), clus e ing, dis ancias en e se ies y su posible u ilidad pa a noso os. A inales de oc ub e, y as las p ime as euniones con el equipo médico colabo ado , empezamos a pensa en cómo ealiza un abajo de u ilidad con las he amien as que se nos había p opo cionado. Buscamos in o mación sob e los posibles lenguajes de p og amación que se usan en mine ía de da os y as lee a ios a ículos nos decidimos po Py hon dada su e sa ilidad. No seguimos un plan es ic o de a eas, sino que nos ma cábamos me as as cada eunión con el di ec o . Es as me as casi siemp e consis ían en la p ime a e apa en es udia la documen ación e in es iga po nues a cuen a pa a pode p egun a dudas en la siguien e eunión, pe o cuando empezamos a desa olla las aplicaciones nos ma cábamos un plazo has a la siguien e eunión pa a que cada aplicación es u ie a e minada. En es e sen ido el di ec o nos daba bas an e libe ad pa a que nos o ganizá amos po nues a cuen a. En un p incipio no eníamos cla o cuál se ía la inalidad del p oyec o ni de la posible aplicación. Con ábamos con el b azale e, el so wa e del ab ican e y unos pocos iche os de da os egis ados po el disposi i o. El doc o y la en e me a asegu aban que pod íamos saca mucha in o mación del disposi i o que no se mos aba en el so wa e. Así que empezamos po in es iga con es os da os pa a conoce la uncionalidad del p og ama, e qué pod íamos apo a y empeza a en ende los egis os almacenados. Empezamos c eando una aplicación pa a nues o uso donde podíamos ep esen a cualquie pa áme o egis ado po el b azale e en una sola g á ica, ya que el so wa e sólo lo podíamos usa en las o icinas de Ibe mu uamu . Solapamos a ios pa áme os en la misma g á ica pa a obse a e in en a encon a algún enómeno, pa ón o anomalía que se pudie a da en ins an es de e minados. Dadas las pau as ecibidas en Ibe mu uamu nos cen amos en aquellos ins an es en los que el pacien e do mía, obse ando el compo amien o de los demás pa áme os al despe a se como las ases de sueño, empe a u a, consumo y lujo é mico. Y comp obamos que e ec i amen e la empe a u a y el lujo é mico es án elacionados ya que ienen o mas in e sas en los mismos ins an es de iempo y es o se epi e en la mayo ía del iempo de sueño. A con inuación, decidimos ealiza una segunda aplicación pa a il a de los da os po episodios de sueño y ac i idad ísica y mos a los en una única g á ica. Es o en p incipio nos pe mi ía con empla de un is azo cada episodio sin ene que na ega po oda la g á ica buscando dónde se encuen a cada uno y nos pa eció adecuado pa a la aplicación inal po su acilidad de uso y apidez. Obse amos que el mismo enómeno se p oducía en episodios de ac i idad ísica solo que a dis in as empe a u as, po lo que después incluimos un diag ama de dispe sión ep esen ando la empe a u a en e al lujo é mico del episodio seleccionado. De es a mane a se puede ap ecia mejo la elación Página | 82 en e ambos pa áme os. Finalmen e calculamos el coe icien e de co elación de cada episodio y lo isualizamos jun o con o os da os de la g á ica pa a con i ma inalmen e que al aumen a el lujo é mico disminuye la empe a u a y ice e sa. T as ealiza ambos p og amas los p esen amos en Ibe mu uamu pa a comp oba si íbamos bien encaminados y pa a escucha cualquie comen a io que nos quisie an hace sob e los p og amas. Nos guia on pa a cen a el es o de la aplicación po dos ías, el análisis de los episodios de sueño y el análisis del consumo ene gé ico consumido según la ac i idad ísica. Conocida la elación en e la empe a u a y el lujo, p obamos a clasi ica los episodios de sueño median e clus e ing je á quico pa a e si podíamos encon a alguna pis a que nos indicase un pa ón, epe ición o alguna anomalía en e g upos de sueños simila es. Vis o que el ag upamien o po clus e ing pa ecía unciona co ec amen e y as a ias euniones en e las cuales íbamos pe eccionando las aplicaciones an e io es, empezamos una nue a aplicación donde que íamos mos a de la o ma más sencilla posible los esul ados del ag upamien o en e episodios po empe a u a y lujo y en e consumos ene gé icos. Al mismo iempo, con las ecomendaciones del di ec o empezamos o o p og ama pa a el análisis del consumo, que a a ía de esumi de o ma isual los consumos ene gé icos o ales del pacien e, o ganizados po días y ipo de ac i idad ísica y ambién po ho as de inicio y in de cada ac i idad. De es a mane a y de un is azo se pod ía ap ecia cómo de seden a io o ac i o es el es ilo de ida del pacien e sin ene que consul a los da os al minu o de cada día. En o a eunión en Ibe mu uamu p esen amos una e sión inicial de es as dos úl imas aplicaciones pa a e alua los p oblemas que ue an su giendo con su manipulación y las posibles ca encias que pudie a habe . A pa i de ese momen o y con las suge encias ob enidas, decidimos empeza a ealiza el p og ama inal incluyendo en él odos los p og amas an e io men e desc i os con nue as unciones y los a eglos pe inen es. 9.2 Con ibución al p oyec o Es e apa ado si e pa a explica lo que ha hecho cada uno en el p oyec o. 9.2.1 Ál a o Allegue Lo enzo Las siguien es a eas han sido ealizadas en mayo o meno medida en e mi compañe a y yo. Dada la di icul ad de di e encia los abajos po sepa ado, expongo una lis a con las a eas en las que he pa icipado:  Lec u a de la documen ación p opo cionada po el di ec o sob e écnicas de mine ía de da os.  Búsqueda de in o mación sob e el disposi i o p opo cionado. Al a a se de un equipo nue o an o pa a el depa amen o de ibe mu uamu como pa a noso os y dado que el ab ican e no espondía, dejamos algunas dudas sin esol e . Sin emba go, no hemos enido ningún impedimen o pa a ob ene la in o mación necesa ia, ya sea po pa e del depa amen o como documen ándonos po In e ne .  Análisis de uncionalidad del so wa e del ab ican e. No disponíamos del p og ama ue a de las ins alaciones de Ibe mu uamu , po lo que e a necesa io acudi allí pa a ecopila oda la in o mación que pudiese o o ga .  Documen ación de emas médicos elacionados con as o nos de sueño, me abolismo y Página | 83 eje cicio ísico. Pa a ello con amos con la ayuda y el conocimien o del doc o y la en e me a además de o as uen es.  Elección del lenguaje de p og amación a u iliza , Py hon 2.7 y ap endizaje a a és de la web CodeCademy y la documen ación.  Elección y ap endizaje de un sis ema de con ol de e siones (Gi hub) con el que abaja en un eposi o io común.  Búsqueda de lib e ías pa a implemen a in e aces de usua io y de un p og ama que acili e la a ea de coloca los elemen os en la in e az. Como he amien a de diseño elegimos Q Designe y como lib e ía PyQ po se ampliamen e u ilizada, dispone de buena documen ación y ejemplos y se compa ible con buena can idad de lib e ías que íbamos a u iliza .  Búsqueda de lib e ías pa a implemen a g á icas con posibilidad de in e acción po pa e del usua io y que sean su icien emen e pe sonalizables. Elegimos PyQ G aph y ma plo lib. La p ime a po su g an in e acción y endimien o y la segunda po se al amen e pe sonalizable y dispone de una buena documen ación.  Búsqueda de lib e ías pa a ope aciones ma emá icas en gene al, cálculo de dis ancias en se ies empo ales y clus e ing. Elegimos Numpy, Mlpy y Scipy.  Elección de las he amien as de desa ollo. En p incipio elegimos Ubun u como sis ema ope a i o ya que la mayo ía de la documen ación y ejemplos usaban Linux y aunque la pla a o ma obje i o e a Windows, había p og amas pa a expo a un ejecu able a dicho sis ema ope a i o. Como en o no de desa ollo la mayo ía del p oyec o lo hicimos con Geany aunque la aplicación inal la desa ollamos en Eclipse con el plugin PyDe que nos pe mi ía depu a con más acilidad.  Realización de p uebas con las nue as lib e ías que íbamos añadiendo. Las p uebas, además de se ú iles pa a ap ende a maneja las y dada la g an can idad a u iliza , e an imp escindibles pa a a e igua la compa ibilidad en e ellas. Es o nos hizo desca a algunas po su incompa ibilidad con el es o.  Implemen ación de una p ime a aplicación que mues e odos los da os de un pacien e. En un p incipio e a pa a uso p opio con el in de isualiza los da os sin depende del so wa e del ab ican e.  Implemen ación de una segunda aplicación que mues e los da os pa icionados en ipos de episodios. Inicialmen e su u ilidad e a la de compa a episodios pa a a e igua qué elación enían los pa áme os egis ados po el disposi i o. T as obse a la elación en e la empe a u a y el lujo é mico, añadimos g á icas de dispe sión y el coe icien e de co elación pa a da cons ancia de es a elación. Pos e io men e se mejo ó la isualización al añadi colo eado de los episodios y una nue a dis ibución de la in o mación.  Implemen ación de la e ce a aplicación donde se p e endía ag upa los episodios de sueño median e las écnicas de clus e ing es udiadas y pode así iden i ica los episodios que son di e en es al es o. También ue añadida a la aplicación inal.  Implemen ación de la cua a aplicación con la idea de mejo a la p esen ación de los da os elacionados con la ac i idad ísica y el consumo caló ico. Página | 84  Diseño e implemen ación de la aplicación inal adap ando e inco po ando las aplicaciones que uimos desa ollando a lo la go del p oyec o.  Re isión del uncionamien o de la aplicación e implemen ación de mejo as y co ecciones debidas.  Busca la o ma de expo a el p og ama como un ejecu able de Windows, que pueda ejecu a la aplicación sin necesidad de ins ala p og amas ex e nos. T as p oba con a ias aplicaciones en Linux sin consegui esul ados uncionales, decidimos pasa nues o p og ama a Windows y emplea Vi ualen . Es e paso dió bas an es p oblemas pues no odas las lib e ías uncionaban en Windows y hubo que e isa oda la aplicación. Finalmen e enemos la aplicación ins alable en Windows median e un en o no i ual que con iene odas las lib e ías necesa ias y es de ácil ins alación y desins alación.  Dada mi mayo disponibilidad po compa ibilidad de ho a io solía acudi a las euniones en Ibe mu uamu con el doc o y la en e me a cuando mi compañe a no podía pa a mos a los a ances, consul a dudas y aco da cambios y nue as uncionalidades del p og ama. Respec o a la ealización de la memo ia di idimos el abajo y yo me enca gué p incipalmen e de:  Redacción del apa ado In oducción.  Documen ación sob e los disposi i os en la ac ualidad y edacción de su in oducción.  Redacción del apa ado Disposi i o u ilizado.  Redacción de la mayo pa e de uncionalidad de la aplicación, manejo de los da os y desc ipción del código.  Redacción de pa e de la o ganización del p oyec o.  Re isión del con enido de la memo ia 9.2.2 Ana Ca olina Rueda Sil a Una ez decidido el lenguaje que íbamos a usa en el p oyec o, mi p ime a a ea ue la de ap ende Py hon. Pa a ello, seguí un pa de cu sos en In e ne , uno en CodeCademy 22 y o o en Cou se a 23 . Las p ime as lecciones ue on sob e sin axis y la c eación de una calculado a básica. Pe o p on o empecé a p oba con echas, en ada y salida y s ings. Sin ol ida me de las lis as, dicciona ios, c eación de unciones y clases que me end ían muy bien pa a la aplicación. Pa a inaliza , siguiendo el u o ial de CodeCademy c ee una e sión simpli icada del juego Hundi la lo a con el que p ac iqué odo lo que había ido ap endiendo. T as es o dediqué iempo a busca lib e ías g á icas pa a aho a nos el abajo de c ea noso os manualmen e las g á icas. Llegamos a la conclusión de que Plo ly 24 se ía la mejo opción, pe o pocos días después u imos que ol e a busca ya que Plo ly es una lib e ía online y no 22 h ps://www.codecademy.com/ 23 h ps://www.cou se a.o g/lea n/in e ac i e-py hon-1 24 h ps://plo .ly/ Página | 85 es ábamos segu os de que ue a la mejo opción dado que e a posible que abajá amos con da os p i ados. Así, llegamos a PyQ G aph 25 que inalmen e ue la lib e ía que usamos en la p ime a aplicación. Una ez que eníamos elegida la lib e ía g a ica empecé a ap ende Gi en CodeCademy pa a pode usa el sis ema de con ol de e siones Gi con un eposi o io público en Gi Hub y man ene odo el abajo o denado. Pa a empeza a abaja en la p ime a aplicación u imos que busca una he amien a pa a diseña in e aces de usua io de o ma ápida. Ins ala Py hon y a ias lib e ías que nos ha ían al a. A pa i de es e pun o nos di idimos el abajo. Yo me enca gaba de lee los iche os cs pa a ca ga los da os que íbamos a analiza y pa a ello u ilicé la lib e ía NumPy que pe mi e abaja con ec o es y ma ices de o ma cómoda. La p ime a e sión ue bas an e ingenua ya que ca gaba solo las columnas de da os que nos hacían al a ma cando exac amen e el núme o de cada columna según el iche o de p ueba que usábamos. Así pues, solo leía las columnas de iempo, ipo de sueño, es de ipo de ac i idad (seden a ia, lige a y mode ada), consumo ene gé ico, ac i idad ísica, empe a u a, lujo é mico y acele óme o ans e sal. T as es o, hice un il o sencillo pa a sepa a los minu os de sueño de los de igilia po que buscábamos cen a nos en el sueño. Pa a inaliza mi abajo en la aplicación elegí, jun o a mi compañe o, los colo es con los que mos a las g á icas y c eé un mé odo que colo eaba los da os. Elegimos onos azules pa a el sueño y e de pa a las ac i idades, además de usa e de, na anja y blanco pa a las o as g á icas. Es a aplicación ue un buen inicio dado que nos pe mi ía juga con los da os y e los g á icamen e pa a así decidi qué pod ía se ú il ep esen a y qué no apo aba demasiada in o mación. Después de un pa de euniones con el di ec o y el doc o decidimos qui a la g á ica de la ac i idad ísica ya que no apo aba nada y empezamos a diseña la segunda aplicación pa a busca elaciones en e el lujo é mico y la empe a u a du an e cualquie ipo de ac i idad. Con es a aplicación u e que cambia la o ma de lee los iche os ya que imos que según se con igu e el b azale e las columnas de da os podían a ia su posición con lo que lo que eníamos hecho allaba. Decidí que lo mejo se ía lee cada columna po su nomb e pa a que la con igu ación del b azale e no supusie a ningún p oblema si se cambiaba de un pacien e a o o. Es o me gene ó algún p oblema po la codi icación de ca ac e es con la que la aplicación del ab ican e expo a los iche os cs . P incipalmen e po los ca ac e es especiales que no exis en en inglés como la ñ y las ildes debido a que Py hon no puede abaja con ellos. Pa a es a aplicación nos hacía al a una pa ición más ina de los dis in os ipos de ac i idad y episodios de sueño po lo que u e que c ea un nue o mé odo pa a hace lo. Es a pa e ue algo complicada ya que enía que ene en cuen a cua o ipos de da os dis in os al mismo iempo y las posibles in e upciones en e episodios. La p ime a e sión que hice no uncionaba ya que c eaba los índices de cada episodio de o ma sepa ada, los sueños po un lado y las ac i idades po o o. Tenía un mé odo que se enca gaba de uni lo odo, pe o allaba po la i egula idad de los da os así que u e que pensa en o o que ue a un “ odo en uno”. Al inal lo esol í con un mé odo algo complicado que uncionaba pa a odos los casos con los que pudimos p oba a pesa de que no enía un con ol de in e upciones demasiado ino ya que usaba el mismo iempo pa a odos los ipos de episodios. Fue en es e momen o cuando decidimos, jun o al di ec o , que lo mejo se ía que odas las aplicaciones ue an consis en es en cuan o al colo de las g á icas pa a acili a las cosas al usua io. 25 h p://www.pyq g aph.o g/ Página | 86 Cambié los colo es de la p ime a aplicación pa a que ue an más ilus a i os usando Pale on y c eamos una clase donde gua da los odos pa a uni ica los en odas las aplicaciones que desa ollá amos. Los colo es es a ez los puse en di e en es onos de azul pa a el sueño y desde ama illo a ojo pa a las dis in as ac i idades. Así conseguí que se dis inguie a mejo cada ac i idad y que se des aca a más el cambio de una a o a. También necesi ábamos una nue a lib e ía que nos ayuda a a hace los cálculos de co elación y los diag amas de dispe sión. Decidimos, después de una búsqueda ápida, que lo mejo se ía u iliza ma plo lib po odo lo que o ecía pa a g á icos en 2D y SciPy pa a los cálculos. Cuando e minamos la aplicación u imos nue amen e una eunión con el doc o pa a p esen a el abajo ealizado y pa a que nos indica a lo que le esul aba ú il y lo que no. También c eamos un mini manual sob e las dos aplicaciones pa a que se amilia iza a con ellas an es de la eunión y pudie a p egun a nos dudas o suge i nos cambios. Con es a in o mación u imos a ias euniones más con el di ec o donde imos los pun os a co egi de las dos aplicaciones y diseñamos una e ce a aplicación con la que clasi ica los episodios de sueño pa a pode compa a los ya que a odos nos pa ecía in e esan e. También imos que pod ía se ú il c ea una cua a aplicación que p esen a a un esumen de los da os mejo ando el in o me es á ico con el que abajaba el doc o . En es a e ce a aplicación end íamos que u iliza algunas de las écnicas sob e las que habíamos leído iempo a ás po lo que ol í a lee sob e ellas pa a eco da las y empezamos a busca implemen aciones de DTW y clus e ing en Py hon que pudié amos usa . Descub imos que podíamos ap o echa la lib e ía SciPy ya que inco po aba mé odos pa a hace clus e ing y además usa mlpy pa a el cálculo de las dis ancias con DTW. De nue o end ía que cambia la o ma en que se di idían los episodios pa a que se hicie a de una o ma más exhaus i a ya que necesi ábamos da dis in os én asis a las ac i idades. Nos habían dicho que una ac i idad mode ada o in ensa e a muy impo an e, aunque du ase pocos minu os. An es de pone me a ello dediqué un pa de días a pensa en cuál se ía la mejo o ma de hace lo pa a no ene que cambia lo de nue o. Decidí que lo mejo se ía empeza de ce o y c ea episodios de cada ac i idad según me los encon a a, aunque du asen un minu o, pa a a con inuación usiona los eniendo en cuen a las in e e encias que aho a se ían dis in as pa a cada ipo episodio dada la dis in a impo ancia que se daba a unos y a o os. Po es o ambién c eé a ios mé odos pa a inclui los episodios más co os (in e e encias) den o de o os mucho más la gos y ag upa los. Hice asimismo un mé odo pa a pone nomb e a cada episodio según el ipo de ac i idad pa a que al mos a los en las aplicaciones ue a más ácil econoce los. Tu e que hace muchas p uebas pa a asegu a me de que uncionaba bien la c eación de episodios. La cua a aplicación me obligaba a modi ica la lec u a de iche os ya que no enía en cuen a los días. Así pues, enía que c ea una di isión po días además de il a los da os anómalos (pa a la an e io ). Pa a ello u e que busca la mane a de abaja con el o ma o de echas que gua da el b azale e. Descub í que gua da la ho a en o ma o UNIX con lo que solo necesi aba ans o ma esos segundos a un o ma o echa. Pa a ello u ilicé el módulo da e ime 26 de Py hon que c ea un obje o da e ime que me acili aba la labo de c ea la lis a de días. Con las echas e minadas cambié la o ma en que se ponían los nomb es de los episodios pa a añadi el día y c ea un o ma o único a odas las aplicaciones. Tu imos una eunión con el di ec o pa a enseña le las nue as aplicaciones y que nos die a su opinión. Nos p opuso a ios cambios ya que ep esen ábamos in o mación inú il en la ma iz de dis ancias y nos dio la idea de mos a anjas e icales pa a des aca el iempo de sueño y asimismo nos sugi ió cambios en la o ganización de la e ce a aplicación. También decidimos cambia la o ma 26 h ps://docs.py hon.o g/2/lib a y/da e ime.h ml Página | 87 de ep esen a la se ie empo al en la cua a aplicación ya que la p ime a e sión e a poco in o ma i a. Finalmen e hicimos un manual donde se explicaban es as aplicaciones y cómo in e p e a los g á icos y el dend og ama pa a p esen á sela al doc o en la siguien e eunión. Teniendo en cuen a los cambios que nos sugi ie on en es as euniones empezamos a c ea la úl ima aplicación que engloba ía a odas las demás, pe o sepa ando la de clus e ing en es pes añas dis in as pa a analiza los sueños diu nos y los noc u nos po sepa ado. Mejo amos la in o mación que se mues a en cada pes aña y cambiamos el diseño de las pes añas pa a que oda la aplicación sea consis en e. También limpiamos y mejo amos odo el código que lle ábamos esc i o y lo o denamos mejo ap o echando que hace la aplicación inal e a casi como empeza de nue o. Cuando u imos una e sión más o menos comple a empezamos a in es iga la o ma de ins ala la en Windows ya que se usa ía en ese sis ema ope a i o. Es o nos hizo e ocede a ios pasos po que la habíamos desa ollado en Ubun u y nunca habíamos hecho p uebas en Windows con lo que cuando conseguimos ejecu a la nos daba a ios allos, como no mos a los pun os de iempo en las g á icas po la o ma de a a las echas. Asimismo, nos dio la opo unidad de hace a ias p uebas a la aplicación buscando allos que pudié amos habe pasado po al o y descub imos que eníamos un p oblema con cie os o denado es al usa un amaño ijo de en ana. Po eso, decidimos implemen a ames pa a que la aplicación se adap a a a cualquie esolución. No conseguimos c ea un ejecu able que unciona a en Windows debido a las dependencias con g an can idad de lib e ías y p og amas ex e nos po lo que al inal op amos po c ea un en o no i ual u ilizando i ualen , lo que nos ino bien dado que pe mi e usa la aplicación, aunque se use un o denado con unciones limi adas pa a el usua io. Cuando lo p obamos en a ios o denado es de amilia es y amigos y odo uncionaba bien me dispuse a c ea un manual de ins alación in en ando que ue a lo más sencillo posible pa a los usua ios inales. En cuan o a la memo ia, me enca gaba de da o ma o y es uc u a. Esc ibi el esumen y pa e de la in oducción, busca in o mación sob e los dis in os disposi i os moni o es de sueño pa a comple a el abajo de es a sección iniciado po Ál a o y o ganiza odo ese apa ado. Igualmen e dediqué iempo a in es iga sob e los mé odos de mine ía de da os y en especial de mine ía de da os de se ies empo ales y esc ibí sob e ello. Me ocupé de explica las pes añas de clus e ing de la aplicación y esc ibi sob e las ecnologías u ilizadas y las conclusiones y el abajo u u o. Asimismo, u e que edac a mi con ibución y pa e de la o ganización del p oyec o. También hice la bibliog a ía, los anexos y los índices. Sin ol ida me de e isa oda la memo ia un pa de eces. En gene al ambos hemos colabo ado en mayo o meno medida en odos los g andes bloques del p oyec o y, en e los dos, hemos solucionado los p oblemas y con lic os que iban su giendo has a consegui hace eal una p ime a idea que pa ecía muy lejana. El abajo de ambos si ió no solo pa a consegui e mina un abajo de in de g ado, sino que ambién nos si ió pa a ap ende a desa olla un p oyec o desde ce o y a lidia con los con lic os que se iban plan eando a lo la go del mismo. VII Anexos Pa e VII Anexos Página | 96 Es a aplicación solo admi e da os en o ma o *.cs Desins alación Pa a desins ala la aplicación bas a con bo a la ca pe a “en g” c eada en la ins alación. Página | 97 Bibliog a ía [1] P. D. Lop inzi y B. J. Ca dinal, «Associa ion be ween objec i ely-measu ed physical ac i i y and sleep, NHANES 2005–2006», Men al Heal h and Physical Ac i i y, ol. 4, n.o 2, pp. 65-69, dic. 2011. [2] K. G. Ba on, K. J. Reid, y P. C. Zee, «Exe cise o imp o e sleep in insomnia: explo a ion o he bidi ec ional e ec s», Jou nal o clinical sleep medicine: JCSM: o icial publica ion o he Ame ican Academy o Sleep Medicine, ol. 9, n.o 8, pp. 819-824, ago. 2013. [3] M. A. K edlow, M. C. Capozzoli, B. A. Hea on, A. W. Calkins, y M. W. O o, «The e ec s o physical ac i i y on sleep: a me a-analy ic e iew», J Beha Med, ol. 38, n.o 3, pp. 427-449, ene. 2015. [4] J. M. Kelly, R. E. S ecke , y M. T. Bianchi, «Recen De elopmen s in Home Sleep-Moni o ing De ices», ISRN Neu ol, ol. 2012, oc . 2012. [5] «Zeo, el gadge más espe ado po los insomnes.», El Con idencial. [En línea]. Disponible en: h p://www.elcon idencial.com/ ecnologia/2013-03-02/zeo-el-gadge -mas-espe ado-po -los- insomnes_767891/. [Accedido: 01-ago-2016]. [6] «SleepImage, wea able pa a a a la apnea del sueño», Pape blog. [En línea]. Disponible en: h p://es.pape blog.com/sleepimage-wea able-pa a- a a -la-apnea-del-sueno-3061999/. [Accedido: 01-ago-2016]. [7] «SleepHeal h debu s as i s Resea chKi app & s udy o suppo IBM Wa son Heal h Cloud», AppleInside , 01-ma -2016. [En línea]. Disponible en: h p://appleinside .com/a icles/16/03/02/sleepheal h-debu s-as- i s - esea chki -app-s udy- o- suppo -ibm-wa son-heal h-cloud. [Accedido: 07-ago-2016]. [8] «Moni o ización de pacien es median e camise as in eligen es», Web O icial de la Uni e sidad Ca los III de Mad id, 08-oc -2007. [En línea]. Disponible en: h p://po al.uc3m.es/po al/page/po al/ac ualidad_cien i ica/no icias/camise a_in eligen e. [Accedido: 05-ago-2016]. [9] G. López, V. Cus odio, y J. I. Mo eno, «LOBIN: E-Tex ile and Wi eless-Senso -Ne wo k- Based Pla o m o Heal hca e Moni o ing in Fu u e Hospi al En i onmen s», IEEE T ansac ions on In o ma ion Technology in Biomedicine, ol. 14, n.o 6, pp. 1446-1458, no . 2010. [10] «Sleep- acking apps: Can hey eally help you es easy?», Washing on Pos . [En línea]. Disponible en: h ps://www.washing onpos .com/news/ he-swi ch/wp/2014/09/22/sleep- acking-apps-can- hey- eally-help-you- es -easy/. [Accedido: 05-ago-2016]. [11] «The SenseWea A mband», Wea able Me abolic, Sleep and Ac i i y Moni o ing, 10-jun- 2011. [En línea]. Disponible en: h ps:// empleheal hca e.wo dp ess.com/ he-sensewea - a mband/. [Accedido: 27-jul-2016]. [12] «Moni o me abolico Bodymedia SenseWea A mband». [En línea]. Disponible en: h p://www.adie a.com/hol e -me abolico/bodymedia/moni o -me abolico-bodymedia- sensewea -a mband~1174.h ml. [Accedido: 27-jul-2016]. Página | 98 [13] «Temple Heal hca e: BodyMedia». [En línea]. Disponible en: h p://www. empleheal hca e.com.au/pgs- is/bodymedia/p oduc -bodymedia.h ml. [Accedido: 27-jul-2016]. [14] «Da a mining», Wikipedia, he ee encyclopedia, 16-jul-2016. [En línea]. Disponible en: h ps://en.wikipedia.o g/w/index.php? i le=Da a_mining&oldid=730044451. [Accedido: 26-jul- 2016]. [15] C. A. Ra anamaha ana, J. Lin, D. Gunopulos, E. Keogh, M. Vlachos, y G. Das, «Mining Time Se ies Da a», en Da a Mining and Knowledge Disco e y Handbook, O. Maimon y L. Rokach, Eds. Sp inge US, 2009, pp. 1049-1077. [16] K. Chak aba i, E. Keogh, S. Meh o a, y M. Pazzani, «Locally Adap i e Dimensionali y Reduc ion o Indexing La ge Time Se ies Da abases», ACM T ansac ions on Da abase Sys ems, ol. 27, n.o 2, pp. 188–228, jun. 2002. [17] E. J. Keogh y M. J. Pazzani, «An Enhanced Rep esen a ion o Time Se ies Which Allows Fas and Accu a e Classi ica ion, Clus e ing and Rele ance Feedback.», p esen ado en P oceedings o he 4 h In ’l Con e ence on Knowledge Disco e y and Da a Mining, 1998, ol. 98, pp. 239–243. [18] J. R. Quinlan, C4.5: p og ams o machine lea ning. San Ma eo, Cali .: Mo gan Kau mann Publishe s, 1993. [19] «Nea es neighbou classi ie s», Wikipedia, he ee encyclopedia, 18- eb-2016. [En línea]. Disponible en: h ps://en.wikipedia.o g/w/index.php? i le=Nea es _neighbou _classi ie s&oldid=705568161. [Accedido: 17-ago-2016]. [20] P. Indyk, N. Koudas, y S. Mu huk ishnan, «Iden i ying Rep esen a i e T ends in Massi e Time Se ies Da a Se s Using Ske ches», en P oceedings o he 26 h In e na ional Con e ence on Ve y La ge Da a Bases, San F ancisco, CA, USA, 2000, pp. 363–372. [21] E. Keogh, S. Lona di, y B. «Yuan-chi» Chiu, «Finding Su p ising Pa e ns in a Time Se ies Da abase in Linea Time and Space», en P oceedings o he Eigh h ACM SIGKDD In e na ional Con e ence on Knowledge Disco e y and Da a Mining, New Yo k, NY, USA, 2002, pp. 550–556. [22] S. Zhang, C. Zhang, y Q. Yang, «Da a p epa a ion o da a mining», Applied A i icial In elligence, ol. 17, n.o 5-6, pp. 375-381, may 2003. [23] F. He e a, J. Riquelme, y R. Ruiz, «P ep ocesamien o de Da os», p esen ado en Reunión Red Nacional DM & ML, 2004. [24] «Fea u e scaling», Wikipedia, he ee encyclopedia, 22-ago-2016. [En línea]. Disponible en: h ps://en.wikipedia.o g/w/index.php? i le=Fea u e_scaling&oldid=735723423. [Accedido: 20- ago-2016]. [25] P. Juszczak, D. M. J. Tax, y R. P. W. Duin, «Fea u e Scaling in Suppo Vec o Da a Desc ip ion», Resea chGa e, may 2002. [26] R. Ag awal, C. Falou sos, y A. N. Swami, «E icien Simila i y Sea ch In Sequence Da abases», en P oceedings o he 4 h In e na ional Con e ence on Founda ions o Da a O ganiza ion and Algo i hms, London, UK, UK, 1993, pp. 69–84. Página | 99 [27] D. Q. Goldin y P. C. Kanellakis, «On Simila i y Que ies o Time-Se ies Da a: Cons ain Speci ica ion and Implemen a ion», p esen ado en P oceedings o he 1s In e na ional Con e ence on P inciples and P ac ice o Cons ain P og amming (CP’95), 1995, pp. 137-153. [28] R. Ag awal, K.-I. Lin, H. S. Sawhney, y K. Shim, «Fas simila i y sea ch in he p esence o noise, scaling, and ansla ion in imes-se ies da abases», p esen ado en P oceedings o he 21s In e na ional Con e ence on Ve y La ge Da a Bases (VLDB’95), 1995, pp. 490-501. [29] E. Keogh y S. Kase y, «On he need o ime se ies da a mining benchma ks: A su ey and empi ical demons a ion.», p esen ado en P oceedings o he 8 h ACM SIGKDD In e na ional Con e ence on Knowledge Disco e y and Da a Mining (KDD’02), 2002, pp. 102-111. [30] E. Keogh, T. Palpanas, V. B. Zo dan, D. Gunopulos, y M. Ca dle, «Indexing la ge human- mo ion da abases», p esen ado en P oceedings o he 30 h In e na ional Con e ence on Ve y La ge Da a Bases (VLDB’04), 2004, pp. 780-791. [31] C. A. Ra anamaha ana y E. Keogh, «Making Time-se ies Classi ica ion Mo e Accu a e Using Lea ned Cons ain s», p esen ado en P oceedings o he 4 h SIAM In e na ional Con e ence on Da a Mining (SDM’04), 2004, pp. 11-22. [32] P. S. B adley y U. M. Fayyad, «Re ining Ini ial Poin s o K-Means Clus e ing», p esen ado en P oceedings o he Fi een h In e na ional Con e ence on Machine Lea ning, 1998, pp. 91- 99. [33] Z. Ba -Joseph, G. Ge be , D. K. Gi o d, y T. S. Jaakkola, «A New App oach o Analyzing Gene Exp ession Time Se ies Da a», p esen ado en P oceedings o he 6 h Annual In ©l Con e ence on Resea ch in Compu a ional Molecula Biology, 2002, pp. 39-48. [34] M. Ma eucci, «Clus e ing: An In oduc ion», A Tu o ial on Clus e ing Algo i hms. [En línea]. Disponible en: h p://home.deib.polimi.i /ma eucc/Clus e ing/ u o ial_h ml/index.h ml. [Accedido: 15-jul-2016]. [35] V. Es i ill-Cas o, «Why so many clus e ing algo i hms: a posi ion pape », ACM SIGKDD Explo a ions Newsle e , ol. 4, n.o 1, pp. 65-75, 2002. [36] «Clus e analysis», Wikipedia, he ee encyclopedia, 02-ago-2016. [En línea]. Disponible en: h ps://en.wikipedia.o g/w/index.php? i le=Clus e _analysis&oldid=732730100. [Accedido: 16-jul-2016]. [37] C. D. Manning, P. Ragha an, y H. Schü ze, «Single-Link, Comple e-Link & A e age-Link Clus e ing», en In oduc ion o In o ma ion Re ie al, Camb idge Uni e si y P ess, 2008. [38] «UPGMA», Wikipedia, he ee encyclopedia, 03-ab -2016. [En línea]. Disponible en: h ps://en.wikipedia.o g/w/index.php? i le=UPGMA&oldid=713319562. [Accedido: 22-ago- 2016]. [39] L. Kau man y P. J. Rousseeuw, «Di isi e Analysis (P og am DIANA)», en Finding G oups in Da a, John Wiley & Sons, Inc., 1990, pp. 253-279. [40] C. D. Manning, P. Ragha an, y H. Schü ze, «Di isi e clus e ing», en In oduc ion o In o ma ion Re ie al, Camb idge Uni e si y P ess, 2008. [41] «k-means clus e ing», Wikipedia, he ee encyclopedia, 05-ago-2016. [En línea]. Disponible en: h ps://en.wikipedia.o g/w/index.php? i le=K-means_clus e ing&oldid=733094958. Página | 100 [Accedido: 25-jul-2016]. [42] «Lloyd’s algo i hm», Wikipedia, he ee encyclopedia, 28-jul-2016. [En línea]. Disponible en: h ps://en.wikipedia.o g/w/index.php? i le=Lloyd%27s_algo i hm&oldid=731987998. [Accedido: 27-jul-2016]. [43] M. Ma eucci, «Clus e ing - K-means», A Tu o ial on Clus e ing Algo i hms. [En línea]. Disponible en: h p://home.deib.polimi.i /ma eucc/Clus e ing/ u o ial_h ml/kmeans.h ml. [Accedido: 23-ago-2016]. [44] J. MacQueen, «On con e gence o k-means and pa i ions wi h minimum a e age a iance», Annals o Ma hema ical S a is ics, 1965. [45] A. Ng, «Choosing he Numbe o Clus e s - Uni e sidad de S an o d», Cou se a. [En línea]. Disponible en: h ps://www.cou se a.o g/lea n/machine-lea ning/lec u e/Ks0E9/choosing- he- numbe -o -clus e s. [Accedido: 23-ago-2016]. [46] «Expec a ion–maximiza ion algo i hm», Wikipedia, he ee encyclopedia, 17-ago-2016. [En línea]. Disponible en: h ps://en.wikipedia.o g/w/index.php? i le=Expec a ion%E2%80%93maximiza ion_algo i hm& oldid=734877394. [Accedido: 23-ago-2016]. [47] «DBSCAN», Wikipedia, he ee encyclopedia, 04-ago-2016. [En línea]. Disponible en: h ps://en.wikipedia.o g/w/index.php? i le=DBSCAN&oldid=732913401. [Accedido: 05-jul- 2016]. [48] R. J. Hyndman y G. A hanasopoulos, «Fo ecas ing, planning and goals», en Fo ecas ing: p inciples and p ac ice, 2012. [49] «Time se ies: P edic ion and o ecas ing», Wikipedia, he ee encyclopedia, 01-ago-2016. [En línea]. Disponible en: h ps://en.wikipedia.o g/w/index.php? i le=Time_se ies&oldid=732545965. [Accedido: 20-ago- 2016]. [50] R. J. Hyndman y G. A hanasopoulos, «Exponen ial smoo hing», en Fo ecas ing: p inciples and p ac ice, 2012. [51] J. Lin, E. Keogh, S. Lona di, y B. Chiu, «A symbolic ep esen a ion o ime se ies, wi h implica ions o s eaming algo i hms», p esen ado en P oceedings o he 2003 ACM SIGMOD Wo kshop on Resea ch Issues in Da a Mining and Knowledge Disco e y, 2003, pp. 2-11. [52] E. Keogh, K. Chak aba i, M. Pazzani, y S. Meh o a, «Dimensionali y Reduc ion o Fas Simila i y Sea ch in La ge Time Se ies Da abases», Knowledge and In o ma ion Sys ems, ol. 3, n.o 3, pp. 263-286. [53] J. Lin, E. Keogh, L. Wei, y S. Lona di, «Expe iencing SAX: A No el Symbolic Rep esen a ion o Time Se ies», Da a Min. Knowl. Disco ., ol. 15, n.o 2, pp. 107–144, oc . 2007. [54] J. Lin, «SAX», 2011. [En línea]. Disponible en: h ps://cs.gmu.edu/~jessica/sax.h m. [Accedido: 20-ago-2016]. [55] M. Webe , M. Alexa, y W. Mülle , «Visualizing ime-se ies on spi als», p esen ado en P oceedings o he IEEE Symposium on In o ma ion Visualiza ion 2001 (INFOVIS’01), 2001, Página | 101 p. 7. [56] J. Lin, E. Keogh, S. Lona di, J. P. Lank o d, y D. M. Nys om, «Visually mining and moni o ing massi e ime se ies», p esen ado en KDD ’04 P oceedings o he en h ACM SIGKDD in e na ional con e ence on Knowledge disco e y and da a mining, 2004, pp. 460- 469. [57] The Da aCamp Team, «Choosing R o Py hon o da a analysis? An in og aphic», Da aCamp, 12-may-2015. [En línea]. Disponible en: h p://scl.io/Hi4 wXG2#gs.CjbudnI. [Accedido: 12-no -2015]. [58] W. Vo hies, «P og amming Py hon s R», William Vo hies’s Blog, 18-no -2015. [En línea]. Disponible en: h p://www.da asciencecen al.com/p o iles/blogs/p og amming-py hon- s- . [Accedido: 12-dic-2015]. [59] V. G an ille, «The Guide o Lea ning Py hon o Da a Science», Vincen G an ille’s Blog, 04-may-2016. [En línea]. Disponible en: h p://www.da asciencecen al.com/p o iles/blogs/ he- guide- o-lea ning-py hon- o -da a-science-2. [Accedido: 18-jul-2016].