Remo Choquejahua Acero
Remo Choquejahua Acero has a total of 10 co-authors. Here are the top co-authors by number of shared publications:
- Godofredo Quispe Mamani
Universidad Nacional Del Altiplano, Puno - Perú
4 shared publications - Percy Huata Panca
Universidad Nacional del Altiplano, Puno – Perú
3 shared publications - Fredy Heric Villasante Saravia
Departamento Académico de Ingeniería Estadística e Informática, Universidad Nacional del Altiplano-Puno, Puno 21001, Peru
2 shared publications - Hugo Yosef Gomez Quispe2 shared publications
- Robert Antonio Romero Flores2 shared publications
- Sonia Yaneth Tipula Ticona2 shared publications
Latest Publications
- Open Access
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 2, 40-53
COMPARACIÓN DEL ÁREA BAJO LA CURVA (AUC-ROC) DE DIVERSOS MODELOS DE PROCESAMIENTO DE SEÑALES APLICADOS A LA DETECCIÓN DE LA ENFERMEDAD DE ALZHEIMER
Introducción: La enfermedad de Alzheimer representa la causa más frecuente de demencia a nivel mundial, afectando a más de 55 millones de personas y proyectándose a duplicar esta cifra en las próximas dos décadas. Su impacto no se limita al deterioro cognitivo progresivo del paciente, sino que se extiende a las familias, los sistemas de salud y la economía global.. Objetivo: Comparar el rendimiento diagnóstico de seis modelos de procesamiento de señales mediante el área bajo la curva ROC (AUC-ROC) para la detección temprana del Alzheimer y del deterioro cognitivo leve amnésico. Metodología: Se analizaron datos de 180 participantes distribuidos equitativamente entre tres grupos diagnósticos, obtenidos de la base pública ADNI-3. Se evaluaron modelos CNN, LSTM, SVM-RBF, Random Forest, Regresión Logística y KNN, entrenados con vectores de conectividad funcional derivados de rs-fMRI y reducidos mediante análisis de componentes principales. Resultados: La CNN alcanzó el mayor AUC-ROC (0.94) para la distinción Alzheimer vs. control, seguida por LSTM (0.91) y SVM-RBF (0.89). Para la detección del deterioro cognitivo leve, el rendimiento fue moderado en todos los modelos, con valores entre 0.64 y 0.83, reflejando la mayor complejidad diagnóstica de este estadio. Conclusión: Los modelos de aprendizaje profundo, especialmente CNN y LSTM, superan consistentemente a los métodos clásicos en la detección temprana del Alzheimer.
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 2, 40-53
Open AccessCOMPARACIÓN DEL ÁREA BAJO LA CURVA (AUC-ROC) DE DIVERSOS MODELOS DE PROCESAMIENTO DE SEÑALES APLICADOS A LA DETECCIÓN DE LA ENFERMEDAD DE ALZHEIMER
Introducción: La enfermedad de Alzheimer representa la causa más frecuente de demencia a nivel mundial, afectando a más de 55 millones de personas y proyectándose a duplicar esta cifra en las próximas dos décadas. Su impacto no se limita al deterioro cognitivo progresivo del paciente, sino que se extiende a las familias, los sistemas de salud y la economía global.. Objetivo: Comparar el rendimiento diagnóstico de seis modelos de procesamiento de señales mediante el área bajo la curva ROC (AUC-ROC) para la detección temprana del Alzheimer y del deterioro cognitivo leve amnésico. Metodología: Se analizaron datos de 180 participantes distribuidos equitativamente entre tres grupos diagnósticos, obtenidos de la base pública ADNI-3. Se evaluaron modelos CNN, LSTM, SVM-RBF, Random Forest, Regresión Logística y KNN, entrenados con vectores de conectividad funcional derivados de rs-fMRI y reducidos mediante análisis de componentes principales. Resultados: La CNN alcanzó el mayor AUC-ROC (0.94) para la distinción Alzheimer vs. control, seguida por LSTM (0.91) y SVM-RBF (0.89). Para la detección del deterioro cognitivo leve, el rendimiento fue moderado en todos los modelos, con valores entre 0.64 y 0.83, reflejando la mayor complejidad diagnóstica de este estadio. Conclusión: Los modelos de aprendizaje profundo, especialmente CNN y LSTM, superan consistentemente a los métodos clásicos en la detección temprana del Alzheimer.
- Open Access
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 1, 50-62
COMPARACIÓN DEL TAMAÑO DEL EFECTO (D DE COHEN) EN LAS ALTERACIONES DE LA POTENCIA ESPECTRAL ALPHA ENTRE DIFERENTES TAREAS DE MEMORIA OPERATIVA
Introducción: La memoria operativa es un sistema cognitivo crucial para el procesamiento de información, estrechamente ligado a las oscilaciones neuronales en la banda alfa. Tradicionalmente asociada al reposo, la actividad alfa ha demostrado modular activamente el procesamiento cognitivo, actuando como un mecanismo de inhibición funcional y regulando el flujo de información relevante Objetivo: Cuantificar y comparar el tamaño del efecto de las alteraciones en la potencia espectral alfa durante la ejecución de diversas tareas de memoria operativa, con el fin de identificar patrones consistentes y evaluar la robustez de este biomarcador neurofisiológico. Metodología: Se empleó un diseño experimental intrasujeto con medidas repetidas en una muestra de 30 a 40 adultos jóvenes. Se utilizaron tareas de memoria operativa (n-back, span, visuoespacial) con diferentes niveles de carga cognitiva. La actividad cerebral se registró mediante Electroencefalografía (EEG) con un sistema multicanal de 64 electrodos. La potencia espectral en la banda alfa (8-12 Hz) fue estimada y el tamaño del efecto se calculó utilizando la d de Cohen para muestras relacionadas. Resultados: Se observaron diferencias sustanciales en la modulación de la potencia alfa, con mayores tamaños del efecto en tareas de alta carga cognitiva (n-back). La potencia alfa disminuyó en condiciones de alta carga, especialmente en regiones fronto-parietales. Conclusión: La modulación de la potencia espectral alfa es un marcador sensible de los procesos de memoria operativa, variando en función de la carga cognitiva y el tipo de tarea.
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 1, 50-62
Open AccessCOMPARACIÓN DEL TAMAÑO DEL EFECTO (D DE COHEN) EN LAS ALTERACIONES DE LA POTENCIA ESPECTRAL ALPHA ENTRE DIFERENTES TAREAS DE MEMORIA OPERATIVA
Introducción: La memoria operativa es un sistema cognitivo crucial para el procesamiento de información, estrechamente ligado a las oscilaciones neuronales en la banda alfa. Tradicionalmente asociada al reposo, la actividad alfa ha demostrado modular activamente el procesamiento cognitivo, actuando como un mecanismo de inhibición funcional y regulando el flujo de información relevante Objetivo: Cuantificar y comparar el tamaño del efecto de las alteraciones en la potencia espectral alfa durante la ejecución de diversas tareas de memoria operativa, con el fin de identificar patrones consistentes y evaluar la robustez de este biomarcador neurofisiológico. Metodología: Se empleó un diseño experimental intrasujeto con medidas repetidas en una muestra de 30 a 40 adultos jóvenes. Se utilizaron tareas de memoria operativa (n-back, span, visuoespacial) con diferentes niveles de carga cognitiva. La actividad cerebral se registró mediante Electroencefalografía (EEG) con un sistema multicanal de 64 electrodos. La potencia espectral en la banda alfa (8-12 Hz) fue estimada y el tamaño del efecto se calculó utilizando la d de Cohen para muestras relacionadas. Resultados: Se observaron diferencias sustanciales en la modulación de la potencia alfa, con mayores tamaños del efecto en tareas de alta carga cognitiva (n-back). La potencia alfa disminuyó en condiciones de alta carga, especialmente en regiones fronto-parietales. Conclusión: La modulación de la potencia espectral alfa es un marcador sensible de los procesos de memoria operativa, variando en función de la carga cognitiva y el tipo de tarea.
- Open Access
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 1, 21-34
SENSIBILIDAD Y ESPECIFICIDAD DE LOS BIOMARCADORES TOPOGRÁFICOS DEL EEG EN LA CLASIFICACIÓN DE PACIENTES CON ALZHEIMER FRENTE A CONTROLES SANOS
Introducción: La Enfermedad de Alzheimer constituye la principal causa de demencia a nivel global y se caracteriza por un deterioro progresivo de las funciones cognitivas, asociado a alteraciones estructurales y funcionales del sistema nervioso central. La identificación de biomarcadores confiables y accesibles resulta fundamental para mejorar el diagnóstico temprano.. Objetivo: Analizar la sensibilidad y especificidad de los biomarcadores topográficos derivados de la electroencefalografía en la clasificación de pacientes con enfermedad de Alzheimer frente a sujetos sanos. Metodología: Se realizó una revisión sistemática de la literatura científica, basada en los lineamientos de Preferred Reporting Items for Systematic Reviews and Meta-Analyses, mediante la consulta de bases de datos internacionales como PubMed, Scopus y Web of Science. Se incluyeron estudios publicados entre 2010 y 2025 que evaluaran biomarcadores topográficos de la electroencefalografía y reportaran métricas de sensibilidad y especificidad. Resultados: Los estudios analizados evidenciaron valores de sensibilidad y especificidad comprendidos entre 70% y 92%, indicando un adecuado rendimiento diagnóstico. Se identificaron patrones consistentes caracterizados por el incremento de la actividad en bandas de baja frecuencia y la disminución de las bandas de mayor frecuencia en pacientes con enfermedad de Alzheimer. Conclusiones: Los biomarcadores topográficos derivados de la electroencefalografía presentan un alto potencial como herramienta complementaria en el diagnóstico de la enfermedad de Alzheimer.
- 1 January 2026
- Published by Editora Cientifica Digital
- Vol. 1, 21-34
Open AccessSENSIBILIDAD Y ESPECIFICIDAD DE LOS BIOMARCADORES TOPOGRÁFICOS DEL EEG EN LA CLASIFICACIÓN DE PACIENTES CON ALZHEIMER FRENTE A CONTROLES SANOS
Introducción: La Enfermedad de Alzheimer constituye la principal causa de demencia a nivel global y se caracteriza por un deterioro progresivo de las funciones cognitivas, asociado a alteraciones estructurales y funcionales del sistema nervioso central. La identificación de biomarcadores confiables y accesibles resulta fundamental para mejorar el diagnóstico temprano.. Objetivo: Analizar la sensibilidad y especificidad de los biomarcadores topográficos derivados de la electroencefalografía en la clasificación de pacientes con enfermedad de Alzheimer frente a sujetos sanos. Metodología: Se realizó una revisión sistemática de la literatura científica, basada en los lineamientos de Preferred Reporting Items for Systematic Reviews and Meta-Analyses, mediante la consulta de bases de datos internacionales como PubMed, Scopus y Web of Science. Se incluyeron estudios publicados entre 2010 y 2025 que evaluaran biomarcadores topográficos de la electroencefalografía y reportaran métricas de sensibilidad y especificidad. Resultados: Los estudios analizados evidenciaron valores de sensibilidad y especificidad comprendidos entre 70% y 92%, indicando un adecuado rendimiento diagnóstico. Se identificaron patrones consistentes caracterizados por el incremento de la actividad en bandas de baja frecuencia y la disminución de las bandas de mayor frecuencia en pacientes con enfermedad de Alzheimer. Conclusiones: Los biomarcadores topográficos derivados de la electroencefalografía presentan un alto potencial como herramienta complementaria en el diagnóstico de la enfermedad de Alzheimer.
- 1 January 2026
- Published by Editora Cientifica Digital
- p. 82-97
VISIÓN COMPUTACIONAL COMO LECTURA INTELIGENTE DE DATOS VISUALES: ANÁLISIS INFORMÁTICO DE IMÁGENES PARA INTERPRETAR, DETECTAR Y DECIDIR
Introducción: La visión computacional constituye una de las áreas más influyentes de la inteligencia artificial contemporánea, porque permite que los sistemas informáticos procesen imágenes y videos para extraer información útil, reconocer patrones, detectar objetos, segmentar regiones y apoyar decisiones. Objetivo: Analizar la visión computacional como una herramienta informática para el procesamiento, análisis e interpretación de datos visuales. Metodología: Se realizó una revisión documental de carácter descriptivo y analítico. La selección bibliográfica incluyó publicaciones académicas fundacionales y revisiones reconocidas sobre aprendizaje profundo, redes convolucionales, conjuntos de datos visuales, clasificación de imágenes, detección de objetos, segmentación semántica, segmentación de instancias, visión computacional médica y transformadores visuales. Resultados: La revisión evidencia que la visión computacional opera como un proceso de lectura automatizada de datos visuales. Los principales avances se relacionan con ImageNet, AlexNet, VGG, Inception, ResNet, FCN, U-Net, R-CNN, Fast R-CNN, Faster R-CNN, YOLO, Mask R-CNN, EfficientNet y Vision Transformer. Conclusión: La visión computacional es una disciplina estratégica para analizar información visual en contextos de alta complejidad.
- 1 January 2026
- Published by Editora Cientifica Digital
- p. 82-97
VISIÓN COMPUTACIONAL COMO LECTURA INTELIGENTE DE DATOS VISUALES: ANÁLISIS INFORMÁTICO DE IMÁGENES PARA INTERPRETAR, DETECTAR Y DECIDIR
Introducción: La visión computacional constituye una de las áreas más influyentes de la inteligencia artificial contemporánea, porque permite que los sistemas informáticos procesen imágenes y videos para extraer información útil, reconocer patrones, detectar objetos, segmentar regiones y apoyar decisiones. Objetivo: Analizar la visión computacional como una herramienta informática para el procesamiento, análisis e interpretación de datos visuales. Metodología: Se realizó una revisión documental de carácter descriptivo y analítico. La selección bibliográfica incluyó publicaciones académicas fundacionales y revisiones reconocidas sobre aprendizaje profundo, redes convolucionales, conjuntos de datos visuales, clasificación de imágenes, detección de objetos, segmentación semántica, segmentación de instancias, visión computacional médica y transformadores visuales. Resultados: La revisión evidencia que la visión computacional opera como un proceso de lectura automatizada de datos visuales. Los principales avances se relacionan con ImageNet, AlexNet, VGG, Inception, ResNet, FCN, U-Net, R-CNN, Fast R-CNN, Faster R-CNN, YOLO, Mask R-CNN, EfficientNet y Vision Transformer. Conclusión: La visión computacional es una disciplina estratégica para analizar información visual en contextos de alta complejidad.