La estimación del porcentaje de grasa corporal es una tarea determinante en el ámbito de la salud humana y del deporte toda vez que es necesario medir la grasa corporal para evaluar el riesgo de enfermedades crónicas y diseñar estrategias efectivas de prevención y tratamiento (Nimptsch, Königorski, & & Pischon, 2019). Tradicionalmente, esta tarea se ha realizado mediante métodos antropométricos, como inferir el nivel de grasa a partir del índice de masa corporal 𝐼𝑀𝐶 o desde la circunferencia de la cintura o brazos. Sin embargo, el primer método resulta ser impreciso y los otros son lentos al requerir la toma de medidas corporales. En los últimos años, la visión artificial se ha convertido en una herramienta prometedora para la estimación del nivel de grasa corporal. (Fernández, Dórea, & Valente, 2020). Los métodos de visión artificial pueden extraer características del cuerpo humano a partir de imágenes, como el perímetro abdominal, la circunferencia del brazo o la relación cintura-cadera. Estas características pueden luego utilizarse para predecir el nivel de grasa corporal. En virtud de ello, con este proyecto se propone un método de visión artificial para la estimación del nivel de grasa corporal en varones de manera no invasiva. El método se basa en el uso de redes neuronales convolucionales (CNN - Convolutional Neural Network) para la extracción de características; pero no se limita a las CNN clásicas, sino que propone reentrenar capas de redes neuronales de uso público transfiriendo su aprendizaje (Transfer Learning), para así aprovechar la potencia paramétrica de redes preentrenadas. El método se evaluó con un conjunto de imágenes de varones con diferentes niveles de grasa corporal. Los resultados se contrastaron con respecto al criterio de expertos que usan medidas antropométricas.

Magíster en Ciencias de Datos y Analítica

Maestría