DESARROLLO DE SOFTWARE PARA LA
GESTIÓN DE DATOS DE UNA NARIZ
ELECTRÓNICA CON INTERFAZ GRÁFICA
SOFTWARE DEVELOPMENT FOR DATA MANAGEMENT OF
AN ELECTRONIC NOSE WITH GRAPHICAL INTERFACE
Victor Jorge Cajilema Camacho
Universidad De Las Fuerzas Armadas, Ecuador
Ximena del Rocío López Chico
Universidad De Las Fuerzas Armadas, Ecuador
Milton Patricio Navas Moya
Universidad De Las Fuerzas Armadas, Ecuador
Milton Fabricio Pérez Gutiérrez
Universidad De Las Fuerzas Armadas, Ecuador
Enrique Terán
Universidad De Las Fuerzas Armadas, Ecuador
pág. 11970
DOI: https://doi.org/10.37811/cl_rcm.v8i4.13374
Desarrollo de Software para la Gestión de Datos de una Nariz Electrónica
con Interfaz Gráfica
Victor Jorge Cajilema Camacho
1
vjcajilema@espe.edu.ec
https://orcid.org/0009-0005-0723-8622
Universidad De Las Fuerzas Armadas ESPE
Ecuador
Ximena del Rocío López Chico
xrlopez@espe.edu.ec
https://orcid.org/0000-0002-7519-6453
Universidad De Las Fuerzas Armadas ESPE
Ecuador
Milton Patricio Navas Moya
mpnavas@espe.edu.ec
https://orcid.org/0000-0002-9526-3369
Universidad De Las Fuerzas Armadas ESPE
Ecuador
Milton Fabricio Pérez Gutiérrez
mfperez3@espe.edu.ec
https://orcid.org/0000-0002-8639-0980
Universidad De Las Fuerzas Armadas ESPE
Ecuador
Enrique Terán
eteran@usfq.edu.ec
https://orcid.org/0000-0001-6979-5655
Universidad San Francisco de Quito
Ecuador
RESUMEN
Este estudio aborda el desarrollo de un sistema enfocado en el análisis de compuestos en la exhalación
humana tomados por medio de una nariz electrónica desarrollada en una fase previa, el sistema es
desarrollado bajo metodología ágil scrum. En la primera etapa se realiza el levantamiento de
requerimientos tomados en base a entrevistas y revisión de la fase anterior, como resultado esta etapa
se obtiene el product backlog de sistema. La etapa de diseñado del sistema se basa en la arquitectura
C4, en esta etapa inicialmente se realiza una investigación bibliográfica para identificar las necesidades
del sistema a nivel de diseño para que el producto final satisfaga las necesidades de la etapa de
levantamiento de requerimientos, al finalizar esta etapa se obtuvieron los diagramas de cada nivel de la
arquitectura C4 para el sistema detallando que tecnologías se utilizaran para la creación de cada parte
del sistema y como se integraran. En la etapa de desarrollo se procede a implementar la solución
propuesta en base al diseño, esta fase detalla cómo se crearon cada contenedor del sistema incluyendo
un contenedor de análisis de datos creado con Python y una aplicación web para la presentación de
resultados del sistema. Como resultado final se obtuvo un sistema capaz de registrar los datos
provenientes de una nariz electrónica, identificar valores atípicos dentro de la exhalación de los
pacientes y generar graficas estadísticas que permitan a los médicos analizar los datos tomados por la
nariz electrónica.
Palabras clave: nariz electrónica, minería de datos, visualización de datos, procesamiento de datos
1
Autor principal
Correspondencia: vjcajilema@espe.edu.ec
pág. 11971
Software Development for Data Management of an Electronic Nose with
Graphical Interface
ABSTRACT
This study addresses the development of a system focused on analyzing compounds in human
exhalation, using an electronic nose developed in a previous phase. The system was created using the
agile Scrum methodology. In the first stage, requirements were gathered based on interviews and a
review of the previous phase, resulting in the system's product backlog. The system design stage is
based on the C4 architecture. In this stage, a bibliographic investigation was initially carried out to
identify the system's design needs to ensure that the final product meets the requirements gathered in
the first stage. At the end of this stage, diagrams for each level of the C4 architecture were obtained for
the system, detailing the technologies to be used in creating each part of the system and how they will
be integrated. In the development stage, the proposed solution is implemented based on the design. This
phase details how each container of the system was created, including a data analysis container
developed with Python and a web application for presenting the system's results. As a final result, a
system was obtained that can record data from an electronic nose, identify outliers within the patients'
exhalation, and generate statistical graphs that allow doctors to analyze the data collected by the
electronic nose.
Keywords: electronic nose, data mining, data visualization, data processing
Artículo recibido 10 julio 2024
Aceptado para publicación: 15 agosto 2024
pág. 11972
INTRODUCCIÓN
La nariz electrónica es una herramienta diseñada para emular el sentido del olfato humano mediante
sensores químicos y algoritmos de reconocimiento de patrones. Desde su introducción esta tecnología
ha evolucionado significativamente, pasando de dispositivos voluminosos y costosos a modelos más
compactos y eficientes. A nivel mundial se ha utilizado la nariz electrónica en diferentes campos como
la agricultura para determinar el estado de diferentes alimentos, la seguridad para detectar peligro de
explosivos, en el campo de la salud se ha propuesto la nariz electrónica como una alternativa de
diagnóstico no invasivo de enfermedades recolectando información del paciente de manera externa sin
lastimar su cuerpo (Karakaya, Ulucan, & Turkan, 2020).
La nariz electrónica, diseñada para emular el sentido del olfato humano mediante sensores químicos y
algoritmos de reconocimiento de patrones, ha evolucionado de dispositivos voluminosos y costosos a
modelos más compactos y eficientes. A nivel mundial, se ha aplicado en diversos campos: en la
agricultura para evaluar alimentos, en la seguridad para detectar explosivos, y en la salud como una
herramienta de diagnóstico no invasivo que recolecta información sin causar daño físico (Karakaya,
Ulucan, & Turkan, 2020).
En la industria alimentaria, la nariz electrónica se ha empleado para detectar frescura, adulteración,
malos olores y bacterias en productos como leche, pescado, vino y café. También se ha utilizado para
clasificar la maduración de frutas (Cayllahue, 2020) y analizar la calidad del vino a través de su aroma
(López, Arazuri, García, Mangado, & Jaren, 2014). Además, se ha investigado su uso en la predicción
de acidez, solubilidad y firmeza en peras (Zhang, Wang, & Ye, 2008), así como en la detección de la
adulteración del aceite de oliva con aceite de avellana (Mildner-Szkudlarz & Jeleń, 2008).
En seguridad se ha utilizado la nariz electrónica para detección de agentes químicos, explosivos
peligrosos y monitorización del estado del aire en contenedores, así como edificios y medios de
transporte, la inspección de contenedores, monitorización del aire en edificios de gobierno, del metro
de Washington, descripción del aire ambiental en aviones comerciales; para detectar olores peligrosos
o posibles amenazas de terroristas (Charumpom & Omatu, 2002).
La aplicación de la nariz electrónica en el ámbito de la contaminación se ha centrado en la detección de
problemas en agua potable y ríos. Estudios han demostrado su capacidad para monitorizar la calidad
pág. 11973
del agua potable (Gardner, Shin, Hines, & Dow, 2000), identificar emisiones de ríos altamente
contaminados (Lamagna, Reich, Rodríguez, Boselli, & Cicerone, 2008), y reconocer sustancias
contaminantes en el agua utilizando la nariz Kamina (Goschnick, Koronczi, Frietsch, & Kiselev, 2005).
Además, la monitorización de emisiones en una planta química evidenció que la nariz electrónica puede
detectar fugas de gases tóxicos, contribuyendo a la mitigación de riesgos ambientales (Wilson &
Baietto, 2009).
El campo de la medicina es el menos explorado en la aplicación de la nariz electrónica, los primeros
ensayos utilizando una nariz electrónica para el diagnóstico de enfermedades respiratorias se llevaron
a cabo mediante el uso de aparatos construidos a partir de sensores de cromatografía y espectrometría
de masas. En los últimos años las investigaciones en que se busca aplicar la nariz electrónica como un
método no invasivo de diagnóstico han aumentado y contemplan temas como La detección de
infecciones en el tracto urinario y vaginosis bacteriana (Persaud, Pisanelli, Evans, & Travers, 2006). La
nariz electrónica ha sido utilizada también para realizar diagnóstico preliminar de diabetes, utilizando
la nariz electrónica como una herramienta de diagnóstico no invasiva (Mendoza Montoya & Ávila
Navarro, 2017). Aplicación de una nariz electrónica de 6 sensores para identificar y clasificar los
volátiles emitidos a través del aliento exhalado obtenido de un grupo de personas sanas y pacientes con
síntomas de la Enfermedad Pulmonar Obstructiva Crónica(EPOC) (Durán Acevedo, Velásquez
Carvajal, & Gualdron Guerrero, 2012).
En 2020 como parte de una tesis de doctorado se plantea la aplicación de la nariz electrónica como
herramienta para la detección temprana de cáncer gástrico (Jaimes Mogollón, 2020).
La revisión bibliográfica muestra la aplicación de la nariz electrónica en diferentes campos de estudio
siendo la medicina una de las áreas de menor concurrencia, sin embargo, en los últimos años ha
aumentado el estudio de esta área, impulsada por los avances tecnológicos y científicos en campos como
inteligencia artificial y análisis de datos (Li, Wei, Zhou, Wang, & You, 2023).
En Latinoamérica, la aplicación de la nariz electrónica está en una fase emergente, especialmente en la
industria alimentaria, agrícola y ambiental. Países del continente han comenzado a explorar su uso para
asegurar la calidad de productos alimenticios, como el café, el vino y las frutas tropicales.
pág. 11974
A pesar de que las investigaciones en la región con respecto a esta tecnología son claramente menores
que en otras regiones del mundo, en los últimos años se ha mostrado un mayor interés por parte de
universidades e institutos de educación en realizar investigaciones en esta área. Por ejemplo, el trabajo
realizado por investigadores de la Universidad Tecnológica de Panamá que incluye estudios sobre la
utilización de narices electrónicas, abarcando desde la detección de contaminación ambiental hasta la
seguridad industrial. Estos dispositivos se utilizan para identificar y cuantificar compuestos volátiles en
diferentes entornos, lo que permite una evaluación más precisa de la calidad del aire y la detección de
contaminantes (Moreno et al., 2009). En Colombia por otro lado se ha realizado investigaciones en el
área alimentaria aplicadas al control de calidad de materias primas y productos elaborados; monitoreo
de procesos, frescura y madurez, investigaciones de estimación del tiempo de vida útil (Quicazán, Díaz
& Zuluaga, 2011).
La Universidad de las Fuerzas Armadas ha iniciado el desarrollo de una nariz electrónica con el objetivo
de contribuir al diagnóstico médico con una herramienta no invasiva para analizar el estado de salud de
los pacientes a partir de los compuestos en su exhalación. En la primera fase, se construyó un módulo
electrónico con 6 sensores que capturan la exhalación y almacenan los datos localmente, permitiendo
generar gráficas estadísticas manualmente con Excel (Cueva & Erazo, 2022).
Esta fase del estudio se enfoca en desarrollar un sistema integral que utiliza una nariz electrónica para
capturar compuestos en la exhalación.
Una vez tomada subida la información, el sistema permite identificar datos atípicos y, si es necesario,
excluirlos del análisis, para luego generar gráficas estadísticas que faciliten la comparación con los
resultados de la primera etapa.
Este informe se organiza en varias secciones: primero, se presenta una investigación en la sección de
estado del arte para definir los términos clave; luego, en la seccion de metodos se detalla la elicitacion,
el diseño del sistema utilizando el modelo C4 y el desarrollo que describe el módulo de captura de
información, que permite cargar los datos obtenidos por la nariz electrónica junto con el estado del
paciente, una vez subida la informacion se identifica datos atipicos y se generan graficas estadisticas.
pág. 11975
Estado del Arte
Nariz electrónica
Es una herramienta que combina sensores químicos y un módulo de reconocimiento de patrones para
emular el olfato humano. Los sensores capturan datos de la exhalación, mientras que el módulo analiza
estos datos (Moreno et al., 2009).
Las técnicas de reconocimientos de patrones utilizadas por la nariz electrónica pueden ser paramétricas
y no paramétricas.
▪ Las técnicas paramétricas asumen que los datos se ajustan a un tipo de distribución especifica como
la distribución normal por ejemplo y requieren la estimación de parámetros como la media y la
varianza (Moreno et al., 2009).
▪ Las técnicas no paramétricas a diferencia del grupo anterior no asumen ninguna distribución
especifica en los datos, son menos potentes pero más fáciles de utilizar. Se dividen en supervisadas
y no supervisadas; las técnicas supervisadas requieren relaciones previamente identificadas,
mientras que las no supervisadas operan sin necesidad de conocimiento previo (Moreno et al.,
2009).
2.2 Modelo C4
El modelado C4 organiza la arquitectura de un sistema en cuatro niveles de abstracción, facilitando su
comprensión en distintos grados de detalle (Rabehi, Helal, Zappa, & Comini, 2024).
▪ El nivel de contexto es el nivel más alto de abstracción que establece al sistema de manera general
identificando los actores y sistemas externos con los que interactúa (Rabehi, Helal, Zappa, &
Comini, 2024).
▪ El nivel de contenedores presenta la composición del sistema en base a unidades ejecutables que
internamente tienen varios componentes como aplicaciones y bases de datos mostrando cómo se
distribuyen las responsabilidades entre cada uno y como se comunican (Rodas, Ríos, & Solarte,
2016).
▪ Los componentes muestran a mayor detalle como estan formados los contenedores permitiendo
comprender cuales son las funcionalidades asignadas a cada contenedor (Rodas, Ríos, & Solarte,
2016).
pág. 11976
▪ El diagrama de clases es un nivel opcional en el cual se muestra como cada componente será
implementado en términos de clases y sus relaciones (Rodas, Ríos, & Solarte, 2016).
Diagrama de cajas y bigotes
Es una distribución gráfica en la que intervienen la mediana, primer cuartil, tercer cuartil, valor máximo
y valor mínimo (Miller, Heeren, & Hornsby, 2005). Estas gráficas son especialmente útiles para
comparar distribuciones entre varios grupos, facilitando la identificación de diferencias y datos atipicos
(Minnaard, Condesse, Minnaard, & Rabino, 2005).
Figura 1 Diagrama de cajas y bigotes
Gráficos radiales.
Los gráficos radiales muestran múltiples variables a la vez, con ejes que se extienden desde un punto
central para reflejar la cantidad de variables en el análisis (Benedito, 2013).
En este estudio, permiten representar varios compuestos de la nariz electrónica de manera compacta,
destacando la relación y proporción entre ellos.
Figura 2 Gráfico radial
pág. 11977
Campanas de Gauss.
El grafico de campanas de gauss es importante en aspectos como la identificación de la
normalidad de los datos y la identificación de desviaciones de lo que sería una distribución ideal
normal (Minnaard, Condesse, Minnaard, & Rabino, 2005).
Figura 3 Diagrama de campanas de Gauss.
Estandarización de las muestras.
La estandarización es un proceso meticuloso que dependiendo de la técnica analítica utilizada, la
cantidad
de parámetros a estandarizar y la logística involucrada, puede requerir un tiempo variable para su
implementación. Este proceso incluye los parámetros esenciales que permiten que un método analítico
comience a generar datos con un grado adecuado y verificable de confianza (Cueva & Erazo, 2022).
Modelo discriminante de gases.
Esta técnica estadística multivariante se utiliza para evaluar si existen diferencias significativas entre
los grupos de gases detectados en función de un conjunto de variables medidas, tiene como objetivo
establecer procedimientos para la clasificación sistemática de los grupos analizados. En este estudio, se
analizaron los puntos máximos y mínimos de las muestras recolectadas, excluyendo aquellas que
mostraban discrepancias significativas con la mayoría de los valores. Esto permitió la estandarización
del nivel de cada compuesto (Cueva & Erazo, 2022).
pág. 11978
Figura 4 Diagrama de curvas de estandarización.
Histogramas
Los histogramas representan la distribución de datos mediante barras verticales, donde el ancho de cada
barra indica el rango del intervalo y la altura indical el número de puntos en intervalo. Los datos se
dividen en sub-rangos llamados intervalos, mostrando cuántos puntos pertenecen a cada uno (Gilat,
2005).
Diagramas Q-Q Plot.
Los diagramas Q-Q Plot (quantil to quantil plot) permiten comparar la distribución de datos con una
distribución teórica, es útil en casos que se necesite comparar la variable de estudio con la distribución
normal, en estos casos se traza una línea diagonal junto con la distribución de datos y se define
visualmente si los datos siguen la misma dirección de la línea en cuyo caso presentan una tendencia
normal (Di Rienzo et al., 2008).
Pruebas de Shapiro-Wilk.
Las pruebas de Shapiro-Wilk permiten definir si un conjunto de datos presenta una distribución normal.
EL método inicia ordenando el conjunto de datos de menor a mayor, calcular la media y la varianza
muestral (Flores Tapia & Flores Cevallos, 2021).
Pruebas de Lilliford.
Las pruebas de Lilliford estan basadas en Kolmogorov-Smirnov que se utiliza para para evaluar una
hipótesis cuando los parámetros de media y desviación estándar (Rial & Varela, 2008).
Minería de datos.
La minería de datos es un proceso que permite analizar datos para descubrir nuevas relaciones, patrones,
tendencias utilizando técnicas avanzadas como el muestreo y el análisis de datos.
pág. 11979
La minería de datos es principalmente útil cuando se dispone de grandes cantidades de información que
no podrían ser analizadas manualmente por una persona (Rodríguez, 2010).
DB-Scan.
DB-SCAN (Density-Based Spatial Clustering of Applications with Noise) es un método de clustering
basado en densidad. Fue introducido por Martin Ester en 1996. Este algoritmo agrupa puntos que están
densamente conectados en un espacio de datos y puede identificar clústeres de formas arbitrarias en
presencia de ruido (Khan, Rehman, Aziz, Fong, & Sarasvady, 2014).
METODOLOGÍA
Se propone desarrollar una nariz electrónica capaz de identificar el perfil de salud de los pacientes
mediante la recolección y análisis de seis compuestos en su exhalación (Cueva & Erazo, 2022). Esta
etapa se enfoca en crear un software, aplicando un ciclo de desarrollo que comienza con la elicitación
de requisitos para identificar necesidades, roles y procesos necesarios para continuar con el diseño y
desarrollo del sistema.
Análisis
Para la elicitación de requerimientos, se realizaron entrevistas y se analizó la documentación previa del
desarrollo de la nariz electrónica. Esto permitió generar las historias de usuario y el product backlog
según la metodología Scrum. La figura 5 muestra el product backlog, destacando historias clave como
la captura de datos, la visualización estadística y la detección de valores atípicos.
Figura 5 Product Backlog del sistema.
pág. 11980
Diseño
Para el diseño del sistema se empleó el modelo C4, ideal para visualizar y comunicar la estructura
compleja de sistemas de software mediante cuatro niveles de abstracción. El nivel de contexto, ilustrado
en la Figura 6, identifica a los diferentes tipos de usuarios: un usuario general, un administrador y un
doctor, quienes interactúan con el sistema para gestionar información y visualizar resultados, y un
paciente, que interactúa principalmente con el módulo de la nariz electrónica para la recolección de
datos.
Se incluyen módulos externos clave, como la nariz electrónica usada para captar datos del paciente, y
el sistema de correo electrónico para verificar direcciones de los usuarios registrados. La integración de
estos módulos es esencial para garantizar precisión y seguridad en el manejo de la información.
Figura 6 Nivel de contexto del modelo C4.
La segunda fase del modelado C4, ilustrada en la Figura 7, muestra la interacción de los usuarios con
cada contenedor y la tecnología utilizada para su desarrollo.
El contenedor de APIs representa el backend del sistema, responsable del procesamiento de datos. Para
la implementación de este contenedor se eligió Python y el framework Django por su eficiencia en el
análisis de datos.
El contenedor de la Aplicación SPA (Single Page Application) constituye el frontend, que gestiona la
interfaz visual del sistema. Esta aplicación web dinámica, desarrollada con React, permite subir y
visualizar información de los pacientes, además de gestionar los compuestos y gráficos estadísticos.
pág. 11981
El contenedor Administrador, desarrollado con Django y tecnologías web como HTML y CSS, facilita
la gestión de las configuraciones generales del sistema, ofreciendo una interfaz administrativa robusta.
El contenedor de Base de Datos utiliza MariaDB por su robustez, eficiencia y licencia abierta, ideal
para la investigación. Este contenedor organiza y almacena todos los datos del sistema utilizando una
estructura relacional definida por SQL.
Figura 7 Nivel de contenedores del modelo C4.
La Figura 8 muestra la tercera fase del modelo C4, centrada en los componentes. Este nivel detalla
cómo cada contenedor se forma por componentes que colaboran para cumplir las funciones del sistema.
El contenedor de APIs gestiona la lógica del backend, manejando operaciones CRUD, la interacción
con servicios externos y bases de datos.
Dentro de este contenedor, se destacan componentes como el de subida de información, que envía datos
de los pacientes a la base de datos; el de minería de datos, que detecta valores atípicos; y el de obtención
de información, que envía los datos a la aplicación SPA para su visualización.
pág. 11982
Figura 8 Nivel de componentes del modelo C4.
En la Figura 9 se puede apreciar el cuarto nivel C4 perteneciente al diagrama de clases que intervienen
directamente en la fase de análisis de datos.
Figura 9 Nivel de clases del modelo C4.
pág. 11983
Desarrollo
La aplicación SPA desarrollada facilita la gestión de perfiles de pacientes y el acceso a visualizaciones
gráficas y resultados obtenidos mediante técnicas de minería de datos. Además, permite registrar
mediciones basadas en el estado de salud del paciente, complementadas con datos de la nariz
electrónica.
Como se muestra en la Figura 10, la interfaz del sistema captura y carga estos datos en la base de datos
para su análisis. Recoge información detallada, como diagnóstico de enfermedades, consumo de
alcohol, hábitos de fumar (incluyendo tipo de fumador), temperatura corporal, y oxigenación en sangre.
También permite adjuntar un archivo generado externamente por la nariz electrónica, que contiene los
datos detallados, para su integración y almacenamiento en el sistema.
Figura 10 Formulario de toma de datos.
Pruebas de normalidad
Una vez se ha realizado la toma de datos se procede a determinar si los datos tienen distribución normal
para lo cual se eligen 2 pruebas gráficas y 2 pruebas cuantitativas.
Entre las pruebas graficas se consideran a los histogramas y a las gráficas QQplot.
En la figura 11 se aplica la prueba grafica de histogramas en la cual se puede apreciar que los datos no
siguen una distribución normal ya que son demasiado irregulares y no pueden tener simetría grafica.
pág. 11984
Figura 11 Histograma del monóxido de carbono.
En la figura 12 se puede apreciar la gráfica QQplot del monóxido de carbono la cual muestra que en
ningún punto los datos siguen una línea diagonal recta, por lo tanto, no tienen distribución normal.
Figura 12 Gráfica QQPlot del monóxido de carbono.
Una vez se ha realizado la toma de datos se procede a determinar si los datos tienen distribución normal
para lo cual se eligen 2 pruebas gráficas y 2 pruebas cuantitativas.
Entre las pruebas graficas se consideran a los histogramas y a las gráficas QQplot.
Como método cuantitativo se elige el método de Lilliford y Shapiro-Wilk para definir si los datos de la
investigación tienen distribución normal, para lo cual se siguieron los pasos descritos a continuación:
1. Definir la hipótesis nula (H0) como que los datos tienen una distribución normal y la hipótesis
alternativa (H1) como que los datos no siguen una distribución normal.
2. Realizar los cálculos del valor p y el estadístico en cada uno de los métodos.
Tabla 1 Cálculos de distribución normal.
Método
Estadístico
Valor p
Lilliford
0.19101916
0.0009999999999998
Shapiro-Wilk
0.79406166
9.4815897754702e-13
pág. 11985
3. Finalmente se analiza los valores obtenidos y presentes en la tabla 2 para determinar si los datos
tienen una distribución normal para lo cual se define que el nivel de significancia será de 0,05. En
ambos casos tanto para el método de Lilliford como para el método de Shapiro-Wilk el valor p
calculado es mucho más pequeño que el nivel de significancia rechazando de esta manera la
hipótesis nula.
En conclusión, despues de aplicar 4 diferentes pruebas a los datos de la investigación se pueden definir
que los datos no tienen distribución normal.
Transformación de normalidad
Al no disponer de una distribución normal es necesario aplicar transformaciones de normalidad para
poder graficar las campanas de Gauss se aplicaron las trasformaciones de normalidad por medio de la
librería scipy de Python.
En la figura 13 se puede apreciar de fondo los histogramas junto con las gráficas de las curvas creadas
por los datos disponibles, la curva de color negro representa los datos que han sido sometidos a la
transformación de normalidad.
Figura 13 Curvas con datos transformados.
En la figura 14 se puede apreciar el gráfico QQplot con los datos transformados, los cuales muestran
que se dispone de una distribución repartida a lo largo de la línea diagonal en comparación con la
figura6.
pág. 11986
Figura 14 Gráfica QQPlot con datos transformados
RESULTADOS Y DISCUSIÓN
Selección de la muestra
Se consideraron 19 personas para las pruebas del sistema. En las primeras pruebas, se observó que 2
pacientes mostraron mediciones bajas de los elementos. Por ejemplo, en la Figura 15, los pacientes 18
y 19 presentan bajas mediciones de dihidrógeno, con 0.9 PPM y 0.78 PPM respectivamente,
evidenciando una anormalidad en la gráfica. Este patrón se repite en todos los compuestos, lo que hace
necesario aplicar un criterio de exclusión técnico para no afectar la muestra (Cueva & Erazo, 2022).
Figura 15 Diagrama de barras laterales del dihidrógeno.
Nota: Figura tomada de la primera fase de la investigación. Fuente: C. A. Cueva 2022
pág. 11987
Dados estos resultados, se seleccionaron 17 personas como participantes en el proyecto. Durante la
toma de datos, se identificaron pacientes con mediciones anormales en comparación con el resto, lo que
llevó a la exclusión de estos datos atípicos en las pruebas iniciales de la primera etapa, según criterio
médico (Cueva & Erazo, 2022). La Tabla 2 muestra que tanto el criterio médico como el técnico
coinciden en excluir a ciertas personas del análisis por presentar datos atípicos.
Tabla 2 Análisis de toma de datos iniciales.
Compuesto
Análisis por criterio medico
H2
Pacientes 3, 10, 15 y 17
CH4
Paciente 10
NH3
Pacientes 3, 7 y 15
H2S
Pacientes 3 y 7
CO
Pacientes 3, 7 y 15
CO2
Pacientes 3, 7 y 15
Total
3
Nota: Tabla tomada de la primera fase de la investigación. Fuente: C. A. Cueva 2022
La Figura 16 muestra una tabla con los valores atípicos identificados en el monóxido de carbono,
resaltando la eficacia de la minería de datos aplicada. Esta detección automática valida visualmente los
resultados del proceso de exclusión. En este caso, se utilizó DB-Scan, un algoritmo de agrupamiento
que identifica clústeres basados en la densidad de los datos (Khan, Rehman, Aziz, Fong, & Sarasvady,
2014).
Figura 16 Tabla de valores atípicos del monóxido de carbono detectados por el sistema en los datos de
la segunda fase.
Análisis de las gráficas al tomar datos de la nariz electrónica
En la primera etapa del proyecto, se recopilaron datos con la nariz electrónica y se unificaron en un
archivo Excel para generar gráficas. En la segunda fase, las gráficas se generaron mediante un nuevo
sistema que utiliza Python para el procesamiento de datos y JavaScript para su visualización. Este
sistema robusto almacena datos de sensores, identifica valores atípicos y produce gráficos estadísticos,
pág. 11988
empleando técnicas como gráficos boxplot (cajas y bigotes), representaciones radiales, curvas de
estandarización y la campana de Gauss para el análisis de datos.
Las Figuras 17 y 18 comparan los gráficos de cajas y bigotes del monóxido de carbono en ambas fases
del estudio. La Figura 18 muestra la capacidad del nuevo sistema para generar visualizaciones detalladas
automáticamente, mejorando la interpretación de los datos. Las nuevas gráficas permiten acercamientos
y deslizamientos, facilitando el análisis, especialmente en gráficos de caja pequeños como se muestra
en la Figura 19. Además, la distribución de los datos en cada cuartil se visualiza claramente, lo que
ayuda a identificar patrones, densidades y acumulaciones en el gráfico.
Figura 17. Gráficas de cajas y bigotes del monóxido de carbono en la primera fase.
Figura 18 Gráficas de cajas y bigotes del monóxido de carbono en la segunda fase.
pág. 11989
Figura 19 Gráficas de cajas y bigotes con acercamiento para mejor apreciación de los datos
Las Figuras 20 y 21 muestran la distribución radial del dióxido de carbono en ambas fases del estudio,
demostrando que el sistema generó correctamente la gráfica radial. La Figura 21 presenta esta gráfica,
la cual permite manejar la presentación de las curvas según la necesidad, ocultando visualmente
información sin eliminarla de la base de datos. Esta funcionalidad es especialmente útil cuando las
curvas se cruzan, ya que facilita el análisis enfocado al permitir que solo se muestren las curvas
relevantes en un momento dado, ayudando a centrar la atención en los pacientes que se están analizando.
Figura 20 Gráfica radial del dióxido de carbono en la primera fase.
pág. 11990
Figura 21 Gráfica radial del monóxido de carbono en la segunda fase.
Las Figuras 22 y 23 muestran las curvas de estandarización para el monóxido de carbono en cada fase
del estudio, destacando valores representativos como el mínimo, la media y el máximo de cada paciente.
Figura 22 Curva de estandarización del Monóxido de carbono primera fase.
Figura 23 Curva de estandarización del Monóxido de carbono segunda fase..
pág. 11991
Las distribuciones de la campana de Gauss para el ácido sulfhídrico presentadas en las Figuras 24 y 25,
muestran consistencia entre ambas fases. La Figura 25 ilustra las curvas generadas por el sistema en la
segunda etapa, donde, tras cargar la información en la base de datos, se aplican pruebas de normalidad,
esenciales para generar la campana de Gauss. La generación de estas curvas requiere datos con
tendencia normal, determinada por pruebas de normalidad. En caso de que no se detecte normalidad, se
procede a transformar los datos para ajustarlos antes de su visualización en el frontend, que ofrece la
opción de acercar, desplazar y ocultar no requeridas.
Este análisis resalta cómo los ajustes de normalidad mejoran la interpretación estadística, confirmando
la capacidad del sistema para ajustarse a distribuciones normales post-transformación y proporcionar
una herramienta robusta para la visualización de datos de sensores.
Figura 24 Campana de gauss del ácido sulfhídrico primera fase.
Figura 25 Campana de gauss del ácido sulfhídrico, segunda fase
pág. 11992
DISCUSIÓN
Este estudio se centró en desarrollar un sistema que captura y almacena datos de los sensores y del
estado de salud de los pacientes en una base de datos estructurada. Esto permite centralizar la
información, facilitando su análisis y acceso desde cualquier ubicación, gracias al alojamiento en un
servidor. Además, se priorizó un diseño responsive para garantizar su uso en diversos dispositivos.
Las funcionalidades clave del sistema incluyen la minería de datos y herramientas de análisis estadístico
que asisten a los profesionales médicos en la elaboración de diagnósticos. Esta investigación se enfoca
en proveer gráficos estadísticos que faciliten la interpretación de los datos por parte de profesionales de
la salud, recordando que estas herramientas están diseñadas como un apoyo para el análisis médico.
Una etapa crítica en nuestro análisis fue la transformación de normalidad aplicada a los conjuntos de
datos, lo que permitió el uso de curvas de Gauss. Este procedimiento es esencial cuando los datos no
siguen una distribución normal, como se observó en las muestras. La transformación garantiza que las
técnicas estadísticas, que asumen normalidad, puedan aplicarse de manera efectiva, facilitando una
interpretación más precisa. Las curvas de Gauss resultantes destacan características y tendencias que
serían menos evidentes en datos no transformados.
Al utilizar herramientas de software libre el sistema desarrollado permite dar un control total del
procesamiento de la información sin necesidad del pago de una licencia por las herramientas y crear un
sistema robusto que automatice partes del procesamiento de data de la nariz electrónica.
El uso de herramientas especializadas en cada aspecto del desarrollo del sistema permite responder
adecuadamente a las necesidades. Python ofrece capacidades para la transformación de normalidad y
análisis estadístico, mientras que React facilita la creación de aplicaciones visuales con diseño
responsive. Además, el uso de Plotly, una herramienta especializada en la generación de gráficos,
permite funcionalidades avanzadas como acercamientos y la visualización dinámica de cada línea de
graficación dentro del sistema.
CONCLUSIONES
Al concluir esta etapa de investigación, se puede afirmar que el sistema desarrollado ha demostrado una
notable eficiencia en la captura de compuestos en la exhalación de los pacientes mediante una nariz
electrónica. Este sistema optimiza el procesamiento y la visualización de datos, facilitando a los
pág. 11993
médicos la interpretación de las gráficas generadas. Una de sus principales ventajas es la sistematización
del análisis, que centraliza el procesamiento, incluyendo pruebas y transformaciones de normalidad,
minimizando errores y eliminando la necesidad de cálculos externos por parte de los usuarios.
Al comparar los resultados de la etapa 1 con los actuales, se concluye que la implementación del sistema
ha mejorado significativamente la recogida, procesamiento y visualización de datos. La funcionalidad
de generación de gráficas se ha completado, ofreciendo a los médicos gráficos estadísticos que facilitan
una visualización y comparación más eficientes. Esta mejora refleja un avance considerable en la
facilidad de uso y accesibilidad de la información.
Al concluir esta etapa de investigación, se ha desarrollado un sistema que procesa datos de la nariz
electrónica utilizando la metodología Scrum y el modelado C4. Este enfoque ágil ha permitido un ciclo
de desarrollo iterativo e incremental. Python fue elegido para el procesamiento de datos por sus extensas
librerías de código abierto, ideales para análisis y estadística, mientras que JavaScript se seleccionó para
la presentación de la información por su compatibilidad con herramientas de graficación. En resumen,
la combinación de estas metodologías y tecnologías ha resultado en un sistema escalable, que sienta las
bases para futuras integraciones y desarrollos.
El sistema ha demostrado ser capaz de identificar datos atípicos a partir de la información de la nariz
electrónica. Sin embargo, el método DBSCAN no detectó todos los datos según los criterios médicos.
Se sugiere explorar otros métodos, como K-means y análisis de cuartiles, y aumentar la cantidad de
datos poblacionales en futuras investigaciones para mejorar la precisión y robustez del sistema.
REFERENCIAS BIBLIOGRAFICAS
Benedito, M. Á. P. (2013). Aplicación de los gráficos radiales en la evaluación del servicio público de
transportes. Auditoría Pública, 60, 73-96.
Cayllahue Quille, R. (2020). Estudio de la nariz electrónica en la industria alimentaria. SUNEDU.
Charumpom, B., & Omatu, S. (2002, August). Classifying smokes using an electronic nose and neural
networks. In Proceedings of the 41st SICE Annual Conference (Vol. 5, pp. 2661-2665). IEEE.
https://doi.org/10.1109/SICE.2002.1196116
Cueva, C. A., & Erazo, K. G. (2022). Diseño e implementación de una nariz electrónica para detección
de compuestos orgánicos volátiles presentes en el aliento de seres humanos, en colaboración con
pág. 11994
la Escuela de Medicina de la Universidad San Francisco de Quito (Tesis de ingeniería).
Universidad de las Fuerzas Armadas ESPE, Ecuador.
Di Rienzo, J. A., Casanoves, F., González, L. A., Tablada, E. M., Díaz, M. P., Robledo, C. W., &
Balzarini, M. G. (2008). Estadística para las ciencias agropecuarias (7ª ed.). Universidad Nacional
de Córdoba.
Durán Acevedo, C. M., Velásquez Carvajal, A. E., & Gualdron Guerrero, O. E. (2012). Implementación
de una nariz electrónica para detectar pacientes con EPOC desde el aliento exhalado. Ingeniería
y Desarrollo, 30(2), 143-159.
Flores Tapia, C. E., & Flores Cevallos, K. L. (2021). Pruebas para comprobar la normalidad de los datos
en procesos productivos: Anderson-Darling, Ryan-Joiner, Shapiro-Wilk y Kolmogórov-Smirnov.
Societas: Revista de Ciencias Sociales y Humanidades, 23(2), 83-106.
Gardner, J. W., Shin, H. W., Hines, E. L., & Dow, C. S. (2000). An electronic nose system for
monitoring the quality of potable water. Sensors and Actuators B: Chemical, 69(1), 336-341.
https://doi.org/10.1016/S0925-4005(00)00482-2
Gilat, A. (2005). MATLAB: An introduction with applications (2ª ed.). John Wiley & Sons.
Goschnick, J., Koronczi, I., Frietsch, M., & Kiselev, I. (2005). Water pollution recognition with the
electronic nose KAMINA. Sensors and Actuators B: Chemical, 106(1), 182-186.
https://doi.org/10.1016/j.snb.2004.05.055
Irigoin Cabrera, U. O., Goicochea Espino, J. O., Cabanillas Oliva, E. G., Sánchez Cáceres, V., Heredia
Quezada, G. R., & Saldaña Ferreyra, K. (2023). Métodos estadísticos para el control de la calidad
y la productividad. Editorial Mar Caribe.
Jaimes Mogollón, A. L. (2020). Desarrollo de un sistema de percepción sensorial artificial para la
detección del cáncer gástrico en el aliento exhalado (Tesis doctoral). Universidad Complutense
de Madrid, Madrid, España.
Karakaya, D., Ulucan, O., & Turkan, M. (2020). Electronic nose and its applications: A survey.
International Journal of Automation and Computing, 17(2), 179-209.
https://doi.org/10.1007/s11633-019-1212-9
pág. 11995
Khan, K., Rehman, S. U., Aziz, K., Fong, S., & Sarasvady, S. (2014, February). DBSCAN: Past, present
and future. In *The fifth international conference on the applications of digital information and
web technologies (ICADIWT 2014)* (pp. 232-238). *IEEE*.
Lamagna, A., Reich, S., Rodríguez, D., Boselli, A., & Cicerone, D. (2008). The use of an electronic
nose to characterize emissions from a highly polluted river. Sensors and Actuators B: Chemical,
131(1), 121-124. https://doi.org/10.1016/j.snb.2007.12.026
Li, Y., Wei, X., Zhou, Y., Wang, J., & You, R. (2023). Research progress of electronic nose technology
in exhaled breath disease analysis. Microsystems & Nanoengineering, 9(1), 129.
https://doi.org/10.1038/s41378-023-00594-0
López, A., Arazuri, S., García, I., Mangado, J., & Jaren, C. (2014). A review of the application of near-
infrared spectroscopy for the analysis of fruits and vegetables. Journal of Food Engineering, 143,
99-114. https://doi.org/10.1016/j.jfoodeng.2014.07.019
Mendoza Montoya, J. J., & Ávila Navarro, E. (2017). Desarrollo de un sistema olfativo electrónico para
el diagnóstico preliminar no invasivo de la diabetes. Revista Científica Andina: Science &
Humanities, 1(2), 157-176.
Miller, C. D., Heeren, V. E., & Hornsby, J. (2005). Matemática: Razonamiento y aplicaciones (Vol.
10). Pearson Educación.
Mildner-Szkudlarz, S., & Jeleń, H. H. (2008). The potential of different techniques for volatile
compounds analysis coupled with PCA for the detection of the adulteration of olive oil with
hazelnut oil. Food Chemistry, 110(3), 751-761. https://doi.org/10.1016/j.foodchem.2008.02.053
Minnaard, C., Condesse, V., Minnaard, V., & Rabino, C. (2005, May 10). Los gráficos de caja: Un
recurso innovador. Revista Iberoamericana de Educación, 35(8).
Moreno, I., Caballero, R., Galán, R., Matía, F., & Jiménez, A. (2009). La nariz electrónica: Estado del
arte. Revista Iberoamericana de Automática e Informática Industrial RIAI, 6(3), 76-91
Persaud, K. C., Pisanelli, A. M., Evans, P., & Travers, P. J. (2006). Monitoring urinary tract infections
and bacterial vaginosis. Sensors and Actuators B: Chemical, 116(1), 116-120.
https://doi.org/10.1016/j.snb.2005.12.062
pág. 11996
Quicazán, M. C., Díaz, A. C., & Zuluaga, C. M. (2011). La nariz electrónica, una novedosa herramienta
para el control de procesos y calidad en la industria agroalimentaria. Vitae, 18(2), 209-217.
Rabehi, A., Helal, H., Zappa, D., & Comini, E. (2024). Advancements and prospects of electronic nose
in various applications: A comprehensive review. Applied Sciences, 14(4506).
https://doi.org/10.3390/app14114506
Rial, A., & Varela, J. (2008). Estadística práctica para la investigación en ciencias de la salud.
Netbiblo.
Rodas, A., Ríos, J. I., & Solarte, G. R. (2016). Creación
Rodríguez, J. E. (2010). Fundamentos de minería de datos. Universidad Francisco José de Caldas.
Wilson, A. D., & Baietto, M. (2009). Applications and advances in electronic-nose technologies.
Sensors, 9(7), 5099-5148. https://doi.org/10.3390/s90705099
Zhang, H., Wang, J., & Ye, S. (2008). Predictions of acidity, soluble solids and firmness of pear using
electronic nose technique. Journal of Food Engineering, 86(3), 370-378.
https://doi.org/10.1016/j.jfoodeng.2007.08.026