Buenas a todos, en la anterior entrada de esta semana:

Os comenté más cosas relacionadas con la preparación de mi entorno de trabajo y añadí tres resúmenes de trabajos relacionados. Hoy voy a completar lo que he podido leer y sintetizar en cuanto a investigaciones relacionadas se refiere:

  • An ontology-based advice system for health and exercise: su sistema utiliza RDF, RDF Schema, OWL, usaron Protégé, Jess, JessTab y Racer. Su ontología sobre salud y ejercicio tiene como clases principales Persona, Ejercicio, Efectos del ejercicio, Objetivos, Datos de salud y Consejos de salud. Un dispositivo con sensores mide los datos vitales del usuario y el móvil almacena esos datos para mostrarlos en tiempo real. Los datos se almacenan con un identificador concreto en una BBDD y en base a lo que indica el usuario que come y el ejercicio que realiza, la aplicación le da consejos. Síntesis aquí.
  • Personal Health Assistance Service Expert System (PHASES): Sistema experto que utiliza una ontología con valores nutricionales de los alimentos, tiene un soporte de decisión que usa datos de los usuarios y un motor médico de inferencias. Síntesis aquí.

  • Ontology-Based Named Entity Recognizer for Behavioral Health: Reconocedor de nombres capaz de categorizar comida o hábitos en saludables y no saludables. Usaron Protégé y OWL 2 para la ontología y también hicieron uso de WordNet para tratar hiperónimos e hipónimos, usando RiTa.Wordnet.  Síntesis aquí.

  • Ontology-based intelligent multi-agent for diet food recommendation: Este ha sido uno de los trabajos que más me ha gustado, totalmente completo y con múltiples posibilidades. Tiene 6 agentes principales: el de perfil personal, encargado de recuperar los datos del usuario (edad, sexo, altura, peso, imc), el nutricional, que examina el aporte calórico de los alimentos y calcula los % de macronutrientes, el encargado del análisis de la base de conocimiento y descubrimiento, encargado de valorar si la dieta que sigue el usuario es la correcta o no, el agente fuzzy que utiliza lenguaje Fuzzy Markup Language (FML) para las reglas de inferencia. Describo el algoritmo utilizado en el PDF y más info a continuación (desde mi punto de vista el sistema se puede mejorar en varios puntos clave para la prevención del sobrepeso y la obesidad, como por ejemplo, valorar perímetro de cintura, cadera y cuello para determinar si el usuario está sano o no, ya que, el peso y el IMC se han quedado obsoletos) Síntesis aquí.

Y esto ha sido lo que me ha dado tiempo a mirar estos días.

Imagen | PHDcomics.com