A continuación aparece una oferta de posibles Trabajos Finales (TFG/TFM) a realizar conmigo. Si planeas hacer el TF, contacta conmigo vía email con suficiente antelación, es decir, o bien un curso antes de presentar el TF o bien el primer mes de curso en el que quieras presentarlo.

Diseño y validación hardware-in-the-loop de un controlador de actitud para nanosatélites

En la vanguardia de la exploración espacial, los nanosatélites requieren sistemas de control ultraprecisos para orientarse y estabilizarse. Este proyecto se centra en el diseño de un controlador de actitud desde la simulación hasta su implementación en hardware real.

El punto de partida es un simulador de la dinámica de un nanosatélite y su controlador Proporcional-Derivativo (PD), desarrollado bajo el formalismo de simulación por eventos discretos DEVS (Discrete Event System Specification). Este enfoque modulariza el sistema en componentes que interactúan entre sí (controlador, ruedas de reacción, dinámica del satélite), facilitando un diseño estructurado y verificable, ideal para sistemas complejos.

El objetivo principal es llevar este controlador del mundo virtual al físico. Para ello, se proponen las siguientes fases:

1. Emulación en Tiempo Real: Se portará la lógica del controlador DEVS para que se ejecute en un microcontrolador de alto rendimiento (ej. ESP32, STM32). El reto consiste en adaptar el simulador basado en eventos para que opere en tiempo real, interactuando con sensores y actuadores físicos.
2. Construcción de un Banco de Pruebas: Se ensamblará un prototipo físico a escala que emule el comportamiento de un nanosatélite, utilizando componentes como una Unidad de Medición Inercial (IMU) y motores brushless que actuarán como ruedas de reacción.
3. Integración Hardware-in-the-Loop (HIL): Se creará un bucle de control donde el microcontrolador (ejecutando el software de control) leerá la orientación real del prototipo a través de la IMU y enviará comandos de torque a los motores. En la práctica, el prototipo físico reemplazará al modelo de simulación de la dinámica del satélite, validando el controlador con un sistema real.

Este proyecto ofrece una oportunidad única para adquirir experiencia práctica en sistemas embebidos, arquitecturas de control en tiempo real y metodologías de simulación avanzadas, conectando la teoría del control directamente con la ingeniería de hardware y software aplicada al sector espacial.

Referencias

• Hughes, P. C. (2012). Spacecraft attitude dynamics. Courier Corporation.

• Shahmohammadimehrjardi, M., Wainer, G. A., Wu, M., & Zhang, X. (2023, May). PID Control Using Quantized State Systems in RT-DEVS Frameworks. In ANNSIM (pp. 171-183).

• Román Cárdenas, Pedro Malagón, Patricia Arroba, and José L. Risco-Martín (2024). xDEVS no_std: A Rust Crate for Real-Time DEVS on Embedded Systems. Proceedings of the 2024 Annual Modeling and Simulation Conference (ANNSIM'24).

Gemelos Digitales e IA para la Medicina de Precisión en la Esclerosis Lateral Amiotrófica (ELA)

La Esclerosis Lateral Amiotrófica (ELA) es una enfermedad neurodegenerativa de gran complejidad y variabilidad entre pacientes. Nosotros buscamos revolucionar su tratamiento creando "Gemelos Digitales": réplicas computacionales de los pacientes que integran datos genéticos, metabólicos y de estilo de vida para predecir la progresión de la enfermedad y personalizar las intervenciones.

El objetivo de estos trabajos es desarrollar las herramientas inteligentes que den vida a este gemelo digital, centrándonos especialmente en la captura de datos de forma no invasiva y en la simulación de la evolución del paciente.

El estudiante podrá especializar su trabajo en una de las siguientes líneas:

• Procesamiento de Voz y Modelos Fundacionales para la Captura de Datos: Dado que los pacientes de ELA sufren dificultades motoras, escribir cuestionarios largos es una barrera. Esta línea se centra en el uso de modelos de IA (como Whisper o GPT-4o) para transcribir y analizar entrevistas de audio automáticas. El objetivo es extraer información relevante sobre el "exposoma" (historia de vida y factores ambientales) del paciente directamente desde el habla, eliminando la necesidad de teclado.
• Extracción de Información No Estructurada con NLP: El proyecto maneja una gran cantidad de datos narrativos (entrevistas, historias clínicas, cuestionarios abiertos). El estudiante trabajará en el desarrollo de pipelines de Procesamiento de Lenguaje Natural (NLP) y el uso de LLMs para categorizar y estructurar automáticamente esta información, permitiendo que datos "ocultos" en el texto se conviertan en variables útiles para el Gemelo Digital.
• Modelado y Simulación de Eventos Discretos (DEVS) de la Progresión Clínica: Utilizando la librería xDEVS, el objetivo es modelar la trayectoria de la enfermedad. El estudiante trabajará en la creación de modelos que simulen hitos críticos (como la capacidad respiratoria o la movilidad) basándose en los datos metabólicos y genéticos del paciente. Se busca que el Gemelo Digital sea capaz de realizar simulaciones "what-if" para ver cómo respondería el paciente a diferentes cambios en su dieta o estilo de vida.
• Integración Multimodal y Visualización del Gemelo Digital: El reto aquí es fusionar datos muy distintos (metabolismo, genética y actividad física de sensores wearables). El trabajo consistirá en desarrollar el motor de integración de datos y cuadros de mando (dashboards) que permitan a los clínicos visualizar la predicción del Gemelo Digital frente a la evolución real del paciente, facilitando la toma de decisiones médicas.

Este proyecto es una oportunidad ideal para estudiantes interesados en la IA aplicada a la salud, el procesamiento de lenguaje/audio y la simulación avanzada, trabajando en un entorno de investigación real con un impacto directo en la calidad de vida de los pacientes.

Refencias

• Grollemund, V., et al. (2019). Machine learning in amyotrophic lateral sclerosis: achievements, pitfalls, and future directions. Frontiers in Neuroscience.
• Sun, Z., Yin, H., Chen, H., Chen, T., Cui, L., & Yang, F. (2020). Disease prediction via graph neural networks. IEEE Journal of Biomedical and Health Informatics, 25(3), 818-826.
• Kuruppu Appuhamilage, G. D. K., Hussain, M., Zaman, M., & Ali Khan, W. (2025). A health digital twin framework for discrete event simulation based optimised critical care workflows. npj Digital Medicine, 8(1), 376.

Desarrollo de modelos de IA para la alerta temprana de afloraciones de cianobacterias mediante el análisis de datos metagenómicos públicos

La proliferación masiva de cianobacterias (conocidas como afloraciones o blooms) en masas de agua dulce representa un grave riesgo ecológico y para la salud pública debido a las toxinas que pueden producir. Los métodos de detección tradicionales son lentos y costosos, lo que impide una reacción a tiempo. Se busca desarrollar tecnologías digitales para la detección in situ y temprana de estos y otros biocontaminantes.

Este trabajo se centra en anticipar el riesgo de afloraciones tóxicas utilizando Inteligencia Artificial y datos metagenómicos. La metagenómica nos permite analizar el ADN de toda la comunidad microbiana presente en una muestra de agua, ofreciendo una visión completa de qué organismos están presentes y qué funciones genéticas poseen (por ejemplo, la capacidad de producir toxinas o geosmina, un compuesto que da mal olor y sabor al agua).

Para asegurar la viabilidad del trabajo en plazo, el proyecto comenzará utilizando datos de acceso público. Los objetivos concretos son:

1. Búsqueda y preparación de datos: Realizar una revisión del estado del arte para identificar y descargar conjuntos de datos de repositorios públicos (como el European Nucleotide Archive) que contengan secuencias metagenómicas de muestras de agua dulce, junto con metadatos ambientales asociados (temperatura, pH, concentración de nutrientes, etc.).
2. Procesamiento bioinformático: Utilizar pipelines de software especializados, como SqueezeMeta, para procesar los datos crudos. El objetivo es obtener perfiles taxonómicos (qué especies hay y en qué abundancia) y funcionales (qué genes relacionados con la producción de toxinas o geosmina están presentes).
3. Desarrollo de modelos de IA: Explorar y desarrollar modelos de Inteligencia Artificial que integren la información metagenómica y los datos ambientales para predecir la probabilidad de riesgo. Se investigarán diferentes técnicas, como:
   • Métodos de selección de características y clustering para identificar biomarcadores genéticos clave.
   • Redes Neuronales Recurrentes (RNN/LSTM) o Transformers para modelar la dinámica temporal de las comunidades microbianas.
   • Redes Bayesianas para modelar las dependencias entre las variables y estimar la probabilidad de riesgo de forma robusta.
4. Validación y Documentación: Evaluar el rendimiento de los modelos desarrollados y empaquetar el mejor de ellos en una herramienta software documentada, capaz de generar una alerta de riesgo a partir de nuevos datos de entrada.

Referencias

• Fournier, C., Fernandez-Fernandez, R., Cirés, S., López-Orozco, J. A., Besada-Portas, E., & Quesada, A. (2024). "LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data". Water Research.
• Tamames, J., & Puente-Sánchez, F. (2019). "SqueezeMeta, a highly portable, fully automatic metagenomic analysis pipeline". Frontiers in Microbiology.
• Urban, L., et al. (2021). "Freshwater monitoring by nanopore sequencing". eLife.