Gestió de dades

ECoMMFiT té una gran experiència en la gestió, emmagatzematge i el processament de grans volums de dades. Algunes de les activitats de recerca principals del grup giren en torn a l’Experimentació i la Dinàmica de Fluids Computacional, les quals generen per disseny un gran volum de dades. Aquesta informació inclou: data d’imatges generada per hardware d’adquisició d’imatges (per exemple, alta resolució i càmeres d’alta velocitat), col.lecció de dades hidrodinàmiques d’una gran varietat de sensors de flux (velocitat, temperatura, pressió) i dades estructurades generades per simulacions numèriques computacionals massives en sistemes de computació d’alt rendiment, tant interns com externs.

El grup té expertesa en els camps de les Dades Massives i l’Aprenentatge Automàtic. Un conjunt d’Intel·ligència Artificial, Aprenentatge automàtic (o Estadístic) fa referència a un ampli conjunt d’eines pel modelat i la comprensió de conjunts de dades complexos. Aquest camp ha atret en els darrers temps una creixent atenció degut a la seva capacitat de dur a terme la reducció de dades en paquets de dades enormes. L’Aprenentatge Estadístic ha esdevingut un camp en ebullició en moltes àrees científiques així com en disciplines com el màrqueting, les finances, l’enginyeria i l’empresa.

L’anàlisi de dades massives proporciona una eina per a la caracterització de les dades i la detecció d’anomalies/desviacions. Combinat amb tècniques d’Aprenentatge Automàtic, aquests grans volums de dades poden ser usats per construir models matemàtics més o menys complexos per (1) predir respostes a pertorbacions en un gran nombre de predictors - Aprenentatge Supervisat i (2) classificar grans paquets de dades d’acord amb característiques predeterminades - Aprenentatge No supervisat.

Basat en aquest coneixement, el grup ha desenvolupat en els darrers anys diferents projectes per diferents tipus d’indústries i aplicacions. Exemples d’aquests projectes que el grup desenvolupa inclouen el desenvolupament d’una plataforma destinada a millorar la gestió del subministrament d’aigua a partir de mesuradors remots. Els objectius específics es poden resumir en:
  • modelitzar l’evolució temporal del consum d’aigua i identificar les tendències del seu consum
  • detecció de comportaments anòmals en la xarxa de distribució
  • seguiment i identificació d’events de fuites i frau
  • implementar un sistema d’avís a mida de cada consumidor per a casos d’extra o infraconsum.
  • implementació d’un sistema d’alerta per episodis d’extubació accidental en pacients d’Unitats de Cuidats Intensius (UCI).

  • En col·laboració amb l’Hospital Universitari Joan XXIII de Tarragona, aquest projecte utilitza dades monitoritzades d’uns mil pacients per:
    • identificar quadres de pacients que poden portar potencialment a extubacions no planificades amb pacients amb ventilació mecànica
    • obtenir un model per verificar la validesa de l’índex RoX com a predictor per a una extubació satisfactòria. Aquest índex (RoX), definida com la raó entre la saturació d’oxígen mesurada per oximetria de pulsos/FiO2 i el ritme respiratori, ha estat ja utilitzada com a predictor per a una extubació satisfactòria en pacients amb hipoxèmia respiratoria aguda.
    Els resultats d'aquest treball han estat publicats en l'article següent:
  • Fabregat, A., Magret, M., Ferreacute, J.A., Vernet, A., Guasch, N., Rodríguez, A., Gómez, J., Bodí, M.; A Machine Learning decision-making tool for extubation in Intensive Care Unit patients, Computer Methods and Programs in Biomedicine, https://doi.org/10.1016/j.cmpb.2020.105869

  • Un altre estudi basat en Aprenentatge Automàtic (Machine Learning en anglès) realitzat pel grup tenia com a objectiu avaluar l'impacte de l'estada de creuers en el port d'una gran ciutat en la qualitat de l'aire de l'àrea urbana. Els resultats han estat publicats en l'article següent:
  • Fabregat, A., Vàzquez, Ll., Vernet, A.; Using Machine Learning to estimate the Impact of Ports and Cruise ship traffic on urban air quality: the case of Barcelona, Environmental Modelling and Software 139(1-4):104995 DOI: 10.1016/j.envsoft.2021.104995
  • [top]