Propuesta supervisada de aprendizaje de máquina para la estimación de la edad biológica humana basada en odontología forense

Supervised Machine Learning Proposal For The Estimation Of Human Biological Age Based On Forensic Dentistry

Contenido principal del artículo

Johana Gabriela Becerra Alvarez
Jimy Alexander Cortés Osorio

Resumen

Código de Procedimiento Penal Colombiano avala el uso apropiado de las piezas dentales para la identificación de individuos, por lo que esta técnica resulta una herramienta de gran importancia en las instituciones que apoyan la administración de justicia. Los métodos clásicos de identificación humana, en especial, los usados para la determinación de la edad biológica de muerte en adultos, han sido desarrollados usando información de poblaciones con características morfológicas, métricas y culturales diferentes a las de Colombia. En consecuencia, se han obtenido tasas de error altas en sus resultados. En esta investigación, se calculó inicialmente la edad biológica usando el método clásico de Lamendin. Posteriormente, con las medidas directas e indirectas, también usadas en el método de Lamendin, se realizó el entrenamiento de las técnicas de aprendizaje de máquina conociendo la edad cronológica de los individuos de la muestra. Se compararon los resultados de las técnicas de regresión de aprendizaje de máquina supervisado: Máquinas de Soporte Vectorial (SVM), Procesos Gaussianos por Regresión (GPR) y Conjuntos de Árboles (Ensembles of Trees), entre otras. Se estudió una muestra de 48 piezas dentales de una sola raíz pertenecientes a 45 individuos de nacionalidad colombiana, con edades cronológicas de fallecimiento conocidas dentro del rango de edades desde los 19 años hasta los 81 años. Por otro lado, se utilizaron el pie de rey digital y el macroscopio de comparación para estimar las alturas de las características morfológicas en las piezas dentales. La mejor exactitud en la estimación de la edad biológica se alcanzó con GPR que presentó una raíz del error medio cuadrático (RMSE) de 3,37 años en la identificación, la cual se contrastó con la exactitud alcanzada por el método de Lamendin con un RMSE de 15,52 años. Esta investigación evidencia que el aprendizaje de máquina con regresión GPR, en especial para el caso colombiano, resulta una herramienta válida para la estimación de la edad biológica de muerte con errores muy inferiores a los entregados por técnicas tradicionales de origen europeo.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Biografía del autor/a (VER)

Johana Gabriela Becerra Alvarez, Universidad Tecnológica de Pereira

Ingeniera Física de la Universidad Tecnológica de Pereira. Actualmente, Estudiante de la Maestria en Ciencias con Especialidad en Electrónica en el Instituto Nacional de Astrofísica Optica y Electrónica.

Jimy Alexander Cortés Osorio, Universidad Tecnológica de Pereira

Ingeniero Electricista, Magister en instrumentacion física y estudios de doctora en la Universidad Nacional de Colombia Manizales. Actualmente, Profesor titular del departamento de fisica de la Universidad Tecnológica de Pereira.

Referencias (VER)

Alvarado Garcia, A. M. & Salazar Maya, A. M., 2014. Análisis del concepto de envejecimiento. Gerokomos., 25(2), pp. 57-62.

Baviera, T., 2017. Técnicas para el análisis del sentimiento en Twitter: Aprendizaje Automático Supervisado y SentiStrength. Revista Dígitos, 1(3), pp. 33-50.

Bedoya, O. & Bustamante, S., 2011. CNN-PROMOTER, NEW CONSENSUS PROMOTER PREDICTION PROGRAM BASED ON NEURAL NETWORKS. Revista EIA, 8(15), pp. 153-164

Drucker, H. y otros, 1997. Support vector machine. Advances in neural information processing systems, Enero.pp. 155-161.

Foti, B. y otros, 2001. Limits of the Lamendin method in age determination. Forensic Science International, pp. 101-106.

Garcia Cambronero, C. & Gomez Moreno, I., 2006. Algoritmos de aprendizaje: KNN & KMEANS. [Inteligencia en Redes de Telecomuncicación, Universidad Carlos III de Madrid.

Guyon, I. & Elisseeff, A., 2003. An Introduction to Variable and Feature Selection. Journal of Machine Learning, pp. 1157-1182.

JCGM 100, 2008. Guide to the expression of uncertainty in measurement. En: J. C. f. G. i. Metrology, ed. Evaluation of measurement data. s.l.:s.n., pp. 36-37.

Krenzer, U., 2005. Odontología forense. En: Tomo VI Antropología Dental. Guatemala: CAFCA, pp. 52-58.

Krenzer, U., 2006. Cambio en las dientes. En: Tomo III Estimación de la edad Osteológica en adultos. Guatemala: CAFCA, pp. 14-16.

Lamendin, H. y otros, 1992. A simple Technique for age estimation in adult corpses: The two criteria dental method. Journal of forensic sciences, pp. 1373-1379.

Martinez Rodriguez, E., 2005. Errores frecuentes en la interpretación del coeficiente de determinación lineal. Anuario jurídico y económico escurialense, Issue 38, pp. 315-331.

Morales, D., Betancourt, C. & Mesa, . L., 2010. Cálculo de la incertidumbre de medida al equipo de movimiento rectilíneo uniforme del grupo de investigación dicoped. Scientia et Technica, Issue 46, pp. 206-210.

Pelaez Chávez, N., 2012. Aprendizaje no supervisado y el algoritmo WAKE-SLEEP en redes neuronales. s.l.:s.n.

Suárez Ponce , D. G., 2014. Reconstrucción osteobiográfica. Odontología Sanmarquina, pp. 44-46.

Pretelt de la Vega, S., 2004. Código de Procedimiento Penal. [En línea] Available at: https://www.oas.org/juridico/mla/sp/col/sp_col-int-text-cpp-2005.html [Último acceso: Noviembre 2017].

Prince, D. A. & Ubelaker, D. H., 2002. Application of Lamendin's adult dental aging Technique to a diverse skeletal sample. Journal Forensic Science, pp. 107-116.

Tobón, I. & Cortés, J., 2018. Identificación de instrumentos musicales de cuerdas pulsadas de la región andina colombiana en solo, mediante técnicas de aprendizaje de máquina. Revista EIA, 15(30), pp. 177-193.

Vapnik, V., Golowich, S. & Smola, A., 1997. Support Vector Method for Function Approximation, Regression Estimation, and Signal Processing. Advances in neural information processing systems, pp. 281-287.

Vilcapoma Guerra, H. J., 2012. Método dental modificado para la estimación de la edad en individuos adultos. Odontología Sanmarquina, pp. 27-30.

Willmott, C. & Matsuura, K., 2005. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research, Volumen 30, pp. 79-82.

Witten, I. H., Frank, E. & Hall, M. A., 2011. Cross Validation. En: Data Mining Practical Machine Learning. USA: Morgan Kaufmann, pp. 152-154.

Witten, I. H., Frank, E. & Hall, M. A., 2011. Ensemble learning. En: Data Mining Practical Machine Learning. s.l.:Morgan Kaufmann, pp. 352-362.

Artículos similares

También puede {advancedSearchLink} para este artículo.